W wyścigu sprzętu AI chodziło w dużej mierze o deficytowe komponenty, a Cerebras Systems próbuje go wygrać, potrzebując ich w mniejszym stopniu. Chipy firmy w skali całej płytki krzemowej rezygnują z pamięci o wysokiej przepustowości (HBM), zaawansowanych opakowań CoWoS i produkcji 3nm — trzech najciaśniejszych obecnie wąskich gardeł w przemyśle półprzewodników. To właśnie te zasoby są zależnością większości konkurencyjnych projektów akceleratorów AI i powód, dla którego kolejki po nie kształtują to, kto i kiedy może budować najnowocześniejszy sprzęt.

Chip zbudowany wokół tego, czego nie zawiera

Cerebras obrał inną drogę niż większość branży. Jego WSE-3 i pochodny WSE-3T są wykonane w procesie 5nm firmy TSMC, a cała pamięć znajduje się na samym chipie jako SRAM, a nie w oddzielnych stosach HBM. Tam, gdzie konwencjonalny akcelerator to mały krajacz wycięty z fragmentu płytki krzemowej, podejście wafer-scale wykorzystuje niemal całą płytkę jako jeden chip — stąd nazwa tej konstrukcji.

WSE-3 został zaprezentowany w marcu 2024 roku, a jego specyfikacja brzmi bardziej jak plan miasta niż karta katalogowa chipu: 900 000 rdzeni AI, 44 GB SRAM na chipie i około4 bilionów tranzystorów — wszystko na powierzchni 46 225 mm².

Prezes zarządu Andrew Feldman twierdzi, że konstrukcja zwraca się tam, gdzie ma to największe znaczenie dla klientów: w szybkości generowania odpowiedzi przez modele AI. Występując w czerwcu 2026 roku, opisał architekturę jako zapewniającą „najszybszą inferencję na świecie o rząd wielkości”.

Według ustaleń badawczych teza Feldmana koncentruje się na zwiększeniu szybkości generowania tokenów przy jednoczesnym wyeliminowaniu spowolnień typowych dla rozwiązań opartych na GPU.

Portfel zamówień stojący za tą strategią

Na czerwiec 2026 roku firma zgłosiła portfel zamówień o wartości 25,4 miliarda dolarów. Ponad 20 miliardów tej kwoty pochodzi z wieloletniej umowy z OpenAI.

Cerebras deklaruje również ponad 600 MW mocy centrów danych — uruchomionych lub zakontraktowanych — a według ustaleń badawczych przychody za drugi kwartał niemal się podwoiły rok do roku.

We wrześniu 2026 roku Cerebras zgodził się dostarczyć systemy CS-4 dla około 100 MW mocy na rzecz Gimlet Labs. Firma zawarła także długoterminową umowę z General Compute, a wdrożenie zaplanowano na pierwszy kwartał 2027 roku.

Wszystko to nastąpiło po debiucie Cerebras na Nasdaq w maju 2026 roku. Od momentu notowań firma rozpoczęła rozbudowę produkcji w USA i budowanie partnerstw w celu zwiększenia mocy operacyjnych.

Dlaczego omijanie kolejki ma znaczenie

Ustalenia badawcze wskazują, że popyt na infrastrukturę AI coraz bardziej zależy od przestrzeni centrów danych, energii i budownictwa, a nie tylko od dostępności chipów. To pomaga wyjaśnić, dlaczego Cerebras mówi obecnie o mocach w megawatach, a nie o liczbie chipów: wartość 600 MW i zobowiązanie wobec Gimlet Labs na około 100 MW to miary energii i powierzchni. Omijając HBM, CoWoS i limity 3nm, firma zamienia zależność od łańcuchów dostaw przemysłu chipowego na ograniczenia całej branży wskazane w ustaleniach — energię, powierzchnię i moce budowlane.

Na co zwracać uwagę

Dla inwestorów Cerebras kluczowym pytaniem jest wykonanie. Portfel zamówień o wartości 25,4 miliarda dolarów to obietnica, a nie przychód, a jego przekształcenie zależy od tego, czy centra danych zostaną zbudowane, zasilone i uruchomione zgodnie z harmonogramem. Ustalenia badawcze wskazują na koszty uruchamiania centrów danych jako wyzwanie, z którym firma próbuje się zmierzyć. Wdrożenie u Gimlet Labs o wartości około 100 MW oraz wdrożenie u General Compute zaplanowane na pierwszy kwartał 2027 roku dają temu pytaniu o wykonanie najbliższe punkty kontrolnen
Drugim czynnikiem do obserwacji jest koncentracja klientów. Ponieważ ponad 20 miliardów dolarów portfela zamówień wiąże się z OpenAI, kondycja tej jednej relacji ma nadmierną wagę. Umowy takie jak te z Gimlet Labs i General Compute pomagają dywersyfikować portfel, choć są w porównaniu znacznie mniejsze.

W kwestii wydajności teza Feldmana o inferencji o rząd wielkości szybszej zostanie poddana weryfikacji przez klientów uruchamiających realne obciążenia. SRAM na chipie jest niezwykle szybki, ale 44 GB na chip to stały budżet, a sposób skalowania systemów dla największych modeli ukształtuje, jak szeroko ta konstrukcja zostanie przyjęta.