L'industria dei semiconduttori si è costruita su un dogma: il wafer si taglia in tanti chip piccoli, perché un difetto rovina solo il pezzo che colpisce. Cerebras ha deciso di non tagliarlo.
Le origini
Fondata nel 2016 da Andrew Feldman e dal gruppo che aveva già venduto SeaMicro ad AMD, Cerebras parte da un'osservazione: nell'addestramento dei modelli, la maggior parte dell'energia e del tempo se ne va nello spostare dati tra chip diversi. Se il modello stesse tutto su un unico pezzo di silicio, quel costo sparirebbe.
Da qui il Wafer Scale Engine, un processore ricavato da un wafer intero da 300 millimetri: centinaia di migliaia di core, decine di gigabyte di SRAM distribuita e una banda interna di ordini di grandezza superiore a qualsiasi collegamento tra chip. Il problema dei difetti si risolve con la ridondanza: i core danneggiati vengono esclusi e il routing li aggira.
Cosa fa davvero
Cerebras non vende chip singoli ma sistemi completi — la famiglia CS — insieme al software che li governa. Attorno al processore ci sono due elementi altrettanto importanti: un sottosistema di memoria esterna che tiene i pesi del modello e li "trasmette" al wafer durante il calcolo, e uno strato di aggregazione che permette di far lavorare più sistemi come se fossero uno solo, senza che il programmatore debba occuparsi di partizionare il modello.
Il posizionamento commerciale è cambiato nel tempo: dai supercomputer venduti a centri di ricerca e laboratori nazionali si è spostato prima ai grandi cluster costruiti con partner mediorientali, poi a un servizio cloud di inferenza ad altissima velocità, che sfrutta l'unico vantaggio davvero incontestabile dell'architettura — la latenza per token.
La svolta AI
Il paradosso di Cerebras è che l'ondata dei modelli linguistici l'ha resa contemporaneamente più rilevante e più fragile. Più rilevante perché non usando HBM sfugge al collo di bottiglia che frena tutti gli altri, e perché la sua memoria on-chip la rende imbattibile sui token al secondo per singola richiesta. Più fragile perché il mercato ha smesso di comprare "supercomputer AI" e ha iniziato a comprare capacità a consumo, dove contano scala, disponibilità e prezzo — le tre cose su cui gli hyperscaler sono imbattibili.
Dove può rompersi
Il rischio principale è la concentrazione dei clienti: per anni una quota molto alta dei ricavi è arrivata da un singolo gruppo di committenti, e la revisione degli assetti azionari legata a investitori mediorientali ha allungato di parecchi mesi il percorso verso la quotazione.
Poi c'è il problema strutturale del modello: un wafer intero costa come un wafer intero. L'architettura vince quando il collo di bottiglia è la comunicazione tra chip; perde quando lo è il capitale investito per unità di lavoro. E c'è un'ultima incognita, la più banale: l'ecosistema software. Ogni ora che un cliente spende ad adattare il proprio stack è un pezzo di vantaggio prestazionale che evapora.