Cerebras 在 5 月中旬上市，市值一度接近 1000 亿美元，被外界视作英伟达的补充甚至挑战者。但很少有人知道，这家公司的早期投资人名单里有 Sam Altman——他 2016 年就投了，比百度还早一年。而促成百度这笔投资的，是一位刚入行、第一笔投资就是它的年轻人：周南。本期节目里，周南完整回顾了这段九到十年前的投资过程，也聊到了 OpenAI 的 200 亿美元订单、从训练到推理的算力大转移，以及他心中最意难平的一件往事：一只因为地缘政治没能做起来的百度基金。
Cerebras 的核心创新是 Wafer-Scale Architecture：把一整片晶圆直接做成一个巨大的 AI 计算引擎，而不是像传统芯片制造那样把晶圆切开、封装、再通过 PCB 和 NVLink 互联。周南介绍，这片晶圆上有 84 个芯片无缝互联，计算单元、内存和通信网络都在同一片硅片上，数据不需要频繁地从一颗芯片搬到另一颗芯片，也不用把外部的 HBM 高带宽内存搬来搬去，通信和数据搬运的成本因此大幅降低。
它也不只是一家芯片公司，而是从芯片、服务器、散热、电源到编译器、软件栈都自己做的一套原生系统。周南用一个比喻来解释它与 GPU 的根本差别：「GPU有点像是很多很多很强大的人类的这种脑袋瓜，但是它需要靠一个高速的网络去协作。而Cerebras它是一个非常非常巨大的一个大脑，尽量让计算和记忆都发生在同一个硅片上。」
对「英伟达挑战者」这个定位，周南的态度很清醒。他认为 Cerebras 是英伟达在推理这类特定 workload 上的挑战者，却做不了全栈生态的全面替代者。英伟达的护城河并不只是芯片，而是 CUDA、开发者生态、网络、系统、软件、客户信任和供应链组成的整个体系。Cerebras 的机会在于：当某个 workload——尤其是推理——受限于内存带宽、通信延迟和推理响应速度时，它是一个非常优秀的架构选择，招股书显示它的推理速度比现有方案快很多。
这种价值的凸显与算力需求的转移同步发生。周南观察到，现在一半以上的 GPU 需求都用在了推理上，AI agent 的爆发又进一步放大了推理芯片的需求。「当这个推理的需求现在在尤其是今年，从去年开始到今年有一个大规模的一个爆发之后」，Cerebras 低延迟、高吞吐的解决方案就变得更有价值、更稀缺。估值从两三年前的数十亿美元涨到上市后的数百亿美元，在他看来是水到渠成。
2026 年 1 月，OpenAI 与 Cerebras 签下了至少 200 亿美元的合同，还做了架构设计层面的绑定合作。为什么 OpenAI 会对它感兴趣？周南的分析很直接：算力本身就是模型继续 scale 的瓶颈，「现在算力稀缺是number one，是一个核心的一个大瓶颈」；与此同时，任何 frontier lab 都不能依赖单一路径，需要供应链多样化和战略自主性——Anthropic 也在签 TPU。推理的低延迟、高吞吐和 cost per token 优化，直接决定产品体验与商业毛利，这恰好是 Cerebras 的强项。
一个常被忽略的事实是，Sam Altman 才是 Cerebras 最早的投资人。OpenAI 2015 年 12 月成立，2016 年他就个人投了 Cerebras，百度则是在 2017 年才投的。周南认为，这说明 Sam Altman 在成立 OpenAI 时就已经预见到：当未来的模型做得很大、应用场景很多的时候，你不能只依赖英伟达一家芯片。这笔个人投资不算关联交易——Sam Altman 投过不少硬件公司，本人也算不上大股东。
周南的投资生涯始于 2016 年的百度美国研究院。此前他在 Barclays 做投行，赶上了阿里、京东那一波移动互联网上市潮。加入百度美研后，他面对的是当时「硅谷最强大的一个AI research lab」：吴恩达的号召力很强，百度是为数不多给足预算让研究员买 GPU 训练模型的 AI lab。研究员们给他上的第一课，成为他十年投资生涯的底色：
当时的英伟达也并非深度学习的理想答案：它 96% 的 Die Area 是为游戏和图形设计的，不是专门为深度学习优化的。是吴恩达第一个向业界昭告 GPU 可以大规模用于训练 AI 模型——「如果没有Andrew当时的就是给英伟达背书」，大家就不会形成这个认知。所以在当时，找一颗不同架构的芯片作为英伟达之外的第二解决方案，就是周南种下的种子。
百度美研的共识来自 2015 年底发表的 Deep Speech 论文（Dario 为一作）。周南加入时论文已经发布，研究员们已经清楚感受到：当模型更大、数据更多、训练更久，模型的表现就会持续提升。只不过在当时，这还是一个经验性的直觉，还没有被当作数学规律系统地表达；后来在语言模型时代，它被更系统地验证和理论化，就是今天大家知道的 Scaling Law。「这个Scaling Law的诞生的这个萌芽就是当年的这篇Deep Speech的这个paper。」
压力来自现实：那时百度美研训练的语言模型已经有将近 300 个百万参数——三亿参数量级，在十年前是非常大的数字——而用 GPU 训练这样一个模型要至少三个多月，调一次参、看一次效果就要好几个月。想让模型能力快速迭代，就必须找到更强大的算力系统。周南 2017 年开始满大街寻找与 GPU 不同的算力方案，最终在三家公司里做选择：Graphcore 提效不如 Cerebras（后来 2024 年被软银以 5 亿美元收购），Wave Computing 团队有问题早早消失，Cerebras 给出的是「训练提速一千倍」的承诺：三个多月才能训出来的模型，用它的 Wafer Scale 架构大概几天、几个星期就能训出来。
周南的尽调并不轻松。他带着多位百度 AI 研究员做深度尽调，把风险全部打散来问：良率怎么办、散热怎么办、电源怎么办、编译器怎么办、客户为什么要买。创始人 Andrew Feldman 对这些问题完全不回避，一个一个拆开来讲——「他可以不厌其烦的每天跟我讲两个小时，四个星期」，哪怕面对的是一个芯片小白。他的团队也给了信心：80 多个人里将近 70 个是 PhD，是周南见过 PhD 密度最高的公司；他上一家公司被 AMD 收购后，几乎是带着原班人马创办了 Cerebras。
最特别的是验证方式。当时 Cerebras 还没有流片，所有架构构想都只存在于 simulator 上，而能跑这个 simulator 的只有百度一家——因为 pre-Transformer 时代，百度的语言模型是世界上最大的，基于自研的 PaddlePaddle（飞桨）架构。周南把语言模型跑在了 Cerebras 的 simulator 上，信号比较正面（细节不能透露）。英伟达 CUDA 的 key driver、Deep Speech 2 的作者之一 Greg Diamos 亲自参与验证，与 Cerebras 展开了紧密合作，还有研究员后来直接加入了 Cerebras。
硬件层面的风险也做了最坏情况测算：如果流片失败，要多花六个月、多花五到十个 million，公司现金流扛得住；散热有已经设计出来的液冷方案；芯片短路则有软件层面的冗余方案。2017 年 8、9 月，周南把十几页纸的投资 memo 交给投决会——CFO Jennifer Li、陆奇和李彦宏本人——不到两天就拍板，「无痛秒过」。当时估值约 7 亿美元，在 16、17 年那个背景下已经快到独角兽了。他当时测算 2025 年 AI 训练市场约 22 billion 美元、Cerebras 能拿到 20% 左右的市占率，预期回报 3 到 5 倍——「现在你看它的这个训练市场那是比22个billion大了不知道多少个量级了」，他承认自己严重低估了 AI 腾飞的速度。
投资之后并不是坦途。2017 到 2019 年，Cerebras 经历了非常艰难的阶段：流片推迟了大约一两年，compiler 搞不定、wafer 流片出问题，什么都在 delay——当年风险测算的下限基本上都发生了。周南说，公司能走到上市，早期董事会（Benchmark、Foundation Capital、Eclipse）对 Andrew 的耐心支持起了很大作用：「想让一个计算芯片取得成功，真的是没有十年的时间它是很难实现的。」
他也认真思考过反事实：如果流片更快，历史会不会改写？「就比如说OpenAI当时在训练模型的时候，对吧，是老黄拿着这个GPU送过去了。如果那个时候已经有Cerebras，那就是Andrew Feldman拿着GPU送过去了」但 Frontier lab 的 GPU 集群和数据中心基建已经投下去了，这个时候换芯片是巨大的系统风险——半导体的周期决定了硬件公司只能厚积薄发。今天的战略选择因此很清晰：与其去掰扯训练市场，不如把全部精力放在推理 workload 上。Cerebras 现在的大多数客户都是推理场景，OpenAI 的订单还需要定制化 infra——早期 80 多个员工里有相当多的人就是做 infra 的。
百度美研 2011 年成立，顶峰时期有至少 250 多名研究员。周南说，那里走出的人是 Inflection 的联合创始人、Adept 的联合创始人、Meta FAIR 实验室的创始成员——「当然就不要讲OpenAI和Anthropic了」。他形容那个阶段是「一堆神仙打架的年代」，人才密度「包括在Google DeepMind都是没有过的」；相当多人是冲着吴恩达来的，他来了之后还带来了很多 DeepMind 的人才。
最让他难忘的是 2020 年夏天的一个电话。百度美研的前同事——都是 Dario 的好友——打给他：「GPT-3我们要练出来了。」他们当时正在做 post training，同时已经决定要离开 OpenAI，因为「不再信任Sam Altman」，觉得他对安全这件事很不重视。周南给他们的建议和当年一样：要融很多很多的钱去买算力。他也直言，主流 VC 不会投这个钱。疫情最严重的时候没有疫苗，他没能进城和他们见面；后来是 a16z 的投资人 ANJ 以个人身份成了他们的天使——后面就是 Anthropic 的故事。
周南心中最遗憾的事，是百度当年那只没能募起来的 growth fund。当时百度已经看到地缘政治的风险，想把更前沿的 AI 全栈布局独立出来做一只基金。OpenAI 那时也愿意接受百度投资——陆奇是 Sam Altman 的 mentor——Databricks 是很早被 sourced 来的，连 Scale AI 都在 betting 名单上。但因为地缘政治，很多 LP 最后都打了退堂鼓，基金没有做起来。「如果这个基金做起来了，可能现在百度应该是全世界最牛的shareholder吧」
基金做不成之后，周南拿着同一份 investment thesis 聊了 Insight Partners、Sequoia、Benchmark——没有一个人 buy in，都说他们要投 SaaS。「因为等于说是在共识前太久了，就特别反共识」直到 ChatGPT 爆发、Sequoia 那篇 generative AI is here 的文章之后，硅谷的顶级 VC 才在 2023 年后期、2024 年开始全线押注 AI。他后来加入高通创投，把重心转向端侧 AI，并从 2023 年起重新把投资抓回云侧的 infra。
谈到当前的机会，周南认为推理成本优化是 AI 产业一个很大的战场——推理成本会直接反映到 profit margin 上。典型例子是 Agam：去年 8 月成立、今年 3 月就被 Nvidia 收购，创始人是 MIT 教授韩松的学生。周南发现得早，但「卖得太快了」没投上。他把这层机会放在黄仁勋画的「五层蛋糕」里看：最下面是能源，上面是芯片集群，第三层就是云和 infra——推理优化与云结合得最自然。
他也承认，现在做早期投资越来越难：AI 已经是共识，非共识到共识的窗口越来越短，「给你的投资机会的窗口期只有两到，一到两个月」。今年更容易的是投晚期——「今年的一个投资主题就是砸这个winner，用大钱去砸winner」，Benchmark 刚宣布募 20 亿美元的基金，24 小时就募完了；Anthropic 现在估值约一个 trillion 的量级，变成五个 trillion 他也不觉得奇怪。而对还没形成共识的方向，他押注 physical AI：自动驾驶必须做到 99.9 的准确性，physical AI 对准确度的要求更宽容；按语言模型的经验，泛化能力的进步速度会呈现陡峭的曲线，「这个physical AI的aha moment可能会到来得比自动驾驶给我们想象中要早一些」。他还看到，有创业团队已经开始做基于 CPU 的新推理芯片架构——那是下一颗种子。