Podcast Interview · 逐期深读

对谈Cerebras早期投资人周楠:Scaling Law的萌芽、百度美研往事与AI算力投资变迁

本期背景与内容导览

本期由程曼祺访谈高通创投投资人周楠,围绕她在百度美研参与投资Cerebras的经历,讨论新算力架构、研究驱动的技术尽调和AI投资环境的变化。对话先以2026年5月的IPO和主持人转述的OpenAI订单切入:周楠把Cerebras定位为特定推理负载上的挑战者,而非英伟达全栈生态的替代者,并解释晶圆级系统怎样减少数据搬运、云服务怎样降低采用摩擦。随后她回到2016—2017年,讲述DeepSpeech 2带来的经验性规模直觉、三个月训练周期造成的研究痛点,以及如何在三家候选公司中筛选,并联合研究员、硬件专家和外部教授对未流片方案作条件化评估。节目还保留了投后流片延迟、训练生态迁移成本、OpenAI订单尚待交付等反向证据。后半段涉及百度美研的人才与研究氛围、嘉宾所述独立基金未能募成的遗憾、2020年创业来电,以及她从云端算力到端侧再回云端Infra的投资转向。结尾关于推理优化、VC投赢家和Physical AI的判断,均是她在2026年节目语境下的观点,不是已实现结果。

晚点聊 LateTalk · #169 · 2026-06-16 · 1:39:15

原对话:沿提问、回答和转折完整展开

下面先按节目顺序重建。主持人在追问什么,嘉宾如何以自己的经历、例子和推理作答,尽量保留在具体语境中;案例中的事实、数字和判断先归属于发言人。随后才进入本文的机制解释与独立判断。

00:00:06–00:27:47连续对话 1

00:00:06–00:03:26开场:嘉宾介绍与百度美研往事

  • 请和听友简单打个招呼,自我介绍一下。

片头先播放周楠的两段回顾:她说Sam Altman在2016年投资Cerebras,早于百度2017年的投资;又称吴恩达当时号召力很强,百度是少数愿意提供充足GPU预算的AI实验室。她还说Dario加入百度是其职业生涯的重要环节,一位机器稿写作“Greg Diamonds”的人看重他对AI的构想,尽管他不是计算机或AI科班出身。这里的招聘者身份和细节没有独立确认;后文她明确说,这个故事来自美研同事,Dario本人是否认可她并不确定。

主持人程曼祺随后介绍:周楠是高通创投投资人、Cerebras早期投资人之一;这家公司在2026年5月中旬IPO,被外界视作英伟达的补充或挑战者。官方简介明确Dario Amodei曾在百度美研工作,并作为一作发表DeepSpeech 2。主持人口播中的“实习”与官方简介“工作”口径不同,本稿不把具体职位关系进一步坐实。

周楠自我介绍称,过去十年主要在硅谷做AI投资:先在百度美研工作三年,围绕算力、数据和应用做调研;随后加入高通创投六年,主要看端侧AI及端侧芯片应用。她把这段经历概括为见证AI从1.0到3.0,也见证 Scaling Law 的萌芽到ChatGPT爆发。这是她个人的职业分期与历史回望,不是行业统一年代表。

Wafer Scale Architecture / Wafer Scale Engine (WSE)晶圆级架构把计算、存储与互连更多地保留在同一硅片上,试图减少跨芯片数据搬运。输入是模型任务与数据,经过模型到硬件的映射和片上计算后,输出训练中间结果或推理响应。节目以84个互连区域作嘉宾的说明,不把它当作所有WSE代际的固定规格。收益取决于模型适配、内存需求、通信占比、良率、散热、供电、系统利用率及成本,不能由“更大”直接推出全面优于GPU。
ASIC (Application-Specific Integrated Circuit)ASIC是为特定功能定制的集成电路。它可以把某类计算的数据通路和控制做得更专用,以效率或能耗换取适应性;输入和输出仍是具体计算任务。节目里“ASIC更适合推理”是周楠当时的投资筛选判断,不是所有ASIC的定义,也不能推出ASIC无法训练或GPU不能推理。
Inference (推理)推理是已训练模型接收新请求并产生结果的过程。输入可以是提示词、图像等,输出是回答、类别或其他预测。低延迟关心单次响应等待,高吞吐关心单位时间处理多少请求;二者受批量、并发、模型大小、精度和硬件利用率共同影响,不能把单一tokens/s数字直接当成总成本或整体产品体验。
Scaling Law (规模法则)本期把Scaling Law放在两个层次使用:严格意义上,它应描述模型指标随参数、数据或计算规模变化的可测量规律;周楠回忆中的“萌芽”则是更大模型、更多数据、更久训练和更强算力会带来更好表现的经验性直觉。输入是规模资源,输出是某项模型指标的变化。节目没有给出DeepSpeech 2的拟合曲线、公式或跨规模实验表,因此不能把这股直觉写成当时已经形成后来完整数学化的Scaling Law。

话题推进:主持人以Cerebras作为切入点,引出对这家公司及其市场定位的讨论。

00:03:26–00:09:37Cerebras是英伟达的挑战者吗?

  • Cerebras是一家什么样的公司?
  • 外界将Cerebras定位为英伟达的挑战者,你作为投资人怎么看?

主持人先请周楠解释Cerebras是什么样的公司。周楠称,这是自己在百度美研开启投资生涯时找到、尽调并建立投资信念的第一个项目。按她的介绍,Cerebras为AI训练和推理重新设计计算架构,以Wafer Scale Architecture把整片晶圆做成一个大型计算引擎,让机器稿所说的84个芯片区域互连;公司交付的不只是芯片,还包括服务器、散热、电源、编译器和软件栈。其核心意图是缩短计算单元与内存的物理和逻辑距离,减少跨芯片通信与数据搬运。

她把十年前的投资动因分成两层:研究员预期模型、数据和训练需求会增长,因此不希望只依赖英伟达;当时的GPU又源自图形计算,并非从零为深度学习设计。她举出“96%的die area不是为深度学习优化”这一数字,这是她对当年判断的回忆,节目中没有给出芯片型号、面积分解或测量出处,不能当作所有GPU的统一结构参数。主持人补充,同一时期寒武纪等ASIC创业也在探索专用优化,但此后通用GPU并未被专用路线取代。

回到2026年,周楠认为Cerebras是特定工作负载、尤其推理上的挑战者,而不是英伟达全栈生态的全面替代者。她列举的英伟达护城河包括CUDA、开发者、网络、系统、软件、客户信任和供应链。由此,她所说的“挑战”有明确边界:当负载受内存带宽、通信延迟和响应速度约束时,晶圆级方案值得比较;这不等于在训练、软件生态和全部客户场景都占优势。她对其推理速度的评价也是嘉宾观点,本期没有提供同模型、同精度、同功耗和同成本的独立基准。

话题推进:主持人从十年前的创业潮(ASIC)切入,对比了专用芯片与通用GPU的发展,并引出下一个问题:Cerebras近年估值暴涨的原因是什么。

00:09:37–00:14:17OpenAI为何与Cerebras签订百亿级大单?

  • Cerebras的估值在近两三年从数十亿美元涨到数百亿,是市场情绪变了,还是公司自身发生了巨大变化?
  • 为什么OpenAI会对Cerebras的方案感兴趣,并签下至少200亿美元的大订单?他们是如何合作的?

主持人问,Cerebras从数年前数十亿美元估值到上市后的数百亿、一度接近千亿美元,是情绪变化还是业务与技术变化。周楠给出的主要解释是需求结构变了:ChatGPT早期,前沿实验室更急于训练更强模型;随后推理需求扩大,尤其Agent类应用增加调用量,低延迟和高吞吐的价值因而提高。她还说“现在一半以上GPU需求用于推理”,但本期没有给出统计范围、分母或来源,不能由此推出全部AI算力支出的统一比例。她把估值提升称为“水到渠成”,是投资人的解释,而不是对价格合理性的证明。

主持人转述,OpenAI在2026年1月与Cerebras签订至少200亿美元合同,并询问接触过程和合作设计。周楠没有提供新的内部谈判细节,而是给出四条商业推理:Sam Altman早在2016年个人投资Cerebras,被她解释为对多元算力的早期看好;算力稀缺限制模型继续扩展;前沿实验室需要多元供应与战略自主;推理的延迟、吞吐和单位token成本会影响用户体验和开发者毛利。关于其他实验室采用何种替代方案,她主要是推断,并未在节目中提供交易文件。

这里要区分历史投资、当前采购和交付结果。Sam Altman的个人持股不能证明OpenAI签约只是人情;反过来,个人投资也不自动证明技术选择独立无偏。200亿美元是主持人给出的合同口径,后文主持人明确说订单还没有交付。因此,合同是客户承诺与需求信号,不是已经实现的收入、稳定运行或市场份额。

话题推进:在确认Sam Altman是个人投资后,主持人转向了Cerebras与云厂商的合作及其自身的云业务布局。

00:14:17–00:18:27Cerebras的云业务布局与竞合关系

  • Cerebras是Sam Altman个人投的,还是OpenAI投的?这在美国算关联交易吗?
  • Cerebras最近也宣布和AWS合作,但它自己也有云业务,这是什么样的布局思路?

主持人先确认Sam Altman当年是个人投资,并问这是否属于“关键交易”(转录用词,未必是法律术语)。周楠回答“不算”,理由是他投资很多公司、在Cerebras也不是特别大的股东。这是嘉宾对交易性质和利益关联程度的看法,不是法律意见,更不能据此确认持股比例或免除披露义务。

随后主持人转述Cerebras与AWS在6月初的合作,并问它为何又经营自己的云。周楠回忆,早期潜在客户主要是Google、Microsoft、Amazon、百度这类有数据中心和训练能力的平台;如今应用客户增多,直接购买和部署新硬件的门槛更加突出。她把这种门槛称为adoption friction:客户要采购系统、放入数据中心、调整软件栈,验证周期长。Cerebras Cloud把底层硬件与系统封装在服务后,客户通过API接入训练或推理任务,以减少初次部署工作、加快试用和采用。它降低的是接入摩擦,不会自动解决模型迁移、运行稳定性、单位成本或客户留存问题。

主持人提出一个有意的“阴暗揣测”:云平台也可能使用其他厂商的底层算力,从云服务本身获利,因此云收入不一定证明自研芯片被采用。她随即转述Andrew Feldman在Bloomberg活动上的公开表态:“会和所有人合作,除了英伟达。”这是创始人的公开承诺,不是本期对实际云资源的审计。

关于英伟达与CoreWeave、Nebius等NeoCloud的关系,以及这些云厂商缺少GPU,主要是主持人在引导中的判断。主持人进一步认为,Cerebras Cloud能给无法从英伟达生态获得足够算力的新模型公司提供一站式方案;周楠在这部分没有完整重述或独立验证该结论。本稿保留这种发言归属,不把双方接话合并成同一个人的完整论证。

话题推进:在讨论完云战略后,主持人请嘉宾总结Cerebras的未来发展潜力。

00:18:28–00:23:27Cerebras的上限、下限与WSE架构的优劣

  • 你现在能看到Cerebras这家公司的上限和下限是什么?
  • 它使用的Wafer Scale方案,在规模化交付上的阻碍或难点是什么?

主持人请周楠给出Cerebras的上限和下限。周楠认为推理需求很大,因此如果公司达到“500 billion”量级也不会惊讶;结合上下文,这通常可理解为5000亿美元,但原话没有明确说“市值”及时间期限,本稿保留为嘉宾的数量级展望,不当作目标价或确定预测。她指出的下行风险包括客户集中、晶圆级方案能否持续扩展、能否稳定交付运营并扩大使用范围,以及英伟达的竞争回应。她提到G42等较大客户,并把客户风险与招股文件联系起来,但本期没有展示文件或具体收入占比。

为解释WSE,周楠对比两条路径。传统方案在一片晶圆上制造许多小芯片,切割封装后,再通过PCB、NVLink等把多个GPU连接起来;Cerebras尽量保留整片晶圆,把计算单元、内存和通信网络放在同一硅片上。输入仍是模型计算任务和数据,关键过程是让更多数据移动留在片上,减少跨芯片传输及对外部HBM的往返,目标是降低通信与内存搬运造成的等待。输出是训练计算或推理结果;是否更快、更便宜,要在具体模型、批量、精度、利用率和系统成本下比较。

她用“许多需要高速网络协作的大脑”与“一个巨大的大脑”作类比。这个类比解释数据位置与通信,不意味着所有模型都可完整放入一片晶圆,也不意味着不再需要外部内存、存储或多系统扩展。良率、封装、散热、供电和编译器曾是早期风险;周楠认为“当时的大多数风险已解决”,这是她基于当前上市和运营的回顾判断。后文她把风险重点转向客户扩张和交付,并非宣称所有物理风险永久消失。

主持人和周楠还在此处谈到英伟达“收购Groq”。节目转录在00:22:44确有该说法,片尾主持人进一步给出200亿美元和时间口径;本轮仅作节目内容审读,没有用外部资料确认交易性质,因此保留为主持人转述及待核验事项,不写成已证实的收购事实。

话题推进:对WSE架构风险的讨论,自然地将话题引向了十年前周楠在百度美研进行投资决策时的具体情境。

00:23:27–00:27:47投资缘起:从华尔街投行到百度美研

  • 可以回顾一下你最开始投资Cerebras的过程吗?为什么当时要看这个方向?怎么接触到这家公司的?
  • 你在加入百度之前是做什么的?
  • 为什么2016年想从移动互联网的投行业务转向早期AI投资?

话题从公司风险回到周楠怎样进入AI投资。她自述2016年加入百度,此前在Barclays Capital投行工作三年,曾被调往香港,参与移动互联网公司的上市项目,并举阿里、京东及一个芯片公司上市为例。她从卖方投行转向买方投资,而不是简单从二级市场转向一级市场。她认为自己不同于传统财务VC的起点,在于一开始便进入纯AI研究环境。

促成这次转变的具体经历是:她参与的一家搜索公司上市没有成功,但招股书中的AI叙事使她第一次感到AI代表未来。她随后了解到吴恩达2014年加入百度,在硅谷听过几次吴恩达讲座,并于2015年底百度全球招聘AI投资人时投递简历。公司名未被披露,本稿不猜测。

周楠把当时的百度美研描述为硅谷最强大的AI实验室之一,强调吴恩达号召力、充足GPU预算和人才密度。她进一步称吴恩达是“第一个昭告天下GPU可很好训练AI模型”的人,并认为他的背书推动了行业认知。这是她对吴恩达历史作用的强评价,不是“第一个发现GPU可训练神经网络”的严格技术史断言。

她列举当时研究员从事语音、视觉、零售、金融科技、医疗和自动驾驶等方向,并称一些人后来进入OpenAI或成为前沿实验室的联合创始人。她同时明确说自己与Dario在百度没有overlap。后文她会把这套研究环境同DeepSpeech 2带来的规模直觉、训练迭代痛点和芯片筛选连接起来;这里首先是她进入该环境的个人路径。

话题推进:描述完加入百度美研的背景和当时的环境后,对话将深入探讨当时投资Cerebras的具体决策过程和风险评估。

00:27:47–00:55:16连续对话 2

00:27:47–00:32:17Scaling Law的萌芽:DeepSpeech 2论文与百度美研的投资启发

  • 百度美研内部是否认为DeepSpeech 2论文的发现(Scaling Law雏形)很重要?
  • 基于这一发现,百度美研是否认为应该沿着这个方向寻找研究和投资机会?

周楠回忆,2016年加入时,DeepSpeech 2已经发表,百度美研正同时探索语音、视觉、医疗、零售、金融和自动驾驶。她从研究员及这篇论文相关工作中感受到一个共识:更大模型、更多数据、更久训练和更强计算系统会带来更好的模型表现。她特意说,当时还没有把Scaling Law作为系统、数学化的规律表达出来,更准确的说法是“经验性直觉”,后来才在语言模型时代得到更系统的验证和理论化。主持人把Dario一作及“Scaling Law雏形”作为提问前提;本稿保留这是节目对技术史的回看,而非宣称DeepSpeech 2单独创立了全部Scaling Law研究。

这种直觉怎样转成投资问题?如果模型能力依赖规模增长,训练系统就成了必要投入;当时GPU虽可用,却不是从零为深度学习设计,于是周楠在约半年的学习后,从2017年开始寻找不同架构。她后来还补充,当时尚无今天常说的pre-training、post-training概念。这是她对术语和历史阶段的回忆,不应据此补写当时完整的训练流程。

具体痛点来自一个近3亿参数的语言模型。周楠说,这在当时已是很大规模,研究员告诉她,用英伟达GPU至少需要三个多月,调参和观察下一轮效果也要数月。算力在这里不仅关系到一次训练的成本,还限制“提出修改—完成训练—检查结果—再修改”的迭代频率。于是,更快的系统可能增加同一时间内可验证的研究假设数量,但节目没有测量这一研究产出收益。

Cerebras当时宣称可提效1000倍,把三个多月压缩到几天或几周。这个说法吸引了周楠,但它首先是创业公司的方案主张。后文她又说明,当时只有模拟器,性能是在良率、编译器、散热和封装均无问题的假设下推测。因此,1000倍既不是本期已验证的物理芯片实测,也不能与后来真实产品的表现混为一谈。

Scaling Law (雏形)本段的Scaling Law“雏形”是周楠对研究氛围的回顾:规模资源增加时,某些模型指标持续改善的经验观察。它不是把“参数、数据、算力都变大”当作无条件保证,更不是节目已经给出拟合规律。要验证这种关系,需要固定模型与评测口径,改变规模并记录性能曲线,同时说明数据质量、训练方法和计算预算等变量。
ASIC (专用集成电路)ASIC通过专用数据通路和控制逻辑服务特定计算。周楠当时把它优先看作推理路线,因而将重点放到三家训练架构候选;这是她的项目筛选语境。训练与推理都可使用专用芯片,实际适配要看算子、精度、内存、互连和软件栈,不能仅凭“ASIC”标签判断。
流片 (Tape-out)流片是把芯片设计交付制造、获得实物验证的关键步骤。本期的投资发生在首次流片前,输入是设计、模拟结果和专家风险评估,输出是有条件的投资判断。流片成功只说明某个制造节点取得实物结果,后续还需验证功能、性能、良率、散热、供电、封装、编译器和规模交付,不能等同量产成功。
Compiler (编译器)编译器把上层模型表示转换为特定硬件可执行的计算安排,涉及算子分解、数据放置、核心间通信和资源调度。输入是模型及框架表达,输出是硬件可运行程序。若映射低效,理论带宽和算力未必变成训练或推理速度;若框架适配不足,客户还要承担迁移成本。因此它是新架构能否被采用的核心环节,而不只是软件附属品。

话题推进:在明确了寻找颠覆性算力方案的目标后,周楠开始在市场上搜寻标的,并接触到了包括Cerebras在内的几家主要公司,由此引出了下一段关于项目筛选和比较的话题。

00:32:17–00:37:06三选一:为何在Graphcore、Wave Computing中选择了Cerebras

  • 当时还看到了哪些公司?
  • 你刚才说的第三家公司是什么?现在还存在吗?
  • 所以你当时三选一,从现在结果看是选到了最好的选择吗?
  • Cerebras创始人Andrew Feldman并非技术出身,这在当时会是投资的疑虑吗?

周楠看过Graphcore、Wave Computing、Cerebras及其他ASIC公司。她把当时的主要矛盾定义为训练,因此把被她视作偏推理的ASIC公司放在较低优先级,将尽调集中到三家候选。这里的“ASIC更适合推理”是她当时的分类和选择,不是技术定律。

她坦言已经不太记得Graphcore与Cerebras的完整对比,只保留“能提效但不如Cerebras、架构也不够颠覆”的印象。Wave Computing理念相似,但她记得团队有问题,因此最先淘汰;她没有展开团队问题是什么。主持人补充Graphcore后来以5亿美元被软银收购,并问Wave是否还存在,周楠回答已经不存在。这些后来结局不能倒推当时每个技术判断都已被证明。

她选择Cerebras的理由首先是团队。她说Andrew Feldman在前一家公司被AMD收购后,带来许多原班人马;公司成立一年多时约80多人、近70位博士,累计工作经验数百年。机器稿将前公司名识别为“Synmicro/Seed Micro”,本稿不凭常识替换。近70位博士是团队经验的信号,不等于芯片一定成功,也不证明高学历密度优于其他组织形式。

针对Andrew并非芯片工程技术出身的疑虑,周楠说当时更多是“赤诚之心加直觉”,如今回看会重视另外三类信号:长期合作的技术联合创始人;连续创业形成的生态关系、客户理解和产品定义能力;能把宏大愿景拆成具体风险的能力。她强调Andrew不回避良率、散热、电源、编译器和客户为何购买等问题,连续四周每天花约两小时向她解释。

因此,她的“三选一”并非只押最激进架构,而是把架构潜力、团队协作和风险可解释性放在一起。不过,这些信号主要来自投资人事后回忆;当时的报告未公开,主持人的“从结果看是最好选择”也不等于反事实地证明另外两家在任何指标下都更差。

话题推进:周楠详细描述了她如何与百度美研的研究员们一起对Cerebras进行深度尽调,这自然地引向了下一段,关于尽调的具体过程、人员组织以及技术验证的细节。

00:37:06–00:46:17联合尽调:百度美研如何帮助验证一个尚未流片的芯片架构

  • 你们当时尽调的过程具体是怎样的?
  • 找百度美研的研究员来支持,在组织上是怎么协调的?吴恩达会直接帮你调人吗?
  • 除了模型训练提效,像良率、散热等其他风险点,你们找了什么样的专家来判断?
  • 所以当时百度美研并没有纯硬件的人?

主持人问,研究员是否由吴恩达调配来支持尽调。周楠没有直接回答组织审批过程,而是解释他们为什么愿意参与:一位机器稿写作“Greg Diamond”的研究员及同事正亲自训练3亿参数模型,三个月的等待让他们迫切需要更快方案。她称这位Greg在博士期间参与英伟达CUDA生态建设,是核心人物之一;主持人补充他是DeepSpeech 2作者之一,并提到他后来与吴恩达创业。机器稿中的“key dealer”“Mending AI”无法可靠还原,本稿不补具体头衔、创业公司名或将Greg与其他人物混同。

当时Cerebras没有物理芯片,只有用于推测设计与性能的模拟环境,官方简介称之为“模拟验证”。百度团队把基于飞桨的自有语言模型放到这个环境中运行。周楠声称,百度当时拥有“世界最大的语言模型”,也是“唯一能验证”该模拟环境的公司,结果“比较正面”。这些世界领先和唯一性说法都是她的自述,本期没有提供第三方模型规模榜、其他潜在客户测试记录或原始结果,不能改写成行业公认事实。她也说部分研究员与Cerebras紧密合作,后来有人加入该公司。

这个验证的输入是模型和模拟器,过程是观察模型如何映射到拟议架构、推测训练性能,输出是支持投资判断的模拟结果。主持人追问三个月究竟能缩到多短,周楠没有披露数值,而是强调:这不是模型跑在真实芯片上,只有在良率、编译器、散热和封装等假设都成立时,结果才“非常好”。因此,它能检验的是设计在既定模型和假设下的可行性,不能替代实物训练、长期稳定运行或总成本测试。

其余风险被分给不同专家。周楠说,她咨询斯坦福教授、芯片专家以及百度自动驾驶团队的硬件人员,推演首次流片失败需要多久、花多少钱、现金流能否承受。当时估计最坏多花约六个月和500万—1000万美元,团队认为可控;她还在办公室看到大型液冷系统,并听到用软件识别失效区域、切换到冗余资源的方案。这里“看到原型”不等于散热已在量产环境验证,“有冗余方案”也不等于所有缺陷都可隔离。

研究员更集中评估编译器和系统层:模型如何映射到新架构,如何与TensorFlow、PyTorch等框架和数据中心软件对接。周楠称结论是可解决,并自认为百度的技术尽调在早期投资方中最深入、报告最全面;这仍是她的比较性自述。她把结果分享给Benchmark及机器稿写作“Code2”的早期投资方,称对方心里石头“落下一小半”,恰好说明正面模拟没有消除全部风险。

话题推进:在完成深入的技术尽调后,话题转向了投资决策的最终环节,即投决会的过程以及高层管理者的态度。

00:46:17–00:55:16非共识决策:在流片前以高估值投下Cerebras

  • 你们后来上投决是一个什么过程?当时是哪些人来一起做决策?
  • 你还记得李彦宏和陆奇他们有什么具体的评价或反馈吗?
  • 吴恩达不在这个投决会上?
  • 所以你从接触到最后投,中间时间还是挺长的?
  • 当时百度的管理层,比如李彦宏,有提过可以等流片之后再投吗?
  • 你还记得当时你们投进去那会儿估值是多少吗?
  • 你当时测算的它的市占率要比较高,对吧?
  • 这个阶段能说它推理这个市场成功了吗?它的算力结构很特别,是不是导致Infra要改动得比较多?
  • 你说的17年到19年是这个公司比较低谷的阶段,那个时候很艰难?
  • 它现在三个董事会成员是哪几家机构的人?
  • 它在成长过程中算是一个对主流基金来说比较抢手的项目吗?

周楠回忆,她把十几页的中英文投资备忘录交给投决会后,不到两天获批。她列举的决策者是时任CFO Jennifer Lee、陆奇和Robin;对李彦宏、陆奇的具体评价,她说不太记得,也不方便透露,只表示高层总体支持。吴恩达未参与这次投决,因为投资完成于2017年8—9月,而吴恩达已于2017年4月离开。由此不能把这次投资描述成吴恩达亲自审批。

项目来源也不是她在真空中独立发现。她在2017年上半年后期与一位机器稿写作“Code2”的机构合伙人Thomas Laffont交流,谈到百度的算力构想;对方有半导体研究背景,向她推荐已投资的Cerebras。她当时已看过Graphcore和Wave Computing,但尚未决定投资,Cerebras使她眼前一亮。机构名在机器稿中不稳定,本稿保留可确认的Thomas Laffont称呼,不猜改机构。

主持人问,管理层是否建议等首次流片后再投。周楠说没有,高管没有干涉此事。她把这种支持与百度早期建立美研、投入前沿研究的领导愿景联系起来;但她对具体领导反馈并未给出原话,不能据此虚构决策者的个人技术判断。

她记得当时估值约7亿多美元,未说明是投前还是投后,本稿不补口径。她在旧备忘录中估计2025年AI训练芯片市场约220亿美元、Cerebras市占率约20%,对应3—5倍预期回报。她现在自嘲“错得离谱”,认为自己低估了AI市场的扩张速度。主持人补充,如今Cerebras订单和绝对收入体量可以很大,市占率却仍小,因为总市场更大。这一反例说明,正确识别技术趋势与准确估计市场增速、份额和回报是不同任务。

投后并未顺利兑现预期。按周楠的说法,2017—2019年流片延迟约一两年,许多当时估算的下限风险发生;她在IPO庆祝会上听其他早期投资人回顾编译器、流片和各种延期,强调董事会耐心的重要。她列举的早期董事机构为Benchmark、Foundation Capital和Eclipse,不包括主持人先猜的另一家。她说公司当时并非主流VC都敢投的项目,到后续较大估值轮次才有更多大基金进入。

对当下推理业务,主持人追问:OpenAI的200亿美元订单还没交付,能否称为成功?新架构是否需要较多Infra改造?周楠承认需要定制化,并认为为大订单做定制是必要的,关键看交付速度;她相信团队能完成,因为早期成员中有不少Infra人才。她还曾介绍Agentic AI Infra生态伙伴,但对是否与具体第三方框架合作表示“不确定”。这些表述支持的是交付能力和市场机会的判断,而不是订单已完成或推理市场已被验证。

话题推进:在回顾完Cerebras的投资历程和早期挣扎后,主持人将话题转回了诞生了这笔投资的“摇篮”——百度美研,开启了关于其“黄埔军校”特质和人才流失的讨论。

00:55:16–01:22:12连续对话 3

00:55:16–01:00:02Cerebras的至暗时刻与战略转向

  • 如果说它(Cerebras)当时流片更快的话,是不是有可能现在的算力结构还挺不一样?
  • 说到这个周期的特点,这个公司还有一个特点,就是这些创始人年纪都挺大的。我不知道这个当时你投资的时候会是一个问题吗?

周楠说,芯片真正做出来后,Cerebras仍遇到困难:ChatGPT带动的训练市场主要采用英伟达,既有GPU集群、数据中心和软件体系使更换训练芯片成为系统风险。她把G42描述为当时既是投资人又是客户的公司,因而存在单一客户风险。这里的“出现太晚”不是单纯日期比较,而是指产品可用时,客户已围绕另一套生态形成沉没成本和迁移成本。

主持人提出反事实:如果更早流片成功,今天算力格局会不会不同?周楠设想,若Cerebras当时已有产品,Andrew Feldman也许能像黄仁勋向OpenAI提供GPU那样进入早期训练体系。但她和主持人随后都收窄了这个假设。主持人指出2017年Transformer后OpenAI已开始探索,新芯片不仅要早,还要在很短时间内完成物理验证、稳定量产和软件适配;半导体行业难以跳过这些环节。周楠补充,达不到理想状态,前沿实验室就不会采用。这个“如果更早”是双方讨论的可能性,不是已证明的历史因果。

周楠认为,当前推理需求扩大反而给了Cerebras更合适的入口:训练侧既有迁移成本高,推理侧可以围绕新部署建设配套Infra。她主张把更多精力放在推理负载,而不是只争夺训练,并把这称为正确的战略决策。这里仍未证明所有训练负载都不适合Cerebras;她此前明确说训练市场并非完全没有机会。

主持人还问,创始团队年龄较大是否构成投资风险。周楠认为半导体创业需要经历长研发、制造和商业化周期,连续创业带来的客户关系、生态知识与风险处理经验反而是优势。主持人转述一位技术联创创业时已60岁、现已退休,现任CTO也是早期成员且当时相对年轻;机器稿中人名不清,本稿不补写。年龄在这里是嘉宾对组织经验的解释,不是半导体创业的普遍充分条件。

推理(Inference)推理在这里指用已训练模型处理新请求。输入是用户数据,输出是模型结果;它与训练的区别是主要不再通过本轮服务更新模型参数。节目强调推理服务需要低延迟和高吞吐,并会影响持续运营成本,但这不意味着推理没有基础设施、软件适配或可靠性要求。
投资逻辑(Investment Thesis)Investment Thesis是投资人用于筛选项目的因果假设:哪些技术或需求会变化,瓶颈在哪里,哪类团队能受益,以及怎样形成回报。它指导寻找和尽调,但不等于事实或收益承诺。周楠从算力、数据基础设施转向端侧,再回到云端Infra,说明thesis会随模型能力和采用阶段修正。
端侧AI(On-device AI)端侧AI是在手机、汽车、家居或机器人等终端本地运行模型。输入来自设备传感或用户操作,输出在本地产生;潜在收益包括低延迟、少传输和隐私,限制包括算力、内存、功耗、散热和更新维护。节目里美国与中国IoT落地难易是嘉宾的投资经验,不是端侧技术本身的固定属性。

话题推进:在讨论完Cerebras的挑战与机遇后,主持人将话题转回嘉宾周楠的个人经历,询问她在百度美研时期的投资情况。

01:00:02–01:09:04百度美研一份“生不逢时”的投资清单

  • 除了在百度投了Cerebras之外,你当时在美研做AI投资的时候,还有一些什么公司啊?以及当时百度的整个投资主线会是怎么去布局的?
  • 你说的OpenAI愿意接受百度的投资是哪一年啊?17年吗?17、18年?
  • 后来百度复盘过这个事吗?因为看起来是错过了很多投资机会嘛。
  • 那在硅谷这件事情开始转向是什么时候?就什么时候大家的重心从SaaS转到AI?
  • 所以它其实比中国VC也没有早很多,就是在硅谷大家真的把大模型看作一个很大的投资机会。
  • 你在百度的这几年,百度美研除了你比较熟悉的投资这一部分之外,观察其他团队他们是怎么运转的?

主持人把话题转向百度当时的其他投资。周楠称主线是AI与自动驾驶,自己还看激光雷达、自动驾驶算力及L2/L3相关芯片,并做过布局。她提到一位“DeepSpeech 2的创始人李凯博士”及相关创业者,但机器稿在姓名与项目关系上含混,本稿不补具体人物和交易名单。

更令她遗憾的是一次未完成的独立基金募集。她说当时参与Baidu Growth Fund,希望独立布局前沿AI全栈,并已经关注地缘政治风险。她的thesis包括data和data engine,因此较早接触Databricks;她还说OpenAI在2018年的deal list上,因陆奇与Sam Altman的关系,OpenAI当时愿意接受百度投资。主持人追问“募到钱后会投是否确定”,她回答“一定会投”,并补充数据标注方向及机器稿写作“Scaling AI”的公司也在名单上。这里的意愿、名单和潜在投资不能写成已签投资协议或已完成持股;“OpenAI愿意接受”也只是她的回忆。

按她的归因,部分原本有意参与的LP因地缘政治退出,基金最终未募成。她说如果基金成立,百度可能成为重要前沿公司的股东,并为此“意难平”。这是她对反事实结果的感慨,不能证明每个名单项目都一定投资成功,也不能证明募资失败只有单一外部原因。

基金未成后,她在约2018—2019年带着thesis接触多家美国一线VC,得到的主要回应是要投SaaS、不再投高风险AI。她认为硅谷真正全面转向发生在ChatGPT之后,许多顶级VC到2023年后半至2024年才加注。她举Sequoia较早写生成式AI文章、却未在早期押中前沿实验室为例,同时明确说不是批判该机构。相关文章作者姓名、机构项目覆盖和“没有人认同”的范围均是她个人回忆,本稿不扩展成完整融资史。

随后她讲述2020年夏天的一通来电。几位曾在百度共事、当时参与OpenAI工作的朋友告诉她GPT-3接近完成,并分享长文。她回忆,百度当年曾估算,要做出“像Wikipedia这样程度”的模型可能需要近十年和上亿美元算力;朋友则坦承当时模型仍会“胡说八道”。她没有给出该估算的目标定义或训练配置,因此这不是可复现的模型能力预测。

这些朋友表示想离开,原因按周楠转述是不再信任Sam Altman、认为他不够重视安全,随后创办的新公司即Anthropic。这是她对他人动机的转述,不是本期对所有创始人的独立采访。她建议他们必须融很多钱买算力,并坦言主流VC、甚至她所在高通都难以支持。她因疫情和当时没有疫苗而未去城里见面,之后看到一位Andreessen相关投资人多次见面并协助融资。主持人与周楠还纠正“机构本身是否早期天使”的说法,强调某位投资人以个人身份支持;具体人名在机器稿中不清,不能猜改。

话题推进:在讲述了百度美研错失的投资机会和Anthropic的创立故事后,主持人进一步询问百度美研内部的运作情况和人才流失的原因。

01:09:04–01:18:30回顾百度美研:人才密度、自由氛围与“历史必然”

  • 你在百度的这几年,百度美研除了你比较熟悉的投资这一部分之外,观察其他团队他们是怎么运转的?
  • 当时是多大的规模呀?一共有多少人啊?
  • 你后来和他们其中的人聊过,包括Andrew(吴恩达),为什么离开,Dario为什么离开的原因吗?
  • 当时的研究员在百度美研,他典型的工作状态和氛围是怎样的?我觉得正好可以澄清一下,因为大家一直有一个段子,就是说Dario在百度受到了一些不好的对待。
  • 大家都在说就是百度在AI上,他有一些起了大早赶了晚集的状态……但实际上最后这件事情并不是百度自己做成的。你觉得这是为什么?
  • 你们百度的前同事在一起有复盘和讨论过过去美研这15年的一些得失吗?你觉得错过了什么大的机会啊?
  • 你后来自己想从百度离开是一个什么契机,是为什么呀?

周楠把当时的百度美研描述为研究员和自动驾驶团队组成的组织,鼎盛时至少约250人,在Sunnyvale办公。她记得大家中午一起吃饭、讨论研究,认为吴恩达的号召力、百度的资源投入和研究自由吸引了人才。她转述近期与一位Greg交流时的共同感慨:那是“神仙打架”的年代,人才密度甚至超过Google DeepMind。这是怀旧中的主观比较,不是按研究员成果、背景或组织规模做出的统一排名。

主持人问她是否细问过吴恩达和Dario为什么离开。周楠明确回答“没有去细问过”,并认为对方可能不方便讲。因此,后文关于离职的地缘政治解释必须标为她的推测,不能写成她已从本人获得确认。

面对“Dario在百度受到不好对待”的段子,周楠没有宣称掌握Dario本人立场,而是讲同事告诉她的招聘故事:一位机器稿写作“Greg Diamonds”的人认可其AI构想和训练能力,尽管他具有数学、物理、生物背景而非CS科班,仍把他招进来。她明确补充,这只是听说的故事,Dario是否认可并不确定。她认为当时的研究氛围自由,可以按构想发论文和探索;这能反驳“她从本人确认其受压迫”的说法,却不足以证明所有具体传闻真伪。

谈到百度“起大早赶晚集”,周楠把地缘政治列为重要原因,推测2018—2019年后中美AI竞争会增加研究员离开中国公司的压力。主持人又提出微软亚洲研究院这一反例,随后双方讨论美国更偏原始创新、中国更偏工程追赶与应用落地的模式。周楠自己也说“对中国情况不太了解”,因此这套中美比较是从在美国工作的投资人视角提出的概括,不能当成完整科技史定论。主持人对计算机视觉、CNN、ImageNet、AlexNet和NLP的补充,也应保留为她的历史串联。

主持人把自动驾驶与机器稿写作“昆仑星”的AI芯片视为百度留下的成果。周楠赞同较早布局自动驾驶,并说自己投资Cerebras时曾与该芯片相关负责人交流,认为对方已有创业雏形。这属于嘉宾亲历与交流记忆,不证明Cerebras投资直接导致该芯片项目。

她最后回到自身责任:2018年想设独立基金,既因预见到外部阻碍,也因看到前同事创业机会;如今她会反思,如果当时更成熟、更勇敢、已有五六年投资经验,或许能破釜沉舟把基金做起来。她当时只有两三年投资经验,自觉无法支撑独立基金架构。基金未成、美国投资团队不再存在,加上其他VC不认可其thesis,促成她在高通提供端侧AI机会时离开百度。这样,地缘政治是重要解释,但她自己的能力和选择也在叙述中,不能把“历史必然”理解为个人与组织因素均不存在。

话题推进:在回顾了百度美研的经历和离开的原因后,主持人引导话题进入最后一部分,讨论嘉宾在近十年投资生涯中看到的AI基础设施领域的新机会。

01:18:30–01:22:12投资逻辑的演进:从云端算力到端侧AI再到企业级应用

  • 最后这一部分我们可以聊一聊,就是你在百度,包括在高通整个十年的科技投资过程中间,你看到的这个方向,比如说和算力啊,和Infra相关的这些领域,看到了些什么机会啊?尤其我觉得可以重点聊一聊跟半导体和算力相关的。
  • 你说的IoT端侧投资,举例来说是一些什么?比如说智能设备吗?

周楠把自己的投资方向分成三个阶段。百度时期,她围绕云端大规模模型训练看算力、data warehouse和data engine,同时关注自动驾驶软硬件。这里的data engine在节目里没有精确技术定义,只能按她对数据基础设施和数据处理系统的投资主题理解,不能补成某个特定产品架构。

加入高通后的约三年,她更多研究IoT和端侧AI。她得到的教训是,与硬件相关的端侧项目在美国本土不容易形成足够应用和落地环境,而中国场景更多,智能家居和早期机器人等投资相对更容易跑通。这是她基于投资组合和全球观察形成的经验判断,不是对两个国家所有IoT公司的统计比较。

2022年大模型进展比她参与过的早期测算更快,使她重新把重点放回云端Infra。她在2023—2024年高通内部分享中判断企业AI采用会加速,并看好Coding AI;当时Microsoft Copilot已有尝试,尚在后来Cursor形成更大影响之前。她把百度时期对算力和数据的关注,延伸到企业AI应用、RAG、推理优化和模型部署等基础设施。

这一段的重点不是她提前准确预测了每一家赢家,而是同一条“模型能力扩大后,瓶颈会向数据、算力、部署和应用迁移”的逻辑如何随工作平台改变。她说2023—2025年大模型Infra“完全一片空白”,是强调新需求的夸张表达;本期没有证明所有相关工具和公司在当时都不存在。主持人随后把问题聚焦到云与推理成本,进入下一段。

话题推进:本段为节选材料的结尾。

01:22:12–01:39:14连续对话 4

01:22:12–01:26:11推理成本优化:AI商业模型的下半场

  • 在算力层和云层面,现在有什么新的机会吗?
  • (推理优化公司)是第三方Infra优化公司,偏软件系统层吗?
  • 这个领域除了你刚才说到的这家公司之外,还有什么值得关注的公司吗?

主持人问云端和算力层的新机会。周楠认为,推理在算力消耗中占比扩大后,推理成本优化会成为重要战场,包括模型部署、推理服务和多模态优化。她把逻辑落在毛利上:若其他条件相同,完成同一服务所需的计算成本下降,提供者可以保留更多收入;但本期没有给出统一成本公式,也不能据此承诺降低token成本就一定带来同量级毛利提升,因为收入、定价、利用率、网络和其他运营费用也会变化。

她举一家机器稿写作“Eigen”、官方简介写作“Egien AI”的Infra公司为例,称其创始人是MIT韩松的学生,自己经熟人介绍在公司成立早期就关注。她把这家公司视为推理优化的代表,认为系统层能力可延伸到云业务,为云上客户改善部署。主持人补充韩松曾联合创办一家芯片公司,并转述黄仁勋的五层划分,将能源、芯片集群、云与Infra等放在不同层。转录中的公司名与“深鉴”等专名不清,本稿不自行纠正。

一个关键归属修正是:主持人误把这家公司说成周楠“自己投的、已成功退出”的项目,周楠立即澄清“这个我没投”,虽然看得早、很想投,但公司卖得太快,之后没有再融资。按节目2026年发布的时间语境,她所说的“去年8月成立”和“今年3月被Nebius收购”对应2025年8月和2026年3月;正文采用这一语境,不沿用旧稿自行换算的2023、2024年。

她暂时不愿透露另外两三家公司,因为认为该方向还在共识初期、自己仍在布局。这个案例既说明推理优化的吸引力,也说明“早看到”不等于“能投进”,早期机会受融资窗口和交易速度约束。

推理 (Inference)推理成本优化是在给定模型效果与服务水平下,减少每次请求或单位输出的计算、内存、通信和部署开销。输入是模型和请求,经过部署、调度与系统优化后,输出结果及服务成本。降低成本不必然同比例增加毛利,还要同时看售价、利用率、延迟、质量、网络、运维和价格竞争。
Physical AI (物理AI)本期Physical AI主要指在物理世界感知并执行动作的AI,如机器人。输入包括传感器和任务要求,模型形成决策后,由硬件执行并产生物理结果。它的限制不仅是模型泛化,还包括数据、控制、可靠性、能耗、安全和维护;嘉宾强调不同任务容错不同,但没有证明整个领域会复制语言模型的增长曲线。
aha moment (顿悟时刻)Aha moment在这里是能力或产品突然显现潜力的转折点,不是可统一计量的技术指标。要判断它是否发生,需要具体任务的成功率、可靠性、成本和实际采用证据。周楠对Physical AI的提前看好属于投资假设,而不是已经发生的事实。
泛化能力 (Generalization)泛化能力是模型在未直接见过的数据、环境或任务上仍能有效工作的能力。输入分布或任务变化后,输出是否保持可用,需要单独测试。周楠从语言模型泛化超预期推断Physical AI可能更早突破,这是跨领域类比;真实机器人还要经过物理数据、执行安全和硬件可靠性检验,不能只由参数规模推断。

话题推进:主持人从“非共识投资”的角度,引出对当前投资机会的探讨。

01:26:11–01:31:11早期投资窗口缩短,VC转向“用大钱砸Winner”

  • 你觉得现在有什么你很相信,但认为它还没有形成共识,是一个很好的投资机会的方向?
  • 那这还是venture capital吗?

主持人引用周楠“伟大投资发生在没有形成共识之前”,请她给出新的非共识方向。周楠没有立即报项目,而是说AI已成共识,产业链都在寻找差异化机会,窗口被压缩。她回忆2025年2月曾给投资人朋友写一封未公开信,看好通用AI Agent、视频和多模态、相关Infra、Physical AI和垂直AI;她认为其中一些机会只有一到两个月窗口,要求投资人更快识别并下注。机器稿中的若干公司名不清,本稿不猜改,也不把这些方向写成她已经完成投资。

她对比两种时间尺度:Cerebras从投资到IPO接近十年,而2023年投资OpenAI或Anthropic虽也处在共识形成期,仍有相对可布局的窗口。由此她并不是简单说“越早越好”,而是在强调早期判断需要在信息不足时形成,但市场留给你验证和交易的时间越来越短。

与早期投资难度相对,她观察到一股中后期趋势:Coding Agent、前沿模型、部分Infra和视频模型已出现领先者,一些VC募集更大的基金,以更高价格集中押注赢家。她举Benchmark当日宣布、24小时内完成的一支基金为例,机器稿写作“一两个边量/两个边量”,数额不能可靠还原,本稿不沿用旧稿确定的20亿或30亿美元,也不把个别募资概括为全部主流VC。

主持人问“这还是venture capital吗”,并提醒押赢家并非十拿九稳。周楠称之为VC的变种:传统VC强调在共识形成前下注,而现在也可能靠大基金投已经跑出来的公司。她进一步押注行业仍处采用早期,领先者会凭飞轮效应继续扩大;她甚至说Anthropic若从约1万亿美元估值到5万亿美元也不奇怪,因此当前投资是“no brainer”。这是她强烈的个人估值判断,主持人刚提出的集中估值风险不能被这句话消除;本稿不把它写成确定收益或无风险建议。

话题推进:在讨论完投资趋势后,主持人询问嘉宾个人对未来的期待,引向Physical AI话题。

01:31:11–01:35:49Physical AI:下一个非共识,可能比预想更早到来

  • 接下来你比较期待会发生的事情是什么呀?
  • 为什么呀?理论上来说physical AI不是比自动驾驶更难吗?
  • 为什么大语言模型上的经验会让你觉得physical AI的aha moment会更早来了?
  • 可不可以说当时百度美研十年前它低估了语言模型进化的速度,但是高估了自动驾驶进化和落地的速度?
  • physical AI会有新的芯片算力和Infra层的需求和机会吗?

周楠把Physical AI(这里主要指机器人)列为接下来愿投入精力的非共识方向。她承认数据与软硬件结合仍有瓶颈,却根据语言模型经验判断其“aha moment”可能比预想更早,因此认为可能是下注硬件的时候。这里的aha moment指能力或应用突然让人看见潜力,不等于机器人已在广泛任务达到可靠商业化。

主持人问,Physical AI场景更多样、理论上更难,为什么还可能更早。周楠的回答是:不同物理任务的安全和正确性门槛不一,自动驾驶的错误可能致命,而某些机器人任务允许更高容错。她用“自动驾驶必须99.9%正确”作口头比较,这不是节目给出的行业验收标准,也不能推出所有Physical AI都比自动驾驶安全或简单。她的推理依赖具体任务、环境和失败代价。

主持人进一步问,语言模型经验为何能迁移。周楠回忆,百度当年估算“像Wikipedia这样程度”的模型可能要近十年,却没预料到泛化能力提升如此快;她把模型变大后的进步形容为可能很陡峭的曲线,甚至说“可能是物理规律”。这是她从历史预测失误形成的直觉,不是已经证明机器人也会复现同样规律。数据形态、现实交互、可靠性与硬件制造都可能使迁移失效。

对于“当年是否低估语言模型、但高估自动驾驶”的总结,周楠没有完整接受。她只确认语言模型的泛化能力可能未被预料,并说自动驾驶因准确性要求高,自己不愿直接判断当年低估或高估其速度。主持人则补充2016—2018年全无人驾驶普及预期和视觉/激光雷达路线争论。这些保留意见应与她看好Physical AI的乐观判断同时保留。

她最后谈芯片机会时说“还真不好说”,随后才提出机器人本地计算需要低延迟和高能效,高功耗GPU未必合适,因此可能有新算力方案;她还猜测会有基于CPU的新推理架构,称知道一些早期团队在做,但未给公司、架构或性能数据。主持人在片尾把CPU机会与Agent调度任务相连,这是主持人的延伸解释,不能倒填成周楠已经在正文中给出的完整机制。

话题推进:主持人对本期节目内容进行总结,并进入节目尾声的补充评论环节。

01:35:49–01:39:14连点成线:从训练到推理,算力变局中的新裂缝

片尾是主持人程曼祺的单人补充评论,不再是嘉宾问答。她联系往期AI季报和算力访谈,把2026年的变化概括为算力消耗从训练走向推理,并认为2025年下半年以来Coding和Agent应用的爆发使这一预言成为现实。这里“成了事实”是主持人的趋势判断,本期没有给出全市场训练和推理消耗的完整计量。

她提出两个变化。第一,推理为不同于通用GPU的异构芯片提供机会,Cerebras上市后的市场表现被一些人理解为对WSE推理优势的押注;她还转述英伟达在上年12月以200亿美元“收购Groq”,并称其在今年3月GTC被整合到英伟达平台。本轮未对这笔交易作外部核验,因此保留为主持人说法并列为事实待核,不能用它直接证明英伟达已完成某项收购或整合。

第二,她认为CPU正在出现机会,因为Agent工作流有调度类任务,不适合GPU擅长的并行计算。这个解释比正文中周楠对Physical AI低延迟、高能效的讨论更进一步,属于主持人的延伸。她还把英特尔和AMD当年股价涨幅与这一变化联系起来;股价同期上涨是主持人提出的观察,不构成CPU业务增长或Agent需求导致涨幅的因果证据。

最后她回到九年前的问题:研究员希望避免只依赖英伟达,但如果不计Google TPU等厂商主要自用的芯片,她认为英伟达在公开市场和公共云仍形成事实上的算力垄断。她以“这种状态会持续吗、变局会从哪条裂缝开始”收尾。这个结尾提供的是后续研究问题,不应被改写成新架构已经打破垄断的结论。

话题推进:节目结束。

以上是原对话的分段阅读。下面才开始提炼论证、解释机制并给出本文自己的判断。

主要论证:观点怎样由经历与例子支撑

Cerebras是特定推理工作负载上的挑战者,不是英伟达全栈生态的全面替代者。

周楠 · 00:03:26;00:18:28;00:52:17

其论证从负载瓶颈出发:若计算受到跨芯片通信和内存搬运限制,WSE把计算、内存和互连放在同一硅片上,可能降低等待并改善延迟与吞吐。与此同时,英伟达的CUDA、开发者、网络、系统、客户信任和供应链构成迁移成本,所以单项硬件指标不能直接推出全栈替代。推理需求增加使这套架构更值得比较,但OpenAI订单尚未交付、客户集中和Infra定制仍限制结论。

成立条件:需要在具体模型、精度、批量、功耗和总成本下证明优势,同时完成软件适配与稳定交付;不能仅用架构差异、合同金额或上市估值证明全面竞争力。

投资Cerebras源于研究中的规模直觉和真实训练迭代瓶颈,而非只看一个宏大的芯片愿景。

周楠,主持人以DeepSpeech 2和Scaling Law雏形作提问前提 · 00:27:47;00:29:02;00:31:05;00:41:06

周楠把当时的认识限定为经验性直觉:更大模型、更多数据、更久训练和更强算力可能持续改善表现。近3亿参数模型训练至少三个多月,使调参和研究迭代也按月计算,于是算力成为研究节奏的限制。她因此寻找新训练架构,Cerebras的千倍提效主张契合痛点。该主张当时只经模拟和假设条件评估,并非物理芯片实测。

成立条件:这段论证依赖她对组织共识与训练时间的回忆;DeepSpeech 2与后来Scaling Law的历史关系不能由访谈单独完成考证,模拟性能也不能替代真实研究迭代收益。

三选一和未流片投资的核心,是把架构潜力、团队信号和可拆解风险放到同一决策过程。

周楠 · 00:32:17;00:37:06;00:40:02;00:42:19;00:51:07

她先按训练需求筛选候选,再以架构颠覆性、长期合作的技术团队、创始人客户理解和逐项回答风险的能力选择Cerebras。尽调由研究员看模型映射、编译器和模拟结果,硬件专家评估良率、散热、供电与重做成本。模拟的正面结果只在良率、编译器和封装等假设成立时有效;后来流片延迟说明风险识别不等于风险消除,董事会的耐心与团队执行仍是兑现条件。

成立条件:技术尽调必须保持假设、实物验证和运营验收的层次;团队规模、博士密度和唯一性自述不能代替可复核的技术数据。

百度美研的错失既有地缘政治约束,也有基金能力、组织持续性和个人行动条件,不能只归为宿命。

周楠;其中包含对他人经历与离职原因的单方转述 · 01:00:02;01:10:39;01:12:50;01:16:18;01:17:07

她把独立基金未募成归因于LP在地缘政治环境下退出,也推测中美AI竞争会使研究员最终离开。她没有细问过吴恩达和Dario的离职原因,因此不能把推测写成当事人确认。她同时反思自己当时只有两三年经验、缺独立基金管理能力;其他VC不接受其thesis、美国投资团队消失也影响结果。前瞻研究环境与后续商业兑现之间,需要持续资本、组织承接和实际执行。

成立条件:地缘政治重要性需要LP沟通、人才离职访谈和组织决策记录进一步区分;deal list和投资意愿不等于必然持股或反事实收益。

她观察到AI早期投资窗口缩短,一股趋势是用更大基金投已显现的赢家,但这并不消除估值和集中风险。

周楠 · 01:26:11;01:28:12;01:29:12;01:30:05

当AI成为共识,更多资本同时寻找新方向,她认为部分机会只剩一到两个月,早期投资人必须更快形成判断。另一方面,Coding Agent、前沿模型和部分Infra已出现领先者,一些机构选择中后期集中下注。她认为采用仍早、赢家会凭飞轮扩大,甚至给出Anthropic五万亿美元估值的想象;主持人则明确提醒押赢家不是十拿九稳。

成立条件:基金规模、完成募资情况和“主流VC”范围需另核;飞轮能否覆盖进入价格、竞争、技术替代和退出流动性,不能用no brainer一句代替。

Physical AI和低延迟、高能效推理可能形成新机会,但跨领域规模类比尚未被证明。

周楠,片尾CPU机制由程曼祺延伸 · 01:31:11;01:31:50;01:32:12;01:34:03;01:37:26

周楠认为某些机器人任务比自动驾驶更容错,端侧又受功耗和响应限制,因此新硬件可能有空间。她从语言模型泛化超预期推断Physical AI的aha moment可能更早,但这只是类比;她也承认数据、软硬件瓶颈和芯片机会“还不好说”。主持人随后把Agent调度任务与CPU机会相连,并提股价,这属于另一层延伸,不是机器人需求已转化为CPU业绩的证据。

成立条件:需按具体机器人任务测量成功率、失败代价、能耗、延迟和成本,并验证硬件与软件配套;语言模型泛化曲线不能直接替代这些验收。

机制与术语:对象、输入输出和中间过程

WSE怎样把数据搬运问题变成架构选择

输入是模型计算任务与数据。传统GPU集群把多个切割封装后的芯片通过板卡和互连连接,数据可能在计算单元、外部内存和不同芯片间移动;WSE则把更多计算、内存和互连放在同一晶圆上,并让编译器把模型映射到硬件,目标是减少跨芯片传输与外部HBM往返造成的等待。输出是训练计算或推理结果。限制包括模型是否适合该映射、内存是否满足需求、编译器效率、良率、冗余隔离、散热、供电、系统利用率和总成本。它解释的是特定负载的潜在优势,不是所有模型天然更快或英伟达生态可被绕开。

对应节目:00:04:40;00:20:05;00:43:31;00:43:51

本文自拟示意,不是嘉宾实验

【本文自拟示意,不是Cerebras实测】若一个计算步骤产生100单位中间数据,方案A需要把80单位跨芯片搬运,方案B在同一硬件内只需搬运20单位,则B减少的是这部分通信量;最终加速还取决于计算、内存和其他通信所占时间,不能把搬运减少75%直接写成端到端快4倍。

云服务如何降低新硬件的采用摩擦

输入是客户的训练或推理需求。直接购买方案要求客户采购新硬件、部署到数据中心并调整软件栈;Cerebras Cloud把底层系统封装在服务后,客户经API提交任务,先使用算力而不必立即完成全部本地部署。输出是可调用的训练或推理服务,目标是缩短初次试用和采用路径。它并不自动证明模型无需迁移、底层只用了自研芯片、运行稳定或成本更低;主持人对底层算力来源的揣测,正是云封装带来的另一项尽调问题。

对应节目:00:15:00;00:15:37;00:16:35;00:17:32

未流片芯片尽调:模拟结果与物理风险分开验收

输入包括拟议架构、模拟器、百度的语言模型,以及良率、散热、供电和编译器等风险清单。研究员把模型放到模拟环境中,观察模型映射和条件化性能推测;硬件专家与外部教授估算流片失败的时间、资金及系统缓解方案。输出是投资备忘录和风险判断,而不是真实芯片性能认证。其明确限制是:模拟结果依赖模拟器准确性和“其他环节均无问题”的假设;液冷原型不等于量产散热验收,冗余设计不等于所有缺陷可绕过,流片成功也不等于稳定量产。后续延迟说明,投资可以是在理解风险后承担风险,而不是证明风险不存在。

对应节目:00:37:06;00:40:02;00:41:06;00:42:19;00:43:51;00:46:17

本文自拟示意,不是嘉宾实验

【本文重述嘉宾的情景估算,不是实际损失】当时团队假设首次流片失败需额外约六个月和500万—1000万美元,再检查公司现金能否支持重做。这个计算回答“失败能否承受”,不回答“失败概率是多少”或“实物一定达标”。

研究痛点怎样转成非共识投资,又为何不能独自完成兑现

输入是研究员对更大模型、更长训练和迭代缓慢的实际体验。周楠把它转化为“寻找更强训练系统”的投资thesis,通过投资人、模型研究员、硬件专家和创始团队共同评估候选。输出是对未形成市场共识的项目下注。后续兑现还需要投决和资本承诺、流片与编译器执行、董事会耐心、客户迁移和交付运营。这个链条解释研究环境为何能提供早期信号,也说明论文直觉、模拟结果、公司上市和实际市场份额是不同证据层级。

对应节目:00:27:47;00:31:05;00:37:06;00:46:17;00:51:07;00:55:16

独立判断:这些对话改变了什么理解

【本文推断】这期最有价值的不是“提前押中Cerebras”,而是展示研究环境如何同时提供需求、验证工具和专家网络,以及这种优势的边界。

推理:训练三个月让研究员直接感到迭代痛点,百度自有模型提供模拟测试对象,研究员与硬件专家分别检查软件和物理风险,这三者共同构成普通财务模型难替代的早期信息。可是,这些信号仍没有避免流片延期,也没有准确预测2025年的市场规模。研究驱动投资能提高对问题真实性和技术风险的理解,却不能消除制造、采用、市场和组织风险。

竞争解释与边界:如果投资人离开研究机构后仍能维持高质量技术网络,部分优势可以复制;但需要重新获得真实工作负载、可验证数据和专家信任,不能把“认识研究员”直接等同于具备同样的尽调能力。

【本文推断】非共识叙事应拆成项目来源、技术判断、交易执行和长期持有,四者不能合并成一个人的先知故事。

推理:Cerebras由已有投资人Thomas Laffont推荐,规模直觉来自研究环境,技术验证依赖团队,投决由高层完成,投后又有董事会耐心;Anthropic创业消息则来自前同事主动来电。周楠的独特贡献在于把这些信号转成投资问题并推动流程,而不是所有机会都由她孤立发现。反过来,进入圈子也不等于能形成信念,因为她接触的多家VC当时并未接受同一thesis。

竞争解释与边界:这种分解不是削弱投资人的作用,而是使作用可检验:应分别考察信息获得、风险解释、交易条款、组织推动和持有期支持。单一成功案例也无法区分方法与运气,需要看同口径项目的失误和放弃记录。

【本文推断】百度美研的“历史必然”有外部现实基础,但本期证据不足以完成单因归因。

推理:嘉宾亲历的LP退出和跨境压力支持地缘政治是重要因素;但她未细问关键人物离职原因,也反思个人基金管理经验不足。独立基金未能成立还涉及资本组织与执行,前瞻性研究也未必自动转成集团长期产品战略。因此,更稳妥的理解是外部约束提高了持续研究和投资成本,而组织承接、关键人物、个人能力与行动共同决定结果。

竞争解释与边界:若LP记录显示退出几乎完全由政策限制驱动,且人才访谈也一致指向跨境压力,则外部解释权重应提高;若内部战略、资源和激励记录显示更早断裂,则“宿命”叙述需要进一步下修。

【本文推断】训练到推理的变化不是简单换芯片,而是新建一套部署、经济和客户关系;订单与股价只能提供间接信号。

推理:训练侧既有GPU集群和软件体系造成迁移成本,推理新部署给异构方案留下入口;云服务又通过API降低初次采用摩擦。可是,低延迟和高吞吐只有在具体负载、利用率与成本下才有商业意义,大订单还需定制Infra和交付。由此,OpenAI合同支持需求存在,却不能独立证明平台化成功;主持人把CPU、Agent调度和股价上涨相连,也只能作为待验证解释。

竞争解释与边界:若大型客户长期、稳定地以更低总成本运行多样负载,并形成可复制部署,平台解释会增强;若主要依赖少数客户的深度定制和战略采购,则更像特定供应商机会,不能把单笔合同外推为普遍替代。

【本文推断】从语言模型到Physical AI的类比可以产生投资假设,但最需要补的是任务级验收,而非继续扩大规模叙事。

推理:周楠的核心类比是语言模型泛化曾快于预测,因此机器人也可能更早出现能力跃迁;她的另一条理由则是某些机器人任务比自动驾驶更容错。这两条理由并不相同:前者关于学习曲线,后者关于可采用门槛。只有指定任务、环境和失败代价,才能判断更高容错是否真的抵消数据与硬件难度。

竞争解释与边界:若目标任务是低风险、可重复、失败可恢复,泛化进步可能较快转成采用;若涉及人身安全、开放环境或高昂硬件维护,即便模型能力提升,系统验收仍可能很慢。她本人对自动驾驶预测失误也未完全认同,说明类比需要保留。

尚未解决的问题与可检验的下一步

待解问题:DeepSpeech 2及百度当时的规模直觉,具体由哪些实验和模型指标支持,又怎样影响集团后续研究与投资?

下一步信息或小实验:对照原论文中不同模型、数据和计算规模的实验表,区分语音识别结果与后来语言模型Scaling Law;再查2016—2019年内部立项、算力预算、模型迭代和投决材料,观察这种直觉是否在Cerebras之外转化为持续行动。

怎样的结果会改变判断:若原文只有有限任务下的经验趋势,且集团未持续配置资源,就不宜把百度美研写成早已形成完整规模理论并系统执行;若有明确跨规模曲线和连续项目,则其历史地位应提高。

待解问题:当年的模拟尽调究竟验证了什么,后来哪些风险通过设计、制造或运营被真正解决?

下一步信息或小实验:寻找当时的模拟器说明、模型配置、假设和结果,并按产品代际对照真实芯片的功能、良率、散热、编译器、训练与推理表现;同时核对“世界最大模型”“唯一能验证”和千倍提效各自的测量口径。

怎样的结果会改变判断:若模拟与后续实物在同口径下高度一致,会增强早期尽调方法的证据权重;若主要性能来自后续重构或特定假设,千倍主张就不能作为当时决策已被技术验证的依据。

待解问题:Cerebras的大订单能否转成多样客户、可复制的部署和可持续的单位经济?

下一步信息或小实验:在同一模型、精度、批量、延迟与服务等级下,比较WSE和GPU方案的端到端吞吐、能耗、利用率、迁移工作量和总拥有成本;跟踪订单交付、客户集中度、续费及非定制客户上线周期。

怎样的结果会改变判断:若多个独立客户以较低迁移成本持续运行且总成本占优,平台级挑战者判断增强;若交付依赖少数战略客户的深度定制、其他客户采用缓慢,则更适合定位为特定高价值供应商。

待解问题:百度美研人才流失与独立基金失败中,地缘政治、集团战略和个人执行分别占多大作用?

下一步信息或小实验:交叉核对LP沟通、基金条款与时间线,访谈不同离职成员及管理者,并梳理集团后续研究和投资承接;把嘉宾未亲证的部分与一手记录分开。

怎样的结果会改变判断:若外部政策几乎是所有参与者的共同决定性约束,历史必然解释更有力;若关键断裂先于外部紧张、或内部资源和激励长期不足,则应提高组织与个人执行解释的权重。

待解问题:Physical AI的aha moment在哪类任务会先到,是否能复用语言模型的泛化经验?

下一步信息或小实验:选定低安全风险和高安全风险两组任务,固定环境和失败成本,测量模型规模增加时的成功率、恢复能力、能耗、延迟、数据需求与人工干预;再观察端侧CPU或其他架构是否改善真实任务的总成本。

怎样的结果会改变判断:若能力提升只在低风险任务快速转成部署,说明容错而非通用规模规律是主要驱动;若跨环境可靠性和数据效率持续改善,才更支持语言模型式泛化类比。

影响理解的转录疑点

优先回听00:27:47—00:55:16:这段完整连接规模直觉、三个月训练痛点、三家候选筛选、模拟验证、物理风险、投决和投后延期。回听时重点核对Greg及投资机构的姓名、模拟器与原模型口径、千倍提效是模拟还是实测、估值是投前还是投后,以及嘉宾对“风险可控”的原始限定。另建议回听01:05:39—01:13:17核对Anthropic创业来电和离职归因的发言边界,及01:35:49—01:38:35区分主持人对Groq、CPU与股价的延伸判断。

证据边界与资料索引

本页依据整期机器转录、官方节目介绍与章节逐段重建,未宣称逐字人工听审。说话人、专名、数字和时间可能存在识别误差;原声仍是最终核对依据。嘉宾关于公司、市场、研究、个人经历与未来的说法按口述保留,不自动等于独立核验的事实。

原节目:169: 访谈Cerebras早期投资人周楠:英伟达挑战者?Scaling Law的萌芽、被遗忘的百度美研

本页使用的公开文字或字幕来源

返回顶部