在運算晶片數十年來朝微型化發展之際，一家名為 Cerebras Systems 的新創公司卻反其道而行，選擇打造巨型晶片來推進人工智慧（AI）運算。這項激進的策略，讓 Cerebras 成為美國 AI 晶片龍頭輝達（Nvidia）在 AI 硬體領域的嚴峻挑戰者。
Cerebras 創辦人兼執行長安德魯·費爾德曼（Andrew Feldman）與資深晶片架構師 Gary Lauterbach 於 2007 年共同創立節能伺服器公司 SeaMicro，並在 2012 年被超微半導體（AMD）收購。費爾德曼隨後開始思考，若 AI 成為未來軟體的關鍵，運算將會是什麼面貌？
當時是 2014 年，深度學習技術多半侷限於實驗室，許多專家認為 AI 僅是利基研究或矽谷（Silicon Valley）的流行語。多數研究人員主要透過輝達的 GPU（圖形處理器，原為加速影像渲染設計的晶片）訓練神經網路。然而，費爾德曼與其團隊認為，GPU 雖然在平行運算方面優於 CPU，但並非專為 AI 設計，而是歷史上的偶然結果，最終將無法滿足 AI 發展的需求。
2016 年，Cerebras Systems 正式成立，目標不是生產速度稍快的晶片，而是要重新定義半導體設計。傳統晶片製造商會將晶圓切割成數百個獨立晶片，以避開製造過程中不可避免的缺陷。但 Cerebras 挑戰這個慣例，試圖將整片晶圓製成單一巨型處理器，這就是其核心技術——晶圓級引擎（Wafer-Scale Engine）。
相較於傳統高端處理器約 840 平方毫米的尺寸，Cerebras 的首款 Wafer-Scale Engine 面積高達約 46,000 平方毫米，比當時最大的傳統晶片還要大約 58 倍。將晶片做大看似違反直覺，因為這通常會導致製程缺陷、散熱問題與通訊延遲。然而，Cerebras 團隊洞察到，現代神經網路在不同處理器間移動資料所花費的時間，遠多於實際運算，記憶體頻寬而非原始運算能力，才是最大瓶頸。因此，他們設計了單一巨型晶片，大幅減少數百或數千個小型 GPU 之間資料傳輸的延遲。
這項前所未有的技術研發過程艱辛，曾有原型機發生「熱事件」（俗稱燒毀），但創業團隊與投資者憑藉著對技術的信任與長期願景，持續克服各項工程難題。直到 2019 年 8 月，Wafer-Scale Engine 終於成功啟動，象徵著現代半導體史上重要的工程成就。
隨著近年大型語言模型如 ChatGPT 的崛起，AI 運算能力需求暴增，使得輝達市值飆升，雲端服務供應商也投入數百億美元建置 AI 基礎設施。這證明了費爾德曼與共同創辦人近十年前的預判——AI 市場規模將超越過往的運算市場。Cerebras Systems 在國家實驗室、研究機構、雲端供應商及前沿 AI 公司的採用，也進一步鞏固了其在大型 AI 運算領域的專業地位。
