Uma GPU rápida resolve muita coisa; o gargalo aparece quando um modelo grande precisa responder em tempo real para muita gente. No vídeo abaixo, a Cerebras apresenta o CS-4, sistema de inferência em rack com três processadores wafer-scale WSE-3 Turbo. A empresa afirma chegar a até 30 vezes a velocidade de sistemas com GPU em inferência — uma promessa que merece contexto, mas que explica por que agentes e respostas longas viraram o foco do projeto.
Resumo em vídeo: a Cerebras mostra o CS-4, o chip WSE-3 Turbo e a plataforma Nexus para inferência de IA em escala de datacenter.
Vídeo do canal Cerebras: 30x Faster Than GPUs: Unveiling Cerebras CS-4 & WSE-3 Turbo.
O que a Cerebras anuncia no CS-4
O CS-4 não é uma placa PCIe para instalar no desktop: é uma solução de rack para data center. Cada sistema reúne três WSE-3 Turbo, os processadores wafer-scale da empresa. Segundo o anúncio de 18 de agosto de 2026, o conjunto soma 750 PFLOPS de computação para IA, 129,6 PB/s de largura de banda de memória e 7,2 Tb/s de I/O. A ideia é concentrar muito processamento e manter a comunicação entre os wafers curta e previsível.
O alvo é inferência: produzir tokens depois que o prompt já chegou. Isso importa para chatbots, geração de código e sistemas agênticos, em que cada etapa de raciocínio, chamada de ferramenta e verificação acrescenta latência. Para entender a diferença entre processadores especializados, veja também GPU vs. TPU e como funcionam placas de vídeo.
WSE-3 Turbo: um processador do tamanho de uma lâmina
Em vez de cortar a lâmina de silício em muitos dies pequenos e conectá-los somente na placa, a família Wafer-Scale Engine usa a própria lâmina como um processador gigante. O WSE-3 Turbo mede 46.225 mm², traz 4 trilhões de transistores, 900 mil núcleos otimizados para IA e 44 GB de SRAM integrada. A versão Turbo chega a 250 PFLOPS e 43,2 PB/s de largura de banda de memória por wafer, segundo a ficha da Cerebras.
Esse desenho não elimina todos os problemas de escala; ele troca boa parte da coordenação entre muitas GPUs por comunicação interna no wafer e por enlaces diretos entre wafers. A Cerebras afirma que a tolerância a defeitos vem de núcleos e roteamento redundantes: o sistema pode desativar regiões com falha e contornar o caminho.
Três wafers e a plataforma Nexus
O salto do CS-4 não vem apenas do chip. Ele inaugura a arquitetura de rack Nexus, separada em módulos de computação, energia e I/O. O Wafer-Scale Backpack reúne wafer, conversão de energia, refrigeração líquida direta, I/O e controle em um conjunto removível na traseira do rack. A proposta é tornar fabricação, manutenção e atualização menos acopladas.
No interconector, a empresa combina RoCE v2 sobre Ethernet com Direct Wafer Links, que ligam wafers dentro ou entre racks sem um switch no caminho direto. A latência wafer a wafer declarada cai para até 2 microssegundos. Para modelos muito grandes, é justamente essa troca de estado entre aceleradores que costuma decidir se a saída continua interativa ou vira fila.
Onde entram prefill e decode
O vídeo fala de inferência agêntica, mas vale separar duas fases. No prefill, o sistema lê o prompt e monta o estado do modelo; no decode, gera token após token. A Cerebras propõe inferência desagregada: um GPU ou ASIC pode fazer o prefill, e o CS-4 faz o decode de baixa latência. O estado precisa viajar entre as duas etapas, por isso I/O e rede deixam de ser detalhes do rack.
É uma direção parecida com a discussão sobre infraestrutura heterogênea no Project Rainier da AWS: não há um único acelerador ideal para todas as fases, modelos e custos operacionais.
“30x mais rápido” não é uma lei da física
A Cerebras relata mais de 4.400 tokens por segundo por usuário em GPT-OSS-120B e vantagem de até 30× frente a soluções de GPU sob prompts idênticos. Esses números vêm do fabricante e dependem de modelo, precisão, tamanho de contexto, configuração do serviço e do sistema de GPU escolhido para comparação. A própria página do CS-4 avisa que resultados observados variam com carga, configuração, data e modelos testados.
Portanto, a leitura correta não é “qualquer workload fica 30× mais rápido”. O ponto técnico é outro: quando o objetivo é decode interativo em modelos muito grandes, largura de banda, memória próxima ao processamento e latência entre aceleradores podem pesar tanto quanto o total de FLOPS.
Da história da empresa ao CS-4
A Cerebras foi criada para transformar computação wafer-scale em produto de data center. Em sua linha do tempo, a empresa registra WSE-1 e CS-1 em 2019, WSE-3 e CS-3 em 2024 e o CS-4 em 2026. A continuidade importa: o CS-4 é a quarta geração de sistema, não um wafer isolado encaixado de improviso em um rack.
Para quem programa no Linux, esse hardware provavelmente será acessado como serviço de inferência, não comprado para o home lab. Mesmo assim, ele afeta a experiência de APIs, geração de código e agentes: tokens mais rápidos permitem ciclos de ferramenta e revisão menos interrompidos. O software ainda precisa ser bem projetado — velocidade de resposta não substitui testes, observabilidade e revisão humana.
O que observar agora
O anúncio informa que os primeiros envios do CS-4 começam neste trimestre. Os próximos sinais relevantes serão medições independentes, preços, consumo real, disponibilidade em nuvem e resultados fora dos modelos usados pelo fabricante. Até lá, o vídeo é uma boa visão de uma aposta diferente da corrida por “mais uma GPU”: fazer da lâmina inteira — e do rack ao redor dela — o computador de IA.
Fontes: história da Cerebras · WSE-3 Turbo · CS-4 · anúncio e especificações do CS-4.