Quando uma aplicação de IA precisa raciocinar, chamar ferramentas e responder para muitas pessoas ao mesmo tempo, não basta contar FLOPS: a latência para gerar cada token, a memória e a comunicação entre aceleradores passam a definir a experiência. O vídeo abaixo apresenta o Cerebras CS-4, sistema de rack baseado em processadores do tamanho de uma lâmina de silício. A proposta é ambiciosa, mas os números precisam ser lidos como o que são: resultados e comparações divulgados pelo fabricante para cenários específicos.
Resumen en vídeo: o canal Evolving AI explica o WSE-3 Turbo, o rack CS-4, a plataforma Nexus e por que a Cerebras aposta em inferência de baixa latência em vez de apenas agrupar mais GPUs.
Vídeo do canal Evolving AI: Cerebras’s New 900,000-Core AI Beast Chip That Made NVIDIA AI Servers Look Like a JOKE!.
CS-4: um rack, três wafers
O CS-4 não é uma placa PCIe para instalar em um servidor comum. É uma solução de rack que reúne três processadores Wafer-Scale Engine 3 Turbo (WSE-3T). No anúncio de 18 de agosto de 2026, a Cerebras declara até 750 PFLOPS de computação para IA, 129,6 PB/s de largura de banda de memória e 7,2 Tb/s de I/O por sistema CS-4. São especificações de infraestrutura de datacenter, não uma alternativa para um laboratório doméstico.
O ponto central da arquitetura é reduzir o custo de coordenar muitas unidades pequenas. Um modelo grande normalmente é repartido entre aceleradores; em cada etapa, dados e estados precisam cruzar memória, placas e rede. A Cerebras concentra muito mais computação em um wafer e depois aproxima os wafers no mesmo desenho de rack. Para comparar famílias de aceleradores e seus compromissos, veja também GPU vs. TPU: como os chips de IA funcionam e como funcionam as placas de vídeo.
WSE-3 Turbo: por que usar a lâmina inteira?
Na fabricação convencional, uma lâmina de silício é cortada em vários dies. A família Wafer-Scale Engine segue uma rota diferente: transforma quase toda a lâmina em um processador. Segundo a Cerebras, o WSE-3 Turbo ocupa 46.225 mm², integra 4 trilhões de transistores, 900 mil núcleos otimizados para IA e 44 GB de SRAM no próprio wafer. A versão Turbo chega a 250 PFLOPS e 43,2 PB/s de largura de banda de memória por wafer.
Uma lâmina grande inevitavelmente contém defeitos de fabricação. A saída da Cerebras é projetar redundância de núcleos e de roteamento: regiões defeituosas podem ser desativadas e contornadas. Isso não torna o silício magicamente perfeito; é uma decisão de arquitetura, teste e software para que um wafer com falhas ainda possa virar produto.
Nexus, Wafer-Scale Backpack e links diretos
O CS-4 inaugura a plataforma de rack Nexus, separada em módulos de computação, energia e I/O. Cada Wafer-Scale Backpack combina um wafer, conversão de energia, refrigeração líquida direta, I/O de alta velocidade e eletrônica de controle. Ao desacoplar esses módulos, a empresa busca simplificar produção, manutenção e atualizações de rack.
Para rede, o sistema combina RoCE v2 sobre Ethernet com Direct Wafer Links. O primeiro facilita a integração com infraestrutura Ethernet; o segundo conecta wafers dentro ou entre racks sem switch no trajeto direto. A empresa declara latência wafer a wafer de até 2 microssegundos. Em modelos distribuídos, esse tipo de latência pode ser tão importante quanto a potência bruta, porque cada geração de token exige sincronização de estado.
Prefill e decode: onde a velocidade aparece
Inferência de LLM não é uma etapa única. No prefill, o sistema processa o prompt inteiro e constrói o estado inicial; no decode, produz token por token. A estratégia proposta pela Cerebras é a inferência desagregada: GPU ou ASIC pode fazer o prefill e o CS-4 pode assumir o decode de baixa latência. O estado entre as etapas ainda precisa ser transportado de forma eficiente, por isso interconexão e I/O fazem parte da proposta, não são apenas acessórios.
Isso ajuda a explicar o interesse em aplicações agênticas. Um agente pode alternar geração, chamada de ferramenta, leitura do resultado e nova geração várias vezes. Tokens mais rápidos reduzem o tempo de espera de cada ciclo, mas não resolvem por conta própria qualidade de ferramenta, segurança, testes ou observabilidade. A arquitetura heterogênea também aparece em iniciativas como o Project Rainier da AWS.
O que significa “até 30× mais rápido”
A Cerebras divulgou mais de 4.400 tokens por segundo por usuário em GPT-OSS-120B, sob prompts idênticos, e uma vantagem de até 30× sobre soluções de GPU. A nota de rodapé do anúncio é essencial: throughput real varia com arquitetura do modelo, tamanho de contexto, precisão e configuração de serviço. Além disso, “GPU” não é uma única configuração comparável.
Portanto, não é correto concluir que qualquer carga de IA ficará 30 vezes mais rápida. A leitura útil é que, para decode interativo em modelos grandes, SRAM próxima ao processador, largura de banda e baixa latência entre aceleradores podem alterar de forma relevante o resultado. Benchmarks independentes, preço, disponibilidade, consumo e desempenho em modelos diferentes continuam sendo necessários antes de uma decisão de compra.
2015–2026: a história da Cerebras
A própria linha do tempo da empresa situa sua fundação em 2015. Andrew Feldman, Gary Lauterbach, Michael James, Sean Lie e Jean-Philippe Fricker criaram a Cerebras para tornar a computação wafer-scale viável em datacenters — uma ideia que parecia difícil de produzir economicamente porque chips grandes sofrem mais com defeitos.
- 2019: chegam o WSE-1 e o sistema CS-1.
- 2021: WSE-2 e CS-2 entram em cena; a empresa também destaca resultados de pesquisa do NETL com o sistema.
- 2022: pesquisadores do Argonne National Laboratory recebem o Gordon Bell Special Prize por trabalho sobre variantes de COVID-19 com um cluster CS-2.
- 2023: Cerebras e G42 anunciam a rede de supercomputadores Condor Galaxy; o CG-1 foi divulgado com 4 exaFLOPS FP16 e 54 milhões de núcleos.
- 2024: a geração WSE-3/CS-3 chega ao mercado.
- 2025: a empresa amplia a oferta de inferência e integrações de nuvem; sua linha do tempo cita parceiros como Meta, Perplexity, Mistral, Hugging Face e OpenRouter.
- 2026: a página corporativa informa a negociação na Nasdaq sob o ticker CBRS em maio e o lançamento do CS-4 em agosto.
Quem investiu na Cerebras
Financiamento e parceria comercial não são a mesma coisa. Para evitar misturar as duas coisas, vale separar os investidores nomeados pela empresa nas rodadas recentes dos acordos estratégicos.
- Série G (setembro de 2025): rodada de US$ 1,1 bilhão, com avaliação pós-money de US$ 8,1 bilhões. Foi liderada por Fidelity Management & Research Company e Atreides Management; participaram Tiger Global, Valor Equity Partners e 1789 Capital, além de investidores existentes Altimeter, Alpha Wave Global e Benchmark.
- Série H (fevereiro de 2026): rodada de US$ 1 bilhão, com avaliação pós-money aproximada de US$ 23 bilhões. A liderança foi da Tiger Global; a empresa cita Benchmark, Fidelity Management & Research Company, Atreides Management, Alpha Wave Global, Altimeter, AMD, Coatue e 1789 Capital, entre outros participantes.
- G42: é sobretudo um parceiro estratégico da Cerebras na rede Condor Galaxy. No registro S-1 de 2024, a empresa também descreveu um acordo para uma afiliada da G42 comprar US$ 335 milhões em ações preferenciais, sujeito a condições e aprovações regulatórias. Esse acordo não deve ser confundido automaticamente com as listas de investidores das Séries G e H.
Esse histórico mostra por que a Cerebras é mais que um chip isolado: há capital para fabricar hardware, operar datacenters e competir no mercado de inferência. Ao mesmo tempo, concentração de clientes, execução de datacenters, energia, fornecimento e competição com plataformas de GPU e outros ASICs continuam sendo riscos relevantes — pontos que a própria empresa enumera em seus comunicados a investidores.
O que muda para quem usa Linux e IA
O usuário de Linux dificilmente instalará um CS-4 em casa. O efeito prático tende a chegar via APIs e serviços: respostas mais rápidas, geração de código com menor latência e agentes que concluem mais etapas no mesmo tempo. Para uso local, a rota continua sendo software e hardware acessíveis, como em rodar IA local com Ollama no Linux.
A Cerebras representa uma aposta importante: redesenhar o acelerador, o rack e o interconector ao mesmo tempo. O vídeo é útil para visualizar essa arquitetura; a decisão técnica, porém, precisa partir de medições reproduzíveis, custo total, disponibilidade e compatibilidade da sua carga de trabalho.
Fontes primárias: linha do tempo e fundadores da Cerebras · WSE-3 Turbo · anúncio e especificações do CS-4 · arquitetura Nexus e inferência desagregada · Série G · Série H · registro S-1 sobre G42.