在漫长的等待之后,Cerebras Systems的IPO终于看到了终点线。这家AI芯片制造商周一宣布,计划以每股115至125美元的价格发售2800万股股票,预计募资35亿美元,按发行价上限计算,市值将达到266亿美元。
对于今年2月以230亿美元估值参与10亿美元H轮融资的后期投资者来说,这不过短短数月便将迎来可观回报。与此同时,OpenAI及其多位高管也将从中受益。
若此次IPO定价达到或超过上限,这将成为2026年迄今规模最大的科技IPO,同时也可能为SpaceX、OpenAI、Anthropic等更大体量的上市计划预热市场。
Cerebras的核心产品是一款名为Wafer-Scale Engine 3的AI专用芯片,直接挑战以GPU为主导的AI芯片市场。Cerebras表示,该芯片在推理速度上更快,同时能耗低于同类竞品。推理是指处理用户请求所需的计算能力。
根据公司向美国证券交易委员会(SEC)提交的文件,多家知名机构持股超过5%,包括Rick Gerson旗下的Alpha Wave、Benchmark(合伙人Eric Vishria)、Lior Susan创立的Eclipse、富达投资以及Foundation Capital(合伙人Steve Vassallo)。
此外,公司披露的投资者名单还涵盖1789 Capital、阿布扎比增长基金、阿布扎比G42、Altimeter、AMD、Atreides Management、Coatue、Moore Strategic Ventures、Tiger Global、Valor Equity Partners及VY Capital等。
Cerebras官网还列出了一长串天使投资人,包括OpenAI创始人兼CEO山姆·奥特曼、OpenAI创始人兼总裁格雷格·布罗克曼、前OpenAI首席科学家(现已创立自己AI公司的)伊利亚·苏茨克维尔、OpenAI董事会成员兼Quora CEO亚当·德安杰洛、太阳微系统和Arista联合创始人安迪·贝克托尔斯海姆、英特尔CEO陈立武,以及其他多位科技界知名人士。
山姆·奥特曼的持股比例虽未达到SEC强制披露门槛,但他的名字出现在了S-1招股书的引语中。这是因为Cerebras与OpenAI之间的关系,远比天使投资人名单更引人关注。
这段关系甚至被埃隆·马斯克在其针对OpenAI的诉讼中作为证据援引。据马斯克律师团队提交的法律文件显示,OpenAI曾一度考虑收购Cerebras,而马斯克称其对OpenAI高管的上述个人投资并不知情。
收购最终未能成行,但OpenAI成为了Cerebras最大客户之一。招股书披露,去年12月,OpenAI向Cerebras提供了10亿美元贷款,并获得可购买逾3300万股股份的认股权证。因此,OpenAI目前虽非大股东,但未来很可能成为其一。
Cerebras原本希望在2024年完成上市,但由于联邦政府对阿布扎比云服务商G42的投资展开审查而被迫搁置——G42至今仍是Cerebras的重要客户。
时隔一年,Cerebras再度寻求融资。去年9月,公司完成由富达和Atreides领投的11亿美元融资,投后估值81亿美元。数月后,Cerebras与OpenAI签署总价值超过100亿美元的多年期合作协议,其中包含上述贷款和认股权证安排。今年2月,公司完成最后一轮10亿美元H轮融资。
若此次IPO顺利完成,OpenAI及其高管将在多个层面受益。
目前迹象颇为乐观。据彭博社报道,各家承销银行已收到高达100亿美元的认购意向,远超35亿美元的发行规模。如此强劲的需求表明,Cerebras最终的发行定价很可能高于已公布区间,为公司和投资者带来更大收益。
Q&A
Q1:Cerebras的Wafer-Scale Engine 3芯片有什么优势?
A:Wafer-Scale Engine 3是Cerebras专为AI推理设计的芯片,主要挑战以GPU为核心的AI芯片市场。Cerebras声称,该芯片在处理用户请求(即推理)方面速度更快,且能耗低于GPU类竞争产品。
Q2:Cerebras和OpenAI是什么关系?
A:两者关系密切。OpenAI是Cerebras的重要客户,去年12月还向Cerebras提供了10亿美元贷款,并获得可购买逾3300万股的认股权证,未来有可能成为其大股东。此外,OpenAI创始人山姆·奥特曼等多位高管也是Cerebras的天使投资人。
Q3:Cerebras的IPO为何此前被推迟?
A:Cerebras原计划2024年上市,但由于美国联邦政府对阿布扎比云服务商G42在Cerebras的投资展开安全审查,IPO计划被迫搁置。此后公司经历多轮融资,并于2026年重启上市进程。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。