從CerebrasIPO聊起：AI算力變化、Scaling law萌芽和百度美研往事

訪談 Cerebras 早期投資人周楠。

文丨實習生付自文

編輯丨程曼祺

今年 5 月中旬，美國 AI 芯片與系統公司 Cerebras 登陸納斯達克。上市一個月內，它的市值一度逼近千億美元。它被外界視作英偉達的補充，甚至是挑戰者。

Cerebras 的特殊性在于它從 2015 年創立之初就選擇了一條顛覆性路線：把整片晶圓做成一個巨大的 AI 計算引擎，以減少數據搬運和通信開銷。

今天的嘉賓周楠，目前任職于 Qualcomm Ventures，是 Cerebras 的早期投資人之一。9 年前完成這筆投資時，她剛從投行加入百度硅谷人工智能實驗室。當時的負責人是吳恩達，Anthropic 創始人 Dario Amodei 也曾在那里工作。

當時的百度美國研究院幾乎是全世界 AI 人才密度最高的地方。早在 2016 年，Transformer 尚未發布，他們就形成了一個共識：AI 的進步需要更大的模型、更多的數據、更強的算力。

后來的故事已經成為主流敘事。Transformer 改變了模型架構，scaling law 統一了模型規模與數據、算力之間的語言。但美國頭部 VC 真正集體意識到，自己需要重注 AI 而不是 SaaS，已經是 ChatGPT Moment 之后。

很少有人記得，百度曾站在硅谷乃至世界 AI 的前沿，嘗試投資新的芯片、數據引擎和前沿模型公司。Cerebras 正是其中一個后來被證明足夠重要的項目。

在周楠看來，偉大的投資發生在共識形成之前。但今天 AI 已經成為共識，“非共識” 的窗口變得極短，連頭部 VC 都在競相押注已經跑出圈的公司。因此 Cerebras 上市也是一個提醒：當所有人都在追逐 AI，真正稀缺的不是相信 AI，而是判斷下一個發展瓶頸。

從 Cerebras IPO 聊起，推理崛起給了異構芯片機會

晚點：Cerebras 今年 5 月中旬在納斯達克上市，市值一度逼近千億美元，現在回到約 500 億美元。可以先簡單介紹一下，這是一家什么公司？

周楠：Cerebras 是我在百度美國研究院時，自己找到、做盡調、一步步建立判斷并推動完成投資的第一個項目，當時投的是 C 輪。它不只是一家芯片公司，而是在英偉達 GPU 路線之外，重新設計 AI 訓練和推理的計算架構。

它的核心創新是 Wafer-Scale 架構，也就是把整片晶圓做成一個超大的 AI 計算引擎，在單片上集成大量計算核心和片上內存，盡量減少數據搬運和通信開銷。Cerebras 同時也做服務器、散熱、電源、編譯器和軟件棧，所以更準確地說，它是一套從芯片到系統的 AI 算力新方案。

晚點：市場對 Cerebras 的一種敘事是 “英偉達挑戰者”，實際上呢？

周楠：我們當時投 Cerebras，一個很重要的起點是，百度美國研究院的很多 AI 研究員都在訓練模型，他們很早就認為，未來模型會越來越大，數據越來越多，訓練迭代需要更強的芯片，不能只依賴英偉達。

十年前的英偉達芯片，也不是專門為深度學習設計的，更多還是服務游戲和圖形處理。所以當時我就想，能不能找到更適合深度學習訓練的芯片。倒不是一開始就要對抗英偉達，而是要有一個替代方案，避免英偉達的壟斷。

但今天 Cerebras 更準確地說，是英偉達在某些特定負載上的挑戰者，尤其是推理。但英偉達的護城河也不只是 H100、GB200 這些芯片，還有 CUDA、開發者生態、網絡、軟件、客戶信任和供應鏈這一整套東西。（注：H100 是上一代主力 AI GPU，GB200 是 Blackwell 架構下 GPU 與 Grace CPU 組合的 AI 計算平臺。）

Cerebras 的機會在于，當一些 AI 推理，受限于內存帶寬、通信延遲和響應速度時，它會是一個很好的架構選擇。它的推理速度，確實比現在很多方案快很多。

晚點：十年前，全球都有類似的創新思潮：Google 的 TPU 自研起步于 2015 年，寒武紀等公司也是 2016 年成立。當時一種觀點是，相比通用 GPU 架構，ASIC（專用集成電路）針對深度學習做更多優化。但之后十年，ASIC 并沒有撼動通用 GPU 的地位。Cerebras 兩三年前的估值還僅是數十億美元，上市后到了數百億美元。你覺得這是市場情緒變了還是它的業務和技術真的變了？

周楠：首先是市場需求變了。兩三年前，ChatGPT 剛出來，AI 算力已經變成全球稀缺的戰略資源，但那時模型能力要不斷迭代，大家主要解決的還是模型訓練問題，推理（模型使用階段的算力）需求還沒有現在這么大，所以英偉達還是敘事主體。

但現在一半以上的算力都用在推理上，再加上今年 AI Agent 的爆發，又進一步拉動了推理算力的需求。Cerebras 方案里的低延遲、高吞吐就變得更有價值，也更稀缺。它在這個節點上估值爆發，有水到渠成的一面。

晚點：今年的一個明顯的利好是，OpenAI 和 Cerebras 簽了大額合作，據報道規模超過 200 億美元。為什么 OpenAI 會對這套方案感興趣？他們大概會怎么合作？

周楠：首先 Sam Altman 本人是 Cerebras 的投資人。百度是 2017 年投的，他 2016 年就投了。那時 OpenAI 剛成立沒多久（注：OpenAI 成立于 2015 年 12 月），說明他很早就意識到，未來模型變大、應用變多之后，不能只依賴英偉達一家。

回到現在，對 OpenAI 這種前沿模型公司來說，算力已經是繼續擴展模型的核心瓶頸。即使英偉達很強，它們也一定要分散供應商，找第二種方案。不只是 OpenAI，Anthropic 也在用 Google 的 TPU，大家都在做類似的事。而且推理現在越來越關鍵，既決定用戶體驗，也決定模型 API 的毛利。它要低延遲、高吞吐，單個 token 的成本還要持續下降。Cerebras 在這些方面有明顯優勢，所以對前沿模型公司有吸引力。

晚點：Cerebras 是 Sam Altman 個人投的，也是 OpenAI 的合作方。這個算關聯交易嗎？

周楠：這些信息只要他披露，不算關聯交易。Sam Altman 參與過很多公司和項目，OpenAI 后來也收購了一個與他關系密切的硬件公司。（注：2025 年，OpenAI 宣布收購由前蘋果首席設計官 Jony Ive 參與創辦的硬件公司 io Products，OpenAI 此前已持有 io 約 23% 股權，后以約 65 億美元估值完成收購。）

晚點：最近 Cerebras 也宣布和 AWS（亞馬遜云科技）合作。但它自己也在做云業務，推出 Cerebras Cloud，這是什么思路？

周楠：我覺得是為了降低客戶采用新硬件的門檻。因為他的客戶越來越多了，它作為硬件公司很大的挑戰，是客戶要買一套新系統、部署到自己的數據中心，還要改軟件棧，周期很長。

但 Cerebras Cloud 把底層復雜系統封裝起來，客戶可以直接用 API 接入，不管是訓練、推理，還是做應用，都能更快用起來。這對它擴大客戶采用很有戰略意義。

晚點：其實我最開始看到這個合作時，有一種偏負面的推測：就是如果包了一層云業務，底層用別的算力芯片也可以通過云平臺獲得收入，這有可能和自有芯片業務左右互搏。但 Cerebras 創始人 Andrew Feldman 最近在彭博科技峰會上強勢表態，說會和所有人合作，除了英偉達。

周楠：這和算力短缺有關。現在不只是模型公司缺算力，像 CoreWeave、Nebius 這些新云廠商也缺。GPU 已經成了很大的約束。所以 Cerebras 做云是業務延展，也能增強護城河。對一個模型公司來說，如果找英偉達和周邊云廠商還是解決不了算力問題，那從商業角度上，Cerebras 加上云，可能就變成一個更省事的一站式方案。（注：CoreWeave 是美國 AI 云服務商，主要向 AI 公司提供基于英偉達 GPU 的云算力；Nebius 是總部位于阿姆斯特丹的 AI 基礎設施公司，提供從 GPU 集群到云平臺的一整套 AI 算力服務。）

晚點：總結來說，你現在看到這家公司的上限和下限是什么？

周楠：它的上限很高。現在 AI 算力需求很大，尤其推理的上限，我覺得可能是無止境的。如果它以后做到 5000 億美元市值，我不會特別驚訝。

下限或者說風險，在于它這套 Wafer-Scale 的方案能不能持續規模化。它現在客戶比較集中，和更成熟的芯片廠商相比還不夠分散。接下來關鍵是：能不能擴大客戶范圍，并且在大規模交付、穩定運營、讓客戶真正用起來這些環節持續做好。

晚點：Cerebras 這種超大單芯片的架構，規模化交付的難點是什么？

周楠：傳統芯片制造，是在一片晶圓上做很多小芯片，切開、封裝，再通過 PCB（印刷電路板）、NVLink（NVIDIA 的高速互聯技術，用于 GPU 間及部分 CPU-GPU 場景的高帶寬通信）這些方式把很多 GPU 連起來。Cerebras 反過來，它盡量不切開晶圓，而是在一整片晶圓上做一個巨大的 AI 計算引擎，相當于把八十多個芯片級模塊無縫連在一起。好處是，計算單元、內存和通信網絡都在同一個硅片上，數據不用頻繁從一個芯片搬到另一個芯片，也減少了外部 HBM（High Bandwidth Memory，高帶寬內存）和計算單元之間的數據搬運，所以能加速計算。

GPU 的優勢是生態成熟、通用性強；Cerebras 的優勢，是在推理等負載里減少分布式通信和內存搬運。

但代價也很明顯。我們當時投的時候，擔心的風險很多，包括封裝、散熱、良率等等。不過現在它已經上市，很多早期工程風險應該都解決了。未來進一步放量生產后的良率確實是一個問題，這個我們后面講風險的時候可以再展開聊。

晚點：其實英偉達自己也有相關動作。比如它在去年底以 200 億美元收購了推理芯片公司 Groq 的團隊。（注：以非獨家推理技術授權協議的形式，Groq 仍作為獨立公司運營。）

周楠：對，Groq 當時我也看過，它的思路和 Cerebras 很像，都是在嘗試不同于 GPU 的計算架構。所以 Cerebras 的問題還是它能不能在客戶側迅速起規模。

回到 2016：Dario 發現 Scaling Law 雛形，百度尋找新架構芯片

晚點：回到最初在 2017 年投資 Cerebras 時，為什么會開始看 Cerebras 這類新 AI 算力方向？

周楠：我當時加入百度之前在巴克萊銀行（英國大型跨國銀行與金融集團，后收購雷曼兄弟北美業務）做投行業務，在香港，正好趕上中國移動互聯網公司上市潮，做過阿里、京東這些案子，也做過一家芯片公司的上市。

2016 年，百度在全球找 AI 投資人，加入他們在硅谷的人工智能研究院，和吳恩達一起工作。我就是在這個背景下進了百度。相當于是從投行轉到投資，從賣方轉到買方。而且我比較幸運的是，一開始就進入了一個純 AI 的環境。那時候很多人還沒有在投 AI，但我每天就在一個 AI 研究院里工作。

晚點：2016 年移動互聯網還處在收獲期，但 AI 還在很早期，為什么會想從投行轉向 AI 早期投資？

周楠：其實是因為之前做過一家搜索公司的上市，最后沒成功，但它在招股書里講了一個 AI 故事。那是我第一次接觸 AI，當時就覺得，這是未來。后來知道百度 2014 年邀請吳恩達去美國人工智能研究院，我也在硅谷聽過幾次他的講座，就對百度產生了很強的興趣。2015 年底看到他們在招 AI 投資人，我就投了簡歷。

晚點：當時百度硅谷 AI Lab 已成立 2 年，它是一個什么狀態？

周楠：那會兒應該是硅谷最強的 AI 實驗室之一，吳恩達的號召力非常強，百度也愿意給預算買 GPU、訓練模型。他很早就把 GPU 作為訓練 AI 模型的核心算力系統推到臺前。如果沒有他當時的背書，大家可能不會那么快認識到 GPU 可以被大規模用于 AI 訓練。

當時研究院人才密度非常高，Dario Amodei（Anthropic 聯合創始人、CEO）當時也在百度。很多研究員后來去了 OpenAI，或者成了后來前沿 AI 實驗室的早期核心成員。

大家做的方向也很多，包括語音模型、視覺模型，也有零售、金融科技、醫療、自動駕駛等等。但內部有一個很強的共識，尤其是 Deep Speech 2 之后，大家看到 AI 進步依賴三件事：更大的模型、更多的數據、更強的算力。

這就有一個很樸素的判斷：如果 AI 要持續進步，底層算力會非常重要。而 GPU 雖然是當時最好的工具，但它不是從零開始為深度學習設計的，所以我花了大概半年時間，把 AI 從訓練、架構、數據到模型能力這一套重新學了一遍。到 2017 年，我就開始到處找不同于 GPU 的新算力系統。

晚點：可以把 2015 年發布的 Deep Speech 2 這篇論文展開講講。這篇論文的一作就是 Dario，后來它被認為是闡述 scaling law 雛形的早期研究之一。

周楠：我加入時，這篇論文已經發了。當時大家還沒有把 scaling law 用今天這種數學化、系統化的方式表達出來，但已經有一個很強的經驗直覺：模型更大、數據更多、訓練更久、算力更強，模型效果就會持續提升。后來語言模型時代把這件事理論化了，但往回看，scaling law 誕生的萌芽就是這篇論文。

晚點：百度內部，那會兒這個研究成果就很受重視嗎？

周楠：這個結論是很直接的投資啟發：如果 AI 能力要繼續提升，就需要更強的計算系統。那時候還沒有現在說的訓練、后訓練這些概念，就是很樸素地看模型、數據、訓練時間和算力。

我印象很深的是，當時百度已經在訓練接近 3 億參數的語言模型，這在十年前非常大。研究員們跟我說，用 GPU 訓練一次要三個多月。我當時就聽傻了：如果訓練一次要幾個月，那調參、迭代怎么辦？所以當我后來看到 Cerebras，說它的架構可以把深度學習訓練效率提高一千倍，把幾個月的訓練縮到幾天或幾周，這個吸引力就非常強。

晚點：沿著這個思路，你當時還看了哪些公司？

周楠：看了挺多，有 Graphcore、Wave Computing，還有一些做 ASIC 的公司。但 ASIC 更適合做推理芯片，而當時我們最想解決訓練問題。所以最后真正讓我重點盡調的，主要是 Graphcore、Wave Computing 和 Cerebras 三家。

晚點：為什么選了 Cerebras？

周楠：現在記不太清當時每個細節，印象里 Graphcore 也能提速，不過架構沒有 Cerebras 那么顛覆（Graphcore 開發了不同于傳統 GPU 的架構的 IPU：Intelligence Processing Unit）。作為投資人，我當時更想投一個真正可能把深度學習訓練提速百倍、千倍的架構。Wave Computing 的理念和 Cerebras 有點像，但團隊配置有些問題，所以是最早被淘汰的。

晚點：所以當時三選一，最后選到了目前看結果最好的一家。

周楠：當時 Cerebras 的信號非常明顯。Andrew Feldman 前一家公司 SeaMicro 被 AMD 收購（注：2012 年 2 月，交易金額約 3.34 億美元），他幾乎帶著原班人馬出來，圍繞一個全新架構創辦 Cerebras。公司才一年多，團隊八十多人，接近七十個博士，他們的工作經驗加起來有好幾百年，是我見過的博士密度最高的公司。創始人很有號召力。

晚點：你具體是怎么接觸到 Cerebras 的？

周楠：我 2017 年初還不認識 Cerebras，是上半年后期才接觸到。當時我把 Coatue 的創始合伙人 Thomas Laffont 請到百度，他正好也懂半導體。我跟他聊我們對 AI 算力的判斷，他很興奮，就說他們投了一家很顛覆的公司，叫 Cerebras。我當時已經看過 Graphcore、Wave Computing，但都還在猶豫，Cerebras 一出現就眼前一亮。

晚點：Andrew 本科讀的是經濟學和政治學，后來又拿了斯坦福 MBA，早年主要做市場和產品，并不是芯片工程師出身，這會讓你有疑慮嗎？

周楠：芯片公司創始人大多是工程師背景，但后來我覺得 Cerebras 反而是一個很好的組合。Cerebras 是系統級公司，Andrew 的強項是產品定義、組織團隊、理解客戶和堅持長期愿景。他身邊有很強的技術聯創，而且都是跟了他很多年的人。

另外，Andrew 也是連續創業者，在行業里面有很深厚的關系網。他很清楚自己的優勢和客戶的痛點。我當時帶著百度 AI 研究員做了很深的盡調，問他良率、散熱、電源、編譯器、客戶為什么要買，他都不回避，一個個拆開講。我當時還是芯片小白，他可以每天跟我講兩小時，連續講四個星期。

他不只是能講愿景，也能從第一性原理把風險拆清楚。對投資人來說，投深科技不是只投宏大敘事，而是要知道風險到底是什么，以及有沒有辦法去對沖這些風險。

晚點：研究員支持你們做盡調，是組織安排的還是他們自己驅動的？

周楠：當時像 Greg Diamos 這些研究員，自己就在訓練大模型，真實的痛點就是太慢了。所以我把 Cerebras 這個架構帶到他們面前時，他們也很興奮，很想知道它到底行不行。Greg 是 Deep Speech 2 的作者之一，也是英偉達構建 CUDA 生態的關鍵人物，所以他的判斷對我們很重要。（注：Greg Diamos 離開百度后，曾加入吳恩達創辦的 Landing AI 早期團隊，后又參與創辦企業大模型平臺 Lamini。）

其實當時 Cerebras 還沒有正式流片，只有模擬。那時能真正幫它驗證模擬的公司只有百度等非常少的幾家，那時還沒有 Transformer（注：Transformer 由 Google 于 2017 年 6 月發布，百度硅谷 AI Lab 開始尋找、投資 AI 芯片公司是在 2016 年下半年至 2017 年），百度的大語言模型最先是基于一個自研的 框架 PaddlePaddle。我們把模型跑到 Cerebras 的模擬器上，看它在假設良率、編譯器、散熱、封裝都成立的情況下，是否真的能帶來很大提升。最終結果是非常好的，這在某種程度上也驗證了他們的想法。后來也有一些百度研究員和 Cerebras 合作很深，甚至加入了 Cerebras。

晚點：理論驗證之后，良率、散熱、封裝這些具體的硬件風險，你們是怎么判斷的？

周楠：我們找了斯坦福教授、芯片專家，也問了百度內部做自動駕駛硬件的人。硬件風險其實可以一項項拆。比如良率問題，如果第一次流片失敗，要多花多久成本？我們當時測算，最壞可能多花六個月、500 萬到 1000 萬美元，綜合公司的現金流，當時結論是風險可控。

散熱、電源、封裝這些也一樣。Cerebras 當時已經有液冷系統方案，也有軟件層面的故障應對機制。編譯層面則是 Greg 他們重點測算的，包括模型怎么映射到這個架構上，怎么和 TensorFlow、Keras、PyTorch 這些框架、API 和客戶數據中心對接。所以沒有百度美研這些研究員和硬件專家，我是很難把這些風險看清楚的。當時那一批硬件專家，很多現在也在做 GPU 的創業。（注：TensorFlow、PyTorch 都是開源深度學習框架，Keras 是高級神經網絡 API，早期常與 TensorFlow 搭配使用，強調快速搭建深度學習模型。）

現在回看，百度當時做的技術盡調，可能是早期投資人里最深入的一份。我也把結論跟 Benchmark、Coatue 這些更早期投資人分享過，他們聽完以后也安心了不少。

晚點：Cerebras 后來上投決會是什么過程？當時是哪些人一起做決策？

周楠：當時投決會里有我的老板 Jennifer Li（李昕晢，百度 CFO），還有陸奇和 Robin（李彥宏）。我寫了十幾頁投資備忘錄，中英文都有，發上去不到兩天就通過了。回頭看覺得自己很幸運，因為后來見過很多 CVC、IVC 的投決流程，才知道百度當時這個投決會多有眼光。對這種非共識、顛覆性的算力系統，百度從上到下都很支持，基本是無痛通過。（注：CVC 即企業風險投資，Corporate Venture Capital，指大公司設立的投資部門或基金；IVC 即獨立風險投資機構，Independent Venture Capital，通常指不隸屬于大公司的專業 VC。）

晚點：吳恩達當時不在投決會上？

周楠：到投資 Cerebras 時，吳恩達已經離開百度了。

晚點：當時百度管理層有沒有考慮說流片之后再投？

周楠：沒有。他們沒有干涉這個判斷。百度那么早成立美國人工智能研究院，李彥宏那時候也很早就去競標 Geoffrey Hinton 的實驗室，所以他們對這種顛覆性投資本來就是支持的。

晚點：你還記得當時估值是多少嗎？

周楠：不便宜，差不多 7 億多美元。放在 2016、2017 年，快到獨角獸了。我當時測算 2025 年 AI 訓練市場大概 220 億美元，按 Cerebras 20% 左右市占率，投資回報大概 3 到 5 倍。現在看，這個判斷太保守了，我完全低估了 AI 騰飛的速度。

晚點：但是你當時測算的市占率挺高，有 20%。而現在 Cerebras 的市占率是很小的，收入和訂單金額大，是因為整個盤子大。為什么它的市占率不如預期？

周楠：對。2017 到 2019 年，Cerebras 其實經歷過很艱難的階段，流片也有推遲。我們當時測算過的那些下行風險，基本都發生了，比如流片延遲一兩年。所以回頭看，這個團隊很有韌性。雖然它現在市占率還不高，但這個架構本身已經跑出來了，接下來就是在推理市場擴張。

訓練市場我覺得不是沒有機會，只是前沿模型公司已經在英偉達 GPU 上形成了訓練體系，讓它們換訓練芯片，風險比較大。相比之下，Cerebras 在推理場景里更容易切進去，所以現在很多客戶需求也集中在推理。

晚點：OpenAI 200 億美元的訂單還沒完全交付，這個階段能說它在推理市場成功了嗎？推理也需要基礎設施配合，它的算力結構很特殊，會不會導致生態改動很大？

周楠：肯定需要一些定制化。公司已經到這個體量了，為 OpenAI 這樣的訂單去定制基礎設施，是必要的。關鍵就是看它能多快交付。

晚點：他們自己的團隊能搞定嗎？

周楠：我認為可以。Cerebras 早期八十多人里有很多博士，人才結構很全面，里面有相當多人就是做基礎設施和系統的。

可能也會有一些外部合作，比如做 agentic AI 基礎設施的公司。因為 AI Agent 會帶來大量推理負載，這和 Cerebras 的低延遲、高吞吐優勢很匹配。如果能和這些基礎設施公司配合起來，它的工作負載跑起來會更順。

晚點：如果 2017 到 2019 年，Cerebras 流片更快，現在的算力格局會不會不同？

周楠：可能會不一樣。OpenAI 當年訓練模型，是黃仁勛把 GPU 送過去。如果那時候 Cerebras 已經成熟，也許是 Andrew 拿著機器送過去，歷史可能會被更多改寫。

晚點：那得特別快。因為 2017 年 Transformer 發布之后，OpenAI 就開始探索這個方向了。

周楠：對，而且現在前沿模型公司的 GPU 集群、數據中心基建已經投下去了，要在這時換到其他的芯片上去，其實是很大的系統風險。

晚點：這可能也跟半導體行業的周期有關。硬件迭代本來就長，客戶會很看重穩定性、良率和規模交付。英偉達 GPU 畢竟是軟硬件都積累多年的產品。Cerebras 即使更快流片，也很難立刻改變格局，新方案還要經過物理制造驗證。

周楠：對，規模生產交付、編譯器和軟硬件生態都得跟上。達不到理想狀態，前沿模型公司就不會接受。

晚點：這也是它和大模型公司、軟件公司不同的地方。

周楠：但現在是個好機會。今天算力需求里相當大一部分是推理，Cerebras 的優勢會更明顯。所以與其糾結訓練市場，不如把推理負載做好，戰略上去吃推理市場是比較正確的決定。

晚點：說到周期，這家公司還有個特點，創始人年紀都挺大，Andrew Feldman 和他的技術合伙人 Gary Lauterbach 十幾年前開始這次創業時，一個四十多，一個已經接近六十。到上市時，Lauterbach 已經退休了。這和現在 AI 領域鄙視 “老登” 的風潮還挺不同。

周楠：半導體創始人年紀一般都不小，因為行業周期很長。你要投連續創業者，他至少經歷過一個周期，而且很多人是博士出身，受教育時間也很長，團隊不可能特別年輕。但我覺得這是優勢。Andrew 在行業里有積累，有關系網，也更懂怎么解決各個工程節點的風險。現在的 CTO Sean Lie 也是創始成員之一，他是比較年輕的，現在也很有經驗了。

百度曾有機會成為 OpenAI、Anthropic 的早期天使

晚點：你當時在百度美研除了投 Cerebras，還看了哪些公司？當時的整體的 AI 投資思路是什么？

周楠：當時百度很堅定要投 AI，除了語言模型外，另一個重點是自動駕駛。所以我也看過激光雷達、車載算力、L2、L3 芯片這些方向。地平線創始人余凱博士也是從百度出來的。

一個比較可惜的事是，我曾參與百度的一個成長基金募資計劃，那是 2018 年前后，當時已經能看到中美關系的變化，所以我們也在籌劃作為獨立基金去投更前沿的 AI 全棧系統。

OpenAI、Databricks、Scale AI 這些公司都在 deal list（待投名單）上。OpenAI 在名單上，是因為 Sam Altman 當時和百度關系還可以，陸奇早年曾是他的 mentor；Databricks、Scale AI 是因為當時也認為 AI 全棧里要投數據和數據引擎。（注：Databricks 為美國數據與 AI 公司，主打數據湖倉、數據工程、機器學習和企業 AI 平臺；Scale AI 為美國數據和 AI 基礎設施公司，早期以數據標注服務聞名，后來擴展到模型評測、數據管線和企業 AI 基礎設施。）

晚點：你說 OpenAI 考慮接受百度投資，大概是 2018 年？

周楠：對，那時候他們也很艱難，我們看得非常早。但當時這個基金募了很久，因為一些原因，很多本來想參與的 LP 最后都退了。如果那個基金做成了，百度可能會成為現在很多前沿模型公司的股東。

晚點：后來百度復盤過這個事嗎？看起來確實錯過了很多投資機會。

周楠：我覺得不是百度錯過，而是當時地緣環境的原因，讓這個基金沒法做起來。

基金做不成以后，我其實拿著這套投資判斷，去聊了很多美國一線 VC，包括 Insight、Sequoia、Benchmark 等等，想看看有沒有人能認同這套 AI 投資邏輯，但當時沒人買單，大家都說要投 SaaS。

晚點：硅谷什么時候開始真正轉向 AI，從 SaaS 轉到大模型？

周楠：我覺得還是 ChatGPT Moment 之后。2022 年底可能還沒有完全意識到。紅杉當時有一位合伙人叫 Sonya Huang 很早寫了一篇關于生成式 AI 的文章，但它也沒有真的押中這一波前沿模型公司。所以頂級 VC 大概是到 2023 年后期、2024 年，才開始意識到要全面押注 AI。

OpenAI 是 2015 年創辦，Anthropic 是 2020 年創辦，但它們早期融資都不是一帆風順的。

晚點：Anthropic 最早的投資人確實不是典型 VC，有 Google 前 CEO Eric Schmidt 和 Google DeepMind 負責人 Demis Hassabis，還有 a16z 的合伙人 Anjney Midha 個人投資了一筆。

周楠：還有一個故事。2020 年夏天，一些在 OpenAI 的百度前同事給我打電話。他們很多是 Dario 的朋友，也是在百度最早跟我講 Deep Speech、早期 scaling 的人。他們當時很激動，說 GPT-3 快訓練出來了，當年在百度想做的事情，快在 OpenAI 做成了。

我問他們，模型聰明到什么程度了。因為我們之前在百度測算過，如果要訓練出接近維基百科那種知識水平的模型，可能要接近十年時間，花掉上億美元算力。他們很誠實地說，還沒到，還會胡說八道。那時 GPT-3 還在后訓練階段，距離 ChatGPT 出來還有兩年多。

后來他們很多人想出來創業，因為不再信任 Sam Altman，覺得他對安全不夠重視。然后問我能不能給一些建議，我說建議和當年一樣：你們要融很多錢買算力。但主流 VC 那時候大概率不會給這個錢，哪怕在高通，我也很難推動這樣的投資。

百度美研，研究組織怎么運轉

晚點：十年前的百度美研，研究團隊是什么情況，怎么運轉的？

周楠：那時候百度美研主要是 AI 研究員，還有一些做自動駕駛的，頂峰時期至少 250 多人。大家每天中午一起吃飯，討論各種研究問題。

我上周還跟 Greg 聊，他們都很感慨，說那時的人才密度很高，甚至在 Google DeepMind 都沒有過。很多人是沖著吳恩達來的，也因為百度從上到下很支持這個研究院，給了充足預算買 GPU，讓研究員實現他們對 AI 的一些想法。

后來這里的很多人加入了核心 AI 創業公司，或自己創業，除了前面提到的 OpenAI、Anthropic，也有人參與創辦 Adept（2022 年成立的 AI Agent 創業公司，方向是訓練模型使用軟件工具和 API）、xAI，還有一些人成了 Meta FAIR 等實驗室的重要成員。

晚點：當時 Dario Amodei 在百度美研是什么狀態？一個業界玩笑是， Dario 在百度可能不太開心，導致他對中國 AI 界不友好。

周楠：Dario 能進百度，其實是他職業生涯里很重要的一步。他是 Greg Diamos 招進來的。而且加入百度前，Dario 并不是計算機或 AI 科班出身，而是數學、物理和生物背景，Greg Diamos 發現他很有 AI 直覺和訓練模型的能力。

晚點：大家常說百度在 AI 上是 “起了大早，趕了晚集”。它很早成立百度美研，2015 年 Deep Speech 也已經看到擴大數據和算力，可以訓練出更智能的模型，但最后這件事不是百度自己做成。你覺得為什么？

周楠：確實可惜，我覺得一個重要原因還是大環境。2018、2019 年以后，中美在 AI 上競爭加劇，很多研究員會感受到壓力，最后選擇離開。

晚點：但即使放到中國公司訓練的模型里，百度現在也不是最靠前的。

周楠：確實最早那批人工智能研究員，包括吳恩達這些有遠見的人，主要是在美國硅谷。

美國更擅長顛覆性創新，中國更擅長應用和追趕。比如計算機視覺，中國有很大的應用場景，市場也很強；但語言模型這類創新，還是先在硅谷發生，然后再擴散到中國。

晚點：這個模式過去十幾年確實成立。微軟亞洲研究院當時也有很多 AI 人才，最強的方向是計算機視覺；而再往前追溯，CNN、ImageNet、AlexNet 這些計算機視覺創新和后來的語言模型，最初的源頭多在美國，然后擴散全球。不過百度倒是留下了兩個比較重要的 AI 成果：一個是自動駕駛，另一個和你投 Cerebras 相關，就是昆侖芯。

周楠：百度很早布局自動駕駛，而且最后堅持下來了。然后我當時投 Cerebras 的時候，也和昆侖芯當時的負責人交流過，那時他已經有一些想法雛形了。這么多年，百度能把昆侖芯做出來，很了不起。

晚點：你們百度前同事后來有復盤過美研這 15 年的得失嗎？

周楠：大家心里還是挺唏噓的。但作為一家中國公司，在美國做 AI 模型研發本身就會遇到很多阻礙。

2018 年左右，我和前老板想做一個獨立的 AI 基金，就是已經預見到了風險。那時候很多百度美研出來的研究員都在創業，我們覺得這些人很厲害，應該把他們都投了。但最后基金還是沒募起來。如果那時我已經做了五六年投資，可能很多事情會不一樣。但當時我才做投資第二、第三年，還是太年輕了，撐不起這樣一個基金架構。

晚點：你后來為什么離開百度？

周楠：主要是那個基金沒法繼續做下去，百度在美國也沒有投資團隊了。我帶著這套投資判斷去找了很多美國一線 VC，也沒取得共識。剛好那時候高通拋來橄欖枝，希望在端側 AI 找一些應用場景，我就很自然地加入了高通。

“非共識” 窗口變短，頭部 VC 追逐晚期投資

晚點：可以聊一下你過去十年科技投資形成的判斷，尤其是算力、半導體和 AI 基礎設施這些方向。

周楠：我的投資主線一直比較清晰。在百度時，先是投算力，后來過渡到數據引擎、數據倉庫；同時也看自動駕駛的軟硬件結合。到了高通以后，因為公司很強調端側 AI，我看了很多 IoT（物聯網）和端側設備，但我發現美國本土的硬件 IoT 不太容易起來，真正有落地場景的反而更多在中國。

ChatGPT moment 之后，我意識到大模型比我們當年在百度測算的時間早來了好幾年。所以從 2022 年開始，我又把關注點轉回云端 AI 基礎設施。到 2023、2024 年，我判斷企業 AI 會比大家想象中更快到來，當時也提過 coding AI 這個方向。后來 Cursor 起來，其實就驗證了這一點。當時大模型時代的基礎設施幾乎是一片空白，所以從 2023 年到 2025 年，RAG（Retrieval-Augmented Generation，檢索增強生成）、推理優化、模型部署，都是很重要的投資機會。

晚點：那現在的算力和云層面，你看到了什么機會？

周楠：推理成本優化會是很大的戰場。推理成本最后會直接反映到毛利上，不管是模型公司還是應用公司，只要 token 成本降下來，商業模型都會改善。所以部署優化、多模態推理優化、token 優化，以及和云結合的基礎設施，都會很重要。

這里面有一家叫 Eigen AI 的公司，今年被 Nebius 收購（注：交易價格約 6.5 億美元），它就是很典型的推理優化公司。2025 年 8 月它剛成立，創始人是 MIT 教授韓松的學生。因為高通本身對端側推理很敏感，所以我對推理優化這件事也很敏感。我覺得這會是后面端側 AI 爆發后很關鍵的一件事，它會改變整個 AI 的商業模型。

晚點：韓松以前也和汪玉、姚頌、單翌一起聯合創辦過深鑒科技（中國 AI 芯片公司，曾主打深度學習處理器和模型壓縮技術，后被賽靈思收購）。所以你說的是偏軟件系統的第三方基礎設施優化公司？

周楠：對，它可以通過對推理和 token 的優化，延展成和云相關的業務。因為它可以直接幫云上的客戶優化模型部署和推理基礎設施。無論對模型廠商，還是對應用公司，推理基礎設施都會是一個非常重要的環節。

晚點：Cerebras 上市時，你說偉大的投資發生在形成共識之前。現在還有什么你相信、但市場還沒形成共識的方向嗎？

周楠：這個問題很難。因為現在 AI 已經是共識了，所有投資人都想找 “非共識”，窗口就變得非常短。當年投 Cerebras，到上市是十年；2022、2023 年投 OpenAI、Anthropic，也還有一個共識剛要形成、但沒完全形成的窗口。但現在可能只有一兩個月。

我去年給身邊投資人寫過一封信，沒有公開。那時候我列的方向包括通用 agent，比如 Manus、Genspark；還有視覺模型、多模態、多模態基礎設施，比如 Fireworks AI；以及 physical AI、vertical AI。但這些方向一旦出現，留給投資人的下注時間非常短。早期投資現在很難，你既要嗅覺敏銳，也要有很強的挑公司能力，在共識形成前就下手。

所以今年反而更容易投中后期。有幾個方向已經跑出來了很大的 winner，很多頭部 VC 也在募偏后期的基金，去砸這些已經出圈的公司。

晚點：那這還是風險投資嗎？

周楠：風險投資的一種變種。傳統 VC 是在沒有共識前下注，但現在非共識到共識的窗口太短了，短到你還沒反應過來，它就已經變成要花大價錢去投的公司。所以 VC 也在演變成募大基金，去投已經跑出來的公司。

如果把 AI 的周期拉長看，我們可能還處在早期。現在雖然已經有 winner，但它們會形成飛輪，越長越大。比如 Anthropic，未來如果到 5 萬億美元，我不覺得奇怪。

還有一些基礎設施公司，比如 Fireworks AI、Together AI（AI 云和模型基礎設施公司，提供開源模型推理、微調和 GPU 集群等服務）、Baseten（AI 推理基礎設施公司，幫助企業部署、服務和優化機器學習模型），也已經形成早期飛輪，后面雪球可能滾得很大。所以現在很多人會直接下注這些 winner。

晚點：接下來你會期待什么事情發生？

周楠：我會看的一個方向是 physical AI。很多人說它像十年前的自動駕駛，但就像語言模型的泛化速度比我們想象中更快，我認為它的 aha moment 可能會比我們想象中來得早。現在可能是下注的好時候。

晚點：Physical AI 理論上不是比自動駕駛更難嗎？

周楠：場景更復雜，但它對正確性的要求沒有自動駕駛那么極端。自動駕駛必須接近 99.9% 正確，否則會出人命；physical AI 對任務完成度和準確率的要求，相對更寬容一些。另一方面也因為它還沒有完全形成共識。

晚點：你覺得 physical AI 會帶來新的芯片、算力和基礎設施機會嗎？

周楠：芯片層應該有機會。機器人真正落地時，不可能身上一直掛著高功耗 GPU，它需要低延遲、低功耗的算力方案。

另外，推理芯片也可能出現新的 CPU 架構。Cerebras 是已經出圈的路線，但未來也可能會有基于 CPU 方案的新公司出來，已經有很早期的創業公司在做了，這也很值得關注。

題圖來源：Cerebras（創始團隊 2022 年在計算機歷史博物館，從左至右依次為 Sean Lie, Gary Lauterbach, Michael James, Jean-Philippe Fricker 和 Andrew Feldman。）