Cerebras Systems zei dat het gedesaggregeerde inferentie in de productie heeft gestopt, waarbij de AI-inferentiewerklast is opgesplitst tussen conventionele GPU's en zijn wafer-schaalprocessors in een configuratie die volgens het bedrijf vijf keer meer tokens per megawatt levert zonder dat dit ten koste gaat van de generatiesnelheid.

De aankondiging, gepubliceerd op de blog van het bedrijf op 17 november 2026, markeert een opmerkelijke verschuiving voor een bedrijf dat jarenlang zijn Wafer Scale Engine heeft gepositioneerd als een alternatief voor op GPU gebaseerde gevolgtrekkingen in plaats van als een aanvulling daarop. Nu zegt Cerebras dat GPU's de fase van snelle verwerking afhandelen, terwijl zijn eigen systemen de fase van het genereren van tokens afhandelen. Voor meer context over dit verhaal, zie ons laatste AI-ontwikkelingen.

Waarom de gevolgtrekking in tweeën splitsen?

Inferentie gebeurt in twee fasen. Prefill verwerkt de prompt van de gebruiker en produceert een tussenliggende modelstatus. Decode gebruikt vervolgens die status om uitvoertokens één voor één te genereren in een autoregressieve lus die voor elk woord van het antwoord wordt herhaald.

De twee fasen hebben zeer verschillende rekenprofielen. Prefill is rekenintensief en parallel, en dat is waar GPU's uitblinken. Decoderen is geheugenbandbreedte-gebonden en sequentieel, en dat is waar Cerebras beweert dat zijn architectuur op waferschaal het voordeel heeft, omdat het hele model op één stuk silicium kan zitten zonder de communicatie tussen de chips die GPU-clusters vertraagt ​​tijdens het genereren.

Het bedrijf had geëxperimenteerd met andere manieren om de werklast te verdelen. In zijn blogpost somt Cerebras concept-target-schema's op, waarbij een klein model tokens voorstelt en een groter model deze verifieert, en aandacht-FFN-scheiding tussen de alternatieven die het heeft overwogen. Maar het beweert dat het scheiden van prefill en decode bij uitstek geschikt is voor zeer interactieve toepassingen, omdat de decodeerfase de kenmerkende ultrasnelle generatiesnelheden van Cerebras intact houdt.

De cijfers achter de claim

Volgens de aankondiging is de opgesplitste configuratie nu live in Cerebras Inference Cloud en levert deze vijf keer meer tokens per megawatt op dezelfde generatiesnelheden die het bedrijf al leverde. Cerebras zegt dat infrastructuurpartners dezelfde gesplitste architectuur ook in hun eigen datacenters kunnen inzetten.

De economische logica is eenvoudig. Inferentieproviders verdienen inkomsten per token, en macht is de bindende beperking van de capaciteit. Als dezelfde megawatt vijf keer zoveel tokens oplevert, genereert dezelfde faciliteit proportioneel meer omzetpotentieel, wat het bedrijf illustreert met een tabel waarin geaggregeerde en gedesaggregeerde bedieningsconfiguraties worden vergeleken.

De aankondiging leunt ook op vraagvoorspellingen om te beargumenteren dat de sector alle mogelijke efficiëntiewinsten nodig heeft. Onder verwijzing naar Goldman Sachs Research zegt Cerebras dat de vraag naar AI-inferentie tegen 2030 naar verwachting grofweg 24 keer zal groeien ten opzichte van het niveau van 2026, terwijl de capaciteit van datacenters in dezelfde periode slechts ongeveer 2,2 keer zo groot zal worden. Als beide prognoses standhouden, wordt de kloof tussen wat gebruikers willen uitvoeren en wat faciliteiten kunnen aandrijven de bepalende beperking van de AI-uitbreiding eind jaren twintig.

Agentische applicaties zorgen voor de crunch

Het bedrijf schrijft de stijging van de vraag toe aan agentische applicaties die in 2026 snel zullen opschalen, en noemt Muse, Copilot en Codex als voorbeelden van producten die een zeer interactieve inferentie vereisen om gebruikers betrokken te houden. Conversationele agenten die reacties token voor token streamen, zijn precies de werklasten waarbij generatiesnelheid een gebruikersgerichte functie is in plaats van een back-endstatistiek.

Cerebras situeert de lancering binnen een bredere capaciteitsdrang. Het bedrijf wijst op het onlangs aangekondigde CS-4-systeem, een dramatische schaalvergroting van de productieproductie en de geplande datacentercapaciteit van ongeveer 700 megawatt als de onderdelen waarmee het en zijn partners aanzienlijk meer verkeer kunnen bedienen in 2027 en daarna.

Een pragmatische wending voor wafelschaal

Strategisch gezien leest de aankondiging als een pragmatische aanpassing aan GPU-dominantie. In plaats van klanten te vragen hele inferentiepijplijnen naar exotisch silicium te verplaatsen, stelt Cerebras een taakverdeling voor: laat GPU's doen waarvoor ze zijn geoptimaliseerd, en laat hardware op wafer-schaal doen waar hij goed in is. Voor aanbieders van inferentie die tussen een stijgende vraag en stroombeperkingen zitten, is de pitch de capaciteit die ze kunnen toevoegen zonder te wachten op de nieuwe generatie hardware.

Of de claim van vijfvoudige efficiëntie standhoudt in verschillende modelarchitecturen en verkeersmixen in de echte wereld, zal pas duidelijk worden als partners de configuratie op schaal gaan inzetten. Maar de reisrichting is voor de hele sector duidelijk. Nu inferentie training als de dominante computerwerklast vervangt, onderzoekt elke grote hardwareleverancier opnieuw hoe de twee generatiefasen moeten worden gesplitst, aangedreven en geprijsd.

Hoe het zich verhoudt tot GPU-native benaderingen

De grote aanbieders van hyperscale-inferentie hebben hun eigen desaggregatiestrategieën gevolgd, waarbij ze doorgaans beide fasen van GPU-families op elk doel afstemmen. De variant van Cerebras onderscheidt zich door het overschrijden van de grenzen van de leveranciers: het bedrijf bevestigde dat AMD GPU's de prefill-fase in de productieconfiguratie afhandelen, waarbij Cerebras-systemen verantwoordelijk zijn voor de decodering. Die heterogeniteit is van belang voor operators, omdat prefill en decodering worden behandeld als afzonderlijk verkrijgbare goederen in plaats van als een enkele geïntegreerde stapel.

De gepubliceerde resultaten van het bedrijf benadrukken dat de splitsing de opwekkingssnelheid in stand houdt in plaats van deze in te ruilen voor efficiëntie. Dat onderscheid komt tegemoet aan een al lang bestaande kritiek op gedesaggregeerde dienstverlening: het afzonderlijk vooraf invullen van batches kan latentie aan het eerste token toevoegen, en elke configuratie die de decodeerlus vertraagt, ondermijnt het interactieve gevoel dat premium inferentiediensten verkopen. Cerebras beweert dat zijn regeling beide straffen vermijdt, hoewel onafhankelijke benchmarks over verschillende promptlengtes en verkeerspatronen de echte test zullen zijn.

Voor AI Buzz Wire-lezers die de infrastructuurrace volgen, is de boodschap van Cerebras dat het tijdperk van one-chip-fits-all-gevolgtrekking plaats maakt voor speciaal gebouwde pijpleidingen – en dat het bedrijf van plan is de helft daarvan te decoderen.

---

Blijf Voorop met AI

Het laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.

Lees meer AI-nieuws →