A Cerebras retirou o CS-4, um sistema de inferência de IA em escala de rack construído em torno de seu novo processador em escala de wafer WSE-3 Turbo, alegando que a máquina oferece inferência até 30 vezes mais rápida do que os sistemas baseados em GPU, já que a empresa se posiciona como a alternativa de velocidade ao império de data center da Nvidia.

O lançamento, anunciado terça-feira e detalhado nas páginas de produtos da empresa e uma onda de cobertura da Reuters, Bloomberg e The Register, marca a atualização de hardware mais significativa da Cerebras desde a abertura de capital - e um momento crucial para uma empresa cujas ações têm enfrentado dificuldades desde seu IPO. Os investidores parecem estar prestando atenção: as ações da Cerebras (CBRS) subiram com as notícias, e o Investor's Business Daily citou comentários do CEO de que o mercado de inferência de IA está “crescendo muito rápido”.

Para os leitores que acompanham a corrida acelerada para fazer com que os modelos de IA respondam mais rapidamente, o lançamento do CS-4 é uma das histórias de hardware mais importantes do trimestre e ocorre em meio a mudanças mais amplas na cobertura da indústria de IA que continuam a remodelar o cenário da computação.

O que há dentro do CS-4

O componente principal é o WSE-3 Turbo, uma versão atualizada do Wafer Scale Engine da Cerebras. De acordo com o aprofundamento técnico do The Register, o WSE-3T não é um silício novo – ele mantém o mesmo processo TSMC de 5 nm, área de matriz de 46.225 milímetros quadrados, 4 trilhões de transistores, 900.000 núcleos e 44 GB de SRAM on-wafer que o WSE-3 de dois anos de idade.

Em vez disso, a Cerebras conseguiu duplicar o desempenho ao forçar muito mais o chip existente. O WSE-3T dobra a computação esparsa do FP16 para 250 petaFLOPS, dobra o desempenho denso do FP16 para cerca de 25 petaFLOPS, dobra a largura de banda da memória para 43,2 petabytes por segundo e dobra a largura de banda de E/S para 2,4 terabits por segundo. O Register estima que a empresa agora está operando o silício em aproximadamente 2,8 GHz, acima dos 1,4 GHz da geração anterior.

O truque, de acordo com a Cerebras, é um sistema de fornecimento de energia redesenhado que fica a apenas 0,5 milímetros do processador – cerca de 100 vezes mais próximo do que os ~50 milímetros típicos das placas GPU convencionais. Essa proximidade quase elimina a perda de energia no nível da placa e permite que o dobro de energia chegue ao wafer, permitindo frequências operacionais mais altas por trás da geração mais rápida de tokens.

A arquitetura do rack Nexus

Além do chip em si, o CS-4 apresenta o que a Cerebras chama de Arquitetura da Plataforma Nexus, seu primeiro design em escala de rack e uma resposta direta aos sistemas de rack NVL72 da Nvidia e Helios da AMD. Cada CS-4 pode transportar até três processadores WSE-3T alojados em "mochilas em escala de wafer" independentes - pacotes 3D que dobram o wafer, conversão de energia, resfriamento direto por líquido, E/S de alta velocidade e componentes eletrônicos de controle em um único conjunto com 50% menos componentes.

O design modular separa a camada estável de energia, refrigeração e rede da computação. Um Cerebras PowerRack pode ser instalado e qualificado antes que qualquer computação chegue, e as mochilas então deslizam para o lugar – reduzindo o tempo de implantação de dias para horas, de acordo com a empresa.

O consumo de energia é substancial. O Register estima cerca de 46 kW por mochila e um consumo total do sistema de 120 a 140 kW – números atraentes que, no entanto, parecem conservadores perto dos sistemas de rack de 240 a 250 kW que a AMD e a Nvidia devem lançar ainda este ano.

Matando o interruptor

Talvez a escolha tecnicamente mais interessante seja a interconexão. Em vez de rotear o tráfego wafer a wafer por meio de switches – a abordagem que a AWS adotou para seus aceleradores Trainium3 – a Cerebras conecta seus chips em uma topologia torus 2D onde os wafers vizinhos se comunicam diretamente entre si. O design reduz a latência wafer a wafer de cinco microssegundos para apenas dois, e a Cerebras afirma que a malha pode suportar modelos de até 50 trilhões de parâmetros, confortavelmente além de tudo o que existe atualmente.

Os resultados de velocidade são impressionantes. Em um único sistema CS-4, a empresa de benchmarking Artificial Analysis mediu até 4.400 tokens por segundo por usuário no gpt-oss-120b – aproximadamente 12 vezes os ~350 tokens por segundo dos serviços de inferência baseados em GPU mais rápidos disponíveis atualmente. A Cerebras também afirma que o sistema sustenta mais de 1.000 tokens por segundo em modelos que excedem 10 trilhões de parâmetros.

Uma estratégia de parceria desagregada

Notavelmente, a Cerebras não está mais tentando executar todo o pipeline de inferência em seu próprio silício. A empresa fez parceria com AWS e AMD para descarregar o estágio de inferência de processamento imediato de computação intensiva em XPUs Trainium e GPUs Instinct, respectivamente, deixando seus mecanismos em escala de wafer para lidar com a fase de decodificação sensível à latência, onde suas enormes reservas de SRAM brilham.

O lançamento do CS-4 também amplia a colaboração da Cerebras com a OpenAI. O Yahoo Finance relatou a inauguração junto com novas parcerias OpenAI e AMD destinadas a acelerar a inferência de IA – com base no modo Ultrafast que as empresas introduziram no início de agosto, que trouxe GPT-5.6 Sol aos usuários em até 750 tokens por segundo.

Advertências por trás dos números do título

Analistas do setor recomendam cautela em relação aos números de marketing. O Register observa que o título de 250 petaFLOPS da Cerebras depende da dispersão, o que geralmente não beneficia a inferência de grandes modelos de linguagem, e que os números de pico de largura de banda de memória são em grande parte teóricos, uma vez que o WSE-3 não tinha computação para saturar sua própria SRAM. A publicação também questionou por que a Cerebras dobrou o desempenho em vez de aumentar a capacidade de SRAM, que não cresceu significativamente desde o lançamento do WSE-2 há cinco anos – uma escolha curiosa em uma era de inferência desagregada, onde os aceleradores de decodificação se beneficiam mais da memória.

Ainda assim, a oportunidade de mercado é real. À medida que os chatbots e agentes de IA exigem tempos de resposta cada vez mais rápidos, a velocidade de inferência tornou-se um verdadeiro diferencial competitivo, e a Cerebras demonstrou agora que pode iterar sua tecnologia não convencional em escala de wafer em uma cadência comercial.

As primeiras remessas de CS-4 começam neste trimestre, com os primeiros sistemas esperados online antes do final de setembro. Ainda não se sabe se isso é suficiente para prejudicar o domínio da Nvidia – mas pela primeira vez em muito tempo, a inferência de IA mais rápida do setor tem um novo endereço.

Fique à frente da IA

Lançamentos de hardware como o CS-4 movimentam os mercados e redefinem o que os sistemas de IA podem fazer. Leia mais notícias sobre IA para acompanhar cada desenvolvimento.

Explore a cobertura mais recente de IA →