Wafer-scale AI-regnekraft som cloud-tjeneste
Cerebras Systems designer og bygger Wafer Scale Engine, en AI-processor der udnytter en hel silicium-wafer som enkelt chip, og sælger den både som komplette CS-systemer og i stigende grad som cloud-baseret inferens og træning.
Kunderne er frontier-AI-laboratorier som OpenAI, sovereign-AI-aktører som G42 og Mohamed bin Zayed University, hyperscaleren AWS samt AI-native softwareselskaber og enkelte virksomhedskunder inden for fx finans, biotek og cybersikkerhed.
Selskabet blev børsnoteret på Nasdaq i maj 2026 og har dermed fået en stor kassebeholdning til at finansiere udbygningen af egne datacentre.
Fokus er hastighed: lav latenstid og høj tokens-pr-sekund til agentiske og realtids-workloads.
Forretningsmodel i skifte fra hardware til kontraktbaseret cloud
Omsætningen kommer fra tre kilder: hardwaresalg, cloud-kapacitet på flerårige kontrakter og tilknyttede services.
Cloud er nu den største og hurtigst voksende del, mens hardwaresalget er faldende og lumpet, fordi det afhænger af få store ordrer.
Cloud-modellen er kapitalkrævende, da selskabet selv skal bygge og finansiere datacenterkapacitet, og den regnskabsmæssige bruttomargin er derfor markant lavere end den justerede kernemargin.
Den kontraktbaserede backlog giver høj synlighed, men indtægtsgenereringen afhænger af, at kunderne reelt bruger de aftalte volumener.
Teknologisk differentiering gennem størrelse og on-chip hukommelse
Wafer-scale-designet holder enorme mængder hukommelse og båndbredde på selve chippen, hvilket fjerner flaskehalsen ved at flytte data mellem separate GPUer.
Det giver markant højere svarhastighed på store sprogmodeller i inferens end typiske GPU-klynger, hvilket er kernen i selskabets pitch til kunder der sælger hastighed som produktfordel.
Selskabet har samtidig arbejdet på disaggregeret inferens sammen med AWS og AMD, hvor Cerebras håndterer den hastighedskritiske del af arbejdsbyrden.
Udfordringen er, at fordelen primært gælder en særlig niche af latenskritiske workloads, og at produktion og udbytte på så store chips er tekniske risikofaktorer.
Konkurrencesituation og markedsposition
Den dominerende konkurrent er Nvidia, som med sin CUDA-platform, enorme installerede base og hastigt forbedrede inferens-arkitekturer sætter standarden for hele markedet.
AMD, Groq, SambaNova samt hyperscalernes egne chips såsom Google TPU, AWS Trainium og Microsoft Maia er yderligere konkurrenter.
Cerebras differentierer sig på ren hastighed og enkelhed ved at skalere en model over ét system frem for tusindvis af GPUer.
Konkurrencefordelen er reel men ikke uigennemtrængelig: nyere meldinger om, at OpenAI vælger Nvidia-GPUer til den hurtigste tilstand i sin seneste model, viser, at Nvidia kan indhente hastighedsforspringet, og at fordelen derfor må betragtes som delvist midlertidig og truet.
Positionering i inferens-boomet og sovereign AI
Skiftet fra træning til inferens og agentiske workloads øger efterspørgslen efter hurtig og billig tokenproduktion, hvilket er præcis det Cerebras sælger.
Sovereign-AI-bølgen, hvor lande og regioner vil have egne AI-kapaciteter, giver en ekstra kundegruppe uden om de amerikanske hyperscalere.
Selskabet har kontraheret omkring 600 MW datacenterkapacitet og planlægger en mangedobling af produktionskapaciteten i 2026.
Succes afhænger af, om selskabet kan bevise at være en bred platform og ikke kun en leverandør til få store kunder.