Cerebras drtí GPU v rychlosti inference. Bilionový model běží sedmkrát rychleji

Cerebras drtí GPU v rychlosti inference. Bilionový model běží sedmkrát rychleji

Kalifornský výrobce čipů Cerebras po rekordním IPO ukázal, že jeho wafer-scale procesory dokážou spustit bilionový AI model rychlostí téměř tisíc tokenů za sekundu. To je sedmkrát více než nejrychlejší GPU cloud. Pro firmy, které sázejí na AI agenty, to může změnit celou ekonomiku inference.

Představte si, že na odpověď AI čekáte místo tří minut necelých šest sekund. Přesně takový rozdíl předvedla společnost Cerebras Systems, když na svém wafer-scale hardwaru rozjela bilionový jazykový model Kimi K2.6 od čínské firmy Moonshot AI. Nezávislé měření benchmarkové firmy Artificial Analysis potvrdilo rychlost 981 výstupních tokenů za sekundu — sedmkrát více než nejrychlejší konkurent na GPU a 23krát více než medián trhu.

Zpráva přichází pouhý týden po tom, co Cerebras dokončil největší technologické IPO roku 2026. Firma vstoupila na Nasdaq s cenou akcie 185 dolarů, během prvního dne obchodování vystřelila až na 385 dolarů a její tržní kapitalizace se vyšplhala na 56 miliard dolarů. Z čerstvě získaných 5,55 miliardy dolarů teď Cerebras financuje expanzi do segmentu, který se stává nejdůležitějším trhem v celém AI průmyslu — inference.

Čip velikosti talíře místo stovek GPU

Proč je Cerebras tak rychlý? Odpověď je doslova vidět pouhým okem. Zatímco běžná AI infrastruktura se opírá o clustery desítek až stovek grafických karet Nvidia — typicky v konfiguraci NVL72, kde se data neustále přesouvají mezi čipy přes propojovací sítě — Cerebras vsadil na radikálně odlišný přístup. Jeho Wafer-Scale Engine 3 je jediný čip o velikosti celého silikonového waferu, zhruba jako talíř na hlavní chod.

https://noviny.ai/api/admin/images/23db6ad0-8ce2-44f2-aaf9-a98033070f9c/data

Na čipu sedí 44 gigabajtů ultrarychlé SRAM paměti přímo na procesoru — na rozdíl od externích pamětí HBM u GPU, které jsou sice kapacitní, ale mnohem pomalejší v přístupu. U modelu Kimi K2.6 Cerebras ukládá váhy modelu ve 4bitové přesnosti a počítá v 16bitové. Všichni experti jedné vrstvy Mixture-of-Experts sedí na stejném waferu, takže komunikace mezi nimi probíhá rychlostí SRAM. Interní síťová struktura waferu podle Cerebrasu poskytuje více než 200násobnou šířku pásma oproti NVLinku na NVL72.

V praxi to znamená, že standardní požadavek na generování kódu — 10 000 vstupních tokenů, zpracování kontextu, reasoning a 500 výstupních tokenů — Cerebras zvládne za 5,6 sekundy. Oficiální endpoint Kimi na totéž potřebuje 163,7 sekundy. To je 29násobný rozdíl v celkovém čase odpovědi.

Proč zrovna čínský model — a co to znamená pro firmy

Volba modelu Kimi K2.6 od pekingské Moonshot AI není náhodná. Jde o bilionový Mixture-of-Experts model s 32 miliardami aktivních parametrů na token (z celkového bilionu), 384 experty a kontextovým oknem 256 000 tokenů. Na benchmarku SWE-Bench Pro dosahuje skóre 58,6 — čímž překonává Claude Opus 4.6 a vyrovnává se GPT-5.4. Pro firmy je zajímavý především proto, že jde o otevřený model, který může reálně nahradit drahé uzavřené API od Anthropic a OpenAI.

Firmy jsou silně motivované mít alternativu k Anthropic. Jejich modely jsou fantastické, sám je používám. Ale jsou dost drahé a neustále jim dochází kapacita. — James Wang, ředitel produktového marketingu Cerebras

Geopolitický rozměr ale nelze ignorovat. Kimi K2.6 je čínský model provozovaný americkým výrobcem čipů pro americké korporátní zákazníky. Firmy ve finančním sektoru, zdravotnictví nebo obraně budou muset pečlivě zvážit, zda jim tento původ vyhovuje z hlediska compliance. Pro české podnikatele, kteří hledají výkonnou a cenově dostupnou AI infrastrukturu, je to nicméně signál, že trh s inference se otevírá a monopol Nvidie na rychlé AI není nevyhnutelný.

https://noviny.ai/api/admin/images/b0cd5f46-c7af-46ee-bc8f-2d1d4d22e6ce/data

Inference je nový trénink — a boj o něj teprve začíná

Cerebras svůj výkon nabízí zatím výhradně firemním zákazníkům z řad Fortune 500 — konkrétní jména firma odmítá prozradit, ale potvrzuje pilotní nasazení v softwarových společnostech, finančních institucích a zdravotnických organizacích. Cena za token je podle Wanga srovnatelná s GPU poskytovateli ve středním až vyšším segmentu. Firma se tedy nepouští do cenové války s nejlevnějšími GPU cloudy, ale cílí na zákazníky, pro které je rychlost kritická — typicky vývojáře pracující s AI agenty v reálném čase.

Konkurenční tlak přitom roste. Nvidia v nedávné době koupila specializovanou inference firmu Groq za 20 miliard dolarů, čímž jasně signalizovala, že trh s rychlou inferencí považuje za strategicky klíčový. Cerebras na to reaguje klidně — obě firmy mají zhruba roční cyklus hardwarových novinek a Wang naznačil, že oznámení nového hardwaru je na spadnutí.

Za zmínku stojí i neobvyklé partnerství s OpenAI. Cerebras pro tuto společnost provozuje interní kódovací modely v rámci dohody, která má údajně hodnotu přes 20 miliard dolarů. Detaily obě strany tají, ale samotná existence této spolupráce ukazuje, že ani největší hráči na trhu se neobejdou bez specializovaného inference hardwaru.

Co si z toho odnést

Pro české podnikatele a technologické manažery je zpráva o Cerebrasu důležitá ze tří důvodů. Za prvé, cena inference klesá a rychlost roste — což znamená, že nasazení AI agentů v produkčním prostředí bude stále ekonomičtější. Za druhé, otevřené modely dohánějí uzavřené — Kimi K2.6 je prvním otevřeným modelem, který na klíčových benchmarcích překonává špičku od Anthropic a OpenAI. A za třetí, hardware diverzifikace je realitou — éra, kdy jediná cesta k rychlé AI vedla přes Nvidii, se chýlí ke konci.

Pokud vaše firma plánuje nasazení AI agentů pro automatizaci kódu, zákaznickou podporu nebo analýzu dokumentů, sledujte vývoj inference trhu stejně pozorně jako vývoj samotných modelů. Rychlost odpovědi totiž není jen technický parametr — je to přímo čas vašich zaměstnanců a peníze vaší firmy.