甲骨文与Cerebras于10月27日宣布，计划在2027年通过甲骨文云基础设施（OCI）提供Cerebras高速AI推理服务，面向AI实验室、企业和开发者。双方未披露硬件采购数量及金额。此次合作将为OCI增加晶圆级计算架构，重点服务对响应速度敏感的AI智能体与交互应用。
随着推理需求扩大，云服务商需要同时满足不同模型的时延、吞吐量与成本要求。GPU仍是AI云的核心基础设施，专用加速器则开始承担更细分的任务。甲骨文引入Cerebras的意义，在于扩大算力选择，并验证不同架构如何转化为可持续交付的云服务。
智能体推理放大低时延算力价值
AI智能体执行复杂任务时，往往需要多次调用模型完成推理、检查和行动，每次调用的等待时间都会累积。对于代码生成、实时交互和长链条推理，单次请求的输出速度因而具有更高价值；面向批量任务的部署，则可能更重视并发吞吐量和单位输出成本。
Cerebras的晶圆级引擎（Wafer-Scale Engine，WSE）将大规模计算与存储集成在晶圆级处理器上，以减少部分数据搬移和芯片间通信。其公开申报资料显示，WSE-3集成90万个计算核心及44GB片上SRAM。这种设计为高速推理提供了不同于常规多GPU集群的实现路径，实际收益仍取决于模型、上下文长度和服务负载。
多架构合作开始落实到推理分工
甲骨文此次扩展并未局限于Cerebras。其同日公布的OCI路线还包括从2027年起提供Google TPU，以及引入SambaNova SN50等系统，同时继续扩大英伟达Vera Rubin平台部署。多种架构并存，反映云平台正按任务需求、供货条件及成本安排算力组合。
AWS已给出更具体的分工方案：将自研Trainium服务器与Cerebras CS-3系统结合，通过弹性网络适配器（EFA）互连，并计划经Amazon Bedrock提供服务。其中，Trainium承担预填充（prefill），处理输入提示并建立初始计算状态；CS-3承担解码（decode），逐步生成后续词元（token）。
这种分离式推理，将同一次模型请求的不同阶段交给更适合的硬件，也引入阶段间数据传输与同步开销。能否获得整体验证后的时延和成本优势，取决于计算加速能否覆盖互连开销。它比单纯增加一种云端芯片选项，更直接地检验异构架构的协同能力。
OpenAI也已宣布增加750兆瓦Cerebras低时延算力，计划分批接入、持续至2028年。大型客户的参与为该架构提供了商业落地基础，但合作容量、实际投运能力与已确认营收仍属于不同指标。
商业扩张仍需跨过平台与交付门槛
Cerebras在8月公布的2026年第二季度业绩中，披露按美国通用会计准则（GAAP）计算的总营收为1.801亿美元，同比增长74%，并提出2027年营收增至2026年三倍以上的目标。这一增长目标的兑现，将取决于产能与客户部署进展。
与之相比，英伟达截至2026年7月26日的2027财年第二季度数据中心营收已达890亿美元。英伟达的竞争优势还覆盖GPU、互连、系统、CUDA软件栈与开发者生态。Cerebras目前主要切入高速推理等细分场景，进入大型云平台有助于拓展客户，其服务覆盖与软件生态仍需持续扩展。
Cerebras公开表示，现有架构不使用HBM或CoWoS封装，可降低对部分紧缺供应环节的依赖。不过，晶圆级系统的交付仍要协调制造、供电、散热及机架部署，也需要适配目标模型和客户的软件工具。芯片层面的差异化，必须通过完整系统转化为稳定服务。
云平台竞争转向算力的有效利用
多架构供给不等于模型可在不同芯片间自动无缝迁移。对OCI而言，落地重点还包括模型兼容、编译与运行工具、请求路由、监控和计费，以及不同服务间一致的安全和运维体验。云平台需要把硬件差异转化为客户可以按性能和预算选择的产品。
网络与基础设施也将随之调整。晶圆级片上通信可能减少部分外部数据搬移，而分离式推理又需要高效传输不同阶段的状态，不能仅由架构数量增加就推定所有网络流量必然上升。甲骨文已公布扩展Oracle Acceleron网络，增加前端远程直接内存访问（RDMA）能力，为高性能工作负载提供连接支持。
后续需要观察的，是服务实际可用时间、支持模型、持续响应速度、并发吞吐量及交付成本。甲骨文与AWS的布局表明，云平台正尝试通过多种处理器的分工提高算力利用率；最终竞争力将体现在能否把计算、网络与软件整合成客户可稳定使用的服务。
