当算力需求仍在攀升，而电力与基础设施开始成为硬约束，AI 能否继续“堆规模”已经从一个工程问题变成产业问题。
发生了什么
据 TechCrunch 消息，Cerebras Systems 联合创始人兼 CEO Andrew Feldman 将出席 TechCrunch Disrupt 2026，参与一场围绕 AI 扩展性的对话。议题包括：市场对算力、能源和基础设施不断增长的需求，Cerebras 为何选择与主流路线不同的方式来应对这些约束，以及如果今天的 AI 硬件真的走到极限，接下来会发生什么。
需要说明的是，目前公开的只有这场对话的议题框架，没有具体产品发布、性能数字或路线图承诺。
为什么重要
过去几年，行业默认“更大的模型 + 更多的 GPU 集群 = 更强的能力”，扩展几乎等同于堆算力。但这条路径正同时撞上几堵墙：先进制程与高带宽内存的供给节奏、数据中心的电力接入与散热能力、以及单集群规模扩大后通信开销带来的效率衰减。
Cerebras 的差异化在于它不做小芯片拼接，而是把整片晶圆做成一颗超大芯片，用片上存储和片内互连来绕开多卡通信瓶颈。这条路线长期被视为“非主流但值得观察”的样本：它未必是通用答案，却提供了一个检验“瓶颈究竟在芯片、在互连、还是在供电”的对照实验。
Feldman 出现在 Disrupt 这类面向创业者和开发者的舞台上，本身也说明讨论重心在转移——从“模型能做什么”转向“支撑模型的物理条件还能撑多久”。
影响与看点
对开发者而言，如果算力供给的增速放缓，单位推理成本下降的速度也会放缓，这会直接影响哪些应用在商业上成立：长上下文、多智能体循环、视频生成这类高消耗场景会最先感受到压力。
对企业采购方而言，值得关注的不是某家厂商的峰值指标，而是能效比、部署密度和供电配套——这些指标决定了同样的机房能跑出多少有效吞吐。
对行业而言，这场对话的看点在于：Feldman 是否会给出“硬件极限”之后的具体替代叙事，比如架构层面的重构、推理侧的稀疏化与专用化，还是把问题推给能源与电网。
一个独立判断：AI 扩展的下一阶段，竞争焦点很可能从“谁能造出更强的芯片”，转向“谁能在给定电力预算下交付更多有效算力”。谁先把这个约束讲清楚，谁就更容易拿到下一轮基础设施投资。
