A Nvidia desafia a Cerebras, com a IPO na bolsa americana prevista para hoje à noite com uma abertura forte, com os touros na cadeia a resistir a uma valorização superior a 70% na compra.

BlockBeats mensagem, 14 de maio, o fabricante de chips de IA Cerebras, conhecido como “Desafiante da Nvidia”, irá estrear na bolsa de valores dos EUA hoje, com o código de ações CBRS. A IPO foi avaliada em 185 dólares por ação, com 30 milhões de ações vendidas, levantando aproximadamente 5,55 bilhões de dólares, sendo uma das maiores IPOs no setor de infraestrutura de IA deste ano. Em janeiro, a OpenAI assinou um acordo de cooperação de mais de 10 bilhões de dólares com a Cerebras, e a OpenAI detém opções de compra que podem adquirir mais de 33 milhões de ações.

Atualmente, na cadeia Hyperliquid, na plataforma Perp DEX Trade.xyz, o preço pré-IPO da Cerebras está cotado a 288 dólares por ação, tendo atingido brevemente 320 dólares, com uma margem de valorização superior a 70% em relação ao preço de IPO nos EUA, com um volume de negociação de quase 20 milhões de dólares nas últimas 24 horas, e o valor dos contratos em aberto disparou para 28,3 milhões de dólares. Vale destacar que, a taxa de financiamento dos contratos pré-IPO na cadeia Cerebras mudou de negativa para positiva, indicando que os investidores estão aumentando suas posições longas na Cerebras, confiantes na alta do IPO nesta noite.

Além disso, as características dos chips da Cerebras incluem ocupar toda a superfície de uma única pastilha de silício, enquanto os processos tradicionais geralmente gravam dezenas de chips na mesma pastilha. O design de chip único em nível de pastilha da Cerebras integra 4 trilhões de transistores e cerca de 900 mil núcleos otimizados para IA, com memória a bordo de até 44 GB e largura de banda de memória de 21 PB/s, superando em milhares de vezes as GPUs, eliminando completamente o gargalo de comunicação entre chips tradicionais, sendo especialmente adequado para treinamento e inferência de IA em escala ultra grande, capaz de processar eficientemente modelos com trilhões de parâmetros.