Entretien avec le PDG de Cerebras : un carnet de commandes de 25 milliards, la demande de puissance de calcul IA est déjà saturée, nous ne sommes pas là pour « construire et attendre les clients »
TechFlow SélectionTechFlow Sélection
Entretien avec le PDG de Cerebras : un carnet de commandes de 25 milliards, la demande de puissance de calcul IA est déjà saturée, nous ne sommes pas là pour « construire et attendre les clients »
L'AGI est déjà arrivée selon la définition d'il y a vingt ans.
Dédié à des analyses Web3 approfondiesOrganisation & Compilation : TechFlow
Invités : Andrew Feldman, CEO & Co-fondateur de Cerebras ; Robin Rombach, CEO & Co-fondateur de Black Forest Labs
Animateur : Animateur du All-In Podcast
Source du podcast : All-In Podcast
Titre original : Open Source Wins，AGI Is Here，and Scorsese's AI Toolkit — Cerebras & Black Forest Labs CEOs
Date de diffusion : 10 juillet 2026
Résumé des points clés
Cet épisode invite les CEO de deux entreprises d'infrastructure AI. Andrew Feldman est le fondateur de Cerebras, une entreprise spécialisée dans les puces de推理 (reasoning), qui vient de完成 son IPO et dispose de 25 milliards de dollars de commandes en carnet. Il insiste sur un point : la demande en calcul AI est déjà complète, il n'existe pas de situation "construire et attendre les clients", l'appétit d'OpenAI, Anthropic, SpaceX, Google dépasse largement l'offre. L'émergence du reasoning a fait exploser à nouveau l'intensité de calcul, ce qui est précisément le champ de bataille des machines rapides. Robin Rombach est le fondateur de Black Forest Labs, créateur de modèles génératifs d'images et de vidéos (série Flux), il a auparavant inventé l'algorithme latent diffusion, qui est la base de tous les modèles de génération d'images et de vidéos actuels. Il vient de collaborer avec Martin Scorsese, permettant au réalisateur de visualiser les images de son esprit avec l'AI ; mais la direction qui l'excite le plus est que le même ensemble de modèles multimodaux peut faire des films et être déployé comme cerveau sur des robots. La destination finale de la vidéo générative n'est pas l'écran, mais le monde physique.
Résumé des points forts
Le reasoning est le prochain trou noir de calcul
- "Ce qui est intéressant, c'est que cette vague est différente du passé, ils ne parient pas sur 'une fois construit, les clients viendront', la demande a déjà réservé toute la capacité de production. Nous avons 25 milliards de dollars de commandes en carnet."
- "Le reasoning, c'est le reasoning, le reasoning consomme des quantités massives de tokens, c'est précisément le champ de bataille des machines rapides."
- "Si Cerebras est 15 fois plus rapide, vous fonctionnez 24 heures, ce qui équivaut à plusieurs semaines voire plusieurs mois de réflexion."
Open source et souveraineté : les entreprises veulent le contrôle
- "Personne n'aime être dépendant. La leçon apprise par les hyperscalers depuis l'ère x86 est d'être lié à Intel."
- "Vous n'avez pas besoin de faire la puce la plus rapide, vous avez juste besoin de ne pas dépendre complètement des puces des autres."
- "Si vous voulez exécuter des modèles open source maintenant, c'est soit l'OSS 12B d'OpenAI, soit des modèles chinois, les États-Unis ont besoin de plus d'options open source locales."
L'AGI est déjà là selon la définition d'il y a vingt ans
- "Toute définition de l'AGI que nous avons proposée il y a 20 ans, 30 ans, 40 ans, nous l'avons déjà largement dépassée."
- "Le test de Turing ? Déjà explosé."
- "La question n'est plus de savoir comment nous demandons, l'AI peut vous dire en retour : hey, vous les humains stupides, vous n'avez pas pensé à ça."
La vidéo générative ne remplace pas la création humaine
- "Ces modèles AI sont un média, nous ne voulons pas prescrire comment les utiliser, surtout pour des gens comme Martin Scorsese."
- "Le langage est un mode de communication quelque peu lossy, les signaux d'information visuelle sont trop riches. Transformer les images de l'esprit en images visibles, c'est là que réside la puissance de la technologie."
- "Les résultats les plus intéressants apparaissent presque toujours lorsque l'humain est dans la boucle en itération constante."
Du cinéma aux robots : le même modèle
- "Vous pouvez utiliser le même modèle multimodal pour tourner un film, puis le déployer comme cerveau sur un robot."
- "L'entraînement vidéo pré-enseigne implicitement au modèle les lois d'interaction physique, puis vous obtenez la prédiction d'action à partir du même modèle, c'est-à-dire le contrôle du robot."
- "L'objectif est que vous puissiez instruire le robot avec un in-context prompt : 'Apporte-moi ce verre de jus d'orange', nous ne pouvons pas encore le faire, mais c'est la direction."
La folie des infrastructures AI : les data centers sont plus grands que les villes
Animateur : Nous n'avons jamais vu une telle échelle de construction. Depuis la Grande Muraille, les pyramides, l'humanité n'a jamais investi autant de capital, de temps et d'intelligence pour construire une seule chose. Vous faites effectivement cela, vos clients construisent des data centers, vous êtes un maillon clé. En 2026, que fait Cerebras ? Quelle est la situation de ces énormes projets au Texas ?
Les data centers dont nous parlons consommeront plus d'électricité dans les prochaines années que le total des 50 dernières années sur Terre. Un seul bâtiment est aussi grand qu'un terrain de football, connecté à une puissance électrique supérieure à celle d'une ville moyenne. En construction partout aux États-Unis, en construction au Canada, en construction en Europe du Nord, en construction à Paris et dans toute la France, en construction au Moyen-Orient, même au Kazakhstan, au Tadjikistan, en Géorgie, on construit de grands data centers. Chaque pays, chaque état veut participer.
Qui paie ? OpenAI, Anthropic, SpaceX AI, Google, un appétit effrayant. Ce qui est intéressant, c'est que cette vague est différente de nombreuses vagues technologiques passées : ils ne parient pas sur "une fois construit, les clients viendront", la demande a déjà réservé toute la capacité de production. Nous avons 25 milliards de dollars de commandes en carnet. OpenAI veut plus de data centers, Microsoft en veut plus, AWS en veut plus. La demande n'attend pas les clients, les clients font déjà la queue.
Animateur : Cela a également engendré un terme appelé "token maxing",刷 token à l'infini. Certains remettent en question, une telle demande crée-t-elle vraiment de la valeur ?
Bien sûr, il y a beaucoup de valeur créée. Bien sûr, il y a aussi beaucoup d'essais aveugles. Je compare avec quand AWS est sorti, contourner son propre département IT était trop cool, chaque ingénieur s'inscrivait avec sa carte de crédit. Beaucoup étaient vraiment utiles, certains après coup on pense "hey, il ne fallait pas faire ça". Mais dans l'ensemble, c'est rentable, juste certaines directions sont erronées.
Je me souviens encore quand Costco a ouvert à Palo Alto en 1988, tout le monde se promenait chez Costco comme chez Safeway, passant devant chaque rayon. C'était une très mauvaise façon de faire ses courses, parce que vous achetiez quatre choses dont vous n'aviez pas besoin, chacune à 22 dollars. Plus tard, tout le monde a appris la stratégie : aller au fond prendre le poulet, prendre 18 cupcakes pour l'anniversaire des enfants, direct et efficace. La consommation de tokens AI est la même, au début tout le monde les utilise à volonté, maintenant les entreprises commencent à parler de stratégie : quelles tâches peuvent être faites avec des modèles open source, lesquelles doivent utiliser des modèles de pointe. Nous commençons à gérer l'AI comme une entreprise.
Le reasoning remplace l'entraînement : pourquoi les machines rapides sont les stars de cette vague
Animateur : Sam Altman a dit sur AllIn que la prochaine étape est le reasoning, comprendre l'intention, élaborer des stratégies, croiser les validations avec d'autres threads d'agents. Nous avons fait un long chemin depuis "deviner le mot suivant", maintenant Cerebras est exactement au centre, car le reasoning c'est l'inference, le calcul est énorme.
Le reasoning consomme des quantités massives de tokens, ce qui donne un champ de bataille aux machines rapides. Chaque étape du reasoning ingère des tokens en interne, vous comptiez auparavant sur beaucoup de temps pour obtenir une bonne réponse. Cerebras est 15 fois plus rapide signifie que fonctionner 24 heures en推理 équivaut à plusieurs semaines voire plusieurs mois de réflexion pour les autres.
J'ai essayé ce matin un modèle GLM-52 de ZAI sur BitTensor, je lui ai donné une puissance de calcul infinie, lui demandant de me dire chaque heure les tendances mondiales non encore identifiées. Il a commencé à débattre lui-même : faut-il chercher sur Hacker News et Reddit ? Ou les tendances apparaissent-elles plus tôt sur Instagram ? Je regarde un modèle de推理 débattre en arrière-plan, il fait du reasoning. Des tokens infinis égalent un reasoning infini, avec Cerebras 15 fois plus rapide, 24 heures équivalent à plusieurs semaines pour les autres.
Animateur : Cerebras a-t-il sa propre Moore's Law ? Combien de temps pour doubler en interne ?
Toutes les puces précédentes suivaient la Moore's Law, double tous les 18 mois. Nous avons interrompu cette ligne avec cette puce, courant sur une toute nouvelle trajectoire. Mon jugement est que dans les 18 prochains mois, bien plus du double. La nouvelle architecture a encore beaucoup d'espace d'optimisation. GPU est une architecture vieille de 20 ans, ne peut que compter sur la réduction des nœuds de processus pour tenir, mais la nouvelle architecture a encore beaucoup de choses à apprendre, à ajuster.
Animateur : Avec 25 milliards de commandes en carnet, vous devez encore suivre le rythme d'OpenAI, ils pourraient être de futurs concurrents potentiels. Comment opérez-vous l'entreprise ?
Maintenant, les wafers de silicium ne restent pas idle, la demande est trop grande. Mais vous avez raison, OpenAI fait aussi ses propres puces, Amazon aussi. Personne n'aime être dépendant. La leçon apprise par les hyperscalers depuis l'ère x86 est d'être lié à Intel ; la leçon apprise par les fabricants de GPU est d'être lié à quelques hyperscalers clients, donc ils ont financé de nouveaux clouds. Faire ses propres puces, l'重点 n'est pas d'être le plus rapide, mais de ne pas dépendre complètement des autres, au moins contrôler une partie importante de son propre destin.
Open source et souveraineté : les entreprises veulent le contrôle
Animateur : L'open source vit un moment. J'ai utilisé OpenClaude tôt, puis Kimmy, j'ai发现 que mes tokens Claude explosaient, mais Kimmy je ne fais pas la différence. Les modèles open source commencent à faire du reasoning, l'écart s'est soudainement闭合 cette année.
Vous ne voulez pas conduire une Ferrari pour aller au supermarché. Parfois vous conduisez une voiture de sport, parfois un minivan, les enfants renversent des Cheerios et vous ne vous en souciez pas. Les entreprises aussi : les problèmes difficiles aux modèles de pointe (OpenAI, Anthropic, Gemini), mais derrière il y a beaucoup de problèmes quotidiens qui nécessitent seulement des capacités open source solides. Pensez à combien de temps une entreprise passe à copier-coller dans Workday vers une autre cellule Excel ? Cela n'a pas besoin de mathématiques de médaille d'or, un open source stable suffit.
Récemment, une autre carte a été retournée : les industries régulées comme la finance, la santé (HIPAA, FINRA) ont peur des fuites de données, ont peur que la souveraineté intelligente soit tenue par d'autres, veulent mettre les modèles en local, utiliser des versions open source pour attraper un peu plus de contrôle. OpenAI a lancé l'OSS 12B il y a quelques mois, pas mal. Mais maintenant les États-Unis veulent exécuter de l'open source, soit l'OSS 12B, soit des modèles chinois, il y a trop peu d'options open source locales. NVIDIA a également vu cette fenêtre, pousse ses propres modèles open source, mais Jensen hésite aussi, ses clients sont Sam, Dario, Elon, Sergey, pousser l'open source ne va-t-il pas concurrencer les clients ?
Cerebras est dans une position relativement neutre, nous exécutons GLM, exécutons Kimmy, exécutons la série Qwen, exécutons aussi les modèles fermés d'OpenAI. Exécutons aussi les modèles développés par GSK lui-même, exécutons les modèles propriétaires d'UAE G42 et MBZUAI. La souveraineté, c'est une tendance.
L'AGI est là, les paradigmes ne meurent pas, les humains oui
Animateur : Lors de la sortie de Fable 5 et o-56, le gouvernement a dit "pause avant de sortir". Les relations entre Anthropic et l'administration sont tendues, commencent maintenant à s'apaiser. Pensez-vous que la publication par étapes est raisonnable ? Les modèles sont-ils vraiment assez dangereux ?
Je n'ai jamais vu une telle chose auparavant. Mais en y réfléchissant : quand un modèle est assez puissant en pensée créative, le gouvernement dit "s'il vous plaît publiez par étapes", je pense que ce n'est pas mal. Nous gérons les médicaments puissants ainsi, bien sûr nous n'encourageons pas toute cette paperasse de sept ans de la FDA, mais dire "au moins laissez le gouvernement faire des tests red team, confirmez que nos défenses peuvent bloquer", donner deux ou trois semaines pour corriger les vulnérabilités évidentes, ce n'est pas une demande déraisonnable.
Mais maintenant c'est le moment de polarisation la plus sévère. Si ce n'était pas Trump qui faisait cela, n'importe quel autre président, la réaction pourrait être complètement différente. La polarisation nuit à la pensée claire. Les deux côtés feront des choses stupides, et feront aussi des choses intelligentes. Le personnel de base dans le gouvernement travaille vraiment sérieusement, c'est juste que cela va trop vite.
Nikesh de Palo Alto Networks m'a dit : ils ont testé les modèles sur leur propre logiciel, ont découvert des dizaines de vulnérabilités critiques en moins d'une heure, ont dû arrêter tout ce qu'ils faisaient, passer six semaines à patcher. Vous réalisez que c'est un outil puissant, peut-être le montrer d'abord à un petit groupe, peut-être faire des tests red team d'abord.
Animateur : Selon n'importe quelle définition d'il y a 20 ans, l'AGI est déjà là. Êtes-vous d'accord ?
Oui. Le test de Turing ? Déjà explosé. Toute définition proposée il y a 10, 15, 20, 30, 40, 50 ans, nous l'avons largement dépassée. Les questions posées par les écrivains de science-fiction, nous y avons répondu, ils diront "je n'ai plus de questions, désolé". C'est pourquoi les paroles de ceux qui semblent marginaux valent la peine d'être écoutées, Ilya parlait de sécurité il y a huit ans, vous dites "quoi ?"结果 il avait raison. Elon parlait de réduire le coût des fusées à presque zéro, vous dites "quoi ?"结果 il l'a fait.
Animateur : Recursive learning, vous lui posez une question, apprenez le résultat, posez à nouveau, la réponse est meilleure, couvre plus de matériel, les réponses produites par ces cycles, passent de "un peu mieux" directement à "beaucoup mieux". La pente de la courbe exponentielle est trop raide.
Le gain récursif est exponentiel, vous êtes meilleur, recommencez, continuez à gagner, la pente est trop raide. Nous commençons juste à voir cela. Investir constamment en calcul, les réponses seront-elles de mieux en mieux ? S'arrêter quand les tokens ou le budget sont épuisés, mais quand cette courbe exponentielle atteint-elle sa fin ? Ou monte-t-elle toujours vers le haut à droite ? Cette question est maintenant extrêmement intéressante.
La vitesse d'apprentissage humain est bloquée par les générations, les éléphants et les grands mammifères ont une génération tous les 15-20 ans. Pour aller vite, il faut être comme la drosophile, deux générations par jour. L'AI est en train d'obtenir cette vitesse d'apprentissage sur des milliers de générations. Quand j'ai lu la psychologie, le professeur a dit une phrase : les paradigmes ne meurent pas, les humains oui. Les disciples de Freud, Skinner, Jung occupent les positions de leadership pendant 20-40 ans, avant que la génération suivante ne questionne. L'AI comprime l'intervalle générationnel à la vitesse de la drosophile.
Je parie sur cette chose : nos enfants et toutes les personnes qu'ils connaissent ne mourront pas du cancer. L'économie aura des secousses, les voitures sont arrivées, les jours des gens qui ferraient les chevaux ne sont pas bons. Mais listez les gains et les pertes : énergie infinie, nourriture infinie, connaissance infinie, éducation infinie, logement infini. Nous savons depuis mille ans que le tutorat un à un est meilleur que la classe, Aristote a tutoré Alexandre, Socrate a tutoré ses étudiants, mais nous avons choisi un enseignement de type usine. Maintenant l'AI peut donner à chaque enfant un tuteur qui apprend selon sa propre manière.
La boîte à outils AI de Scorsese : transformer les images mentales en réalité
Animateur : Robin Rombach est le Co-fondateur et CEO de Black Forest Labs, siège à Freiburg dans la région de la Forêt-Noire et San Francisco. Vous avez auparavant fait Stable Diffusion, inventé l'algorithme latent diffusion. Quelle est l'activité de Black Forest Labs ? Quel est l'objectif ?
J'ai fondé cette entreprise avec mes partenaires il y a deux ans. Auparavant nous avons fait Stable Diffusion, plus tôt inventé latent diffusion, c'est l'algorithme de base derrière tous les modèles de génération d'images, de génération de vidéos et même d'AI physique actuels. Le principe est de compresser les données naturelles (images, vidéos, audio) dans un espace de représentation efficace, puis d'entraîner un transformer dessus, comme le principe de JPEG et MP3, mais implémenté avec des algorithmes de réseaux de neurones. Nous l'avons fait à Munich pendant notre doctorat.
Maintenant nous attaquons les modèles visuels multimodaux, pré-entraînement simultané sur des données d'images, d'audio, entrant dans un nouveau paradigme : combiner la prédiction d'action, permettre au même modèle de faire des images, des vidéos, de l'audio, et prédire des actions, finalement peut être déployé sur des robots du monde réel.
Animateur : Des images aux vidéos à l'audio puis aux robots, si le modèle peut générer des vidéos, cela signifie qu'il comprend le monde.
L'intelligence intuitive et le reasoning profond sont deux formes d'intelligence complémentaires. Nous commençons par le côté intuitif, l'image est le point d'entrée le plus naturel, le calcul n'est pas aussi grand que la vidéo. Mais maintenant converge vers des modèles multimodaux. L'entraînement vidéo pré-enseigne implicitement au modèle les lois d'interaction physique, obtenir la prédiction d'action à partir du même modèle, c'est-à-dire le contrôle du robot.
Animateur : Vous avez une collaboration avec Martin Scorsese ? Vous êtes assis à côté de lui pour qu'il utilise vos outils ?
Oui, je suis assis dans la même pièce que lui, il explore nos modèles, en tant que l'un des chercheurs principaux assis à côté, la sensation est trop folle. En même temps je suis aussi son grand fan.
Il veut visualiser les scènes de son esprit, un certain village en Europe de l'Est, il décrit, nous regardons la sortie, il itère. Finalement ce qu'il dit est : transformer les images de l'esprit en expression visuelle, cette efficacité de communication est bien supérieure au langage. Le langage est un mode de communication quelque peu lossy, les signaux d'information visuelle sont trop riches, la quantité d'information dans une image ou une vidéo est énorme, c'est un autre canal de communication.
Nous ne voulons pas prescrire comment utiliser ces modèles, surtout ne pas dire à Martin Scorsese "vous devriez utiliser comme ça". Les modèles AI sont un média. Les choses les plus intéressantes, apparaissent presque toujours lorsque l'humain est dans la boucle en itération constante.
Du cinéma aux robots : la destination finale des modèles génératifs n'est pas l'écran
Animateur : Les startups utilisent maintenant Flux et vos modèles pour faire des vidéos de lancement, auparavant cela coûtait 250 000 dollars pour faire une launch video, maintenant cela prend une ou deux semaines. Gal Gadot vient de faire un film Bitcoin, les acteurs jouent sur un sound stage sans écran vert, tous les décors sont faits avec de l'AI générative, un budget de 30 millions de dollars a produit un effet qui aurait coûté 150 millions auparavant. Voyez-vous une utilisation en production ?
J'en ai vu quelques-unes. La production de films haut de gamme est l'un des cas d'usage les plus exigeants. Je suis heureux que quelqu'un explore, mais je veux aussi clarifier : la technologie est encore sur une trajectoire, en itération rapide. Il y a quelques années quand nous faisions notre PhD nous ne pouvions générer que des images de 64x64 pixels, maintenant nous faisons des vidéos haute résolution à entrées multiples, mais cela ne s'arrêtera pas là.
Ce qui m'excite le plus est ceci : vous pouvez prendre le même modèle multimodal pour tourner un film, puis le déployer comme cerveau sur un robot. C'est trop intéressant. computer use到底能不能用还不确定，但技术正在往物理世界走，world models、action models，说白了都是同一个东西。
Animateur : D'où viennent les données d'entraînement ? Faire porter des lunettes et des gants aux humains pour enregistrer en première personne ? Ou regarder mille vidéos de personnes versant des boissons sur YouTube suffit-il ?
L'objectif est d'instruire le robot avec un in-context prompt : "Apporte-moi ce verre de jus d'orange". Nous ne pouvons pas encore le faire. La méthode actuelle est : le modèle est déjà chargé de beaucoup de compréhension visuelle, il suffit de quelques heures de données de fine-tuning pour s'adapter à un matériel spécifique. La direction est de faire le moins de fine-tuning possible, de compter le plus possible sur les instructions in-context, mais c'est encore une question de recherche.
Animateur : L'open source vit un moment, les entreprises veulent la souveraineté. Que devrait faire un grand réservoir d'IP comme Disney, prendre votre modèle open source pour s'entraîner soi-même, ou collaborer avec vous pour entraîner un modèle exclusif ?
Le cas d'usage le plus intéressant est de générer des choses qui n'existaient pas auparavant, c'est essentiellement le endroit le plus intéressant de cette technologie. Nos outils publics ne peuvent pas générer d'IP spécifique, c'est raisonnable. Nous collaborons aussi avec certains propriétaires d'IP pour développer des modèles, certains basés sur nos modèles open source, certains basés sur nos modèles proprietary plus puissants.
L'angle le plus intéressant est : la technologie devient plus rapide, plus interactive. Vous pouvez imaginer divers outils de création de contenu interactif suspendus sur Disney+.
Animateur : Le phénomène le plus intéressant maintenant est les fan films. Auparavant il y avait de la fan fiction pour écrire ses propres histoires Star Wars, plus tard quelqu'un portait des costumes Jedi pour tourner des fan films. George Lucas a dit que tant que ce n'est pas utilisé commercialement c'est autorisé. Maintenant les gens utilisent l'AI pour réinterpréter des histoires Star Wars non racontées, Star Wars Stories Untold chaque vidéo a des millions de vues. C'est l'avenir : faire payer les consommateurs pour une licence, leur permettre d'utiliser les personnages pour créer leurs propres histoires.
Si nous trouvons un modèle commercial viable pour les propriétaires d'IP, et pouvons ouvrir ce jeu personnalisé super créatif, ce serait trop bien. Je lis un livre ou regarde un film en pensant toujours "et si cela se développait comme ça", maintenant enfin nous pouvons permettre aux gens de visualiser ces pensées.
Nous venons de dépasser 100 personnes, recrutons en Allemagne et à San Francisco : chercheurs en entraînement de modèles à grande échelle, personnes avec expérience d'entraînement diffusion et flow matching, ingénieurs qui développent des solutions personnalisées avec les clients, personnes en opérations d'infrastructure de calcul à grande échelle, et des personnes intéressées par le fait de mettre la technologie entre les mains de plus de gens.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
深潮TechFlow
