周楠回忆，百度美研当时“应该说是硅谷最强大的一个 AI research lab”。里面不只是做语音，还包括视觉模型、语言模型、自动驾驶、healthcare、fintech 等方向。
给了研究员充足预算买 GPU、训练 AI 模型。这个细节很重要，因为 AI 研究不是靠 PPT，真正进入训练阶段，首先要面对的就是算力。
当时百度语言模型已经接近 3 亿参数，用 GPU 训练一次至少三个多月，调参迭代也要等好几个月。也就是说，模型变大、训练变慢、算力不够这些问题，百度美研很早就在现场遇到了。
Deep Speech 2 之后，百度美研也形成了一个朴素判断：AI 的进步依赖更大的模型、更大的数据和更强的算力。周楠说，当时还没有把它系统化表达成今天大家熟悉的 Scaling Law，但经验直觉已经很清楚。
所以后来百度看 Cerebras，不是单纯看一个商业故事，而是因为研发现场真的有痛点。
Cerebras 当时还没流片，只有 simulator。周楠提到，能够验证这个 simulator 的公司，当时只有百度一家。百度把自己的语言模型跑在 simulator 上，去判断这种新算力架构能不能服务真实训练需求。
这笔投资的尽调也很细。良率、散热、电源、compiler、API 对接、PaddlePaddle 等风险，都被逐项拆开评估。周楠也说，如果没有百度美研研究员，这部分风险她没办法判断。
投决会的细节也很有意思。Cerebras 的 investment memo 发出后，不到两天就通过。周楠形容是“无痛秒过”。主持人追问有没有等流片后再投，她回答：没有。
再看人才，百度美研也曾是一个高密度节点。周楠提到，不少研究员后来去了 OpenAI、Anthropic、Inflection、Adept、Meta FAIR 等关键位置。Dario 在百度的经历，也被说成是职业生涯的重要环节。
重看百度 AI，至少能看到一件事：它十几年前确实就在现场。有人、有资源、有研究、有算力判断，也留下了自动驾驶和昆仑芯这样的沉淀。
