真正被压缩的,不是几行GPU代码,而是芯片生态里最昂贵的等待时间。
据Tom’s Hardware对Anthropic IPO路演视频和相关材料的报道,Claude Mythos Preview大约用了三天,在AMD MI355X GPU上让一个Anthropic模型的提示词处理达到“有用的性能水平”。Anthropic称,Claude移植或编写了几乎100%的相关内核,基本没有人工干预。过去,据Anthropic对历史经验的估计,这类工作通常需要数十名工程师,耗时六到十二个月。
这条消息很容易被简化为“Claude攻破了CUDA”。但公开信息支持的结论没有这么激进。案例覆盖的是一个模型的提示词处理适配,不等于全部模型、全部算子、完整训练链路或生产环境已经迁移;公开报道也没有给出足以独立复核的AMD与英伟达完整性能对比。真正的变化在于,模型开始进入过去通常需要低层工程经验和跨职能协作的适配环节。
三天,意味着适配不再只能靠人海战术
AI公司更换加速器,最难的部分往往不是让程序第一次运行,而是让它在新芯片上稳定、准确且足够快地运行。模型算子要重新映射,内存布局要重新安排,数据类型要反复验证,编译器行为要持续调优,通信路径还要适应不同的硬件拓扑。一个内核能跑,只代表它跨过了起点。
这条链路过去极其依赖稀缺经验。理解模型结构的人未必熟悉GPU架构,掌握底层优化的人也未必知道某个模型在真实负载下的瓶颈。工程团队需要在既有实现、编译结果、测试错误和性能数据之间反复来回。时间不是花在某一段代码上,而是花在持续试错上。
如果模型能够在上下文中理解既有实现,生成或改写候选内核,再根据测试结果继续迭代,那么过去需要多人接力完成的工作,就具备由模型连续推进的可能。就公开披露而言,可以确认的是,Anthropic将这种模型能力用于了一个真实的AMD芯片适配任务;至于完整操作步骤和人工审查细节,材料并未展开。
这不意味着工程师失去价值。工程师更可能从逐个编写内核,转向定义测试标准、审查关键路径、管理版本回滚和判断性能损失是否可接受。代码生产环节被自动化,系统责任并没有自动化。
CUDA的第一道墙松了,后面的城墙仍在
CUDA的护城河从来不只是一套编程接口。英伟达官方CUDA Toolkit页面列出的组件包括GPU加速库、调试和优化工具、C/C++编译器与运行时库。围绕这些组件,还有主流机器学习框架的长期适配、开发者培训、工程文档和大量历史代码。
Claude这次触及的,主要是其中针对特定模型和芯片的内核适配层。这一层如果可以被模型快速生成和调优,芯片切换的初始成本就会下降。过去,客户可能因为害怕数月级别的适配项目而继续购买英伟达;未来,客户或许可以先让模型把同一工作负载迁移到多个候选平台,再决定采购规模。
但“几乎100%的内核”不能被理解为“几乎100%的系统已经完成”。它描述的是相关内核由模型移植或编写的比例,不等于训练、推理服务、量化、容错、检查点、跨节点通信、集群调度和运维体系都已经达到生产标准。低层软件最难的部分,常常不是代码数量最多的部分,而是性能关键路径和异常边界。
所以,CUDA的第一道墙可能变薄了,城墙却没有消失。模型降低的是进入成本,不能自动补齐成熟生态长期积累的工具、人才、经验和稳定性。
AMD得到的,是一次更容易被客户验证的机会
AMD长期推广ROCm,面对的重要障碍之一并不只是芯片性能,而是客户不愿意承担迁移风险。纸面参数再有吸引力,只要软件适配仍然意味着长期项目,采购者就会倾向于选择最熟悉的生态。
AMD官方资料显示,MI355X采用288GB HBM3e。AMD性能实验室还曾在特定条件下比较八卡MI355X和八卡NVIDIA B200运行DeepSeek R1的推理吞吐,并宣称前者最高达到后者的1.3倍。这个结果来自AMD内部测试,受到模型、精度、软件版本和服务器配置影响,不能直接外推到所有负载。
Claude Mythos案例为这类硬件优势增加了一条软件验证通道。客户不必先相信“ROCm已经足够好”,而可以先拿自己的工作负载做迁移、测试和比较。软件适配由销售承诺,变成了采购前可执行的实验。
这会改变AMD与客户的谈判方式。过去,AMD需要证明自己值得客户投入迁移成本;如果模型能够显著降低这项成本,AMD只需要争取一次低风险测试机会。能否拿到这次机会,可能比在公开规格表上赢得一次比较更重要。
最先改变的不是芯片排名,而是采购权力
如果适配速度成为常态,受益的不一定只有AMD。拥有大模型、云平台和真实业务负载的公司,也会获得更强的算力选择权。
这些公司可以把多个候选芯片放进同一套自动化流程,分别测试吞吐、延迟、显存利用率、稳定性和单位服务成本。硬件采购不再只是“选定一家后长期绑定”,而可能变成动态比较。供应商仍要提供好的芯片和软件,但客户的离开成本下降了。
这对云厂商尤其重要。不同模型、不同精度和不同服务等级,对芯片的要求并不相同。大显存可以为某些大模型推理提供更大余量,成熟软件栈有利于快速上线,高带宽互联则影响大规模训练的效率。一个能够快速适配多个平台的模型,相当于为云厂商增加了一层算力调度杠杆。
不过,生态网络效应仍然有效。开发者越多,工具越成熟;案例越多,问题越容易解决;经验越丰富,下一次部署越快。一次适配成功能够降低进入门槛,却无法在短期内复制出完整的开发者社区和生产经验。
模型会写内核之后,谁来验证系统
这才是事件最关键的问题。
GPU内核需要同时满足功能正确、数值正确、性能可接受和长期稳定。它要经受不同批量大小、不同序列长度、不同精度、不同硬件拓扑和异常输入的考验,还要在版本升级和故障恢复时保持可控。短期基准跑通,距离生产软件仍然很远。
因此,CUDA护城河可能发生结构性迁移。代码生成变得更便宜后,真正稀缺的会是高质量测试集、真实工作负载、可复现基准、跨节点通信经验、编译器调优能力,以及对生产事故负责的组织体系。谁掌握更多验证数据,谁就更有能力把模型生成的代码变成可靠的性能。
英伟达面临的压力,不只是AMD推出了更具竞争力的硬件,而是“离开CUDA很难”这件事可能不再像过去那样牢固。英伟达需要让客户留下来的理由从迁移成本,转向持续领先的性能、工具和服务价值。
AMD的机会也不是自动兑现的。一次三天适配可以成为强有力的案例,却不能替代一批又一批可复现的客户迁移。ROCm能否覆盖更多模型、框架和集群环境,能否降低长期维护成本,最终决定这次突破会成为新闻,还是成为生态。
对AI公司和云厂商来说,下一步值得建设的不是一个“自动写代码”的演示,而是一条自动化芯片评测与迁移流水线,让候选平台同时接受适配、基准测试、安全审查和生产验证。算力采购由此从一次性押注,变成动态决策。
三天攻克的不是CUDA本身,而是CUDA曾经代表的那段人工等待时间。当等待被压缩,芯片竞争就会从“谁最难被替代”转向“谁最值得被留下”。真正的新护城河,不是代码数量,而是把模型生成的代码稳定地变成每一秒的吞吐、每一次服务的可靠性和每一美元算力的产出。






快报