计算产业半个世纪的历史证明，最难逾越的工业壁垒并非硅片物理极限，而是工程师长期积累的技术经验、海量存量代码及高昂的迁移成本。英伟达耗时近二十年搭建的 CUDA 帝国即是典型代表。
然而，这一看似坚不可摧的防线正因大模型的出现而动摇。11月11日，Anthropic 在最新 IPO 路演中披露了一项标志性工程突破：其前沿模型 Claude Mythos Preview 在基本无人工干预的情况下，仅耗时约三天便自主完成了核心 GPU 底层计算内核（Kernels）的代码移植与重写，成功让 Claude 模型在 AMD 旗舰 GPU 上跑通关键推理环节。
按照 Anthropic 过往的工程经验，将大模型适配至全新异构芯片平台，通常需数十名顶级编译器与高性能计算工程师攻坚 6 至 12 个月。
硅谷投资人 Marcelo P. Lima 直言“英伟达的 CUDA 护城河已经不复存在”。尽管部分工程师指出，跑通部分推理算子与支撑万卡集群稳定运行之间仍存在巨大工程鸿沟，但这一事件揭示了一个深刻趋势：当大模型具备向下重写系统软件的能力时，过去以“人类工程劳动力”为代价构筑的兼容性门槛，正被智能自动化迅速抹平。
Claude 三天搞定 GPU 内核迁移
在 IPO 路演中，Anthropic 联合创始人兼首席算力官 Tom Brown 详细阐述了公司的算力战略，核心在于解决“如何让同一个前沿 AI 模型顺畅运行在不同厂商物理芯片上”这一行业难题。
传统模式下，引入新芯片架构需自下而上重写整套系统工程，包括适配底层计算内核、重构推理软件栈、排查微架构兼容性及繁琐的性能优化。即使竞品物理算力出色，针对英伟达 GPU 编写的代码也无法直接迁移。这对必须持续训练和部署顶尖大模型的实验室而言，既耗时又消耗稀缺的高性能计算专家资源。
今年，Anthropic 改变了策略。Tom Brown 透露，公司在首次接入 AMD GPU 时，让 Claude Mythos Preview 直接参与工程任务。结果出乎意料：
“在基本无需人工干预的情况下，仅用三天时间，我们就在 AMD 上成功运行了 Claude。整个过程中，几乎 100% 的底层内核均由 Claude 独立移植或编写。”
GPU Kernel 是直接运行在硬件单元上的底层微程序，大模型中的矩阵乘法、注意力机制计算等均依赖其高效执行。由于英伟达与 AMD 芯片微架构存在本质差异——如线程调度单位不同（Warp vs Wavefront）、内存层次与寄存器约束各异——针对 CUDA 深度优化的代码无法直接在 AMD GPU 上满血运行。
Anthropic 让 Mythos 接手的正是决定物理计算效率的核心工程。早在今年 7 月 AMD Advancing AI 大会上，Tom Brown 曾向苏姿丰展示早期尝试：工程师将最新的 MI355X 服务器控制接口接入 Claude 并布置任务，周末无人值守运行后，周一发现模型在新硬件上的性能曲线已在 AI 自主调优下稳步攀升。
严谨来看，三天完成的并非系统端到端全部重写。根据路演附注，Mythos Preview 达成的指标是：让某款 Claude 模型的提示词处理阶段（Prefill），在配备 288GB HBM3E 显存的 AMD Instinct MI355X 上达到可用性能。Prefill 属于高度计算密集型任务，而后续逐字生成的 Decode 阶段更依赖多卡互联带宽与低延迟，Anthropic 未公布具体吞吐量基准测试与性能损耗对照。
Agent 抹平“生态壁垒”
CUDA 自 2006 年诞生以来，英伟达围绕其建立了庞大的底层计算库、编译链、性能分析器及数百万开发者的使用习惯，主流深度学习框架均默认优先支持 CUDA。这种产业惯性使得开发者选择英伟达不仅因算力强劲，更因存量代码已围绕其硬件完成适配，迁移面临巨大的工程摩擦力。
图注：早年 CUDA 技术栈示意图
AMD 虽长期维护开源 ROCm 平台并提供代码转换工具，但自动化工具通常仅能解决语法编译，复杂算子的效率往往严重缩水，仍需专家手动排查汇编。Mythos 的介入彻底颠覆了这一成本结构。
具备高阶代码理解与推理能力的 AI Agent 不再是死板的转译脚本，而是能与编译器深度交互的自主系统。它能阅读硬件白皮书、重构底层算子、调用编译器测试，并根据性能分析数据反复调整参数自我修正。这意味着，过去依赖稀缺工程师的手工重构，正转变为由 AI 驱动的高并发、低成本自动化流水线。
Anthropic 已将此技术突破转化为产业联盟。今年 7 月 22 日，AMD 与 Anthropic 宣布达成深度战略合作：
- 超大规模算力部署：Anthropic 计划部署最高达 2GW 的 AMD Instinct MI450 系列 GPU 集群，首期 1GW 预定于 2027 年上半年上线；
- 资本与股权绑定：AMD 承诺向 Anthropic 进行最高达 50 亿美元的战略股权投资；
- 软硬件协同开发：双方利用 Claude 优化 AMD GPU 真实运行负载，并加速 AMD ROCm 软件栈开发。
此举使商业纵深完全展开：AMD 借助前沿 AI 作为“全职编译器架构师”补齐软件短板；Anthropic 则快速接入高性价比新算力。双方联手验证了用 AI 生产力打破软件垄断对硬件工业限制的可能性。
构建统一弹性算力池
Tom Brown 将此次技术突破置于更庞大的商业顶层设计之下：彻底摆脱单点绑定，将异构硬件转化为统一的弹性算力底座。自 2021 年成立之初，Anthropic 便推行同时适配多种芯片架构的技术路线，投入大量精力自建调度抽象层。
目前，Anthropic 模型已能在全球四大主流加速芯片家族上实现混合训练与推理服务：英伟达 GPU、AMD GPU、Google TPU、亚马逊 Trainium。
在执行中，Anthropic 根据硬件特性分流任务：高互联带宽芯片承接大规模预训练，大显存、低代币成本芯片分配给特定推理场景。Tom Brown 将其定义为跨供应商、跨微架构、跨地理区域的统一算力池。
这套体系具有极高的商业防御价值。在算力供应链波动剧烈、单一巨头掌控定价权的市场中，深度绑定某一家芯片意味着必须接受其交货排期与高昂溢价。具备跨架构迁移能力后，Anthropic 可根据实际性价比和供应配额在全球供应链中自由切换，做最优采购。
为进一步压降成本，Anthropic 披露了 Anthropic Direct 模式：跳过云服务商高溢价打包方案，直接租赁物理裸芯片并部署在定制数据中心。这不仅大幅降低综合拥有成本（TCO），更将数据中心基础设施的长周期投资与芯片硬件的短周期迭代拆解开来。
上述工程动作汇聚于 Tom Brown 提出的核心概念：“算力乘数”（Compute Multipliers）。
粗放增加物理卡数会撞上资本开支、晶圆产能与电网负荷的物理天花板，而算力乘数来自模型算法改良与系统底层效率的深度榨干。若算法与编译优化带来 4 倍算力乘数，意味着：
- 仅用 25% 的物理硬件投入，即可交付同等智能等级的模型，获取极高毛利安全垫；
- 在同等算力预算下，释放出相当于 400 单位 算力的极限模型能力，保持前沿领跑。
路演数据显示，自 2025 年第一季度以来，Anthropic 以“业务收入除以算力及基础设施开支”衡量的综合经营效率已提升超过 4 倍。
更具想象空间的是 Tom Brown 勾勒的终极演进路径：递归式自我改进。当具备底层系统编程能力的 Claude 能持续自主侦测硬件特性并挖掘新的算力乘数时，大模型便开启了反哺底层物理基础设施的正向循环。3 天跑通 AMD 内核只是切片，终极形态是 AI 成为自身算力工厂的优化设计师。
CUDA 护城河的演变
尽管投资人宣称“CUDA 护城河消失”带有夸张修辞，且技术专家指出 CUDA 是一套涵盖软硬件协同、分布式通信容错与工业级稳定性的庞大系统工程，但此次实验揭示了核心变量的变化。
开发者“跨出 CUDA 生态所必须付出的工程转换成本”，正出现数量级下滑的确定性趋势。过去，英伟达依靠高昂的转换成本（资深专家工时、业务迁移风险）构筑防护网。若繁重的底层适配与调试工作由 AI 自动化接管，企业替换芯片的经济账将彻底重构。
这一变化不仅利好 AMD，对自研定制芯片的云巨头及推进软件生态建设的国产 AI 芯片厂商，均具有深刻的战略借鉴意义。
声明：本文为 AI 前线原创，不代表平台观点，也不构成投资建议，未经许可禁止转载。
热度延续：12 月 AICon 北京站见
12 月 18–19 日，AICon 全球人工智能开发与应用大会将在北京举办。本届大会以探索 AI 应用边界为主题，设置 13 大技术专题，覆盖大模型后训练、推理优化、Agent 工程、知识工程、智能体评测与安全、自进化系统、AI 软件交付、原生架构及组织变革等核心方向，汇聚一线技术专家，深入分享 AI 技术突破与企业规模化落地的真实实践。
