Claude 3天适配AMD MI355X：100%内核由Mythos写

一句话结论：Anthropic 在 2026 年 11 月 10 日启动的 IPO 路演材料里披露，其 Claude Mythos Preview 模型用大约 3 天时间、几乎无人干预，就把另一个 Claude 模型适配到 AMD Instinct MI355X GPU 上跑通，端口与算子代码接近 100% 由模型自己写，而传统路径需要数十名工程师干上 6 到 12 个月。

这件事在算力圈传得很快，原因是它触及了一个被讨论了二十年的问题：GPU 到底是一门专有生意，还是可以互换的通用资源。Anthropic 联合创始人兼首席算力官 Tom Brown 在路演视频的「算力路径」章节里，把这件事讲得很直接。

他举的例子是今年 Anthropic 第一次接触 AMD GPU。过去把一个新计算平台接进生产环境，需要几十名工程师忙上几个月。这次他们让 Mythos 试了试，三天就让 Claude 在 AMD 上跑了起来，人工介入基本为零，Claude 移植或重写了将近 100% 的 kernel，也就是让模型在芯片上跑起来的底层算子代码。

站台上的三方数字因此都变了：适配周期从 6 到 12 个月压到 3 天，工程师投入从几十人降到近乎无人，kernel 覆盖率从「大部分靠人写」变成接近全由模型生成。

先厘清一件事：适配到底指什么

这条消息被传播时容易走样。路演图表的附注写得很精确：Mythos 实际达成的是让某款 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 阶段负责并行吞吐输入的全部上下文提示词并建立 KV 缓存，是典型的计算密集型任务。后半段的 Decode 阶段逐字生成，更依赖多卡互联带宽与极低网络延迟。这两段任务的瓶颈性质不同，适配难度也不同。

Anthropic 没有在路演里公布吞吐量基准测试与性能损耗对照，也没有给出完整的端到端跑通时间表。所以准确的说法是：Prefill 在 MI355X 上达到了可用性能，且这个过程由模型主导完成。把它读成「Claude 已经在 MI355X 上全速商用」是过度延伸。

另一个需要说明的边界是推理适配不等于训练移植。推理适配不涉及反向传播、优化器状态和混合精度训练的数值稳定性问题，工程量本来就小于训练侧迁移。即便如此，把 6 到 12 个月压缩到 3 天，量级变化也已经足以改变采购评估模型里的参数。3 天的实现细节，Simon Willison 从路演视频里提取的逐字稿里也有相应段落：过去引入新芯片平台需要几十名工程师几个月的工作，这次 Mythos 三天就让 Claude 在 AMD 上跑了起来，几乎没有人工介入，Claude 移植或写出了接近 100% 的 kernel。

为什么这件事对算力格局重要

过去十余年，英伟达的地位建立在性能领先与生态锁定这两轮驱动上。性能靠制程和架构迭代维持，生态靠 CUDA 把开发者、框架、库和调优经验绑在同一个坐标系里。

客户采购时算的不只是每卡算力价格，还要算既有代码迁移要多少人月、调优要多少轮、运维团队要不要重建知识体系。当迁移成本高到某个程度，换供应商在财务上就不成立，生态锁定于是自我强化。

Claude 这次展示的能力，作用在迁移成本的第一道门槛上，也就是能不能跑起来。在算力供应紧张的年份，这道门槛比性能差距更要命。想在供给紧张时拿到更多卡，或者想把一部分负载挪到第二家供应商，最低成本的路径原本是排 6 到 12 个月的队等工程师做完适配。

Tom Brown 在路演里还给出了一条更长期的路线。他提到第二个算力优势来源是「算力倍增器」的发现速度：他们关注的是总有效算力，等于物理容量与他们发现的算力倍增器的乘积。举例来说，训练某个智能水平的模型需要 100 单位算力，一个 4 倍算力倍增器意味着只需 25 单位就能训练出完全相同的模型；或者用这 100 个物理单位去训练一个此前需要 400 单位的更聪明模型。

算力倍增器会相互叠加，每发现一个新的，前面那些的正面效应都会被放大。他进一步表示，随着递归自我改进临近，Claude 将能够完全自主地 discovers 这些倍增器，让倍增器的数量增长得越来越快。这段话如果兑现，算力优势的性质会从「买更多芯片」转向「每片芯片做更多有效功」。

CUDA 护城河的三层构成

判断这件事的分量，得先看清 CUDA 到底由什么构成。把它当成一套并行计算编程接口，会严重低估它的厚度。

第一层是编程模型与工具链。从 CUDA C/C++ 到 PTX 中间表示，再到 nvcc 编译器、Nsight 性能分析器和调试器，这套工具支撑开发者从写代码到定位性能瓶颈的完整闭环。

第二层是库生态。cuBLAS、cuDNN、TensorRT、NCCL 这些库把大量工程细节封装成几行调用，开发者不必重写高性能算子。NCCL 尤其关键，它和多卡通信硬件深度绑定，直接影响多卡协同的效率，也因此增加了迁移到别的平台的难度。

第三层是人。数以百万计的开发者、教材、课程、开源项目和调优经验构成了一条难以复制的路径依赖，遇到问题能搜到答案本身就是生产力。

三层叠加，才是迁移成本的真实来源。代码改写只是看得见的部分，看不见的是性能调优的长尾、精度对齐的反复验证、分布式通信库的耦合，以及团队多年积累的直觉。

AMD 那边并非没有准备，ROCm 平台提供 HIP、HIPIFY 等转换工具，行业里也有 Triton 这类跨硬件 DSL 想绕开壁垒。但现实工程中自动化工具通常只能解决语法能编译这一层，一旦碰到需要深度优化的复杂算子，生成代码的效率往往严重缩水，最后还是得专家团队花几个月手动排查。

AI 自动适配能吃掉多少成本

把模型迁移成本当成一个整体去谈，很容易要么过度乐观要么过度悲观。拆开看，至少有三本账。

第一本是代码与算子账，这一本在快速下降。传统路径要梳理模型里用到的算子、把 CUDA 接口映射到目标平台实现、处理编译报错、逐层对齐数值精度、再做性能调优。模型介入后改变的是中间几个环节的效率，它能读源码理解算子语义、生成目标平台的内核代码或调用对应库、依据编译错误反复迭代，还能自动跑一轮参数搜索试探性能边界。本质是把人工翻译加人工试错变成自动翻译加自动试错，适配工作从项目制变成了可批量复制的流程。

第二本是性能与稳定性账，下降缓慢。同一模型在不同硬件上的实际吞吐可能相差数倍，差距来自内存带宽利用、算子融合策略、量化方案匹配等细节。自动生成能解决跑得通，很难直接解决跑得好。长尾算子的正确性验证、极端输入下的数值稳定性、并发场景下的竞态问题，仍然需要工程判断和责任归属。版本漂移也是持续成本，硬件厂商的软件栈每年更新，今天生成的适配代码明天可能因一次接口变更而失效。

第三本是工具链与组织账，最难下降。性能分析工具的使用习惯、监控告警体系、故障排查手册、运维团队的知识结构都是围绕原平台建立的，换平台意味着这些隐性资产部分归零。这也是为什么很多企业即便算力价格有明显差异仍留在原平台，迁移的摩擦往往不在代码里而在组织里。

Anthropic 的四芯片池子

这条消息放进 Anthropic 自身的算力布局里看更清楚。Tom Brown 在路演里说，Anthropic 现在训练和服务 Claude 覆盖全部四大家族芯片族。

四大家族分别是 AWS Trainium、Google TPU、NVIDIA GPU 和 AMD GPU。Tom Brown 提到，这只在早期做了一个「不常规的押注」才可能实现，当时很多人认为在不同芯片上跑 AI 模型不值得投入，每种芯片都需要自己量身定做的软件栈和推理栈，这件事既贵又难。

Anthropic 自己的表述很克制。招股材料里用的说法是，芯片平台现在进入生产的时间变成了原来的一个零头，通向 CUDA 生态终结的推论被明确回避了。行业内的反向意见同样存在：CUDA 依然是一整套庞大的库、工具、多年优化经验和开发者群体，一次三天的适配实验抹不平这些。

有一条被反复提及的背景数据是英伟达硬件毛利率超过 70%，CUDA 软件生态是其中成本最高的转换壁垒。当适配周期从月级压到天级，买方在价格与供货上的议价空间会实质扩大。Anthropic 与 AMD 的合作规模也印证了这件事的推进速度，2026 年 7 月双方宣布在 Helios 机架级系统上部署最多 2GW 的 AMD Instinct MI450 系列 GPU，首个 1GW 阶段计划在 2027 年上半年。

算力供给的另一端也有现实约束，本站在 英伟达 H200 对华出口 24 家获批企业 一篇里记录过 24 家里有 2 家是空壳的情况，而 谷歌 TPU 8tx 与 8i Max 那条线则显示自研芯片正在以系统为单位推进。Anthropic 把四条供应线同时铺开，本身就是对这种供给不确定性的对冲。

对国产算力链的实际含义

对国内算力产业，这条消息有三层可操作的启示。

第一，多元算力从政策倡导变成了工程可行。国产 GPU 面临的最大障碍从来不在纸面算力上，卡住客户的是软件栈不成熟带来的迁移成本。如果 AI 辅助适配能持续成熟，客户从 CUDA 迁出的启动成本会显著下降，国产芯片厂商的生态投入也能更聚焦在性能与稳定性，省下耗在重复接口适配上的人力。这是实质性利好。

第二，异构算力池化有了技术支点。算力网络的核心命题之一是让不同架构的算力资源被统一调度、按需分配。如果模型跨平台部署的适配周期能从月级压缩到天级，调度系统在资源选择上的自由度会大幅提升，跨区域算力配置的经济性测算也需要重做一遍。

第三，也要警惕新的中间层依赖。如果高效适配能力集中在少数模型厂商手中，格局可能从被一家硬件生态锁定变成被一家模型能力锁定。把 AI 辅助迁移能力沉淀为开放工具链、推动统一的中间表示和编程接口标准，比单纯追求某一次适配成功更有长期价值。这方面 百度 ERNIE Evolve 的 168 小时自主优化 是另一个方向的样本，自动优化如果只服务于单家的算力闭环，收益分布会很不一样。

常见问题

Anthropic 真的只用 3 天就把 Claude 跑在 AMD 上了吗

3 天这个数字来自 Anthropic 自己的 IPO 路演材料，属于厂商自述，尚未被独立验证。而且达成范围有明确限定：MI355X 上 Prefill 阶段达到可用性能，完整端到端的吞吐量基准与性能损耗对照官方没有公布。所以准确说法是 AI 主导完成了推理适配的最难部分，全面商用部署还远没到那一步。

这件事是否意味着 CUDA 生态优势已经终结

没有。CUDA 的护城河由编程模型与工具链、成熟函数库、几十年积累的开发者路径依赖三层构成，还有与 NVLink、InfiniBand 等专有互联绑定的 NCCL 通信库。Anthropic 自己的招股材料用的也是「进入生产时间大幅缩短」这样的克制表述。真正被改变的是迁移成本从不可谈判的常量变成可被技术快速压低的变量。

这个能力现在普通团队能用上吗

目前没有面向外开放的通用产品。Claude Mythos Preview 是 Anthropic 自研的前沿模型，外部团队无法直接调用它做自己的平台适配。可迁移的思路有两条：一是让模型具备读源码、生成目标平台 kernel、根据编译错误迭代的完整能力，二是把适配流程从项目制改造成可批量复制的自动化流水线。

小结

这次适配最值得记下来的地方不在于 3 天这个数字有多惊人，而在于它证明了一件此前只能靠人完成的事可以交给模型。这对算力产业的影响是双向的：一方面采购方的迁移成本下降，硬件厂商的定价权受到约束；另一方面适配能力本身可能成为新的稀缺资源，集中到少数模型厂商手里。

对还在单一生态里做深度优化的团队，这条消息给出的提醒是，把自己的差异化从适配能力上移走，往芯片能效、互联系统或异构算力的组织能力上移。护城河还在，但水位开始随技术变化而波动。

相关阅读

• Anthropic IPO 遇阻：1.5 万亿估值遭压价，路演悬在 11 月
• 谷歌 TPU 8tx 与 8i Max：四款第八代系统与 17.2 TB/s 带宽
• 百度 ERNIE Evolve：168 小时自主优化让推理速度达基线 623.6%
• 英伟达 H200 对华出口 24 家获批企业：2 家是空壳
• 本地大模型显存怎么算：8B 每 1K 上下文 144MB