今年7月，AMD给Anthropic送过去一台最新的MI355X服务器。
按照行业惯例，把大模型搬到一套新的计算平台上跑推理，底层硬件适配通常得花上6到12个月。Anthropic的工程师原本也做好了长期死磕的准备。



结果一名工程师换了个法子。他直接把机器控制接口接进自家的Claude Mythos Preview模型，丢过去一个硬件适配任务，然后就下班过周末去了。
整个周末机器无人值守。等周一工程师回到办公室打开监控一看，模型在新硬件上的性能曲线，已经在AI自己的调优下稳步往上爬了。
这件事最近被写进了Anthropic的IPO路演核心材料里。Tom Brown在路演中透露：
“在基本无需人工干预的情况下，仅仅用了三天时间，我们就在AMD上成功运行了Claude。整个过程中，几乎100%的底层内核都是由Claude独立移植或编写的。”
01｜以前要啃半年的硬骨头干过底层开发的人都知道，跨芯片迁移最头疼的不是应用层那点代码格式，而是直接跑在硬件单元上的GPU底层计算内核（Kernel）。大模型里的矩阵乘法、注意力机制计算，全指望这些算子高效执行。
针对英伟达CUDA环境深度优化过的代码，直接搬到AMD的GPU上根本跑不满。两家芯片的微架构脾气完全不同。
英伟达用32线程的Warp做调度，AMD的CDNA架构用的是64线程的Wavefront，分支预测和掩码计算逻辑得全盘重调。再加上片上共享内存结构、寄存器容量、访存冲突机制都不一样，算子代码稍微偏一点，就会引发严重的流水线停顿或者显存溢出。



英伟达从2006年推出CUDA，花了二十年建起庞大的底层计算库、编译链和开发工具。PyTorch、TensorFlow这些主流框架默认把CUDA放第一位。哪怕别的芯片纸面参数够看，企业一算迁移要花的几个月工时和重构风险，往往还是老老实实回去买英伟达。
AMD自己也维护开源的ROCm平台，做过HIP、HIPIFY这些转换工具，行业里也有Triton这种跨硬件语言。但自动化工具大多只能做到“语法能编译”，真碰到深度优化的复杂算子，生成出来的代码效率缩水严重，最后还得靠专家团队花几个月手动去抠汇编。



这回Claude Mythos Preview接手后，干活的逻辑变了。
它不是死板地跑转译脚本，而是自己去读AMD的硬件白皮书，重构底层算子代码，再调用编译器放到真实硬件上跑测试。拿到性能分析器返回的寄存器占用、访存瓶颈数据后，它自己反复调参数修正。



不过看路演图表的附注，这三天干完的活也有明确的边界。它并不是把整个系统端到端全部重写了一遍，实际达成的指标，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上达到了可用性能。
在大模型推理里，Prefill阶段负责并行吞吐输入的全部上下文并建立KV缓存，属于计算密集型任务；而后面逐字生成的Decode阶段，更考验多卡互联带宽和网络通信延迟。
英伟达把多卡通信工具库NCCL和自家的NVLink、InfiniBand硬件深度绑在一起，这部分的迁移门槛依然存在。Anthropic这次也没在路演里公布具体的吞吐量基准测试和性能损耗对照。



02｜算力账本是怎么算的哪怕只是撕开一道口子，这笔账在商业上也足够划算。
Anthropic的年收入运行率已经从2025年底的约90亿美元涨到了超过300亿美元，正准备在本月晚些时候启动IPO，估值可能达到1.5万亿美元。请求量这么往上翻，算力早就不是单纯的后台成本，直接决定了模型的毛利率。
如果死守一家硬件供应商，就得无条件接受对方的交货排期和高溢价。从2021年成立开始，Anthropic就自建了调度抽象层。现在他们的模型已经在英伟达GPU、AMD GPU、Google TPU、亚马逊Trainium这四大芯片家族上实现了混合训练与推理。



他们的用法很直接：互联带宽高的芯片，拿去跑大规模预训练；显存大、单次成本低的芯片，分给特定的推理场景。公司甚至搞出了Anthropic Direct模式，跳过云厂商的高溢价打包方案，直接去租物理裸芯片，塞进自己定制的数据中心里。
今年7月22日，这套打法直接促成了AMD和Anthropic的深度绑定。
Anthropic计划部署最高2GW的AMD Instinct MI450系列GPU集群，首期1GW定在2027年上半年上线；AMD则承诺向Anthropic进行最高50亿美元的战略股权投资，双方直接用Claude去优化AMD芯片的真实负载，加速ROCm软件栈开发。
就在当地时间11月4日，曾师从吴恩达、创办过Lamini，并在2025年带队加入AMD担任AI副总裁、直接向苏姿丰汇报的莎伦·周（Sharon Zhou），也宣布转投Anthropic。她在AMD主攻的就是用强化学习优化GPU内核。
她在宣布加入的帖子里写了一个判断：一年前，她估计推动一项前沿能力所需的人力会减少到原先的1/100，现在她正把这个数字调整为1/1000。
03｜连芯片都要自己画了写完底层驱动还不算完，Anthropic已经在打硬件设计本身的主意。
今年9月，Anthropic代码库里超过90%的代码贡献已经由Claude完成。到了今年8月，公司干脆拉起了一支15人的内部芯片设计团队，让Claude参与设计用来训练和运行它自己的定制芯片，并且和三星电子谈过潜在的制造合作。
三星自己也在用这套工具。今年8月三星确认引入Claude，他们System LSI事业部把一项原本预计要一个多月的定制化SoC验证任务，交给一名入职仅两年的工程师，全程用Claude Code在两天内就干完了，效率提升了约15倍。
但自己从头造芯片是另一码事。设计一颗先进AI芯片的行业估算成本在5亿美元左右，涉及数万亿个微小电路，容错空间极小，一点小错就能让整批晶圆报废。
OpenAI今年9月曾透露，他们靠自家的前沿模型和博通合作，用了9个月完成定制芯片Jalapeño的开发。Anthropic也在找多家**电子设计自动化（EDA）**企业，想拿专有数据集来喂给模型。消息传出后，两大EDA巨头Synopsys和Cadence的股价在周二分别跌了2.5%和4.5%。
至于AI现在到底能不能独立画芯片，上个月初创公司ChipAgents和英伟达联合发布的基准测试Build-A-Chip-Bench给了一个摸底数据。测试要求AI把一颗数字芯片从纯文字规格一路做到可验证的GDS布局。
结果排第一的Claude Fable 5.1总分只有16.6%。它的功能通过率有65%，GDS通过率75%，但功耗性能面积（PPA）达标率只有25.5%。
排第二的GPT-6 Astra前两项通过率都到了85%，总分却只有8.7%，就是因为做出来的东西离功耗和面积目标差得太远。后面的Gemini 3.8 Flash拿了0.8%，Kimi K3是0.2%，GLM-5.3是0.0%。
让AI跑通一个能用的芯片设计不难，难的是把功耗、性能和面积全卡在标尺内。



Anthropic在招聘研究工程师的公告里倒是不藏着掖着：
“硬件设计十分困难，而且容错空间极小——这恰恰是我们希望Claude能够胜任的领域。”