Claude仅用3天撬开英伟达20年的CUDA护城河？藏在Anthropic路演里的芯片变局
11月11日，Anthropic IPO路演材料中的一页幻灯片经媒体披露后，在算力圈迅速传开：其Claude Mythos Preview模型花了大约3天时间，在基本没有人工干预的情况下，自主完成了核心GPU底层计算内核的代码移植与重写，让Claude模型在AMD旗舰GPU上跑通了关键推理环节。按Anthropic的工程经验，过去把大模型适配到一款全新的异构芯片平台，通常需要数十名顶级编译器与高性能计算工程师攻坚6到12个月。三天与半年之间的落差，迅速被外界概括为“Claude撬开了英伟达CUDA护城河”。
三天跑通MI355X：路演幻灯片里的无人值守实验
这项突破并非媒体转述，而是Anthropic自己写进IPO路演材料的说法。11月10日公司启动路演时，一份57页的机构路演PPT和一段42分钟的公开路演视频同步放出。联合创始人兼首席算力官Tom Brown讲出了其中最抓眼球的一段：
- 今年首次接入AMD GPU时，Anthropic把适配任务交给了自家新模型Mythos；
- 在基本无需人工干预的情况下，仅用三天，Claude就在AMD芯片上跑通；
- 几乎100%的底层内核由Claude独立移植或编写。
更有画面感的细节发生在今年7月。Tom Brown曾在AMD的Advancing AI大会上向苏姿丰介绍这项早期尝试。当时AMD为Anthropic提供了一台最新的MI355X服务器，Anthropic工程师原本预计调试过程会极其复杂。结果，一名工程师直接将机器控制接口接入Claude，给它布置硬件适配任务，随后让系统在周末无人值守的情况下持续运行。周一回到办公室查看监控时，工程师发现模型在新硬件上的性能曲线已经在AI的自主调优下稳步攀升。如今，这项工程探索被正式写入了IPO路演的核心材料。
从32线程Warp到64线程Wavefront：内核重写碰到硬骨头
要理解“3天”的分量，先要看清Claude接手的是什么工程。GPU Kernel是直接运行在图形处理器硬件单元上的底层微程序（算子）。在大模型运行中，大规模矩阵乘法、注意力机制计算以及各类激活与归一化操作，全部依赖这些内核程序高效执行。
问题在于，针对英伟达CUDA环境深度优化的内核代码，不可能在AMD GPU上直接达到满血状态。两家芯片的微架构设计存在本质差异：
- 线程调度单位不同：英伟达以32线程的Warp进行调度，AMD CDNA架构采用64线程的Wavefront，分支预测和掩码计算逻辑需要全面调整；
- 内存层次与寄存器约束不同：片上共享内存（Shared Memory / LDS）的组织结构、寄存器堆容量以及访存冲突机制各不相同，算子代码稍有偏差就会引发严重的流水线停顿或显存溢出。
换句话说，Anthropic让Mythos接手的不是简单的应用层代码格式转换，而是直接决定物理计算效率的核心工程。也正因如此，这项实验真正作用在迁移成本的第一道门槛上：当“能不能跑”不再是个难题，算力买方的选择余地和议价空间就会实质扩大。
CUDA不只是一套编译器：函数库、NCCL与三本账
不过，把CUDA简单理解为“一套并行计算编程接口”，会严重低估其厚度。英伟达耗时近二十年搭建的CUDA帝国，包含规模庞大的开发者生态、丰富的函数库和开发工具，以及经过多年持续优化的技术积累。目前仍有大量开发者围绕CUDA构建和维护各类应用。
过去几年，英伟达也在持续加固这道防线。一方面，公司向大学和科研人员免费提供GPU及培训资源，吸引更多开发者进入CUDA生态；另一方面，将用于连接多块GPU的通信工具库NCCL与NVLink、InfiniBand等专有硬件技术深度结合，提高多GPU协同计算效率，也增加了用户迁移至其他平台的成本。
这背后至少有三本账：
- 迁移人力账，下降最快。Claude展示的正是把新平台适配从“数十人月”压缩到“数天”的可能。
- 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，需要针对具体平台反复调优。
- 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，都围绕原有平台建立，更换平台意味着这些隐性资产部分归零。
所以，“CUDA护城河已经不复存在”是硅谷投资人Marcelo P. Lima在X上的直言，但更准确的说法是：被真正撼动的是迁移适配的人力墙，而且目前只被验证到“跑通推理的一个阶段”；护城河内侧的函数库、Runtime与互联墙并未原封不动地被攻破。
Prefill跑通、Decode留白：路演材料自己划下的边界
路演图表附注同时划定了边界：Mythos Preview实际达成的，是让某款Claude模型的提示词处理阶段（Prefill）达到可用性能；后半段逐字生成的Decode阶段更依赖多卡互联带宽与通信延迟，Anthropic并没有在路演中公布具体的吞吐量基准测试与性能损耗对照。
此外，原文所指为“完成推理任务所需的适配工作”，并非训练侧的完整移植。推理适配通常不涉及反向传播、优化器状态和混合精度训练的数值稳定性问题，工程量本就小于训练迁移。但即便如此，从6到12个月压缩到3天，量级变化已足以改变采购评估模型里的参数。
市场情绪也迅速分化。有市场报道以“AMD暴涨13%、英伟达逆势大跌”形容消息发酵后的反应，也有观点提醒，现在就宣告CUDA生态优势终结为时过早。CUDA背后还有庞大的开发者生态、函数库和多年优化积累，迁移的摩擦不只在代码里，也在组织里。更何况，这些数字第一次面向公众的场合，是一场说服投资者买股票的路演，相关数据尚未经过第三方审计。
下一步看三件事：生产负载、1GW Helios与同行跟进
“危”与“不危”都不是准确答案。接下来三个信号比结论本身更重要：
- Anthropic会不会公开MI355X/MI450承接真实生产负载后的吞吐与性能损耗数据；
- 首批1GW Helios机架能否在2027年上半年如期部署并开始参与训练；
- 其它前沿实验室会不会跟进公开AI自移植。
如果这些信号逐步落地，GPU作为“可相互替换的通用算力资源”的叙事会继续增强；如果生产负载数据和训练侧迁移迟迟缺位，3天跑通推理就更像一次标志性的工程演示，而非CUDA帝国的终局。可以确定的是，大模型正在把过去依赖工程师经验堆叠的迁移成本，变成可以自主搜索、试错和调优的工程问题。英伟达二十年筑起的墙还在，但墙外已经出现了会自己找路的模型。
