3天干完6个月的活,Claude把模型搬上AMD

一条挺刺激的消息：Anthropic 给投资人的材料里有一张幻灯片，写着它的 Claude Mythos Preview 只花了大约 3 天​，就摸清了怎么让另一个 Claude 模型在 AMD 的 MI355X 上跑起来。

同一处还写了个对照数字：过去给一块新芯片做推理适配，通常要几十名工程师、6 到 12 个月​。

3 天对 6 个月，这个比值太扎眼，当天中文互联网上就冒出一堆「英伟达的护城河塌了」的说法。我把能翻到的材料都翻了一遍，越看越觉得，塌掉的那一小块是真的，可塌的位置和很多人想的不一样。

那张幻灯片到底说了什么

这张幻灯片的性质得先交代：它不是技术报告，是路演用的材料，措辞由 Anthropic 自己定，没有公布测试细节、吞吐数字和对比基线，也没有第三方复现。

一个叫 explainx 的博客在 11 月 10 日做过一次「宣称与已验证」的对照，结论是合作是真的，MI355X 确实进了 Anthropic 的机房，ROCm 联合优化也是真的，但「3 天」「一个周末」这类时间线全部来自厂商口径，公开的 benchmark 复现没有。

要把这个故事接全，还得往回倒四个月。7 月 23 日的 AMD Advancing AI 2026 大会上，Anthropic 一位联合创始人和 AMD 的 CEO 同台讲过另一幕：AMD 送来一台装 MI355X 的机架，团队原本做好了打硬仗的准备，最后只派了一个工程师，把机器交给 Claude，让它「把它跑起来」。周一回来，机器已经在跑自家的前沿模型，屏幕上那条性能曲线还在往上爬。

台上那位 CEO 听说只派了一个人，第一反应是让 AMD 团队赶紧去帮忙，结果团队回话说不用，已经做完了。

这些细节我都当成厂商自己的叙述，不当成独立验证过的结论。有意思的地方在于，它和那张幻灯片指向同一件事，而这件事比「谁赢了」更值得看。

GPU 内核是什么，为什么过去要几十个人搬半年

内核是跑在 GPU 上的最小程序单元，矩阵乘、归一化、softmax，每一个都得单独写，写不好就跑不快。

麻烦在于它跟硬件咬得太紧。同一段计算，要按显存层级安排数据放在哪一级，要按芯片的线程组织方式切分任务，还要按带宽和算力的比例决定每个线程搬多少数据、算多少活。参数调错一格，程序还能跑，速度掉一半。

英伟达的 CUDA 从 2006 年开始攒这些东西。攒到今天，cuBLAS、cuDNN 把大部分常用算子都写好了，工程师调库就行，不用碰底层；真要改，也有 Nsight 这类工具告诉你是卡在带宽还是卡在指令。

换成 AMD 就是另一套账。MI355X 的硬件并不弱：CDNA 4 架构、288GB HBM3E、8TB/s 带宽，纸面上够看。可针对 CUDA 写的内核搬过去不一定能跑，跑起来也未必快，得改用 HIP 重写、按 AMD 的架构重新切块，再反复对数值、测吞吐。

AMD 早就做了 ROCm 和 HIPIFY 帮忙翻译，Triton 这类跨平台工具也在降低门槛，但复杂算子最后那一段性能，过去一直得靠人一版一版试。这就是「6 到 12 个月」的来处，它不夸张，是这种活本来的形状。

Claude 接过去的，是那个能自动判对错的循环

真正被自动化掉的环节，都有很清楚的验收标准：编译过不过、结果对不对、吞吐多少。

这三件事都能由机器判定，于是就能循环起来。写一版内核，跑起来，拿参考实现比数值，再测每秒处理多少 token，慢了就换切块策略，然后再跑一遍。一个周末能转多少圈，取决于机器有多快，也取决于模型有多能忍住不瞎猜。

更要紧的是另一头的配合。AMD 在 7 月那场大会上发布了 ROCm.AI，其中的 AMD Skills 是专门给 Claude、Codex、Cursor 这类编码 agent 准备的 GPU 工具箱，查指令集、看性能计数器、改编译参数这些动作，被做成了 agent 可以直接调用的接口。

一边是能自查结果的循环，一边是把工具递到手上的接口。两件事凑齐，才会出现「一个工程师、一个周末」这种画面，缺哪一边都不成立。

但内核搬得动，不等于生态搬得动

这里得泼一点冷水，因为这轮讨论里最容易被跳过的是成本结构。

一个团队真要换平台，面对的不只是自己的内核。库的行为有细微差异，同一条算子在不同实现里数值精度会漂，混合精度训练里偶尔冒出来的 NaN 往往要靠经验去追；多卡训练的通信库、拓扑和底层互联是另一套专有栈，调度和收敛都受影响；调性能的工具、查内存越界的工具，还有同事排障时那套默契，全都要重新建立。

这些工作大部分没有可自动判定的验收标准。「这个算子在我们的训练里会不会偶发不收敛」，机器自己给不出答案，只能等它出事。

所以那张幻灯片证明的是：一段有明确成败判据的搬迁，现在可以交给模型去做，而且比人快得多。它没有证明的是：围绕 CUDA 攒了 20 年的库、工具、经验和人，可以一起被搬走。这两件事之间隔着相当长的一段距离，短时间里没法合上。

顺带看一眼现实进度。AMD 和 Anthropic 的部署计划是真的，最高 2GW 的 Instinct GPU，首批 1GW 计划 2027 年上半年上线。可那是买机器、建机房，跟「软件栈已经换完」是两件事，硬件到位反而会让软件侧的坑更早暴露出来。

这件事对三类人意味着什么

对云厂商和模型公司，算力的可比价性在变强。当一个新平台的适配时间从半年压到几天，采购谈判里「换不动」这个理由会越来越弱，同样的预算能换到的算力选项变多了。

对做工具链和平台的团队，结论更具体：凡是能定义出「跑通、对齐、变快」三件事的任务，都值得试着交给 agent，前提是你得先把验收标准写下来，否则它连自己有没有做对都不知道。反过来，那些只能说「感觉不太对」的环节，暂时还得人守着。

对普通开发者，我不太建议急着改简历。CUDA 相关的岗位需求短期内不会因为一张幻灯片消失，被重新定价的是「只会照文档搬代码」的那部分工作。

判断一个任务能不能交给 AI 去试，我自己的标准是：能不能在几分钟内自动判对错，失败时能不能拿到明确的报错，改动的影响范围是不是收在一个文件或一个函数里。三条都成立就放手，缺一条就先自己动手，把验收标准补出来。

真正被改写的其实是试错的价格。以前一次移植要押上半年人力，现在可以先花三天验一遍，再决定要不要压上去。你手上有没有那种「跑起来就能判对错、却一直靠人肉试」的活？评论里说一说，我挑几个一起拆。

作者提示含AI生成内容。作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～