💡 站外导读：在大模型厂商深陷单一算力集群绑定与英伟达 CUDA 生态护城河的当下，冲刺全球科技史上最大 IPO 的 Anthropic 在其高管闭门路演视频中首次公开了核心算力底牌。联合创始人 Tom Brown 详尽揭秘了 Anthropic 跨 AWS Trainium、Google TPU、NVIDIA GPU 与 AMD GPU 四大芯片家族的原生协同能力。尤为震撼的是，内部前沿模型 Mythos 在无人工干预的情况下，仅用 3 天便自主手写并移植了近 100% 的 AMD GPU 底层算子。更首度提出“算力倍增器（Compute Multipliers）”乘积理论，通过算法自演进打破物理芯片供给瓶颈，正式吹响了大模型递归自我改进的冲锋号。
1. 摆脱单一硬件锁死：四大芯片家族通吃背后的非常规技术豪赌
在当前大模型训练与部署的激烈角逐中，业界绝大多数团队被英伟达的硬件和 CUDA 生态深度绑定，承受着高昂的硬件采购溢价与不可控的供应链交付周期。而在此次 IPO 路演中，Anthropic 联合创始人 Tom Brown 首次明确向投资人揭秘了其长达数年的底层算力战略：Claude 现已在四大主流芯片家族上实现全量训练与商业化 Serving 并行。
这四大硬件家族包括：
- AWS Trainium 系列： 深度协同亚马逊自研神经网络处理器，主打超高能效比与规模化分布式吞吐；
- Google TPU（v5p / v6e）： 依托谷歌云强大的超节点网络，承担海量超长上下文与多模态高密集推理；
- NVIDIA GPU（Blackwell / H100 / H200）： 保持在最高性能密集型预训练阶段的极致浮点吞吐；
- AMD Instinct GPU（MI300X / MI325X / MI350）： 成功破局异构供应垄断，构建弹性多云算力蓄水池。
早年间，业内普遍认为在不同芯片架构间维护异构软件栈和推理引擎是一项“吃力不讨好的脏活”——每一款专用集成电路（ASIC）不仅拥有独立的内存层次结构，还需要极其繁杂的汇编级算子调优。然而，正是这项早期被视为高风险的非常规下注，在今天演变为 Anthropic 跨云议价与抵御单一硬件断供风险的最强护城河。
2. 震撼硅谷的 Mythos 奇迹：AI 仅用 3 天手写近 100% AMD GPU 底层算子
在路演演讲中，Tom Brown 披露了一项令整个系统工程界为之震撼的物理实录：在今年团队首次接入 AMD GPU 生态时，传统软件工程模式受到了根本性颠覆。
在过去的工程经验中，要让一个万亿级参数的前沿大模型在新芯片架构上稳定跑通，通常需要由数十名具备深厚编译器与底层驱动开发经验的顶尖资深架构师，耗费数月甚至大半年时间进行底层算子（Kernels）重写、显存碎片优化与数值精度对齐。而在这次攻坚中，Anthropic 直接派遣了内部研发代号为 Claude Mythos 的自研前沿模型：
“这一次，我们让 Mythos 放手去尝试。在几乎完全零人类工程师代码干预的情况下，Mythos 仅用了短短三天时间，就让 Claude 在 AMD GPU 上顺利全量运转起来。期间近乎 100% 的 GPU 底层算子（Kernels），全部由模型自主编写或自动移植完成。” —— Tom Brown，Anthropic 联合创始人
这一里程碑事件彻底改变了芯片迁移的经济学规律：硬件架构之间的“软件鸿沟”不再依赖昂贵的人力肉身填补，AI Coding Agent 展现出了编写高精度、高并发底层并行汇编算子的强大自治能力，使得硬件适配交付周期从“人月”坍缩至“天级”。
3. 独家解密“算力倍增器”：乘积效应公式与递归自我改进（RSI）引擎
除了多硬件迁移的极速自动化，Anthropic 算力护城河的第二大支柱是被称为 Compute Multipliers（算力倍增器） 的算法乘积效应。Tom Brown 明确指出，在 Anthropic 的研发字典里，从来不单纯看物理机房里堆积了多少张显卡，而是聚焦于总有效算力（Total Effective Compute）：
$$ ext{Total Effective Compute} = ext{Physical Capacity} imes prod_{i=1}^n ext{Compute Multiplier}_i$$
所谓算力倍增器，是指由算法优化、数据清洗结构演进、注意力稀疏化以及通信拓扑重构所带来的等效能效增益。例如：
- 若某项模型架构创新实现了 4x 算力倍增器，这意味着团队只需消耗原先 25% 的物理算力，即可训练出同等智力水平的前沿模型；
- 反之，若保持 100 个物理算力单元投入不变，团队则能直接训练出以往需要 400 个物理单元 才能达到的超级智能规模。
尤为关键的是，算力倍增器之间具备乘法叠加（Multiplicative Stacking）特性。更为颠覆的未来图景在于：随着大模型逐步逼近递归自我改进（Recursive Self-Improvement, RSI）的物理临界点，Claude 已经开始接管并自主挖掘下一代算力倍增器算法。这种由机器寻找算法、算法倍增算力、算力孕育更强机器的正反馈飞轮，将让倍增因子的涌现速度呈指数级狂飙。
4. 物理算力与算法倍增器叠加演进量化评估
为了直观展现乘法叠加效应对算力经济学带来的革命性重塑，我们将 Anthropic 算力倍增架构与传统线性扩展模式进行了多维度量化对比：
| 演进阶段 / 架构维度 | 传统单一硬件集群模式 | 早期人工多芯片适配模式 | Anthropic Mythos + 算力倍增器架构 |
|---|---|---|---|
| 硬件生态依赖度 | 100% 锁死单一厂商 (CUDA) | 支持 2 类芯片（人力维护困难） | 通吃 Trainium / TPU / NVIDIA / AMD 四大族 |
| 新芯片算子开发与移植周期 | 无需移植（直接受制于上游） | 数十名顶级工程师攻坚 3~6 个月 | Mythos 自主编写，3 天无人工干预跑通 |
| 算力扩张与扩容路径 | 纯线性叠加物理显卡（Capex 爆炸） | 加权线性叠加 | 物理算力 $ imes$ 乘积级算法倍增器（指数级输出） |
| 算子自优化与代码自动化率 | 0%（全依赖官方算子库） | <15%（辅助补全） | 近 100% 底层 Kernels 机器原生生成 |
| 抗单一云厂商或硬件断供能力 | 极弱（任人宰割） | 较弱（切换成本高昂） | 极强（跨云无缝调度，极致议价权） |
5. 终结硬件税与资本杠杆：对全球 AI 供应链与 IPO 估值的深层冲击
Anthropic 在路演中展现的这组技术底牌，其影响绝不仅限于技术圈内部，而是对华尔街的定价逻辑与全球半导体产业格局形成了巨大冲击：
- 打破垄断溢价，重估 AI 基础设施毛利： 当顶级模型研发商能够以 3 天时间将模型平滑迁移至 AMD 等竞品硬件时，单一芯片供应商的超高溢价护城河将出现裂痕，算力市场正从“卖方绝对垄断”转向“多云竞价买方市场”；
- 从烧钱买卡到算法自繁殖的商业跃迁： 在数百家 AI 初创深陷“融资即给芯片巨头打工”的恶性循环中时，Anthropic 证明了算力倍增器乘法效应的落地潜力。大模型自我优化底层代码的能力，将成为拉升企业毛利率的最硬核发动机；
- 纳斯达克万亿美元 IPO 的技术底气： 认购超额 6 倍的背后，华尔街看中的正是这种不被任何单一云巨头或硬件垄断掐死脖子的工程自主性。Anthropic 正用事实宣告：大模型竞争的终局不是拼谁买的卡多，而是拼谁的智能体能够更快地实现递归自我进化。
📝 站长洞察 (Editor’s Insight)
Anthropic 路演曝光的这段内幕，其震撼程度不亚于当年 AlphaGo 的横空出世。最可怕的不是 Anthropic 买了多少算力，而是其内部前沿模型 Mythos 已经能够自主编写并移植底层 GPU 算子！当人类工程师不再是写 CUDA 汇编的瓶颈，异构硬件的壁垒瞬间被抚平。而“算力倍增器”这一乘法公式，更是彻底揭开了模型递归自改进的冰山一角：一旦模型能够自己寻找更优算法来放大物理算力，整个产业的扩张速度将彻底脱离实体晶圆厂的产能周期。这才是真正让传统芯片巨头夜不能寐的范式转移。
Anthropic为什么要同时支持四种芯片？
核心原因是降低对单一硬件和CUDA生态的依赖，提升供应链弹性与跨云议价能力。Claude已能在AWS Trainium、Google TPU、NVIDIA GPU和AMD GPU上训练与部署，避免被单一算力来源锁死。
Mythos 3天移植AMD算子是真的吗？
根据文章摘录，Tom Brown在路演中披露：内部模型Mythos在几乎零人类工程师代码干预下，仅用3天就让Claude在AMD GPU上全量运转，近100%的底层算子由模型自主编写或自动移植完成。
Compute Multipliers是什么意思？
它指算法优化、数据清洗、注意力稀疏化、通信拓扑重构等带来的等效算力增益。Anthropic用它衡量“总有效算力”，强调算法进步可乘积式放大物理算力投入的产出。
