Anthropic IPO 路演视频披露多芯片训练策略与算力倍增思路
Anthropic's IPO roadshow video
Anthropic 启动 IPO 路演,路演视频中联合创始人 Tom Brown 介绍了公司的算力策略:Claude 的训练和推理已覆盖 AWS Trainium、Google TPU、NVIDIA GPU 和 AMD GPU 四类芯片。他提到今年首次接入 AMD GPU 时,由 Claude 在三天内完成适配,几乎无需人工介入,并移植或编写了近 100% 的 kernel。Simon Willison 用 MacWhisper 提取了视频文字稿并整理了要点。
推荐理由
精选AI 评分 70
Anthropic 路演视频披露其跨四种芯片训练与部署 Claude 的策略,以及用 Claude 三天完成 AMD GPU 适配的细节。
主题
正文 · AI 翻译
#小标题
2026年11月11日 - 链接博客
Anthropic的IPO路演视频。Anthropic昨天启动了他们的IPO路演,他们的路演视频中包含了一些此前未公开的关于其业务运作方式的信息。
与联合创始人Tom Brown有关的“算力策略”部分尤其有趣,其中描述了Anthropic如何在AWS Trainium、Google TPU、NVIDIA GPU和AMD GPU上训练和运行Claude。
我不确定为什么没有官方的视频文字稿,但以下是我用MacWhisper提取的一份。要点如下:
我们现在在全部四大芯片系列上训练和运行Claude。这之所以可能,是因为我们早在初期就对多芯片策略下了一个非常规的赌注。当时,许多人认为在不同芯片上运行AI模型不值得付出努力。每种芯片都需要自己量身定制的软件栈和推理栈,构建起来既昂贵又困难。我们现在已经这样做了多年,并且变得极其擅长。[...]
举个例子,今年我们首次开始使用AMD GPU。过去,引入一个新的芯片平台需要数十名工程师花费数月的工作。这一次,我们让Mythos试了试。它仅用三天就让Claude在AMD上运行起来,基本上没有人工干预。Claude移植或编写了几乎100%的kernel。[...]
我们算力优势的第二个驱动因素是我们发现算力倍增器的速度。我们关注的是总有效算力,即物理容量与我们发现的算力倍增器的乘积。我们每发现一个算力倍增器,都会让我们的总有效算力池变得更大。例如,假设你需要100个算力单位来训练一个具有某种智能水平的模型。4倍的算力倍增器意味着你可以用25个算力单位来训练完全相同的模型。或者,你可以用那100个物理单位来训练一个更智能的模型,而这样的模型此前需要400个单位。
算力倍增器为我们创造了难以复制的竞争优势。它们会相互叠加。我们每发现一个新的倍增器,都会对之前的倍增器产生正向影响。它们会层层累积。我们相信,随着我们接近递归自我改进,这一进程还能进一步加速。Claude将能够完全靠自己发现算力倍增器,使算力倍增器的数量增长得越来越快。
去年九月,我们在Anthropic对近期三个问题的复盘文章中窥见了其多芯片策略的端倪,文中描述了一些只影响其TPU部署的bug。
发布于2026年11月11日下午3:11
近期文章
用Claude定位神秘哔声的来源 - 2026年11月9日
把你的垃圾PR描述藏到后面 - 2026年11月9日
我笔记本电脑上的Qwen 3.8 27B也能解读模型权重 - 2026年11月3日
美国人口普查局与“超级智能” - 2026年11月2日
这是Simon Willison发布的链接文章,发布于2026年11月11日。
递归自我改进 4
月度简报