Claude三天搞定AMD GPU内核移植 撼动CUDA生态壁垒
计算产业发展半个世纪以来，最难突破的工业壁垒，往往并非硅片本身的物理极限，而是工程师积累的技术经验、海量存量代码所形成的高昂迁移成本。英伟达耗时近二十年搭建的CUDA生态，就是这一壁垒的典型代表，曾被视为难以逾越的防线。
但这种局面正被大模型技术打破。近期，某前沿AI实验室披露了一项极具标志性的工程突破：其旗下的Mythos Preview模型，仅用三天时间，就在几乎无需人工干预的情况下，自主完成了核心GPU底层计算内核的代码移植与重写，成功让模型在AMD旗舰GPU上运行关键推理环节。
过去，将大模型适配到全新异构芯片平台，需要数十名编译器与高性能计算工程师，耗时6到12个月才能完成攻坚。这一突破让行业观点出现分歧：有审慎的工程师指出，仅跑通部分推理算子，与支撑万卡集群大规模稳定运行仍有巨大差距；但更多观察者看到的是更深层的变革趋势——当大模型具备向下重写系统软件的能力，过去依赖人类工程劳动力构筑的兼容性门槛，正被智能的自动化推演快速压平。
这项工程探索的细节也颇具意义。早在今年年中，该实验室就曾与AMD展开早期尝试，当时工程师预计调试过程会极其复杂。他们将机器控制接口接入模型，布置硬件适配任务后，让系统在周末无人值守状态下运行。周一返回时发现，模型已在自主调优下，让新硬件上的性能曲线稳步攀升。
从技术维度看，三天完成的并非整个系统的全部重写，其达成的核心指标是：让模型的提示词处理阶段，在配备288GB显存的AMD旗舰GPU上达到可用性能。大模型推理中，提示词处理阶段是高度计算密集型任务，后续逐字生成阶段则更依赖多卡互联带宽与低延迟，目前相关具体性能数据尚未公布。
要理解这项突破的深层影响，需看清CUDA护城河的底层支撑。CUDA诞生于2006年，过去二十年里，英伟达围绕它建立了庞大的底层计算库、自动化编译链、性能分析器、多卡通信组件，以及数百万开发者的使用习惯，主流深度学习框架多年来默认将CUDA作为第一优先级。这形成了稳固的产业惯性：开发者选择英伟达，不仅因为芯片算力强劲，更因为整个产业的存量代码都围绕英伟达硬件完成适配，迁移到其他芯片需面对巨大工程风险。
AMD虽长期维护开源平台，提供代码转换工具，行业也有跨硬件工具试图打破壁垒，但现实中，自动化工具往往只能解决语法编译问题，遇到深度优化的复杂算子时，生成代码效率会严重缩水，仍需专家团队花费数月手动排查。而Mythos的介入彻底颠覆了这种研发成本结构：它不再是死板的转译脚本，而是能与编译器深度交互的自主系统，可自主阅读硬件白皮书、重构底层算子代码，调用编译器在真实硬件上测试，再根据性能分析数据反复调整参数自我修正。
这种变化让研发模式从依赖稀缺工程师工时的手工重构，转向AI驱动的高并发低成本自动化流水线。目前，该实验室已将这项技术突破转化为产业联盟，今年年中，该实验室与AMD达成深度合作：计划部署最高达2GW的AMD GPU集群，首期1GW将于明年上半年上线；AMD将向该实验室进行最高达50亿美元的战略股权投资；双方还将利用大模型优化AMD GPU的真实运行负载，加速其软件栈开发。
这种合作的核心是打破单点绑定，将异构硬件转化为统一弹性算力底座。该实验室自成立之初就推行同时适配多种芯片架构的路线，在多数初创公司依赖公有云实例降低成本时，投入精力自建调度抽象层。如今，其模型已能在全球四大主流加速芯片家族上实现混合训练与推理服务，包括英伟达GPU、AMD GPU、谷歌TPU、亚马逊Trainium。
在具体执行中，该实验室根据不同芯片特性分流任务：互联带宽高的芯片承接大规模预训练，显存大、每代币成本低的芯片分配给特定推理场景，形成跨供应商、跨微架构、跨地理区域的统一算力池。这套体系的防御价值极高：在算力供应链波动、单一巨头掌控定价权的市场中，具备跨架构迁移能力后，可在全球供应链中自由切换，根据实际性价比和供应配额做最优采购。
为进一步降低成本，该实验室还披露了新模式：跳过云服务商的高溢价打包方案，直接租赁物理裸芯片，部署在定制数据中心中，大幅降低综合拥有成本，还将数据中心投资与芯片迭代周期拆解。这些动作汇聚成核心概念“算力乘数”：在算力军备竞赛中，增加物理卡数会撞上天花板，而算力乘数来自模型算法改良与系统底层效率榨干，若算法与编译优化带来4倍算力乘数，商业上意味着：仅用25%的物理硬件投入，就能交付同等智能等级的模型，保持极高毛利；在同等算力预算下，可释放相当于400单位算力的极限模型能力，保持前沿领跑。
路演数据显示，自2025年第一季度以来，该实验室的综合经营效率已提升超过4倍。更具想象空间的是终极演进路径：递归式自我改进，当具备底层系统编程能力的模型能持续自主侦测硬件特性、挖掘新算力乘数时，大模型会开启反哺底层基础设施的正向循环，三天跑通AMD内核只是一个切片，终极形态是AI成为自身算力工厂的优化设计师。
关于CUDA护城河的未来，有观点称其已消失，这带有夸张色彩。技术专家指出，CUDA是涵盖软硬件协同、分布式通信容错与工业级稳定性的庞大系统工程，并非简单算子代码。但不可否认的是，跨出CUDA生态的工程转换成本，正出现数量级下滑的确定性趋势。过去，英伟达的最大优势就是这种转换成本，企业迁移时需承担资深专家一整年的研发工时、业务中断风险等，构成宽厚防护网。但如果底层适配调试工作由AI自动化接管，企业替换芯片的经济账将彻底重构，这对AMD、自研定制芯片的云巨头、推进软件生态建设的国产AI芯片厂商，都有深刻战略借鉴意义。
