Anthropic IPO 路演视频披露多芯片策略与算力乘数细节

2026年11月11日 - 链接博客

Anthropic 的 IPO 路演视频。Anthropic 昨天启动了 IPO 路演，他们的路演视频包含了一些此前未公开的、关于其业务运作方式的信息。

其中由联合创始人 Tom Brown 讲解的关于"算力方法"的部分尤其有趣，介绍了 Anthropic 如何在 AWS Trainium、Google TPU、NVIDIA GPU 和 AMD GPU 上训练和服务 Claude。

我不确定为什么没有官方的视频文字稿，但这里是我用 MacWhisper 提取的一份。以下是重点内容：

我们现在在所有四大芯片系列上训练和服务 Claude。这之所以成为可能，是因为我们早期在多芯片策略上做出了一项非常规的押注。当时，许多人认为在不同的芯片上运行 AI 模型不值得投入。每种芯片都需要自己的定制软件栈和推理栈，构建起来既昂贵又困难。我们如今已经这样做了多年，并且做得非常出色。 [...]

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几十名工程师数月的工作。这一次，我们让 Mythos 来尝试。它在短短三天内就让 Claude 在 AMD 上运行起来，几乎没有人工干预。Claude 移植或编写了几乎 100% 的内核。 [...]

我们算力优势的第二个驱动力，是我们发现算力乘数的速度。我们关注的是总有效算力，即物理容量与我们发现的算力乘数的乘积。每发现一个乘数，我们的总有效算力池就会变大。例如，假设训练某个智能水平的模型需要 100 个单位的算力，一个 4 倍的算力乘数意味着你可以用 25 个单位的算力训练出完全相同的模型。或者，你也可以用这 100 个物理单位去训练一个更智能的模型——这个模型原本需要 400 个单位的算力。

算力乘数为我们创造了难以复制的竞争优势。它们相互叠加。我们发现的每一个新乘数都会对之前的乘数产生正向影响。它们是累积叠加的。我们相信，随着我们接近递归自我改进，这一进程甚至可以进一步加速。Claude 将能够完全自主地发现算力乘数，从而让算力乘数的数量增长得越来越快。

去年 9 月，Anthropic 在他们关于 近期三个事故的复盘 中就透露了其多芯片策略的端倪，其中描述了仅影响其 TPU 部署的 bug。