Anthropic 启动 IPO 路演，并披露一个值得关注的数字：今年首次接入 AMD GPU 时，Claude 仅用 3 天就完成适配，几乎由模型自动编写或移植约 100% 的内核。Anthropic 的算力竞争，正从单纯采购芯片转向让模型参与优化芯片使用效率。

这是什么

Anthropic 表示，Claude 的训练和推理已覆盖 AWS Trainium、Google TPU、英伟达 GPU 与 AMD GPU 四类主流芯片。不同芯片需要各自的软件与推理工具链，过去引入一个新平台往往需要数十名工程师工作数月；此次由 Mythos 参与适配，周期缩短至三天。

公司还提出“有效总算力”概念：物理算力与模型发现的效率提升相乘。如果某项优化能把所需算力降至四分之一，同样的硬件就能训练同等水平的模型，或训练此前需要四倍算力的更强模型。

行业怎么看

这条路线的价值不只是降低单一供应商依赖。多芯片能力可以缓解英伟达供给、价格与交付约束，也让 AWS、Google 和 AMD 争夺模型公司的算力订单。模型若能持续提高不同硬件的利用率，芯片竞争将从参数规模和峰值性能，扩展到编译、调度及推理成本。

但风险同样明确。Anthropic 所称三天适配及自动生成内核主要基于公司内部实践，尚未提供第三方验证；自主优化系统能否长期稳定运行，也存在不确定性。路演材料天然服务于 IPO 叙事，三天成果与“递归自我改进”更像竞争力信号，而非已经被公开证明的财务优势。

对普通人的影响

对企业 IT：企业采购 AI 服务时，可同时比较云平台和芯片路线，降低被单一 GPU 供应商锁定的成本；但短期内，模型迁移与工具链复杂度仍会留在供应商内部。

对个人职场：模型参与硬件优化，意味着 AI 的价值正从“回答问题”延伸到研发和基础设施工作。知识工作者的竞争力会更偏向定义任务、校验结果和承担决策责任。

对消费市场：算力利用率提升可能压低模型调用价格，让免费或低价 AI 服务更普遍；同时，IPO 叙事也会加速行业把技术进步转成更高订阅费或企业合同金额。