Anthropic 为什么同时用四种芯片:多芯片策略怎么读
Anthropic 在 IPO 路演里讲了此前没公开过的算力策略:同时用四种芯片训练和运行 Claude,迁移到 AMD 只用了三天。本文拆开「算力乘数」这个概念,算给你看它怎么影响模型的价格与可得性。

一份没有官方文字稿的路演
Anthropic 在 IPO 路演视频里讲了一段此前没有公开过的内容——他们同时在四种芯片上训练和运行 Claude。
这件事对普通用户有实际影响。影响不在于「某个模型更快了」,而在于「你能用上的模型和它们的价格不会由一家芯片厂决定」。
2026 年 11 月 11 日,Simon Willison 记录了 Anthropic 启动 IPO 路演这件事。他的关注点不在 IPO 本身,而在路演视频中的一段:联合创始人 Tom Brown 讲「算力策略」的那部分。
官方没有提供视频文字稿。Simon 用 MacWhisper 转了一份,记录在博客上。他自己标注了这一点——文字稿是机器转写出来的,可能有出入。
下面引用的英文都是他的转写原文。
四条芯片路线,是怎么同时跑起来的
We train and serve Claude now across all four major chip families. That's only possible because early on we made an unconventional bet on a multi-chip strategy.
这段话里有两个信息点。第一个是「四大家族」:AWS Trainium、Google TPU、NVIDIA GPU、AMD GPU。第二个是「早期押注」,而且 Simon 说这个押注在当时被认为是不合算的。
原文接着解释了原因:
Each chip needs its own tailored software stack and inference stack, which is expensive and difficult to build.
每种芯片都要配自己的一套软件栈和推理栈。贵,而且难建。这是多路线的真实成本——不是买卡的钱,是适配的人力。
迁移到 AMD 这一次,用了三天
This time, we had Mythos try it out. It got Claude running on AMD in just three days, with basically no human intervention. Claude ported or wrote almost 100% of the kernels.
这句话里的对比值得单独拎出来。原文说,过去引入一个新的芯片平台需要几十名工程师做几个月;这一次只用了三天。
两个细节:
一是负责这件事的是 Mythos——按 Anthropic 自己的模型分工,这是一个模型,不是工程师团队。
二是「几乎 100% 的 kernels」由 Claude 自己移植或编写。kernel 是让代码能在具体芯片上跑起来的那一层低层代码,通常由人手工调优。
对比之下,去年 9 月 Anthropic 的一次故障复盘提到三个只影响 TPU 部署的问题(bug),说明当时多路部署已经存在——只是规模还小。
算力乘数:一块听起来抽象的东西
路演里第二个概念是「算力乘数」(compute multiplier)。
We focus on total effective compute, which is the multiplicative product of physical capacity times the compute multipliers that we discover.
原文给的例子是这样的:
For example, say you need 100 units of compute to train a model of a certain intelligence. A 4x compute multiplier means you can use 25 units of compute to train the exact same model. Or you can use those hundred physical units to train an even more intelligent model that would have previously required 400 units.
拆开看:训练一个特定水平的模型需要 100 单位算力。有了 4 倍乘数,25 单位就够训出完全相同的模型。或者换个方向,同样的 100 单位物理算力,能训出以前需要 400 单位才能训出的模型。
这里的关键是「有效算力」不等于「买到的算力」。买卡买到的是物理容量,乘数是在同一批硬件上把效率榨出来的那部分。
| 口径 | 说的是什么 | 路演里的例子 |
|---|---|---|
| 物理容量 | 你买到的、真实存在的算力 | 100 单位 |
| 算力乘数 | 同一批硬件上榨出的效率倍数 | 4 倍 |
| 有效算力 | 两者相乘的结果 | 25 单位就够训出同一模型 |
原文还强调乘数会叠加:
Each new multiplier we discover has a positive effect on the multipliers before it. They stack.
每发现一个新乘数,之前那些乘数的效果也会被放大。它们是能摞起来的。
这对普通用户意味着什么
把上面三件事连起来,能推出几个跟你有关系的判断。
第一,模型不会因为「绑在一家芯片厂」而断供。 多路线策略的直接结果是,Anthropic 的训练和运行不依赖任何单一芯片家族。这对你意味着,当某一款芯片供给紧张时,模型的可得性和价格不会跟着那一家走。
第二,硬件供应商更替的代价在下降。 过去引入一个新平台是几十个工程师几个月,现在是一次模型尝试加三天。对你来说,这反映在两件事上:可用模型的多样性会更快增加;同代模型之间的价格差距会更快被压平——因为换硬件不再是需要排期半年的工程决策。
第三,「有效算力」是一个更适合追问的口径。 当一家公司说自己的算力优势时,值得问的是有效算力怎么来的,而不是手上有多少张卡。原文自己就是这么算的。
需要说清楚的边界:以上三点是基于这段路演片段和 Simon 的转写做的推论,不是公司承诺,也不是产品路线图。
一个容易被跳过的前提
多路策略要成立,前提是每条路都得真的能跑。
原文那句话的另一半是「Each chip needs its own tailored software stack and inference stack」。这意味着适配成本一直存在——只是从「几十个工程师几个月」变成了「一次模型尝试加三天」。
这个差别在路演的语境里被放大了。但对新路线的芯片来说,第一批适配成本仍然是实打实的。
原文还提到一项在 Anthropic 内部「build on each other」的机制:
We believe that this can accelerate even further as we approach recursive self-improvement. Claude will be able to discover compute multipliers entirely by itself, allowing the number of compute multipliers to grow faster and faster.
这段话指向递归自我改进,属于公司对自身路线的判断,外部无法验证。截至 2026 年 11 月,没有可查的独立证据支持或反驳这个说法。
读这类路演材料的三个提醒
-
转写稿不是官方文字稿。Simon 明确说明了这一点,引述时保留原文措辞比转述更稳
-
概念先落地再评价。「有效算力」「算力乘数」这类说法,先用自己的例子套一遍(100 单位变 25 单位那个例子就够)
-
区分「已经发生的」和「预测的」。AMD 迁移到三天是已发生的,递归自我改进是预测
-
「四大家族」指的是四类芯片供应商体系,不是四款具体芯片
-
「几乎 100% 的 kernels」是 Anthropic 在路演中的自述,没有第三方验证
-
「三天」是与「过去几十个工程师几个月」的对比,原文未给出具体基数
资料来源与未核实项
本文基于 Simon Willison 2026-11-11 发布的 Anthropic IPO 路演视频记录整理。
核对了什么:
- Anthropic 启动 IPO 路演的时间,以及路演视频包含此前未公开的经营信息,其中 Tom Brown 讲解「算力策略」一节
- 训练与运行横跨 AWS Trainium、Google TPU、NVIDIA GPU、AMD GPU 四类芯片
- 多芯片策略是早期押注,原因在于每种芯片需要各自的软件栈与推理栈、昂贵且难以构建
- 今年首次接入 AMD GPU;过去引入新芯片平台需要几十名工程师数月,本次由 Mythos 尝试,三天内让 Claude 运行在 AMD 上,几乎无人工介入
- Claude 移植或编写了近乎全部 kernels 这一表述
- 有效算力为物理容量与所发现算力乘数的乘积,以及 4 倍乘数的例子:25 单位算力可训出同一模型,100 单位物理算力可训出原本需 400 单位能力的模型
- 乘数之间相互叠加,每发现一个新乘数会正向影响此前的乘数
- 去年 9 月 Anthropic 故障复盘中提到只影响 TPU 部署的问题
- 官方未提供视频文字稿,转写由 MacWhisper 生成
核对日期 2026-11-14。
没做什么:
- 没有观看路演视频原片,全部引述来自二手转写,Simon 本人已标注机器转写可能有出入
- 没有查阅 Anthropic 的官方文档或招股文件核对相关表述
- 没有验证 AMD 迁移耗时、kernel 编写比例与算力乘数实例
- 「递归自我改进」一段是公司在路演中的判断,截至 2026-11-14 无独立证据可核
- 素材入库时长文本转写稿完整,但路演视频本身不在本文的核对范围内
「Mythos」是 Anthropic 的模型名称(据其模型序列),本文按原文表述使用其作为负责适配尝试的主体,未核对其在此次迁移中的具体角色分工。
知道「训练」和「推理」是模型生命周期的两个阶段;大致了解 GPU 是用来算矩阵的专用硬件
适用范围:基于 2026 年 11 月 11 日 Anthropic IPO 路演视频的第三方转写
以下来源方便你逐项对照;引用文档不代表已经完成实际操作测试。 本文标注为 AI 辅助起草。
来源发布时间:2026/11/11。来源采集记录随文章版本保留。
发现内容与当前界面不一致?
提交内容纠错金额随意,多少都帮得上忙。AITime 的资料整理、事实核对和每日更新由个人完成, 没有付费墙,所有内容都可以免费读。
扫码使用微信支付,备注可以留空。
哪个工具卡在哪一步、想给文章补一个真实案例、都可以加我。 留言时写清来源和具体问题,我看到会回。
扫一扫添加好友,备注写「AITime」我更容易认出来。
讨论与使用经验
正在加载讨论…