英伟达 CUDA 的 20 年护城河一个周末崩了，Claude 独自跑通 AMD 新 GPU

独洎の守候

AI 总结
• 一个周末内，Anthropic 的 Claude 在无需人类工程师修改一行代码的情况下，成功将前沿模型跑在全新的 AMD MI355X 机架上，跨越了英伟达 CUDA 20 年的生态护城河。
• Anthropic

一句话，一个周末，Claude 直接把自家最前沿的模型跑在了一台全新的 AMD MI355X 机架上！

人类工程师全程没动手改过一行代码 。

谁能想到，英伟达花 20 年堆起的 CUDA 护城河，就这样被跨了过去。



【一个周末，Claude 把 AMD 新 GPU 调通了】
故事是这样的。

前段时间，AMD 给 Anthropic 送来一台搭载 MI355X 的机架。团队看完，心里已经做好了打硬仗的准备。新平台配新软件栈，注定需要新一轮适配。

不过，Anthropic 手里正好有 Claude。团队干脆先让一名工程师试试：把 Claude 接上机器，丢给它一句，「去，把这台机器跑起来。」

等周末结束回到工位，屏幕上已经多出一条持续上涨的性能曲线 —— 结果不仅跑起来了，性能还在一轮轮不停地提升。

Anthropic 联合创始人兼首席计算官 Tom Brown 讲完，苏姿丰马上接过话：听说 Anthropic 只有一名工程师在处理 MI355X 时，她第一反应是让 AMD 团队赶紧去帮忙。

结果团队回来告诉她，对方说不用，已经全部搞定了。



很快，这场周末实验便接上了真正的部署计划。

就在最近，Anthropic 宣布，将在 AMD Helios 系统中部署最高 2GW 的 Instinct GPU， 首批 1GW 计划于 2027 年上半年启动 。

并且，双方还会直接使用 Claude 优化 AMD 工作负载，加速 ROCm 软件开发。

【芯片说明书，迎来一位非人类读者】
Claude 之所以能实现对 CUDA 生态的「降维打击」，是因为 AMD 直接给 AI 开发了一套能上手调 GPU 的工具。

在 AMD Advancing AI 2026 大会上发布的 ROCm.AI ，就是给 Claude、Codex 和 Cursor 准备的一整套 GPU 工具箱。

入口叫 AMD Skills，里面装的全是经过验证的 ROCm 知识 。

Agent 拿到这些知识后，可以自己装环境、部署模型、读日志、查故障，再通过 ROCm CLI 调用真实机器。开发者说出目标，剩下的路让 Agent 自己找。



划重点，AMD 甚至连芯片说明书的写法都改了。

公司 AI 软件与解决方案副总裁 Anush Elangovan 在现场透露，每一代 AMD GPU 都会公开指令集，并提供 AI 可读的 ISA。

Agent 在读懂手册之后，就能直接上手调性能。

AMD 把这部分工作交给 Hyperloom。它会拉起推理服务，先跑出基线，再去找 CPU 和 GPU 的瓶颈，测试不同配置，生成定制内核，最后把新方案重新跑一遍。

现场演示里，Hyperloom 把 MiniMax M3 的输出速度提升了 38%。AMD 还让它一次跑过 1.4 万个模型，把测试结果沉淀成下一次可以直接复用的经验。



AMD 还在和前沿模型公司一起训练这种能力。Elangovan 的原话很有意思： 让前沿模型「天生会说 AMD 编程」 。

以后看一块芯片，峰值算力和显存带宽当然重要，AI 能不能读懂它、调用它、把性能调出来，也会摆上同一张参数表。

芯片公司要争取的开发者，现在多了一类：Agent。

【来自 ASI 的降维打击】
CUDA 从 2006 年一路走到今天，靠的是无数工程师一行行码出来的生态。

编译器、数学库、调试器、性能分析工具、开发文档，该有的全有。

更难复制的，是那一代代工程师攒下来的手感 。算子怎么调，通信怎么提速，显存怎么分配，分布式部署哪里最容易出问题，这些经验全锁在少数专家的脑子里。

后来者就算造出性能接近的芯片，也得把这条软件长路从头走一遍。芯片流片可以按季度推进，生态积累却只能按年去熬。

而 Agent 补的就是这一段。它会读平台文档，调用性能分析工具，找到速度卡在哪里，再改代码、编译、测试。一个方案没有效果就换下一个；跑分变好就沿着这个方向继续优化。

人类培养一名顶级 GPU 工程师要按年算，多启动一个 Agent 只需要再开一个任务 。

一名工程师放出一群 Agent，就能并行排查报错、定位性能瓶颈。一次跑通的配置、写好的内核和踩过的坑，也能马上成为下一批 Agent 的起点。

把按年计算的追赶压缩成按任务计算，AI 最值钱的地方就在这里。这也是 ASI 式能力对 CUDA 生态的降维打击。

如今，中国工程师已经站在这场 AI 改造 GPU 软件栈的最前线，他们沉淀下来的底层经验，也在被整理成更多 Agent 可以调用的能力。

追赶 CUDA 的新起点已经出现：把硬件接口和软件工具交给 AI，让 Agent 直接开工。

20 年的生态差距，第一次可以交给一群 Agent 昼夜不停地往回追。

本文来自微信公众号： 新智元（ID：AI_era） ，作者：ASI 启示录，原标题《 CUDA 20 年护城河一个周末崩了！Claude 独自跑通 AMD 新 GPU 》

[来源链接] https://www.ithome.com/0/982/264.htm

小ゞ拇指の微笑

这波确实震撼，如果以后 AI 都能自己搞定底层硬件适配，那对咱们普通开发者来说太爽了。想象一下，咱们自己炼个开源小模型，想部署到国产算力卡或者家里的各种边缘设备 NPU 上，直接让 AI 帮你跨平台移植，连底层驱动和算子都自动重写，完全不用人工去踩坑。这种“AI 给 AI 写底层代码”的场景要是能普及，硬件生态壁垒真的就不存在了，大家觉得这一天还有多远？

黑白の未来

这消息太震撼了，CUDA 这 20 年的护城河不仅是技术积累，更是庞大的开发者习惯和社区生态。如果 Claude 这种零代码修改的自动跨硬件适配能力能普及，那以后做底层技术社区和开源生态的思路都要变了。大家可能不用再死磕某一个特定平台，硬件竞争会真正回到算力、能耗和性价比本身。不过也有个疑问，这种自动适配在更复杂的工程化场景下还能这么稳吗？还是说目前只是实验室里的特例？真的期待后续更多实测数据。