Anthropic在其IPO路演材料中披露，其Claude Mythos Preview模型仅用约3天时间，就摸索出如何让另一个模型在AMD MI355X GPU上运行。相比之下，传统情况下，为一个新的计算平台完成推理任务所需的适配工作通常需要6至12个月。这一时间差距，将AI模型跨平台迁移的成本问题重新推到台前。
路演材料中的一张幻灯片显示，随着高性能AI模型逐渐具备自主适配不同计算平台的能力，GPU正在变得越来越像可以相互替换的通用算力资源。对于长期依赖特定硬件生态完成训练与推理的企业而言，这意味着在不同厂商芯片之间切换的技术门槛正在明显降低。Anthropic方面据此认为，其已可以将不同厂商的GPU视为相对通用的算力资源进行调度。
这一披露之所以引发关注，在于它直接触及英伟达CUDA生态的定位。CUDA长期以来被视为英伟达在AI算力市场的核心护城河之一，开发者围绕其构建应用、调用函数库并积累优化经验，形成了较高的迁移成本。若AI模型自身能够承担相当一部分跨平台适配工作，硬件层软件生态的锁定效应可能被削弱，GPU采购决策中的生态因素权重也将随之变化。
不过，现在就宣告英伟达CUDA生态优势的终结仍为时过早。CUDA不仅仅是一套软件工具，其背后还有规模庞大的开发者生态、丰富的函数库和开发工具，以及经过多年持续优化的技术积累。目前仍有大量开发者围绕CUDA构建和维护各类应用，短期内难以整体迁移。生态惯性、工具链成熟度与既有代码资产，仍是企业选择计算平台时的重要考量。
过去几年，英伟达也一直在采取多种措施巩固CUDA的竞争优势。公司向大学和科研人员免费提供GPU及培训资源，吸引更多开发者进入CUDA生态。此外，英伟达将用于连接多块GPU的通信工具库NVIDIA Collective Communications Library（NCCL），与NVLink、InfiniBand等专有硬件技术深度结合，进一步提高多GPU协同计算的效率，也增加了用户迁移至其他平台的成本。这类软硬件协同策略，使CUDA的优势不仅体现在编程接口层面，也延伸到集群通信与系统级优化。
从行业影响看，Anthropic披露的适配效率如果具备可复制性，将改变AI基础设施市场的竞争逻辑。模型厂商对单一硬件平台的依赖度下降，AMD等替代算力供应商的进入窗口随之扩大，云服务商在GPU选型上的议价空间也可能增加。与此同时，硬件厂商的竞争重心将从单纯的软件生态锁定，转向算力性能、能效与系统集成能力的综合比拼。
需要指出的是，3天完成适配与6至12个月的传统周期之间，比较的基准并不完全对等。前者针对的是让模型在目标平台上运行这一具体任务，后者通常涵盖更完整的工程化部署与性能调优流程。适配效率的提升能否转化为生产环境中的稳定推理能力，仍取决于模型规模、框架支持程度与底层算子优化水平。Anthropic的案例目前更多说明AI辅助迁移的可行性，而非跨平台部署成本的全面消失。
对英伟达而言，CUDA的护城河并未消失，但其形态正在变化。当模型具备一定的自主适配能力，生态优势的维持将更多依赖持续的工具链迭代与开发者服务，而非单纯的迁移成本。对AMD及更广泛的算力供应商来说，这一信号意味着机会窗口的存在，但能否承接从CUDA生态溢出的需求，仍取决于软件栈成熟度与大规模部署的实际表现。AI算力市场的竞争，正在从单一生态的锁定，转向模型能力与硬件适配效率之间的动态博弈。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
