​Claude Mythos raccourcit le cycle d'adaptation du GPU AMD à environ trois jours, affaiblissant ainsi les barrières écologiques CUDA de NVIDIA.

📅 2026-11-17

Résumé :

Anthropic a déclaré que son dernier modèle d'IA, Claude Mythos Preview, avait considérablement réduit le temps de développement logiciel requis pour déployer des modèles d'intelligence artificielle sur les plates-formes GPU AMD. Selon l'entreprise, dans le passé, ce travail prenait généralement de 6 à 12 mois et nécessitait des dizaines d'ingénieurs, mais Claude Mythos peut réaliser le travail critique d'adaptation du logiciel en trois jours environ, pratiquement sans intervention manuelle. Cette évolution pourrait affaiblir les barrières concurrentielles que Nvidia a établies depuis longtemps sur la base de l'écosystème logiciel CUDA.

Le co-fondateur et directeur informatique d'Anthropic, Tom Brown, a présenté les résultats aux investisseurs lors de la tournée d'introduction en bourse de la société. Il a déclaré que Claude Mythos peut automatiquement porter ou écrire près de 100 % du code du noyau GPU, permettant aux modèles Claude de fonctionner sur l'accélérateur AMD Instinct MI355X. Auparavant, un travail similaire d’adaptation matérielle nécessitait souvent une équipe de plusieurs dizaines d’ingénieurs et prenait plusieurs mois.

Cependant, les trois jours divulgués par Anthropic ont un champ d'application clair, ce qui ne signifie pas que l'ensemble du processus de déploiement du modèle, de vérification de l'environnement de production et d'optimisation des performances peut être achevé en trois jours. La note de bas de page du matériel roadshow souligne que cette réalisation vise spécifiquement un modèle Anthropic complétant la tâche de traitement de texte rapide (pré-remplissage) sur le GPU AMD MI355X et atteignant un niveau de performances d'une valeur d'usage pratique. Anthropic n'a pas clairement indiqué si l'étape de réponse de génération de modèle (Décodage) était également incluse.

Le cœur GPU constitue une connexion importante entre le logiciel d'intelligence artificielle et le matériel sous-jacent. Il est chargé de convertir les tâches de calcul du modèle en instructions pouvant être exécutées efficacement sur un processeur spécifique. Il existe des différences dans l'architecture GPU, les systèmes de mémoire et les unités de calcul des différents fabricants, de sorte que le même modèle d'IA doit souvent écrire ou ajuster le code sous-jacent pour différentes plates-formes matérielles. Ce type de travail constitue depuis longtemps une source importante d'avantages pour l'écosystème CUDA de NVIDIA.

La plate-forme CUDA de NVIDIA est développée depuis près de 20 ans et dispose de compilateurs matures, d'outils de développement, de bibliothèques d'optimisation et d'une large communauté de développeurs. AMD possède sa propre plate-forme logicielle ROCm et prend en charge les tâches informatiques associées via la couche de programmation HIP. Afin d'aider les développeurs à migrer le code CUDA vers la plateforme AMD, AMD a précédemment lancé l'outil HIPify. Cependant, la conversion de code ne signifie pas que tous les programmes peuvent directement obtenir des performances idéales. Les développeurs doivent généralement encore effectuer beaucoup de débogage et d’optimisation.

Les progrès des outils de programmation de l'IA changent cette situation. Anush Elangovan, vice-président des logiciels d'intelligence artificielle d'AMD, a déclaré en avril de cette année que Claude avait un avantage sur HIPify en matière de conversion de code car il dispose de capacités de recherche Web intégrées et peut obtenir plus d'informations techniques pendant le traitement. AMD a déjà démontré des résultats de recherche utilisant des agents d'IA pour écrire automatiquement des noyaux GPU, mais les premiers systèmes étaient encore inférieurs aux experts humains dans certains tests.

Anthropic ne s'appuie pas uniquement sur les GPU Nvidia pour exécuter ses modèles. La société a utilisé simultanément différents types d'accélérateurs tels que les GPU NVIDIA et AMD, Google TPU et Amazon AWS Trainium, et a unifié la gestion de ces ressources matérielles dans un pool de ressources informatiques planifiées de manière flexible. Tom Brown avait précédemment qualifié de choix inhabituel la décision précoce de l'entreprise d'adopter une stratégie de plate-forme multi-puces. Cette stratégie peut devenir plus attractive à mesure que le temps d’adaptation du logiciel est considérablement réduit.

Anthropic a commencé à utiliser des GPU AMD pour la première fois cette année et a conclu un accord de coopération avec AMD impliquant jusqu'à 2 gigawatts de puissance de calcul. Selon les informations précédemment divulguées par les deux parties, AMD utilise également Claude pour optimiser la charge de travail des GPU de la série Instinct et accélérer le développement de la plate-forme logicielle ROCm. AMD estime que la génération automatique du code du noyau par l'IA devrait abaisser encore davantage le seuil technique permettant aux clients d'adopter ses accélérateurs.

En fait, la direction d'AMD a parlé à plusieurs reprises de l'impact des outils de programmation d'IA sur l'écosystème logiciel GPU. Le PDG d'AMD, Su Zifeng, a déclaré en septembre de l'année dernière qu'une grande quantité de logiciels d'IA avait été initialement développée autour de CUDA, mais qu'une partie considérable du code peut désormais être convertie en une forme adaptée aux plates-formes AMD grâce à des outils logiciels. En juillet de cette année, Vamsi Boppana, vice-président senior d'AMD, a également déclaré que l'IA devrait éliminer les barrières logicielles restantes lors de l'adoption des GPU AMD.

Lors de l'événement AMD Advancing AI organisé en juillet de cette année, Philippe Tillet d'OpenAI a également parlé du rôle des agents IA dans le développement du cœur du GPU. Il a déclaré qu'après qu'OpenAI ait obtenu le rack AMD Helios, il n'a fallu que quelques jours à un ingénieur pour confirmer que le système fonctionnait correctement, notant que les agents d'IA assument progressivement une partie du travail qui relevait auparavant de la responsabilité des ingénieurs du noyau. AMD a également révélé qu'un ingénieur avait demandé à Claude de l'aider à démarrer le rack MI355X et à faire fonctionner le système pendant le week-end.

Les données divulguées par Anthropic ont attiré l'attention car les résultats pertinents ne sont plus seulement des démonstrations ou de la publicité d'AMD elle-même. En tant que société d'IA qui achète et utilise réellement des puces, Anthropic a divulgué aux investisseurs les changements au fil du temps dans ses propres pratiques d'ingénierie. Son document de prospectus d'introduction en bourse mentionnait également qu'avec l'aide de Claude, la société avait pu introduire de nouvelles plates-formes de puces dans l'environnement de production avec un investissement d'ingénierie bien inférieur à celui du passé, bien que le document ne donne pas de chiffre précis sur trois jours.

Cependant, l'amélioration de la vitesse d'adaptation ne prouve pas directement que le GPU AMD a égalé les performances de Nvidia. Anthropic n'a pas annoncé la vitesse de fonctionnement réelle de Claude sur le MI355X, ni fourni de données de comparaison des performances avec du matériel similaire de Nvidia. Le rapport souligne également que même si le graphique présenté par l'entreprise indique que le progrès d'adaptation des deux solutions est proche de 100%, il n'explique pas en détail à quel contenu de travail correspond ce ratio.

Le PDG de Nvidia, Jensen Huang, a déjà déclaré que la société elle-même utilise également l'IA pour aider au développement de cœurs de GPU, et estime que personne ne comprend mieux que Nvidia sa propre architecture de puce, afin que Nvidia puisse utiliser pleinement les performances matérielles. Concernant l’adoption d’autres accélérateurs par des entreprises comme Anthropic, il a un jour qualifié Anthropic de cas particulier plutôt que de tendance industrielle.

Dans le même temps, l'écriture automatique par l'IA des noyaux GPU est également confrontée à de nouveaux goulots d'étranglement en matière de ressources. Une analyse publiée par SemiAnalysis en juillet de cette année estime que les coûts de développement de logiciels diminuent, mais que le code généré par les agents d'IA doit encore être testé et vérifié sur de véritables GPU. Chaque agent nécessite des ressources GPU correspondantes pour exécuter des tests, et les ressources GPU internes d'AMD pour un tel développement sont insuffisantes, ce qui peut devenir une contrainte pour une expansion ultérieure des applications.

Dans l'ensemble, l'importance de la démonstration de Claude Mythos réside non seulement dans le fait qu'elle raccourcit un processus de développement logiciel spécifique, mais également dans le fait que l'IA peut modifier le coût de la migration logicielle entre différentes plates-formes GPU. Les avantages de CUDA ne disparaîtront pas immédiatement. Sa chaîne d'outils mature, son écosystème de développeurs et son expérience accumulée à long terme en matière d'optimisation des performances sont toujours précieux. Cependant, si l’IA peut effectuer de plus en plus automatiquement la transplantation de code, l’écriture du noyau et l’adaptation matérielle, les clients pourraient être moins dépendants d’écosystèmes logiciels spécifiques lors du choix des GPU. Des concurrents comme AMD auront également l’opportunité de conquérir des clients qui utilisaient initialement principalement les plateformes Nvidia avec des coûts de migration inférieurs.

Tags associés

Articles similaires

Commentaires

0/500
Captcha (click to refresh)
Aucun commentaire