Anthropic启动IPO路演，视频披露其跨四种芯片训练和运行Claude
来源标题：Anthropic's IPO roadshow video
Anthropic于昨日启动IPO路演，其路演视频首次披露公司业务运作细节。联合创始人Tom Brown在“计算方式”部分介绍，Anthropic已在AWS Trainium、Google TPU、NVIDIA GPU和AMD GPU四大芯片平台上训练和运行Claude，这一多芯片策略源于早期的不寻常押注，如今已积累多年经验。他举例称，今年首次接入AMD GPU时，借助Mythos仅用很短时间就让Claude在AMD平台上运行起来。
以下正文由 AI 翻译自 Simon Willison（原文版权归原站所有），可能存在偏差，重要内容请以原文为准。
Anthropic 昨天启动了 IPO 路演，其路演视频中包含了一些此前未公开的、关于其业务运作方式的信息。
联合创始人 Tom Brown 出镜的“计算策略”部分尤其引人关注，其中描述了 Anthropic 如何在 AWS Trainium、Google TPU、NVIDIA GPU 和 AMD GPU 上训练和部署 Claude。
我不确定为什么没有官方视频文字稿，但这里有一份我用 MacWhisper 提取的文字稿。以下为要点：
我们现在在全部四大芯片家族上训练和部署 Claude。这之所以可能，是因为我们很早就在多芯片策略上做了一个非常规的押注。当时，许多人认为在不同芯片上运行 AI 模型不值得投入。每种芯片都需要各自定制的软件栈和推理栈，构建成本高昂且难度很大。我们已经这样做了多年，并且做得极其出色。[...]
举个例子，今年我们首次开始使用 AMD GPU。过去，引入一个新的芯片平台需要数十名工程师投入数月的工作。这一次，我们让 Mythos 试了一下。它只用三天就让 Claude 在 AMD 上跑了起来，基本上没有人工干预。Claude 移植或编写了几乎 100% 的 kernel。[...]
我们计算优势的第二个驱动力，是我们发现计算乘数的速度。我们关注的是总有效计算量，即物理容量与我们发现的计算乘数的乘积。每发现一个乘数，我们的总有效计算量池就会变大。举例来说，假设你需要 100 单位的计算量来训练一个特定智能水平的模型。4 倍计算乘数意味着你可以用 25 单位的计算量来训练完全相同的模型。或者，你可以用那 100 个物理单位来训练一个更智能的模型，而这个模型此前需要 400 单位才能训练出来。
计算乘数为我们创造了难以复制的竞争优势。它们会相互叠加。我们每发现一个新乘数，都会对之前的乘数产生正向影响。它们会累积。我们相信，随着我们接近递归自我改进，这一进程还能进一步加速。Claude 将能够完全自行发现计算乘数，使计算乘数的数量增长得越来越快。
去年九月，Anthropic 在三起近期问题的复盘文章中透露了其多芯片策略的线索，其中描述了一些仅影响其 TPU 部署的 bug。
标签：ai, generative-ai, llms, anthropic, gpus, claude-mythos-fable, recursive-self-improvement
正文由 探How 从来源站点 RSS 同步，内容未经改写；遇到排版缺失或需要图片、视频时请以原文为准。