Anthropic ha riferito agli investitori che il suo modello di punta, Claude, ora funziona su GPU AMD Instinct dopo appena tre giorni di lavoro. Secondo l’azienda, a occuparsi della conversione è stato il suo modello di frontiera Mythos, che ha scritto quasi tutti i kernel necessari senza aiuto umano. In passato, trasferire un modello su un nuovo acceleratore avrebbe impegnato decine di ingegneri per un progetto della durata di sei-dodici mesi.
La dichiarazione è contenuta in una presentazione per gli investitori pubblicata a novembre 2026. Tom Brown, cofondatore di Anthropic e responsabile delle infrastrutture di calcolo, ha detto che l’azienda ora addestra e fa funzionare Claude su quattro principali famiglie di chip: GPU Nvidia, GPU AMD, chip Amazon Trainium e TPU Google. Questo approccio multi-chip permette al laboratorio di spostare il carico di lavoro sull’hardware meno costoso o più disponibile, una possibilità finora limitata dal fatto che lo stack software CUDA di Nvidia tende a vincolare gli sviluppatori ai suoi chip.
Anthropic afferma che il passaggio ad AMD in tre giorni è stato realizzato usando la GPU MI355X e concentrandosi sulle prestazioni di elaborazione dei prompt. L’azienda considera la capacità di calcolo offerta dai diversi fornitori come un unico bacino, distribuendo i carichi dove ottiene il miglior rapporto tra prezzo e prestazioni. Ha inoltre in programma di installare fino a due gigawatt di GPU AMD MI455X nei suoi sistemi rack Helios; il primo gigawatt dovrebbe entrare in funzione nella prima metà del 2027.
Perché è importante
Se i dati di Anthropic saranno confermati, le aziende potranno spostare i carichi di lavoro dell’IA tra Nvidia e AMD molto più rapidamente, riducendo la dipendenza dall’ecosistema CUDA di Nvidia, caratterizzato da margini elevati. Questo potrebbe aprire il mercato a chip più economici o più facilmente reperibili, soprattutto finché le forniture di GPU resteranno limitate.
Perché conta
Per le aziende che eseguono modelli linguistici di grandi dimensioni, poter passare più rapidamente da un hardware all’altro potrebbe ridurre i costi del cloud e aggirare i colli di bottiglia legati alla posizione dominante dello stack software di Nvidia. La dichiarazione, però, non è stata verificata in modo indipendente: i reali vantaggi in termini di velocità e costi restano quindi incerti.
