En una frase, un fin de semana, ¡Claude ejecutó directamente su modelo más avanzado en un nuevo rack AMD MI355X!
Los ingenieros humanos no modificaron una sola línea de código.
¿Quién hubiera pensado que el foso de CUDA que NVIDIA construyó durante 20 años sería cruzado así?
Un fin de semana, Claude puso a punto la nueva GPU de AMD
La historia es así.
Hace un tiempo, AMD envió a Anthropic un rack equipado con MI355X.
El equipo, después de verlo, ya estaba mentalmente preparado para una batalla difícil. Nueva plataforma con nuevo stack de software, inevitablemente requeriría una nueva ronda de adaptación.
Sin embargo, Anthropic tenía a Claude a mano.
El equipo decidió dejar que un ingeniero lo probara primero: conectó a Claude a la máquina, le dijo: "Ve, haz que esta máquina funcione."
Cuando regresaron a sus puestos de trabajo después del fin de semana, la pantalla ya mostraba una curva de rendimiento en constante aumento: no solo funcionaba, sino que el rendimiento mejoraba continuamente ronda tras ronda.
Después de que Tom Brown, cofundador y director de computación de Anthropic, contara esto, Lisa Su inmediatamente tomó la palabra:
Al enterarse de que solo un ingeniero de Anthropic estaba manejando el MI355X, su primera reacción fue decirle a su equipo de AMD que fuera a ayudar de inmediato.
El equipo regresó diciéndole que la otra parte dijo que no era necesario, que ya estaba todo resuelto.
Pronto, este experimento de fin de semana se conectó a un plan de despliegue real.
Recientemente, Anthropic anunció que desplegará hasta 2GW de GPUs Instinct en el sistema AMD Helios, con el primer 1GW planeado para la primera mitad de 2027.
Además, ambas partes usarán directamente a Claude para optimizar las cargas de trabajo de AMD y acelerar el desarrollo del software ROCm.
El manual del chip recibe un lector no humano
La razón por la que Claude puede realizar un "golpe dimensional" al ecosistema CUDA es porque AMD desarrolló directamente un conjunto de herramientas para que la IA pueda manejar y ajustar GPUs.
ROCm.AI, lanzado en la conferencia AMD Advancing AI 2026, es precisamente este conjunto de herramientas de GPU preparado para Claude, Codex y Cursor.
La entrada se llama AMD Skills, que contiene todo el conocimiento validado sobre ROCm.
Después de obtener este conocimiento, el Agente puede configurar el entorno, desplegar modelos, leer logs, buscar fallas y luego llamar a máquinas reales a través de ROCm CLI. El desarrollador dice el objetivo y el Agente encuentra el camino.
Punto clave, AMD incluso cambió la forma de escribir los manuales de los chips.
Anush Elangovan, vicepresidente de soluciones y software de IA de la compañía, reveló en el evento que cada generación de GPU AMD hará público su conjunto de instrucciones (ISA) y proporcionará una ISA legible por IA.
Después de entender el manual, el Agente puede comenzar a ajustar el rendimiento directamente.
AMD confía esta parte del trabajo a Hyperloom. Iniciará un servicio de inferencia, ejecutará una línea base, buscará cuellos de botella en CPU y GPU, probará diferentes configuraciones, generará núcleos personalizados y finalmente volverá a ejecutar la nueva solución.
En la demostración en vivo, Hyperloom aumentó la velocidad de salida del modelo M3 de MiniMax en un 38%. AMD también lo hizo ejecutar más de 14,000 modelos de una vez, condensando los resultados de las pruebas en experiencia reutilizable para la próxima vez.
AMD también está entrenando esta capacidad junto con empresas de modelos de vanguardia. Las palabras de Elangovan son interesantes: hacer que los modelos de vanguardia "hablen de programación AMD de forma innata".
En el futuro, al observar un chip, el rendimiento máximo y el ancho de banda de memoria serán importantes, pero también lo será si la IA puede leerlo, llamarlo y extraer su rendimiento, todo en la misma hoja de especificaciones.
El tipo de desarrollador que las compañías de chips deben atraer ahora tiene una categoría adicional: el Agente.
El golpe dimensional desde la IAG
CUDA ha llegado hasta hoy desde 2006 gracias a un ecosistema construido línea por línea por innumerables ingenieros.
Compiladores, bibliotecas matemáticas, depuradores, herramientas de análisis de rendimiento, documentación, tiene todo lo necesario.
Lo más difícil de replicar es la experiencia acumulada por generaciones de ingenieros.
Cómo ajustar operadores, cómo acelerar la comunicación, cómo asignar memoria, dónde es más probable que surjan problemas en el despliegue distribuido, toda esta experiencia está encerrada en la mente de unos pocos expertos.
Incluso si un competidor produce un chip con rendimiento similar, debe recorrer este largo camino de software desde el principio. La fabricación de chips puede avanzar por trimestres, pero la acumulación de ecosistemas solo se puede medir en años.
Y es precisamente esta brecha la que llenan los Agentes.
Leerán la documentación de la plataforma, llamarán a las herramientas de análisis de rendimiento, encontrarán dónde se atasca la velocidad, luego modificarán el código, compilarán y probarán. Si un plan no funciona, cambiarán al siguiente; si el rendimiento mejora, continuarán optimizando en esa dirección.
Formar a un ingeniero experto en GPU de primer nivel lleva años a un humano, iniciar una tarea más con un Agente solo requiere abrir otra tarea.
Un ingeniero libera un grupo de Agentes para investigar errores en paralelo y localizar cuellos de botella de rendimiento. Una configuración exitosa, núcleos escritos y problemas encontrados pueden convertirse inmediatamente en el punto de partida para el siguiente lote de Agentes.
Comprimir la persecución medida en años a una medida en tareas, ahí es donde la IA es más valiosa. Este es también el golpe dimensional que las capacidades de tipo IAG (Inteligencia Artificial General) infligen al ecosistema CUDA.
Hoy, los ingenieros chinos ya están en la primera línea de esta transformación del stack de software de GPU por IA, y la experiencia subyacente que están acumulando también se está organizando en más capacidades que los Agentes pueden utilizar.
Ha aparecido un nuevo punto de partida para perseguir a CUDA: entregar las interfaces de hardware y las herramientas de software a la IA, y dejar que los Agentes trabajen directamente.
Por primera vez, la brecha de 20 años en el ecosistema puede ser reducida por un grupo de Agentes trabajando día y noche.
Este artículo proviene del WeChat público "新智元", autor: ASI启示录
