Contexte
Anthropic a présenté Claude Mythos, une plateforme d’IA destinée à automatiser la création de code bas‑niveau pour les processeurs graphiques. Jusqu’à récemment, l’intégration d’un nouveau modèle AMD sur une infrastructure d’entraînement IA pouvait prendre jusqu’à douze mois, principalement à cause de la nécessité de réécrire ou d’adapter les kernels CUDA de Nvidia vers les API d’AMD telles que ROCm. Cette phase d’ingénierie était considérée comme un obstacle majeur à la diversification des fournisseurs de matériel.
Mécanisme de génération de kernels
Claude Mythos exploite un modèle de génération de code qui analyse les spécifications des kernels CUDA existants et produit automatiquement des implémentations natives pour les architectures AMD. Selon le communiqué d’Anthropic, le système écrit « presque 100 % des kernels » sans intervention humaine, ce qui explique la chute du délai d’onboarding à environ trois jours. Le processus repose sur trois étapes : extraction du graphe de dépendances du kernel source, traduction des primitives de calcul vers les instructions AMD, puis validation par un simulateur interne qui compare les performances et la précision des résultats.
Analyse des performances et limites
Les premiers benchmarks publiés par Anthropic montrent que les kernels générés atteignent en moyenne 95 % de l’efficacité des versions CUDA optimisées, avec des écarts plus importants sur les opérations de réduction de vecteurs où l’architecture AMD possède des instructions spécialisées différentes. La latence d’exécution reste légèrement supérieure (environ 5‑10 % de plus) sur les modèles de réseau de grande taille, ce qui reflète le fait que le générateur ne peut pas toujours exploiter les optimisations manuelles de bas niveau que les ingénieurs Nvidia intègrent habituellement. De plus, la fiabilité du code dépend de la couverture du jeu de tests fourni ; les cas où les kernels contiennent des comportements non déterministes requièrent encore une validation humaine.
Implications pour l’écosystème GPU
En réduisant le temps d’intégration, Claude Mythos affaiblit l’avantage de marché de Nvidia basé sur la complexité de son écosystème CUDA. Les fournisseurs de cloud et les laboratoires de recherche peuvent désormais envisager d’utiliser des GPU AMD sans engager des équipes de bas niveau pendant plusieurs mois. Cependant, la dépendance à un générateur propriétaire soulève des questions de transparence : les utilisateurs n’ont pas accès au code source du modèle de traduction, ce qui complique les audits de sécurité et les optimisations spécifiques à des charges de travail. Enfin, la capacité du système à s’adapter à de futures architectures AMD (par ex. les prochains nœuds de gravure) reste à démontrer, car chaque génération introduit de nouvelles instructions qui devront être apprises par le modèle.