IT之家 Le 11 novembre, l'avance de l'écosystème CUDA de Nvidia pourrait être de plus en plus contestée. Une diapositive des documents de tournée d'introduction en bourse d'Anthropic montre qu'à mesure que les modèles d'IA hautes performances acquièrent progressivement la capacité de s'adapter de manière autonome à différentes plateformes de calcul, les GPU ressemblent de plus en plus à des ressources de calcul générales interchangeables.
IT之家 a remarqué qu'Anthropic a révélé dans ses documents de tournée d'introduction en bourse une information particulièrement remarquable : son modèle Claude Mythos Preview n'a nécessité qu'environ 3 jours pour découvrir comment faire fonctionner un autre modèle sur un GPU AMD MI355X. En comparaison, traditionnellement, les travaux d'adaptation nécessaires pour accomplir des tâches d'inférence sur une nouvelle plateforme de calcul prennent généralement 6 à 12 mois.
Cela signifie qu'Anthropic peut désormais considérer les GPU de différents fabricants comme des ressources de calcul relativement générales, et la barrière technique pour basculer entre différentes plateformes a été considérablement réduite. C'est précisément pour cette raison que certains commencent à estimer que le fossé défensif de l'écosystème CUDA, dont Nvidia tire fierté depuis longtemps, a en réalité peut-être perdu sa signification originelle.
Cependant, il serait probablement encore trop tôt pour proclamer la fin de l'avantage de l'écosystème CUDA de Nvidia. CUDA n'est pas seulement un ensemble d'outils logiciels : il s'appuie également sur un écosystème de développeurs de grande envergure, des bibliothèques de fonctions et des outils de développement riches, ainsi qu'un savoir-faire technique optimisé en continu pendant de nombreuses années. À l'heure actuelle, de nombreux développeurs construisent et maintiennent encore diverses applications autour de CUDA.
Au cours des dernières années, Nvidia a également pris diverses mesures pour consolider l'avantage concurrentiel de CUDA. Par exemple, l'entreprise fournit gratuitement des GPU et des ressources de formation aux universités et aux chercheurs, afin d'attirer davantage de développeurs dans l'écosystème CUDA.
En outre, Nvidia a également intégré en profondeur sa bibliothèque d'outils de communication pour connecter plusieurs GPU, NVIDIA Collective Communications Library (NCCL), avec des technologies matérielles propriétaires telles que NVLink et InfiniBand, améliorant ainsi davantage l'efficacité du calcul collaboratif multi-GPU, tout en augmentant les coûts de migration des utilisateurs vers d'autres plateformes.