Anthropic affirme que Mythos a porté Claude sur des GPU AMD en trois jours

Passer de l’écosystème Nvidia aux GPU AMD demande habituellement des mois de travail, des dizaines d’ingénieurs et une longue phase de validation. Anthropic affirme que son IA interne, baptisée Mythos, aurait réduit cette opération à environ trois jours pour faire fonctionner Claude sur une nouvelle plateforme matérielle.

Trois jours contre plusieurs mois d’ingénierie

L’information provient d’une vidéo diffusée dans le cadre de la tournée de présentation d’Anthropic auprès d’investisseurs. Rapportée le 11 novembre, elle décrit Mythos comme un outil capable d’automatiser une partie importante du portage de Claude vers des GPU AMD.

Selon Anthropic, l’adaptation d’un modèle à une nouvelle architecture nécessitait auparavant « des mois » et mobilisait « des dizaines d’ingénieurs ». Mythos aurait accompli cette tâche en environ trois jours, avec très peu d’intervention humaine.

Le chiffre est spectaculaire, mais il faut le présenter pour ce qu’il est : une affirmation de l’entreprise, formulée dans un contexte de présentation financière. Aucune évaluation indépendante publiée ne permet, à ce stade, de vérifier la durée annoncée, le niveau d’autonomie réel du système ou les performances obtenues sur les puces AMD.

Le détail compte. Faire démarrer un modèle sur un accélérateur différent constitue une étape relativement limitée. Obtenir des performances comparables, une stabilité suffisante et un coût d’exploitation compétitif est une opération autrement plus complexe.

Le vrai obstacle ne se trouve pas seulement dans le modèle

Le portage d’un grand modèle de langage ne consiste pas simplement à traduire quelques lignes de code. L’environnement de calcul doit prendre en charge les kernels utilisés par le modèle, la gestion de la mémoire, la communication entre GPU et les mécanismes de parallélisation nécessaires à l’inférence.

Pendant des années, l’industrie de l’IA s’est structurée autour de l’écosystème CUDA, la plateforme logicielle de Nvidia. Les bibliothèques optimisées, les outils de profilage et les habitudes des équipes ont créé un avantage qui dépasse largement les caractéristiques brutes des cartes graphiques.

AMD propose de son côté la pile logicielle ROCm, ainsi que ses propres bibliothèques et outils. Passer de CUDA à ROCm peut impliquer la réécriture de composants bas niveau, l’adaptation des opérations numériques et la correction de comportements différents selon les architectures.

Un système comme Mythos pourrait intervenir sur plusieurs de ces tâches : repérer les incompatibilités, produire du code de remplacement, lancer des tests, comparer les résultats et corriger automatiquement certaines erreurs. Cette capacité correspond à une évolution importante des outils d’IA appliqués à la programmation. Mais elle ne dispense pas nécessairement d’une validation humaine approfondie, en particulier pour les déploiements à grande échelle.

Le démarrage n’est pas la performance

La question centrale est donc celle du périmètre exact de l’exploit annoncé. Anthropic n’a pas détaillé publiquement, dans les éléments rapportés, le modèle AMD utilisé, la version de ROCm, le nombre de GPU mobilisés ni les résultats obtenus face à une configuration Nvidia comparable.

Aucun chiffre précis n’a non plus été communiqué sur la latence, le débit d’inférence, la consommation électrique ou le taux d’erreur. Or ce sont ces indicateurs qui déterminent la valeur industrielle d’un portage.

Un modèle peut produire des réponses correctes sur une nouvelle plateforme tout en étant trop lent ou trop coûteux pour un service grand public. De même, une exécution réussie sur une configuration de test ne garantit pas un fonctionnement fiable lors d’une campagne de calcul impliquant des milliers d’accélérateurs et des échanges constants entre machines.

Le délai de trois jours peut donc correspondre à l’automatisation de la première phase d’adaptation, et non à la mise en production complète de Claude sur AMD. La nuance est essentielle pour éviter de transformer une démonstration d’outillage en preuve d’équivalence entre plateformes.

Une réponse à la dépendance envers Nvidia

L’intérêt stratégique de cette annonce dépasse le seul cas d’Anthropic. Les principaux laboratoires d’IA dépendent encore largement de Nvidia pour entraîner et exécuter leurs modèles. Cette dépendance porte sur les puces, mais aussi sur le logiciel, les compétences disponibles et les outils déjà intégrés dans les infrastructures de calcul.

Réduire le temps nécessaire pour utiliser une autre architecture pourrait améliorer la capacité de négociation des acteurs de l’IA. Une entreprise capable d’adapter rapidement ses modèles à AMD, à Google TPU ou à d’autres accélérateurs peut répartir ses charges selon les prix, les volumes disponibles et les contraintes énergétiques.

L’enjeu est également financier. Les dépenses liées aux GPU et aux centres de données représentent une part croissante des coûts de développement et d’exploitation des modèles. La possibilité de tester rapidement plusieurs fournisseurs rendrait plus facile la comparaison entre performances, prix et disponibilité.

Cela ne signifie pas que Nvidia perdrait mécaniquement son avantage. Son avance tient aussi à la maturité de CUDA, à la largeur de son écosystème et à l’intégration entre matériel, réseau et logiciels. Une IA capable de générer du code de portage peut réduire le coût de migration, mais elle ne crée pas instantanément des bibliothèques optimisées ni une expertise industrielle équivalente.

Mythos met en lumière une nouvelle classe d’outils

L’annonce illustre surtout une tendance : les IA de programmation commencent à être utilisées non plus uniquement pour écrire des fonctions ou corriger des erreurs, mais pour orchestrer des chaînes complètes d’ingénierie.

Dans ce scénario, l’IA analyse une base de code, identifie les dépendances matérielles, modifie des composants, exécute des tests et interprète les résultats. Le gain potentiel vient moins d’une génération de code isolée que de la répétition automatisée de cycles d’essai et d’erreur.

Cette approche pourrait réduire le nombre d’ingénieurs nécessaires sur certaines tâches particulièrement documentées et répétitives. Elle ne supprime pas pour autant le besoin d’experts capables de définir les objectifs, de vérifier les résultats et d’intervenir lorsque le problème touche à l’architecture du système plutôt qu’à une simple incompatibilité logicielle.

La prochaine étape consistera à mesurer le résultat, pas seulement la vitesse du portage. Il faudra connaître les performances de Claude sur AMD, son coût par requête, sa stabilité en production et la part exacte du travail réalisée sans intervention humaine.

Le prochain test sera celui de la production

Le récit d’Anthropic est crédible sur un point général : des outils d’IA peuvent déjà accélérer certaines opérations de programmation et d’optimisation. En revanche, l’écart entre une démonstration financière et une infrastructure exploitée à grande échelle reste à documenter.

Si les chiffres se confirment, le gain serait concret : passer de plusieurs mois à trois jours pour adapter un modèle réduirait fortement le coût d’exploration de nouvelles puces et affaiblirait une partie de la dépendance logicielle à Nvidia. Le prochain jalon attendu est donc la publication de mesures vérifiables sur une charge réelle : modèle utilisé, matériel AMD, performances, consommation et niveau d’intervention humaine.

Sources : AIholics ; Simon Willison.