Anthropic 發布了 Model Hardware Standard(MHS)Research Preview。它試圖統一 AI 叢集內 GPU、CPU、記憶體與各類加速器之間的連接方式。對使用 AI 的人來說,核心問題是:Claude 能否因此更順暢地跑在更多種硬體上?
MHS 不是新晶片,而是硬體互連方案
MHS 全名 Model Hardware Standard。它本身不是晶片,也不是 AI 加速器。從公開預覽的描述來看,涵蓋範圍大致包括:
- GPU 與 GPU 之間的連接
- GPU 與主機 CPU、記憶體之間的連接
- GPU 與專用 ASIC 等不同加速器之間的互連
Anthropic 想提供一套類似 PCIe 或 NVLink 的介面,讓 AI 叢集不必完全依賴某一家晶片廠商的協定。
不過,這次釋出的版本仍屬 research preview。公開資料並未提供完整的規範內容,因此頻寬、相容裝置與實際效能目前都還無法確認。
23 分與 11 則留言透露了什麼?
草稿紀錄顯示,該頁面在 Hacker News 上拿到 23 分、11 則留言。這個數字明顯低於 MCP 協定發布時的熱度。
原因並不複雜。
- MHS 面向的是硬體與基礎設施,距離一般應用開發者較遠。
- 預覽版沒有公開完整規範,可討論的素材不足。
- GPU、CPU 與 ASIC 之間的互連,屬於高度專業的議題。
熱度低不代表沒有用。硬體介面通常埋在伺服器、驅動程式與排程系統裡,開發者看不見它,卻會直接影響訓練速度、部署成本與供應商選擇。
MHS 頁面上列了哪些廠商?
MHS 頁面列出的合作夥伴包括 NVIDIA、AMD、AWS、Google Cloud 與 Microsoft Azure。這份名單來自 Anthropic 的公開頁面,但實際合作深度不能只看名單判斷。
這裡需要區分兩件事。
MHS 是想取代 NVLink,還是補上不同互連方案之間的缺口?
後者的可能性較高。NVIDIA 的 NVLink 主要服務自家 GPU,AMD 用 Infinity Fabric,AWS 有 Trainium,Google Cloud 有 TPU。各家方案解決的問題不同,也不會因為一份預覽文件就立刻整合。
MHS 的價值,可能在於替上層軟體提供一個相對統一的抽象層。它未必會取代底層硬體協定,而是試圖讓訓練框架與叢集排程系統少適配幾套介面。
Anthropic 為什麼要推動 MHS?
首先,Anthropic 需要壓低 Claude 的部署成本。
Claude 的訓練與推論如果過度依賴 NVIDIA,供應、定價與產能的任何變動都會影響服務品質。介面統一之後,Anthropic 更容易評估 Trainium、TPU 與 AMD 硬體的可行性。
其次,Anthropic 需要增加對雲端廠商的議價空間。
AWS、Google Cloud 與 Microsoft Azure 都有自研晶片計畫。它們希望降低對 NVIDIA 的單一依賴,也想爭取 Claude 相關的訓練與推論工作負載。
最後,MHS 可能成為 Anthropic 對抗單一硬體生態系的工具。
NVIDIA 的優勢不只在晶片本身,還包括 CUDA、NCCL、TensorRT 與 NVLink 構成的軟硬體組合。單獨換掉其中一個環節,很容易遇到相容性與效能問題。如果 MHS 能讓上層軟體跨硬體運行,Anthropic 就多了一張遷移牌可打。
MHS 面臨哪些實際阻力?
最大的阻力不是介面名稱,而是生態系。
過去已經出現過不少互連標準:
- Gen-Z:2016 年提出,後來幾乎銷聲匿跡
- CCIX:仍然存在,但採用範圍有限
- CXL:應用較廣,但相容性與廠商配合仍是問題
- OpenCAPI:由 IBM 推動,市場影響力不大
這些案例說明,協定設計出來只是起點。驅動程式、編譯器、框架、排程器與維運工具都得跟上。
MHS 目前有三個風險:
- NVIDIA 沒有動機把 NVLink 的核心優勢拱手讓給開放介面。
- AMD 即使支持,也不一定會把 MHS 排進主要產品線。
- 雲端廠商各有自研晶片,未必願意把底層控制權交給統一標準。
因此,MHS 比較務實的路徑,可能是先服務 Claude 自己的部署需求。它未必能在三年內取代 NVLink 或其他專有方案。
除非 Anthropic 能公開一次大規模訓練遷移案例。否則,廠商支持名單不足以證明 MHS 已具備生產可用性。
編輯觀點
MHS 值得關注,不是因為它已經能取代 NVLink,而是因為 Anthropic 把問題從模型層往下推到了硬體層。過去,模型公司通常透過 API 來屏蔽晶片差異;這次 Anthropic 試圖直接定義底層介面。它與 MCP 的差異在於,MCP 處理模型如何呼叫工具,MHS 處理算力如何在叢集中協作。
我的判斷是,MHS 短期內更可能是 Anthropic 的供應鏈與採購工具,而非整個 AI 產業的新標準。真正的檢驗標準不是有多少廠商出現在網頁上,而是有沒有公開的訓練或推論遷移成果。在沒有頻寬、延遲、相容裝置與部署規模等資料的情況下,不宜將它解讀為 NVIDIA 生態系的正式挑戰。