TorchTPU de Google y TorchNeuron de Amazon: el doble golpe a NVIDIA que la IA esperaba
Rafael Antonio Guzmán
5 min de lectura
TorchTPU de Google ya es oficial: la herramienta traslada programas de IA escritos para los chips de NVIDIA a sus procesadores TPU sin reescribir una línea de código. Llegó un día después de que Amazon presentara su propia versión, TorchNeuron, y el sector habla del desafío más serio al dominio de NVIDIA en la inteligencia artificial.
Google presentó TorchTPU en la conferencia PyTorch 2026 y liberó el código como proyecto de código abierto. Amazon se había adelantado el lunes 19 de octubre con TorchNeuron, su adaptación para Trainium, el chip que diseña su unidad Annapurna Labs. En ambos casos, el blanco es el mismo: PyTorch, el marco de código abierto con el que se construye la mayoría de los modelos de IA; según datos que citó Amazon, con él se escribe el 85 % de las aplicaciones.
¿Qué es TorchTPU de Google y cómo funciona?
TorchTPU es la versión de PyTorch adaptada por Google para que las aplicaciones de IA corran en sus unidades de procesamiento tensorial (TPU). La clave está en la migración: mover una aplicación existente a las TPU —y por lo tanto a Google Cloud— requiere un simple cambio de configuración, no reescribir el programa.
La herramienta cubre el ciclo completo: entrenar, servir y desplegar modelos con las mismas herramientas que los desarrolladores ya usan, entre ellas Hugging Face, vLLM y SGLang. Google asegura haber trabajado directamente con Meta, Hugging Face, Inferact (creadora de vLLM) y RadixArk (creadora de SGLang) para que todo funcione igual que en el PyTorch original.
Además lanzó una suite de agentes para TPU que ayuda a los desarrolladores a migrar sus aplicaciones y a corregir errores en el proceso, y actualizó LiteRT, su herramienta para ejecutar IA en teléfonos, laptops y dispositivos integrados, para que trabaje mejor con aplicaciones de PyTorch.
La cita de Meta que lo dice todo
El proyecto se desarrolló junto con el equipo de PyTorch dentro de Meta, la empresa que creó el programa en 2016 antes de cederlo en 2022 a la fundación sin fines de lucro que lo administra. «No podemos quedar atados a una sola arquitectura de hardware», afirmó Jana van Greunen, directora de ingeniería de PyTorch en Meta, en el comunicado de Google.
Hugging Face también se sumó al anuncio: su vicepresidente de producto, Jeff Boudier, sostuvo que la colaboración busca que los programadores puedan elegir el hardware que mejor les convenga sin perder acceso a sus modelos favoritos.
TorchNeuron de Amazon y el caso que demuestra el ahorro
Amazon fue la primera en moverse. El lunes 19 de octubre presentó TorchNeuron, una versión adaptada a Trainium, su chip propio, que permite migrar una aplicación con un simple cambio de configuración. La compañía también anunció que enviará código al proyecto central de PyTorch para quitarle las partes que lo atan a un fabricante específico.
«Lo que de verdad importa es eliminar el bloqueo que le impedía a los desarrolladores tener una opción real», aseguró Colin Brace, vicepresidente de tecnología de software en Annapurna Labs, la unidad de Amazon que diseña sus chips. La compañía citó el caso de Deepgram, una firma de IA de voz que, tras migrar a Trainium, procesa 70 % más audio por cada dólar que gasta.
El verdadero objetivo: CUDA, el arma secreta de NVIDIA
¿Por qué PyTorch es el punto de ataque? Cuando Meta desarrolló el programa en 2016, las GPU de NVIDIA ya eran el hardware habitual en la investigación de IA, por lo que muchas de sus funciones se diseñaron para operar con ellas. Durante años, NVIDIA se aseguró de que su software, CUDA, encajara a la perfección con esa aplicación.
El resultado fue que sus chips quedaron integrados al estándar de la industria casi por defecto, aun cuando existen alternativas como las de AMD o Apple. Google dice que ya puso a prueba TorchTPU entrenando modelos con hasta 8.000 procesadores de su serie Ironwood y que alcanzó una eficiencia de cómputo del 52 % con la familia de modelos Qwen, una cifra que la empresa presenta como evidencia de que su alternativa ya funciona a gran escala.
¿Esto acabará con el dominio de NVIDIA?
Todavía no. Ninguna de las dos herramientas garantiza que los desarrolladores abandonen en masa a NVIDIA: cambiar de chip sigue implicando ajustes y pruebas, y la compañía conserva años de ventaja en rendimiento y en el ecosistema de software que construyó alrededor de sus procesadores. La disputa se libra además en medio de tensiones globales por la tecnología de IA —Estados Unidos vetó a DeepSeek en sus agencias federales—, lo que vuelve esta batalla todavía más relevante.
Pero el mensaje es claro: contar con una ruta de migración sencilla abre la puerta a que los equipos prueben hardware alternativo sin rehacer su trabajo. Google y Amazon han puesto ese desafío sobre la mesa; ahora falta ver cuántos desarrolladores lo cruzan.
Fuentes
