Nvidia enfrenta competidores con lanzamiento de TorchTPU y TorchNeuron

Google y Amazon han lanzado herramientas diseñadas para reducir la dependencia en chips Nvidia en el sector de la inteligencia artificial.

Las empresas han presentado TorchTPU y TorchNeuron, dos iniciativas que permiten a los programadores ejecutar sus aplicaciones en procesadores propios sin necesidad de reescribir el código originalmente diseñado para chips Nvidia. Estas herramientas están dirigidas a entornos de código abierto como PyTorch, que es el más utilizado en inteligencia artificial.

Google presentó TorchTPU durante la conferencia PyTorch 2026, una herramienta que permite entrenar y desplegar modelos de inteligencia artificial en sus procesadores TPU utilizando las mismas herramientas conocidas por los desarrolladores. Fue desarrollado en conjunto con el equipo de PyTorch en Meta y otra fundación.

Amazon lanzó TorchNeuron, una versión adaptada para su chip Trainium. Esta herramienta permite a los programadores migrar aplicaciones con un simple cambio de configuración sin necesidad de reescribir el código. Además, Amazon se comprometió a enviar código al proyecto central de PyTorch.

Ambas empresas buscan ofrecer alternativas al dominio de Nvidia en el sector, donde sus GPU y software CUDA han sido durante años el estándar para entrenar modelos de IA.

Las GPU de Nvidia han sido durante años la norma en el sector de inteligencia artificial debido a su integración con el software CUDA. Sin embargo, empresas como Deepgram están comenzando a migrar hacia alternativas como Trainium, que ofrecen una mayor eficiencia y reducen los costos.

Según Amazon, las aplicaciones desarrolladas con PyTorch pueden procesar un 70% más de audio por cada dólar invertido después de la migración. Esto sugiere que las herramientas de Trainium están siendo bien recibidas en el sector, donde la eficiencia y la reducción de costos son fundamentales.

La directora de ingeniería de PyTorch en Meta, Jana van Greunen, enfatizó la importancia de la interoperabilidad en el desarrollo de inteligencia artificial. Esto se debe a que los desarrolladores necesitan poder elegir el hardware más conveniente sin perder acceso a sus modelos favoritos.

Aunque las herramientas de Trainium facilitan la migración hacia alternativas a Nvidia, no garantizan que los desarrolladores abandonen a esta empresa inmediatamente. El cambio de chip requiere ajustes y pruebas, y Nvidia mantiene una ventaja significativa en rendimiento y ecosistema de software construido alrededor de sus procesadores.

La empresa Google ha logrado entrenar modelos con hasta 8,000 procesadores de su serie Ironwood utilizando la herramienta TorchTPU, lo que demuestra su eficiencia en grandes escalas.

Según los datos proporcionados por Google, la eficiencia de cómputo alcanzó el 52% con la familia de modelos Qwen, lo que sugiere que la alternativa desarrollada por la empresa es viable a gran escala. Esta prueba ha sido vista como una demostración de la capacidad de TorchTPU para reducir la dependencia en chips Nvidia.

El lanzamiento de herramientas similares por parte de Amazon y Google representa un desafío significativo a la dominancia de Nvidia en el mercado de procesadores.