TorchTPU گوگل و TorchNeuron آمازون؛ دو غول ابری می‌خواهند PyTorch را از وابستگی به انویدیا جدا کنند

گوگل روز ۲۰ اکتبر ۲۰۲۶ ابزار متن‌باز TorchTPU را معرفی کرد و آمازون یک روز پیش‌تر از TorchNeuron رونمایی کرده بود؛ دو ابزاری که هدفشان اجرای برنامه‌های نوشته‌شده با PyTorch روی تراشه‌های ساخت خود این شرکت‌هاست، نه روی پردازنده‌های گرافیکی انویدیا. این خبر مهم است چون PyTorch زیرساخت اصلی بخش بزرگی از توسعه هوش مصنوعی است. هنوز روشن نیست مهاجرت واقعی توسعه‌دهندگان تا چه حد ساده، ارزان و بدون افت کارایی خواهد بود.

چه چیزی عرضه شد؟

PyTorch کتابخانه‌ای متن‌باز برای ساخت، آموزش و اجرای مدل‌های هوش مصنوعی است که متا ساخت و از سال ۲۰۲۲ تحت نظر بنیاد لینوکس است. بسیاری از قابلیت‌های آن سال‌ها برای پردازنده‌های گرافیکی انویدیا و پلتفرم CUDA بهینه شده‌اند، و همین باعث شده انتخاب سخت‌افزار در عمل به انویدیا گره بخورد. TechCrunch به نقل از «برخی برآوردها» می‌نویسد حدود ۸۵ درصد برنامه‌های هوش مصنوعی از PyTorch استفاده می‌کنند؛ این عدد در منابع خوانده‌شده سند مستقل نداشت.

گوگل می‌گوید TorchTPU اجرای بومی PyTorch را روی TPU فراهم می‌کند، با حالت eager برای اشکال‌زدایی و torch.compile برای کارایی تولیدی. شرکت اعلام کرده با Hugging Face، vLLM و SGLang هم همکاری کرده تا این ابزارها روی TPU کار کنند. در سمت آمازون، TorchNeuron به سازوکار ثبت سخت‌افزار در خود PyTorch وصل می‌شود، با FSDP و TorchTitan یکپارچه است و طبق ادعای شرکت در هر ساخت روی صدها هزار مدل آزمایش می‌شود. آمازون همچنین می‌گوید تغییراتی به خود PyTorch ارسال می‌کند تا وابستگی چارچوب به تراشه‌های مشخص کم شود.

منبع همه ارقام جدول، بیانیه‌های خود شرکت‌ها یا مشتریان آن‌هاست. شرایط آزمون، اندازه مدل‌ها و مقایسه با پردازنده‌های گرافیکی هم‌رده در متن‌های خوانده‌شده به‌طور کامل توضیح داده نشده بود، پس این اعداد را نباید برتری قطعی بر انویدیا خواند.

چرا اهمیت دارد؟

برای توسعه‌دهنده، هزینه جابه‌جایی از CUDA معمولاً فقط قیمت تراشه نیست؛ کد، ابزارهای اشکال‌زدایی و خط لوله استقرار را هم شامل می‌شود. اگر ادعای «بدون بازنویسی» در پروژه‌های واقعی دوام بیاورد، قدرت چانه‌زنی خریداران محاسبات هوش مصنوعی بیشتر می‌شود. TechCrunch هم یادآوری کرده است که PyTorch پیش‌تر نیز روی GPUهای AMD و تراشه‌های اپل با تغییر پیکربندی اجرا می‌شده، یعنی ایده کاملاً تازه نیست؛ تازگی ماجرا ورود هم‌زمان دو ابرمقیاس‌دهنده ابری با سرمایه‌گذاری مستقیم در متن PyTorch است.

چه چیزی را باید دنبال کرد؟

شاخص‌های روشن‌تر شامل آزمون‌های مستقل کارایی، پذیرش در پروژه‌های متن‌باز مانند vLLM و Hugging Face، و گزارش مشتریانی غیر از همکاران معرفی‌شده است. بررسی اینکه تغییرات ارسال‌شده به PyTorch چقدر پذیرفته می‌شود هم نشان می‌دهد این رقابت در لایه استاندارد باز می‌ماند یا به اکوسیستم‌های جدا تبدیل می‌شود. برای زمینه رقابت تراشه‌ای، می‌توانید گزارش رونما درباره رقابت واشنگتن و پکن بر سر تراشه و افزایش قیمت سرورهای مبتنی بر انویدیا را هم ببینید.