Google y Amazon lanzan herramientas para reducir la dependencia de chips Nvidia

Google y Amazon han dado a conocer nuevas herramientas que permiten a los programadores de inteligencia artificial ejecutar sus aplicaciones en procesadores propios de cada empresa, sin necesidad de reescribir el código originalmente diseñado para chips Nvidia. El objetivo es ofrecer alternativas al dominio de Nvidia en el sector, donde sus GPU y el software CUDA han sido durante años el estándar para entrenar modelos de IA¹.

Las iniciativas, denominadas TorchTPU (Google) y TorchNeuron (Amazon), buscan facilitar la migración de aplicaciones desarrolladas con PyTorch, el entorno de código abierto más utilizado en inteligencia artificial, hacia los chips diseñados por ambas empresas¹.

Qué ofrecen TorchTPU y TorchNeuron

Google presentó TorchTPU durante la conferencia PyTorch 2026, una herramienta que permite entrenar, servir y desplegar modelos de inteligencia artificial en sus procesadores TPU utilizando las mismas herramientas ya conocidas por los desarrolladores, como Hugging Face, vLLM y SGLang. El proyecto fue desarrollado en conjunto con el equipo de PyTorch en Meta y la fundación que administra el programa¹.

Por su parte, Amazon lanzó TorchNeuron, una versión adaptada para su chip Trainium. Esta herramienta permite migrar aplicaciones con un simple cambio de configuración, sin necesidad de reescribir el código. Además, Amazon anunció que enviará código al proyecto central de PyTorch para eliminar dependencias específicas de un fabricante¹.

El dominio de Nvidia y la apuesta por alternativas

Según datos citados por Amazon, el 85% de las aplicaciones de inteligencia artificial se desarrollan con PyTorch, que durante años funcionó mejor en las GPU de Nvidia debido a la integración de su software CUDA. Esto consolidó a Nvidia como el estándar de facto en el sector, a pesar de la existencia de alternativas como AMD o Apple¹.

Empresas como Deepgram, dedicada a la inteligencia artificial de voz, reportan que tras migrar a Trainium pueden procesar un 70% más de audio por cada dólar invertido, según Amazon¹.

Reacciones y desafíos para los desarrolladores

Jana van Greunen, directora de ingeniería de PyTorch en Meta, afirmó que "no podemos quedar atados a una sola arquitectura de hardware", destacando la importancia de la interoperabilidad¹. Jeff Boudier, vicepresidente de producto de Hugging Face, señaló que la colaboración busca que los programadores puedan elegir el hardware más conveniente sin perder acceso a sus modelos favoritos¹.

Aunque estas herramientas facilitan la migración, no garantizan que los desarrolladores abandonen Nvidia de inmediato, ya que cambiar de chip requiere ajustes y pruebas. Nvidia mantiene una ventaja significativa en rendimiento y en el ecosistema de software construido alrededor de sus procesadores¹.

Pruebas y eficiencia de las nuevas herramientas

Google informó que TorchTPU ya fue probado entrenando modelos con hasta 8,000 procesadores de su serie Ironwood, alcanzando una eficiencia de cómputo del 52% con la familia de modelos Qwen, lo que la empresa presenta como evidencia de que su alternativa funciona a gran escala¹.

Nota de la Redacción: esta nota se basa en la información disponible al publicarla y se actualizará si otras fuentes aportan más datos.

Fuentes

Texto elaborado por la Redacción de Columna Digital a partir de estas fuentes:

1. Infobae ↩

Redacción Columna Digital. Es posible que en la preparación de esta nota se hayan usado herramientas de inteligencia artificial para reunir fuentes, procesar datos, corregir o redactar textos, bajo la supervisión del equipo de Redacción.