Amazon lança TPU chip com PyTorch para desafiar Nvidia em IA

Tecnologia

Novas ferramentas da Amazon e Google facilitam o uso de PyTorch em chips de IA, reduzindo a dependência da Nvidia.

Leia também: FairStress avalia justiça da IA em 300 decisões sensíveis hoje

Google e Amazon anunciaram nesta semana versões próprias do PyTorch para seus chips de inteligência artificial, em um movimento coordenado para reduzir a dependência das GPUs da Nvidia e puxar desenvolvedores para o Google Cloud e a AWS.

Juntas, as empresas passam a oferecer aos times de IA a possibilidade de rodar aplicações já escritas em PyTorch — base de cerca de 85% dos apps de IA atuais — em seus hardwares proprietários, sem reescrever código, o que ataca diretamente uma das principais vantagens competitivas da Nvidia.

Quem são os principais concorrentes da Nvidia no mercado de chips para IA?

Hoje, Google e Amazon despontam como os principais concorrentes diretos da Nvidia no mercado de chips para IA em nuvem, com os chips TPU, no caso do Google, e Trainium, no caso da Amazon.

Ambas vêm investindo pesado em hardware próprio para reduzir custos internos, controlar a cadeia tecnológica e oferecer alternativas às GPUs Nvidia para clientes corporativos. Com TorchTPU e TorchNeuron, essas plataformas passam a disputar não só desempenho bruto, mas também o ecossistema de software que, até aqui, girava em torno da Nvidia.

Além delas, a própria Meta influencia esse jogo ao ter criado o PyTorch e, hoje, colaborar para que o projeto seja mais aberto a diferentes hardwares, em conjunto com a Linux Foundation. Startups e empresas focadas em ferramentas de IA, como Hugging Face, Inferact e RadixArk, também entram na equação, ajudando a garantir que essas novas versões do PyTorch funcionem bem com bibliotecas e frameworks amplamente usados.

O que é o chip TPU do Google e como ele impacta a competição com a Nvidia?

A TPU é o chip de IA desenvolvido pelo Google para acelerar tarefas de aprendizado de máquina, e ganha novo fôlego competitivo com o lançamento do TorchTPU, que permite rodar diretamente apps em PyTorch nesses processadores.

Segundo o Google, o TorchTPU “lets AI apps run on Google’s AI chips, called Tensor Processing Units (TPUs)” e torna simples portar aplicações existentes para sua nuvem: “Developers can do this with a simple configuration change and no re-writing of their apps”. Na prática, isso remove uma das maiores barreiras de entrada para times acostumados a programar pensando nas GPUs da Nvidia.

O Google afirma ainda que trabalhou “diretamente com Meta, Hugging Face, Inferact, RadixArk e outros” para garantir que os recursos e bibliotecas do TorchTPU fiquem alinhados ao que os desenvolvedores já encontram no PyTorch tradicional. A empresa lançou também a “TPU agent suite”, descrita como uma ferramenta que “helps developers move their apps to Google’s chips and cloud and fix errors along the way”, além de atualizar o LiteRT para funcionar melhor com apps em PyTorch em celulares, laptops e dispositivos embarcados.

Ao oferecer uma experiência de migração quase transparente e cercada de ferramentas, o Google tenta transformar a TPU de opção de nicho em alternativa concreta às GPUs Nvidia, especialmente para empresas que já usam o Google Cloud e querem mais previsibilidade de custo ou menos dependência de um único fornecedor de hardware.

Como a Amazon está atacando a liderança da Nvidia com seus chips de IA?

A Amazon investe no chip Trainium e agora reforça essa estratégia com o TorchNeuron, sua própria versão do PyTorch que roda diretamente nesse hardware e na AWS, também sem exigir reescrita de código.

O TorchNeuron segue a mesma lógica do TorchTPU: permitir que aplicações já escritas em PyTorch sejam portadas para o chip Trainium com mudanças mínimas, o que facilita testes de desempenho e custo sem refazer projetos inteiros. A novidade é acompanhada por uma movimentação mais ampla dentro do próprio PyTorch.

A empresa afirma que “is submitting code to the main PyTorch project that decouples various features from Nvidia’s chips”, ou seja, está contribuindo com o repositório principal para desamarrar funcionalidades que hoje dependem diretamente das GPUs Nvidia. A ideia é tornar o PyTorch “mais aberto a qualquer hardware por padrão”, permitindo que chips como o Trainium concorram em pé de igualdade do ponto de vista de software.

Essa estratégia mira um ponto sensível da Nvidia: por anos, boa parte das bibliotecas, drivers e otimizadores de IA foram pensados primeiro para suas GPUs. Se o PyTorch passar a tratar Nvidia, Google, Amazon e outros de forma mais simétrica, a escolha de hardware tende a ser definida mais por preço, disponibilidade e desempenho real do que por facilidade de desenvolvimento.

Entenda o contexto

O PyTorch nasceu dentro da Meta e hoje é mantido pela Linux Foundation como um projeto open source central para a indústria de IA. Startups, grandes empresas e pesquisadores usam o toolkit para construir, treinar e colocar em produção modelos de linguagem, visão computacional e uma série de outras aplicações.

Como o PyTorch foi otimizado desde cedo para as GPUs Nvidia, a empresa acabou ganhando uma vantagem estrutural: quem aprendia a programar em IA, aprendia já olhando para seu ecossistema de placas, drivers e bibliotecas. Isso ajudou a consolidar o domínio da marca em data centers e nuvens públicas.

Com a explosão recente da demanda por computação de IA e a alta nos preços e na disputa por GPUs, cresceu a pressão para que o software fosse menos dependente de um único fornecedor. É nesse cenário que chegam o TorchNeuron e o TorchTPU, apoiados por grandes nomes do setor para tornar o PyTorch efetivamente multiplataforma.

Por ora, nada indica uma migração em massa imediata das GPUs Nvidia para TPUs do Google ou chips Trainium da Amazon. Mas os anúncios desta semana marcam um ponto de inflexão: o jogo da IA deixa de ser só sobre quem tem a melhor placa e passa a ser também sobre quem oferece a combinação mais atraente de ecossistema, custo e liberdade de escolha para desenvolvedores.

Fonte: matéria original