Google и Amazon бросают вызов доминированию ИИ-чипов Nvidia с помощью новых инструментов PyTorch

PyTorch — это открытый фреймворк для машинного обучения на Python, предназначенный для работы с нейронными сетями и глубоким обучением.
Однако сейчас гиперскейлеры меняют правила игры. Google и Amazon нанесли прямой удар по этому преимуществу, представив новые инструменты с открытым исходным кодом. Их цель амбициозна и проста: сделать миграцию рабочих нагрузок PyTorch с оборудования Nvidia на собственные процессоры максимально безболезненной.

Google открывает доступ к TorchTPU

• 20 октября Google объявила о переходе проекта TorchTPU в открытый исходный код. Это решение обеспечивает нативную поддержку PyTorch в инфраструктуре Tensor Processing Units (TPU). Поскольку PyTorch является де-факто стандартом для разработки ИИ, такая совместимость критически важна для любого игрока, бросающего вызов гегемонии Nvidia.
• По заявлению Google, существующие рабочие нагрузки PyTorch могут быть запущены на TPU с минимальными изменениями в коде, при этом разработчики сохраняют доступ к привычным API и инструментам. Более того, TorchTPU бесшовно интегрируется с ключевыми элементами современной ИИ-инфраструктуры, включая Hugging Face, vLLM, SGLang, Ray и TorchTitan.
• Для индустрии это означает снижение «трения» при миграции. Традиционно перенос моделей между разными аппаратными экосистемами требовал значительных инженерных затрат, тестирования и оптимизации, что и создавало эффект аппаратной привязки (vendor lock-in). Убирая этот барьер, Google позволяет компаниям выбирать оборудование исходя из цены, доступности и производительности, а не только из-за совместимости софта.

Стратегия Amazon: TorchNeuron для Trainium

• Amazon Web Services (AWS) реализует аналогичную стратегию. Компания запустила публичную бета-версию TorchNeuron – открытого нативного бэкенда PyTorch для своего семейства ИИ-ускорителей Trainium (включая инстансы на базе чипов Trainium2 и Trainium3).
• Согласно данным AWS, разработчикам достаточно изменить конфигурацию, а не переписывать модель под новый фреймворк. TorchNeuron поддерживает стандартные API PyTorch, обеспечивает высокую скорость выполнения и позволяет оптимизировать рабочие нагрузки с помощью функции torch.compile специально под архитектуру Trainium.
• Этот шаг имеет стратегическое значение. AWS инвестировала миллиарды в создание собственных процессоров, чтобы снизить зависимость от внешних поставщиков и улучшить экономику своей облачной инфраструктуры. Но убедить клиентов использовать эти чипы невозможно без программного обеспечения, которое вписывается в их текущие рабочие процессы. TorchNeuron призван устранить этот разрыв.

Почему PyTorch стал полем битвы

• Современная конкуренция в сфере ИИ-чипов всё больше превращается в войну программных экосистем. Nvidia годами интегрировала CUDA в процесс машинного обучения, создав огромные издержки переключения (switching costs). Даже если альтернативный чип предлагает лучшую цену или производительность, компании часто выбирают Nvidia, чтобы избежать недель инженерной работы по портированию кода.
• Нативная поддержка PyTorch меняет это уравнение. Google и Amazon делают свое оборудование не «альтернативной платформой», а еще одним целевым устройством в уже знакомой разработчику среде. Для крупных компаний, оперирующих огромными объемами данных, даже небольшое повышение гибкости выбора оборудования может принести миллионную экономию.
• Инференс как катализатор изменений. Этот сдвиг особенно актуален сейчас, когда рынок ИИ выходит за рамки обучения гигантских базовых моделей. Инференс (процесс генерации ответов и обработки запросов) становится основным драйвером спроса на вычисления.
• Нагрузки инференса крайне неоднородны: они различаются по требованиям к задержкам, объему и чувствительности к стоимости. Бизнесу, обслуживающему миллионы небольших запросов, важнее стоимость одного токена и энергоэффективность, чем сырая вычислительная мощь. Это создает идеальные ниши для альтернативных процессоров, таких как TPU от Google, Trainium от Amazon или MTIA от Meta.
• Открытый код как гарантия свободы. Важнейший аспект инициатив Google и Amazon – их открытый исходный код. Это дает разработчикам прозрачность и возможность вносить свой вклад. AWS подчеркивает, что модели, обученные на Trainium, можно сохранять в стандартных форматах и переносить на другое оборудование. Google позиционирует TorchTPU аналогичным образом.
• Это критически важно для доверия: разработчики не станут переходить на новое оборудование, если это означает попадание в новую «ловушку» проприетарного софта. Представляя свои ускорители как взаимозаменяемую инфраструктуру, гиперскейлеры снимают эти опасения.

Что это значит для рынка

• Nvidia не потеряет свое лидерство в одночасье: ее GPU по-прежнему незаменимы для обучения флагманских моделей, а сообщество и документация CUDA остаются эталоном. Однако Google и Amazon не обязательно «убивать» Nvidia, чтобы изменить рынок. Им достаточно перенаправить значительную часть рабочих нагрузок внутри собственных облачных платформ, чтобы снизить зависимость от чипов конкурента и создать реальную ценовую конкуренцию.
• Следующий этап гонки ИИ-чипов будет решаться не только нанометрами и терафлопсами, но и портативностью программного обеспечения. Конкуренты Nvidia больше не пытаются создать просто «лучший чип». Они создают инструменты, которые позволяют разработчикам легко уйти.

Как переписываются правила игры на рынке ИИ-инфраструктуры

Действия Google и Amazon — это  новых инструментов. Это сигнал о фундаментальной трансформации логики конкуренции в сфере ИИ-инфраструктуры. Ниже — ключевые выводы о том, как меняется расстановка сил. 

• От «гонки транзисторов» к «войне компиляторов». Долгое время конкуренты Nvidia пытались отыграть позиции за счёт «железа»: больше памяти, выше пропускная способность, эффективнее архитектура. Но каждый раз они упирались в монолит CUDA. Новые инструменты — TorchTPU и TorchNeuron — демонстрируют, что гиперскейлеры наконец осознали простую истину: аппаратное превосходство не работает без программного моста.
• Фокус инвестиций смещается. Теперь это не только нанометры, но и компиляторы, графовые оптимизации, абстракции. Главная задача — сделать «железо» невидимым для разработчика, чтобы он даже не задумывался, на чём именно работает его код.
• Маржинальность облачного бизнеса под давлением. Для Amazon и Google закупка чипов Nvidia по премиальным ценам — это серьёзный удар по маржинальности облачных сервисов. Собственные процессоры (Trainium, TPU) становятся экономически оправданными только при условии их массового потребления клиентами.
• Снижая порог входа для разработчиков PyTorch, гиперскейлеры фактически искусственно создают спрос на собственное «железо». Это прямой путь к улучшению юнит-экономики и снижению как капитальных (CapEx), так и операционных (OpEx) расходов.
• Эра гетерогенных вычислений: «серебряной пули» больше нет. Рынок движется к модели, где универсального решения не существует. Формируется чёткое разделение труда:Nvidia (H100, B200 и последующие поколения) сохранит статус стандарта для обучения фронтальных моделей (frontier models), где критичны максимальная связность, производительность и зрелость экосистемы.
• TPU и Trainium будут агрессивно отвоёвывать рынок инференса, дообучения (fine-tuning) и специализированных нагрузок, где на первый план выходят TCO (совокупная стоимость владения) и энергоэффективность. Такая фрагментация лишает Nvidia возможности диктовать цены на всём спектре ИИ-задач.
•  Новый рычаг давления на монополиста. Даже если альтернативные чипы займут лишь 20–30% рынка, это даст Amazon и Google колоссальный переговорный рычаг в диалоге с Nvidia. Наличие работающей внутренней альтернативы делает гиперскейлеров значительно менее уязвимыми как к дефициту поставок, так и к ценовой политике единственного поставщика. Это классический приём диверсификации, перенесённый в плоскость ИИ-инфраструктуры.

 Как ответит Nvidia?

• Nvidia едва ли будет пассивным наблюдателем. Вероятные контрмеры: Усиление программных сервисов верхнего уровня (Nvidia NIM, DGX Cloud) — привязка клиентов не просто к CUDA, а к готовым микросервисам и платформенным решениям.
• Точечное открытие экосистемы — предоставление совместимости в отдельных слоях, чтобы нейтрализовать нарратив о «проприетарной ловушке».
• Агрессивное продвижение собственных решений для инференса с акцентом на снижение стоимости владения.

👉🏻 ссылка на источник  cryptodaily.co.uk 26.10.2026