Em dois dias consecutivos, Google e Amazon anunciaram ferramentas que atacam diretamente o domínio da Nvidia sobre o ecossistema de desenvolvimento de IA. Na terça-feira, 20 de outubro, a Google tornou público o TorchTPU, uma versão do PyTorch otimizada para seus próprios chips TPU. Na segunda, 19, a AWS já havia liberado o TorchNeuron, que faz o mesmo para o chip Trainium.
As duas ferramentas endereçam o mesmo problema: o PyTorch, usado por 85% dos desenvolvedores de IA, segundo a própria Google, tem como alvo padrão as GPUs da Nvidia. Isso cria uma vantagem de rede que torna difícil para qualquer outro fabricante de chips competir, mesmo com hardware superior. TorchTPU e TorchNeuron quebram esse acoplamento ao permitir que modelos escritos em PyTorch sejam executados nativamente em TPU e Trainium, respectivamente.
A Nvidia vinha sendo desafiada no hardware por startups como Tenstorrent — que levantou US$ 1,5 bilhão na segunda-feira — e por hyperscalers que desenvolvem chips próprios. Mas o verdadeiro fosso sempre foi o software: a CUDA da Nvidia e a compatibilidade nativa com PyTorch. Google e Amazon agora atacam exatamente esse ponto, oferecendo portabilidade sem reescrita de código.
Para quem opera sistemas de IA em produção, a novidade muda o cálculo de custo e fornecedor. Até hoje, migrar workloads entre GPUs Nvidia e chips alternativos exigia retreinar modelos ou adaptar código manualmente. Com TorchTPU e TorchNeuron, a troca pode se tornar uma decisão puramente de capacidade e preço de nuvem. O jornal entende que a portabilidade de software é o movimento mais relevante para quebrar o monopólio de hardware em IA desde o surgimento do próprio PyTorch.
A concorrência de software que se abre agora coloca pressão sobre a Nvidia para justificar seus preços com desempenho, e não mais com bloqueio de ecossistema. Para times de engenharia, a recomendação é testar a compatibilidade dos modelos em produção com ambas as ferramentas antes que as ofertas de nuvem que as suportam se consolidem.