Google ha rilasciato TorchTPU come progetto open source, uno strumento che permette di spostare le applicazioni PyTorch dai chip Nvidia ai suoi processori TPU. L’annuncio è arrivato martedì 21 ottobre, durante la PyTorch Conference 2026. Il giorno prima Amazon aveva presentato TorchNeuron, con lo stesso obiettivo.
TorchTPU consente di addestrare, servire e distribuire modelli sui TPU usando le API PyTorch già note agli sviluppatori. Secondo TechCrunch, il passaggio richiede una semplice modifica di configurazione e nessuna riscrittura dell’app. Chi migra approda anche a Google Cloud. Google ha inoltre aggiornato LiteRT, lo strumento che esegue l’intelligenza artificiale su telefoni, portatili e dispositivi embedded, per supportare meglio le app PyTorch.
TorchNeuron fa lo stesso per i chip Trainium e per AWS, sempre senza riscrivere il codice. Amazon ha aggiunto una mossa ulteriore: sta inviando al progetto PyTorch principale codice che separa diverse funzioni dai chip Nvidia, così da rendere il toolkit aperto a qualsiasi hardware per impostazione predefinita.
Il bersaglio non è il chip, è il software. PyTorch è il toolkit open source con cui si costruiscono, si addestrano e si eseguono i modelli, usato da circa l’85% delle app di IA secondo alcune stime. È nato quando le GPU Nvidia erano già lo standard della ricerca, quindi molte sue funzioni sono state scritte su misura per quei chip. Scrivere in PyTorch ha finito per significare, nei fatti, girare su Nvidia. Quel legame tiene i clienti vicini a Nvidia più di qualsiasi benchmark.
Le due aziende puntano sul costo di migrazione, non sulla potenza di calcolo. Se spostare un’app costa poche righe di configurazione, la scelta dell’hardware passa dal vincolo tecnico alla convenienza economica. Business Insider osserva che una strategia multichip diffusa potrebbe limitare il potere di Nvidia sui prezzi, scenario che l’azienda guidata da Jensen Huang vorrebbe evitare.
Gli sviluppatori non abbandoneranno Nvidia in massa. Lo riconoscono anche le cronache di settore: gli strumenti riducono le barriere, non cancellano anni di ottimizzazioni su CUDA.
Il banco di prova sarà la prossima ondata di progetti. Se le startup inizieranno a scrivere codice pensando a più hardware fin dall’inizio, il vantaggio di Nvidia dovrà reggersi sulle prestazioni e sul prezzo, non sull’abitudine.
