Redacción
Amazon lanzó TorchNeuron el lunes 19 de octubre. Google anunció TorchTPU el martes 20. Son dos movimientos del mismo tipo y en el mismo sentido, hechos con un día de diferencia, y los dos apuntan a la misma pieza: la dependencia de los desarrolladores de inteligencia artificial respecto del hardware de Nvidia.
Dónde está el candado
Para entender el anuncio hay que entender primero por qué Nvidia es difícil de reemplazar, y la respuesta no es solamente que fabrique los mejores chips.
PyTorch es el entorno de trabajo con el que se construyen, entrenan y ejecutan los modelos de inteligencia artificial. Lo creó Meta en 2016 y lo cedió a la Linux Foundation en 2022. Según distintas estimaciones, el 85% de las aplicaciones de inteligencia artificial del mundo están escritas con esa herramienta.
El punto decisivo es que, por defecto, lo que se escribe en PyTorch está pensado para correr sobre las placas gráficas de Nvidia. Esa es la ventaja real de la compañía: no el chip en sí, sino el hecho de que todo el software existente ya está adaptado a él.
Cambiar de proveedor de hardware implicaba, hasta ahora, reescribir la aplicación. Y reescribir una aplicación que funciona es un costo que casi nadie quiere pagar.
Qué hacen las herramientas nuevas
TorchTPU (Google). Es una versión de PyTorch de código abierto que permite ejecutar aplicaciones sobre los chips TPU de Google. Según la compañía, la migración de una aplicación existente se resuelve con un cambio de configuración, sin tocar el código.
Google presentó además dos herramientas complementarias: un conjunto de agentes para asistir en el traslado de las aplicaciones a sus chips y a su nube, y corregir los errores que aparezcan en el proceso; y una versión actualizada de LiteRT, que ejecuta inteligencia artificial en teléfonos, notebooks y dispositivos embebidos, ahora con mejor compatibilidad con aplicaciones de PyTorch.
TorchNeuron (Amazon). Permite portar aplicaciones al chip Trainium de la compañía y a su nube, también sin reescritura. Amazon además está enviando código al proyecto principal de PyTorch para desacoplar varias funciones de los chips de Nvidia.
El detalle que muestra la estrategia
Google informó que trabajó con Meta, Hugging Face, Inferact (vLLM) y RadixArk (SGLang) para que TorchTPU funcione bien con esas herramientas.
Eso no es un dato menor. Son los proyectos que forman la capa intermedia del ecosistema: los que efectivamente usan los equipos de desarrollo todos los días. Asegurar la compatibilidad ahí es lo que convierte un anuncio técnico en una alternativa viable.
Qué no cambia
Conviene medir el alcance. Estas herramientas no implican que los desarrolladores vayan a abandonar el hardware de Nvidia en masa, y la propia cobertura del sector lo advierte de manera explícita.
Lo que sí hacen es desarmar el argumento del costo de salida. Mientras migrar significaba reescribir, la decisión no se discutía. Cuando migrar significa cambiar una línea de configuración, la comparación entre proveedores vuelve a hacerse por precio y por disponibilidad, que es exactamente donde Amazon y Google quieren que se discuta: los dos tienen chips propios y la capacidad de ofrecerlos dentro de sus propias nubes.
Fuentes: anuncios de Amazon (19 de octubre de 2026) y de Google (20 de octubre de 2026); cobertura de TechCrunch.
