Amazon atacă dominația Nvidia cu TorchNeuron, un nou instrument AI care ar putea schimba regulile jocului. Dezvoltatorii nu mai trebuie să depindă de cipurile rivalului

Potrivit TechCrunch, Amazon Web Services (AWS) a anunțat TorchNeuron pe 19 octombrie 2026, prezentându-l drept o alternativă care poate reduce dependența dezvoltatorilor de infrastructura Nvidia. Noul instrument funcționează cu PyTorch, unul dintre cele mai utilizate framework-uri pentru dezvoltarea modelelor AI, și promite migrarea aplicațiilor pe hardware-ul Amazon printr-o simplă modificare de configurare.

TorchNeuron permite rularea aplicațiilor AI pe cipurile Amazon fără rescrierea codului

Principalul avantaj al TorchNeuron este simplitatea cu care dezvoltatorii pot trece de la un tip de hardware la altul.

În mod tradițional, migrarea unei aplicații complexe de inteligență artificială pe o arhitectură diferită poate necesita modificări software importante, testare suplimentară și optimizări costisitoare. Aceste operațiuni consumă timp și bani, în special pentru startup-urile care nu dispun de echipe tehnice foarte mari.

Amazon susține că TorchNeuron elimină o mare parte dintre aceste dificultăți. O aplicație AI dezvoltată folosind PyTorch poate fi configurată să ruleze pe cipurile Trainium prin modificarea unei singure linii de configurare, fără rescrierea codului.

PyTorch este un framework open-source folosit pentru construirea, antrenarea și executarea modelelor de inteligență artificială. Dezvoltat inițial de Facebook, acesta a intrat în 2022 sub administrarea unei fundații independente din cadrul Linux Foundation.

Potrivit estimărilor Amazon, aproximativ 85% dintre cercetătorii și dezvoltatorii AI folosesc PyTorch, ceea ce transformă compatibilitatea cu acest ecosistem într-un avantaj major pentru orice producător de acceleratoare specializate.

TorchNeuron funcționează cu generațiile Trainium2 și Trainium3 și urmează să fie publicat ca proiect open-source sub licența Apache 2.0, pe 20 octombrie, în cadrul PyTorch Conference North America.

Amazon precizează că soluția a fost testată pe sute de mii de modele AI și că este compatibilă cu instrumente utilizate deja în industrie, inclusiv Hugging Face, TorchTitan și vLLM.

Pentru dezvoltatori, asta înseamnă că migrarea către Trainium ar putea deveni o opțiune reală, fără necesitatea reconstruirii întregii aplicații.

Amazon atacă cel mai important avantaj Nvidia: ecosistemul CUDA

Deși Nvidia este cunoscută în primul rând pentru procesoarele sale grafice, o parte importantă a succesului companiei se datorează software-ului.

CUDA, platforma dezvoltată de Nvidia pentru accelerarea calculelor pe GPU, a devenit o componentă esențială a infrastructurii folosite în inteligența artificială.

De-a lungul anilor, Nvidia a investit masiv în integrarea CUDA cu biblioteci și framework-uri populare, inclusiv PyTorch. Rezultatul este un ecosistem matur, în care dezvoltatorii pot construi și optimiza modele AI folosind instrumente bine documentate și compatibile cu procesoarele companiei.

Această integrare reprezintă unul dintre motivele pentru care Nvidia a reușit să își mențină poziția dominantă, chiar dacă alte companii au început să dezvolte cipuri competitive.

Așa cum arată și o analiză Playtech despre dominația Nvidia în industria inteligenței artificiale, rivali precum AMD, Google și Amazon încearcă să reducă dependența industriei de un singur furnizor de acceleratoare AI.

Prin TorchNeuron, Amazon nu încearcă doar să atragă dezvoltatorii către cipurile sale. Compania vrea să contribuie direct la modificarea PyTorch, astfel încât framework-ul să devină mai puțin dependent de arhitecturile hardware individuale.

AWS a anunțat că va trimite modificări către proiectul principal PyTorch, cu scopul de a elimina porțiunile de cod care leagă anumite funcționalități de cipuri specifice.

Dacă aceste contribuții vor fi acceptate și adoptate pe scară largă, efectele ar putea depăși ecosistemul Amazon. Dezvoltatorii ar putea avea mai multă libertate să aleagă între acceleratoarele Nvidia, AMD, Amazon și ale altor producători.

Totuși, compatibilitatea software nu garantează automat performanțe identice. Unele aplicații pot necesita în continuare optimizări specifice, iar diferențele dintre arhitecturile hardware pot influența viteza și costurile de execuție.

Amazon promite costuri mai mici pentru antrenarea și utilizarea modelelor AI

Un alt argument important al AWS este eficiența economică a platformei Trainium.

Cipurile sunt proiectate pentru două dintre cele mai costisitoare operațiuni asociate inteligenței artificiale: antrenarea modelelor și inferența, adică utilizarea efectivă a unui model deja antrenat pentru generarea de răspunsuri, imagini sau alte rezultate.

Amazon susține că utilizarea aceleiași infrastructuri pentru ambele activități poate reduce cheltuielile totale, deoarece resursele disponibile pot fi redistribuite în funcție de necesități.

De exemplu, capacitatea de calcul folosită în timpul zilei pentru răspunsurile oferite utilizatorilor ar putea fi redirecționată în alte intervale către antrenarea sau ajustarea unor modele.

Colin Brace, vicepreședinte Technology Software în cadrul AWS Annapurna Labs, divizia responsabilă de cipurile personalizate Amazon, a explicat pentru TechCrunch că avantajul Trainium nu constă doar în prețul hardware-ului.

Potrivit acestuia, AWS oferă o infrastructură completă, în care startup-urile pot dezvolta, testa și lansa produse fără să construiască separat servicii pentru stocare, securitate, baze de date și distribuție.

Amazon consideră această integrare un avantaj față de furnizorii de infrastructură specializați în acceleratoare AI, precum CoreWeave, Nebius și Firmus, care colaborează în mare măsură cu Nvidia.

Un exemplu prezentat de companie este Deepgram, furnizor de soluții AI pentru procesarea vocii și competitor al ElevenLabs.

După migrarea către infrastructura Trainium, Deepgram ar fi reușit să proceseze cu 70% mai mult conținut audio pentru fiecare dolar cheltuit, păstrând precizia necesară utilizării comerciale.

Rezultatul este prezentat de AWS drept o demonstrație a raportului dintre cost și performanță, însă nu înseamnă că toate aplicațiile AI vor obține economii similare.

Concurența pentru cipurile AI devine tot mai puternică

Lansarea TorchNeuron are loc într-o perioadă în care marile companii tehnologice încearcă să reducă dependența de Nvidia și să obțină un control mai mare asupra infrastructurii AI.

Google își dezvoltă propriile procesoare TPU, AMD investește în acceleratoare dedicate inteligenței artificiale, iar Amazon extinde familia Trainium.

Chiar și companiile care dezvoltă modele AI, nu doar furnizorii de cloud, explorează posibilitatea proiectării propriilor semiconductori.

Un exemplu este Anthropic, dezvoltatorul Claude, care a început să recruteze specialiști pentru o echipă dedicată proiectării de cipuri. Inițiativa a fost analizată într-un articol Playtech despre planurile Anthropic de a construi hardware AI propriu.

Strategia acestor companii nu presupune neapărat renunțarea completă la Nvidia. În multe cazuri, obiectivul este diversificarea furnizorilor și reducerea costurilor, astfel încât dezvoltarea modelelor AI să nu depindă exclusiv de disponibilitatea unui singur tip de procesor.

Pe de altă parte, Nvidia continuă să investească masiv în propriile tehnologii pentru antrenare și inferență.

Și AMD își consolidează poziția pe această piață. Compania încearcă să construiască un ecosistem complet de hardware și software, inclusiv prin achiziții precum Taalas, prezentată într-un material Playtech despre strategia AMD împotriva Nvidia.

Această competiție este importantă deoarece cererea de putere de calcul a crescut enorm odată cu popularizarea modelelor generative, a agenților AI și a sistemelor autonome.

Pentru companiile care oferă asemenea servicii, costurile hardware au devenit una dintre cele mai importante componente ale bugetelor operaționale.

TorchNeuron ar putea schimba modul în care dezvoltatorii aleg infrastructura AI

Una dintre problemele majore ale industriei este fenomenul cunoscut drept vendor lock-in, situația în care utilizatorii ajung să depindă de tehnologiile unui anumit furnizor deoarece migrarea către alternative este prea dificilă sau prea costisitoare.

În cazul Nvidia, această dependență nu este creată doar de performanța procesoarelor, ci și de instrumentele software, bibliotecile și optimizările construite în jurul CUDA.

TorchNeuron încearcă să reducă această barieră, oferind dezvoltatorilor posibilitatea de a utiliza cipurile AWS fără schimbări majore în cod.

Dincolo de avantajele comerciale pentru Amazon, proiectul ar putea contribui la dezvoltarea unui ecosistem AI în care aplicațiile sunt mai ușor de transferat între diferite platforme hardware.

Totuși, există și posibile dezavantaje. O independență mai mare față de arhitecturile specifice ar putea complica anumite optimizări, iar dezvoltatorii vor trebui să verifice dacă performanțele promise sunt confirmate în propriile proiecte.

În plus, faptul că TorchNeuron funcționează cu PyTorch nu elimină automat toate dependențele de CUDA, mai ales în aplicațiile care folosesc extensii personalizate și operațiuni optimizate special pentru GPU-urile Nvidia.

Succesul inițiativei va depinde, prin urmare, de compatibilitatea reală, de stabilitatea instrumentelor și de avantajele economice obținute de utilizatori.

Amazon nu a demonstrat încă faptul că TorchNeuron poate înlocui ecosistemul Nvidia la scară largă. Însă lansarea reprezintă o schimbare importantă de strategie: în loc să concureze exclusiv prin cipuri mai ieftine sau mai performante, AWS încearcă să elimine barierele software care îi împiedică pe dezvoltatori să aleagă alte soluții.

Iar dacă această abordare va funcționa, cea mai importantă competiție din industria inteligenței artificiale nu se va mai purta doar între procesoare, ci și între platformele care le permit dezvoltatorilor să folosească hardware-ul dorit fără să își reconstruiască aplicațiile de la zero.