Los dos jugadores más grandes de la nube del planeta acaban de hacer el movimiento más audaz contra el monopolio de hardware de Inteligencia Artificial.
En menos de 24 horas, Amazon y Google anunciaron herramientas de software radicalmente nuevas que permiten a cualquier desarrollador migrar sus aplicaciones de IA de GPUs Nvidia a chips personalizados propios con un simple cambio de configuración — sin reescribir una sola línea de código. Es el ataque más coordinado jamás visto contra la ventaja que mantuvo a Nvidia como elección por defecto del sector.
Amazon fue la primera, lanzando el lunes (19) TorchNeuron, una herramienta adaptada de PyTorch, el framework abierto usado para construir alrededor del 85% de las aplicaciones de IA actuales. Con solo un cambio en la línea de configuración, los desarrolladores pueden ejecutar sus modelos PyTorch en los chips Trainium de Amazon en lugar de las GPUs Nvidia, y la empresa asegura que el mismo chip Trainium es capaz de hacer tanto entrenamiento como inferencia, mejorando la economía en todo el ciclo del workload.
Según Colin Brace, vicepresidente de software de Annapurna Labs (la unidad de chips de Amazon), más de 30 clientes — incluyendo empresas de robótica, modelos de mundo e IA de voz — ya están usando TorchNeuron en producción. La empresa de IA de voz Deepgram, por ejemplo, afirma haber procesado un 70% más de audio por dólar gastado en Trainium, manteniendo precisión de nivel de producción. Amazon también está contribuyendo código directamente al proyecto principal de PyTorch, con el objetivo explícito de desacoplar recursos del framework de chips específicos, haciendo que PyTorch sea inherentemente independiente de hardware.
Al día siguiente (20), Google respondió con TorchTPU, una herramienta esencialmente equivalente que permite la misma migración a los Tensor Processing Units (TPUs) de la empresa, a través de Google Cloud. Pero Google dio un paso adicional: trabajó directamente con Meta, Hugging Face, Inferact (creadora de vLLM) y RadixArk (creadora de SGLang) para garantizar que TorchTPU se integre perfectamente con estas herramientas populares de desarrollo de IA. La empresa también lanzó la TPU Agent Suite, un conjunto de herramientas dedicado para ayudar a los desarrolladores a mover sus aplicaciones a los chips y la nube de Google, corrigiendo errores en el camino. Actualizó además su LiteRT, herramienta que ejecuta modelos de IA en dispositivos móviles e integrados, para funcionar mejor con PyTorch.
Lo que está ocurriendo aquí es más que una carrera entre dos empresas por participación de mercado. Es un intento real de destruir lo que la industria llama "lock-in" de Nvidia. Durante más de una década, la empresa invirtió intensamente en CUDA — su infraestructura de software que permite que las aplicaciones funcionen eficientemente en GPUs Nvidia. CUDA se integró tan profundamente en el ecosistema de desarrollo que se convirtió en el camino de menor resistencia: si estabas construyendo un modelo de IA y querías rendimiento, el estándar era elegir Nvidia. Era una trampa perfecta, construida no por fuerza bruta de marketing, sino por ingeniería incremental que hizo de los desarrolladores rehenes voluntarios de un hardware.
Ahora, Amazon y Google están retirando las barras. El razonamiento es elegante: en lugar de competir directamente con CUDA, hacer que CUDA sea irrelevante. Si PyTorch — el lenguaje de facto de la IA moderna — puede funcionar en cualquier chip sin reescritura, la ventaja de Nvidia desaparece.
El escenario es complejo porque la industria de IA nunca será un juego de suma cero. Startups como OpenAI ya firmaron contratos con Nvidia, AMD, Broadcom y otras empresas, manteniendo un portafolio multi-proveedor por diseño. La idea de migrar todo a un solo proveedor nunca funcionó en la práctica. Pero el punto no es que todos abandonen Nvidia mañana — es que la narrativa del "no hay alternativa" está muriendo. Y eso altera fundamentalmente el poder de negociación del único proveedor que controló el mercado por años.
Para Amazon, TorchNeuron es una oportunidad para romper la dependencia de neoclouds como CoreWeave y Nebius, que apostaron todo en hardware Nvidia. Amazon ofrece algo diferente: la nube entera, con el mismo chip entrenando e inferiendo, lo que mejora la economía en todo el ciclo del workload. Para Google, es una chance de vender más TPUs a proveedores de nube externos — The Information reportó que Google ya abordó empresas de neocloud sobre el uso de sus TPUs, y empresas como Anthropic, Meta y Apple ya utilizan TPUs.
Lo que queda en suspenso es si esta guerra de chips realmente se traduce en elección para los desarrolladores o si crea solo más complejidad de configuración. PyTorch existe exactamente para ocultar las dificultades de hardware — y desacoplarlo de chips específicos puede, irónicamente, reexponer esos problemas de formas que ningún framework quiso enfrentar. La pregunta no es quién ganará, sino si la industria de IA está preparada para una era en la que el hardware libre de proveedores significará que todos tendrán que asumir mayor responsabilidad por lo que está corriendo debajo del metal.
Fuentes: TechCrunch, Reuters, Business Insider
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
