Google y Amazon lanzaron herramientas para que los programadores de IA no dependan sólo de Nvidia

Si programás algo con inteligencia artificial hoy, lo más probable es que lo hagas con PyTorch, el programa de código abierto sobre el que se escribe la gran mayoría del software de IA del mundo. Y hasta ahora, ese programa funcionaba mejor con una sola marca de procesadores: los de Nvidia. Esta semana eso empezó a cambiar.

Con apenas un día de diferencia, Amazon y Google presentaron herramientas que dejan usar PyTorch sobre sus propios chips, sin tener que reescribir el programa desde cero. Lo contó el sitio de tecnología Infobae, que atribuye a la propia Amazon el dato de que el 85% de las aplicaciones de inteligencia artificial se construyen con PyTorch, según informó Infobae.

Para entender por qué esto importa hay que entender un detalle técnico: PyTorch trabajaba bien con las GPU, los chips gráficos que Nvidia diseñó para entrenar modelos de inteligencia artificial. Eso no fue casualidad: Nvidia pasó años ajustando su propio software, CUDA, para que encajara a la perfección con PyTorch. El resultado, de acuerdo con lo que recogió TechCrunch, fue que sus procesadores terminaron integrados al estándar de la industria casi por default, aun existiendo alternativas de fabricantes como AMD o Apple.

El lunes, Amazon dio el primer paso: lanzó TorchNeuron, una adaptación de PyTorch pensada para Trainium, el chip que la propia empresa diseña. La migración, según describieron, se reduce a cambiar una configuración, sin tocar el resto del código. Amazon también se comprometió a enviar código al proyecto central de PyTorch para quitarle las partes que lo atan a un fabricante en particular. Colin Brace, vicepresidente de tecnología de software en Annapurna Labs —la unidad de Amazon que diseña esos chips— lo resumió así: "Lo que de verdad importa es eliminar el bloqueo que le impedía a los desarrolladores tener una opción real". Como ejemplo, citaron el caso de Deepgram, una empresa de inteligencia artificial de voz que, tras pasarse a Trainium, logró procesar 70% más audio por cada dólar que gasta.

Un día después llegó la respuesta de Google: en la conferencia PyTorch 2026 presentó TorchTPU, que permite entrenar y correr modelos sobre sus TPU, los procesadores que la compañía diseña específicamente para inteligencia artificial, con las mismas herramientas que ya usan los programadores, como Hugging Face, vLLM y SGLang. El desarrollo se hizo junto con el equipo que mantiene PyTorch dentro de Meta, la empresa que creó el programa en 2016 y lo cedió en 2022 a una fundación sin fines de lucro. Jana van Greunen, directora de ingeniería de PyTorch en Meta, planteó el problema de fondo: "No podemos quedar atados a una sola arquitectura de hardware". Hugging Face, la plataforma que aloja miles de modelos de IA abiertos, se sumó al anuncio: su vicepresidente de producto, Jeff Boudier, dijo que la idea es que cualquier programador pueda elegir el procesador que más le convenga sin perder acceso a sus modelos favoritos.

Ninguna de las dos herramientas asegura que los desarrolladores vayan a dejar Nvidia en masa: cambiar de chip sigue exigiendo ajustes y pruebas, y la empresa todavía tiene años de ventaja en rendimiento y en el software construido alrededor de sus procesadores. Google, de todos modos, ya hizo una prueba a gran escala: entrenó modelos con hasta 8.000 procesadores de su serie Ironwood y llegó a una eficiencia de cómputo del 52% con la familia de modelos Qwen, un número que presenta como prueba de que su alternativa funciona también en proyectos grandes.

Para cualquiera que esté armando una aplicación de inteligencia artificial —en una startup salteña o en una multinacional— esto se traduce en algo concreto: más opciones de dónde correr sus programas, y la posibilidad, todavía incierta, de pagar menos por el cómputo que hoy depende casi en exclusiva de un solo fabricante.