Google anunció que TorchTPU ya es un proyecto de código abierto. El hallazgo práctico es simple: las aplicaciones creadas con PyTorch, una herramienta para construir y entrenar IA, podrán funcionar en los chips TPU de Google sin reescribir todo su código.
La medida coloca a Google junto a Amazon en un intento visible por reducir el dominio de Nvidia. Amazon presentó TorchNeuron, una vía similar para llevar programas de PyTorch a Trainium, sus propios chips de IA, y a la nube AWS.
La pieza clave es PyTorch. Meta, entonces llamada Facebook, la creó en 2016 y la transfirió a la Linux Foundation en 2022. Algunas estimaciones indican que está presente en el 85% de las aplicaciones de inteligencia artificial, desde modelos que redactan textos hasta sistemas que clasifican imágenes.
Sin embargo, PyTorch nació cuando las GPU, unidades de procesamiento gráfico usadas para cálculos masivos, de Nvidia ya eran el estándar de los laboratorios. Por eso, buena parte de su cableado digital quedó diseñado alrededor de ese hardware.
Un adaptador para cambiar de enchufe
La analogía doméstica ayuda a ver el mecanismo. Una aplicación de IA se parece a una casa llena de aparatos eléctricos. Durante años, sus enchufes se fabricaron para una sola toma de corriente: la de Nvidia.
TorchTPU funciona como un adaptador que permite conectar esa misma casa a la red eléctrica de Google. No cambia los electrodomésticos ni obliga a reemplazar el cableado de cada habitación. Ajusta la conexión para que el sistema pueda recibir energía desde otra central.
En este caso, las TPU, unidades de procesamiento tensorial diseñadas para operaciones de IA, son los chips de Google. TorchTPU permite que una aplicación existente detecte esa nueva infraestructura con un cambio de configuración, una modificación de los parámetros de ejecución, en lugar de una reconstrucción completa.
Ese detalle puede ahorrar semanas de trabajo. Reescribir una aplicación no solo demanda tiempo: también puede introducir errores, alterar resultados y obligar a probar de nuevo cada función. El nuevo interruptor busca que la mudanza entre chips sea menos riesgosa.
Google señala que trabajó con Meta, Hugging Face, Inferact, creadora de vLLM, y RadixArk, responsable de SGLang. El objetivo es que TorchTPU sea compatible con bibliotecas, conjuntos de código reutilizable, y herramientas que los desarrolladores ya emplean a diario.
Además, la compañía presentó el conjunto de agentes TPU, una herramienta para asistir en la migración y detectar fallas. También actualizó LiteRT, su sistema para ejecutar IA en teléfonos, portátiles y dispositivos integrados, con una mejor respuesta para aplicaciones basadas en PyTorch.
Amazon avanza por otra vía complementaria. Además de ofrecer TorchNeuron, está aportando código al proyecto principal de PyTorch para desacoplar funciones de Nvidia. Es decir, busca que la compatibilidad con distintos chips sea parte del mecanismo de fábrica y no un arreglo posterior.
Esto no significa que Nvidia vaya a perder usuarios de un día para otro. Sus GPU mantienen una ventaja fuerte: el ecosistema de desarrolladores, herramientas y hábitos construido durante años. Cambiar de infraestructura sigue siendo una decisión técnica y económica delicada.
Pero aparece una oportunidad concreta para startups y equipos pequeños: comparar alternativas sin tener que derribar la casa digital que ya construyeron. Si el adaptador funciona como promete, la IA podrá elegir mejor dónde enchufarse.
Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.
