科技 TechCrunch · Julie Bort · 10小时前 · AI 生成
谷歌加入亚马逊阵营,向英伟达在 AI 开发者领域的霸主地位发起挑战 谷歌宣布开源 TorchTPU,使基于 PyTorch 开发的 AI 应用可无缝迁移到其自研 TPU 芯片和 Google Cloud 上运行,无需重写代码。此举紧随亚马逊发布类似工具 TorchNeuron,两家云巨头正从工具链层面合力破解英伟达 GPU 在 AI 开发领域的默认硬件锁定。文章详细对比了双方策略差异:亚马逊更侧重从底层解耦 PyTorch 与英伟达硬件的绑定,谷歌则通过提前与 Meta、Hugging Face 等主流 AI 框架/工具合作,构建更完整的生态兼容性。适合关注 AI 基础设施竞争、云厂商硬件战略的读者阅读。原文 ↗ 原文 ↗
核心观点
▍ 谷歌和亚马逊正通过改造 PyTorch 这一 AI 开发者核心工具链,从生态层面打破英伟达 GPU 在 AI 训练和推理领域的默认硬件锁定,而不是直接进行芯片层面的竞争。 01 谷歌宣布开源 TorchTPU,允许 AI 应用通过简单配置迁移至其 TPU 芯片和 Google Cloud,无需重写代码。 02 亚马逊上周发布类似工具 TorchNeuron,支持 AI 应用无缝迁移至其自研芯片 Trainium 和 AWS,并进一步向 PyTorch 主项目提交代码,旨在从底层解耦 PyTorch 功能对英伟达硬件的依赖。 03 PyTorch 由 Meta 于 2016 年发布,目前约 85% 的 AI 应用使用该框架,其早期版本大量功能为适配英伟达 GPU 而设计,形成了事实上的硬件绑定。 04 谷歌表示已直接与 Meta、Hugging Face、vLLM 的开发商 Inferact 以及 SGLang 的开发商 RadixArk 合作,确保 TorchTPU 与这些主流工具兼容。 05 谷歌还推出了专门用于帮助开发者迁移和调试的 TPU agent suite 工具,并更新了移动端/边缘设备推理工具 LiteRT 以更好地支持 PyTorch。 反方 / 局限
— 作者暗示,这些举措不会立即导致 AI 开发者大规模抛弃英伟达硬件,因为生态惯性巨大,切换成本不仅仅是代码层面的。
概念锚点 TorchTPU 破解硬件锁定的关键
谷歌 TorchTPU 让 PyTorch 应用只需改一行配置就能从英伟达 GPU 迁移到自家 TPU 上运行。这意味着 CUDA 之前靠与 PyTorch 深度耦合形成的「肌肉记忆」——85% AI 应用默认跑在英伟达芯片上——第一次被从工具链层面解耦。更致命的是，谷歌还联合 Meta（PyTorch 原开发方）、HuggingFace 和 vLLM 等主流框架，确保迁移后工具链体验对齐，直接动摇了 CUDA 生态的锁定底座。
▸ 2 条关联资料
▼
前置背景 TPU 从内部加速器到三星级选手
谷歌 TPU 诞生于 2013 年的内部算力危机——语音搜索需求预测显示数据中心的计算需求将翻倍，仅靠 CPU 根本无法承接。从代工 AlphaGo 推理的初代芯片，到 2025 年第七代 Ironwood（单颗 4,614 TFLOPS、9,216 芯片集群算力达 42.5 ExaFLOPS），TPU 一直只内用不开源。2026 年 TorchTPU 开源和 TPU 8i 首次对外开放销售，标志着谷歌从「自用芯片」转向「芯片外卖」，这才真正触发了与亚马逊 Trainium 并行的破局冲击波。
▸ 3 条关联资料
▼
平行视角 CUDA 护城河：软件帝国还是纸牌屋？
英伟达的统治靠的是 CUDA 覆盖的 600 万开发者、从左到右的 cuDNN 和 TensorRT 加速库，以及 NVLink 等硬件协同技术——这套组合带来年均 70% 的毛利率与 90% 的训练芯片市占率。挑战者阵营则指出，真正的大客户 Anthropic 已采用「谷歌 TPU 训练 + 亚马逊 Trainium 推理」的三平台架构，把英伟达 GPU 降级为第三选项。一边是 20 年积累的开发者习惯与工程资产，一边是头部客户「自己造工具」的叛逃，孰胜孰负的变数已不在硬件参数表上。
▸ 3 条关联资料
▼
未来推演 云巨头「造芯」的终局是垂直整合
谷歌和亚马逊同时从工具链层面撬英伟达墙角，本质是在复刻它们十年前用 ARM 服务器芯片瓦解 Intel x86 垄断的路径。2026 年 ASIC 出货量已被行业预测将首次超过 GPU。关键变量在以下层面：头部模型公司（如 OpenAI 自研 Jalapeño）进一步摆脱依赖；TPU 和 Trainium 能否在推理（占总计算量 2/3）做到真正「好到不用纠结 GPU」。拐点不在一个产品发布，而在首批企业客户大比例割离 CUDA 生态的时刻。
▸ 2 条关联资料
▼
延伸追问 从 CUDA 迁移的门槛到底有多高？
国内市场给出了一组尖锐数据：企业从 CUDA 转到华为昇腾等国产平台，代码重写率可达 60% 以上、单次迁移平均消耗 3 个月开发资源与 300 万元成本，训练性能损耗稳定在 20%-40%。如此高昂的代价意味着 TorchTPU 的「一行配置迁移」在真实生产环境中可能只覆盖了基础算子层——复杂模型（如 MoE 架构）下的隐性成本才是真正左右开发者选择的关键。问题不在「能不能跑」，而在「跑起来之后维护、调优、扩集群还顺不顺手」。
▸ 3 条关联资料
▼