TorchNeuron: a Amazon leva o PyTorch direto aos chips Trainium e mira a maior vantagem da Nvidia

A Amazon lançou em 19 de outubro de 2026 o TorchNeuron, uma ferramenta de código aberto que faz os chips de inteligência artificial da empresa, os Trainium, funcionarem com o PyTorch, a linguagem de trabalho mais usada por quem cria modelos de IA, com uma mudança mínima no código. A promessa é simples de dizer e difícil de cumprir: deixar o programador trocar de chip sem reescrever o que já fez. É um ataque direto ao que mais prende o mercado à Nvidia, que não é o chip em si, mas o programa que o faz funcionar. Este artigo explica o que é o TorchNeuron, o que ele já faz, o que ainda fica de fora e por que essa disputa importa.

O que foi lançado

Os dados vêm do blog oficial do PyTorch, da documentação da AWS e do repositório público no GitHub, conferido em 21 de outubro.

O problema que a Amazon quer resolver

Quem treina um modelo de IA escreve o programa em PyTorch, um conjunto de ferramentas de código aberto. Segundo a Amazon, 85% dos pesquisadores e desenvolvedores de IA trabalham nele. O PyTorch, por sua vez, precisa conversar com o chip que faz as contas. Nas placas da Nvidia, essa conversa passa pelo CUDA.

O CUDA é a camada de programas que faz as placas da Nvidia trabalharem. A própria empresa o define como uma “plataforma de computação acelerada”. Em 20 anos, ele juntou cerca de 6 milhões de desenvolvedores, segundo a Nvidia, e um enorme acervo de bibliotecas prontas. Boa parte do código de IA do mundo foi escrita e ajustada pensando nele. É o que o mercado chama de fosso do CUDA: trocar de chip costumava significar reescrever e reajustar esse código, um custo que muitas empresas preferiam não pagar.

O tamanho desse fosso aparece nos números da Nvidia. No trimestre encerrado em julho de 2026, a empresa faturou US$ 96,2 bilhões, mais que o dobro de um ano antes, e US$ 89 bilhões vieram de data centers, segundo o balanço enviado à SEC, a comissão de valores mobiliários dos Estados Unidos.

O que muda com o TorchNeuron

Até agora, rodar PyTorch no Trainium exigia uma camada intermediária de tradução, chamada XLA, que transformava o programa num formato próprio antes de chegar ao chip. Funcionava, mas com atritos: certos comandos se comportavam de outro jeito e a depuração era mais difícil.

O TorchNeuron muda a porta de entrada. O PyTorch tem uma entrada oficial para chips de outros fabricantes, e é por ela que o Trainium passa a aparecer como um aparelho comum, chamado “neuron”. Na prática, o programador escreve no código que o modelo deve ir para o “neuron”, do mesmo jeito que escreveria para mandar o modelo para uma placa da Nvidia. Para o modo compilado, que otimiza o programa antes de rodar, basta indicar uma vez o nome do novo destino.

A ferramenta funciona nos dois jeitos de trabalhar do PyTorch. No modo imediato, cada linha do programa roda na hora, o que facilita a pesquisa e a busca de erros. No modo compilado, o programa é otimizado antes, o que acelera o treino em escala. Também cobre as técnicas de dividir um modelo grande entre muitos chips ao mesmo tempo, usadas para treinar os modelos maiores, e permite escrever rotinas próprias de baixo nível, chamadas kernels, numa linguagem da AWS.

O antigo pacote baseado em XLA passou a ser tratado pela documentação como legado, mantido só para quem já tem cargas rodando nele. O TorchNeuron é a terceira geração da integração entre o PyTorch e os chips da Amazon.

Os números de compatibilidade

A AWS e o PyTorch publicaram os resultados dos testes de compatibilidade, e eles mostram as duas faces do lançamento.

Os números vêm do blog oficial do PyTorch, com testes feitos entre agosto e setembro de 2026. O mesmo blog informa que, de cerca de 154 mil resultados de teste, aproximadamente 22 mil foram pulados porque envolvem operações que o Trainium ainda não suporta.

Ficaram de fora desta primeira versão os formatos de dados que mudam de tamanho durante a execução, os tensores esparsos, que guardam só os valores diferentes de zero, e algumas formas de quantização, a técnica que reduz a precisão dos números para economizar memória. O formato numérico FP8, cada vez mais usado para acelerar o treino, está só em teste fechado.

Há também um limite que nenhuma porta de entrada resolve. O código escrito diretamente em CUDA, como rotinas próprias de empresas e bibliotecas otimizadas só para Nvidia, não migra sozinho. A ferramenta leva o PyTorch ao Trainium, mas não traduz o que foi escrito por fora dele.

Os chips Trainium

O Trainium é a família de chips de IA projetada pela Annapurna Labs, empresa comprada pela Amazon em 2015. O TorchNeuron funciona com as duas gerações mais recentes.

A Amazon informa que o UltraServer do Trainium3 entrega até 4,4 vezes mais capacidade de cálculo que a geração anterior, número medido pela própria empresa. A consultoria SemiAnalysis observou que, num formato numérico específico muito usado em treino, o BF16, o desempenho por chip não melhorou, e que o Trainium3 não suporta o formato de 4 bits criado pela Nvidia.

Quem já usa o Trainium

O Trainium não é um projeto de laboratório. A Anthropic, criadora do Claude, anunciou em abril de 2026 que usa mais de 1 milhão de chips Trainium2 e contratou até 5 gigawatts de capacidade da Amazon, com compromisso de mais de US$ 100 bilhões em dez anos. Em fevereiro, a OpenAI fechou com a Amazon cerca de 2 gigawatts em Trainium3 e na futura geração, o Trainium4, prevista para começar a ser entregue em 2027.

No balanço do segundo trimestre de 2026, a Amazon informou que o negócio de chips e o negócio de IA da AWS passaram, cada um, de US$ 25 bilhões de receita anualizada, crescendo a taxas de três dígitos. Uber e Pinterest também aparecem entre os clientes com compromissos de uso do Trainium.

Clientes relatam ganhos de custo, segundo a Amazon e o blog do PyTorch: a empresa de voz Deepgram diz processar cerca de 60% mais segundos de áudio por dólar que nas suas placas de vídeo, e a Decart afirma rodar seus modelos quatro vezes mais rápido pela metade do custo. São números divulgados pelos próprios clientes, sem verificação independente.

A Amazon contra e a favor da Nvidia

A disputa tem um detalhe que ajuda a entender o tamanho do mercado. A mesma Amazon que lança uma ferramenta para reduzir a dependência do CUDA continua comprando da Nvidia: segundo a agência Reuters, em março de 2026 as duas empresas fecharam a venda de 1 milhão de placas de vídeo da Nvidia para a AWS até o fim de 2027. A demanda por cálculo de IA é tão grande que a Amazon precisa das duas coisas ao mesmo tempo.

Colin Brace, vice-presidente de software da Annapurna Labs, disse à Reuters que a ideia é “ir até onde o cliente já está”. Jana van Greunen, diretora de engenharia do PyTorch na Meta, afirmou no blog oficial que o suporte nativo amplia a escolha de chips sem tirar ninguém do ecossistema PyTorch.

Outras empresas no mesmo caminho

A Amazon não está sozinha. Em abril de 2026, o Google anunciou o TorchTPU, que leva o PyTorch aos seus próprios chips de IA, os TPUs, pela mesma porta de entrada oficial usada pelo TorchNeuron. A AMD mantém o ROCm, sua alternativa ao CUDA, que na versão de outubro de 2026 já lista o PyTorch 2.14 para Linux e Windows. A Microsoft lançou em janeiro o chip Maia 200, com ferramentas de desenvolvimento que incluem suporte ao PyTorch. E a Qualcomm concluiu em julho a compra da Modular, empresa que desenvolve uma linguagem própria para programar chips de IA de vários fabricantes.

A estratégia comum é a mesma: em vez de pedir ao programador que aprenda uma ferramenta nova, levar o chip até a ferramenta que ele já usa.

O que os especialistas dizem

A SemiAnalysis previu esse movimento em dezembro de 2025, ao analisar o Trainium3: para a consultoria, o fosso do CUDA é construído pelos desenvolvedores de fora da Nvidia, e é essa comunidade que a AWS tenta atrair. A Reuters enquadrou o lançamento como um ataque à vantagem de software que a Nvidia construiu em mais de uma década.

O site The Next Web destacou as limitações da primeira versão, como os formatos de dados variáveis sem suporte e os milhares de testes pulados. A publicação técnica explainx.ai resumiu a ferramenta como promissora para projetos-piloto, e não como substituta imediata de uma frota de placas de vídeo, e não encontrou, até agora, testes independentes de desempenho.

O que fica

O TorchNeuron não derruba o domínio da Nvidia de uma vez, e a própria Amazon segue comprando placas da concorrente. O que ele faz é baixar o custo de experimentar outro chip: quem escreve em PyTorch pode testar o Trainium mudando poucas linhas, e não reescrevendo um projeto inteiro. Somado aos movimentos do Google, da AMD e da Microsoft, o lançamento mostra que a disputa pela IA deixou de ser só sobre quem faz o chip mais rápido e passou a ser também sobre quem consegue que o programador nem perceba a troca.

Fontes: 1 · 2 · 3 · 4 · 5 · 6 · 7 · 8 · 9 · 10 · 11 · 12 · 13 · 14 · 15 · 16 · 17 · 18 · 19 · 20 · 21 · 22