Google quer turbinar TPUs para PyTorch e desafiar domínio da Nvidia em IA
Iniciativa “TorchTPU” visa democratizar o acesso a hardware de IA e reduzir custos para empresas.
O Google está investindo pesadamente para que suas Unidades de Processamento de Tensores (TPUs) se tornem uma alternativa robusta às GPUs da Nvidia no crescente mercado de computação em inteligência artificial. O foco principal desta nova empreitada, conhecida internamente como “TorchTPU”, é aprimorar a execução do PyTorch, um dos frameworks de IA mais populares e utilizados globalmente. A estratégia visa não apenas impulsionar as vendas de TPUs, um motor crucial para a receita da nuvem do Google, mas também quebrar a hegemonia histórica da Nvidia.
Superando barreiras de adoção com “TorchTPU”
A iniciativa “TorchTPU” surge como uma resposta direta a um dos principais gargalos que têm dificultado a adoção em larga escala dos chips TPU pelo mercado. Historicamente, muitos desenvolvedores já construíram suas infraestruturas e fluxos de trabalho em torno do PyTorch, um projeto de código aberto amplamente apoiado pela Meta Platforms. A falta de compatibilidade nativa e otimizada entre o PyTorch e as TPUs do Google exigia um esforço adicional de engenharia, aumentando custos e tempo de implementação.
O objetivo do Google com o “TorchTPU” é eliminar essa barreira, tornando as TPUs totalmente compatíveis e amigáveis para desenvolvedores que já utilizam o PyTorch. Para acelerar essa adoção, a empresa considera inclusive a possibilidade de liberar partes do software como código aberto, fomentando uma comunidade de usuários e contribuidores.
Em comparação com esforços anteriores para integrar o PyTorch às TPUs, o projeto “TorchTPU” demonstra um maior foco organizacional, alocação de recursos e importância estratégica. Essa dedicação se alinha à crescente demanda de empresas que buscam otimizar suas cargas de trabalho de IA e que identificaram a pilha de software como um ponto crítico na utilização de hardware especializado.
O ecossistema de software: o grande trunfo da Nvidia
É fundamental entender que o desenvolvimento de modelos de inteligência artificial raramente é feito escrevendo cada linha de código do zero. Ferramentas como o PyTorch reúnem bibliotecas e frameworks pré-desenvolvidos que automatizam tarefas complexas, acelerando o processo de criação e treinamento de modelos. O PyTorch, lançado em 2016, tem uma ligação histórica com o CUDA, o software proprietário da Nvidia.
Analistas consideram o CUDA o maior trunfo da Nvidia contra a concorrência. Engenheiros da empresa dedicaram anos ao desenvolvimento e otimização do CUDA para garantir que qualquer software desenvolvido usando PyTorch pudesse rodar com a máxima velocidade e eficiência em seus chips. Essa sinergia criou um ecossistema robusto que se tornou o padrão de fato para muitos na indústria de IA.
Por outro lado, o Google historicamente focou seus esforços em um framework diferente, o Jax, e utilizou a ferramenta XLA para otimizar a execução do código em suas TPUs. Grande parte da pilha de software de IA do Google e suas otimizações de desempenho foram construídas em torno do Jax, o que criou uma divergência significativa em relação às preferências da maioria dos clientes.
TPUs do Google: do uso interno à oferta para clientes
Historicamente, a Alphabet, empresa-mãe do Google, reservava a maioria de suas TPUs para uso interno. Essa política mudou significativamente em 2022, quando a unidade de computação em nuvem do Google começou a gerenciar a venda desses chips para clientes externos. Com o aumento exponencial do interesse em inteligência artificial, a produção e as vendas de TPUs para uso externo foram intensificadas.
No entanto, a incompatibilidade entre o PyTorch, amplamente utilizado na indústria, e o Jax, mais otimizado para as TPUs do Google, representa um obstáculo considerável. Muitos desenvolvedores se deparam com a necessidade de um trabalho extra de engenharia para migrar suas cargas de trabalho para as TPUs, o que demanda tempo e recursos valiosos. O sucesso da iniciativa “TorchTPU” poderia reduzir drasticamente esses custos de transição.
Um porta-voz do Google Cloud confirmou a importância da iniciativa, destacando: “Estamos vendo uma demanda massiva e acelerada tanto para nossa infraestrutura de TPU quanto de GPU. Nosso foco é oferecer a flexibilidade e a escala que os desenvolvedores necessitam, independentemente do hardware escolhido”. Essa declaração reforça o compromisso do Google em oferecer mais opções aos seus clientes.
Colaboração estratégica com a Meta
Para acelerar o desenvolvimento e a adoção do “TorchTPU”, o Google estabeleceu uma colaboração estreita com a Meta, a empresa por trás do PyTorch. As duas gigantes da tecnologia têm discutido acordos para que a Meta tenha acesso a um número maior de TPUs. A Meta possui um interesse estratégico em desenvolver software que facilite a execução em TPUs, visando reduzir custos de inferência e diversificar sua infraestrutura de IA, diminuindo assim a dependência exclusiva das GPUs da Nvidia e fortalecendo seu poder de negociação.
Inicialmente, as ofertas do Google para a Meta foram estruturadas como serviços gerenciados, onde clientes instalavam chips projetados para executar o software do próprio Google, com suporte operacional fornecido pela empresa. Contudo, neste ano, o Google passou a vender TPUs diretamente nos data centers dos clientes, expandindo o acesso para além de sua própria nuvem. A nomeação de Amin Vahdat, um veterano da empresa, como chefe de infraestrutura de IA, reportando diretamente ao CEO Sundar Pichai, sinaliza a alta prioridade estratégica que essa área representa para o Google.
Essa infraestrutura de IA é vital não apenas para os produtos internos do Google, como o chatbot Gemini e a busca otimizada por IA, mas também para atender a demanda crescente dos clientes do Google Cloud, que buscam soluções de ponta para seus próprios desafios de inteligência artificial.









