Amazons neues Tool TorchNeuron soll Nvidias Griff auf KI-Entwickler lockern

Amazon Web Services veröffentlichte am Montag TorchNeuron, ein natives PyTorch-Backend für seine kundenspezifischen KI-Chips Trainium, mit dem Entwickler bestehende PyTorch-Anwendungen durch Ändern einer einzigen Konfigurationszeile auf Trainium-Hardware verschieben können — ganz ohne Code-Neuschreibung. AWS zufolge sind bereits rund 85 % aller KI-Anwendungen in PyTorch geschrieben, was Kompatibilität — und nicht rohe Chip-Spezifikationen — zum eigentlichen Schlachtfeld für jeden macht, der mit Nvidia konkurrieren will.

Genau diese Einordnung ist der Kern der Sache. Nvidias Dominanz im KI-Computing beruht maßgeblich auf Software, nicht nur auf Silizium: Die CUDA-Plattform des Unternehmens wurde über Jahre so optimiert, dass sie nahtlos mit PyTorch zusammenarbeitet, was Nvidia-Hardware für die meisten Entwickler zur reibungslosen Standardwahl gemacht hat. TorchNeuron ist Amazons Versuch, diesen Reibungsvorteil zugunsten seiner eigenen Trainium-Chips auszulöschen — und, noch ambitionierter, Änderungen direkt in das PyTorch-Hauptprojekt einzubringen, die die Abhängigkeit des Frameworks von einem einzelnen Chiphersteller verringern.

Technisch ersetzt TorchNeuron den älteren XLA-basierten Kompilierungsansatz, den AWS zuvor nutzte, um PyTorch auf seinen Chips laufen zu lassen, durch eine native Integration über den PrivateUse1-Gerätebackend-Mechanismus von PyTorch. Es unterstützt sowohl die Eager-Mode-Ausführung für interaktive Entwicklung als auch die Just-in-Time-Kompilierung über TorchDynamo für Produktionsleistung — dieselben zwei Modi, die PyTorch-Entwickler bereits von Nvidia-GPUs erwarten. AWS stellte dieses native Backend erstmals im Dezember 2025 als privates Beta im Rahmen des Neuron SDK 2.27 vor; die Veröffentlichung am Montag markiert den Schritt zur allgemeinen Verfügbarkeit.

AWS positioniert die Attraktivität von Trainium auch jenseits der reinen Kosten pro Token. Colin Brace, Vice President of Technology Software bei AWS Annapurna Labs, sagte, der Vorteil des Chips liege darin, «eine einzige Plattform für sowohl Training als auch Inferenz» zu sein, eng integriert in die AWS-Infrastruktur — ein Kontrast, den das Unternehmen zu Nvidia-abhängigen „Neoclouds“ wie CoreWeave, Nebius und Firmus zieht, von denen mehrere in diesem Jahr mit eigenen Finanzierungsproblemen zu kämpfen hatten. „Die eigentliche Geschichte ist, das Lock-in zu beseitigen, das Entwickler bisher an einer echten Wahl gehindert hat“, sagte Brace.

Amazon verweist auf das Sprach-KI-Unternehmen Deepgram, einen Konkurrenten von ElevenLabs, als frühen Erfolgsnachweis: Nach dem Umstieg auf Trainium mit nativem PyTorch verarbeitet Deepgram nach eigenen Angaben nun 70 % mehr Audio pro Dollar bei produktionsreifer Genauigkeit. Amazon erklärt zudem, Code in das Kern-PyTorch-Projekt einzubringen, um chipspezifische Abhängigkeiten zu entfernen — ein Schritt, der ausdrücklich darauf abzielt, das Framework branchenweit hardwareunabhängiger zu machen, nicht nur freundlicher gegenüber AWS-Silizium.

Ob sich das in echte Entwicklerwahl übersetzt, bleibt offen. Der gesamte Designzweck von PyTorch besteht darin, die Mühen zu verbergen, denselben Code auf unterschiedlicher Hardware laufen zu lassen — was in beide Richtungen wirkt: Gelingt Amazon dies, profitiert jeder Chiphersteller von einem leichteren Einstieg, nicht nur AWS. Skeptiker merken an, dass ein Infrastrukturwechsel, selbst mit einer einzeiligen Konfigurationsänderung, weiterhin bedeutet, Leistung und Zuverlässigkeit im großen Maßstab neu zu testen, und dass Entwickler PyTorch schon seit einiger Zeit mit ähnlichen Konfigurationsanpassungen auf AMD-GPUs oder Apple-Silizium umlenken können, ohne dass dies Nvidia vom Thron gestoßen hätte. Der eigentliche Test für TorchNeuron ist nicht, ob es in einer Demo funktioniert — sondern ob genügend KI-Unternehmen entscheiden, dass sich die Wechselkosten lohnen.

Quelle: Ankündigung von Amazon Web Services, berichtet von TechCrunch, 19. Oktober 2026.