ابزار جدید TorchNeuron آمازون می‌خواهد قید انویدیا را روی توسعه‌دهندگان هوش مصنوعی شل کند

آمازون وب سرویسز (AWS) روز دوشنبه TorchNeuron را منتشر کرد؛ یک بک‌اند بومی PyTorch برای تراشه‌های سفارشی هوش مصنوعی Trainium که به توسعه‌دهندگان اجازه می‌دهد اپلیکیشن‌های PyTorch موجود را تنها با تغییر یک خط پیکربندی روی سخت‌افزار Trainium اجرا کنند - بدون نیاز به بازنویسی کد. AWS می‌گوید حدود ۸۵ درصد از اپلیکیشن‌های هوش مصنوعی از قبل با PyTorch نوشته شده‌اند؛ این یعنی سازگاری، نه مشخصات خام تراشه، میدان نبرد واقعی برای هر کسی است که می‌خواهد با انویدیا رقابت کند.

این چارچوب‌بندی خود نکته اصلی ماجراست. تسلط انویدیا در محاسبات هوش مصنوعی عمدتاً روی نرم‌افزار استوار است، نه فقط تراشه: پلتفرم CUDA این شرکت سال‌هاست به‌گونه‌ای تنظیم شده که بی‌نقص با PyTorch کار کند و همین امر سخت‌افزار انویدیا را به انتخاب پیش‌فرض و بدون اصطکاک اکثر توسعه‌دهندگان تبدیل کرده است. TorchNeuron تلاش آمازون برای از بین بردن این مزیت اصطکاک‌زدایی برای تراشه‌های Trainium خودش است - و با جاه‌طلبی بیشتر، تلاشی برای اعمال تغییراتی در هسته پروژه PyTorch که وابستگی این فریم‌ورک به یک سازنده تراشه خاص را کاهش دهد.

از نظر فنی، TorchNeuron رویکرد قدیمی‌تر کامپایل مبتنی بر XLA که AWS پیش‌تر برای اجرای PyTorch روی تراشه‌هایش استفاده می‌کرد را با یکپارچه‌سازی بومی از طریق مکانیزم بک‌اند دستگاه PrivateUse1 در PyTorch جایگزین می‌کند. این ابزار هم از اجرای حالت eager برای توسعه تعاملی و هم از کامپایل just-in-time از طریق TorchDynamo برای عملکرد در تولید پشتیبانی می‌کند - همان دو حالتی که توسعه‌دهندگان PyTorch از قبل روی GPUهای انویدیا انتظارش را دارند. AWS این بک‌اند بومی را ابتدا در بتای خصوصی به‌عنوان بخشی از Neuron SDK 2.27 در دسامبر ۲۰۲۵ معرفی کرد؛ انتشار روز دوشنبه نشان‌دهنده حرکت آن به سمت دسترس‌پذیری عمومی است.

AWS همچنین جذابیت Trainium را فراتر از هزینه خام هر توکن مطرح می‌کند. کالین بریس، معاون نرم‌افزار فناوری در Annapurna Labs وابسته به AWS، گفت مزیت این تراشه «یک پلتفرم واحد برای هم آموزش و هم استنتاج» است که به‌طور محکم با زیرساخت AWS یکپارچه شده - تضادی که این شرکت با «نئوکلودهای» وابسته به انویدیا مانند CoreWeave، Nebius و Firmus ترسیم می‌کند؛ شرکت‌هایی که چندتایشان امسال با فشار مالی خودشان روبه‌رو بوده‌اند. بریس گفت: «داستان واقعی حذف قفل‌شدگی‌ای است که مانع از داشتن انتخاب واقعی برای توسعه‌دهندگان می‌شد.»

آمازون به شرکت هوش مصنوعی صوتی Deepgram -رقیب ElevenLabs- به‌عنوان نمونه موفق اولیه اشاره می‌کند: این شرکت پس از انتقال به Trainium با استفاده از PyTorch بومی، می‌گوید اکنون ۷۰ درصد صدای بیشتری به ازای هر دلار با دقت درجه تولید پردازش می‌کند. آمازون می‌گوید همچنین کدهایی را به پروژه اصلی PyTorch خواهد افزود تا وابستگی‌های خاص به تراشه را از آن حذف کند - حرکتی که صریحاً برای سازگارتر کردن این فریم‌ورک با سخت‌افزارهای مختلف در کل صنعت طراحی شده، نه صرفاً دوستانه‌تر کردن آن برای تراشه‌های AWS.

اینکه آیا این موضوع به انتخاب واقعی برای توسعه‌دهندگان منجر می‌شود یا نه، همچنان سؤالی باز است. کل هدف طراحی PyTorch پنهان کردن دردسر اجرای همان کد روی سخت‌افزارهای مختلف است - که این خودش دو طرفه است: اگر آمازون موفق شود، هر سازنده تراشه‌ای مسیر ورود آسان‌تری پیدا می‌کند، نه فقط AWS. منتقدان اشاره می‌کنند که جابه‌جایی زیرساخت، حتی با یک تغییر پیکربندی تک‌خطی، همچنان به معنای آزمایش مجدد عملکرد و قابلیت اطمینان در مقیاس بزرگ است، و توسعه‌دهندگان مدتی است توانسته‌اند PyTorch را با تنظیمات مشابه روی GPUهای AMD یا تراشه‌های اپل اجرا کنند بدون اینکه این کار انویدیا را از جایگاهش کنار بزند. آزمون واقعی TorchNeuron این نیست که آیا در یک دمو کار می‌کند - بلکه این است که آیا شرکت‌های هوش مصنوعی به اندازه کافی تصمیم می‌گیرند که هزینه جابه‌جایی ارزشش را دارد یا نه.

منبع: اعلامیه آمازون وب سرویسز، گزارش‌شده توسط TechCrunch، ۱۹ اکتبر ۲۰۲۶.