Torch This: ¿puede AWS cruzar por fin el foso CUDA de NVIDIA con TorchNeuron?

El artículo, publicado el 20 de octubre de 2026 por Alex Salkever en Forward Future, analiza TorchNeuron, un proyecto de código abierto anunciado por Amazon. Su objetivo es facilitar la ejecución de modelos PyTorch en los chips de IA Trainium de AWS. La tesis central es que AWS intenta desplazar la elección de hardware a una capa situada por debajo de PyTorch. Si un desarrollador puede escribir PyTorch normal y cambiar de acelerador con poco esfuerzo, el bloqueo de software que supone CUDA deja de ser absoluto.

El autor recurre a una metáfora medieval. NVIDIA sería un castillo rodeado por un foso profundo, que ha cavado durante casi dos décadas y que está lleno de cocodrilos llamados cuBLAS y cuDNN. CUDA, el conjunto de software propietario de NVIDIA, funciona como el puente levadizo que permite a los ingenieros convertir código convencional en aplicaciones de IA preparadas para GPU. Según el texto, el ecosistema CUDA ha llegado a la mayoría de los sectores intensivos en conocimiento, desde la biotecnología hasta la fabricación y los videojuegos. Amazon llega ahora con su propio puente levadizo, abierto y llamado TorchNeuron.

Según el artículo, TorchNeuron permite usar con Trainium las API habituales de PyTorch, incluidas la ejecución eager, la compilación y el entrenamiento distribuido. En las cargas de trabajo compatibles, migrar puede ser tan simple como cambiar el dispositivo de destino, sin reconstruir las aplicaciones sobre una pila de software distinta. Para las startups con facturas de computación en alza, esto resulta atractivo, siempre que Trainium ofrezca ahorros de coste reales.

PyTorch es el marco de aprendizaje automático de código abierto que desarrolló originalmente Meta y que hoy gobierna la PyTorch Foundation, integrada en la Linux Foundation. Está diseñado para funcionar sobre distintas arquitecturas de hardware. Sin embargo, NVIDIA ha convertido sus GPU en el camino de menor resistencia gracias a años de optimización. El autor subraya que CUDA se usa y se respeta ampliamente porque cumple en gran medida lo que promete. AMD ya ha atacado CUDA con ROCm, también de código abierto. La diferencia con Amazon es que esta controla no solo el silicio sino toda la pila de IA dentro de AWS.

El texto insiste en que CUDA es mucho más que una capa de traducción. Su ventaja sería una enorme colección de bibliotecas, herramientas y optimizaciones acumuladas durante casi veinte años. El ecosistema CUDA-X incluye cuBLAS y cuDNN para operaciones matemáticas, NCCL para coordinar grandes clústeres de GPU y bibliotecas especializadas en simulación científica y computación industrial. TorchNeuron puede hacer portables las aplicaciones PyTorch, pero no reproduce automáticamente todas esas ventajas de rendimiento. Esto es especialmente cierto cuando los desarrolladores dependen de kernels CUDA personalizados o de marcos de optimización especializados.

El artículo añade otro factor: según el autor, NVIDIA es el mayor publicador de modelos de pesos abiertos, con cientos de variantes muy afinadas para CUDA. Afirma además que la reciente adquisición de Hugging Face por parte de NVIDIA refuerza esa posición, en un momento en que la soberanía de la IA cobra importancia. Esta información procede del propio texto y no la hemos contrastado de forma independiente.

En los sistemas de producción el reto es mayor. Tecnologías como vLLM, SGLang y FlashAttention exprimen el rendimiento del hardware caro. Amazon dispone de su propia Neuron Kernel Interface y de herramientas de optimización. Aun así, trasladar código CUDA afinado a mano a implementaciones igual de eficientes en Trainium sigue siendo un problema de ingeniería y no un truco de compilador. La beta de TorchNeuron tiene además limitaciones con formas dinámicas, operaciones de atención y ciertas integraciones de cuantización. El autor lo resume así: que una carga de trabajo funcione no significa que sea competitiva. Aun así, la escala de Amazon le da influencia para impulsar la compatibilidad desde el primer día con las mejoras en los kernels y los motores de inferencia que ejecutan la mayoría de las cargas.

TorchNeuron se publica bajo licencia Apache 2.0 y contribuye a la independencia de hardware de PyTorch. Sin embargo, el backend está diseñado específicamente para AWS Trainium. En palabras del autor, Amazon ofrece una vía de escape del jardín vallado de NVIDIA hacia otro jardín vallado. Aun así, una mayor portabilidad podría tener consecuencias más allá de Trainium. Debilitaría la idea de que el desarrollo serio de IA exige comprar hardware de NVIDIA. Si otros fabricantes de aceleradores facilitan la migración con mejor economía, los clientes ganan poder de negociación aunque se queden con NVIDIA. La licencia Apache 2.0 también permitiría bifurcar el proyecto y adaptarlo a otro silicio. El artículo señala que, según se informa, Amazon busca colaboradores externos para desarrollar el ecosistema.

El autor plantea que TorchNeuron podría anticipar esfuerzos para reducir la brecha de CUDA. Los hiperescaladores y los laboratorios de frontera que fabrican sus propios chips, casi todos, podrían mejorar sus márgenes operativos integrando verticalmente chips y software.

La conclusión es que Amazon prueba una estrategia distinta de los intentos anteriores, que consistían en anunciar chips más rápidos y perseguir el ritmo de mejora de NVIDIA. Amazon apuesta por que no hace falta destruir el foso si cruzarlo resulta suficientemente fácil o ventajoso. La prueba real no será que una demo de PyTorch funcione en Trainium. Será que los equipos de producción puedan migrar cargas complejas, mantener el rendimiento y reducir costes de forma sustancial sin contratar un ejército de ingenieros de compiladores. El autor concluye que es positivo para la competencia y para el código abierto, y probablemente también para Amazon y NVIDIA si el mercado de la IA crece.

Nota editorial: el texto es una pieza de opinión y análisis. No aporta cifras de rendimiento ni de ahorro de costes de Trainium frente a las GPU de NVIDIA, por lo que no podemos verificar ninguna ventaja económica concreta. El propio autor reconoce que TorchNeuron está en beta y que su valor dependerá de la migración de cargas reales en producción.