PyTorch hors des GPU : Amazon et Google ouvrent TorchNeuron et TorchTPU

En deux jours, deux géants du cloud ont attaqué le même verrou. Le 19 octobre 2026, Amazon a présenté TorchNeuron, qui fait tourner du code PyTorch existant sur ses puces Trainium ; le 20 octobre, à la PyTorch Conference North America, Google a publié TorchTPU pour ses TPU. Les deux outils sont open source et promettent la même chose : utiliser leurs accélérateurs sans réécrire un code pensé, jusqu'ici, d'abord pour les cartes graphiques.

TorchNeuron : un réglage pour passer sur Trainium

Selon Amazon, 85 % des chercheurs et développeurs en IA écrivent leur code en PyTorch. TorchNeuron s'appuie sur le mécanisme standard par lequel PyTorch accueille un nouveau matériel : on indique neuron comme appareil cible, et les outils habituels de test, de débogage et de passage à l'échelle continuent de fonctionner. Dans sa démonstration, le même script d'entraînement a « appris les mêmes choses au même rythme » sur une puce classique et sur Trainium. L'outil prend en charge Trainium2 et Trainium3, est publié sous licence Apache 2.0, s'intègre à TorchTitan et à Hugging Face, et Amazon dit le tester sur des centaines de milliers de modèles à chaque version.

TorchTPU : les TPU deviennent un appareil PyTorch comme un autre

Développé avec l'équipe PyTorch de Meta, TorchTPU fait des TPU une cible native de PyTorch, au même titre que les cartes graphiques et les processeurs, avec « des changements de code minimes ». On débogue en mode immédiat, puis on accélère avec torch.compile. Google a branché l'outil sur une grande partie de l'écosystème : Transformers v5 de Hugging Face (il suffit de passer device_map="tpu"), vLLM, SGLang, llm-d, TorchTitan, VeRL et Ray. Selon Google, l'entraînement avec TorchTitan a atteint jusqu'à 52 % d'utilisation des capacités de calcul sur Qwen 3 8B, avec une montée en charge quasi linéaire jusqu'à 8 192 TPU Ironwood.

Notre lecture

Analyse. Ni Amazon ni Google ne nomment NVIDIA, mais la cible est claire, comme le souligne TechCrunch : la force de NVIDIA tient autant à son logiciel CUDA qu'à ses puces, et chaque réécriture évitée rend un concurrent plus crédible. Ces outils changent surtout la donne pour les entreprises qui louent du calcul dans le cloud : on ne monte pas un Trainium dans son PC. Pour l'IA chez soi, les cartes graphiques restent la norme, ce que NVIDIA entretient avec ses nouveaux modèles Nemotron 3.5 pensés pour les PC RTX. Reste à voir si les équipes, au-delà des démonstrations, migreront vraiment leurs entraînements.