事件内容：当地时间 10 月 20 日，谷歌在 PyTorch Conference 上宣布，面向自家张量处理单元（TPU）的原生 PyTorch 版本 TorchTPU 正式开源，代码分四个仓库发布，采用 Apache 2.0 许可。同步宣布的是：旧的过渡方案 PyTorch/XLA 进入弃用流程，将于 11 月 15 日归档。
TorchTPU 的核心卖点是“代码不用重写”——开发者只需调整配置，就能把已有 PyTorch 应用迁移到 TPU，进而迁到谷歌云。谷歌称该项目与 Meta 的 PyTorch 团队联合开发，并拉上了 Hugging Face、vLLM 开发方 Inferact、SGLang 开发方 RadixArk 一起做兼容验证，配套的 Llama、Qwen、ResNet 示例也一并放出。此外还提供了 TPU 智能体套件用于迁移排错，并更新了端侧推理工具 LiteRT 以更好支持 PyTorch 应用。
这不是孤立动作。两天前的 10 月 19 日，亚马逊已经把同类项目 TorchNeuron 推进公测，让 PyTorch 应用可以近乎零改动跑在自研 Trainium 芯片和 AWS 上；亚马逊还更进一步，直接向 PyTorch 主项目提交代码，把各种功能与英伟达芯片解耦，让框架原生兼容多种硬件。同一周内，DeepSeek 开源的推理引擎 DeepInfer 也同时支持英伟达 SM100 GPU 和华为昇腾 950 NPU。三家公司做的事本质相同：让模型能跑在英伟达 GPU 以外的地方，而且不用重写代码。
值得关注的原因：
1. 打的不是芯片，是地基。英伟达的护城河从来不只是“卡快”，而是几乎全世界 AI 代码都默认脚下踩着 CUDA。换芯片就等于换掉代码所站的地板——这个迁移成本才是真正锁死客户的东西。TorchTPU 和 TorchNeuron 想做的，是把“换硬件”从一次伤筋动骨的重构工程，降级成一个配置开关。
2. 这是首次有人正面攻击软件层，而不是在硬件参数上追。过去几年挑战者的路径都是“做出更便宜/更省电的芯片”，然后在迁移成本上撞墙。现在路径变了：先把迁移成本打掉，硬件参数才有机会被公平比较。
3. 对买方是真实利好。硬件可移植性一旦成立，模型供应商就不再是永久性的架构决策。能换芯片，就能谈价格。对推理成本敏感的业务，这是最有含金量的变化。
4. 但要看清开放背后的“单一房东”。TorchTPU 目前覆盖 PyTorch 约 450 个 ATen 算子——数字不小，但并非全部；“最小改动”是厂商措辞，不是第三方实测结论。更关键的是，开源一座桥并没有改变桥那头的情况：TPU 只能向谷歌一家租，Trainium 只能向亚马逊一家租。桥修得越好走，你搬进的那个房间房东越唯一。
5. 短期难撼动英伟达。多数分析认为近一两年影响有限，开发者不会因为“能迁”就集体搬家。真正的变量是中长期：当迁移摩擦趋近于零，采购谈判的筹码结构会被重写。
一句话总结：这一周谷歌、亚马逊、DeepSeek 各交出一把钥匙，都在开同一把锁。锁的名字不叫算力，叫 CUDA。
来源：谷歌 / PyTorch 官方公告、IT之家、TechCrunch、GeekWire 等公开报道整理。
原创文章，作者：陈默，如若转载，请注明出处：https://www.chenmo.net/29.html
