A Nvidia (abre em nova aba) não manda na inteligência artificial só porque fabrica bons chips. Ela manda porque quase todo programa de IA nasce escrito para rodar neles. Foi nessa trincheira, menos vistosa e muito mais decisiva, que o Google resolveu atacar. Nesta terça-feira (20), durante a PyTorch Conference 2026, a empresa publicou como código aberto o TorchTPU (abre em nova aba). A ferramenta permite que programas feitos em PyTorch rodem diretamente nos TPUs, os chips de IA que o próprio Google projeta.
Onde está a trava
O PyTorch (abre em nova aba) é a caixa de ferramentas mais usada para construir modelos de IA. Foi criado pela Meta e hoje está sob a guarda da Linux Foundation. Segundo o SiliconANGLE, que atribui o número a relatos não identificados, mais de 85% das aplicações de IA são criadas com ele. E boa parte desse código foi pensada desde o início para as GPUs da Nvidia. Mudar de chip significava reescrever trechos, testar tudo de novo e correr o risco de algo quebrar. É esse custo de saída que mantém clientes presos, muito mais do que qualquer especificação técnica.
O TorchTPU promete reduzir essa mudança a quase nada. Na prática, o desenvolvedor troca uma palavra: onde o código mandava o trabalho para "cuda", o nome da plataforma da Nvidia, ele passa a escrever "tpu". Na versão 5 da biblioteca Transformers, da Hugging Face (abre em nova aba), basta indicar device_map="tpu". Google e PyTorch afirmam que os 5 mil modelos mais baixados da Hugging Face rodam sem ajustes. O projeto foi desenvolvido em conjunto com a equipe do PyTorch na Meta, o que dá ao Google um aval que ele sozinho não teria.
A segunda tentativa, agora sem disfarce
Não é a primeira vez que o Google tenta isso. Em 2020, a empresa lançou o PyTorch/XLA, e o próprio blog do PyTorch agora lista os problemas daquela ferramenta com uma franqueza rara. Ela exigia modificações invasivas no código, sofria com longas esperas de compilação e não suportava o "modo eager", o jeito passo a passo com que a maioria dos desenvolvedores trabalha no dia a dia. Em outras palavras, funcionava para quem estava disposto a sofrer. O TorchTPU começou do zero em meados de 2025 e tem uma regra central: parecer PyTorch comum, e não uma adaptação. Em abril, o Google havia prometido um repositório público ainda em 2026. A promessa foi cumprida.
Os números (de quem vende)
O Google trouxe métricas, e elas merecem atenção e também algum ceticismo, porque vêm da própria empresa e de seus parceiros. No treinamento do modelo Qwen 3 8B, o TorchTPU atingiu até 52% de MFU. O indicador mede quanto da capacidade teórica do chip vira trabalho útil. Segundo o Google, o desempenho também cresceu de forma quase proporcional até 8.192 chips Ironwood, a geração mais recente de TPUs.
A empresa também lançou o llm-d 1.0, ferramenta para distribuir pedidos entre chips, feita com Red Hat, IBM e uma comunidade de mais de 500 colaboradores de 25 organizações. A Zenteiq, uma das usuárias, diz que o roteamento mais inteligente elevou a produção diária de 1,47 bilhão para 5,97 bilhões de tokens por mil chips TPU v6e, mais de quatro vezes. O Google afirma ainda que o TorchTPU já roda em produção em alguns dos maiores clientes do Google Cloud, sem citar nomes.
A letra miúda
O próprio anúncio do PyTorch traz uma ressalva importante: só trocar "cuda" por "tpu" não leva ao desempenho máximo do chip. O formato dos dados, a forma de dividir o trabalho e as operações usadas costumam ter sido pensados para GPUs. A troca de uma palavra abre a porta. Para tirar proveito do custo e da velocidade dos TPUs, ainda é preciso arrumar a casa.
O projeto também é jovem. A versão pública disponível é a 0.2.0 e exige Python 3.11 ou mais recente. Empresas com sistemas grandes vão testar com cuidado antes de mover qualquer coisa importante.
Todo mundo mirando o mesmo cadeado
O detalhe mais revelador vem do calendário. Na mesma semana, segundo o SiliconANGLE, a Amazon Web Services (abre em nova aba) anunciou o TorchNeuron, que faz o mesmo para seus chips Trainium, e contribuiu com código para o PyTorch. Os gigantes da nuvem chegaram à mesma conclusão: para depender menos da Nvidia, não basta fabricar chips próprios. É preciso tornar barato o caminho de saída.
Para quem compra capacidade de IA, isso é uma ótima notícia. Mais alternativas reais significam mais poder para negociar preço. Nenhum repositório no GitHub vai tirar a coroa da Nvidia de uma hora para outra, porque a vantagem dela foi construída ao longo de anos de ferramentas, documentação e hábito. Mas a dominância da empresa sempre dependeu menos do chip e mais do incômodo de trocar de fornecedor. O Google, com a Meta ao lado, acaba de atacar exatamente esse incômodo.