10月21日，谷歌宣布面向自家TPU的原生PyTorch框架TorchTPU在GitHub开源。开发者只需要调整配置，不必重写应用代码，就能把现有的PyTorch程序迁移到TPU，再顺着迁移到谷歌云。就在前一天，亚马逊刚发布了对标产品TorchNeuron。两天之内两家云厂商接连出手，指向的是同一个目标：把英伟达从AI开发默认选项的位置上挪开。两家公司的节奏咬得很紧，前一天亚马逊刚发布TorchNeuron，第二天谷歌就跟上了。
之所以要动PyTorch，是因为它太基础。这个由Meta在2016年开源的框架，如今支撑着大约85%的AI应用，从模型训练到推理部署都绕不开它。而它诞生的时候，英伟达的GPU已经是研究界的标配硬件，很多底层实现天然围绕CUDA展开。久而久之，换芯片的代价不再只是换一块板卡，而是要重写一整条工具链。开源社区的治理结构，决定了这类改造能走多远。
迁移成本才是真正的护城河。一个团队如果要把训练任务搬到新硬件上，通常要面对算子缺失、通信库不兼容、精度对不齐、性能调优无从下手这几道关，顺利的话几周，不顺利的话几个月，还不一定能复现原来的效果。TorchTPU想做的，是把这几周压缩成改几行配置，让硬件选择重新变成一道算术题。这也是为什么很多团队明明对成本不满，却仍然留在原来的硬件上。
谷歌这次的动作比以往更彻底。它拉上了Meta、Hugging Face，以及vLLM和SGLang的开发方一起做兼容，保证TorchTPU的代码库能和这些主流推理工具衔接；同时推出了TPU迁移代理工具，帮开发者排查迁移过程中的故障；端侧的LiteRT也升级了对PyTorch应用的支持。这套组合拳的意思是，不只给你一条路，还派人陪你走完。
亚马逊那边更激进一些。除了发布TorchNeuron，它还在往PyTorch主项目提交代码，把各种功能与英伟达硬件解耦，让上游默认就兼容更多硬件。这一手如果做成，影响会比任何一家公司的适配层都深远，因为改的是标准本身，而不是在标准旁边再搭一个翻译层。不过改上游标准这条路很长，PyTorch的维护者要考虑所有硬件厂商的诉求，不可能只听一家。
但要说英伟达会因此被撼动，还太早。已有的项目、调优经验、工程师的肌肉记忆，都是极难迁移的资产；CUDA生态积累了十几年，不是两个开源仓库能抹平的。真正的变化是，硬件选择从没有选择变成了有代价的选择，而一旦代价可以计算，采购谈判的桌子就会重新摆一次。对采购方来说，多一个可选项意味着谈判时手里多一张牌，这本身就是收益。
