Google abre el código de TorchTPU: PyTorch gana la TPU como dispositivo nativo

Google ha publicado en abierto TorchTPU, un stack de software completo para ejecutar PyTorch en TPU como en un dispositivo nativo. El anuncio se hizo en la PyTorch Conference 2026, en San José. Si se resume la noticia en una sola línea de código, queda así: device_map="tpu". En Hugging Face Transformers, eso basta para que el modelo se ejecute en los procesadores tensoriales de Google.

Sobre el papel, parece un detalle menor. En la práctica, golpea la ventaja más duradera de Nvidia. Durante diez años el mercado ha debatido sobre la potencia de los chips, pero la elección de un acelerador depende en buena medida del esfuerzo que cuesta hacer funcionar en él el código que ya está escrito. CUDA se sostiene sobre el rendimiento, pero también sobre la inercia: bibliotecas, costumbres, recetas de entrenamiento listas para usar y el conocimiento de los ingenieros.

Por qué las TPU llevaban tanto tiempo reservadas a unos pocos

Las TPU de Google se consideran desde hace tiempo hardware de primer nivel. La compañía entrena en ellas sus propios modelos y, en los últimos años, las ofrece cada vez más a clientes externos. Grandes laboratorios han firmado acuerdos por grandes volúmenes de capacidad TPU, y Google ha posicionado la séptima generación, Ironwood, como un chip para la era de la inferencia.

El freno no era el chip, sino el puente entre este y el mundo de PyTorch. Dentro de Google, el lenguaje habitual era JAX, mientras que el resto de la industria escribía en PyTorch. Para ejecutar PyTorch en TPU existía PyTorch/XLA, pero el desarrollador medio lo percibía como una disciplina aparte. Había que adaptar el código y el comportamiento difería del escenario habitual con GPU. Muchos equipos volvían a CUDA tras el primer intento.

TorchTPU se presenta como la respuesta a ese problema. En lugar de una capa intermedia que hay que aprender por separado, Google ofrece la TPU como dispositivo nativo de PyTorch. Para el usuario de Transformers, la frontera entre un «modelo para GPU» y un «modelo para TPU» se reduce al valor de un parámetro.

Qué se ha abierto exactamente

Según Google, no se trata de un conjunto de ejemplos ni de un envoltorio sobre una solución antigua, sino de una cadena completa que permite a PyTorch funcionar en TPU. El código es abierto, y eso es fundamental para la confianza. A los desarrolladores no les gusta atarse a software cerrado para hardware ajeno, sobre todo después de muchos años en un ecosistema con un líder férreo.

Los datos clave de la publicación:

• el proyecto se llama TorchTPU y se distribuye como open source;
• el anuncio se hizo en la PyTorch Conference 2026, en San José;
• el objetivo es convertir la TPU en un dispositivo nativo de PyTorch;
• la interfaz para el usuario de Hugging Face Transformers es device_map="tpu";
• el principal rival no es un chip concreto, sino el hábito de los desarrolladores de usar CUDA.

La elección de Hugging Face como escaparate parece deliberada. Es el lugar donde la mayoría de los ingenieros descarga por primera vez un modelo abierto, lo ejecuta y decide hacia dónde escalar. Si el camino hacia la TPU resulta allí tan sencillo como el camino hacia la GPU, Google accede a una audiencia enorme que antes ni siquiera consideraba su hardware.

Cómo evaluarlo en la práctica

La noticia no significa que mañana se pueda migrar cualquier pipeline con una sola línea. Una cosa es ejecutar un modelo de Transformers y otra muy distinta trasladar un entrenamiento en producción con kernels personalizados, operadores no estándar y código distribuido hecho a medida. Es justo en esos puntos donde suele esconderse la dependencia de CUDA.

Los equipos que miran hacia las TPU harían bien en proceder por orden:

• tomar un modelo estándar de Transformers y comparar en TPU y GPU el coste por hora de trabajo, y no solo la velocidad;
• comprobar cuántos kernels CUDA personalizados y extensiones de terceros hay en la base de código: es la principal fuente de dolor en una migración;
• probar por separado la inferencia y el entrenamiento, porque la madurez del stack en cada escenario puede variar mucho;
• mantener una vía de retirada a la GPU hasta que TorchTPU supere la prueba con su carga de trabajo real.

Para el mercado, lo importante es otra cosa. Mientras pasar a aceleradores alternativos exigía reescribir código, Nvidia podía mantener precios y condiciones de suministro. Cada paso que reduce el coste de la mudanza da a los compradores una palanca en la negociación, aunque la mayoría siga en CUDA. El foso sigue ahí, pero Google acaba de mostrar por dónde se puede cruzar.