Google abre o código do TorchTPU e dá ao PyTorch suporte nativo a TPUs

O Google liberou em código aberto o TorchTPU, um stack de software completo para rodar PyTorch em TPUs como em um dispositivo nativo. O anúncio foi feito na PyTorch Conference 2026, em San José. Se a novidade fosse resumida a uma única linha de código, ela seria esta: device_map="tpu". No Hugging Face Transformers, isso basta para que o modelo seja executado nos processadores tensoriais do Google.

No papel, parece um detalhe. Na prática, é um golpe na vantagem mais resistente da Nvidia. O mercado discute há dez anos o poder de processamento dos chips, mas a escolha de um acelerador depende muito do esforço necessário para fazer o código já escrito funcionar nele. A força do CUDA não vem só do desempenho, mas também da inércia: bibliotecas, hábitos, receitas prontas de treinamento e o conhecimento acumulado dos engenheiros.

Por que as TPUs ficaram tanto tempo restritas a poucos

As TPUs do Google há muito tempo são consideradas hardware de peso. A empresa treina seus próprios modelos nelas e, nos últimos anos, tem alugado cada vez mais essa capacidade a clientes externos. Grandes laboratórios fecharam acordos para grandes volumes de capacidade em TPUs, e a sétima geração, a Ironwood, foi posicionada pelo Google como um chip para a era da inferência.

O obstáculo não era o chip, mas a ponte entre ele e o mundo do PyTorch. Dentro do Google, a linguagem de uso era o JAX, enquanto o resto da indústria escrevia em PyTorch. Para rodar PyTorch em TPUs existia o PyTorch/XLA, mas o desenvolvedor comum o encarava como uma disciplina à parte. Era preciso adaptar o código, e o comportamento diferia do cenário habitual com GPUs. Muitas equipes voltavam para o CUDA depois da primeira tentativa.

O TorchTPU é apresentado como resposta a esse problema. Em vez de uma camada intermediária que precisa ser aprendida separadamente, o Google oferece a TPU como dispositivo nativo do PyTorch. Para quem usa o Transformers, a fronteira entre um "modelo para GPU" e um "modelo para TPU" se reduz ao valor de um parâmetro.

O que exatamente foi aberto

Segundo o Google, não se trata de um conjunto de exemplos nem de um wrapper em torno da solução antiga, mas de uma cadeia completa que permite ao PyTorch funcionar em TPUs. O código é aberto, e isso é fundamental para a confiança. Os desenvolvedores não gostam de ficar presos a um software fechado feito para o hardware de terceiros, sobretudo depois de muitos anos num ecossistema com um líder tão rígido.

Principais fatos do lançamento:

• o projeto se chama TorchTPU e é distribuído como open source;
• o anúncio foi feito na PyTorch Conference 2026, em San José;
• o objetivo é tornar a TPU um dispositivo nativo do PyTorch;
• a interface para quem usa o Hugging Face Transformers: device_map="tpu";
• o principal adversário não é um chip específico, mas o hábito dos desenvolvedores com o CUDA.

A escolha do Hugging Face como vitrine parece deliberada. É ali que a maioria dos engenheiros pega um modelo aberto pela primeira vez, o executa e decide para onde escalar. Se o caminho até a TPU parecer tão simples quanto o caminho até a GPU, o Google ganha acesso a um público enorme, que antes nem considerava o seu hardware.

Como testar na prática

A notícia não significa que amanhã será possível migrar qualquer pipeline com uma única linha. Uma coisa é rodar um modelo do Transformers; outra, bem diferente, é migrar um treinamento em produção com kernels customizados, operadores fora do padrão e código distribuído escrito internamente. É justamente nesses pontos que a dependência do CUDA costuma se esconder.

Para as equipes que olham para as TPUs, o mais sensato é seguir esta ordem:

• pegar um modelo padrão do Transformers e comparar, em TPU e GPU, o custo por hora de trabalho, e não só a velocidade;
• verificar quantos kernels CUDA customizados e extensões de terceiros existem na base de código: essa é a principal fonte de dor na migração;
• testar inferência e treinamento separadamente, já que a maturidade do stack pode variar bastante entre esses cenários;
• manter um caminho de retorno para GPUs até que o TorchTPU passe no teste com a sua carga de trabalho real.

Para o mercado, outro ponto pesa mais. Enquanto a migração para aceleradores alternativos exigia reescrever código, a Nvidia podia manter preços e condições de fornecimento. Cada passo que reduz o custo da mudança dá aos compradores poder de barganha nas negociações, mesmo que a maioria continue no CUDA. O fosso não foi aterrado, mas o Google acabou de mostrar por onde ele pode ser atravessado.