Meta adota TPUs do Google e se une à empresa para lançar o TorchTPU como código aberto; o fosso competitivo do CUDA, da Nvidia, está sob ameaça

A concorrência no mercado de chips de IA está se estendendo do desempenho do hardware ao ecossistema de software. Em 20 de outubro, Meta e Google anunciaram juntas o lançamento de código aberto do TorchTPU, permitindo que desenvolvedores executem modelos de IA diretamente em TPUs do Google usando o PyTorch. Ainda mais significativo, a Meta confirmou publicamente pela primeira vez que já usa TPUs do Google em ambiente de produção para executar cargas de trabalho de inferência de IA. Isso mostra que os aceleradores desenvolvidos pelo Google deixaram de ser uma opção restrita aos produtos da própria empresa ou a um pequeno grupo de parceiros e começaram a se integrar à infraestrutura de IA de grandes empresas de tecnologia.
Meta confirma que as TPUs do Google já estão em produção e não são mais apenas uma implantação experimental
Esta notícia vem de um anúncio técnico feito pelo Google durante a PyTorch Conference 2026. O Google anunciou que o TorchTPU, desenvolvido em conjunto com a Meta, foi oficialmente disponibilizado como código aberto. Também lançou mecanismos nativos de inferência do vLLM e do SGLang baseados no TorchTPU, permitindo que as TPUs do Google se integrem diretamente aos principais frameworks atuais de inferência de grandes modelos de linguagem.
O anúncio conjunto do Google com a equipe do SGLang afirma explicitamente que o SGLang-TorchTPU já está em operação em um grande ambiente de produção da Meta.
Zongwei Zhou, responsável pelo PyTorch-TPU na Meta, também confirmou que o sistema é resultado da estreita colaboração entre Meta, Google e SGLang. Ele já pode ser integrado à infraestrutura de IA existente da Meta e atende aos requisitos de desempenho, confiabilidade e flexibilidade das cargas de trabalho avançadas de IA.
Google e Meta disponibilizam o TorchTPU como código aberto
Há muito tempo, a vantagem da Nvidia no mercado de aceleradores de IA não se resume ao poder de processamento das próprias GPUs, mas também ao ecossistema de software completo construído em torno do CUDA.
Os desenvolvedores podem otimizar modelos de IA com ferramentas como CUDA, cuDNN e TensorRT. Somado ao suporte maduro a GPUs em frameworks de aprendizado profundo, como o PyTorch, isso tornou a Nvidia a principal escolha para treinamento e inferência de IA. Mesmo quando outros chips oferecem preços mais competitivos ou maior eficiência energética, os desenvolvedores podem continuar usando GPUs da Nvidia devido aos custos de migração, à compatibilidade de software e à complexidade de engenharia.
No passado, as TPUs do Google também enfrentavam um problema semelhante. Embora o Google use TPUs há muito tempo em cargas de trabalho de IA para pesquisa, publicidade e produtos como o Gemini, os desenvolvedores geralmente ainda precisavam recorrer ao JAX, ao TensorFlow ou a uma cadeia de ferramentas específica do PyTorch/XLA para aproveitar plenamente as TPUs.
O TorchTPU busca mudar esse cenário. Segundo o anúncio oficial do PyTorch, o TorchTPU é um backend nativo de TPU para PyTorch, desenvolvido em conjunto pelo Google e pela Meta, que permite que as TPUs sejam reconhecidas pelo PyTorch como dispositivos de computação, assim como GPUs e CPUs.
Esse projeto reduz as barreiras para migrar modelos de GPUs para TPUs, dispensando os desenvolvedores de reconstruir todo o fluxo de trabalho para usar os chips do Google.
O PyTorch afirmou que o TorchTPU já oferece suporte a cerca de 450 operações ATen e que foi verificado que os 5.000 modelos mais baixados do Hugging Face podem ser executados nesse ambiente. A lista inclui famílias de modelos populares como Qwen, DeepSeek, Gemma e Llama.
vLLM e SGLang oferecem suporte completo a TPUs; Google desafia a Nvidia no mercado de inferência
Além do suporte nativo ao PyTorch, outro avanço importante anunciado desta vez é a integração oficial das TPUs do Google com dois dos principais frameworks de inferência de IA: vLLM e SGLang. Esses frameworks já são amplamente usados para servir grandes modelos de linguagem e oferecem recursos como processamento em lote, gerenciamento de KV Cache, decodificação especulativa e inferência distribuída, ajudando provedores de serviços de IA a processar grandes volumes de solicitações de tokens a um custo menor.
Até então, a maturidade desse ecossistema de software de inferência era uma importante vantagem competitiva das GPUs da Nvidia. Agora, com o suporte nativo a TPUs integrado ao vLLM e ao SGLang pelo Google, os desenvolvedores podem continuar usando os modelos e frameworks de inferência com os quais já estão familiarizados e escolher diferentes chips com base no preço, no desempenho e na disponibilidade.
O Google afirmou que os dois novos mecanismos de inferência já estão em operação em grandes ambientes de produção de alguns clientes participantes da prévia e oferecem suporte a conversas com várias rodadas, contextos longos, cargas de trabalho de agentes, modelos multimodais e inferência distribuída em larga escala. Para o Google, isso significa que as TPUs estão começando a contar com um ecossistema de software comercial externo mais completo, em vez de serem apenas hardware otimizado para os modelos internos da empresa.
Este artigo, Meta implanta TPUs do Google! Parceria disponibiliza TorchTPU como código aberto, colocando em xeque o fosso competitivo do CUDA da Nvidia, apareceu originalmente no Chain News ABMedia.