当地时间10月19日，亚马逊推出了工具TorchNeuron，使开发者只需更改一项配置，就能将已经编写的PyTorch代码在亚马逊AWS Trainium芯片上运行。同时，亚马逊计划10月20日在北美PyTorch大会上发布TorchNeuron的开源版本。
TorchNeuron的早期用户覆盖实时语音、分子设计等领域，包括语音AI初创公司Cartesia。
亚马逊称，此举是为了给开发者真正的选择权。当开发者可以无代价地在不同芯片间切换时，芯片制造商就必须努力赢得开发者的青睐，而开发者则从更低成本和更快迭代中受益。外界认为，降低迁移成本有机会在英伟达的CUDA软件生态上打开一个缺口。
对于这项工具，天使投资人、资深人工智能专家郭涛对第一财经记者表示，低成本迁移只是敲门砖，并非开发者决策的核心标尺。在落地方面，低成本迁移可以降低试错成本，吸引开发者愿意跳出CUDA生态开展验证，为客户新增算力比价选项，但迁移工具的便利度很难抵消生态成熟度差距。开发者真正关注的重心，性能兑现维度排在首位，迁移之后的单卡吞吐、时延、稳定性能否对标原有CUDA方案，直接决定业务能不能上线。开发者还会关注算子持续迭代、社区支持、故障排查体系，迁移只是起点，能否长期稳定承载业务，才是最终决定是否规模化切换的关键。
亚马逊的芯片业务布局于10年前。2015年，亚马逊收购了芯片设计公司Annapurna Labs。目前，亚马逊的芯片业务包括用于AI训练和推理的Trainium、用于通用云计算的Graviton，以及二者所基于的负责安全与网络的Nitro系统。亚马逊二季度财报显示，亚马逊人工智能和芯片业务的年化收入均超过250亿美元。
除了亚马逊，谷歌、微软、Meta和OpenAI等公司都在加快布局自研芯片。10月12日，微软表示Azure Maia 200现已投入生产，并且发布最新芯片Azure Maia 300。同时，微软公布新的部署计划：从2027年开始将把Azure Maia系列扩展至数吉瓦级规模部署，使Maia成为微软产品和服务的主要推理系统。9月有消息称，Meta计划于明年上半年在数据中心部署新一代自研AI芯片。
郭涛表示，对比来看，亚马逊芯片优势在于软件栈围绕云客户迁移设计，主打生态解绑，云内一体化交付体验完整；短板是前沿大模型训练生态积累偏弱，社区算子丰富度不足。其他巨头芯片优势是深度绑定自有大模型研发，能够针对自研模型深度调优，短板在于对外开放中立性不足，客户容易同步被锁定在厂商体系之内。
微软、亚马逊接连释放芯片相关动作，郭涛认为降低成本、弱化单一厂商依赖只是表层诉求，并非全部目的。芯片可以和自家大模型、云服务深度协同，打通硬件、编译器、模型的全链路优化，打造差异化云服务能力，形成区别于同行的技术壁垒。这条路线会走向算力供给分层，高端前沿训练仍会保留通用GPU采购，高并发推理场景逐步切换自研算力，巨头追求的是算力话语权，而不是简单摆脱外部供应商。
