快速了解本文
亚马逊推出开源工具 TorchNeuron，实现一行配置迁移 PyTorch 代码至 Trainium 芯片。
该工具旨在降低代码迁移门槛，削弱英伟达 CUDA 生态的软件锁定效应。
早期客户试用显示成本大幅节约，Deepgram 每美元处理音频量提升 70%。
本摘要由 AI 辅助整理，请以正文内容为准。
01TorchNeuron 正式发布与核心能力
当地时间 2026 年 10 月 19 日，亚马逊宣布推出开源工具 TorchNeuron，并计划于次日在北美 PyTorch 大会上正式发布。该工具的核心能力在于大幅降低代码迁移门槛：开发者使用 PyTorch 编写的 AI 代码无需重写，仅需修改一项配置，即可在亚马逊自研的 Trainium 芯片上本地运行。亚马逊工程师的测试表明，相同的 AI 训练脚本在传统芯片和 Trainium 芯片上运行时，模型学习内容和速度完全一致，开发者原有的测试、调试和扩展工具也无需修改即可直接使用。
02挑战 CUDA 生态锁定
在当前的 AI 基础设施格局中，由 Meta 主导的 PyTorch 框架支撑了约 85% 的 AI 应用。英伟达凭借十余年打磨的 CUDA 工具栈与 PyTorch 深度绑定，构筑了坚固的软件护城河。TorchNeuron 的核心价值并非单纯追求硬件参数的超越，而是通过“一行配置”的极低迁移成本，直接削弱这种生态锁定效应，将 AI 算力竞争的焦点从底层的硬件绑定拉回到开发者工作流、性价比与选择权的维度。
03早期客户部署与成本优势
软件层面的破局正通过早期客户的实际部署转化为成本优势。目前已有超过 30 家覆盖机器人、世界模型、语音 AI 等领域的早期客户试用 TorchNeuron，转用亚马逊芯片后均实现了大幅的成本节约。亚马逊 Annapurna Labs 技术副总裁 Colin Brace 指出，Trainium 的核心优势在于同一芯片能同时覆盖训练和推理。以语音 AI 公司 Deepgram 为例，其迁移至 Trainium 后，每美元处理的音频量提升了 70%。亚马逊正试图通过展示这种训推一体架构下的成本优势，为成本敏感型和寻求多芯片策略的 AI 团队提供一条绕过英伟达生态的可行路径。
04推动 PyTorch 硬件无关性
为了从根本上瓦解生态壁垒，亚马逊正积极参与 PyTorch 上游开发。通过与开源社区合作，亚马逊致力于移除框架中将特定芯片绑定的代码，目标是推动 PyTorch 走向真正的“硬件无关性”。