Amazon и Google представили на мероприятии PyTorch Conference открытые средства для запуска оптимизированного для Nvidia фреймворка PyTorch на своих ускорителях искусственного интеллекта. Инструментарий Amazon TorchNeuron позволяет запускать проекты PyTorch на ускорителях Trainium; Google представила инструмент с открытым исходным кодом TorchTPU для работы PyTorch на ускорителях TPU.

Гид по выбору складного смартфона в 2026 году

Сравнительный тест камер флагманских смартфонов (2026): итоги

Групповое тестирование 46 видеокарт в The Witcher 3: Wild Hunt — Remastered

Мастерская локальных ИИ: салат картофельный с Qwen3.8

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Компьютер месяца, спецвыпуск: выбираем мини-ПК для работы и развлечений в эпоху дефицита чипов памяти

Обзор HONOR Pad X9b Max: универсальный большой планшет с антибликовым экраном

Топ-10 смартфонов до 20 тысяч рублей (2026 год)

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Источник изображения: Fotis Fotopoulos / unsplash.com

Amazon TorchNeuron решил проблему совместимости PyTorch с чипами Trainium — ранее для работы фреймворка на этих ускорителях требовались значительные усилия. Теперь проекты запускаются на ускорителях Trainium2 и Trainium3 без внесения масштабных изменений в код — достаточно лишь указать параметр, какой ускоритель будет использоваться для выполнения задач. TorchNeuron включает набор готовых операторов языка NKI, созданного для ускорителей Trainium. За счёт специального компилятора язык позволяет оптимизировать модели на низком уровне, обеспечивая прирост скорости и сокращение потребления аппаратных ресурсов.

Помимо поддержки самого PyTorch, Amazon предложила совместимость и с другими открытыми инструментами, которые используются в связке с фреймворком. Одним из них является используемый в обучении моделей механизм TorchTitan, который автоматизирует часть задач по распределению процессов между ускорителями.

Разработкой инструмента TorchTPU компания Google занималась совместно с командой PyTorch в Meta✴✴. Этот инструмент позволяет запускать существующие рабочие нагрузки PyTorch на ускорителях TPU с минимальными изменениями в коде. Поддерживаются стандартные средства API PyTorch, предусмотрена расширенные инструменты диагностики, есть встроенные примитивы для распределённых вычислений — всё это обеспечивает высокую производительность и эффективность работы на старте, отметили в Google Cloud.

В Google также заручились поддержкой Hugging Face, благодаря чему модели с открытыми весами из библиотеки популярной ИИ-платформы поддерживают работу с TPU «из коробки» — достаточно указать соответствующий параметр. Отмечена поддержка востребованных в профессиональной среде средств разработки ИИ: vLLM, SGLang, llm-d, TorchTitan, Ray, TorchRec и LiteRT. Другими словами, ускорители Google TPU теперь включены в привычную для разработчиков среду PyTorch с поддержкой набора уже существующих инструментов — это упрощает переход на оборудование Google и не требует перестраивать всю программную систему.

Google работает над улучшением производительности своих ИИ-чипов при работе с PyTorch. Этот проект с открытым исходным кодом является одним из наиболее широко используемых инструментов для разработчиков моделей ИИ. Для ускорения разработки Google сотрудничает с Meta✴✴, создателем и администратором PyTorch. Партнёрство подразумевает доступ Meta✴✴ к большему количеству ИИ-ускорителей. Этот шаг может пошатнуть многолетнее доминирование Nvidia на рынке ИИ-вычислений.

Обзор HONOR Pad X9b Max: универсальный большой планшет с антибликовым экраном

Топ-10 смартфонов до 20 тысяч рублей (2026 год)

Компьютер месяца, спецвыпуск: выбираем мини-ПК для работы и развлечений в эпоху дефицита чипов памяти

Сравнительный тест камер флагманских смартфонов (2026): итоги

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Гид по выбору складного смартфона в 2026 году

Групповое тестирование 46 видеокарт в The Witcher 3: Wild Hunt — Remastered

Мастерская локальных ИИ: салат картофельный с Qwen3.8

Источник изображения: unsplash.com

Эта инициатива является частью агрессивного плана Google по превращению своих тензорных процессоров (Tensor Processing Unit, TPU) в жизнеспособную альтернативу лидирующим на рынке графическим процессорам Nvidia. Продажи TPU стали важнейшим двигателем роста доходов Google от облачных сервисов. Однако для стимулирования внедрения ИИ-ускорителей Google одного оборудования недостаточно.

Новая инициатива компании, известная как TorchTPU, направлена ​​на устранение ключевого барьера, замедляющего внедрение чипов TPU, путём обеспечения их полной совместимости и удобства для разработчиков PyTorch. Google также рассматривает возможность открытия некоторых частей исходного кода своего ПО для ускорения его внедрения. По сравнению с предыдущими попытками поддержки PyTorch на TPU, Google уделяет больше организационного внимания, ресурсов и стратегического значения TorchTPU, поскольку компании, которые хотят использовать эти чипы, рассматривают именно программный стек как узкое место технологии.

PyTorch, проект с открытым исходным кодом, активно поддерживаемый Meta✴✴, является одним из наиболее широко используемых инструментов для разработчиков, создающих модели ИИ. В Кремниевой долине очень немногие разработчики пишут каждую строку кода, которую будут фактически выполнять чипы от Nvidia, AMD или Google. Разработчики полагаются на такие инструменты, как PyTorch, представляющий собой набор предварительно написанных библиотек кода и фреймворков.

Источник изображения: pytorch.org

Доминирование Nvidia обеспечивается не только её ускорителями ИИ, но и программной экосистемой CUDA, которая глубоко интегрирована в PyTorch и стала методом по умолчанию для обучения и запуска крупных моделей ИИ. Инженеры Nvidia приложили максимум усилий, чтобы программное обеспечение, разработанное с помощью PyTorch, работало максимально быстро и эффективно на чипах компании.

Бо́льшая часть программного обеспечения Google для ИИ построена на основе платформы Jax, что отталкивает клиентов, применяющих для разработки PyTorch. Поэтому сейчас для Google стало особенно важным обеспечить максимальную поддержку PyTorch на своих ускорителях ИИ. В случае успеха TorchTPU может значительно снизить затраты на переход для компаний, желающих найти альтернативу графическим процессорам Nvidia.

Чтобы ускорить разработку, Google тесно сотрудничает с Meta✴✴, создателем и администратором PyTorch. Это партнёрство может предоставить Meta✴✴ доступ к большему количеству ИИ-чипов Google. Meta✴✴ прямо заинтересована в разработке TorchTPU — это позволит компании снизить затраты на вывод данных и диверсифицировать инфраструктуру ИИ, отказавшись от использования графических процессоров Nvidia.

В качестве первого шага Meta✴✴ предложила использовать управляемые Google сервисы, в рамках которых клиенты, такие как Meta✴✴, получили бы доступ к ИИ-ускорителям Google, а Google обеспечивала их операционную поддержку. В этом году Google уже начала продавать TPU напрямую в центры обработки данных своих клиентов. Компания нуждается в такой инфраструктуре как для запуска собственных продуктов ИИ, включая чат-бот Gemini и поиск на основе ИИ, так и для предоставления доступа клиентам Google Cloud.

Источник изображения: Google

«Мы наблюдаем огромный, ускоряющийся спрос как на нашу инфраструктуру TPU, так и на инфраструктуру GPU, — заявил представитель Google. — Наша цель — обеспечить разработчикам гибкость и масштабируемость, необходимые независимо от выбранного ими оборудования».

AMD работает над улучшением своей технологии генерации кадров AFMF (AMD Fluid Motion Frames). В предварительной версии драйвера PyTorch Preview Edition 25.120.01.14 для Windows была обнаружена новая функция под названием Fast Motion Response, недоступная в стандартных публичных версиях драйвера Adrenalin.

Сравнительный тест камер флагманских смартфонов (2026): итоги

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Гид по выбору складного смартфона в 2026 году

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Групповое тестирование 46 видеокарт в The Witcher 3: Wild Hunt — Remastered

Мастерская локальных ИИ: салат картофельный с Qwen3.8

Обзор HONOR Pad X9b Max: универсальный большой планшет с антибликовым экраном

Топ-10 смартфонов до 20 тысяч рублей (2026 год)

Компьютер месяца, спецвыпуск: выбираем мини-ПК для работы и развлечений в эпоху дефицита чипов памяти

Источник изображения: Wccftech

AMD Fluid Motion Frames — это функция генерации кадров на уровне драйвера, которую можно включить для каждой игры отдельно. Она не требует поддержки разработчиков игр и позволяет интерполировать дополнительные кадры, фактически удваивая частоту кадров в играх, которые в противном случае никогда бы не получили официальную поддержку генерации кадров. У функции есть свои недостатки, но она стала широко используемой, особенно в эмуляторах и на маломощных устройствах, таких как игровые портативные консоли.

В стандартном драйвере AMD Adrenalin 25.9.2 функция AFMF 2 предлагает два переключателя: «Поиск» и «Производительность». Переключатель «Поиск» отдаёт приоритет качеству изображения и плавности для дисплеев с высоким разрешением (1440p и выше), а переключатель «Производительность» снижает программную нагрузку AFMF на менее производительном оборудовании — слабых настольных видеокартах и встроенной графике.

Источник изображения: AMD

Новая настройка Fast Motion Response в AFMF 2 в составе предварительной версии драйвера PyTorch Preview Edition 25.120.01.14, призвана улучшить обработку динамичных сцен в играх, где технология генерации кадров может создавать артефакты. Функция предлагает два режима работы:

• Repeat Frame (Повтор кадра) — предназначен для сохранения качества путём повтора последнего кадра, что сводит к минимуму такие артефакты, как двоение или размытие;
• Blended Frame (Смешанный кадр) — смешивает последовательные кадры для повышения общей плавности игрового процесса, но за счёт возможного размытия в динамичных сценах.

Текущая предварительная версия драйвера PyTorch Preview Edition 25.120.01.14 для Windows поддерживает только видеокарты Radeon RX 7000 и RX 9000. Скачать драйвер можно здесь.