Google và Meta mã nguồn mở TorchTPU: PyTorch chạy gốc trên TPU

Tại PyTorch Conference North America 2026, Google và Meta đã cùng công bố mã nguồn mở TorchTPU, một backend PyTorch gốc dành cho các chip TPU của Google. Động thái này hứa hẹn rút ngắn khoảng cách giữa hệ sinh thái PyTorch vốn gắn chặt với GPU của NVIDIA và phần cứng tăng tốc AI do Google tự phát triển.

Đáng chú ý, Meta tuyên bố có kế hoạch chuyển những khối lượng công việc LLM lớn hơn sang TPU nhờ TorchTPU. Đây là tín hiệu cho thấy các ông lớn công nghệ đang ngày càng đa dạng hóa phần cứng AI thay vì phụ thuộc vào một nhà cung cấp duy nhất.

TorchTPU giải quyết bài toán gì?

Trước đây, lập trình viên muốn chạy mô hình PyTorch trên TPU thường phải đi qua các lớp trung gian như XLA hoặc các thư viện riêng của Google, khiến trải nghiệm không thực sự liền mạch so với việc chạy trên GPU.

Với TorchTPU, mục tiêu là mang lại cảm giác "chạy gốc": nhà phát triển có thể giữ nguyên phần lớn mã PyTorch hiện có, chỉ thay đổi cấu hình thiết bị để tận dụng sức mạnh của TPU.

• Giảm ma sát chuyển đổi: không cần viết lại mô hình khi đổi từ GPU sang TPU.
• Tận dụng hệ sinh thái PyTorch: các thư viện, công cụ debug và quy trình huấn luyện quen thuộc vẫn được giữ nguyên.
• Mở đường cho quy mô lớn: phù hợp với nhu cầu huấn luyện và suy luận LLM của các công ty lớn.

Cuộc đua backend tăng tốc AI nóng lên

Chỉ trong cùng một tuần, AWS cũng phát hành TorchNeuron dành cho chip Trainium. Có thể thấy các nhà cung cấp cloud đang chạy đua để đưa PyTorch — framework phổ biến nhất trong cộng đồng AI — lên phần cứng riêng của mình một cách thuận tiện nhất.

Việc cả Google, Meta lẫn AWS cùng lúc đẩy mạnh tích hợp PyTorch với chip tự phát triển cho thấy kỷ nguyên "chỉ có GPU NVIDIA" trong huấn luyện AI đang dần bị phá vỡ.

Lo ngại về khả năng tiếp cận và vendor lock-in

Bên cạnh sự hào hứng, cộng đồng nhà phát triển đặt ra hai câu hỏi lớn.

Thứ nhất là khả năng tiếp cận TPU. Không giống GPU vốn có mặt rộng rãi trên các nền tảng cloud và thị trường bán lẻ, TPU chủ yếu chỉ có thể dùng qua Google Cloud. Điều này khiến nhiều đội ngũ khó thử nghiệm hoặc triển khai ở quy mô nhỏ.

Thứ hai là vị trí của vendor lock-in. Nếu chuyển sang một backend gắn với phần cứng cụ thể, câu hỏi đặt ra là mức độ phụ thuộc vào nhà cung cấp sẽ dịch chuyển từ lớp framework sang lớp phần cứng hay không.

Việc mã nguồn mở TorchTPU phần nào giúp giảm lo ngại, bởi cộng đồng có thể kiểm tra, đóng góp và tự triển khai. Tuy nhiên, phần cứng TPU vẫn là yếu tố khép kín mà chỉ Google kiểm soát.

Ý nghĩa với cộng đồng AI tại Việt Nam

Với các kỹ sư và startup AI trong nước, động thái này mang lại thêm lựa chọn khi tối ưu chi phí huấn luyện mô hình. Tuy nhiên, trong ngắn hạn, GPU vẫn là lựa chọn phổ biến do tính sẵn có và hệ sinh thái công cụ trưởng thành.

Việc theo dõi TorchTPU và TorchNeuron là cần thiết, bởi nếu các backend này thực sự ổn định, chi phí chạy mô hình lớn có thể giảm đáng kể — yếu tố then chốt với những đội ngũ có ngân sách hạn chế.