Amazon, PyTorch Kodlarını Trainium Çiplerinde Çalıştıran TorchNeuron’u Duyurdu
Amazon, mevcut PyTorch kodlarını AWS Trainium çiplerinde çok az değişiklikle çalıştıran TorchNeuron’u duyurdu. Apache 2.0 lisansıyla açık kaynak sunulan araç, Trainium2 ve Trainium3 çiplerini hedefliyor.
TorchNeuron, Trainium için geliştirilmiş yerel bir PyTorch arka ucu (backend). Amazon’a göre geliştiricilerin tek bir yapılandırma değişikliği yapması yeterli; kodun yeniden yazılması gerekmiyor. Yazılım, 20 Ekim 2026’daki PyTorch Conference North America etkinliği için duyuruldu.
TorchNeuron nasıl çalışıyor
TorchNeuron, PyTorch’un donanım kaydı için sunduğu yerleşik mekanizmaya bağlanıyor. Bu sayede PyTorch’taki mevcut test, hata ayıklama ve ölçekleme araçları Trainium üzerinde de kullanılabiliyor. Araç, TorchTitan ile entegre çalışıyor ve Fully Sharded Data Parallelism (FSDP) yöntemini destekliyor.
Amazon, çipe özgü kodları azaltmak için PyTorch’un çekirdeğine de değişiklikler gönderiyor. Şirket, her derlemede aracı yüz binlerce yapay zekâ modeliyle test ettiğini belirtiyor.
İlk kullanıcılar ve ekosistem desteği
Amazon’un paylaştığı örneklere göre konuşma yapay zekâsı girişimi Cartesia, standart çıkarım (inference) hattını PyTorch kodunda asgari değişiklikle Trainium’da çalıştırdı. Lieber Beyin Gelişimi Enstitüsü ise moleküler dinamik simülasyonlarına yapay zekâ temelli alternatifler araştırmak için bu araçtan yararlanıyor. Hugging Face de araçlarında Trainium için yerel destek sağladı.
Amazon’un verdiği bilgiye göre yapay zekâ araştırmacı ve geliştiricilerinin yüzde 85’i kodlarını PyTorch ile yazıyor. Aracın hedefi, bu geliştirici kitlesinin Trainium’a geçişindeki yazılım engelini kaldırmak.
Nvidia’nın yazılım avantajına karşı hamle
Yapay zekâ çipleri alanında rekabet artık yalnızca donanım performansıyla değil, geliştiricilerin o donanımı ne kadar kolay kullanabildiğiyle de ölçülüyor. Amazon’un hamlesi, Gifi+’ta geçtiğimiz saatlerde yer verdiğimiz Google’ın TorchTPU çalışmasıyla aynı yönde ilerliyor: PyTorch kodunu değiştirmeden farklı çiplere taşımak.
Türkiye’de yapay zekâ ürünü geliştiren girişimler için bu, maliyet kalemlerinde daha fazla seçenek anlamına gelebilir. Eğitim ve çıkarım maliyetlerinin yüksek olduğu bir dönemde, bulut sağlayıcıların çip alternatiflerini yazılım katmanında kolaylaştırması bütçe planlamasında pazarlık gücü sağlayabilir. Ancak performans ve uyumluluk karşılaştırmaları için bağımsız testlerin sonuçlarını beklemek gerekiyor.
