Viral hari ini datang dari persaingan infrastruktur kecerdasan buatan. Amazon Web Services merilis TorchNeuron, perangkat yang membuat aplikasi berbasis PyTorch bisa berjalan di chip Trainium miliknya hanya dengan mengubah satu konfigurasi, tanpa menulis ulang kode. Langkah ini menyasar keunggulan perangkat lunak yang selama ini membuat Nvidia menjadi pilihan utama pengembang.
Viral Hari Ini: PyTorch Kini Bisa Jalan di Trainium
TorchNeuron diumumkan pada Senin, 19 Oktober 2026, dan akan dirilis sebagai perangkat sumber terbuka di PyTorch Conference North America pada 20 Oktober di San Jose, California. Sebelumnya, pengembang harus memanggil antarmuka khusus Amazon di dalam kode PyTorch.
Menurut Amazon, sekitar 85 persen peneliti dan pengembang kecerdasan buatan menulis kode dengan PyTorch. Karena itu, kemampuan menjalankan kode yang sama di chip berbeda menjadi penentu biaya dan kecepatan pengembangan.
TorchNeuron bekerja melalui jalur PyTorch XLA, sebuah abstraksi yang memungkinkan kode model menyasar berbagai akselerator. Perangkat ini melacak operasi PyTorch dan mengompilasinya untuk Trainium melalui AWS Neuron.
Amazon juga menyatakan TorchNeuron terintegrasi dengan TorchTitan, kerangka pelatihan terdistribusi milik PyTorch, sehingga pengembang bisa memakai pola kerja yang sama seperti pada perangkat lain.
Amazon menjual Trainium melalui layanan komputasi awan EC2 untuk pelatihan dan inferensi. Artinya, pengembang dapat mencoba perangkat keras itu tanpa membeli peralatan sendiri.
Lebih dari 30 Pelanggan Awal
Amazon mengklaim lebih dari 30 pelanggan awal sudah memakai TorchNeuron. Mereka bergerak di bidang robotika, model dunia, kecerdasan buatan untuk suara, model bahasa besar, keuangan, kendaraan otonom, dan penemuan obat.
Salah satu contoh yang disebut adalah penyedia aplikasi suara yang memindahkan beban kerjanya ke Trainium dengan dukungan PyTorch asli. Amazon menyebut layanan itu kini memproses 70 persen lebih banyak audio per dolar pada tingkat akurasi produksi.
Angka tersebut berasal dari pengujian Amazon dan satu jenis beban kerja suara. Pengembang tetap disarankan menguji sendiri sebelum memutuskan berpindah perangkat keras.
Sebelumnya, Hugging Face juga menerbitkan panduan menjalankan model mereka di AWS Trainium dengan TorchNeuron. Dukungan itu memperluas jalan bagi pengembang yang memakai alat tersebut sehari-hari.
Amazon menyebut TorchNeuron cocok untuk tim yang menjalankan eksperimen dalam jumlah besar. Biaya per percobaan yang lebih rendah memungkinkan lebih banyak iterasi sebelum model dipilih.
Menyasar Keunggulan CUDA
Keunggulan Nvidia tidak hanya terletak pada chipnya, tetapi juga pada CUDA, ekosistem perangkat lunak yang dipakai bertahun-tahun oleh pengembang. Biaya berpindah menjadi tinggi karena alur kerja sudah terbangun di atasnya.
Amazon menyebut TorchNeuron menurunkan hambatan itu. Pengembang yang sudah mengenal PyTorch dapat mencoba Trainium dengan perubahan kecil, sehingga proses penilaian biaya dan kinerja menjadi lebih murah.
Perusahaan itu juga mengirimkan perubahan ke proyek PyTorch untuk mengurangi kode yang mengikat kerangka kerja pada chip tertentu. Tujuannya membuat PyTorch lebih netral terhadap perangkat keras bagi seluruh komunitas pengembang.
Sejumlah pengembang menilai hambatan terbesar bukan pada perangkat keras, melainkan pada pustaka dan alat bantu yang dibangun di atas CUDA. Pustaka itu membutuhkan penyesuaian agar berjalan optimal di chip lain.
Namun, Amazon bukan satu-satunya yang menempuh jalan ini. Pengguna PyTorch sudah bisa memindahkan aplikasi ke kartu grafis AMD atau chip Apple dengan perubahan konfigurasi serupa.
Kenapa Persaingan Chip Penting bagi Pengguna
Persaingan di lapisan infrastruktur menentukan harga layanan kecerdasan buatan yang akhirnya dirasakan pengguna. Semakin banyak pilihan chip, semakin besar peluang biaya komputasi turun.
Bagi startup, biaya komputasi sering menjadi pos pengeluaran terbesar. Kemampuan memindahkan beban kerja tanpa menulis ulang kode membuat negosiasi harga dengan penyedia layanan menjadi lebih seimbang.
Perusahaan juga mendapat keleluasaan menghindari ketergantungan pada satu pemasok. Risiko gangguan pasokan atau kenaikan harga mendadak bisa dikurangi bila beban kerja dapat dipindahkan dengan cepat.
Perkembangan keluarga model Nvidia juga berjalan bersamaan, seperti dibahas dalam laporan NVIDIA merilis model terbuka Nemotron 3.5. Pertarungan kini bergerak dari kecerdasan model ke biaya menjalankannya.
