AWS relie Trainium à PyTorch pour grignoter l’avance de Nvidia

Amazon Web Services a dévoilé TorchNeuron, un outil qui permet de faire tourner des applications d’IA écrites avec PyTorch sur Trainium, sa puce maison, avec un simple changement de configuration. L’annonce, faite lundi selon TechCrunch, vise directement l’avantage logiciel de Nvidia, qui s’est imposé comme le choix par défaut pour l’infrastructure IA. AWS veut aussi convaincre les startups qu’un même environnement cloud peut couvrir l’entraînement et l’inférence sans les enfermer dans une pile technique trop étroite.

Un portage simplifié, mais un enjeu bien plus large

TorchNeuron s’appuie sur PyTorch, la boîte à outils open source la plus utilisée pour construire, entraîner et exécuter des modèles d’IA. Amazon affirme que près de 85 % des applications d’IA sont écrites avec ce framework. Avec ce nouvel outil, les développeurs n’ont pas à réécrire leur code : une ligne de configuration suffit pour migrer vers Trainium, selon la description d’AWS.

Le mouvement compte, car Nvidia ne domine pas seulement grâce à ses GPU. Son avance repose aussi sur CUDA, la couche logicielle qui rend ses puces plus faciles à exploiter avec PyTorch et qui a profondément installé ses matériels dans les habitudes des équipes IA. Amazon tente ici de casser ce réflexe. Pas avec une grande déclaration théorique, mais avec une promesse très pragmatique : moins de friction, donc moins d’excuses pour rester ailleurs.

Pourquoi Amazon cible aussi le logiciel, pas seulement la puce

AWS ne se contente pas de proposer une alternative matérielle à Nvidia. L’entreprise explique qu’elle contribue aussi des changements au projet PyTorch lui-même afin de retirer du code qui lie le framework à des puces spécifiques. L’objectif est de rendre PyTorch plus agnostique sur le plan matériel, donc plus simple à déplacer entre différents fournisseurs. Dans cette logique, la bataille ne se joue pas uniquement sur les performances des puces, mais sur le terrain moins visible du logiciel de compatibilité.

Colin Brace, vice-président Technology Software chez AWS Annapurna Labs, résume la stratégie ainsi : « You’re building on AWS. You’re not betting on a single-purpose compute provider and scrambling to build everything else around it, » puis : « On AWS, the infrastructure to go from prototype to production is already there, allowing a founder to move fast and scale when they need to. » Amazon vise clairement les startups qui hésitent entre un cloud généraliste et des neoclouds souvent liés à Nvidia, comme CoreWeave, Nebius ou Firmus.

Trainium veut jouer la carte du coût global

AWS met en avant un argument économique plus subtil que le simple prix à la carte. Selon Colin Brace, « Trainium’s value is price-performance plus the fact that it’s one platform for both training and inference, which improves the economics across a full workload ». Autrement dit, Amazon vend moins une puce qu’un ensemble cohérent, du prototype à la production.

L’entreprise cite aussi Deepgram, un fournisseur d’applications vocales d’IA concurrent d’ElevenLabs. D’après Brace, la société aurait amélioré ses performances avec Trainium et « they’re processing 70% more audio per dollar at production-grade accuracy. » Cette donnée reste fournie par AWS [à vérifier], mais elle illustre le message commercial : si la migration est simple, le gain économique peut devenir plus convaincant que la seule promesse d’un tarif bas.

Ce que cela change pour Nvidia et pour les développeurs

Si Amazon parvient à détacher PyTorch de l’orbite Nvidia, le sujet dépassera le cadre d’un duel entre puces. Nvidia perdrait alors une partie de son avantage structurel, celui qui ne repose pas seulement sur le matériel mais sur l’habitude des développeurs et l’intégration logicielle. Pour les startups IA, le bénéfice serait plus large : davantage de choix, potentiellement moins de verrouillage, et un passage plus direct entre expérimentation et mise en production.

Reste un point concret : simplifier un écosystème ne le rend pas toujours plus simple à vivre. Les couches de compatibilité peuvent aussi ajouter leurs propres subtilités. Mais AWS pousse une idée nette, presque politique à l’échelle de l’infrastructure : le vrai problème n’est pas seulement le coût des GPU, c’est le fait qu’ils aient été, pendant des années, la seule porte d’entrée jugée évidente.