فهرست مطالب
آمازون روز دوشنبه ۲۷ مهر (۱۹ اکتبر) ابزاری به اسم TorchNeuron معرفی کرد که کدهای پایتورچ را با فقط یک تغییر تنظیم، بدون هیچ بازنویسی، روی چیپهای هوش مصنوعی خودش یعنی Trainium اجرا میکند. این ابزار رایگان و متنباز عرضه میشود و مستقیم خندق نرمافزاری انویدیا، یعنی کودا، را نشانه رفته است.
اگر اسم پایتورچ را شنیدهای ولی دقیق نمیدانی چرا یک «تغییر تنظیم» خبر مهمی است، این مطلب برای توست. میگوییم پایتورچ و کودا و ترینیوم دقیقاً چه هستند، TorchNeuron پشت صحنه چه میکند، چه کسانی زودتر از بقیه سوارش شدند، ادعای ارزانتر بودنش چقدر جدی است و برای یک خواننده فارسیزبان چه معنایی دارد.
پاسخ کوتاه
آمازون TorchNeuron را معرفی کرد؛ یک بکاند (یعنی موتور اجرایی) بومی پایتورچ برای چیپهای Trainium که کد موجود را با یک تغییر تنظیم اجرا میکند و نیازی به بازنویسی ندارد.
بتای عمومی آن امروز ۲۸ مهر (۲۰ اکتبر) همزمان با کنفرانس پایتورچ در سنخوزه آغاز شد و تحت مجوز متنباز Apache 2.0 منتشر میشود.
به گفته آمازون ۸۵٪ پژوهشگران و توسعهدهندگان هوش مصنوعی با پایتورچ کد مینویسند؛ یعنی از هر ۲۰ نفر، ۱۷ نفر. همین عدد نشان میدهد چرا آمازون بهجای ساختن ابزار تازه، سراغ همین فریمورک رفته است.
بیش از ۳۰ مشتری اولیه از رباتیک و مدلهای جهان تا هوش مصنوعی صوتی و کشف دارو از آن استفاده میکنند؛ از جمله کارتیزیا و انستیتو لیبر. آمازون از «صرفهجویی چشمگیر» حرف میزند ولی عدد دقیقی اعلام نکرده است.
نکته احتیاط: همه ادعاهای فنی از خود آمازون آمده و هنوز آزمون مستقلی منتشر نشده؛ بتای عمومی یعنی برای محیط تولید هنوز زود است.
اول زمینه: پایتورچ، کودا و ترینیوم چیستند؟
قبل از اینکه سراغ خبر برویم، سه کلمهای که مدام تکرار میشوند را ساده باز میکنیم. اگر اینها را میدانی، مستقیم برو سراغ بخش بعد.
پایتورچ چیست؟
پایتورچ یک فریمورک (یعنی جعبهابزار) متنباز برای ساختن، آموزش و اجرای مدلهای هوش مصنوعی است. اولش فیسبوک (متا) آن را ساخت و از سال ۲۰۲۲ زیر نظر بنیاد لینوکس اداره میشود. بیشتر آزمایشگاهها و استارتاپهای هوش مصنوعی مدلشان را با همین ابزار مینویسند؛ به همین دلیل بعضیها به آن «زبان مشترک» دنیای هوش مصنوعی میگویند.
کودا چیست و چرا اینقدر مهم است؟
کد پایتورچ بهخودیِخود روی هیچ چیپی اجرا نمیشود؛ یک لایه نرمافزاری لازم است که دستورهای پایتورچ را به زبان سختافزار ترجمه کند. روی کارتهای گرافیک انویدیا، این لایه کودا نام دارد. انویدیا بیش از یک دهه روی کودا کار کرده و به گفته رویترز، همین سرمایهگذاری نرمافزاری است که برتری انویدیا در بازار محاسبات هوش مصنوعی را نگه داشته، نه فقط خود چیپها. توسعهدهنده در پایتورچ کد مینویسد و کودا زیر آن، بیسروصدا کار را روی سختافزار انجام میدهد.
ترینیوم چیست؟
ترینیوم خانواده چیپهای هوش مصنوعی خود آمازون است که واحد طراحی چیپ این شرکت، آناپورنا لبز، میسازد. آمازون این شرکت را سال ۲۰۱۵ خرید و از آن موقع چهار خانواده چیپ از صفر برای کارهای ابری طراحی کرده است. ترینیوم هم برای آموزش مدل و هم برای اجرای آن (استنتاج) به کار میرود و مشتریهای ابری آمازون (AWS) میتوانند روی نمونههای EC2 مجهز به آن کار کنند. مشکلش تا دیروز این بود: اگر کدت با پایتورچ نوشته شده بود، برای اجرایش روی ترینیوم باید کد را دستکاری میکردی و با رابطهای مخصوص آمازون وفق میدادی؛ کاری که هفتهها وقت مهندس میگرفت.
TorchNeuron دقیقاً چه میکند؟
آمازون در اعلامیه رسمیاش یک تشبیه خوب زده است: کد هوش مصنوعی تو مثل ماشینی است که سالها برایش زحمت کشیدهای؛ موتور، سیستم تعلیق، همهچیز سر جایش. حالا یک موتور تازه و ارزانتر با قدرت جدی آمده، ولی نصبش یعنی باز کردن کل ماشین و سرهمکردن دوبارهاش. TorchNeuron میگذارد موتور تازه را بدون باز کردن ماشین عوض کنی.
یک خط تنظیم یعنی چه؟
طبق اعلام آمازون و پست فنی تیم پایتورچ، تغییر لازم در عمل یک خط است: جایی که در کد نوشتهای مدل روی «cuda» اجرا شود، حالا مینویسی روی «neuron» اجرا شود. اگر کدت از قبل با رابط بیطرف سختافزاری پایتورچ (به اسم torch.accelerator) نوشته شده باشد، به گفته تیم پایتورچ اصلاً هیچ تغییری لازم نیست. برای نشان دادن اینکه ادعا واقعی است، مهندسان آمازون یک اسکریپت آموزشی یکسان را هم روی یک چیپ معمولی و هم روی ترینیوم اجرا کردند و تنها تفاوت، همان تنظیم انتخاب چیپ بود؛ به گفته شرکت، مدل در هر دو حالت با همان سرعت و همان کیفیت یاد گرفت. این آزمون مستقل ما نیست و نتیجهاش را خود آمازون گزارش کرده است.
پشت صحنه: نقطه اتصال رسمی پایتورچ
پایتورچ یک درگاه رسمی برای سختافزارهای تازه دارد (به اسم PrivateUse1) که هر چیپسازی میتواند خودش را آنجا ثبت کند. TorchNeuron دقیقاً به همین درگاه وصل میشود؛ یعنی ابزارهای آشنای توسعهدهنده مثل torch.nn و torch.distributed و ابزار پروفایلر، بدون تغییر روی دستگاه «neuron» کار میکنند. حالت اجرای فوری (eager) و حالت آزمایشی «eager تطبیقی» و کامپایلر torch.compile هم پشتیبانی میشوند. برای کارهای سنگینتر، رابط کرنلنویسی انکِیآی (NKI) و یک پروفایلر به اسم Neuron Explorer هم هست. هاگینگفیس هم پشتیبانی بومی ترینیوم را مستقیم داخل ابزارهای محبوبش (Transformers و Diffusers و TRL) فعال کرده و ادغام با TorchTitan، فریمورک آموزش توزیعشده پایتورچ، مسیر استاندارد مقیاسدادن آموزش روی چند چیپ را میدهد. آمازون میگوید هر بیلد TorchNeuron را روی صدها هزار مدل هوش مصنوعی تست میکند تا مشکل قبل از رسیدن به مشتری گرفته شود؛ این هم ادعای خود شرکت است.
چرا این خبر مستقیم به انویدیا میزند؟
رویترز تیترش را بیپرده زده: هدف، فرسایش مزیتی است که سلطه انویدیا روی آن سوار است. کالین بریس، معاون نرمافزار آناپورنا لبز، در گفتوگو با رویترز گفته هدف کم کردن تعداد قدمهایی است که یک توسعهدهنده برای امتحان چیپهای آمازون باید بردارد: «اصل ماجرا این بوده که مشتری را همانجایی که هست ملاقات کنیم.»
کودا، خندق واقعی انویدیا
خندق انویدیا فقط سیلیکون نیست. تککرانچ یادآوری میکند که انویدیا سالها مطمئن شده کودا، یعنی زیرساخت نرمافزاریای که برنامهها را روی سختافزارش اجرا میکند، بینقص با پایتورچ کار کند؛ نتیجه اینکه سختافزار انویدیا عملاً بهصورت پیشفرض داخل این جعبهابزار جا خوش کرده است. اگر جابهجایی از این اکوسیستم هفتهها کار مهندسی بخواهد، کمتر کسی چیپش را عوض میکند. TorchNeuron دقیقاً همین هزینه جابهجایی را هدف گرفته. جالب اینکه بازار هم پیام را گرفت: روز اعلام خبر، سهام آمازون حدود ۵٪ بالا رفت و مورگان استنلی آن را «انتخاب برتر» نامید.
دیگران هم همین راه را رفتهاند
آمازون اولین کسی نیست که این ترفند را میزند؛ به نوشته تککرانچ، کاربران پایتورچ میتوانند برنامهشان را با یک تغییر پیکربندی مشابه روی GPUهای AMD یا حتی چیپهای اپل هم ببرند. گوگل هم که چیپهای سفارشی خودش را دارد، طبق گزارش رویترز دارد روی ابزارهای بهتر پایتورچ کار میکند تا توسعهدهندهها را از انویدیا بگیرد. از آن طرف، آمازون به استارتاپها میگوید بهجای «نیوکلاود»هایی که به سختافزار انویدیا گره خوردهاند (مثل CoreWeave و Nebius)، روی ابر خودش بیایند. درباره رقابت تراشهسازها بد نیست بدانی علیبابا هم نقشه راه چیپ هوش مصنوعی خودش را دارد و مایکروسافت با چیپ Maia وارد همین بازی شده؛ یعنی جنگ چیپها دیگر فقط سختافزار نیست.
چه کسانی زودتر سوار ترینیوم شدند؟
به گفته بریس، بیش از ۳۰ مشتری اولیه از رباتیک و مدلهای جهان (world models) تا هوش مصنوعی صوتی دارند از این نرمافزار استفاده میکنند. اعلامیه رسمی آمازون فهرست را بازتر میکند: رباتیک، ویدیو، مدلهای جهان، خودروهای خودران، گفتار، کشف دارو، مدلهای زبانی و مالی. دو اسم را هم علنی کرده است:
کارتیزیا: هوش مصنوعی صوتی
کارتیزیا روی هوشی کار میکند که مثل انسان از جهان یاد میگیرد و با آن تعامل میکند، از مکالمه شروع کرده است. به گفته آمازون، این شرکت با پشتیبانی بومی پایتورچ روی ترینیوم، خط لوله استنتاج استانداردش را با حداقل تغییر در کد پایتورچ اجرا کرده است.
انستیتو لیبر: کشف دارو
انستیتو لیبر برای توسعه مغز، بزرگترین مرکز پژوهشی متمرکز بر مداخلات پزشکی برای اختلالات عصبیروانی مثل اسکیزوفرنی است و از مدلهای زیستی، شیمیایی و زبانی برای کشف هدفهای دارویی استفاده میکند. شبیهسازیهای دینامیک مولکولی قدرتمند ولی بسیار پرهزینهاند و نسل تازه ابزارهای هوش مصنوعی میتواند آنها را شتاب دهد یا جایگزینشان کند. TorchNeuron به این انستیتو اجازه میدهد همین استراتژیها را روی ترینیوم امتحان کند؛ از کاوش اولیه مدل تا بهینهسازی گلوگاهها. اگر حوزه رباتیک برایت جالب است، مدل چندحسی نورا برای رباتها را هم ببین که نشان میدهد چرا رباتیک یکی از اولین مشتریهای این چیپهاست.
مسیرهای اجرای پایتورچ روی سختافزارهای مختلف، در یک نگاه
جدول زیر چهار مسیر اصلیای را که امروز یک توسعهدهنده پایتورچ برای انتخاب سختافزار دارد، کنار هم میگذارد؛ اطلاعات از اعلامیههای رسمی و گزارشهای معتبر آمده است:
مسیر | سختافزار | سازنده | وضعیت |
|---|---|---|---|
TorchNeuron | Trainium 2 و Trainium 3 | آمازون (آناپورنا لبز) | بتای عمومی از ۲۸ مهر ۱۴۰۵؛ متنباز با مجوز Apache 2.0 |
CUDA | GPUهای انویدیا | انویدیا | بالغ و جاافتاده؛ بیش از یک دهه توسعه و اکوسیستم |
مسیر AMD | GPUهای AMD | AMD | موجود؛ جابهجایی با تغییر پیکربندی مشابه ممکن است |
مسیر اپل | چیپهای اپل | اپل | موجود؛ جابهجایی با تغییر پیکربندی مشابه ممکن است |
جدول را اینطور بخوان: TorchNeuron تازهترین و کمتجربهترین گزینه است ولی تنها گزینهای است که یک غول ابری پشت آن است و مستقیم هزینه جابهجایی را صفر کرده؛ کودا همچنان عمیقترین اکوسیستم را دارد و گزینههای AMD و اپل نشان میدهند ایده «تغییر پیکربندی» اختراع آمازون نبوده است.
برای توسعهدهندهها چه معنایی دارد؟
اگر با پایتورچ کار میکنی، پیام عملی خبر این است: مانع امتحان کردن یک سختافزار تازه از «پروژه چندماهه» به «یک بعدازظهر تست» کوچک شده. سه کار مشخصی که از امروز میتوانی بکنی: اول، مخزن متنباز aws-neuron/torch-neuronx را بخوان؛ خواندن کد بکاند یک سختافزار واقعی بهترین کلاس درس معماری شتابدهندههاست. دوم، اگر به نمونههای Trainium روی AWS دسترسی داری، یک مدل کوچک و نماینده را در یک شاخه جدا تست کن و خروجی، سرعت و هزینه را با GPU مقایسه کن؛ ادعای «بدون بازنویسی» را برای مدل خودت راستیآزمایی کن، نه برای مدل نمایشی آمازون. سوم، اگر تازهکاری، روی خود پایتورچ سرمایهگذاری کن؛ هرچه کدت به رابطهای استاندارد (مثل torch.accelerator) نزدیکتر باشد، فردا روی هر سختافزاری راحتتر جابهجا میشوی. یک احتیاط جدی هم از تکبوکی: برچسب «بتا» یعنی هنوز همه مدلها، اپراتورها و الگوهای آموزش توزیعشده تست نشدهاند؛ چیزی را که برایت حیاتی است، بدون تست خودت به تولید نبر.
هزینه و قیمت: ترینیوم واقعاً ارزانتر است؟
این سؤال میلیوندلاری ماجرا همینجاست. بریس به رویترز گفته مهاجرت به چیپهای آمازون میتواند «صرفهجویی چشمگیر» داشته باشد، ولی هیچ عددی اعلام نکرده؛ پس رقم دقیق را اینجا اختراع نمیکنیم. چیزی که میدانیم: آمازون هنگام معرفی Trainium3 گفته بود این چیپ میتواند هزینه آموزش و اجرای مدلها را تا ۵۰٪ نسبت به سیستمهای GPU معادل کم کند؛ این ادعای خود آمازون درباره چیپ است، نه درباره TorchNeuron. منطق اقتصادی TorchNeuron جداست: به نوشته اعلامیه رسمی، برای خیلی از شرکتها، بهویژه استارتاپها، گرانترین قلم صورتحساب «زمان مهندس» است، نه قیمت ساعتی چیپ. هر هفتهای که توسعهدهنده صرف وفق دادن نرمافزار با سختافزار تازه کند، هفتهای است که روی محصول کار نکرده. اگر آن هفتهها حذف شوند، حتی با قیمت سختافزار برابر، صورتحساب نهایی کوچکتر میشود. برای تیمهای بزرگ هم نکته دیگری هست: ترینیوم هم آموزش و هم استنتاج را پوشش میدهد، پس در ساعتهای کمترافیک میشود ظرفیت استنتاج را بیدردسر به کار آموزش داد. اگر دغدغهات کم کردن هزینه زیرساخت هوش مصنوعی است، راهنمای کاهش هزینه توکنهای هوش مصنوعی را هم بخوان؛ TorchNeuron یک تکه از همین پازل است، نه کل آن.
برای خواننده فارسیزبان چه معنایی دارد؟
راستش را بگوییم: بخش ابری ماجرا برای کاربران داخل ایران عملاً در دسترس نیست. ترینیوم روی ابر آمازون (AWS) عرضه میشود و سرویسهای AWS شامل تحریماند؛ پس اگر داخل ایران هستی، نمیتوانی فردا صبح نمونه Trainium اجاره کنی. این را بیطرفانه میگوییم چون شرط سرویس است، نه توصیه. اما دو نکته مثبت برایت دارد: اول، TorchNeuron متنباز است (Apache 2.0)؛ یعنی حتی بدون دسترسی به چیپ، میتوانی کد بکاند را بخوانی و بفهمی یک شتابدهنده واقعی چطور با پایتورچ حرف میزند؛ این دانش از خیلی دورههای پولی ارزشمندتر است. دوم، پیام استراتژیک خبر برای همه برنامهنویسها از جمله تو این است: هرچه بیشتر به استانداردهای پایتورچ بچسبی، کمتر به یک فروشنده خاص قفل میشوی؛ مهارتی که تحریم و مرز نمیشناسد. درباره مدلهای خود انویدیا هم که رقیب این داستان است، مدل نماترون انویدیا را پوشش دادهایم.
چیزهایی که هنوز روشن نیست
عدد واقعی صرفهجویی هزینه: «چشمگیر» یک صفت است، نه عدد؛ هیچ بنچمارک مستقلی از هزینه تمامشده منتشر نشده.
پوشش واقعی اپراتورها: ادعای «بدون بازنویسی» برای کدهای سازگار است؛ معلوم نیست مدلهای خاص با اپراتورهای سفارشی چقدر بیدردسر منتقل میشوند.
عملکرد در برابر GPUهای همرده: نمایش آمازون فقط نشان داد مدل «با همان سرعت یاد گرفت»؛ مقایسه توان عملیاتی و تأخیر واقعی هنوز نیامده.
سرنوشت انتشار متنباز: قرار بود امروز (۲۸ مهر) همزمان با کنفرانس پایتورچ منتشر شود؛ تا لحظه نگارش این مطلب، وضعیت نهایی مخزن را مستقل راستیآزمایی نکردهایم.
برنامه گوگل: رویترز میگوید گوگل هم روی ابزارهای بهتر پایتورچ برای چیپهای خودش کار میکند، ولی جزئیاتش اعلام نشده.
جمعبندی
TorchNeuron مهم است نه چون یک چیپ تازه معرفی شده، بلکه چون یک دیوار نرمافزاری را کوتاه کرده: از امروز، ۸۵٪ دنیای هوش مصنوعی که با پایتورچ حرف میزند، میتواند بدون بازنویسی به سختافزار آمازون سلام کند. برای انویدیا این یعنی خندق کودا دیگر آنقدرها هم عمیق به نظر نمیرسد؛ برای توسعهدهنده یعنی انتخاب واقعی؛ و برای آمازون یعنی بالاخره چیپهایش شانس دیده شدن دارند. توصیه عملی ما: اگر توسعهدهندهای، صبر نکن تا بتا تمام شود؛ یک مدل کوچک را همین هفته تست کن و خودت قضاوت کن. اگر فقط دنبالکننده خبری، این را نگه دار: جنگ بعدی هوش مصنوعی روی سیلیکون نیست، روی همان لایهای است که کد تو را به چیپ میرساند.
پرسشهای متداول
TorchNeuron دقیقاً چیست؟
یک بکاند بومی و متنباز پایتورچ که آمازون برای چیپهای Trainium ساخته؛ کارش این است که کد پایتورچ موجود را با یک تغییر تنظیم روی این چیپها اجرا کند، بدون بازنویسی.
آیا واقعاً هیچ خطی از کد عوض نمیشود؟
این ادعای آمازون است و برای کدهای سازگار با رابطهای استاندارد پایتورچ صادق است؛ در عمل یعنی تغییر تنظیم انتخاب دستگاه به «neuron». ولی هنوز آزمون مستقلی برای همه مدلها و اپراتورها منتشر نشده، پس برای مدل خودت باید تست کنی.
برای استفاده از آن چه سختافزاری لازم است؟
چیپهای Trainium 2 یا Trainium 3 که روی ابر آمازون (نمونههای EC2) عرضه میشوند. بدون دسترسی به این سختافزار، TorchNeuron کاربرد اجرایی ندارد؛ هرچند کد متنبازش برای مطالعه آزاد است.
از ایران میشود از آن استفاده کرد؟
سرویسهای ابری آمازون (AWS) شامل تحریماند و کاربران داخل ایران عملاً به آن دسترسی ندارند. اما چون کد متنباز است، میتوانی آن را بخوانی و از معماریاش یاد بگیری.
این یعنی پایان کودا و انویدیا؟
نه. کودا بیش از یک دهه اکوسیستم، کتابخانه و عادت توسعهدهنده پشتش است و یک ابزار تازه یکشبه آن را پاک نمیکند. TorchNeuron شروع یک رقابت جدی است، نه پایان آن.
AMD و اپل در این ماجرا کجایند؟
به نوشته تککرانچ، کاربران پایتورچ میتوانند با تغییر پیکربندی مشابهی برنامهشان را روی GPUهای AMD یا چیپهای اپل هم اجرا کنند؛ پس ایده جابهجایی آسان فقط مال آمازون نیست.
بتای عمومی یعنی چه و چه زمانی تمام میشود؟
یعنی نرمافزار برای همه باز است ولی هنوز در مرحله آزمون است و ممکن است باگ یا محدودیت داشته باشد. آمازون زمان پایان بتا را اعلام نکرده؛ تا آن موقع برای محیط تولید روی آن حساب باز نکن.
منابع
رویترز — Amazon says its AI chips will work with popular coding language, challenging Nvidia (۱۹ اکتبر ۲۰۲۶)
آمازون (aboutamazon.com) — Amazon's TorchNeuron runs PyTorch on AWS Trainium chips (۱۹ اکتبر ۲۰۲۶)
تککرانچ — Amazon is taking its biggest shot at Nvidia yet with new TorchNeuron dev tool (۱۹ اکتبر ۲۰۲۶)
سیلیکونانگل — Amazon introduces toolkit for running PyTorch workloads on AWS Trainium chips (۱۹ اکتبر ۲۰۲۶)
تکبوکی — Amazon Opens Trainium AI Chips to PyTorch Developers With TorchNeuron (۲۰ اکتبر ۲۰۲۶)
لایتنیوز۲۴ — Amazon opens TorchNeuron beta to ease PyTorch use on Trainium (۲۰ اکتبر ۲۰۲۶)
سلفهاستپایلوت — torch-neuronx install: what pip actually gives you (۲۰ اکتبر ۲۰۲۶)
گیتهاب — مخزن aws-neuron/torch-neuronx



