Amazon en Google doorbreken de Nvidia PyTorch lock-in

AI-context. Zenteiq.ai meldt een stijging in tokencapaciteit per 1.000 TPU v6e-chips. Van 1,47 miljard naar 5,97 miljard, na de overstap op TorchTPU. Google haalde bij het trainen van Qwen 3 8B een MFU van 52 procent op 8.192 Ironwood TPU’s. De PyTorch-gemeenschap llm-d telt inmiddels meer dan 500 bijdragers uit 25 organisaties. Bron, Google Cloud en Zenteiq.ai.

Amazon en Google kiezen in dezelfde week hetzelfde doelwit

Amazon trapte af. Het bedrijf zette TorchNeuron maandag online, een tool die PyTorch-apps met een configuratiewijziging naar de eigen Trainium-chips verplaatst. De code zelf blijft overeind. Colin Brace van AWS Annapurna Labs noemt het een kwestie van keuze. Je bouwt op AWS, zegt hij, je gokt niet op een chipleverancier met een enkel doel. Een dag later trok Google dezelfde kaart.

Google maakte TorchTPU open source op de PyTorch Conference 2026. Het koppelde er meteen Hugging Face, Meta en twee bekende inferentieprojecten aan vast. Eerder deze maand stak Amazon al 16 miljard euro in zijn Duitse AI-cloud. Nu volgt dezelfde strategie op softwareniveau. Beide aankondigingen draaien om een probleem. Niet wie de snelste chip bouwt. Amazon en Google noemen zich allebei liever AI-hyperscaler dan chipbedrijf, een term die om infrastructuur draait en niet om modelkwaliteit.

PyTorch lock-in is Nvidia’s belangrijkste wapen

PyTorch ontstond in 2016 bij Meta. Sinds 2022 beheert de Linux Foundation het project. De bibliotheek groeide uit tot de standaard voor het bouwen en trainen van AI-modellen. Veel van die broncode is historisch geschreven voor Nvidia’s CUDA-laag. Nvidia-chips waren toen simpelweg de enige serieuze optie voor onderzoekers. Die geschiedenis bouwde zo een lock-in, los van chipprestaties.

Amazon draagt nu actief code aan het hoofdproject bij om chipspecifieke onderdelen te ontkoppelen. Google voegde TPU’s toe als native optie naast GPU’s en CPU’s. De TPU agent suite draait daar nu bovenop, nog in preview. PyTorch-apps werden al eerder op dezelfde manier naar AMD-GPU’s en Apple-chips verplaatst. Amazon en Google zijn dus niet de eersten, wel de twee met het grootste cloudbudget om dit op schaal door te drukken. Wie overstapt, verandert een configuratieregel. Wie niet overstapt, betaalt soms jarenlang voor gewoonte. Nvidia’s eigen chips blijven voorlopig de snelste optie voor het zwaarste trainingswerk.

Grote namen testen de overstap al in productie

Stemherkenningsbedrijf Deepgram, een concurrent van ElevenLabs, verhuisde zijn workload naar Trainium. Het bedrijf verwerkt daardoor volgens AWS 70 procent meer audio per dollar, bij dezelfde nauwkeurigheid. Bij Google testen Meta, Hugging Face en de makers van vLLM en SGLang hun eigen tools al op TPU’s.

Jana van Greunen, die bij Meta de PyTorch-engineering leidt, noemt de samenwerking nauw. Jeff Boudier van Hugging Face bouwde nachtelijke testpijplijnen om zijn Transformers-bibliotheek voortdurend op TPU-hardware te controleren. Dat is geen aankondiging op papier. Dat is code die al draait. Neoclouds als CoreWeave, Nebius en Firmus blijven intussen juist aan Nvidia-hardware vastzitten.

ASML en de Nederlandse chipketen voelen deze verschuiving niet als bedreiging

Voor ASML verandert er weinig aan de onderkant van deze strijd. Trainium-chips van Amazon en TPU’s van Google worden volgens brancherapportages bij dezelfde geavanceerde nodes gefabriceerd als de GPU’s van Nvidia. Alle drie de ontwerpen hebben de EUV-machines nodig die in Veldhoven gebouwd worden. Een overstap van Nvidia naar eigen chips verplaatst dus geen omzet weg van ASML. Het spreidt de vraag juist over meer klanten.

Dat is relevant nieuws voor een sector die zelf ook meedraait in deze cloudgolf. Nvidia verankerde eerder zijn eigen chips bij Europese publieke omroepen, en die relatie blijft overeind. Voor de Nederlandse chipketen is deze wedstrijd geen risico. Het is een verbreding van de klantenkring, verdeeld over Nvidia, Amazon en Google.

Veelgestelde vragen

Wat is TorchTPU? TorchTPU is de PyTorch-versie die Google op 20 oktober 2026 open source maakte voor zijn Tensor Processing Units. Bestaande PyTorch-code draait ermee op TPU’s zonder herschrijven.

Hoeveel AI-apps draaien op PyTorch? Amazon meldt dat ongeveer 85 procent van alle AI-apps op PyTorch is gebouwd. Dat maakt het framework de facto standaard in de sector.

Verliest Nvidia hierdoor meteen marktaandeel? Niet meteen. De overstap verlaagt de drempel om voor Trainium of TPU’s te kiezen. Nvidia-chips blijven voorlopig de snelste optie voor zwaar trainingswerk.