Google과 Meta, PyTorch용 TPU 백엔드 공개

Google과 Meta는 PyTorch 컨퍼런스 북미 2026에서 「TorchTPU」를 오픈소스로 공개했다. TorchTPU는 Google의 TPU(텐서 처리 유닛) 위에서 PyTorch를 기본적으로 동작시키기 위한 백엔드로, 지금까지 별도의 변환이나 연결 도구가 필요했던 개발 흐름을 단순화하는 것으로 위치지어진다.

PyTorch는 Meta가 발원한 기계학습 프레임워크로서 연구자와 개발자 사이에서 광범위하게 사용되고 있다. 한편 TPU는 Google이 자체 AI 처리를 위해 개발한 전용 칩으로, 지금까지는 Google의 독자적 프레임워크인 「JAX」나 「TensorFlow」와의 호환성이 높았으며, PyTorch 사용자가 이용하려면 일정한 장벽이 있었다. TorchTPU의 공개는 그러한 격차를 해소하려는 노력으로 볼 수 있다.

Meta는 컨퍼런스에서 TorchTPU를 활용하여 더욱 대규모의 대규모 언어 모델(LLM) 워크로드를 TPU로 이전할 계획이 있음을 밝혔다. 같은 시기에 AWS도 Amazon의 독자적 AI 칩인 「Trainium」용으로 「TorchNeuron」을 출시했으며, 주요 클라우드 제공자들이 각각 PyTorch와의 연계를 심화시키는 움직임이 겹친 형태가 되었다.

한편 개발자 커뮤니티에서는 TPU의 실제 가용성에 관한 의문이나, 특정 하드웨어에 대한 의존도, 소위 「벤더 락인」이 어디서 발생하는지를 묻는 목소리도 나오고 있다. TorchTPU가 오픈소스로 공개됨으로써 투명성은 높아지지만, 실제로 TPU에 접근할 수 있는 환경은 Google의 클라우드 서비스에 의존하는 부분이 크며, 그 점은 계속해서 주목할 과제라고 할 수 있다.

이번 움직임은 AI의 학습·추론에 사용되는 하드웨어를 둘러싼 경쟁이 칩의 성능뿐만 아니라 에코시스템의 정비로 중심축을 이동시키고 있는 흐름을 보여주고 있다. PyTorch라는 널리 보급된 프레임워크와의 호환성을 확보하는 것은 개발자를 자사의 인프라로 끌어들이는 데 있어 중요한 요소가 된다. Google과 AWS 모두가 거의 같은 시기에 PyTorch용 대응을 내놓은 것은 그러한 경쟁의 격렬함을 보여주는 것으로 볼 수 있다.

개발자의 관점에서 보면, 익숙한 PyTorch 코드를 TPU나 Trainium에서 동작시킬 수 있는 선택지가 넓어지는 것은 실무상의 이점으로 이어진다. 다만 여러 하드웨어 플랫폼에 대한 대응이 늘어날수록 어느 환경을 선택할 것인가에 관한 의사결정의 복잡성도 증가한다. 벤더 락인에 대한 우려가 해소될 것인지 여부는 실제 운영 실적과 이용 용이성이 축적되는 과정 속에서 판단되게 될 것이다.