Publié le 24 octobre 2026 Mis à jour le 24 octobre 2026
Google a placé une nouvelle pièce sur l’échiquier des accélérateurs d’intelligence artificielle. TorchTPU, sa pile permettant d’exécuter PyTorch nativement sur ses TPU, est désormais disponible en open source. Développée avec l’équipe PyTorch de Meta, elle vise à faire fonctionner des modèles existants sur les puces de Google avec un minimum de modifications.
PyTorch traite désormais le TPU comme un appareil natif
Jusqu’ici, utiliser les Tensor Processing Units de Google avec des projets conçus autour de PyTorch pouvait imposer des adaptations spécifiques. TorchTPU ajoute un appareil « tpu » directement utilisable dans l’environnement PyTorch et s’intègre à des outils connus des développeurs.
Google cite notamment vLLM, SGLang, TorchTitan, Ray, Hugging Face et llm-d. L’objectif est de pouvoir entraîner, ajuster et servir des modèles sur TPU tout en conservant des API et des habitudes de travail proches de celles employées sur CPU ou GPU.
L’annonce complète figure sur le blog de Google Cloud. Le blog Google for Developers détaille les moteurs d’inférence vLLM-TorchTPU et SGLang-TorchTPU.
Meta utilise déjà SGLang-TorchTPU en production
Selon Google et RadixArk, le moteur SGLang-TorchTPU fonctionne déjà sur des charges de production chez Meta. Il a été construit par les équipes de SGLang avec Google et Meta afin de servir de grands modèles et des applications dites « agentiques », qui enchaînent plusieurs étapes et appels d’outils.
La publication technique de RadixArk, Google et Meta indique que le projet est ouvert et prend en charge plusieurs familles de modèles. Certaines fonctions restent toutefois signalées comme expérimentales : open source ne signifie pas que chaque combinaison est immédiatement prête pour toutes les productions.
Pourquoi cette ouverture compte
PyTorch est largement utilisé pour développer des modèles d’IA. Le rendre plus naturel sur TPU réduit le coût technique d’un changement de matériel. Les équipes peuvent comparer plus facilement des GPU, des TPU et des CPU selon la disponibilité, les performances et le prix de chaque charge.
Pour Google, c’est aussi une manière d’élargir l’écosystème de ses accélérateurs face à la domination des GPU dans l’IA. Pour Meta, cette compatibilité ajoute une option matérielle sans abandonner PyTorch. Le gagnant potentiel est le développeur, à condition que les performances annoncées se confirment sur son propre modèle et pas seulement dans une jolie diapositive de conférence.
Cette logique de diversification complète d’autres évolutions récentes suivies par En cause, comme le Physical AI Growth Lab de Microsoft et NVIDIA, les outils de Google Deep Review pour les documents techniques ou encore la preuve annoncée par Microsoft Research pour la conjecture KLS.
Ce qui est disponible et ce qui reste à prouver
Le code de TorchTPU et les intégrations associées sont accessibles publiquement. Google annonce également la prise en charge de modèles ouverts, des outils de diagnostic et des mécanismes de calcul distribué.
Les chiffres de performance publiés viennent principalement des acteurs du lancement et de leurs bancs d’essai. Ils donnent une indication, pas une garantie universelle. Le coût total dépendra du modèle, de la taille du contexte, du débit attendu, de la région cloud et du temps passé à optimiser la pile.
Le lancement est donc important moins parce qu’il désignerait déjà un vainqueur que parce qu’il rend le choix matériel plus crédible. Quand un même écosystème logiciel peut viser plusieurs accélérateurs, la concurrence se joue davantage sur le prix, la disponibilité et l’efficacité réelle.
Informations vérifiées le 24 octobre 2026.