英伟达的壁垒从来不只是芯片，而是围绕 CUDA 长出来的那套开发者习惯。如今 Google 和 Amazon 都在从这层习惯下手。
发生了什么
据 TechCrunch 报道，Google 加入 Amazon 的行列，发布了一款开发者工具，让 PyTorch 用户能更方便地把自己的应用从英伟达 GPU 上迁走。报道没有展开工具的具体形态与覆盖范围，但方向很明确：降低「换硬件」的迁移成本，而不是去正面比拼单卡算力。
为什么重要
PyTorch 是当下主流的深度学习框架，而它长期与 CUDA 生态深度绑定。开发者在英伟达 GPU 上写下的代码、调优经验、算子实现和周边工具链，构成了极高的切换成本——这也是英伟达即便面对自研加速器的价格与供给压力，仍能守住市场份额的关键原因之一。
云厂商的动机不难理解：GPU 采购是它们 AI 业务里最沉重的一笔成本，而算力供给又受制于英伟达的产能与定价。推广自家芯片（Google 的 TPU、Amazon 的 Trainium 等）能改善毛利、增强议价能力。但硬件做得再好，如果开发者迁移要重写大量代码，就没人愿意动。
所以真正的战场在「迁移摩擦」上。谁能让 PyTorch 代码以更低的改动量跑在非英伟达硬件上，谁就实质性地削弱了 CUDA 的锁定效应。Amazon 先走一步，Google 跟进，说明这已不是单点尝试，而是云厂商的集体策略。
影响与看点
对开发者而言，最直接的变化是硬件选择权增加：同一套 PyTorch 代码有望在多家加速器上运行，议价空间和部署灵活性都会提升。但迁移工具的价值取决于「最后一公里」——性能是否打折、冷门算子是否覆盖、调试体验是否可接受。这些细节报道尚未披露，也是判断其实际效用的关键。
对英伟达来说，短期威胁有限：训练侧的生态惯性和调优积累不是一款迁移工具能抹平的。但中长期看，一旦「换硬件」从工程项目降级为配置项，护城河就会从软件层退回到纯性能与能效的比拼，而那是竞争更激烈的地带。
值得关注的还有 PyTorch 基金会自身的治理走向，以及各家工具是否会走向事实上的兼容标准。我的判断是：这类工具短期内更像「降低锁定溢价」的谈判筹码，而非真正的份额颠覆者；真正的分水岭，是主流模型训练能否在非英伟达硬件上做到无需特殊照顾。
