TornadoVM acelera programas Java en CPU multinúcleo y GPU sin sustituir a la JVM: funciona junto a cualquier distribución habitual del JDK, como OpenJDK, GraalVM, Temurin o Zulu. Descarga el código Java a distintos backends de hardware, gestiona la memoria entre el heap de Java y los aceleradores y ejecuta los kernels de cómputo resultantes. Durante el desarrollo compila a OpenCL y a Apple Metal, de modo que se puede trabajar en un portátil y desplegar después en un servidor con GPU de Nvidia, en una especie de «Write Once, Run Anywhere» para cargas de aprendizaje automático.
La versión 7 trae cambios de arquitectura. Los backends usan ahora la API Foreign Function & Memory (FFM) en lugar de la Java Native Interface (JNI), y se ha eliminado la dependencia de la JVM Compiler Interface (JVMCI), que era experimental. Según el equipo, TornadoVM obtiene ya «todos los metadatos del compilador mediante una capa de reflexión + ASM + Unsafe», un camino único y uniforme en todos los JDK compatibles (21, 25, 26 y 27).
La integración con el ecosistema de Nvidia se profundiza con un backend CUDA optimizado. Incluye soporte para el modelo de programación cuTile, mediante un nuevo TileContext, y la posibilidad de llamar a bibliotecas CUDA como cuBLAS y CUTLASS desde los TaskGraphs de TornadoVM. Se pueden sustituir los kernels generados en JIT por llamadas a esas bibliotecas, o encadenar ambos, según las necesidades de rendimiento y portabilidad. Se añade lo mismo para la biblioteca MXL de Apple mediante la API híbrida, y también soporte para ejecución en varias GPU. En total, TornadoVM ofrece cuatro formas de programar GPU de Nvidia desde Java: la API paralela (una anotación sobre un bucle que sugiere al compilador que puede paralelizarse), la API de kernel context y el TileContext, entre otras. La primera no resultó suficiente a largo plazo para lograr el rendimiento deseado en aplicaciones de producción.
No todo cálculo en Java se beneficia de la descarga a la GPU: los mejores candidatos son las cargas paralelas de datos, como los bucles sin dependencias entre iteraciones. TornadoVM tiene integraciones con Quarkus, Lang4j, Flink y Spring AI, entre otros, y está disponible en SDKMan. En Apache Flink, el desarrollador escribe una consulta normal con la Table API y un indicador de configuración señala que puede acelerarse en GPU; cuando el cálculo llega al task manager, el framework comprueba si hay GPU en el nodo y, si la hay, un proveedor de bibliotecas analiza la representación intermedia de la consulta para ver si es apta.
Con la 7.3, el equipo presenta jitLLM v2.0, su motor de inferencia de IA en Java construido sobre TornadoVM, que se distribuye en un único JAR y que sitúa como competidor directo de llama.cpp y Ollama en rendimiento. Tanto TornadoVM como jitLLM se comercializan a través de Beestream.ai, una spin-off fundada por el equipo de TornadoVM.
Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.