Por Canuto  

Un recorrido por los principales laboratorios de inteligencia artificial de China dibuja una industria menos dominada por el ego individual, más orientada a la ejecución y cada vez más decidida a controlar su propia pila tecnológica. El resultado es un ecosistema que se parece al estadounidense en talento, datos y ambición, pero que difiere en cultura laboral, estructura empresarial, adopción de herramientas y dependencia crítica de chips Nvidia.
***

  • El autor sostiene que los laboratorios chinos de IA funcionan como seguidores rápidos muy eficaces, con estudiantes integrados de forma directa en el desarrollo de modelos de frontera.
  • Entre las conclusiones clave destacan la fuerte demanda potencial de inferencia, la obsesión de los desarrolladores chinos con Claude y la escasez persistente de chips Nvidia.
  • China muestra una mentalidad de propiedad tecnológica más profunda, con grandes empresas construyendo sus propios LLM en vez de depender de proveedores externos.

La competencia global por la inteligencia artificial ya no se explica solo por quién entrena el modelo más potente. También importa cómo se organiza el talento, quién controla la infraestructura, de dónde salen los datos y qué cultura empresarial permite sostener la carrera.

En ese contexto, un extenso recorrido por varios de los principales laboratorios de IA de China ofrece una mirada poco común al interior de un ecosistema que, visto desde fuera, suele simplificarse demasiado. El resultado es un retrato más matizado de una industria que comparte varios ingredientes con Estados Unidos, pero que opera con incentivos y hábitos distintos.

Según relata Nathan Lambert en Notes from inside China’s AI labs, su viaje incluyó encuentros formales e informales con equipos de Moonshot, Zhipu, Meituan, Xiaomi, Qwen, Ant Ling, 01.ai y otros actores del sector. La experiencia, escribió, lo dejó con “mucha humildad” y con la impresión de que todavía apenas comienza a entender la dinámica tecnológica china.

Una cultura de ejecución que favorece a los modelos actuales

Uno de los puntos centrales del texto es que las empresas chinas que construyen modelos de lenguaje parecen estar especialmente bien alineadas para actuar como seguidores rápidos. En términos de resultados e insumos, los laboratorios chinos y estadounidenses se ven muy parecidos: científicos de alto nivel, datos a gran escala y cómputo acelerado.

La diferencia, sostiene Lambert, aparece en cómo se organiza ese trabajo. Construir los mejores LLM hoy exige mejoras meticulosas en toda la pila, desde los datos y la arquitectura hasta las implementaciones de aprendizaje por refuerzo. Ese proceso obliga a dejar de lado ideas individuales si no favorecen la optimización total del modelo.

En esa comparación, el autor percibe que en Estados Unidos existe una cultura más orientada a la autopromoción del investigador. Menciona que el ego y las aspiraciones de carrera pueden interferir con la construcción del mejor modelo posible, y hasta recoge rumores sobre tensiones políticas internas en organizaciones como la de Llama.

En contraste, argumenta que un cambio cultural pequeño, pero persistente, entre Estados Unidos y China puede alterar de forma material los resultados. Entre los efectos concretos cita una mayor disposición a hacer trabajo poco visible, menos “gamificación” del organigrama y una mejor adaptación a nuevas técnicas por parte de quienes llegan sin cargar con viejos ciclos de hype.

Otro rasgo relevante es la presencia masiva de estudiantes activos entre los principales contribuyentes. Lambert dice que esa realidad se repite en muchos laboratorios chinos y la compara con el modelo de Ai2, donde los estudiantes son tratados como pares e integrados de forma directa al trabajo en LLM.

Eso, añade, contrasta con empresas líderes de Estados Unidos como OpenAI, Anthropic o Cursor, que no suelen ofrecer pasantías. En otras, como Google, las prácticas relacionadas con Gemini existirían de forma más nominal, pero con dudas sobre si el trabajo queda separado de los sistemas que realmente importan.

Para el autor, los estudiantes llegan con ventaja porque están acostumbrados a absorber grandes cantidades de contexto en poco tiempo. En un entorno donde el paradigma de los LLM ha pasado de escalar MoE a escalar RL y luego a habilitar agentes, esa flexibilidad resulta especialmente valiosa.

También detecta una orientación más estricta hacia el hacer. Al plantear preguntas sobre economía o riesgos sociales de largo plazo, observó que muchos investigadores chinos no tenían opiniones elaboradas o no sentían impulso por intervenir en esos debates. Su papel, describe, es construir el mejor modelo.

Un ecosistema denso, competitivo y menos tribal

Lambert compara especialmente a Pekín con el Área de la Bahía. Señala que varios laboratorios competitivos están a una corta caminata o a pocos minutos de trayecto, y cuenta que, en apenas 36 horas, visitó Z.ai, Moonshot AI, la Universidad de Tsinghua, Meituan, Xiaomi y 01.ai.

En materia de talento, asegura que las guerras de contratación se parecen bastante a las de Estados Unidos. Cambiar de empresa es normal, y parte importante de la decisión depende de cuáles sean “las mejores vibras del momento”, una descripción que apunta tanto a reputación como a impulso tecnológico.

Sin embargo, observa una diferencia llamativa en el clima general. A su juicio, la comunidad de LLM en China se siente más como un ecosistema que como tribus enfrentadas. En conversaciones extraoficiales, dice haber encontrado respeto mutuo entre laboratorios rivales.

Dentro de esa jerarquía informal, todos temen a ByteDance por Doubao, al que describe como el único laboratorio de frontera cerrado en China. Al mismo tiempo, afirma que DeepSeek recibe un respeto generalizado como el laboratorio con mejor criterio de investigación en ejecución, aunque esté lejos de liderar comercialmente.

Esa combinación entre competencia feroz y reconocimiento mutuo contrasta, según el autor, con el tono más hostil que suele percibir cuando conversa con miembros de laboratorios en Estados Unidos. Incluso destaca que muchos investigadores chinos se desentienden del costado empresarial y sostienen que no es su problema.

Demanda de IA, mentalidad propietaria y obsesión con Claude

El texto dedica una parte importante a las diferencias industriales. Una de las más citadas gira en torno al tamaño potencial del mercado doméstico chino. Existe la hipótesis de que el mercado de IA en China sería menor porque las empresas suelen pagar poco por software.

Lambert matiza esa idea. Explica que esa lectura encaja con el historial del mercado SaaS, que efectivamente ha sido pequeño en China, pero no necesariamente con el mercado cloud, que sí es grande y estructural. La gran incógnita es si el gasto empresarial en IA se parecerá más al primero o al segundo.

Su impresión, tras hablar con los laboratorios, es que la IA se inclina más hacia la lógica del cloud. Por eso afirma que no encontró una preocupación real por la falta de mercado para estas herramientas, ni la sensación de que la demanda de inferencia vaya a quedarse corta.

En ese punto aparece una observación particularmente reveladora: la mayoría de los desarrolladores de IA en China estarían “Claude-pilled”. Aunque Claude está nominalmente prohibido en China, Lambert asegura que casi todos los técnicos con los que habló mencionaron esa herramienta como central para su forma de construir software.

Algunos investigadores citaron herramientas propias, como los CLI de Kimi o GLM. Pero, según su relato, todos hablaron de Claude, y hubo sorprendentemente pocas menciones a Codex, pese a que en el Área de la Bahía esa solución estaría ganando popularidad con rapidez.

Otra diferencia de fondo es la mentalidad de propiedad tecnológica. El autor dice haber salido con la impresión de que muchas grandes compañías chinas ven los LLM como parte esencial de sus productos futuros. Por eso prefieren desarrollar su propia base, ajustarla internamente y reducir dependencia de terceros.

Eso ayuda a explicar por qué empresas como Meituan o Ant Group participan de esta carrera. Desde una óptica occidental podría parecer extraño que grupos de entrega o servicios financieros desarrollen modelos propios, pero en China eso respondería a una lógica directa de control de la pila tecnológica.

Lambert agrega que la cultura “open-first” en ese entorno no sería ideológica en términos absolutos. Más bien estaría guiada por la practicidad: abrir modelos ayuda a obtener retroalimentación, devolver valor a la comunidad de código abierto y aprender más rápido sobre el desempeño real del sistema.

Gobierno, datos y el cuello de botella de Nvidia

Sobre el papel del gobierno, el texto evita conclusiones tajantes. Lambert reconoce que escuchó repetidas menciones a interés o apoyo estatal, pero considera que no obtuvo detalles suficientes como para describir con seguridad el alcance de esa ayuda.

Su impresión es que el aparato estatal chino opera de forma descentralizada en varios niveles. Menciona, por ejemplo, que barrios de Pekín compiten por atraer empresas tecnológicas y que ese respaldo puede incluir desde facilitar permisos hasta reducir obstáculos burocráticos.

Más allá de eso, deja abiertas preguntas relevantes. Entre ellas, si distintos niveles de gobierno pueden ayudar a atraer talento o incluso facilitar acceso a chips restringidos. Aun así, remarca que no encontró indicios de intervención directa de los niveles más altos del gobierno en decisiones técnicas de los modelos.

En cuanto al mercado de datos, el contraste con Estados Unidos también sería fuerte. Lambert cuenta que quería averiguar si los laboratorios chinos compraban entornos de entrenamiento de RL a empresas estadounidenses o si existía un ecosistema equivalente dentro del país.

La respuesta que recibió fue menos optimista para el sector de datos local. No es que no exista, pero su calidad sería relativamente pobre, de modo que a menudo resulta mejor construir internamente tanto los entornos como los propios datos. Eso refuerza, otra vez, la lógica de “construir en vez de comprar”.

Finalmente, el cuello de botella más evidente sigue siendo el hardware. El autor resume la situación con una frase clara: hay desesperación por más chips de Nvidia. El cómputo de esa empresa sigue siendo el estándar de oro para entrenamiento y, si hubiera más oferta, los laboratorios la comprarían.

Respecto a otros aceleradores, incluidos los de Huawei, recoge comentarios positivos sobre su uso en inferencia. Añade que innumerables laboratorios ya tienen acceso a chips de Huawei, aunque esa disponibilidad no elimina la centralidad de Nvidia en la frontera del entrenamiento.

La gran pregunta: ¿ecosistemas distintos producirán modelos distintos?

La reflexión final del texto va más allá de la comparación entre China y Estados Unidos. Lambert sostiene que el país asiático no puede resumirse con reglas simples ni recetas, porque su cultura, su historia y su química institucional siguen entrelazadas con la forma en que se construye tecnología.

Desde esa perspectiva, el punto crucial no es solo cuánto tiempo tardan los modelos chinos en alcanzar a sus pares estadounidenses. La pregunta de fondo es si estas diferencias de organización, incentivos y estructura industrial terminarán produciendo tipos de modelos significativamente distintos.

También subraya que, incluso después de preguntar directamente por qué tantos laboratorios liberan abiertamente sus mejores modelos, sigue siendo difícil unir en una sola explicación la mentalidad de propiedad y el apoyo genuino al ecosistema. Para él, esa mezcla es una de las claves menos comprendidas desde Occidente.

Su conclusión personal también introduce un matiz geopolítico. Reconoce que, como estadounidense, quiere que los laboratorios de su país lideren cada tramo de la pila de IA, sobre todo en modelos abiertos. Pero al mismo tiempo afirma que desea que el ecosistema abierto prospere globalmente porque eso podría traducirse en una IA más segura, accesible y útil.

El artículo termina con una advertencia implícita para el debate en Washington y Silicon Valley. Si Estados Unidos responde con más restricciones sobre modelos abiertos, como sugieren rumores sobre órdenes ejecutivas, la sinergia entre liderazgo estadounidense y ecosistema global podría debilitarse justo cuando China acelera con una fórmula propia.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados