Por instinct  

Un investigador independiente afirma haber encontrado, escondida en los propios pesos publicados por sus creadores, la huella digital de los chips NVIDIA Blackwell en seis modelos de DeepSeek, Moonshot AI, MiniMax y Ant Group. El método, verificado en hardware físico, sugiere que los laboratorios chinos más avanzados ya crean sus modelos con chips que Estados Unidos prohíbe exportar a China.

  • Seis modelos chinos de frontera, entre ellos DeepSeek-V4-Pro y Kimi K3, muestran patrones de inicialización compatibles únicamente con chips Blackwell B200/B300 y GB200/GB300.
  • Un chip B300 reprodujo bit a bit los valores iniciales preservados de DeepSeek-V4-Flash y un GB200 alquilado reprodujo los de Kimi K3; un H100 no reprodujo ninguno de los dos.
  • Las coincidencias alcanzan entre 49 y 1.385 sigma, muy por encima de las 8 desviaciones estándar que el azar permitiría entre unas seis billones de combinaciones revisadas.

Los pesos de un modelo de inteligencia artificial, esos miles de millones de números ajustables que deciden todo lo que el sistema sabe hacer, guardan un rastro que sus creadores casi nunca advierten: la firma del chip exacto en el que fueron concebidos. El investigador @willdepue (Will DePue), conocido por su trabajo en OpenAI, donde participó en la creación de los modelos de generación de video Sora, asegura haber convertido esa particularidad técnica en una herramienta forense. Su informe, publicado este 12 de noviembre de 2026 bajo el título “Top Chinese Frontier AI Models Carry the Fingerprint of Export-Controlled NVIDIA Blackwell GPUs”, apunta directamente al corazón de la industria china de IA.

La acusación es directa. Según el análisis, los cuatro laboratorios chinos más avanzados, DeepSeek, Moonshot AI, MiniMax y Ant Group, inicializaron sus modelos más recientes en chips Blackwell de NVIDIA, la generación de procesadores para IA que Washington tiene vedada para la exportación a China. La evidencia, subraya el autor, no proviene de filtraciones ni de informantes internos: sale de un examen forense de los pesos que las propias compañías publicaron de manera abierta.

El contexto vuelve el hallazgo explosivo. Desde octubre de 2022, Estados Unidos endurece de forma sucesiva los controles a la exportación de chips avanzados hacia China, y los modelos de la familia Blackwell nunca recibieron licencia para ese destino. Funcionarios estadounidenses y reportes de prensa ya habían acusado a DeepSeek y a Moonshot AI de entrenar con esos procesadores, pero sin publicar evidencia técnica que lo respaldara. El nuevo informe pretende ser exactamente eso: la prueba técnica que faltaba.

Una huella digital escondida en los pesos

El método parte de un detalle poco conocido del desarrollo de modelos de IA. Antes de que comience el entrenamiento, los pesos necesitan valores iniciales, y esos valores salen de un algoritmo generador de números pseudoaleatorios llamado Philox, controlado por un número de partida conocido como semilla. Con la misma semilla y la misma configuración, Philox produce siempre los mismos números, lo que permite a los ingenieros repetir un experimento desde un punto de arranque idéntico.

Aquí aparece la clave. PyTorch, el software con el que se construye la mayoría de los grandes modelos, reparte ese trabajo entre miles de hilos de ejecución del GPU, y la cantidad de hilos depende de cuántas unidades de procesamiento tenga el chip. Los Hopper H100, H200 y H800 tienen 132 unidades y usan 270.336 hilos; los Blackwell B200 y B300 tienen 148 y usan 303.104; y los GB200 y GB300, los sistemas insignia refrigerados por líquido, tienen 152 y usan 311.296. A igual semilla, cada familia de chips coloca los mismos números en posiciones distintas, y esa disposición delata al hardware.

Esa disposición funciona, en la práctica, como una huella dactilar. El entrenamiento modifica los pesos, pero no siempre borra el patrón por completo: algunos valores reservados a palabras o símbolos que el modelo nunca encontró quedan intactos, y otros conservan un eco estadístico débil de su valor original. Comparando los pesos publicados con los valores que produciría cada combinación de semilla y disposición, se puede trabajar en reversa hasta recuperar ambas.

La búsqueda fue colosal: unas seis billones de combinaciones de semilla y disposición de chip, contrastadas con modelos de pesos abiertos. Con un universo tan grande, incluso el azar produce coincidencias, y el cálculo del autor indica que la mejor coincidencia accidental debería llegar apenas a unas 8 sigma, es decir, ocho desviaciones estándar por encima de la variación aleatoria normal. Las coincidencias reales que reporta van de 49 a 1.385 sigma, y la prueba individual más débil alcanza 20.

Seis modelos, cuatro laboratorios y un cambio de generación

Seis modelos publicados desde abril de 2026 muestran patrones compatibles solo con Blackwell. DeepSeek-V4-Flash y MiniMax-M3 coinciden con la disposición de 148 unidades de los B200 y B300, mientras que DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro y Ling-3.1-flash de Ant Group coinciden con la de 152 unidades de los GB200 y GB300. En el caso de Moonshot, K3.1-Pro arranca desde la misma semilla que K3, lo que sugiere que podría ser un punto de control de ese modelo con entrenamiento adicional.

La cronología dibuja una transición reciente. Los modelos de DeepSeek se leen como creados en Hopper hasta DeepSeek-V3, de diciembre de 2024, y como Blackwell desde la familia V4, de abril de 2026. Moonshot muestra Hopper hasta Kimi K2.5, de enero de 2026, y Blackwell desde K3, de julio, con un caso intermedio: Kimi K2.7-Code, publicado seis semanas antes, conserva pesos de la era Hopper pero contiene una pequeña parte compatible con B200 o B300. MiniMax cambia de generación entre M2.7, de abril, y M3, de junio; Ant Group, entre Ling-3.0-flash, de agosto, y Ling-3.1-flash, de octubre.

No toda la industria china dio ese salto, y el informe también lo registra. Los modelos más recientes que el método pudo leer de Alibaba (Qwen), Zhipu (GLM), Tencent, Xiaomi y StepFun siguen leyéndose como creaciones de la generación Hopper. Meituan afirma que su LongCat-2.0 se entrenó por completo en “superpods” de chips ASIC propios, y el análisis no encontró huella alguna de NVIDIA en los pesos que esa empresa publicó.

Hay lecturas imposibles, y conviene conocerlas. El método necesita pesos publicados, así que los modelos cerrados quedan fuera, y también depende de que el software de inicialización deje un patrón reconocible: el framework PaddlePaddle de Baidu, con el que se entrenó ERNIE-5.5, no lo deja, aunque el autor sí recuperó su semilla, la número 2760. Varios modelos Qwen3 de Alibaba se inicializaron en un procesador convencional en lugar de un GPU, y por eso tampoco guardan rastro del hardware que los entrenó.

La verificación en chips reales

Para comprobar el resultado, el investigador no se quedó en la simulación: ejecutó PyTorch sin modificar en chips físicos. Había identificado la semilla de DeepSeek, 953049583, empleada en la inicialización tanto de DeepSeek-V3 como de DeepSeek-V4-Flash. Con esa semilla, un Blackwell B300 reprodujo 461 de las 469 filas de valores preservados de V4-Flash con correlaciones superiores a 0,99, incluidas 445 filas completas que coincidieron bit a bit. Un Hopper H100, en cambio, no reprodujo ninguna.

El experimento inverso salió igual de limpio. El H100 reprodujo los 57.344 valores preservados de DeepSeek-V3 bit a bit, algo que el B300 no logró, y cambiar la semilla en una sola unidad destruyó la coincidencia en ambas máquinas. Sobre un GB200 alquilado, PyTorch reprodujo además las 13 filas preservadas de Kimi K3 con la semilla de Moonshot, 20256586, y una vez más una semilla alterada en uno no reprodujo nada.

El método también acierta donde la respuesta ya se conoce. Existen 24 casos en los que un desarrollador ha dicho públicamente con qué hardware creó un modelo específico, y la técnica coincide con el anuncio oficial en todos. Los Llama 3.1 de Meta, entrenados en H100, se leen como 132 unidades; ocho modelos Pythia de EleutherAI, entrenados en A100, como 108; y el Nemotron-3 Ultra de la propia NVIDIA, cuyo reporte técnico menciona al GB200 en una fase de su entrenamiento, como 152, el mismo valor que arroja Kimi K3.

DePue afirma, además, que sus resultados fueron verificados de manera independiente por investigadores senior de OpenAI y de Anthropic. La afirmación la hizo el propio autor al presentar el trabajo y no ofrece nombres, de modo que conviene tomarla como lo que es: una declaración suya sobre la solidez del método, no un respaldo institucional de ninguno de los dos laboratorios.

Entrenamientos a escala de centro de datos

El informe también estima el tamaño de los entrenamientos, con cautela explícita. A partir del tamaño de cada modelo y del volumen de datos con el que fue entrenado, calcula que las dos corridas más grandes, las de Kimi K3 y DeepSeek-V4-Pro, habrían usado clústeres con una potencia equivalente a unos 11.500 y 7.500 chips H100 respectivamente. Como un GPU Blackwell rinde aproximadamente lo que 2,3 a 2,5 H100, eso equivale a unos 4.500 y 3.000 chips Blackwell para cada una.

Las cinco corridas estimadas sumarían unas 30.000 unidades equivalentes a H100, alrededor de 12.000 GPU Blackwell en total. A un costo aproximado de USD $70.000 por chip, cifra que se desprende de un reporte de The Wall Street Journal sobre unos 36.000 chips Blackwell instalados en Malasia para ByteDance por más de USD $2.500 millones, el clúster más grande costaría cerca de USD $300 millones y los cinco juntos, unos USD $850 millones. Y eso cubre solo las corridas finales: el gasto total de estos laboratorios en GPU bajo control de exportación probablemente se mida en miles de millones de dólares.

El autor mismo corrigió estas cifras al alza el mismo día de la publicación. Una versión anterior del informe hablaba de entre 2.000 y 3.000 GPU Blackwell para las corridas más grandes, porque asumía que los chips rindieron con la eficiencia de las pruebas de referencia de NVIDIA, y los entrenamientos reales ya divulgados en Blackwell han resultado menos eficientes. Las estimaciones siguen siendo aproximadas, advierte, porque ningún laboratorio publicó cuánto duraron sus corridas ni con qué eficiencia usó su hardware.

Como referencia del rango de incertidumbre, el texto cita dos corridas divulgadas sobre el mismo hardware. Mistral dice haber entrenado Mistral Large 4, con el mismo número de parámetros activos que DeepSeek-V4-Pro, en 3.800 GPU Grace Blackwell, mientras que Microsoft reportó 16.000 chips y 38 días para MAI-Base-2, un modelo de tamaño similar entrenado con más datos. Al ritmo de esa corrida de Microsoft, las dos más grandes habrían necesitado entre 7.000 y 8.500 GPU Blackwell.

Qué prueba y qué no prueba la evidencia

El propio informe pone límites claros a su alcance. La huella identifica el hardware que generó los pesos iniciales y respalda, sin probarlo por sí sola, que ese mismo hardware haya realizado el entrenamiento. Un laboratorio podría generar los pesos en un sistema y moverlos a otro, o continuar un modelo existente en hardware nuevo, y los pesos por sí solos no pueden descartar ninguna de esas posibilidades.

Tampoco revelan dónde están los chips ni a quién pertenecen. Los sistemas Blackwell pueden alquilarse en centros de datos fuera de China, de modo que la evidencia demuestra acceso al hardware, no un contrabando ni una violación concreta de los controles de exportación. El informe lo dice sin rodeos: no establece dónde estaban los chips, cómo se obtuvo el acceso ni si se violó alguna norma.

Quedaba una alternativa técnica por descartar: los chips AMD, también restringidos para China. Un MI300X puede configurarse para usar 148 o 152 de sus unidades y su generador de números produce las mismas secuencias base, algo que el autor confirmó en un chip físico. Para desempatar, buscó diferencias numéricas diminutas entre ambos fabricantes: en los 377 valores preservados de DeepSeek-V4-Flash donde AMD y NVIDIA difieren, 363 coinciden con NVIDIA y ninguno con AMD. Para los otros cinco modelos la prueba no resultó concluyente, pero el informe considera muy improbable la explicación de AMD.

El caso no ocurre en el vacío. Funcionarios estadounidenses ya habían afirmado que DeepSeek entrenó un modelo con el mejor chip de NVIDIA pese a la prohibición, la prensa ha documentado contratos de alquiler de servidores equipados con chips Blackwell vinculados a laboratorios chinos, y el propio informe señala que el código público de Ant Group incluye resultados de pruebas generados en un GB300. DePue anticipa más revelaciones: asegura haber identificado mucho más sobre estos modelos mediante otras formas de forense de puntos de control, y prometió compartirlo pronto.

Si la técnica resiste el escrutinio de la comunidad, los pesos abiertos de cada modelo chino que venga serán, a partir de ahora, un documento potencialmente incriminatorio.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


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