Por Canuto  

China enfrenta un nuevo cuello de botella en la carrera de IA: la escasez de datos de entrenamiento en chino. Mientras los chips dominan el debate, los expertos advierten que el 1,3% del contenido web en chino podría frenar el desarrollo de modelos de IA en el país.
***

  • El chino representa solo el 1,3% del contenido web global frente al 49% del inglés.
  • Pekín planea conjuntos de datos nacionales validados para 2028 para impulsar la IA.
  • Editoriales como Huaxia ya prohíben el uso de sus contenidos para entrenar IA.

La carrera de China en inteligencia artificial (IA) tiene un nuevo límite que no depende de semiconductores. Mientras los controles de exportación de EE.UU. sobre chips avanzados han acaparado la atención, el país se está quedando sin datos de entrenamiento de alta calidad en chino. Esta escasez podría ser igualmente limitante, y a diferencia del hardware, no hay una solución tecnológica simple.

Según el rastreador de internet W3Techs, el chino representa apenas el 1,3% del contenido web global. En contraste, el inglés domina con casi la mitad, el español llega al 6% y el japonés al 5%. Este desequilibrio impacta directamente en la capacidad de China para desarrollar modelos de lenguaje avanzados.

El muro de datos global

La escasez de datos no es exclusiva de China, pero el gigante asiático la sufre con mayor intensidad. Epoch AI estima que el suministro mundial de texto público de alta calidad podría agotarse por completo en seis años. El cofundador de OpenAI, Andrej Karpathy, ha advertido sobre un “muro de datos” que podría golpear a finales de esta década.

Los desarrolladores chinos ya pagan más por token útil que sus homólogos occidentales. La razón es simple: sus modelos deben trabajar con menos material en su lengua nativa, lo que encarece el entrenamiento. La brecha es evidente en el rendimiento de los modelos chinos frente a los estadounidenses en tareas complejas.

El problema se agrava porque el ecosistema digital de China es cerrado. Plataformas como WeChat y Douyin no comparten datos con desarrolladores externos, dejando a los laboratorios de IA con fuentes de menor calidad. A diferencia de Occidente, donde hay más acceso a datos públicos de redes sociales y foros, China se topa con barreras internas.

Esta situación ha llevado a los expertos a considerar que la falta de datos es tan grave como las restricciones a los chips. No hay una solución de hardware que resuelva la escasez de texto en chino. El problema es estructural y requiere estrategias de largo plazo.

La respuesta del gobierno chino

Pekín ya trata los datos como infraestructura estratégica. En junio, la Administración Nacional de Datos presentó un plan nacional para construir conjuntos de datos de entrenamiento de IA validados para 2028. Estos cubrirán sectores como manufactura, energía, salud, finanzas, agricultura, conducción autónoma e IA integrada.

Yu Xiaohui, presidente de la Academia China de Tecnologías de la Información y las Comunicaciones, afiliada al estado, ha declarado que “la competencia en la era de la IA no es solo por modelos y poder de cómputo, sino también por sistemas de suministro de datos de alta calidad”. Esta visión refleja una conciencia oficial sobre la gravedad del problema.

El científico informático de la Universidad de Tsinghua, Sun Maosong, ha instado a las autoridades a digitalizar archivos históricos, manuscritos antiguos, literatura científica y dialectos regionales. Estas fuentes, hasta ahora poco explotadas, podrían ampliar significativamente el corpus disponible para entrenar modelos de IA.

Sin embargo, la digitalización de materiales históricos es un proceso costoso y lento. No todos los contenidos están disponibles en formato digital, y muchos requieren un procesamiento especial. A pesar de los esfuerzos gubernamentales, la brecha con el inglés seguirá siendo enorme en el corto plazo.

Otro obstáculo es la resistencia del sector editorial. La Editorial Huaxia, por ejemplo, añadió recientemente una advertencia a una nueva traducción: “Está prohibido usar el contenido de este libro para entrenar inteligencia artificial. Los infractores serán responsables legalmente”. Esta medida, replicada por otros editores, reduce aún más las fuentes disponibles.

La ventaja estadounidense y el caso Project Panamá

En EE.UU., la situación es radicalmente distinta. La empresa Anthropic, creadora de Claude, puso en marcha el Proyecto Panamá, que compró y destruyó millones de libros físicos para escanearlos y usarlos como datos de entrenamiento. Esta estrategia agresiva contrasta con la escasez que enfrenta China.

La comparación ilustra cómo el acceso a datos se ha convertido en una ventaja competitiva clave. Mientras EE.UU. tiene un vasto corpus en inglés, China solo cuenta con el 1,3% del contenido web en su idioma. Esta diferencia se traduce en modelos más potentes y mejor entrenados en Occidente.

El dato es contundente: el inglés representa el 49% del contenido web, frente al 1,3% del chino. Para igualar la cantidad de datos en inglés, China necesitaría multiplicar por casi 40 su presencia digital. Una tarea titánica que no se logrará de la noche a la mañana.

Los expertos señalan que, además de la cantidad, la calidad del contenido es crucial. El texto en chino disponible en internet suele ser menos diverso y de menor calidad en comparación con el inglés. Esto afecta el rendimiento de los modelos en tareas de razonamiento, comprensión y generación de texto.

La escasez de datos también tiene implicaciones económicas. Los desarrolladores chinos deben invertir más recursos en limpieza y curaduría de datos, lo que encarece el proceso. A su vez, la falta de datos limita la capacidad de innovación en áreas emergentes como la IA aplicada a la medicina o la ingeniería.

Impacto en el futuro de la IA china

La escasez de datos en chino no solo afecta a los laboratorios de IA, sino también a la competitividad del país en el escenario global. Si China no logra superar esta barrera, sus modelos seguirán rezagados frente a los estadounidenses en tareas complejas. Esto podría frenar la adopción de la IA en sectores críticos de la economía.

El gobierno chino es consciente del desafío y por eso ha puesto en marcha planes para construir bases de datos nacionales. Sin embargo, las soluciones tardarán años en materializarse. Mientras tanto, las empresas chinas buscan alternativas como la generación de datos sintéticos o la compra de empresas con grandes corpus de texto.

Otra vía es el desarrollo de modelos multilingües que aprovechen datos en otros idiomas. Pero el enfoque en el chino es esencial para aplicaciones locales, donde la precisión del lenguaje es crítica. La falta de datos específicos en chino seguirá siendo un obstáculo para la personalización y adaptación de los modelos.

La noticia, reportada por The Next Web, subraya un punto que suele pasarse por alto: la IA no depende solo de algoritmos y poder de cómputo, sino de datos. Y cuando los datos escasean, incluso las potencias tecnológicas tropiezan. China está aprendiendo esto de la manera más dura.

En conclusión, la escasez de datos de entrenamiento en chino es un problema estructural que no tiene solución rápida. A diferencia de los chips, que pueden fabricarse con inversión y tiempo, los datos son un recurso finito y difícil de crear. La carrera de China hacia la soberanía en IA enfrenta un muro que no se derriba con fábricas ni decretos.


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