Navegando la IA: La apuesta de Ant Group por chips locales

Las altas apuestas en la carrera global de hardware de IA

El panorama del desarrollo de la inteligencia artificial se define cada vez más no solo por los avances algorítmicos, sino también por el acceso al sofisticado hardware necesario para entrenar y ejecutar modelos masivos. En el corazón de esta ecuación de hardware se encuentra la unidad de procesamiento gráfico (GPU), un componente diseñado inicialmente para renderizar imágenes pero ahora indispensable para las demandas de procesamiento paralelo de la IA. Durante años, Nvidia Corporation se ha erigido como el titán indiscutible en este ámbito, sus avanzadas GPUs convirtiéndose en el estándar de oro, impulsando la innovación en Silicon Valley y más allá. Sin embargo, este dominio ha colocado a la empresa, y a sus clientes, directamente en el punto de mira de las tensiones geopolíticas.

La imposición por parte de Washington de estrictos controles de exportación destinados a frenar el acceso de China a la tecnología de semiconductores de vanguardia ha remodelado fundamentalmente el mercado. Estas restricciones apuntan específicamente a las GPUs de alto rendimiento, como las producidas por Nvidia, consideradas críticas para aplicaciones avanzadas de IA, incluidas aquellas con posibles usos militares. El efecto inmediato fue una lucha dentro del floreciente sector tecnológico de China. Las empresas que invierten fuertemente en IA, desde gigantes establecidos hasta ambiciosas start-ups, se enfrentaron a la perspectiva repentina de quedar aisladas de las herramientas esenciales que impulsan la próxima ola de progreso tecnológico. Esto creó un imperativo urgente: encontrar alternativas viables o arriesgarse a quedarse atrás en un campo competitivo a nivel mundial. El desafío no consistía simplemente en reemplazar un chip por otro; implicaba navegar por una compleja red de diferenciales de rendimiento, problemas de compatibilidad de software y la escala pura requerida para entrenar modelos con cientos de miles de millones, o incluso billones, de parámetros.

Ant Group traza un rumbo hacia la independencia computacional

En este contexto de incertidumbre en la cadena de suministro y creciente rivalidad tecnológica, Ant Group, el gigante fintech afiliado a Alibaba Group Holding, ha señalado un avance significativo hacia una mayor autosuficiencia computacional. Revelaciones recientes, detalladas en un artículo de investigación del equipo Ling de la compañía – la división que encabeza sus iniciativas de modelos de lenguaje grandes (LLM) – indican una desviación exitosa del camino centrado en Nvidia. El núcleo de este logro radica en su capacidad para entrenar eficazmente un modelo de IA sofisticado utilizando GPUs producidas domésticamente.

El modelo en cuestión, llamado Ling-Plus-Base, no es un peso ligero. Está diseñado utilizando una arquitectura Mixture-of-Experts (MoE), una técnica que gana terreno por su eficiencia en la ampliación de LLMs. Con unos sustanciales 300 mil millones de parámetros, Ling-Plus-Base opera en una liga comparable a otros modelos globales prominentes. El diferenciador crucial, sin embargo, es el hardware que sustenta su entrenamiento. Según los hallazgos de la investigación, este potente modelo puede ser llevado a la madurez en lo que el equipo describe como ‘dispositivos de menor rendimiento’. Esta frase cuidadosamente elegida apunta directamente a la utilización de unidades de procesamiento que quedan fuera del alcance de las restricciones de exportación de US, implicando fuertemente el uso de chips diseñados y fabricados dentro de China.

Este desarrollo es más que una simple solución técnica; representa un posible giro estratégico. Al demostrar la capacidad de entrenar modelos de última generación sin depender exclusivamente del hardware extranjero restringido de más alto nivel, Ant Group no solo está mitigando los riesgos de la cadena de suministro, sino también desbloqueando potencialmente eficiencias de costos significativas.

La ecuación económica: Recortando los costos de entrenamiento

Una de las cifras más convincentes que surgen de la investigación del equipo Ling es una reducción reportada del 20 por ciento en los costos de computación durante la fase crítica de pre-entrenamiento del modelo Ling-Plus-Base. El pre-entrenamiento es notoriamente intensivo en recursos, implicando alimentar al modelo con vastos conjuntos de datos para aprender patrones de lenguaje, contexto y conocimiento. Constituye una parte importante del gasto general asociado con el desarrollo de LLMs fundacionales. Lograr una reducción de costos de una quinta parte en esta fase, por lo tanto, se traduce en ahorros sustanciales, liberando potencialmente capital para más investigación, desarrollo o despliegue a escala.

¿Cómo se logra este ahorro de costos? Aunque el artículo no detalla el desglose exacto de los costos, varios factores probablemente contribuyen:

1. Adquisición de Hardware: Las GPUs producidas domésticamente, incluso si son menos potentes individualmente que las ofertas superiores de Nvidia, pueden tener un precio de compra más bajo u ofrecer descuentos por volumen más favorables dentro del mercado chino, especialmente considerando el suministro limitado de chips Nvidia de gama alta.
2. Eficiencia Energética: Aunque no se indica explícitamente, optimizar el entrenamiento para chips domésticos potencialmente menos consumidores de energía (aunque quizás menos eficientes por unidad) podría contribuir a menores costos operativos de energía, un factor significativo en el funcionamiento de grandes centros de datos.
3. Optimización Algorítmica y Arquitectónica: El uso de la arquitectura MoE en sí mismo es clave. Los modelos MoE activan solo subredes ‘expertas’ específicas para una entrada dada, en lugar de involucrar a todo el modelo como las arquitecturas densas. Esta escasez inherente puede reducir significativamente la carga computacional durante el entrenamiento y la inferencia, haciendo factible lograr buenos resultados incluso con menos potencia de procesamiento bruta por chip. El éxito de Ant sugiere un software sofisticado y ajustes algorítmicos para maximizar la eficiencia del hardware doméstico disponible.

Esta reducción de costos no es simplemente un beneficio contable; reduce la barrera de entrada para desarrollar modelos a gran escala y podría acelerar el ritmo de la innovación en IA dentro de la empresa y potencialmente en todo el ecosistema tecnológico chino si los métodos resultan replicables.

Paridad de rendimiento: ¿Cerrando la brecha de hardware?

Los ahorros de costos son atractivos, pero significan poco si el modelo de IA resultante tiene un rendimiento significativamente inferior. El equipo Ling de Ant aborda esto directamente, afirmando que Ling-Plus-Base logra un rendimiento comparable a otros modelos bien considerados en el campo. Específicamente, compararon su creación con modelos como Qwen2.5-72B-Instruct (desarrollado por la empresa matriz Alibaba) y DeepSeek-V2.5-1210-Chat, otro prominente LLM chino.

La afirmación de ‘rendimiento comparable’ a pesar de usar ‘dispositivos de menor rendimiento’ es notable. Sugiere que Ant ha encontrado potencialmente formas efectivas de compensar cualquier déficit computacional bruto a través de:

• Arquitectura de Modelo Avanzada: El diseño MoE es fundamental aquí, distribuyendo eficientemente la carga de trabajo.
• Optimización de Software: Adaptar la pila de software de entrenamiento (como los marcos de paralelización y las bibliotecas numéricas) específicamente para la arquitectura de las GPUs domésticas utilizadas es crucial. Esto a menudo implica un esfuerzo de ingeniería significativo.
• Curación de Datos y Técnicas de Entrenamiento: Métodos sofisticados para seleccionar datos de entrenamiento y refinar el proceso de entrenamiento en sí pueden impactar significativamente la calidad final del modelo, a veces compensando las limitaciones de hardware.

Es importante abordar las afirmaciones de rendimiento con matices. ‘Comparable’ puede abarcar una gama de resultados en varios puntos de referencia (por ejemplo, comprensión del lenguaje, razonamiento, generación, codificación). Sin acceso a resultados detallados de benchmarks en múltiples pruebas estandarizadas, una comparación precisa sigue siendo desafiante. Sin embargo, la afirmación en sí misma señala la confianza de Ant en que su enfoque no necesita una compensación paralizante entre costo/accesibilidad y capacidad. Demuestra un camino para mantener la competitividad incluso dentro de las restricciones impuestas por las limitaciones de hardware.

Los propios investigadores destacaron las implicaciones más amplias: ‘Estos resultados demuestran la viabilidad de entrenar modelos MoE a gran escala de última generación en hardware menos potente, permitiendo un enfoque más flexible y rentable para el desarrollo de modelos fundacionales con respecto a la selección de recursos informáticos’. Esto apunta hacia una democratización de algún tipo, permitiendo que el desarrollo de IA de vanguardia proceda incluso cuando el acceso al pináculo absoluto del poder de procesamiento es limitado.

Comprendiendo la ventaja de Mixture-of-Experts (MoE)

La arquitectura Mixture-of-Experts es central para el éxito reportado por Ant Group. Representa una desviación de los modelos tradicionales de redes neuronales ‘densas’ donde cada entrada activa cada parámetro. En un modelo MoE:

• El modelo se compone de numerosas redes ‘expertas’ más pequeñas y especializadas.
• Un mecanismo de ‘red de compuerta’ o ‘enrutador’ aprende a dirigir los datos entrantes (tokens, en el caso de los LLMs) al experto o expertos más relevantes para el procesamiento.
• Solo el experto o expertos seleccionados – a menudo solo uno o dos de potencialmente cientos – realizan cálculos para esa pieza específica de datos.

Este enfoque ofrece varias ventajas clave, particularmente relevantes en el contexto de las restricciones de hardware:

1. Escalabilidad: MoE permite que los modelos crezcan a enormes recuentos de parámetros (los billones se están volviendo factibles) sin un aumento proporcional en el costo computacional para procesar cada token de entrada durante la inferencia o incluso durante los pasos de entrenamiento. Esto se debe a que solo una fracción de los parámetros totales está activa en un momento dado.
2. Eficiencia de Entrenamiento: Si bien el entrenamiento de modelos MoE tiene sus propias complejidades (como el equilibrio de carga entre expertos), la computación reducida por token puede traducirse en tiempos de entrenamiento más rápidos o, como demuestra Ant, la capacidad de entrenar eficazmente en hardware menos potente dentro de plazos razonables.
3. Especialización: Cada experto puede potencialmente especializarse en diferentes tipos de datos, tareas o dominios de conocimiento, lo que podría conducir a resultados de mayor calidad en áreas específicas.

Los principales laboratorios de IA de todo el mundo han adoptado MoE, incluidos Google (GShard, Switch Transformer), Mistral AI (modelos Mixtral) y, dentro de China, empresas como DeepSeek y Alibaba (cuyos modelos Qwen incorporan elementos MoE). Ling-Plus-Base de Ant lo sitúa firmemente dentro de esta vanguardia, aprovechando la innovación arquitectónica para navegar las realidades del hardware.

El ecosistema de hardware doméstico: Llenando el vacío de Nvidia

Aunque el artículo de investigación de Ant se abstuvo de nombrar explícitamente el hardware utilizado, informes posteriores, notablemente de Bloomberg, indicaron que la hazaña involucró chips diseñados domésticamente. Esto incluye procesadores que potencialmente provienen de la filial de Ant, Alibaba, que tiene su propia unidad de diseño de chips T-Head (produciendo CPUs como el Yitian 710 y explorando previamente aceleradores de IA), y crucialmente, Huawei Technologies.

Huawei, a pesar de enfrentar intensas sanciones de US, ha estado desarrollando agresivamente su serie Ascend de aceleradores de IA (como el Ascend 910B) como una alternativa directa a las ofertas de Nvidia dentro del mercado chino. Según se informa, estos chips están siendo adoptados por las principales empresas tecnológicas chinas. La capacidad de Ant Group para utilizar eficazmente dicho hardware para un modelo tan grande como Ling-Plus-Base representaría una validación significativa de estas alternativas domésticas.

Es crucial señalar que Ant Group no ha abandonado por completo a Nvidia. Los informes sugieren que los chips Nvidia siguen siendo parte del conjunto de herramientas de desarrollo de IA de Ant, probablemente utilizados para tareas donde sus características de rendimiento específicas o su ecosistema de software maduro (como CUDA) ofrecen ventajas, o para sistemas heredados. El movimiento no se trata necesariamente de un reemplazo completo de la noche a la mañana, sino de construir vías paralelas viables que reduzcan la vulnerabilidad estratégica y controlen los costos. Este enfoque híbrido permite a la empresa aprovechar las mejores herramientas disponibles mientras cultiva la independencia. El propio Ant Group mantuvo un grado de discreción corporativa, declinando comentar oficialmente sobre los chips específicos utilizados.

Una tendencia más amplia: El impulso colectivo de China por la autosuficiencia en IA

La iniciativa de Ant Group no ocurre de forma aislada. Refleja un impulso estratégico más amplio en todo el sector tecnológico de China para innovar en torno a las limitaciones impuestas por los controles de exportación de US. La ‘guerra tecnológica’ ha catalizado los esfuerzos para lograr una mayor autosuficiencia en tecnologías críticas, particularmente semiconductores e IA.

Otros actores importantes persiguen objetivos similares:

• ByteDance: La empresa matriz de TikTok también está trabajando, según se informa, para asegurar y utilizar chips alternativos, incluidas opciones domésticas, para sus ambiciones de IA, que abarcan algoritmos de recomendación, IA generativa y más.
• DeepSeek: Esta start-up de IA, conocida por sus potentes modelos de código abierto, menciona explícitamente la eficiencia del entrenamiento y ha desarrollado modelos utilizando la arquitectura MoE, alineándose con estrategias que dependen menos de tener vastasflotas de solo las GPUs más potentes.
• Baidu, Tencent y otros: Todas las principales empresas chinas de nube y tecnología están invirtiendo fuertemente en IA e inevitablemente están explorando estrategias de diversificación de hardware, incluida la optimización para chips domésticos y el desarrollo potencial de su propio silicio personalizado.

El mensaje colectivo es claro: si bien el acceso a los productos de primer nivel de Nvidia sigue siendo deseable, la industria tecnológica china está desarrollando y validando activamente soluciones alternativas. Esto implica un enfoque múltiple: adoptar arquitecturas de modelos eficientes como MoE, una intensa optimización de software para diferentes backends de hardware y apoyar el desarrollo y la adopción de chips producidos domésticamente.

Más allá de los modelos de lenguaje: La expansión de la IA de Ant en la atención médica

Los esfuerzos de IA de Ant Group se extienden más allá de los LLMs fundacionales. Coincidiendo con la noticia sobre sus eficiencias de entrenamiento, la compañía reveló importantes actualizaciones a su conjunto de soluciones de IA adaptadas para el sector de la salud. Esta iniciativa aprovecha un modelo de IA distinto, centrado en la atención médica y de desarrollo propio.

Las soluciones actualizadas cuentan con capacidades multimodales (procesamiento de varios tipos de datos como texto, imágenes y potencialmente otros datos médicos) y razonamiento médico sofisticado. Estos se integran en lo que Ant describe como ‘máquinas todo en uno’, presumiblemente dispositivos o plataformas diseñadas para entornos clínicos o gestión de la salud.

Aunque aparentemente separado de las noticias del LLM Ling-Plus-Base, existe una posible conexión subyacente. La capacidad de entrenar potentes modelos de IA de manera más rentable, potencialmente utilizando una combinación de hardware que incluye opciones domésticas, podría sustentar la viabilidad económica del desarrollo y despliegue de modelos especializados para sectores como la atención médica. Reducir los costos fundacionales del desarrollo de IA permite canalizar recursos hacia aplicaciones específicas de dominio, acelerando potencialmente el despliegue de herramientas prácticas de IA en industrias críticas. Este impulso en la atención médica subraya la ambición de Ant de aplicar su experiencia en IA de manera amplia, yendo más allá de sus raíces fintech.

Implicaciones para el futuro: ¿Una bifurcación en el camino de la IA?

El exitoso entrenamiento por parte de Ant Group de un modelo MoE a gran escala utilizando GPUs no Nvidia, probablemente domésticas, conlleva implicaciones significativas:

• Validación para Chips Domésticos: Sirve como un punto de prueba crucial para la viabilidad de los aceleradores de IA diseñados en China como el Ascend de Huawei, impulsando potencialmente su adopción dentro de China.
• Panorama Competitivo: Demuestra que las empresas chinas pueden seguir siendo competitivas en el desarrollo de IA de vanguardia a pesar de las restricciones, aprovechando la innovación arquitectónica y de software.
• Dinámica de Costos: La reducción de costos del 20% destaca una ventaja competitiva potencial para las empresas capaces de utilizar eficazmente hardware alternativo, influyendo potencialmente en los precios y la accesibilidad global de la IA.
• Posición de Nvidia: Si bien Nvidia sigue siendo dominante a nivel mundial, esta tendencia subraya los desafíos que enfrenta en el significativo mercado chino debido a las regulaciones y al surgimiento de competidores locales. Puede acelerar el desarrollo por parte de Nvidia de chips compatibles con la exportación adaptados para China, pero también valida el camino alternativo.
• ¿Bifurcación Tecnológica?: A largo plazo, la continua divergencia en el acceso al hardware y la optimización del software podría conducir a ecosistemas de IA parcialmente distintos, con modelos y herramientas optimizados para diferentes silicios subyacentes.

El viaje emprendido por el equipo Ling de Ant Group es emblemático del ingenio estimulado por las restricciones geopolíticas. Al combinar inteligentemente arquitecturas de modelos avanzadas como MoE con la voluntad de optimizar y utilizar el hardware doméstico disponible, han trazado un rumbo que asegura el progreso continuo en el campo crítico de la inteligencia artificial, remodelando potencialmente las estructuras de costos y las dependencias estratégicas que definen la industria. Es un testimonio de la idea de que la innovación a menudo florece más vibrantemente bajo presión.