China ha pasado años gastando dinero y capital político en la construcción de una industria semiconductora casera. Sin embargo, cuando sus compañías de IA necesitan entrenar sus modelos más sofisticados, muchos todavía recurren a Nvidia, según South China Morning Post.
El mayor obstáculo puede que ya no sean las propias fichas. Es todo lo que los desarrolladores han construido alrededor de ellos.
El software CUDA de Nvidia se ha tejido profundamente en la forma en que operan los laboratorios AI. Modelos, herramientas de capacitación y flujos de trabajo internos han sido diseñados alrededor de la plataforma, lo que significa que cambiar a hardware chino puede parecerse a la reconstrucción de parte de la fábrica en lugar de simplemente cambiar una máquina.
SCMP escribe que los procesadores Ascend de Huawei están entre las principales alternativas internas, pero mover una operación establecida sobre ellos puede requerir trabajo de ingeniería sustancial. Un investigador estimó que hacerlo podría aumentar el tiempo y el gasto de un proyecto al menos un 50%.
Cuán dolorosa es la transición depende en gran medida del modelo. Modelos de código abierto ampliamente disponibles como DeepSeek son más fáciles porque los ingenieros pueden modificar el código y apoyar el trabajo ya hecho por otros. En esos casos, la migración puede requerir sólo unos pocos desarrolladores y varias semanas adicionales.
Los sistemas cerrados son otro asunto. Sin acceso al código fuente subyacente, los ingenieros pueden tener que pasar meses reconstruyendo y optimizando partes del proceso de formación. Una estimación de la industria sugirió que una migración difícil podría ocupar aproximadamente 10 ingenieros durante más de medio año.
China ha tenido más éxito moviendo los productos terminados a la infraestructura nacional. Una vez que un modelo ya ha sido entrenado, ejecutarlo para consultas cotidianas —conocidas como inferencia— es generalmente mucho más fácil de adaptarse a diferentes hardware.
Y los chips nacionales también están empezando a manejar el entrenamiento. Meituan dijo que su enorme modelo LongCat-2.0 se desarrolló utilizando un grupo de computación chino de 50.000 chips.
Así que el problema de China Nvidia es cada vez más sobre la inercia tanto como la tecnología. Los procesadores domésticos pueden continuar cerrando la brecha de rendimiento, pero Nvidia tiene algo mucho más difícil de fabricar rápidamente: años de software, familiaridad del desarrollador e infraestructura construida alrededor de su ecosistema.
Tyler Durden
Sun, 08/16/2026 - 13:25