Entrenar IA sin una sola GPU de NVIDIA: cómo China cerró su propio ciclo

⏱️ Tiempo de lectura: ~5 minutos

Introducción

Durante años, la respuesta a "¿qué hace falta para entrenar un modelo de frontera?" era corta e incómoda: GPUs de NVIDIA, muchas. Era menos una elección técnica que un hecho de la vida — el ecosistema entero, del framework al kernel, se construyó en torno a CUDA.

En 2026, esa dejó de ser la única respuesta. Un conjunto de laboratorios chinos completó ciclos enteros de entrenamiento — del preprocesamiento de datos al escalado final — sin tocar un solo chip occidental. No fue un experimento de laboratorio: son modelos en producción, con pesos abiertos y API que cobra por uso. Y el detonante no fue técnico. Fue regulatorio.

Los casos concretos

GLM-Image, de Zhipu AI (enero de 2026). El hito inicial. Primer modelo multimodal de punta en completar todo su entrenamiento en chips chinos, sobre Ascend Atlas 800T A2 con el framework MindSpore. Arquitectura híbrida: un modelo autoregresivo de 9 mil millones de parámetros encargado de la comprensión de la instrucción y la composición de la imagen, más un decodificador de difusión de 7 mil millones responsable del detalle fino y del renderizado de texto. Lideró el benchmark CVTG-2K (precisión de palabra de 0,9116) y el LongText-Bench (0,952 en inglés, 0,979 en chino). Pesos publicados en GitHub, Hugging Face y ModelScope; API a 0,1 yuan — unos US$ 0,014 — por imagen generada.

GLM-5, de Zhipu (febrero de 2026). El salto de escala: un modelo de lenguaje de aproximadamente 744 mil millones de parámetros, entrenado íntegramente en Ascend, con reportes de unos 100 mil chips involucrados. Sus benchmarks quedaron a pocos puntos de GPT-5.2 y Claude Opus 4.5.

openPangu 2.0, de la propia Huawei (31 de julio de 2026). Un mixture of experts de 505 mil millones de parámetros, entrenado exclusivamente en NPUs Ascend y liberado como código abierto.

DeepSeek V4. Trasladó su entrenamiento al Ascend 950, abandonando NVIDIA en el proceso.

El detonante fue una lista, no una hoja de ruta

Vale registrar cómo empezó esto. En enero de 2025, Zhipu fue incluida en la Entity List del Departamento de Comercio estadounidense, lo que la dejó sin acceso a H100 y A100 — las placas que se habían vuelto sinónimo de entrenamiento avanzado. La empresa no tenía plan B; tuvo que construirlo, en alianza con Huawei.

Esa es la ironía central de esta historia: la restricción que debía frenar el desarrollo terminó financiando, a la fuerza, la alternativa.

Lo que hubo que hacer en ingeniería

Nada de esto fue "plug and play". Cambiar CUDA por Ascend significó reescribir la capa que la mayoría de los equipos nunca toca.

El stack tiene tres pisos: los NPUs Ascend en el hardware; CANN, la capa que traduce instrucciones de PyTorch y TensorFlow a operaciones que el chip entiende; y MindSpore como framework de entrenamiento. CANN y las herramientas de la serie Mind se abrieron en agosto de 2025 — un paso deliberado para atraer desarrolladores.

Encima de eso, Zhipu necesitó optimizaciones a medida: deployment en pipeline multinivel con grafo dinámico, para ejecutar etapas del entrenamiento de forma concurrente y reducir cuellos de botella; fusion operators propios, compatibles con la arquitectura Ascend; y paralelismo multi-stream, solapando comunicación y cómputo en el entrenamiento distribuido. Todo esto existe porque los frameworks asumen, por defecto, que del otro lado hay una GPU de NVIDIA.

El hardware y hacia dónde va

En el Huawei Connect 2026, celebrado en septiembre, la empresa adelantó el Ascend 960 en tres trimestres: el 960DT llega en el primer trimestre de 2027 y el 960PR en el tercero. La cadencia anual pasó a ser regla — Ascend 970 en 2028, 980 en 2029. Junto con eso llegó un portafolio de 11 chips UnifiedBus para sistemas SuperPoD y SuperCluster, que cubre cómputo, interconexión, almacenamiento y gestión, además de un plan de escala del orden del millón de NPUs.

Las salvedades — y sí importan

Tres puntos impiden la lectura triunfalista.

El chip individual todavía pierde. El 960DT se estima en unos 288 GB de memoria y 4 petaFLOPS en FP4 — aproximadamente la mitad del FP8 y un tercio del FP4 del B300 de NVIDIA. La apuesta china no es ganar en el silicio, sino compensar en escala e interconexión. Quien trabaja con centros de datos sabe que ese canje no sale gratis: más nodos significa más red, más energía, más dominio de falla.

El costo real no fue divulgado. Zhipu no informó cuántos procesadores usó, cuánto tardó el entrenamiento, ni cómo se compara con un clúster NVIDIA equivalente. El costo en tiempo de ingeniería — el más caro de todos — sigue siendo una incógnita.

"Sin NVIDIA" describe el entrenamiento, no toda la cadena. Hay reportajes que cuestionan la dependencia aguas arriba — litografía, memoria HBM — detrás de esa independencia. Autonomía en la capa de entrenamiento no es lo mismo que autonomía de punta a punta.

Resumen

Lo que quedó probado en 2026 no es que China alcanzó a NVIDIA. Es algo más modesto y, al mismo tiempo, más consecuente: existe un segundo camino viable para entrenar modelos de frontera, y ya está en producción.

Para quien opera infraestructura, la implicación práctica es que el monopolio de hecho de CUDA ahora tiene un competidor funcional — inmaduro, más caro en ingeniería, con hardware inferior por unidad, pero funcional. E históricamente, cuando un monopolio técnico gana una alternativa real, lo primero que cambia no es la tecnología. Es el precio.