Alibaba y Baidu entrenan modelos de IA con sus propios chips ante el endurecimiento de las restricciones de EE. UU.

Por qué importa ahora

Las dos mayores empresas chinas de internet de consumo y servicios en la nube están dando un paso decisivo para asegurar sus cadenas de suministro de inteligencia artificial. Alibaba y Baidu han comenzado a entrenar algunos modelos con procesadores diseñados por ellas mismas, lo que reduce su dependencia de los chips de Nvidia que han sido la base de la IA moderna. El cambio refleja al mismo tiempo dos fuerzas poderosas: el endurecimiento de los controles de exportación de Estados Unidos sobre los semiconductores avanzados destinados a China y un impulso interno en China para dar prioridad a la tecnología nacional en infraestructuras críticas.

Ambas empresas avanzan con cautela, en lugar de cambiarlo todo de golpe. Alibaba utiliza sus propios aceleradores para tareas de entrenamiento de menor escala, mientras conserva el hardware de Nvidia para los trabajos más exigentes. Baidu está probando su último chip Kunlun P800 en nuevas versiones de su modelo Ernie, la tecnología que sustenta sus servicios de IA generativa. Las empresas siguen dependiendo de Nvidia para las ejecuciones de entrenamiento más grandes y complejas, en las que el rendimiento, la madurez del software y las interconexiones entre varios chips son fundamentales.

El efecto práctico en los centros de datos de China podría ser profundo. Las empresas que antes esperaban su turno para conseguir GPU importadas ahora tienen una segunda vía para ampliar su capacidad de computación para IA. Los chips nacionales, que ya son suficientemente buenos para una proporción creciente de las cargas de trabajo, ayudan a mitigar los riesgos de suministro, mantener los proyectos dentro del calendario y alinear el gasto con los objetivos tecnológicos nacionales. Si estas implementaciones tienen éxito, demostrarán la validez de años de inversión en chips de IA locales y acelerarán una tendencia más amplia entre los proveedores chinos de servicios en la nube a combinar hardware extranjero y nacional.

Qué están desarrollando Alibaba y Baidu

Alibaba tiene experiencia en el desarrollo de chips propios a través de su unidad T-Head, que anteriormente presentó el acelerador de IA Hanguang 800 para inferencia y una CPU para servidores basada en conjuntos de instrucciones Arm. Su procesador más reciente para entrenamiento de IA, al que los empleados se refieren internamente como Zhenwu, ya se utiliza para entrenar modelos más pequeños en Alibaba Cloud. Según personas que han trabajado con el chip, su rendimiento en condiciones reales es comparable al del H20 de Nvidia en tareas que no requieren las interconexiones más avanzadas ni grandes cantidades de memoria. Para entrenar modelos de frontera, Alibaba sigue dependiendo de los sistemas de Nvidia mientras comprueba cómo funciona el nuevo chip a gran escala.

El proyecto Kunlun de Baidu es una de las líneas de aceleradores de IA de desarrollo nacional con más trayectoria en China. Los primeros chips Kunlun se centraban en la inferencia, es decir, el proceso de ejecutar modelos ya entrenados. Con Kunlun P800, Baidu está realizando experimentos de entrenamiento para nuevas versiones de Ernie con el fin de validar la estabilidad, el rendimiento y la preparación de su conjunto de software. La principal ventaja de Baidu es su integración vertical: la empresa desarrolla los modelos Ernie, gestiona grandes clústeres en la nube y controla el marco de trabajo PaddlePaddle, lo que le da más libertad para diseñar conjuntamente el hardware y el software y mejorar la eficiencia.

Cómo las normas de exportación de EE. UU. reconfiguraron el mercado

Washington ha endurecido progresivamente los controles desde 2022, cuando los umbrales de rendimiento para los aceleradores de IA empezaron a limitar lo que los proveedores estadounidenses podían enviar a China. Durante un tiempo, las alternativas, como las GPU especiales para China con un ancho de banda de interconexión reducido, mantuvieron parte del suministro. Las nuevas medidas anunciadas en los años siguientes limitaron esas vías. Las plataformas de Nvidia de mayor rendimiento, como H100 y los componentes Blackwell más recientes, siguen fuera del alcance de China. Nvidia creó el H20, una opción menos potente concebida para cumplir las normas estadounidenses, pero estudios del sector indican que, desde abril de 2025, incluso el envío de estos componentes requiere licencias de exportación, lo que aumenta las dificultades y la incertidumbre para los compradores chinos de chips estadounidenses.

Las grandes plataformas chinas de internet y servicios en la nube han respondido con un plan de dos vías: adquirir lo que puedan en el extranjero y, al mismo tiempo, invertir fuertemente en aceleradores nacionales. El entorno normativo también favorece las soluciones locales. Los clientes gubernamentales y de infraestructuras críticas prefieren cada vez más el hardware diseñado y respaldado dentro de China, lo que anima a los proveedores de servicios en la nube a demostrar que los aceleradores chinos pueden gestionar cargas de trabajo de producción a un costo aceptable y con un rendimiento previsible.

Nvidia reconoce que el panorama competitivo está cambiando y que los clientes tienen incentivos para diversificar sus opciones. Un portavoz de la empresa admitió esa realidad y destacó que Nvidia quiere seguir prestando servicio a desarrolladores de todo el mundo.

«La competencia ha llegado, sin duda. Seguiremos esforzándonos por ganarnos la confianza y el apoyo de los desarrolladores generalistas en todas partes».

Qué tan cerca están los chips nacionales de los de Nvidia

La respuesta depende de la tarea. Los informes de ingenieros que han utilizado el acelerador más reciente de Alibaba apuntan a un rendimiento equivalente al del H20 de Nvidia en algunas tareas de entrenamiento y con modelos de menor tamaño. Es un avance significativo para una plataforma joven. Para los modelos más grandes y los calendarios de entrenamiento más exigentes, Nvidia sigue teniendo ventaja gracias a su mayor capacidad máxima de cálculo, sus interconexiones más rápidas entre GPU, sus compiladores más maduros y un amplio ecosistema de bibliotecas optimizadas. Los chips como el H100 y los diseños Blackwell más recientes siguen siendo el estándar para entrenar modelos de última generación fuera de China.

El entrenamiento y la inferencia son tareas distintas

El entrenamiento de IA es el proceso de enseñar a un modelo mediante el ajuste de miles de millones de parámetros a lo largo de muchas rondas de análisis de datos. Lleva el hardware al límite en capacidad de cálculo y ancho de banda de memoria, y requiere conexiones muy rápidas entre aceleradores para que miles de chips puedan sincronizarse con eficiencia. La inferencia ocurre después del entrenamiento. El modelo ya ha aprendido y el sistema genera resultados para los usuarios en tiempo real. La inferencia prioriza la baja latencia, la eficiencia de costos y el ahorro de energía. Un chip excelente para la inferencia o para entrenar modelos más pequeños aún podría quedarse corto en entrenamientos de varios meses con modelos muy grandes, porque la red de comunicación entre chips y la coordinación del software se convierten en cuellos de botella.

El conjunto de software es tan importante como el chip

El dominio de Nvidia nunca se ha basado únicamente en sus chips. Su plataforma CUDA, bibliotecas como cuDNN y TensorRT, y una amplia gama de herramientas de sus socios hacen que el desarrollo sea sencillo y el rendimiento, previsible. Las plataformas chinas están creando sus propios conjuntos de software para los aceleradores nacionales. PaddlePaddle, de Baidu, y las herramientas en la nube de Alibaba ya son compatibles con sus chips, y ambas empresas pueden adaptar los kernels y compiladores de grafos a sus propios modelos. Ese control puede mejorar la eficiencia, pero también implica que los desarrolladores externos podrían tener que aprender a usar el hardware nacional al migrar su código. Si Alibaba y Baidu hacen que estas transiciones sean sencillas en sus nubes, a los clientes podría importarles más el precio, la disponibilidad y el nivel de servicio que la marca del chip.

Estrategia empresarial y reacción del mercado

Los inversores recibieron con satisfacción las señales de que los líderes chinos de internet pueden asegurar capacidad de cálculo para IA sin depender por completo de las importaciones. Las acciones de Alibaba y Baidu subieron tras conocerse las nuevas implementaciones, lo que refleja la expectativa de que una base de suministro más resiliente respalde sus planes de desarrollo de productos y reduzca el riesgo de retrasos. Un chip de desarrollo nacional que resulte adecuado para una gran proporción de las tareas de entrenamiento también puede reducir los costos operativos a largo plazo si es más fácil de adquirir y ampliar en los centros de datos del país.

La lógica estratégica va más allá de los costos y el suministro. Alibaba Cloud y Baidu Cloud prestan servicios a empresas y clientes del sector público que suelen preferir el hardware de diseño local. Ofrecer capacidad de cálculo con aceleradores nacionales puede ayudar a ganar contratos para cargas de trabajo sensibles y, al mismo tiempo, cumplir las preferencias regulatorias en materia de seguridad y localización de los datos. Aun así, ambas empresas parecen apostar por una combinación pragmática: mantener los sistemas de Nvidia para los problemas más difíciles y recurrir a los chips nacionales para las numerosas tareas en las que el rendimiento es comparable y la relación entre costo y rendimiento resulta atractiva.

Limitaciones de la cadena de suministro y la fabricación

Diseñar un acelerador de IA competitivo es solo una parte del desafío. También son importantes la fabricación, el empaquetado y el suministro de memoria. Los chips de mayor rendimiento se fabrican hoy con los nodos de proceso más avanzados y dependen de pilas de memoria de alto ancho de banda empaquetadas cerca del procesador. Las fundiciones de China han avanzado, pero todavía no igualan a los nodos más avanzados del extranjero. Las decisiones de diseño acertadas, un empaquetado eficaz y un software eficiente pueden compensar en parte esa brecha, pero esta sigue afectando al rendimiento máximo y a la eficiencia energética.

La disponibilidad de memoria de alto ancho de banda es otra limitación, ya que el entrenamiento de modelos grandes consume cantidades enormes de ancho de banda y capacidad de memoria. Los proveedores de servicios en la nube gestionan estas limitaciones distribuyendo las cargas de trabajo entre más chips, optimizando los formatos de precisión y programando tareas que se ajusten a las fortalezas de cada plataforma. En ese contexto, un acelerador nacional bien integrado en el conjunto de software de la nube y fácil de adquirir puede asumir una parte importante del trabajo, aunque su rendimiento teórico máximo no alcance el de los mejores componentes extranjeros.

Qué significa para desarrolladores y clientes

A los clientes de Alibaba y Baidu les interesan tres cosas: cuánto tardan en obtener capacidad, la fiabilidad y el costo total de una tarea de entrenamiento o de una carga de trabajo de inferencia. Si los aceleradores nacionales reducen las listas de espera y ofrecen un rendimiento constante con marcos de trabajo conocidos, muchos equipos los adoptarán sin grandes dificultades. Los desarrolladores de modelos quizá tengan que volver a ajustar los kernels o adoptar herramientas específicas de cada proveedor para obtener el máximo rendimiento, pero es una práctica habitual en la computación de alto rendimiento. A corto plazo, es probable que se utilicen clústeres mixtos y políticas de planificación que asignen las tareas al mejor hardware disponible: los entrenamientos de los modelos de frontera más grandes seguirán realizándose en sistemas de Nvidia, mientras que un número creciente de tareas convencionales se ejecutará en chips de Alibaba y Baidu.

Qué observar a continuación

Dos hitos destacan para el próximo año. El primero es el régimen de licencias para los envíos de aceleradores estadounidenses a China, que, según investigadores del sector, abarcará componentes como Nvidia H20 y AMD MI308 a partir de abril de 2025. El segundo es la evidencia en condiciones reales de que los chips de Alibaba y Baidu pueden gestionar entrenamientos de producción a gran escala, y no solo pruebas de laboratorio. Los resultados en modelos conocidos, los estudios de casos de clientes y la velocidad con la que se agoten las instancias en la nube basadas en aceleradores nacionales permitirán evaluar los avances. Conviene seguir de cerca la rapidez con la que maduran los ecosistemas de software en torno a estos chips, incluido el respaldo de marcos de trabajo populares y herramientas de terceros. También hay que observar cómo otras plataformas chinas, incluidas las que desarrollan sus propios aceleradores o compran a proveedores nacionales, distribuyen su inversión entre las GPU importadas y las opciones locales a medida que ponen en marcha nuevos proyectos.

Puntos clave

• Alibaba y Baidu han comenzado a entrenar modelos de IA con chips de diseño propio, mientras mantienen los sistemas de Nvidia para los trabajos más exigentes.
• El acelerador más reciente de Alibaba se utiliza para tareas de entrenamiento más pequeñas y, según empleados, compite con el H20 de Nvidia en algunas tareas.
• Baidu está probando su Kunlun P800 con nuevas versiones del modelo Ernie y aprovechando su control del marco de trabajo PaddlePaddle.
• Los controles de exportación de EE. UU. limitan el acceso a los componentes más avanzados de Nvidia, y estudios del sector apuntan a nuevos requisitos de licencia para los envíos de H20 a China en 2025.
• Nvidia afirma que seguirá trabajando para ganarse la confianza de los desarrolladores a medida que se intensifica la competencia.
• Los aceleradores nacionales ya son adecuados para una proporción creciente de las cargas de trabajo, aunque Nvidia sigue a la cabeza en el entrenamiento de modelos de frontera a gran escala.
• Los ecosistemas de software son un factor clave, y Alibaba y Baidu adaptan sus herramientas al hardware propio.
• Los inversores reaccionaron positivamente al considerar que se reducen los riesgos de suministro y aumenta el control sobre los planes de desarrollo de IA.
• La fabricación y el suministro de memoria siguen siendo limitaciones, aunque un diseño inteligente y la integración con la nube pueden compensar algunos de sus efectos.
• Se prevén clústeres mixtos en las nubes de China, con planificadores que asignarán las tareas entre chips nacionales y GPU importadas.