La trayectoria de la computación ha mostrado un patrón recurrente de plataformas propietarias cediendo ante soluciones abiertas y más accesibles. Desde la autoedición de escritorio con PostScript hasta la web abierta con HTML y Linux, cada década ha presenciado una transformación fundamental. Actualmente, este ciclo se repite en el ámbito de la inteligencia artificial, donde el dominio de NVIDIA, cimentado en su plataforma CUDA, está siendo sistemáticamente desafiado.

El auge de NVIDIA en la IA no se debió únicamente a la velocidad de sus procesadores, sino a la fortaleza de CUDA, su plataforma de computación paralela y API lanzada en 2006. Durante 15 años, CUDA fue el camino más eficiente para los desarrolladores de redes neuronales profundas, creando un ecosistema cerrado que generó una dependencia significativa. Sin embargo, la historia tecnológica demuestra que el control propietario solo prevalece hasta que surge una capa de abstracción superior.

La erosión del ecosistema CUDA

En el presente, los ingenieros de IA no interactúan directamente con CUDA, sino que utilizan marcos de alto nivel como PyTorch, Triton y JAX, que abstraen la complejidad del hardware subyacente. Esta capa de abstracción permite que las cargas de trabajo se compilen en diferentes arquitecturas, debilitando la ventaja de software propietario de NVIDIA.

Paralelamente, los grandes proveedores de servicios en la nube están invirtiendo en Circuitos Integrados de Aplicación Específica (ASICs) diseñados específicamente para operaciones matriciales:

  • Google con sus Unidades de Procesamiento de Tensores (TPUs), que gestionan grandes modelos de lenguaje sin necesidad de código CUDA.
  • AWS con Trainium e Inferentia, que están ganando cuota en el entrenamiento y la inferencia de modelos empresariales.
  • Meta y Microsoft están desplegando silicio a medida (MTIA y Maia) a escala de centro de datos.

Estas iniciativas demuestran una clara estrategia para reducir la dependencia de las GPUs de NVIDIA y fomentar la innovación en hardware adaptado a las necesidades específicas de la IA.

Autonomía tecnológica en el Este y el "Paradigma de las Sanciones"

Las sanciones occidentales, destinadas a restringir el acceso de desarrolladores chinos a GPUs avanzadas como las series H100 o Blackwell, han tenido un efecto contraproducente. En lugar de frenar el avance tecnológico, estas restricciones actuaron como un catalizador para la autosuficiencia tecnológica, impulsando un desacoplamiento de hardware y software.

Este desacoplamiento se ha manifestado en dos frentes principales:

  • El desarrollo acelerado de la producción nacional de hardware de litografía de inmersión DUV.
  • La creación de marcos de aceleración de software de código abierto.

Empresas como Huawei han desarrollado CANN (Compute Architecture for Neural Networks) como una alternativa a CUDA para su línea de procesadores Ascend AI. Al adoptar un modelo de código abierto para CANN, Huawei ha permitido que otros fabricantes de chips en la región, como Cambricon y Hygon, se alineen con marcos de aceleración que son inherentemente independientes de las APIs propietarias estadounidenses.

En cuanto al hardware, a pesar del escepticismo inicial sobre la capacidad de las fundiciones orientales para producir silicio competitivo sin acceso a la litografía EUV más avanzada de ASML, empresas como SMIC están utilizando técnicas avanzadas de multipatrón y plataformas de diseño de chiplets con herramientas de litografía de inmersión DUV local. Esto les permite escalar la fabricación de aceleradores de IA de alta densidad sin depender de cadenas de suministro extranjeras.

El dominio de China en la IA de código abierto

Mientras las grandes empresas tecnológicas occidentales se inclinaban por arquitecturas de modelos cerrados y modelos de suscripción, los desarrolladores chinos tomaron la decisión estratégica de apostar por la IA de código abierto. Esta estrategia ha demostrado ser efectiva para captar la atención de los desarrolladores a nivel global.

Datos de plataformas como Hugging Face revelan que los modelos de laboratorios chinos, incluyendo Qwen de Alibaba, DeepSeek, Kimi y Zhipu GLM, representan una parte significativa de las descargas globales y las derivaciones de ajuste fino. El avance de DeepSeek, por ejemplo, se centra en la eficiencia estructural, desarrollando arquitecturas como Multi-head Latent Attention (MLA) y Mixture-of-Experts (MoE) de código abierto que igualan a modelos fronterizos cerrados con una fracción del costo computacional y de inferencia.

Al liberar los pesos del modelo bajo licencias permisivas (como Apache 2.0), Qwen de Alibaba ha generado cientos de miles de ajustes finos de código abierto en aplicaciones empresariales, de codificación y multimodales en todo el mundo.

Esta apertura ha establecido la IA de código abierto como un estándar global, permitiendo a desarrolladores de todo el mundo alojar, ajustar y ejecutar modelos de vanguardia en su propia infraestructura, eludiendo así las APIs de la nube propietarias de EE. UU. y las dependencias de CUDA.

La historia de la tecnología nos enseña que los estándares abiertos, los algoritmos accesibles y el silicio flexible prevalecen a largo plazo. La era de la monocultura de GPU está llegando a su fin, dando paso a un ecosistema más diverso y descentralizado, impulsado por ASICs personalizados en Occidente y un ecosistema de silicio independiente y de código abierto en Oriente.