Por qué los principales laboratorios de IA en China siguen entrenando sus modelos con chips de Nvidia

Por el contrario, el kit CANN (Compute Architecture for Neural Networks) de Huawei, incluso después de haber sido liberado como código abierto en agosto de 2025, sigue siendo mucho menos maduro en cuanto a cobertura de operadores, optimización y herramientas comunitarias . Los desarrolladores informan de que muchos núcleos optimizados para CUDA no tienen un equivalente directo en CANN, lo que obliga a reescribirlos manualmente .

Este ciclo de retroalimentación es difícil de romper: cuanto mayor es la comunidad de desarrolladores de Nvidia y más rica su biblioteca de código preoptimizado, más difícil es que las alternativas ganen tracción .

El coste del cambio: al menos un 50% más de tiempo y dinero

Un investigador de inteligencia artificial de un instituto afiliado a Shanghái calcula que cambiar el entrenamiento de CUDA de Nvidia a Ascend de Huawei añadiría al menos un 50% tanto en tiempo como en costes . Fuentes del sector confirman que esta cifra es un mínimo realista .

Esto incluye:

• Esfuerzo inicial de migración: el código de entrenamiento escrito para CUDA utiliza llamadas a núcleos específicos de la arquitectura, patrones de gestión de memoria y estrategias de paralelización que no se traducen directamente a la diferente arquitectura NPU de Ascend .
• Depuración y ajuste continuos: una vez migrado, los modelos deben reoptimizarse para lograr la paridad de rendimiento en la biblioteca de operadores más reducida de CANN .
• Pérdida de productividad: los desarrolladores deben aprender un nuevo conjunto de herramientas, y la comunidad más pequeña de CANN ofrece menos soluciones compartidas a problemas comunes.

El plan abandonado de DeepSeek R2: un caso concreto

Quizás el ejemplo más revelador de la brecha de software proviene de DeepSeek, uno de los laboratorios de inteligencia artificial más prominentes de China. Según se informa, DeepSeek abandonó los planes de entrenar su modelo R2 en las NPU Ascend de Huawei, citando problemas no resueltos de rendimiento y del conjunto de herramientas . Este es un caso concreto de un laboratorio de primer nivel que concluye que la alternativa doméstica no estaba lista para sus cargas de trabajo más exigentes.

Las brechas de rendimiento persisten

Si bien la NPU Ascend 910C de Huawei ha mejorado significativamente, los desarrolladores informan que todavía rinde por debajo de las GPU de la generación Hopper de Nvidia en tareas de entrenamiento distribuido a gran escala . La Ascend 910C, fabricada con el proceso mejorado de 7 nm de SMIC, ofrece aproximadamente un tercio del rendimiento BF16 de la B200 de Nvidia . Se espera que la próxima Ascend 950 de Huawei reduzca aún más esta brecha; los datos de Morgan Stanley muestran que la diferencia de rendimiento entre los chips chinos y el hardware compatible con las exportaciones de Nvidia se ha reducido significativamente .

La paradoja de la oferta: los chips Nvidia almacenados crean inercia

Paradójicamente, las restricciones a la exportación de Estados Unidos no han cortado por completo el suministro de Nvidia a China. Estados Unidos aprobó la venta del H200 a China, y Pekín bloqueó posteriormente su aceptación, pero los laboratorios chinos ya poseen enormes existencias de chips de Nvidia . ByteDance, Alibaba y Tencent gastaron colectivamente unos 16.000 millones de dólares para almacenar aproximadamente entre 1,3 y 1,6 millones de unidades H20 en previsión de una prohibición .

Esta base instalada crea una poderosa inercia: mientras el hardware existente de Nvidia siga funcionando, el alto coste de cambiar retrasa el paso a las alternativas domésticas .

La respuesta de 295.000 millones de dólares: el impulso a los chips domésticos en China

China no se queda quieta. En respuesta a estas barreras:

• Los fabricantes de chips chinos pretenden triplicar la producción nacional de chips de IA en 2026
• Pekín está redactando un plan de aproximadamente 295.000 millones de dólares (2 billones de yuanes) para conectar todos los centros de datos importantes de China en una única red de computación de IA para 2028, con al menos un 80% de los chips subyacentes de fabricación nacional
• Huawei liberó CANN como código abierto en agosto de 2025, publicando componentes principales como operadores, bibliotecas de dominio y tecnología de motor gráfico
• ByteDance firmó un contrato de 5.600 millones de dólares con Huawei para chips Ascend de IA en diciembre de 2025, con entregas a partir del primer trimestre de 2026

El progreso es real: la cuota de entrenamiento con chips domésticos pasó del 8% a principios de 2025 al 42% en abril de 2026 . Sin embargo, gran parte de esta adopción parece concentrarse en cargas de trabajo menos críticas y tareas de inferencia, más que en el entrenamiento de modelos frontera .

Perspectivas: una transición de varios años

La decisión de Huawei de liberar CANN como código abierto es un paso significativo hacia la construcción del ecosistema de desarrolladores del que disfruta CUDA . Pero la mayoría de los analistas coinciden en que la brecha del ecosistema de software —y no las especificaciones técnicas del hardware— tardará años en cerrarse . A corto plazo, los principales laboratorios de inteligencia artificial de China seguirán entrenando con chips de Nvidia mientras experimentan con implementaciones híbridas domésticas para cargas de trabajo menos críticas, y mientras el plan de Pekín de 295.000 millones de dólares para la red de computación intenta acelerar la transición .