Enrique Dans

Mi columna de esta semana en Invertia se titula «El imperio de las cajas negras descubre el miedo al código abierto» (pdf), y trata sobre la creciente inquietud con la que las grandes compañías estadounidenses de inteligencia artificial contemplan el avance de los modelos chinos abiertos, más baratos y desarrollados mediante una innovación metodológica que cuestiona la supuesta inevitabilidad de sus gigantescas inversiones en infraestructura.

La cuestión ha provocado una división muy significativa en Silicon Valley. Por un lado, OpenAI y Anthropic intentan convencer a la Administración estadounidense de que determinados modelos chinos deben someterse a restricciones, controles de seguridad o incluso sanciones, con el argumento de que pueden haber sido entrenados mediante procesos ilícitos de destilación. Por otro, compañías como Microsoft, Nvidia, Meta, IBM o Hugging Face han firmado una carta en defensa de los modelos de pesos abiertos, junto con numerosas startups que temen que cualquier prohibición termine consolidando el oligopolio de quienes ya controlan los modelos propietarios.

No estamos ante una discusión entre partidarios ingenuos de la apertura y responsables guardianes de la seguridad. Estamos ante empresas con intereses económicos muy diferentes. OpenAI y Anthropic necesitan preservar como sea la escasez de unos modelos extraordinariamente caros. Nvidia, en cambio, quiere que se ejecuten tantos modelos como sea posible sobre sus procesadores. Microsoft lo mismo,. porque vende la infraestructura necesaria para alojarlos. Meta intenta evitar que la capa de inteligencia de sus productos quede en manos de sus competidores. Hugging Face vive de que los desarrolladores puedan acceder a modelos, modificarlos y desplegarlos libremente. Cada uno tiene su agenda… pero obviamente, no todas las agendas son igual de respetables.

Mientras tanto, China ha convertido la apertura en una estrategia industrial. Modelos como DeepSeek, Qwen, GLM o el reciente Kimi K3 no pretenden simplemente alcanzar una posición destacada en un benchmark, sino conseguir que empresas, universidades y desarrolladores de todo el mundo construyan sobre ellos. Kimi K3, con 2.8 billones de parámetros, una ventana de contexto de un millón de tokens y una arquitectura diseñada para mejorar la eficiencia, se presenta explícitamente como «inteligencia de frontera abierta». Su recepción ha sido tan intensa que Moonshot tuvo que suspender temporalmente nuevas suscripciones por falta de capacidad.

Pero atribuir el avance chino únicamente al código abierto sería un error. Lo verdaderamente relevante es la innovación en estadística, matemáticas y arquitectura. DeepSeek ha popularizado técnicas como GRPO, un método de aprendizaje por refuerzo que permite mejorar el razonamiento comparando grupos de respuestas sin recurrir a un modelo crítico equivalente. A ello se añaden la mezcla de expertos, la atención latente, la predicción de múltiples tokens, la cuantización y una optimización cada vez más sofisticada de memoria, entrenamiento e inferencia.

Moonshot siguió una trayectoria similar con Kimi K2, cuya arquitectura utilizaba mayor dispersión en la mezcla de expertos y un optimizador propio para obtener más rendimiento por token. Kimi K3 profundiza en esa lógica: no se trata simplemente de utilizar menos procesadores, sino de reformular matemáticamente cómo se entrena y ejecuta un modelo.

Las restricciones estadounidenses a la exportación de chips pretendían frenar a China, pero con ello la obligaron a innovar. Cuando una compañía puede solucionar sus problemas comprando decenas de miles de procesadores adicionales, la fuerza que la empuja a replantearse sus métodos es relativamente escasa. Cuando ese hardware no está disponible, la eficiencia deja de ser una virtud y se convierte en una necesidad. En ese sentido, Estados Unidos puede haber creado involuntariamente el entorno que convirtió a China en un laboratorio extraordinariamente fértil de innovación metodológica.

La reacción de algunos laboratorios estadounidenses consiste ahora en intentar trasladar la competición desde el mercado hacia el regulador. La destilación obtenida mediante presunto fraude, incumplimiento contractual o accesos encubiertos debe investigarse, pero resulta difícil ignorar la contradicción de una industria que consideró legítimo entrenar sus modelos con cantidades masivas de textos, imágenes y código ajenos, y que ahora pretende convertir el aprendizaje a partir de los resultados de otros modelos en una presunta forma de espionaje industrial.

Los modelos chinos ya están ganando usuarios entre empresas y desarrolladores estadounidenses, no necesariamente porque sean siempre los mejores, sino porque son suficientemente buenos, baratos, modificables y capaces de ejecutarse sin quedar sometidos permanentemente a una API ajena. En una economía de agentes que trabajan continuamente y consumen millones de tokens, el coste deja de ser un detalle para convertirse en una decisión de arquitectura.

Estados Unidos construyó buena parte de su hegemonía tecnológica sobre internet, Unix, Linux y el conocimiento compartido. Resulta profundamente paradójico que ahora, cuando China ha aprendido a utilizar esa lógica como instrumento de influencia global, Silicon Valley pretenda presentarla como una amenaza. Cerrar el código puede proteger temporalmente los márgenes de algunos grandes laboratorios, pero difícilmente protegerá el liderazgo de un país cuya mayor ventaja histórica fue precisamente la capacidad de crear ecosistemas abiertos.

This article is also available in English on my Medium page, «Why Big AI wants to ban what it once championed»