xAI completa el preentrenamiento en dos meses: ventaja en velocidad y cuello de botella en la red eléctrica

¿Qué significa el preentrenamiento de dos meses?

Recientemente, Musk dijo que el ciclo de preentrenamiento de los modelos de vanguardia de xAI es de aproximadamente dos meses. Si este ritmo se mantiene, la competencia en la industria ya no consistirá en ver quién tiene más GPU, sino en ver quién las utiliza con mayor eficiencia. Según el clúster Colossus 2 de xAI y múltiples informes de investigación, han realizado muchas optimizaciones en su flujo de datos y arquitectura, pasando el preentrenamiento de “calcular por trimestre” a “calcular por mes”.

El impacto directo de esta velocidad es que, si el ritmo no cae, xAI podría lanzar gradualmente modelos de escala de billón de parámetros alrededor de mediados de 2026, generando presión en el cronograma contra OpenAI. Sin embargo, hay una condición para iterar a alta velocidad: una fuente de alimentación estable a nivel de gigavatios. Las aprobaciones eléctricas en Tennessee y Mississippi aún no han sido aprobadas; si se atasca cualquier eslabón, todo el progreso podría retrasarse.

La afirmación de “preentrenamiento de dos meses” se está difundiendo rápidamente en la comunidad de IA. Algunos analistas consideran que el diseño de clúster de xAI en un solo parque es una ventaja central para contrarrestar a competidores que dispersan su entrenamiento; SemiAnalysis señala que este ciclo comprimido permite que xAI entrene simultáneamente siete modelos de distintos tamaños (de 1T a 10T), mejorando en gran medida la eficiencia de exploración de arquitecturas. Pero la visión de los analistas de energía es diferente: la capacidad de la red eléctrica y el retraso en las aprobaciones son la restricción real e “innegociable”. En el frente de capital, la financiación de 20.000 millones de dólares de xAI y las cuotas de GPU de Nvidia indican que los inversores apuestan a que superará en la tercera trimestre de 2025 la capacidad de un solo centro de datos de Meta, en su “Prometheus”. Pero si esa apuesta se materializa o no, el requisito sigue siendo el mismo: “que no se corte la electricidad”.

• El entrenamiento en paralelo cambia el cálculo de la rentabilidad: al avanzar simultáneamente varias versiones de distintos tamaños, como 1T, 1,5T, 6T y 10T, xAI puede realizar experimentos de ablación a gran escala de forma directa, en lugar de escalar desde modelos pequeños, lo que podría aportar una mejora en la velocidad de adquisición de capacidades del 20% al 30%.
• OpenAI se ve lento en el tiempo: cuando Stargate aún está en planificación para 500k GPU, Colossus 2 ya está funcionando con 550k GPU.
• La cantidad de parámetros no es lo clave: el mercado discute mucho el tamaño de los parámetros, pero es la eficiencia del preentrenamiento lo que determina quién puede entregar antes capacidades útiles; actualmente, la valoración no está fijando de manera suficiente el riesgo energético.

Los parámetros grandes no significan ganar; lo clave es la velocidad de iteración

El término “parámetros de 10T” puede inducir a error. Los modelos más grandes no necesariamente son más fuertes (solo mira lo que se sabe de Gemini de Google). Lo que realmente determina el límite son la velocidad de experimentación y de iteración. Al comprimir el preentrenamiento a dos meses, xAI puede ya haber hecho varias rondas de prueba y error mientras el rival todavía no ha terminado una gran ronda de entrenamiento. Si aún usas “quién construye más centros de datos” para evaluar, podrías estar calculando mal el indicador.

Mi juicio: xAI se posiciona como “el laboratorio experimental de vanguardia con iteración más rápida”, pero si esa ventaja puede mantenerse depende de la infraestructura energética. Si ignoras el riesgo regulatorio y el de suministro eléctrico, es posible que ya te hayas quedado atrás; si eres builder y aciertas con la curva de eficiencia de xAI, podrás tomar ventaja antes de que OpenAI te alcance.

Importancia: Alta
Categoría: Tendencias de la industria, ideas técnicas, impacto en el mercado

Conclusión: Los participantes tempranos aún tienen ventaja. Los que más se benefician de forma directa son los builders y los inversores de mediano y largo plazo: los primeros deberían conectarse cuanto antes con las ventanas de iteración de productos que traerán el entrenamiento en paralelo y una mayor eficiencia de inferencia; los segundos necesitan completar la planificación antes de que se revaloren la aprobación eléctrica y los costos de consumo energético. Los que solo apuestan al “tamaño de los parámetros” y al “número de GPU” para operar a corto plazo, probablemente ya estén tarde.