Facilísimo olvidar cómo colapsó ZTE en 2018 en una sola noche. Solo una orden de Estados Unidos, y una empresa de 80,000 empleados ya no podía hacer nada. Sin chips Qualcomm, sin licencia de Google—todo terminado. Ahora, ocho años después, vemos una historia completamente diferente en la industria de IA de China.

La verdad es que no es realmente el chip el problema. Sabemos que CUDA es la verdadera barrera—la plataforma de computación creada por NVIDIA hace más de diez años, y que ahora cuenta con más de 4.5 millones de desarrolladores en todo el mundo. Todo este ecosistema es como un volante de inercia que casi es imposible de detener. Pero en esta ocasión, las empresas chinas de IA no eligieron una lucha directa. Optaron por un camino más racional.

Desde finales de 2024, vimos cómo cambió la estrategia. Los modelos híbridos expertos se convirtieron en el enfoque—modelos que ya no necesitan ejecutar todo el sistema para cada tarea. Mira el DeepSeek V3: 671 mil millones de parámetros, pero solo el 5.5% activo en cada inferencia. ¿El costo de entrenamiento? Apenas unos 5.6 millones de dólares. En comparación, GPT-4 alcanzó los $78 m millones. Solo una séptima parte del precio.

Y el precio de su API es realmente un cambio de juego. Token de entrada a $0.028 hasta $0.28 por millón, mientras que GPT-4o cuesta $5. Es 25 a 75 veces más barato. Esto no es solo una estrategia de marketing—es un cambio estructural en cómo funciona la industria de IA. En febrero, en OpenRouter, el uso semanal de modelos chinos aumentó un 127% en solo tres semanas. Ya superan a Estados Unidos.

Pero el verdadero avance está en la infraestructura. En Jiangsu, construyeron una línea de producción de 148 metros de longitud para servidores con chips Loongson 3C6000 y TaiChu Yuanqi. Desde el acuerdo hasta la operación, solo 180 días. Y ahora, los clústeres de chips locales comienzan a entrenar modelos grandes completos—no solo inferencia. Esa es una transformación cualitativa. En enero, el GLM-Image se convirtió en el primer modelo de generación de imágenes SOTA entrenado completamente con chips locales. En febrero, China Telecom completó el entrenamiento completo de su modelo de mil millones de parámetros en Shanghái usando un pool de computación local.

En el ecosistema Ascend de Huawei, ahora hay 4 millones de desarrolladores, más de 3,000 socios y 43 modelos principales pre-entrenados con Ascend. La potencia de computación FP16 del Ascend 910B ya alcanza el nivel del NVIDIA A100. Aún no es perfecto, pero ya funciona. Y construir el ecosistema no debe esperar a que sea perfecto—hay que aprovechar la demanda real del negocio para impulsar el desarrollo.

La situación energética añade otra capa de ventaja. Virginia y Georgia han pausado nuevos permisos para centros de datos debido a restricciones de energía. Se espera que en 2030, los centros de datos en EE. UU. consuman 426 teravatios-hora—posiblemente más del 12% del consumo total de electricidad. Pero en China, la generación anual de energía es de 10.4 billones de unidades, 2.5 veces la de EE. UU. Y el precio industrial de electricidad en el oeste de China es de $0.03 por kilovatio-hora—la mitad o una quinta parte de los $0.12-$0.15 en EE. UU.

Así que mientras EE. UU. se preocupa por la energía, China construye silenciosamente su poder de computación y produce tokens para el mercado global. La distribución de usuarios de DeepSeek es clara: 30.7% en China, 13.6% en India, 6.9% en Indonesia, 4.3% en EE. UU., 3.2% en Francia. Hay 26,000 empresas en todo el mundo, 3,200 instituciones en la versión empresarial. En China, tienen el 89% del mercado. En otros países, entre 40 y 60%.

El paralelo con la tragedia de los semiconductores en Japón es claro. En 1986, Japón firmó el Acuerdo de Semiconductores EE. UU.-Japón bajo presión, y se volvieron dependientes del control externo. Su cuota de mercado cayó del 51% al 7%. La lección es simple: si no construyes tu propio ecosistema, perderás la industria.

En la IA actual, China eligió un camino más difícil—desde la optimización extrema de algoritmos, hasta escalar chips locales desde inferencia hasta entrenamiento, pasando por desarrollar 4 millones de desarrolladores en el ecosistema Ascend, y exportar tokens a nivel global. Cada paso requiere dinero real, pérdidas reales a corto plazo. Pero ese es el costo de la independencia.

El 27 de febrero, tres empresas locales de chips de IA reportaron resultados. Cambrian, +453% en ingresos, primer año rentable. Moore Threads, +243% en ingresos pero con una pérdida de 1 mil millones. Muxi, +121% en ingresos pero con una pérdida de 8 mil millones. Medio fuego, medio agua. Pero el mercado necesita una alternativa a NVIDIA. Y esto es una oportunidad geopolítica que no se puede dejar pasar. Cada pérdida es una inversión en la independencia, y ese es el verdadero progreso.