China ha dado un paso de gigante en su carrera por la autonomía tecnológica. Según fuentes del sector, el país asiático ha conseguido reunir más de 100.000 aceleradores de inteligencia artificial de fabricación nacional en un único superclúster de computación. El hito es impresionante, pero plantea un problema mayúsculo: lograr que todos esos chips trabajen juntos de forma eficiente.
El clúster, cuyo nombre en código sería «Jiaolong» (dragón de las profundidades), estaría desplegado en una instalación en la provincia de Guangdong y utilizaría exclusivamente aceleradores domésticos, principalmente los Huawei Ascend 910B y versiones posteriores, junto con chips de otras empresas chinas como Cambricon y Biren Technology. La cifra de 100.000 chips lo sitúa a la altura de los mayores superclústeres de IA del mundo, dominados hasta ahora por NVIDIA y sus GPU H100/B200.
El problema del software y la interconexión
El gran desafío no es fabricar los chips —China ya produce decenas de miles de aceleradores— sino conseguir que trabajen coordinadamente. En los clústeres de NVIDIA, la combinación del software CUDA, el interconectado NVLink y la memoria unificada permite que miles de GPU trabajen como si fueran una sola. China carece de un ecosistema equivalente.
Para resolverlo, el gobierno chino ha puesto en marcha un programa que obliga a los fabricantes de chips a estandarizar sus interfaces de comunicación. El objetivo es crear una capa de software común que permita que aceleradores de distintos fabricantes (Huawei, Cambricon, Biren) se coordinen dentro de la misma red. Es lo que los ingenieros llaman «orquestación heterogénea» y es uno de los problemas más complejos de la computación distribuida actual.
Rendimiento real vs. teórico
En teoría, 100.000 aceleradores Ascend 910B ofrecen una potencia de cálculo bruta descomunal, del orden de los exaflops en precisión reducida (FP8/FP16). Sin embargo, las primeras pruebas internas sugieren que la eficiencia real del clúster ronda apenas el 30-40% de su capacidad teórica, muy lejos del 70-80% que consiguen los sistemas equivalentes con NVIDIA.
La discrepancia se debe principalmente a dos factores: la latencia en la comunicación entre chips cuando se mezclan distintos fabricantes, y la falta de un ecosistema de librerías optimizadas como cuDNN o TensorRT. Los ingenieros chinos están trabajando contrarreloj para desarrollar alternativas domésticas a estas herramientas.
Una carrera con implicaciones geopolíticas
Este proyecto no es solo una cuestión técnica. Las sanciones de Estados Unidos han cortado el acceso de China a los chips más avanzados de NVIDIA (H100, B200 y Blackwell). Pekín responde con una estrategia de sustitución de importaciones a gran escala: si no pueden comprar los mejores chips del mundo, fabricarán los suyos propios y los harán funcionar en manada.
La pregunta que se hacen los expertos es si esta estrategia funcionará. Por un lado, China tiene recursos ilimitados y voluntad política. Por otro, construir un ecosistema de software competitivo con CUDA no se logra en unos años —es el resultado de casi dos décadas de inversión continua de NVIDIA.
Lo que viene
Se espera que el clúster «Jiaolong» entre en producción plena a finales de 2026, y sus primeros usos serán el entrenamiento de modelos de lenguaje de gran escala (LLM) domésticos —alternativas a GPT-4 y Claude— y aplicaciones de visión artificial para defensa y vigilancia.
El resultado de este experimento definirá en buena medida el futuro de la industria de la IA: o China demuestra que se puede prescindir de NVIDIA y construir soberanía tecnológica en IA, o confirma que el ecosistema CUDA es un foso imposible de cruzar. Sea cual sea el desenlace, el mundo estará mirando.
