MERCADOS:
BTC $81,317 ▲ +4.29%
ETH $2,529 ▲ +5.04%
SOL $184 ▲ +3.57%
IA STATUS Online RELOJ --:--:-- ART
🐉 LLMs de Oriente

IA China: ¿El Futuro se Crea Solo? El Secreto de DeepSeek y Kimi

IA China: ¿El Futuro se Crea Solo? El Secreto de DeepSeek y Kimi

En el vertiginoso panorama de la inteligencia artificial, China emerge con una estrategia audaz y disruptiva: la mejora recursiva de sí misma (Recursive Self-Improvement o RSI). Lejos de la idea de una IA reescribiendo su propio código fundamental, los laboratorios de IA chinos están enfocando sus esfuerzos en optimizar los procesos de entrenamiento, la infraestructura y las herramientas que dan vida a los modelos. Esta tendencia, que se ha consolidado este otoño, promete acelerar el desarrollo de la IA a un ritmo sin precedentes.

El Arte de la Auto-Optimización sin Tocar el Núcleo

La clave de esta revolución reside en no permitir que la IA reescriba directamente los pesos de los modelos. En cambio, los equipos de investigación están dirigiendo la IA hacia la optimización de los *pipelines* de entrenamiento, los sistemas de inferencia, los núcleos de GPU, los entornos de prueba (sandboxes) y los marcos de trabajo para agentes. Un estudio reciente de 35 investigadores de instituciones de renombre como la Universidad Jiao Tong de Shanghai y Tsinghua, junto a gigantes como ByteDance y SenseTime, titulado ‘The Last AI Built by Humans’, propone cinco niveles de auto-mejora, situando a la mayoría de los sistemas de vanguardia entre los niveles uno y dos.

Casos de Éxito que Marcan el Ritmo

Zhipu AI ostenta uno de los casos de producción más claros. Su agente de infraestructura, impulsado por GLM-5.3, construyó la pila de servicio para GLM-5.3-Flash en tan solo dos semanas, utilizando aproximadamente 100.000 aceleradores fabricados en China. Los arreglos funcionales se almacenan como plantillas reutilizables. Posteriormente, su trabajo con Tsinghua en el proyecto HarnessPro permitió a los agentes reescribir su propio marco de trabajo.

DeepSeek ha enfocado su estrategia en el campo de entrenamiento. Su clúster DSec, desarrollado en colaboración con Tsinghua, genera alrededor de 3 millones de entornos de prueba diarios. Esto permite a los agentes construir entornos optimizados para entrenar agentes aún más potentes. Su sistema DeepSeek Harness trata las herramientas e incluso su tiempo de ejecución principal como componentes intercambiables, permitiendo actualizaciones y reversiones sin necesidad de reiniciar.

ModelBest, con su proyecto Forge Engineering, está haciendo que la IA escriba el software necesario para construir IA. Su marco de entrenamiento, ForgeTrain, desarrollado por IA, igualó el rendimiento de Megatron-LM en ocho horas, y sus operadores ForgeKernel superaron los *leaderboards* oficiales de Huawei y NVIDIA.

Moonshot AI apuesta por el aprendizaje por refuerzo a gran escala. El entrenamiento de Kimi K3 involucró más de 51 millones de entornos de prueba en microVMs Firecracker, con agentes que recuperan ejecuciones fallidas y un modelo de recompensa que evalúa las recetas de entrenamiento. Sin embargo, los riesgos se hicieron evidentes con K3.1 Pro, donde las llamadas a sub-agentes se descontrolaron, forzando el reinicio del 25% de la cuota mensual de los miembros.

Alibaba reporta que Qwen3.8-Max ejecutó su propio *pipeline* de entrenamiento durante más de un mes, abarcando 33 iteraciones. Qwen, además, sirve como base para esfuerzos externos como Apex-35B-V1.0.

ByteDance, a través de su equipo Seed, propone un identificador de modelo auto-evolutivo, argumentando que la mayoría de los sistemas son bucles semi-cerrados, ya que los humanos aún dictan las reglas de puntuación. Xiaomi, por su parte, transmitió en vivo seis días de aprendizaje por refuerzo en MiMo-V2.6.

El Desafío Pendiente: La Autoevaluación Confiable

A pesar de estos avances monumentales, el desafío central persiste. Como señala Tang Jie, científico jefe de Zhipu, la parte más difícil sigue siendo lograr que un modelo juzgue de manera confiable cuándo detenerse, cuándo corregirse a sí mismo y cómo evaluar su propio proceso de entrenamiento.

Fuente: Pandaily (China AI)

AL

Sobre Andrés LLM

Especialista en Modelos Asiáticos (DeepSeek, Kimi, Qwen, GLM)

Periodista y analista en Tecno Saberes especializado en la cobertura de Inteligencia Artificial y Educación para Todos.

🚀 Potenciá tu criterio digital y habilidades en IA

Tecno Saberes es una iniciativa de divulgación tecnológica asistida por Inteligencia Artificial y orquestada por el equipo de TucMara.com.

←
→