Una modelo de lenguaje propia todavía no hace que la inteligencia artificial sea soberana. Para entrenar y ejecutar modelos grandes se necesitan aceleradores, memoria rápida, servidores y un entorno de software, y en estos ámbitos la industria rusa depende en gran medida de proveedores extranjeros. No aparecerá una sustitución completa a corto plazo: harán falta años e inversiones cuantiosas.
El director ejecutivo de RAKIB, Alexander Brazhnikov, evaluó los límites reales de la independencia tecnológica en el ámbito de la IA y señaló los principales cuellos de botella del sector.
Qué puede producir Rusia por sí misma
La brecha más visible está en la producción de aceleradores de vanguardia. Según el viceprimer ministro Denís Mantúrov, en el país se producen en serie microsistemas con normas de 300, 200, 130 y 90 nanómetros. Para pasar a procesos técnicos más finos se necesitará equipo propio para la producción de chips.
El proceso técnico por sí solo no determina la velocidad del procesador. Pero un acelerador moderno, con el que se entrenan modelos grandes, necesita además memoria rápida, un empaquetado complejo de cristales y una transmisión eficiente de datos. Si falta al menos un componente, el dispositivo pierde capacidades.
En Rusia desarrollan sus propios aceleradores el NTC «Módul», el NPC «Elvis» y «Hightech». Sin embargo, un neuroprocesador especializado y un procesador gráfico universal resuelven tareas distintas y no siempre son intercambiables. La directora general de SNDGLOBAL, Olga Kvashenkina, estimó que un acelerador de nicho en un proceso técnico de 28–65 nm necesita de dos a cuatro años para recorrer el camino desde un prototipo maduro hasta un producto en serie, y eso con pedidos garantizados y apoyo estatal. Un GPU universal de nivel mundial es una tarea un orden de magnitud más compleja.
Incluso un chip listo no cierra la cuestión. Se necesitan producción en serie, servidores compatibles, suministros estables de componentes y software que haga funcionar el equipo con cargas reales.
Hay una disputa aparte sobre qué chip debe considerarse nacional. El Ministerio de Industria y Comercio discutió un sistema de localización de aceleradores para incluirlos en el registro de radioelectrónica rusa, y uno de los expertos admitió que una arquitectura rusa producida en China o el Sudeste Asiático podría servir de base para tal estatus. Brazhnikov subrayó que el lugar de desarrollo y el lugar de producción son cosas distintas. Una arquitectura propia desarrolla competencias de ingeniería, pero la dependencia de fábricas, equipos y materiales ajenos no desaparece, y una anotación formal en el registro no la elimina.
Los chips chinos escasean incluso en China
En primavera, el jefe de Sberbank, German Gref, declaró que el banco espera trasladar GigaChat a microsistemas chinos. No se informó sobre un contrato firmado ni sobre modelos concretos de chips. Las mayores empresas de internet chinas —ByteDance, Tencent y Alibaba— mientras tanto buscaban por su cuenta aceleradores Huawei Ascend 950.
China aumenta la producción de chips de IA, pero todavía no puede cubrir por completo la demanda interna. En el primer semestre se entregaron en el país 2,008 millones de aceleradores para centros de datos. Nvidia tiene 678 mil dispositivos y el 34% del mercado; Huawei, 572 mil y el 28%. Los suministros de Nvidia cayeron un 44% interanual, los de Huawei crecieron. La estructura del mercado también cambia: se entregaron un 26% menos de procesadores gráficos, 991 mil, y casi un 80% más de otros aceleradores de IA, 1,016 millones. El número de dispositivos, sin embargo, no dice nada sobre su potencia total, pues su arquitectura y finalidad son distintas.
Los fabricantes chinos planeaban lanzar en 2026 unos 3,5 millones de chips de IA con una demanda superior a 5 millones. Las empresas cubrieron la escasez con tarjetas gráficas de videojuegos y profesionales de Nvidia. ByteDance, Alibaba y Tencent encargaron más de 3 millones de tarjetas Nvidia RTX PRO 5500 por un valor total superior a 35.000 millones de dólares, y además Nvidia no garantizó el suministro de todo el volumen. Tales tarjetas sirven para la inferencia, es decir, la generación de respuestas por un modelo ya entrenado, pero no sustituyen a los aceleradores de servidor en el entrenamiento de modelos grandes.
Para Rusia, el equipo chino es otro canal de suministro. Pero su disponibilidad depende de las capacidades de los fabricantes y del apetito del propio mercado chino. El giro hacia el Este cambia la estructura de la dependencia, no la elimina.
El ecosistema sujeta más fuerte que el hardware
La fuerza de Nvidia no está solo en las características de sus chips. El vicepresidente del consejo de Sberbank, Alexander Vedyakhin, señaló en verano la importancia de CUDA, la plataforma sobre la que se construye la mayor parte de las herramientas para desarrollar y ejecutar cargas de IA.
A lo largo de los años se ha formado alrededor de CUDA un ecosistema de bibliotecas, controladores, compiladores y herramientas de desarrollo. Cambiar a otra arquitectura implica reescribir parte del código, volver a comprobar la compatibilidad y ajustar el rendimiento al nuevo equipo. Por eso comparar los precios de los aceleradores no muestra el costo real de la transición.
Las empresas chinas intentan eliminar esta barrera. En septiembre, DeepSeek anunció el desarrollo conjunto con Huawei de herramientas para los aceleradores Ascend, incluidas bibliotecas abiertas de cálculo e intercambio de datos, y mostró una solución con 128 aceleradores Ascend 950. Pero el mero hecho de que aparezcan tales herramientas no demuestra que ofrezcan un rendimiento comparable en una amplia gama de tareas. Se necesitan pruebas con modelos y cargas reales.
Cuánto cuesta mudarse a otra plataforma
El precio del chip es solo una parte de los gastos. A esto se suman el trabajo de los ingenieros, la adaptación del código, la verificación de la corrección de los cálculos, una posible caída del rendimiento y el mantenimiento del sistema. Un equipo barato puede resultar más caro en explotación si para el mismo resultado se necesitan más dispositivos o un desarrollo adicional.
El preprint del investigador Zheng Yu mostró cómo se ve esto en la práctica. El autor ejecutó dos tareas de inferencia en un sistema de 16 aceleradores Huawei Ascend 910 con el stack de software CANN y vLLM-Ascend. Para que el módulo funcionara de forma estable, hubo que introducir 12 correcciones en el código fuente. Parte de las funciones que aceleran el trabajo se desactivaron en aras de la precisión de los cálculos, y para protegerse de fallos se añadieron mecanismos de control y recuperación. El rendimiento en uno de los escenarios alcanzaba el óptimo con aproximadamente cuatro flujos paralelos de solicitudes, y con seis o más la cola se saturaba, aumentaban los errores y los tiempos de espera. La preparación del sistema para la primera solicitud tardaba varios minutos.
Son resultados para una configuración concreta, y no se pueden trasladar a todos los aceleradores Huawei ni comparar directamente con Nvidia. Pero el ejemplo muestra el volumen de trabajo que se esconde detrás de las palabras «cambiar a otra plataforma».
Vale la pena comparar las plataformas con los mismos modelos y cargas según toda una serie de parámetros:
- tiempo y esfuerzo laboral para migrar el software;
- rendimiento, latencia de respuesta y calidad del resultado;
- consumo energético y costo de procesar un número dado de solicitudes;
- frecuencia de fallos y costos de mantenimiento;
- precio de una nueva mudanza, si el sistema tuviera que trasladarse otra vez.
Las pruebas estandarizadas MLPerf Inference ayudan con parte de estas cuestiones. En la versión 6.1, publicada por MLCommons en septiembre, aparecieron una prueba integral de RAG y una prueba de inferencia agéntica. Pero tales benchmarks miden el rendimiento con cargas dadas, no el costo de migrar el stack ni el costo total de propiedad. No hay en los datos abiertos una evaluación universal de los gastos de pasar de Nvidia a Ascend o a chips rusos, y sin pruebas comparables cualquier porcentaje o suma promediados dice poco.
Se puede reducir la dependencia sin sustituir los chips
La necesidad de cómputo se puede reducir gracias a modelos especializados compactos y a la optimización de su funcionamiento. Para analizar documentos, clasificar solicitudes o una operación bancaria concreta no siempre se necesita un modelo universal. Una solución específica funciona con equipo menos potente y sale más barata, y la compresión del modelo y la optimización de la inferencia ayudan a sacar más provecho de los aceleradores existentes.
Para entrenar modelos grandes, de todos modos se necesitará una infraestructura potente. El resultado depende de la tarea y de cuánto se logre recortar el gasto computacional sin perder la calidad requerida.
Otro camino es el software que admite varias plataformas de hardware. Si un modelo se ejecuta en distintas arquitecturas sin una larga reelaboración del código, el cliente elige el equipo con más libertad. En tal esquema, los aceleradores rusos pueden cubrir tareas aplicadas concretas, aunque no lleguen a ser un sustituto universal de los líderes mundiales.
La soberanía como posibilidad de elección
Rusia no tiene la obligación de producir por sí misma cada componente de la infraestructura de IA. Pero los modelos propios no darán autonomía tecnológica mientras su entrenamiento y ejecución dependan de equipos cuyos suministros puedan interrumpirse por causas externas. Los aceleradores chinos amplían la elección, los desarrollos rusos pueden ocupar nichos, los modelos compactos reducen la carga. Ninguna de estas soluciones por separado elimina la dependencia.
Esta se vuelve crítica en el momento en que la paralización de los suministros o un cambio de condiciones por parte de un solo fabricante pone en peligro todo el sistema. La cuestión no es renunciar a los componentes extranjeros, sino disponer de una alternativa real. Si el sector podrá pasar a otra plataforma y seguir funcionando sin gastos excesivos y sin una grave pérdida de rendimiento: esa es la medida de la soberanía.
Análisis de Cryptalist: El caso demuestra que en la infraestructura de IA la barrera se desplaza del silicio al ecosistema de software: incluso con chips disponibles, el costo de la migración y la madurez del software determinan la independencia real. El mercado de aceleradores sigue de hecho monopolizado a nivel de CUDA, por lo que apostar por plataformas alternativas solo se justifica si en paralelo se optimizan los modelos y se usa software multiplataforma. Para los inversores, esto es una señal de que el capital en la región fluirá hacia el software aplicado y las soluciones de nicho, y no hacia intentos de alcanzar a los líderes en GPU universales.