Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
InfraestructuraAnálisis · En radarTG: @data_secrets (Data Secrets)→ original

En los pesos de seis modelos de IA chinos encuentran rastros de chips Blackwell prohibidos para exportación

Estados Unidos prohibió la exportación de chips Nvidia Blackwell a China, pero es difícil comprobar en qué hardware se entrenan los modelos. Un exempleado de OpenAI sostiene que parte de la huella de la GPU permanece en los pesos: los valores iniciales dependen de la semilla y del chip. Tras probar unas 6 billones de combinaciones, afirma haber encontrado rastros de Blackwell en seis modelos de cuatro laboratorios chinos. Por ahora es la afirmación de un solo autor, pero si se confirma, el método permitiría verificar las sanciones a partir de los pesos abiertos.

Procesado por IA desde TG: @data_secrets (Data Secrets); editado por Hamidun News
En los pesos de seis modelos de IA chinos encuentran rastros de chips Blackwell prohibidos para exportación
Fuente: TG: @data_secrets (Data Secrets). Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalTG: @data_secrets (Data Secrets) ↗
Editor jefe
DeepSeek-V4-Flash y MiniMax-M3rastros de B200 o B300
Kimi K3 y DeepSeek-V4-Proentre 2 y 3 mil GPU, clúster de ≈ $200 M
Dato clave #3Los modelos anteriores de esos mismos laboratorios se leen como Hopper

Blackwell es la nueva generación de aceleradores de Nvidia, y Estados Unidos prohibió suministrar estos chips a China. El problema es el control: las compras pueden ocultarse, el equipo puede alquilarse a través de terceros países, y un modelo terminado luce igual sin importar el hardware en el que se entrenó. Ahora un investigador independiente, exempleado de OpenAI, afirma haber encontrado la forma de identificar el chip de entrenamiento directamente a partir de los pesos abiertos. Según sus datos, hay rastros de Blackwell en seis modelos de cuatro laboratorios chinos. Por ahora es la afirmación de un solo autor, pero si se confirma, las consecuencias para las sanciones serían serias.

Cómo el chip deja su huella en los pesos

Antes del entrenamiento, los pesos del modelo se llenan con números aleatorios. Estos valores iniciales dependen de la semilla (el número que fija la aleatoriedad) y del chip concreto en el que se generaron: distintas arquitecturas de GPU calculan los números de punto flotante de forma ligeramente diferente. Se suele asumir que, tras semanas de entrenamiento, ese patrón inicial desaparece por completo. El autor del análisis sostiene lo contrario: parte del patrón sobrevive al entrenamiento y permanece en los pesos finales.

Se puede comparar con un defecto de fábrica de una imprenta. Cada impresión parece normal, pero si se conoce cómo «se equivoca» una máquina concreta, es posible identificarla a partir de la tirada. El investigador probó unas seis billones de combinaciones de chips y semillas, buscando la que mejor coincidiera con los pesos de los modelos publicados.

Qué encontró

Según sus resultados, hay coincidencias en seis modelos:

  • DeepSeek-V4-Flash y MiniMax-M3 se entrenaron con B200 o B300;
  • DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro y Ling-3.1-flash, con GB200 o GB300;
  • los modelos anteriores de esos mismos laboratorios se leen como entrenados en Hopper, es decir, en chips de la generación anterior.

Dicho de otro modo, la huella de los laboratorios chinos pasa de Hopper a Blackwell, precisamente los chips cuya exportación a China está prohibida.

Después, el autor estimó la escala. Según sus cálculos, Kimi K3 y DeepSeek-V4-Pro requirieron entre dos y tres mil GPU Blackwell por modelo. Un clúster de ese tamaño cuesta unos 200 millones de dólares. Se trata ya de una infraestructura de producción completa, no de un pequeño lote para experimentos. El autor añade que sus resultados fueron verificados por investigadores de OpenAI y Anthropic. El texto fuente no incluye confirmaciones públicas de las propias empresas. Los detalles los publicó el autor en unemploymentlabs.com.

Qué implica y dónde están los puntos débiles

Si el método funciona, los reguladores tendrían una herramienta que no requiere acceso a un centro de datos: bastan los pesos abiertos que los propios laboratorios publican. Podría convertirse en un argumento en el debate sobre las sanciones. Y también podría cambiar la práctica de publicación de pesos: algunos equipos querrán introducir ruido o reinicializar los modelos.

Pero la historia tiene matices:

  • La fuente es única: la publicación del autor y su difusión en Telegram. El material no incluye una verificación pública independiente.
  • La coincidencia con Blackwell no prueba por sí sola una infracción legal. Lo decisivo es dónde estaban físicamente los chips: en China, en un proveedor de nube en el extranjero u otro lugar. De eso dependen las consecuencias jurídicas.
  • El método se basa en el supuesto de que el patrón inicial sobrevive a todo el entrenamiento. Habría que validarlo con modelos cuyos chips se conozcan de antemano y medir la tasa de falsos positivos.
  • Las cifras de 2 a 3 mil GPU y 200 millones de dólares son un cálculo del autor, no una declaración de los laboratorios.

Qué hacer si eres desarrollador o responsable de producto

En primer lugar, los pesos abiertos revelan más de lo que sus autores suponen: a partir de ellos se puede inferir información sobre el hardware y, posiblemente, sobre el origen del modelo. En segundo lugar, si construyes un producto sobre modelos abiertos chinos, vigila la reacción de los reguladores: el riesgo de sanciones contra los laboratorios podría alcanzar también a quienes usan esos modelos. En tercer lugar, espera a la confirmación o refutación de los grandes laboratorios y de grupos de investigación independientes. Hasta entonces, conviene tratar esta historia como una afirmación llamativa, pero no cerrada.

Historia

Preguntas frecuentes sobre la noticia

Cómo el chip deja su huella en los pesos?

Antes del entrenamiento, los pesos del modelo se llenan con números aleatorios. Estos valores iniciales dependen de la semilla (el número que fija la aleatoriedad) y del chip concreto en el que se generaron: distintas arquitecturas de GPU calculan los números de punto flotante de forma ligeramente diferente. Se suele asumir que, tras semanas de entrenamiento, ese patrón inicial desaparece por completo.

¿Qué se sabe sobre Qué encontró?

Según sus resultados, hay coincidencias en seis modelos: DeepSeek-V4-Flash y MiniMax-M3 se entrenaron con B200 o B300; DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro y Ling-3.1-flash, con GB200 o GB300; los modelos anteriores de esos mismos laboratorios se leen como entrenados en Hopper, es decir, en chips de la generación anterior. Dicho de otro modo, la huella de los laboratorios chinos pasa de Hopper a Blackwell, precisamente los chips cuya exportación a China está prohibida. Después, el autor estimó la escala.

¿Qué se sabe sobre Qué implica y dónde están los puntos débiles?

Si el método funciona, los reguladores tendrían una herramienta que no requiere acceso a un centro de datos: bastan los pesos abiertos que los propios laboratorios publican. Podría convertirse en un argumento en el debate sobre las sanciones. Y también podría cambiar la práctica de publicación de pesos: algunos equipos querrán introducir ruido o reinicializar los modelos. Pero la historia tiene matices: La fuente es única: la publicación del autor y su difusión en Telegram.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…