El otro problema de Silicon Valley con China: el entrenamiento de su IA

Las mismas empresas emergentes de Silicon Valley que proveen a OpenAI, Anthropic y al gobierno estadounidense también venden conjuntos de datos de entrenamiento de IA a laboratorios chinos que desarrollan modelos más baratos que compiten con los de sus clientes estadounidenses.

Cuando los equipos de ventas estadounidenses de las grandes startups de etiquetado de datos de Silicon Valley visitaron la Conferencia Internacional sobre Aprendizaje Automático de este año en Seúl, Corea, llegaron preparados para cortejar a los grandes inversores del sector. Estas empresas de datos, cuyo valor conjunto asciende a decenas de miles de millones de dólares y que generan miles de millones en ingresos anuales al suministrar datos de entrenamiento a clientes como OpenAI y Anthropic, están acostumbradas a tratar con laboratorios de IA conocidos por su exigencia, su carácter voluble y su dificultad para satisfacerlos.

Encontraron otro cliente ansioso que los estaba esperando: la industria de la inteligencia artificial de China.

Algunas empresas chinas tienen listas de compras. Tencent, que anteriormente fue catalogada por el gobierno estadounidense como vinculada al ejército chino (una caracterización que la empresa desmiente), distribuyó entre los posibles proveedores una solicitud detallada de datos de entrenamiento que abarcaba finanzas, ciberseguridad y uno de los objetivos de investigación más codiciados de la IA: sistemas de IA capaces de auto-mejorarse.

Si bien Estados Unidos ha prohibido durante mucho tiempo a China la compra de los chips que impulsan los modelos de IA de vanguardia estadounidenses, no ha tomado las mismas precauciones con los datos necesarios para entrenarlos. Este conocimiento humano, generado por redes especializadas y moldeado por diseños de tareas, criterios de evaluación y controles de calidad, forma parte de la costosa infraestructura de datos que enseña a los modelos a manejar tareas profesionales complejas como la modelización financiera y la programación. Este negocio mueve cientos de millones de dólares anuales y está ayudando a los modelos de IA chinos a reducir la brecha con sus rivales estadounidenses.

“Después del procesamiento necesario para entrenar los modelos, lo más importante son los datos de buena calidad”, declaró Nathan Lambert, ex científico investigador del Instituto Allen para la IA, a Forbes . “A medida que intentamos que los modelos se adentren en dominios nuevos y más complejos, obtener buenos datos es el factor clave para que el modelo sea viable”.

La documentación y las comunicaciones de compradores de laboratorios de IA chinos y empleados de las principales plataformas de datos de Silicon Valley, como Surge AI y Mercor, analizadas por Forbes, revelan un discreto comercio multimillonario de conjuntos de datos de entrenamiento. Las mismas startups estadounidenses que proveen a OpenAI, Anthropic y, en algunos casos, a entidades federales estadounidenses, también abastecen a los principales laboratorios de Pekín. Silicon Valley está, cada vez más, formando a ambos bandos en la carrera armamentística de la IA.

Para los laboratorios de IA chinos que buscan alcanzar el rendimiento de la IA estadounidense, solo existen tres estrategias rápidas. La primera es captar investigadores. La segunda es la extracción de datos, es decir, extraer los resultados de ChatGPT o Claude y utilizarlos para entrenar modelos chinos. Si bien no es ilegal, esta práctica viola explícitamente los Términos de Servicio de OpenAI y Anthropic, y recientemente fue señalada por Michael Kratsios, asesor de ciencia y tecnología de la administración Trump. Una tercera estrategia es más sencilla y evita posibles problemas regulatorios: comprar los mismos datos de entrenamiento que los laboratorios de IA estadounidenses a los mismos proveedores.

Enseñar a un modelo de IA a gestionar protocolos complejos de contabilidad o de laboratorios web no se limita a recopilar los datos brutos. La clave reside en las especificaciones de los datos: qué tipo de datos priorizar, así como en las intrincadas directrices elaboradas por profesionales que guían al modelo para que aprenda a desenvolverse en tareas administrativas. Al adquirir estos conjuntos de datos, los laboratorios chinos compran, de forma eficiente, el valioso conocimiento especializado que impulsa los mejores modelos de Silicon Valley.

Sean Cai, consultor de datos de IA que publica un blog homónimo sobre datos y aprendizaje por refuerzo, lo expresa sin rodeos: «Si uno estudia la estructura de la industria de datos en China y, en general, toda la cadena de suministro de datos, se dará cuenta de que, efectivamente, gran parte de los mismos datos estadounidenses que impulsan el avance de los modelos en EE. UU. también se venden a laboratorios chinos».

El flujo de datos va directamente desde las empresas estadounidenses de etiquetado de datos hasta los gigantes tecnológicos chinos más grandes, incluyendo firmas como Tencent, la empresa china señalada por el Pentágono. En un mensaje al que tuvo acceso Forbes, un ejecutivo de adquisición de datos de Tencent señaló que la compañía depende de Surge AI —cuyos clientes incluyen al Ejército y la Fuerza Aérea de EE. UU., así como a Anthropic— para el suministro de datos. Mercor, que a finales del mes pasado comunicó a sus empleados que había ganado un contrato con el gobierno federal estadounidense, también trabaja con Tencent.

Otras comunicaciones revisadas por Forbes muestran una coincidencia similar. En intercambios de texto, un ejecutivo de Ant Group, la empresa china de tecnología y finanzas detrás de Alipay, reconoció una estrecha relación de trabajo con AfterQuery, empresa estadounidense de datos de entrenamiento de IA. Las transcripciones de audio de conversaciones con un empleado del gigante chino del comercio electrónico Alibaba apuntan a acuerdos de compra con AfterQuery y Mercor. La documentación interna del proyecto sugiere que la startup estadounidense de etiquetado de datos Turing ha trabajado con ByteDance, la empresa matriz china de TikTok.

ByteDance, Alibaba, Moonshot, Tencent y Ant Group no respondieron a las solicitudes de comentarios; Mercor declinó hacer comentarios. AfterQuery y Surge afirmaron que no divulgan información de sus clientes. En un comunicado, Turing declaró: «Impulsamos la vanguardia de la IA, que incluye modelos tanto propietarios como de código abierto. Creemos que ambos seguirán creciendo, y algunos de los modelos de código abierto más potentes de la actualidad provienen de laboratorios fuera de Estados Unidos».

En total, los seis principales laboratorios chinos de IA invierten alrededor de 500 millones de dólares anuales en empresas estadounidenses de etiquetado de datos, según dos empresarios del sector que han recibido estimaciones del tamaño del mercado de ejecutivos de Tencent y ByteDance. Según una persona que ha interactuado con varios de ellos, los laboratorios chinos de IA no se consideran competidores directos entre sí en materia de adquisiciones; más bien, se ven como un grupo de compradores que buscan conjuntos de datos occidentales de primer nivel.

Las empresas estadounidenses de etiquetado de datos están encantadas de venderles. Según una fuente cercana al asunto, los ingresos de Mercor en el segundo trimestre procedentes de laboratorios de IA chinos representaron el 2 % de sus ingresos totales (los ingresos anualizados de Mercor superaron los 2.000 millones de dólares en junio), y la empresa ha contratado a un gestor de relaciones específico para China. Una parte importante del negocio de AfterQuery, al menos 50 millones de dólares en ingresos recurrentes, proviene de laboratorios de IA chinos, según fuentes consultadas por Forbes. Surge AI, una de las empresas pioneras en la región, ha buscado activamente a estos compradores, y su director ejecutivo, Edwin Chen, viajó a China para reunirse directamente con los directivos de los laboratorios.