La estrategia parecía perfecta sobre el papel. En octubre de 2022, y nuevamente a finales de 2023, el gobierno de Estados Unidos borró efectivamente el acceso de China a la última tecnología del silicio. Al prohibir la exportación de las GPU H100 y A100 de Nvidia, Washington pretendía decapitar las ambiciones de inteligencia artificial de Beijing privándolas de computación.
La teoría era simple: la IA moderna es una función de la fuerza bruta. Cuanto más FLOP (operaciones de punto flotante) posee una nación, más inteligentes se vuelven sus modelos. Negar los fracasos, negar el futuro.
Tres años después, esa estrategia ha resultado contraproducente.
En lugar de paralizar la IA china, las sanciones impusieron una presión evolutiva que Silicon Valley nunca enfrentó. Mientras OpenAI y Google ampliaron su infraestructura con clústeres H100 de 100.000 unidades, consumiendo gigavatios de energía para resolver problemas a escala bruta, los laboratorios chinos como DeepSeek se vieron obligados a resolverlos con matemáticas.
DeepSeek V4 surgió a principios de 2026. El sistema representa una nueva especie de “IA Lean” que utiliza elegancia algorítmica para evitar por completo el bloqueo del hardware, divergiendo marcadamente de los LLM estándar. En un giro irónico, sus innovaciones en eficiencia, específicamente la arquitectura “Engram”, prometen realizar tareas de razonamiento en hardware tan accesible como una estación de trabajo de consumo de alta gama.
El bloqueo tenía como objetivo matar de hambre a la industria. En cambio, enseñó a los ingenieros a ayunar.
La trampa de la optimización
Para comprender por qué DeepSeek V4 es un cambio de paradigma, hay que comprender la “era perezosa” de la IA occidental (2023-2025).
En Occidente, el acceso a la informática era efectivamente infinito. Si un modelo carecía de inteligencia, la solución universal era “hacerlo más grande”. Este es el dogma de la Ley de escala: un mayor número de parámetros más un mayor número de datos equivale a una mayor inteligencia. Funciona, pero es ineficiente. Es el equivalente en ingeniería a instalar un motor V12 en un carrito de golf para mejorar la aceleración.
China no podía darse ese lujo. Con los H100 en el mercado negro cotizándose entre 50.000 y 120.000 dólares, el doble o el triple del MSRP, cada operación de punto flotante tenía que justificar su existencia. Esta escasez obligó a los ingenieros a investigar las ineficiencias de la propia arquitectura Transformer.
- ¿Por qué recalcular los mismos hechos repetidamente?
- ¿Por qué cada token debe prestar atención a todos los demás?
- ¿Por qué las redes neuronales son tan inestables que requieren una redundancia masiva?
DeepSeek V4 responde a estas preguntas con tres tecnologías específicas: Engram, DSA y mHC.
1. Engrama: La revolución de la memoria O(1)
La innovación más radical en V4 es la arquitectura Engram, introducida en un documento publicado en enero de 2026.
Los LLM estándar sufren de una forma de amnesia digital. Cuando se le pregunta sobre la capital de Francia, GPT-4 “piensa” en ella procesando pesos neuronales, volviendo a derivar efectivamente la respuesta durante cada paso de inferencia. Este proceso es computacionalmente costoso.
Engram trata el conocimiento de manera diferente. Separa el razonamiento (inteligencia fluida) de los hechos (memoria cristalizada). Descarga conocimiento estático en una tabla de búsqueda masiva de solo lectura que reside en la RAM del sistema (la memoria DDR5 estándar en una placa base), no en la escasa VRAM de la GPU.
En términos de informática, esto cambia la complejidad de la recuperación de conocimiento de un paso neuronal profundo a una búsqueda O(1).
Al descargar una tabla de conocimiento de 100 mil millones de parámetros a la RAM de la CPU, DeepSeek V4 opera ventanas contextuales masivas con una fracción de la memoria GPU requerida por los modelos occidentales. La GPU queda libre para centrarse en el razonamiento, mientras que la CPU se encarga de la memorización. Esta arquitectura evita específicamente el cuello de botella de VRAM de las tarjetas autorizadas.
2. DSA: Física de atención escasa
El segundo pilar es DeepSeek Sparse Attention (DSA).
En un transformador estándar, el “mecanismo de atención” es cuadrático (). Si la longitud del documento de entrada se duplica, el trabajo computacional requerido para procesarlo se cuadriplica. Cada palabra analiza cada otra palabra.
DSA cambia esta física. Se supone que para cualquier palabra determinada, la gran mayoría de las demás palabras del documento son irrelevantes. Al implementar una máscara de escasez dinámica, DSA reduce la complejidad a , donde es una pequeña constante de tokens relevantes.
En DSA, la matriz nunca se calcula por completo. En cambio, los enrutadores top-k predicen qué bloques de texto son relevantes y solo calculan la atención para ellos. Esto permite que los modelos de DeepSeek manejen más de 128.000 ventanas de contexto en hardware que no podrían ejecutar un modelo Llama-3 estándar del mismo tamaño.
3. mHC: Estabilización de la pila
La última pieza del rompecabezas, detallada en el artículo Manifold-Constrained Hyper-Connections (mHC) (diciembre de 2025), resuelve el problema de estabilidad de las redes profundas.
A medida que los modelos se vuelven más profundos (más capas), la señal que pasa a través de ellos tiende a degradarse, ya sea explotando (volviéndose infinita) o desapareciendo (volviéndose cero). Los laboratorios occidentales resuelven esto con la “Normalización de capas”, un ajuste estadístico de fuerza bruta en cada paso.
mHC adopta un enfoque geométrico. Obliga a las matrices de conexión a permanecer en un objeto matemático llamado Politopo de Birkhoff (matrices doblemente estocásticas).
Al garantizar matemáticamente que se preserve la norma de la señal, DeepSeek elimina la necesidad de costosos pasos de normalización. Esto permite redes mucho más profundas y estrechas que entrenan más rápido y funcionan con mayor estabilidad.
El precio darwiniano
Para apreciar plenamente esta divergencia arquitectónica, hay que observar la economía que la impulsó.
En Silicon Valley, el coste de una “mala idea” es bajo. Si un ingeniero realiza una capacitación que es 10% ineficiente, el costo es absorbido por los enormes subsidios de capital de riesgo que sustentan la industria. La computación se trata como agua; fluye libremente.
En Shenzhen, el coste de una “mala idea” es existencial. Dado que los H100 cuestan más de 100.000 dólares en el mercado gris, una ineficiencia del 10% no es una partida individual; es un gasto que acaba con el proyecto. Este costo hiperinflado de la computación actuó como un filtro darwiniano. Sólo sobrevivió el código más eficiente.
Se seleccionaron arquitecturas infladas, gestión de memoria lenta y cálculos redundantes con una eficiencia brutal. El resultado es una pila de software más sencilla, más eficaz y mucho más optimizada que sus homólogos occidentales. Mientras los desarrolladores estadounidenses aprendían a realizar ingeniería rápida, los desarrolladores chinos aprendían a reescribir las matemáticas fundamentales del mecanismo de atención para ahorrar un solo gigabyte de VRAM.
Esta presión económica ha creado una divergencia permanente. Incluso si mañana se levantaran las sanciones, los laboratorios chinos no volverían a la forma “occidental” de construir modelos. Han encontrado una mejor manera.
¿El espejismo del hardware de consumo?
Circula un rumor en GitHub y HuggingFace de que DeepSeek V4 “se ejecuta en RTX 4090 duales”. ¿Es esta afirmación exacta?
Parcialmente.
La densidad completa de 671 mil millones de parámetros de la arquitectura V3 (que se espera que la V4 refleje o supere) requeriría casi 400 GB de VRAM para funcionar a una velocidad comercialmente viable, lo cual es imposible para las tarjetas de consumo (un par de 4090 tiene 48 GB).
Sin embargo, la arquitectura Engram intenta cambiar la ecuación. Debido a que la mayor parte del “conocimiento” se descarga en la RAM del sistema (donde un usuario puede instalar fácilmente 256 GB de DDR5 por menos de $1,000), la GPU teóricamente solo necesita contener el “núcleo de razonamiento”.
Esto implica que un investigador en Shenzen, o un aficionado en Ohio, con una estación de trabajo de alta gama puede ejecutar un modelo que se comporta como un gigante de un billón de parámetros, aunque con mayor latencia para las búsquedas factuales. Amenaza con romper el monopolio del Centro de Datos. Los usuarios ya no necesitan un clúster H100 para ejecutar SOTA AI; sólo necesitan cantidades significativas de RAM barata y una arquitectura inteligente.
El paralelo de la industria automotriz
La historia se repite. En la década de 1970, la industria automotriz estadounidense era adicta al desplazamiento. Los grandes motores V8 producían caballos de fuerza por su gran volumen. Cuando llegó la crisis del petróleo, Detroit quedó sorprendida.
Japón, con recursos limitados y impuestos sobre el combustible, había pasado décadas perfeccionando el pequeño y eficiente motor de cuatro en línea. Cuando la gasolina se volvió cara, el Honda Civic no sólo compitió con el Ford Mustang; dominó el mercado.
La IA estadounidense es el V8 de la década de 1970. Es potente, ruidoso e increíblemente derrochador. La IA china es el Civic de los años 80. Es ágil, eficiente y cada vez más capaz de hacer el mismo trabajo por una fracción del costo.
Las sanciones estadounidenses tenían como objetivo actuar como un bloqueo. En cambio, funcionaron como un impuesto al carbono. Al encarecer la informática, la política estadounidense obligó a un rival a inventar el motor híbrido de inteligencia. Ahora, a medida que la red eléctrica comienza a ceder ante las demandas de energía de los centros de datos occidentales, la “IA Lean” nacida de la necesidad puede resultar ser la única arquitectura que realmente puede escalar.
Fuentes (5)
- dataconomy.com DeepSeek Reveals MODEL1 Architecture in GitHub Update
- arxiv.org Manifold-Constrained Hyper-Connections (mHC)
- rewire.it Engram - How DeepSeek Added a Second Brain to LLMs
- infoq.com DeepSeek V3.2 and Sparse Attention
- subhadipmitra.com DeepSeek mHC and Stability
🦋 Discusión en Bluesky
Discutir en Bluesky