Otro problema de Silicon Valley en China: está entrenando su IA

Cuando los equipos de ventas estadounidenses de las startups de etiquetado de big data de Silicon Valley visitaron la Conferencia Internacional sobre Aprendizaje Automático de este año en Seúl, Corea, llegaron preparados para cortejar a los grandes gastadores de la industria. Las empresas de datos, que colectivamente valen decenas de miles de millones de dólares y generan miles de millones en ingresos anuales que suministran datos de capacitación a clientes como OpenAI y Anthropic, están acostumbradas a perseguir laboratorios de IA que son notoriamente exigentes, volubles y difíciles de satisfacer.

Encontraron a otro cliente ansioso esperándolos: la industria de IA de China.

Algunas empresas chinas tienen listas de compras. Tencent, que previamente ha sido designado por el gobierno de los Estados Unidos como asociado con el ejército chino, una caracterización que la compañía disputa, hizo circular con posibles proveedores una solicitud detallada de datos de capacitación que abarcan finanzas, ciberseguridad y uno de los objetivos de investigación más codiciados de la IA: los sistemas de IA capaces de mejorarse a sí mismos.

Si bien Estados Unidos ha prohibido durante mucho tiempo a China comprar los chips que impulsan los modelos de IA de primer nivel de Estados Unidos, no ha tomado las mismas precauciones con los datos necesarios para entrenarlos. Esta experiencia humana empaquetada, producida por redes especializadas y moldeada por diseños de tareas, rúbricas de clasificación y controles de calidad, es parte de la costosa infraestructura de datos que enseña a modelos a manejar tareas profesionales difíciles como el modelado financiero y la codificación. El negocio vale cientos de millones de dólares al año y está ayudando a los modelos chinos de IA a cerrar la brecha con sus rivales estadounidenses.

“Después de la computación necesaria para entrenar los modelos, los datos de buena calidad son lo más importante”, dijo a Forbes Nathan Lambert, ex investigador del Instituto Allen de IA. “A medida que intentamos que los modelos se muevan a dominios nuevos y más desafiantes, obtener buenos datos es el elemento de mayor apalancamiento que puede hacer que el modelo sea viable.”

La documentación y las comunicaciones de los compradores de los laboratorios chinos de IA y los empleados de las principales plataformas de datos de Silicon Valley, como Surge AI y Mercor, revisadas por Forbes, revelan un comercio tranquilo de varios cientos de millones de dólares en conjuntos de datos de capacitación. Las mismas empresas emergentes estadounidenses que sirven como proveedores de OpenAI, Anthropic y, en algunos casos, de entidades federales de EE. UU., también están suministrando a los principales laboratorios de Beijing. Cada vez más, Silicon Valley está entrenando a ambos lados de la carrera armamentista de la IA.

Para los laboratorios chinos de IA que persiguen el rendimiento de la IA estadounidense, en realidad solo hay tres movimientos rápidos. El primero es cachar a los investigadores. El segundo es la destilación, la recolección de resultados de ChatGPT o Claude y usándolos para entrenar modelos chinos. Aunque no es ilegal, la práctica viola explícitamente los Términos de Servicio de OpenAI y Anthropic y recientemente fue señalada por el asesor de ciencia y tecnología de la administración Trump, Michael Kratsios. Un tercero es más fácil y viene sin posibles dolores de cabeza regulatorios: compre los mismos datos de capacitación que los laboratorios de IA estadounidenses están comprando a los mismos proveedores de datos a los que los están comprando.

Enseñar a un modelo de IA a manejar complejos protocolos de contabilidad o laboratorio web no se trata solo de recopilar la producción de trabajo en bruto. La verdadera salsa secreta se encuentra dentro de las especificaciones de los datos: en qué tipo de datos centrarse, así como en complejas rúbricas escritas por profesionales humanos que empujan y empujan al modelo a aprender a navegar por el trabajo de cuello blanco. Al comprar estos conjuntos de datos, los laboratorios chinos compran eficientemente el juicio patentado duramente ganado que impulsa los mejores modelos de Silicon Valley.

El consultor de datos de IA Sean Cai, que publica un blog homónimo de aprendizaje de datos y refuerzo, lo dice sin rodeos: “Si realmente estudias la forma de la industria de datos en China y luego toda la cadena de suministro de datos en general, te darás cuenta de que sí, muchos de los mismos datos de EE. UU. que impulsan el avance del modelo de EE. UU. también se están vendiendo a los laboratorios chinos”.

La cadena secreta de suministro de datos de US$500 millones en China

El oleoducto se extiende directamente desde las empresas estadounidenses de etiquetado de datos hasta los gigantes tecnológicos más grandes de China, incluidas empresas como Tencent, la empresa china marcada por el Pentágono. En un mensaje visto por Forbes, un ejecutivo de adquisición de datos de Tencent señaló que la compañía confía en Surge AI, cuyos clientes han incluido a los EE. UU. Ejército, los EE. UU. Fuerza Aérea y Antrópico – para el suministro de datos. Mercor, que a finales del mes pasado dijo a sus empleados que había ganado un contrato con el gobierno federal de los Estados Unidos, también trabaja con Tencent.

Otras comunicaciones revisadas por Forbes muestran una superposición 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 EE. UU. Conjunto de datos de entrenamiento de IA AfterQuery. Las transcripciones de audio de conversaciones con un empleado gigante chino del comercio electrónico de Alibaba apuntan a acuerdos de compra con AfterQuery y Mercor. La documentación interna del proyecto sugiere que la startup de etiquetado de datos de EE. UU. Turing ha trabajado con ByteDance, la matriz china de TikTok.

ByteDance, Alibaba, Moonshot, Tencent y Ant Group no respondieron a las solicitudes de comentarios; Mercor se negó a comentar. AfterQuery y Surge dijeron que no revelan información del cliente. En un comunicado, Turing dijo: “Imonamos la frontera de la IA, que incluye tanto modelos patentados como de código abierto. Creemos que ambos seguirán creciendo, y algunos de los modelos de código abierto más fuertes de la actualidad provienen de laboratorios fuera de los EE. UU.”.

En total, los seis principales laboratorios de IA de China gastan cerca de US$500 millones al año con compañías estadounidenses de etiquetado de datos, según dos emprendedores del sector que recibieron estimaciones del tamaño del mercado por parte de ejecutivos de Tencent y ByteDance. Según una persona que ha interactuado con varios de ellos, los laboratorios chinos de IA no se ven a sí mismos como competidores directos entre sí en las compras; en cambio, se consideran un grupo colectivo de compradores que busca conjuntos de datos occidentales de primer nivel.

Las compañías estadounidenses de etiquetado de datos están dispuestas a venderles. Según una fuente familiarizada con el asunto, los ingresos de Mercor provenientes de laboratorios chinos de IA representaron 2% de sus ingresos totales durante el segundo trimestre. Los ingresos anualizados de Mercor superaron los US$2.000 millones en junio, y la compañía contrató a un gerente de relacionamiento específico para China.

Los etiquetadores de datos venden laboratorios chinos de IA personalizados, proyectos únicos, así como lo que se conoce como conjuntos de datos “Off-the-Shelf” (OTS): conjuntos de capacitación estandarizados y preempaquetados que están destinados a ser revendidos a múltiples laboratorios. Suena lo suficientemente inofensivo, pero los conjuntos de datos listos para usar están lejos de ser inocuos. Se fabrican con las mismas “tuberías de conocimiento” desarrolladas durante los compromisos personalizados para OpenAI o Anthropic. Eso significa que las empresas chinas que los compran se benefician de las mismas redes de expertos en doctorado, algoritmos de control de calidad y rúbricas posteriores a la capacitación que ayudan a informar la capacitación realizada en los grandes EE. UU. Laboratorios de IA. Y eso es enormemente útil. En muchos casos, los laboratorios chinos pueden evitar meses de prueba y error comprando conjuntos de datos de OTS con estructuras de razonamiento probadas en batalla.

“Tienes que darte cuenta de que las formas de estos datos a veces vienen de las mismas empresas que adaptaron sus direcciones de escala inicial para Anthropic”, explicó Cai, el consultor de datos de IA. “Es extremadamente fácil para un proveedor de datos que ha servido a Anthropic usar la misma pila para producir datos para un laboratorio chino”.

Esto hace que los conjuntos de datos listos para usar sean un tentador motor financiero para los proveedores de datos. Debido a que pueden revenderse a múltiples laboratorios de IA, tienen los márgenes de beneficio más altos. Y los laboratorios chinos de IA dicen explícitamente a los etiquetadores de datos de EE. UU. que quieren comprar todos los datos que los laboratorios estadounidenses ya han comprado, dijo un ejecutivo que ha hablado con los laboratorios chinos de IA.

Max Gazor, fundador de Striker VC, que ha invertido en muchos de los constructores de modelos de IA estadounidenses, reconoció que esta realidad del mercado viene con ciertos factores complicadores. “Lo distinguiría más como una decisión ética de si la compañía vendería los datos a empresas chinas de IA”, dijo.

Salvaje de la regulación del Salvaje

Washington ha pasado años construyendo una fortaleza geopolítica en torno a chips avanzados. Pero la experiencia humana utilizada para entrenar a la IA logra cruzar fronteras casi sin escrutinio.

Esto ha contribuido a convertir a las principales plataformas de datos de Silicon Valley en gigantes valorados en varios miles de millones de dólares. Fundada en 2020, Mercor busca actualmente alcanzar una valoración de US$20.000 millones, mientras Surge AI estaría valorada en al menos US$25.000 millones. Por su parte, AfterQuery, fundada en 2023 y una participante relativamente nueva, pasó de US$100 millones a varios cientos de millones de dólares en ingresos recurrentes anuales en solo tres meses. Aunque la gran mayoría de sus ingresos todavía proviene de gigantes estadounidenses consolidados, las ventas internacionales probablemente representan una fuente secundaria de ingresos difícil de rechazar.

Algunos dicen que vender conjuntos de datos a China es una cuestión de seguridad nacional. “Algunas empresas de datos humanos trabajan con adversarios extranjeros. Y los resultados se muestran hoy en Kimi K3”, Ali Ansari, el CEO de la compañía de 25 años, publicó recientemente en X. “Creemos que es vergonzoso afirmar los deseos de dominio de la IA estadounidense mientras vendemos millones de datos a países con los que estamos en competencia contradictoria”. Micro1 dice que no vende datos fuera de los EE. UU. Scale AI también coqueteó con un contrato de ByteDance antes de desecharlo en 2024 por cuestiones de seguridad nacional.

Los defensores de la práctica argumentan que la represión de las ventas de datos ahogaría la innovación global de código abierto.

“Uno no puede restringir fácilmente las exportaciones de datos o IA de una manera que no daña materialmente el código abierto estadounidense”, dijo Cai, señalando que no tiene una posición sobre el tema. “Le da un duopolio injusto a OpenAI y Anthropic, y eso tiene sus propios problemas”.

Este artículo fue publicado originalmente por Forbes US

Lea también: http://Más de US $100 millones en bitcoins robados por numerosos hackers: cómo un fallo de software lo hizo posible