Alibaba ha aprovechado su Apsara Conference 2026 de Hangzhou para presentar una hoja de ruta de IA que abarca chips, centros de datos y modelos fundacionales. Su pieza central de hardware es el nuevo Zhenwu V900, un acelerador con 216 GB de memoria integrada, soporte nativo para FP8/FP4 y un rendimiento anunciado tres veces superior al M890, cuya producción en volumen está prevista para el primer trimestre de 2027.
La compañía ha acompañado el anuncio con objetivos todavía mayores para infraestructura y modelos. Alibaba Cloud pretende superar 20 GW de capacidad global de centros de datos en 2032, mientras Qwen 4 ya está en entrenamiento y los futuros Qwen 4.5 y Qwen 5 escalarían entre 5 y 10 billones de parámetros. Esta última cifra corrige las estimaciones de 4 billones aparecidas inicialmente en algunas informaciones.
Zhenwu V900 combina 216 GB de memoria y tres veces el rendimiento del M890
El Zhenwu V900 ha sido desarrollado por T-Head, la división de semiconductores de Alibaba, como acelerador destinado tanto al entrenamiento como a la inferencia. La compañía especifica 216 GB de memoria por acelerador, 1,2 TB/s de interconexión entre chips y soporte nativo para FP8 y FP4, además de triplicar el rendimiento de su anterior Zhenwu M890.
Los 216 GB llaman especialmente la atención frente a aceleradores de generaciones anteriores como la NVIDIA H200, que dispone de 141 GB HBM3e, por lo que el V900 ofrece aproximadamente un 53% más de capacidad por dispositivo. Eso puede permitir alojar modelos o lotes mayores localmente, pero más memoria no equivale por sí sola a mayor rendimiento de entrenamiento o inferencia.
También conviene separar dos cifras que pueden confundirse fácilmente. Los 1,2 TB/s anunciados por Alibaba corresponden a la interconexión chip a chip mediante ICN, no al ancho de banda de la memoria integrada. Por ejemplo, los 4,8 TB/s publicados por NVIDIA para la H200 corresponden a su HBM3e y miden otra parte diferente del subsistema. Compararlos directamente sería mezclar memoria e interconexión.
Alibaba no ha identificado públicamente en estos anuncios qué tecnología de memoria utiliza exactamente el V900 ni quién la fabrica. La posibilidad de que emplee HBM3e de CXMT se ha planteado por la coincidencia de calendarios, pero continúa siendo una hipótesis y no una especificación confirmada del acelerador.
Alibaba is targeting >20 GW of global data-center capacity by 2032. Its current operating capacity remains undisclosed.
Assuming 4-6 GW at end-2026, reaching 20 GW by end-2032 would require ~2–3 GW of annual net additions. That starting range is illustrative and based on… https://t.co/1AxyWyqOoI pic.twitter.com/Z2HdDLZwtm
— Shanu Mathew (@ShanuMathew93) September 22, 2026
Un clúster podría escalar hasta 500.000 aceleradores
La otra parte de la apuesta está en conectar enormes cantidades de V900. Alibaba afirma que su arquitectura permite agrupar hasta 500.000 chips dentro de un mismo clúster, mientras su infraestructura ICN está diseñada para que grandes grupos de aceleradores puedan cooperar estrechamente durante el entrenamiento y la inferencia de modelos gigantes. Reuters y The Wall Street Journal recogen ese objetivo de escalado anunciado durante Apsara.
Si se multiplican los 216 GB por 500.000 unidades, la capacidad agregada teórica alcanzaría 108 PB de memoria. Esa cifra sirve para visualizar la escala, pero no significa que una aplicación disponga automáticamente de 108 PB como si fueran una única memoria local: distribución de datos, comunicaciones, topología y software determinan cuánto puede aprovecharse realmente.
Precisamente ahí entra la estrategia de integración vertical de Alibaba. La compañía ha mostrado una solución de servidor que combina CPU Yitian, aceleradores Zhenwu V900, su interconexión ICN, tarjetas de red y controladores de almacenamiento propios, intentando controlar más componentes de la plataforma en lugar de limitarse a diseñar el acelerador.
> Qwen is exploring RSI (recursive self-improvement), enabling the model to identify its own weaknesses based on real task feedback, design experiments, construct data, and then continue training
Everyone is doing RSI now https://t.co/8g2cqXCOHJ— Teortaxes▶️ (DeepSeek 推特🐋铁粉 2023 – ∞) (@teortaxesTex) September 22, 2026
Los 20 GW no equivalen directamente a potencia informática
Alibaba Cloud quiere que la capacidad global de sus centros de datos supere los 20 GW en 2032, un objetivo que refleja la cantidad de infraestructura eléctrica que pretende poner detrás de su expansión en IA. La compañía no ha detallado públicamente cuál es su capacidad operativa actual, por lo que no puede calcularse con precisión cuánto deberá añadir cada año.
También es importante no interpretar esos 20 GW como una cifra directa de rendimiento. Los gigavatios miden capacidad energética de los centros de datos, no PFLOPS ni número de aceleradores, y el resultado computacional final dependerá de eficiencia, utilización, refrigeración y proporción entre CPU, GPU, almacenamiento y redes. Lo significativo es la escala física que Alibaba considera necesaria para sostener sus futuros modelos y servicios.
Qwen 4.5 y Qwen 5 podrían llegar hasta los 10 billones de parámetros
En software, Alibaba confirma que Qwen 4 ya está en entrenamiento, mientras las generaciones posteriores Qwen 4.5 y Qwen 5 están planteadas para escalar entre 5 y 10 billones de parámetros. Su actual Qwen 3.8 Max cuenta con 2,4 billones, por lo que el extremo superior de la hoja de ruta supondría multiplicar aproximadamente por cuatro el número de parámetros.
Eso no implica automáticamente que Qwen 5 vaya a ser cuatro veces más capaz. El número de parámetros mide principalmente la escala del modelo, mientras que arquitectura, datos, entrenamiento, mezcla de expertos, contexto e inferencia determinan cuánto rendimiento útil produce finalmente ese tamaño.
Alibaba también asegura haber avanzado en técnicas donde los propios modelos identifican debilidades, diseñan experimentos y generan nuevos datos de entrenamiento con una intervención humana limitada. El objetivo es utilizar sistemas actuales para acelerar el desarrollo de sus sucesores, aunque esto no debe interpretarse como un modelo que se rediseña y entrena completamente de manera autónoma.
El enorme tamaño previsto ayuda además a explicar por qué hardware e infraestructura aparecen en la misma presentación. Entrenar modelos de entre 5 y 10 billones de parámetros exige escalar memoria, comunicaciones y número de aceleradores al mismo tiempo, de modo que el V900, ICN y los 20 GW forman partes distintas de una misma estrategia.
Qwen-Image-2.1 by @Alibaba_Qwen just landed as the #1 open source model in the Image Edit Arena and Text-to-Image Arena!
With 1367 pts in the Image Edit Arena, Qwen-Image-2.1 took the #1 spot among open. It landed #16 overall, just 3 pts from GPT-Image-1.5-high-fidelity at #15.… https://t.co/J5MqBP22eM pic.twitter.com/MV5USBrMa9
— Arena.ai (@arena) September 22, 2026
Qwen-Image-2.1 reduce su generador visual a 7.000 millones de parámetros
Alibaba también ha liberado los pesos de Qwen-Image-2.1, un modelo unificado para generación y edición de imágenes cuyo componente visual utiliza 7.000 millones de parámetros distribuidos entre 32 capas DiT de flujo único. Admite además generación RGBA con transparencia y hasta diez imágenes de referencia.
Aquí existe otro matiz importante: esos 7.000 millones corresponden únicamente al generador visual, no a toda la canalización. El sistema también utiliza un codificador Qwen3-VL de 8.000 millones de parámetros, por lo que presentar Qwen-Image-2.1 simplemente como un modelo completo de 7B infravaloraría los recursos necesarios para ejecutarlo.
La Apsara Conference deja así una estrategia bastante clara: Alibaba está desarrollando simultáneamente sus propios aceleradores, interconexión, servidores, centros de datos y modelos Qwen, reduciendo su dependencia de proveedores externos en prácticamente todos los niveles de la infraestructura de IA. El Zhenwu V900 será una de las primeras pruebas importantes de esa estrategia cuando entre en producción durante el primer trimestre de 2027.
Vía: Wccftech
