DeepSeek necesitaría alrededor de 50.000 GPU NVIDIA GB300 o 200.000 aceleradores Huawei Ascend 950 para entrenar un modelo comparable a los mayores sistemas actuales, según una transcripción atribuida a su fundador, Liang Wenfeng. La diferencia supone cuatro aceleradores chinos por cada GPU Blackwell Ultra dentro de esa estimación interna.
Las declaraciones procederían de una reunión con inversores celebrada el 20 de mayo de 2026, no de un comunicado oficial de la compañía. Wenfeng también habría situado los recursos disponibles en el equivalente a unas 20.000 GPU H100, mostrando una brecha de cálculo considerable frente a los grandes laboratorios estadounidenses.
Cuatro Ascend 950 equivaldrían a una GPU GB300
Wenfeng habría explicado que cuatro aceleradores Ascend 950 proporcionarían una capacidad similar a una GPU GB300 en las cargas estudiadas por DeepSeek. La relación no representa una equivalencia universal entre ambos chips, sino una estimación condicionada por el modelo, el software utilizado y la escala completa de la infraestructura.
El fundador también habría reconocido que el hardware chino permanece aproximadamente dos años por detrás en rendimiento por acelerador. Huawei compensaría esa distancia reuniendo miles de NPU mediante SuperPoD, una estrategia basada en más dispositivos trabajando de forma coordinada en lugar de depender de un silicio individual con prestaciones equivalentes.
Esa diferencia explica la necesidad estimada de 200.000 Ascend 950 frente a 50.000 GB300 para una misma campaña de entrenamiento. El cálculo multiplica por cuatro el número de aceleradores, pero no permite conocer directamente el consumo total, la ocupación física, la eficiencia de comunicación ni el coste completo de operación.
La comparativa tampoco enfrenta simplemente una GPU contra otra. Un rack GB300 NVL72 integra 72 GPU Blackwell Ultra y 36 CPU Grace, mientras Huawei plantea supernodos con miles de NPU conectadas. Ambos sistemas alcanzan la capacidad agregada mediante arquitecturas físicas, redes internas y densidades por rack completamente diferentes.
Atlas 950 SuperPoD podría sustituir funcionalmente a GB300 NVL72
Wenfeng considera que el Atlas 950 SuperPoD puede cubrir las mismas tareas que los racks GB200 y GB300, incluidas cargas sensibles a la latencia. La afirmación plantea una sustitución funcional a escala de sistema, aunque requiera más aceleradores, una infraestructura mayor y costes potencialmente superiores frente a la plataforma de NVIDIA.
El directivo habría señalado que incluso un sobrecoste del 50%, el 100% o el 200% podría resultar asumible para las empresas chinas si garantiza capacidad de entrenamiento. En este contexto, la disponibilidad del hardware pesa más que la eficiencia económica absoluta, especialmente ante las restricciones para adquirir aceleradores estadounidenses avanzados.
Huawei busca compensar el menor rendimiento individual mediante una interconexión masiva entre miles de aceleradores Ascend. Este planteamiento puede reducir la dependencia tecnológica exterior, pero también obliga a resolver problemas complejos de comunicación, tolerancia a fallos, programación distribuida y utilización efectiva cuando el trabajo se reparte entre tantos dispositivos.
NVIDIA conserva una ventaja clara en rendimiento por acelerador, densidad de memoria y madurez del ecosistema CUDA. Esa concentración reduce el número de chips necesarios para una carga determinada, simplifica parte de la infraestructura y puede mejorar la eficiencia energética, la ocupación del centro de datos y el coste operativo por modelo entrenado.
DeepSeek dispone del equivalente a 20.000 GPU H100
La capacidad actual de DeepSeek equivaldría a unas 20.000 GPU NVIDIA H100, según la transcripción. Wenfeng habría precisado que buena parte de esos recursos se incorporaron durante los últimos uno o dos meses, mientras la empresa continúa ampliando de forma agresiva su infraestructura para entrenamiento, investigación e inferencia.
Esa cifra no significa necesariamente que la compañía posea físicamente 20.000 unidades H100. La expresión describe una equivalencia aproximada de capacidad de cálculo, que podría combinar aceleradores NVIDIA y hardware chino. La composición exacta del clúster no aparece detallada, por lo que el inventario real de procesadores continúa sin confirmarse.
DeepSeek ya demostró una elevada eficiencia al entrenar modelos mediante menos aceleradores y técnicas de optimización agresivas. Sin embargo, mejorar el aprovechamiento del hardware no elimina la necesidad de más infraestructura cuando aumenta la escala, porque investigar arquitecturas, descartar configuraciones y ejecutar pruebas paralelas consume recursos adicionales durante meses.
Wenfeng habría reconocido que sus recursos actuales solo permiten trabajar con modelos que activan alrededor de 10.000 millones de parámetros simultáneamente, frente a los aproximadamente 800.000 millones atribuidos a algunos sistemas de máxima escala. La comparación se refiere a parámetros activos durante la ejecución, no necesariamente al tamaño total almacenado.
Full transcript of Wenfeng’s investor conference call. He’s a lot more forceful here. He is insistent that open sourcing is *the* agenda. If you’re not on board, go buy more Zhipu.
And crucially, he says restraint is *the only way to survive*. World-eating labs will be culled. https://t.co/tTCa83rxak pic.twitter.com/XhqVm3zuMK— Teortaxes▶️ (DeepSeek 推特🐋铁粉 2023 – ∞) (@teortaxesTex) July 23, 2026
El déficit de cálculo limita la investigación de nuevos modelos
Las 50.000 GPU GB300 representarían únicamente el entrenamiento principal, sin incluir toda la investigación previa. Un laboratorio necesita múltiples ejecuciones parciales, comparativas de datos, pruebas de escalado y experimentos fallidos antes de elegir una configuración definitiva, elevando el presupuesto real de cálculo necesario para competir en la primera línea.
El déficit de recursos limita también la velocidad con la que DeepSeek puede probar nuevas ideas. Una arquitectura prometedora puede requerir semanas de validación, mientras un laboratorio con mayor capacidad puede ejecutar varias líneas de investigación en paralelo, reducir los tiempos de decisión y descartar antes los enfoques que no ofrecen resultados suficientes.
La diferencia frente a Estados Unidos no se limita, por tanto, al entrenamiento de un único modelo. Los grandes laboratorios disponen de más capacidad para experimentar, repetir pruebas y mantener varios proyectos simultáneos, una ventaja que permite acelerar la investigación incluso cuando los competidores consiguen mayor eficiencia por cada hora de acelerador disponible.
La ampliación agresiva de infraestructura busca reducir precisamente esa limitación. DeepSeek necesita más capacidad estable para entrenamiento y experimentación, pero también acceso continuado a aceleradores, redes de alta velocidad y sistemas de almacenamiento capaces de alimentar clústeres considerablemente mayores sin introducir nuevos cuellos de botella.
La anotación de datos abre una segunda brecha
La compañía también estaría reforzando su inversión en anotación de datos de alta calidad, un proceso clave para mejorar razonamiento, seguimiento de instrucciones y comportamiento general. Wenfeng habría señalado que el principal límite no resulta el capital disponible, sino el tiempo necesario para construir conjuntos de entrenamiento suficientemente cuidados y coherentes.
OpenAI y Anthropic comenzaron antes a desarrollar estas cadenas de anotación, acumulando equipos humanos, procedimientos y experiencia operativa. DeepSeek puede contratar más personal o ampliar sus herramientas, pero no puede recuperar inmediatamente años de correcciones, evaluaciones y aprendizaje interno mediante una única inversión económica.
Esta situación introduce una segunda brecha junto al hardware. Disponer de más aceleradores permite entrenar modelos mayores, pero la calidad de los datos determina cuánto se aprovecha esa capacidad. Un conjunto deficiente puede desperdiciar millones de horas de cálculo, mientras una anotación precisa mejora los resultados sin aumentar proporcionalmente los parámetros.
Las afirmaciones deben interpretarse con cautela porque la conversación permanece sin confirmación pública directa por parte de DeepSeek. Aun así, la transcripción describe una estrategia coherente: mejorar la eficiencia algorítmica, ampliar rápidamente la infraestructura y apoyarse en hardware Huawei cuando el acceso a aceleradores NVIDIA resulte insuficiente o demasiado incierto.
Vía: Wccftech
