Los modelos de IA chinos generan preocupación global ante cambios de costo y estratégicos

Autor: Stratechery

Compilado por Deep潮 TechFlow

Guía de Shenchao: Kimi K3 desafía el mercado de modelos cognitivos, ¿por qué Wall Street y Silicon Valley reaccionan de forma exagerada? Este artículo desglosa cómo, tras la transición de la era ChatGPT a la era de los Agentes, los tokens ya no son mercancías; la verdadera mercancía es la inteligencia misma. En esta guerra donde el costo marginal lo es todo, los modelos de código abierto chinos parecen gratuitos, pero sus costos de servicio no son bajos en absoluto. El pánico de los laboratorios de vanguardia se debe principalmente a que aún no se han adaptado a las nuevas reglas del juego, donde el enfoque ya no está en el costo de entrenamiento, sino en la escala de inferencia.

Una vez conté una historia sobre mi experiencia el primer día de STRT-431 en la Escuela de Negocios Kellogg, un curso obligatorio para todos los nuevos estudiantes de MBA. Al revisar los materiales del curso y los estudios de caso, me decepcioné al descubrir que no había ninguna empresa tecnológica en el programa. Fui a preguntarle al profesor por qué, y la respuesta fue: el objetivo de este curso no es estudiar una industria específica, sino descubrir principios universales aplicables a cualquier industria y cualquier empresa.

Como siempre digo, en ese momento no estaba satisfecho con esa respuesta: en mi opinión, la naturaleza fundamental de la tecnología, especialmente el costo marginal cero y el costo de transacción cero del software y su distribución, es radicalmente diferente. Llenar la fórmula con ceros suele desestabilizarlo todo. Pero rápidamente me di cuenta de que esto era precisamente mi oportunidad. La idea central de la Teoría de la Agregación es que la cadena de valor generada por el costo marginal cero es completamente distinta a lo que la gente esperaba del internet: en un mundo donde controlar la demanda es más importante que distribuir la oferta, verás centralización y escalabilidad.

Sin embargo, lo interesante de la IA es que los antiguos principios universales están regresando al primer plano. Esto se manifestó más claramente el fin de semana pasado, cuando estalló una intensa discusión en X sobre Kimi K3. Kimi K3 es otro modelo de peso abierto lanzado en China, cuyas capacidades están acercándose al nivel más avanzado. En resumen: el costo marginal ha regresado de una manera significativa, tanto desde la perspectiva del impacto a corto plazo de los modelos gratuitos más avanzados como desde la estructura a largo plazo de la industria.

Uno de los malentendidos más comunes sobre los modelos de pesos abiertos es que son más baratos, o incluso gratuitos. Después de todo, puedes descargar directamente los pesos y omitir el tiempo, los costos y la capacidad necesarios para crear tu propio modelo. Esto es cierto, pero la palabra "gratuito" aquí se refiere a la cantidad que gastas en investigación y desarrollo (I+D). La I+D es un gasto fijo, independiente de tus ingresos. Si gastas un millón de dólares en I+D, ya sea que tus ingresos sean de 100.000 dólares o de 100 millones de dólares, aún así habrás gastado un millón de dólares en I+D (por supuesto, esto afecta tu rentabilidad).

Lo relacionado con los ingresos es el COGS — costo de los bienes vendidos — y para la IA, el COGS es real, algo que la industria del software no ha experimentado durante mucho tiempo. Específicamente, ejecutar inferencias en modelos — ya sea Kimi o Fable — cuesta dinero, y los proveedores de IA gastan en inferencias una cantidad que, al menos en la mayoría de los modelos de negocio, está directamente relacionada con los ingresos. Tomando el ejemplo anterior, generar 100 millones de dólares en ingresos frente a 100.000 dólares en ingresos podría requerir 1.000 veces más COGS. Específicamente, si el costo de tokens para generar 1 dólar en ingresos es de 50 centavos, entonces 100 millones de dólares en ingresos tendrán 50 millones de dólares en COGS, mientras que 100.000 dólares en ingresos tendrán solo 50.000 dólares en COGS.

El punto clave sobre los modelos de peso abiertos es que no son servicios gratuitos. El costo de Kimi K3 es de 3 dólares por millón de tokens de entrada y 15 dólares por millón de tokens de salida. Esto es más barato que los 5 dólares por millón de tokens de entrada y 30 dólares por millón de tokens de salida de Sol, pero esto podría no ser la métrica correcta.

El CEO de NVIDIA, Jensen Huang, describió lo que NVIDIA está construyendo como una "fábrica de tokens", y desde la perspectiva de NVIDIA, esta afirmación es razonable. Las GPU de NVIDIA no están diseñadas para modelos específicos: generan tokens y lo hacen de la manera más rápida y eficiente posible. Esto ha llevado a la aparición de métricas como tokens por segundo, tiempo hasta el primer token, tokens por vatio y costo por token, que Huang considera que se convertirán en la base para la toma de decisiones.

Este marco tenía sentido en el primer paradigma de la IA: la era de ChatGPT, cuando los tokens se entregaban directamente al usuario final. Sin embargo, el segundo paradigma de la IA, la era del razonamiento, altera este método de medición. El razonamiento implica un crecimiento exponencial de los tokens de cadena de pensamiento, y diferentes modelos requieren cantidades distintas de tokens de razonamiento para obtener la respuesta correcta. Por ejemplo, se informa que Kimi utiliza una cantidad significativamente mayor de tokens que Sol, lo que anula su ventaja de precio. Los agentes introducen una dinámica similar: algunos modelos son más eficientes en la cantidad de tokens necesarios para ejecutar flujos de trabajo de agentes.

Esto significa que los tokens no son mercancías. La característica definitoria de una mercancía es que es intercambiable: un galón de petróleo es igual a otro galón de petróleo, una tonelada de cobre es igual a otra tonelada de cobre, un bushel de trigo es igual a otro bushel de trigo. Pero un token de un modelo es diferente de un token de otro modelo. Lo que es intercambiable es lo construido con los tokens: la inteligencia. En otras palabras, si Kimi y Sol generan respuestas correctas, esa respuesta es intercambiable. La diferencia en la cantidad de tokens necesarios para generar una respuesta correcta provoca diferencias en el COGS.

El COGS inteligente es una función de varios factores distintos:

Espacio ocupado por el modelo: los pesos y el estado en tiempo de ejecución determinan cuánta memoria costosa y cuántos aceleradores se necesitan para alojar cada copia del servicio.

Efficiency of inference: Architecture choices (such as mixture-of-experts models) reduce computational cost per generated token

Eficiencia de memoria: La elección de arquitectura puede reducir la necesidad de caché KV, permitiendo más solicitudes simultáneas y una mejor utilización de la GPU

Efficiency: Batch processing, scheduling, prefix caching, and other inference optimizations maximize utilization and share work across requests

Token efficiency: The fewer tokens required to reach the correct answer, the lower the reasoning cost

Esto es importante porque nos estamos acercando rápidamente a un estado en el que la inteligencia es un bien comercial para muchas tareas económicamente beneficiosas. Por ejemplo, cualquier persona que desarrolle una aplicación básica de CRUD podría utilizar modelos de múltiples proveedores para lograrlo. Y en un mercado de bienes comerciales, el camino hacia la rentabilidad no consiste en cobrar precios más altos —puedes (o pronto podrás) crear la misma aplicación exacta con múltiples modelos—, sino en poseer una estructura de costos superior.

Aquí vale la pena analizar el mecanismo, ya que, como señalé hace varios meses en “La durabilidad de Amazon”, la dinámica de los mercados de productos no es familiar para los profesionales de la tecnología:

En los mercados de productos, todos pagan el mismo precio porque todos venden lo mismo. Este precio está determinado por la oferta y la demanda.

La demanda de un bien es una función de la elasticidad de precio: cuanto más barato sea el bien, mayor será la demanda, y viceversa.

La oferta de un bien es una función del costo marginal de producción del bien.

Lo fundamental es entender que los costos marginales de producción varían entre diferentes proveedores. En la práctica, esto significa que el proveedor con la estructura de costos menos eficiente termina vendiendo sus productos a su costo marginal (si aún puede producir). Las ganancias de todos los demás dependen de cuánto mejor es su estructura de costos en comparación con el proveedor marginal.

Por ejemplo:

El proveedor A puede producir 10 unidades del producto a un costo de 10 dólares por unidad.

El proveedor B puede producir 10 unidades del producto a un costo de 15 dólares por unidad.

Supplier C can produce 10 units of the product at a cost of $20 per unit.

Supongamos que la elasticidad de precio genera una demanda de 25 unidades del producto a un precio de 20 dólares. Esto significa:

El proveedor A venderá 10 unidades a 20 dólares, ganando 10 dólares por unidad.

El proveedor B venderá 10 unidades a 20 dólares, ganando 5 dólares por unidad.

Proveedor C venderá 5 unidades a 20 dólares, ganando 0 dólares por unidad.

Esto no es del todo preciso: el proveedor C enfrenta la escasez porque los proveedores A y B pueden reducir ligeramente sus precios, lo cual, por supuesto, afecta la demanda (elástica), pero ilustra el problema. El proveedor A tiene un buen negocio, el proveedor B tiene un negocio decente y el proveedor C está al borde de la quiebra.

El riesgo de quiebra es donde los costos fijos regresan al primer plano: el proveedor C tiene costos fijos (como posibles gastos de investigación y desarrollo) y también podría haber contraído deuda para financiar el equipo necesario para producir los bienes. No puede fijar los precios de los bienes en función de estos costos —recuerde, el precio de equilibrio del mercado se acerca al costo marginal de la unidad más costosa que satisface la demanda— pero estos costos pueden absolutamente expulsar al proveedor del mercado. Si el proveedor quiebra, los precios aumentarán hasta que otro proveedor decida entrar (u otro proveedor se expanda).

Volvamos al modelo. Ahora, todos los análisis anteriores no aplican, ya que la demanda de modelos de vanguardia supera la oferta, y esta oferta está limitada por la escasez de capacidad de cómputo. Esta escasez de capacidad de cómputo no solo significa que proveedores como NVIDIA puedan obtener márgenes de beneficio muy altos, sino también que los clientes de NVIDIA, como SpaceXAI, puedan revender la capacidad de cómputo a empresas como Anthropic con altos márgenes de beneficio. Al mismo tiempo, Anthropic puede pagar estos recargos porque puede vender los tokens con recargos aún mayores.

Sin embargo, no es solo la demanda excesiva lo que otorga a Anthropic márgenes de beneficio tan altos: Anthropic y OpenAI probablemente tienen el costo más bajo por unidad de inteligencia de vanguardia, gracias a la capacidad de los modelos, la escala del servicio y la eficiencia de los tokens. Sirven modelos con niveles específicos de capacidad meses antes que sus competidores, al tiempo que aplican los mejores modelos para optimizar estos costos.

También es importante destacar que el mercado aún no considera la inteligencia como una mercancía: la demanda está específicamente dirigida a Anthropic y OpenAI, y es mucho menor para modelos menos avanzados (por lo que SpaceXAI y Meta venden su capacidad a Anthropic). Una forma de pensar en la fuerza impulsora detrás de la optimización de costos es que esta es una función del nivel de inteligencia definido para el trabajo por completar, permitiendo que los compradores de inteligencia creen un mercado donde la inteligencia se convierta en una mercancía. Sin embargo, a largo plazo, quienquiera que esté a la vanguardia tendrá la mayor capacidad para dominar los mercados no de vanguardia, que son simplemente la vanguardia menos n meses, es decir, los meses durante los cuales los fabricantes de modelos de vanguardia han estado optimizando sus costos de servicio.

Todo esto dice que creo que la reacción general hacia Kimi y los modelos chinos es bastante exagerada, al menos desde una perspectiva económica. Ahora hay un paraguas de precios, que es un resultado secundario de la escasez de capacidad de cómputo. Dudo mucho que los modelos chinos ofrezcan servicios más baratos sobre la base del costo marginal; simplemente parecen más baratos porque la oferta de Anthropic y OpenAI está tan restringida que cobran precios mucho más altos de los que cobrarían si hubiera suficiente oferta para satisfacer la demanda de inteligencia.

Entonces, ¿por qué los fabricantes de modelos parecen estar tan asustados por los modelos chinos?

En primer lugar, creo que el laboratorio de vanguardia se ancla en un mundo donde el costo de entrenamiento domina su modelado financiero. Mientras el entrenamiento consuma más GPU que la inferencia, resulta crucial maximizar los ingresos de inferencia para ayudar a financiar la próxima ejecución de entrenamiento, lo que implica cobrar precios muy altos por la inferencia.

Sin embargo, mirando hacia el futuro, espero que el crecimiento del mercado de razonamiento sea mucho más rápido que el de los costos de entrenamiento (lo que asume que los costos de entrenamiento continuarán aumentando drásticamente), lo que significa que realmente podrán compensar con volumen. Hasta hace ocho meses, no estaba claro si esto se haría realidad, pero el potencial desbloqueado por el paradigma de Agentes es tan enorme que los laboratorios líderes deberían tener más confianza en que no solo podrán sobrevivir a precios más bajos, sino también prosperar (una vez que tengan suficiente poder de cómputo).

En segundo lugar, la inteligencia no es realmente un bien perfecto, en parte porque el uso de la inteligencia la vuelve más inteligente. Específicamente, cualquier persona que ejecute inferencia también recopila datos, y estos datos se utilizan para mejorar los modelos en la siguiente iteración. Por un lado, esto justifica aún más que los laboratorios de vanguardia reduzcan los precios y aumenten el uso cuando disponen de más capacidad de cómputo. Por otro lado, es por esto que empresas como Microsoft se están volviendo cada vez más obsesionadas con ayudar a las empresas a ejecutar sus propios modelos. Si los modelos chinos son una alternativa viable, esto se vuelve aún más factible.

En tercer lugar, otra forma en que los laboratorios de vanguardia no solo pueden destacarse de los modelos chinos, sino también diferenciarse entre sí, es integrándose hacia arriba en la experiencia del cliente. Claude Code y Codex han demostrado ser sorprendentemente adhesivos: cualquiera que sea la herramienta con la que comiences, es probable que sea la que sigas usando, especialmente para usuarios no técnicos. A largo plazo, esta necesidad de avanzar hacia arriba significa que los modelos de vanguardia representan una amenaza real para los proveedores de software, incluido Microsoft. Por otro lado, en la medida en que las empresas de software que actualmente poseen la experiencia del cliente puedan acceder a modelos competitivos, podrán resistir la erosión de los laboratorios de vanguardia.

Finalmente, el enfoque ideológico de Anthropic es particularmente difícil de ignorar. Es una empresa que cree que solo ella puede ser confiada con la IA, y la existencia de alternativas de pesos abiertos socava fatalmente esta suposición.

Kimi no es el único nuevo modelo chino. Bloomberg informa:

El precio de las acciones de Alibaba Group Holding Ltd. aumentó un 5.4% el lunes, tras el lanzamiento de la versión preliminar de su modelo insignia Qwen3.8 Max, que la empresa describió como el segundo mejor después del Fable 5 de Anthropic. Este lanzamiento el domingo ocurrió apenas días después de que la startup Moonshot AI presentara un nuevo producto potente, lo que conmocionó el mercado y generó preocupaciones en Estados Unidos sobre que China esté reduciendo la brecha con líderes globales como Anthropic y OpenAI. Qwen3.8 Max cuenta con 2.4 billones de parámetros y se une al Kimi K3 de Moonshot AI en la categoría de peso pesado. El K3, con 2.8 billones de parámetros, puede competir con los productos de élite, y Alibaba también ha establecido expectativas igualmente altas.

Los desarrolladores ahora pueden acceder a Qwen3.8 Max a través de la plataforma de codificación de Alibaba (incluyendo Qoder). Alibaba planea abrir pronto los pesos del modelo, ampliando el acceso más allá de la versión de prueba. El interés en estos sistemas y modelos de inteligencia artificial fabricados en China es tan alto que Moonshot fue obligada a suspender temporalmente la aceptación de nuevas suscripciones el domingo por la noche para hacer frente a la demanda abrumadora.

El precio de las acciones de Alibaba Group Holding Ltd. subió hasta un 5.4% el lunes, tras el lanzamiento de una versión preliminar de su modelo insignia Qwen3.8 Max, que la empresa describió como el segundo mejor tras el Fable 5 de Anthropic PBC. Este lanzamiento el domingo ocurrió apenas días después de que Moonshot AI presentara un nuevo producto potente, lo que conmocionó el mercado y generó preocupaciones en Estados Unidos sobre el avance de China en la追赶 a líderes globales como Anthropic y OpenAI. Qwen3.8 Max cuenta con 2.4 billones de parámetros y se une al Kimi K3 de Moonshot en la categoría de peso pesado. El K3, con 2.8 billones de parámetros, puede competir con los productos de élite, y Alibaba también ha establecido expectativas igualmente altas.

Los desarrolladores ahora pueden acceder a Qwen3.8 Max a través de la plataforma de codificación de Alibaba, incluyendo Qoder. Alibaba planea abrir pronto los pesos del modelo, ampliando el acceso más allá de la versión de previsualización. La demanda de estos sistemas y modelos de inteligencia artificial fabricados en China es tan alta que Moonshot se vio obligada a suspender temporalmente la aceptación de nuevas suscripciones el domingo por la noche para hacer frente a la demanda abrumadora.

Es notable que Qwen3.8 Max también abrirá sus pesos. Alibaba dejó de publicar los pesos de sus modelos líderes a principios de este año, pero parece haber cambiado de opinión; sospecho que este giro está relacionado con el discurso de Xi Jinping sobre la IA de la semana pasada, que reforzó aún más el enfoque de apertura de pesos:

Debemos adherirnos al principio de apertura y beneficio mutuo, impulsando el desarrollo impulsado por la innovación. Como nuevo motor del crecimiento económico mundial y acelerador de la transformación de las fuerzas motrices de crecimiento, la inteligencia artificial está pasando del mundo digital al mundo físico. Debemos aprovechar esta oportunidad histórica única, fomentando la apertura, la colaboración y el intercambio de código abierto. Debemos promover la innovación tecnológica, el desarrollo industrial y las aplicaciones prácticas de la inteligencia artificial. Debemos coordinar la modernización y transformación de las industrias tradicionales, el fortalecimiento de las industrias emergentes y la planificación prospectiva de las industrias del futuro, para que todos los sectores puedan beneficiarse de la inteligencia artificial.

La estrategia china es evidente: comercializa tus bienes complementarios. Observe que Xi Jinping vinculó explícitamente la apertura con la IA "que pasa del mundo digital al mundo físico"; el mundo físico es un mundo liderado por China, y el liderazgo de China en áreas como la robótica se beneficiará enormemente de modelos de IA ampliamente disponibles.

Asimismo, China no desea que Estados Unidos obtenga una ventaja asimétrica en IA; sería aún mejor si China pudiera debilitar los laboratorios líderes de Estados Unidos mientras fortalece a cualquier y todos los posibles rivales de Estados Unidos, y además puede beneficiarse de la innovación asociada a ecosistemas abiertos.

Del mismo modo, no espere que China tome ninguna medida contra los ataques de destilación en laboratorios de vanguardia. Creo que atribuir todos los éxitos de los laboratorios chinos a la destilación es incorrecto, pero también es erróneo fingir que la destilación no les ha brindado una ventaja significativa. Esta ventaja se ha manifestado realmente durante el último año, ya que el aprendizaje por refuerzo posterior al entrenamiento se ha vuelto cada vez más importante para el rendimiento del modelo. Los laboratorios chinos no necesitan construir desde cero entornos de aprendizaje por refuerzo; en cambio, pueden simplemente utilizar modelos de laboratorios de vanguardia como maestros para lograr mejoras rápidas a un costo mucho más bajo (esta no es la única razón por la que el costo de desarrollo de modelos en China es más bajo, pero sí una importante).

Curiosamente, uno de los usos más importantes de los modelos chinos en Occidente es precisamente la destilación. Por ejemplo, Thinking Machines, que acaba de lanzar modelos con pesos abiertos, depende de modelos chinos para resolver el problema de arranque en frío del aprendizaje por refuerzo. Dean Meyer y Konstantine Buhler publicaron un excelente artículo en X explicando que la destilación significa que los modelos occidentales de pesos abiertos están fundamentalmente en desventaja frente a los chinos:

La destilación no explica toda la ventaja de China en modelos abiertos. Los laboratorios chinos cuentan con investigadores de clase mundial, gran cantidad de capacidad de cómputo, modelos preentrenados potentes, diseño coordinado de software y hardware, y capacidades de entrenamiento posterior en rápida mejora. Pero la destilación comprime el costoso último paso entre una base potente y sistemas cercanos a la vanguardia. Incluso si la destilación representa una pequeña proporción de la capacidad total de los modelos chinos, ocupa una parte significativa de su ventaja relativa sobre los modelos abiertos estadounidenses.

El nuevo mecanismo de aplicación hará que la destilación a gran escala sea más difícil, más lenta y más costosa para las empresas chinas. Sin embargo, la aplicación no puede eliminar la destilación respaldada por actores estatales. Por lo tanto, cada avance occidental crea otro maestro para los laboratorios chinos. Los constructores occidentales deben replicar independientemente estas capacidades o esperar a aprender de los modelos chinos. Esta brecha proporciona a los laboratorios chinos una ventaja estructural recurrente frente a las empresas occidentales.

Esto vale la pena repetir: debido a que los fabricantes occidentales de modelos de pesos abiertos deben cumplir con los términos de servicio de los laboratorios líderes, ellos (1) son menos competitivos que sus alternativas chinas y (2) finalmente obtienen modelos destilados que simplemente pasan por laboratorios chinos. ¿No sería mejor si los fabricantes occidentales de modelos de pesos abiertos pudieran acceder directamente desde la fuente?

Para esto, hay una pregunta aún más interesante sobre la destilación: ¿por qué es realmente mala? ¿No son los modelos de lenguaje grandes precisamente la destilación de todo el conocimiento disponible en internet abierto, recopilado y destilado por laboratorios de vanguardia en modelos que están siendo destilados? ¿Quién resulta perjudicado aquí?

De hecho, esta paradoja es la solución. Creo que los modelos de pesos abiertos favorecen la innovación (y, según lo anterior, creo que los laboratorios de vanguardia estarán bien), pero depender de China es un problema. Estados Unidos debería aprobar una ley que (1) establezca claramente que la recopilación de datos para entrenar modelos constituye un uso legítimo, y (2) prohíba al menos a las empresas estadounidenses los términos de servicio que impidan la destilación. Impedir la destilación —que en realidad es consultar una API— es casi imposible; Estados Unidos debería tomar otro camino, inclinándose hacia una nueva política de derechos de autor que proteja a los laboratorios y garantice al mismo tiempo que el conocimiento que adquieren impulse la innovación de otros.

El artículo completo ha estado mitigando las reacciones excesivas hacia Kimi K3 y los modelos de peso abierto chinos; sin embargo, hay una razón para preocuparse: la ciberseguridad. Considera esta historia de The Stack:

Hugging Face indicó que su infraestructura de producción fue comprometida la semana pasada por un sistema de agentes de IA "autónomos". El equipo de seguridad de la plataforma inicialmente se encontró con obstáculos en la respuesta a incidentes (IR) debido a los límites de modelos de LLM estadounidenses no identificados, "que no podían distinguir entre los respondientes a incidentes y los atacantes", dijeron. Por lo tanto, los defensores de Hugging Face recurrieron al modelo de código abierto GLM 5.2 del laboratorio chino Z.ai, ejecutándolo en su propia infraestructura para analizar más de 17.000 registros o huellas dejadas por los atacantes.

Para Hugging Face, con sede en Nueva York, este es un reconocimiento público significativo, ya que la empresa permite a los usuarios colaborar en modelos, conjuntos de datos y aplicaciones, alcanzando este verano el hito de 100 millones de dólares en ARR. En un informe de incidente, la empresa sugiere a los defensores "preparar con anticipación un modelo capaz de ejecutarse en su propia infraestructura [nuestra negrita], para evitar el bloqueo por controles y evitar que los atacantes exfiltrén datos y credenciales de tu entorno."

Es difícil exagerar cuán errónea fue la reacción de pánico del gobierno de Trump ante el lanzamiento de Fable por parte de Anthropic, especialmente porque intensificó la peor tendencia de Anthropic: asumir que solo ellos pueden ser confiados para usar IA poderosa. En un mundo con una sola IA, podrían tener sentido reservar las capacidades más potentes de ciberseguridad para el gobierno de EE.UU. y aliados confiables; sin embargo, este no es el mundo en el que vivimos.

Ya existen y existirán modelos completamente capaces de lanzar ataques cibernéticos contra la infraestructura actual, y estos modelos serán —ya son— ampliamente accesibles. La mejor defensa —de hecho, la única defensa viable— será asegurar que los defensores también tengan acceso a los mejores modelos. Ahora, debido a las instrucciones del gobierno de Trump, los defensores están efectivamente prohibidos de usar Fable o Sol para ciberseguridad; esto significa que la mejor alternativa es usar modelos provenientes de un país que durante años ha intentado debilitar nuestras defensas cibernéticas. ¡Esto es absurdo!

La mejor práctica es ser claro: primero, relajar las restricciones de Fable y Sol en ciberseguridad; segundo, garantizar que los fabricantes estadounidenses de modelos de pesos abiertos compitan en un entorno equitativo con China. Sí, los laboratorios de vanguardia harán mucho ruido, pero el gobierno debe reconocer que ceder a su histeria ha llevado a Estados Unidos a una situación en la que las empresas estadounidenses dependen de China para la defensa. Deje que los laboratorios de vanguardia ganen mediante un mejor desempeño; no les permita definir la seguridad o la protección, ni que derriben la escalera del conocimiento colectivo humano. Ya es lo suficientemente difícil para China competir; permitirles llevar la bandera de la apertura y la innovación es renunciar a nuestra ventaja más grande.