China puso en marcha una estrategia para aumentar la producción y distribución internacional de datos destinados al entrenamiento de sistemas de inteligencia artificial. El plan contempla desarrollar conjuntos de información especializados en áreas como ciencia, industria y vehículos autónomos, además de facilitar su utilización por investigadores y empresas de otros países. El Gobierno chino considera que disponer de datos abundantes y de mayor calidad será un componente central de la competencia tecnológica internacional.

La iniciativa es impulsada por la Administración Nacional de Datos de China, que fijó como objetivo convertir al país en una potencia en este campo hacia finales de 2028. Durante 2026, Beijing también manifestó su intención de compartir recursos con países emergentes interesados en desarrollar modelos propios. Laboratorios públicos y otras instituciones chinas comenzaron además a publicar grandes conjuntos de información que pueden descargarse desde repositorios internacionales.

La estrategia responde, en parte, a una dificultad detectada por investigadores y autoridades del país: buena parte de los materiales utilizados históricamente para entrenar grandes modelos de lenguaje se encuentra en inglés. Estudios realizados en China desde los primeros años de expansión de herramientas como ChatGPT señalaron errores en respuestas sobre historia y cultura local, además de diferencias en la manera de abordar determinados asuntos políticos.

La competencia por los datos de mayor calidad

El volumen de información disponible no garantiza por sí solo que pueda utilizarse eficazmente para entrenar sistemas avanzados. China cuenta con enormes cantidades de datos procedentes de empresas, organismos públicos y plataformas digitales, pero parte de ese material permanece distribuido entre instituciones que no siempre lo comparten entre sí.

Xiaomeng Lu, directora de la consultora Eurasia Group, señaló que uno de los principales objetivos de Beijing es reducir esos «silos de datos». El plan oficial contempla facilitar el intercambio de información entre organismos estatales, compañías y universidades para generar bases más amplias y útiles para el desarrollo de inteligencia artificial.

China busca además avanzar hacia conjuntos de información con mayores niveles de especialización. El esquema prevé pasar de tareas básicas de etiquetado a procesos de «anotación por expertos», en los que profesionales de diferentes disciplinas aportan información técnica para mejorar las capacidades de los modelos. Incluso se impulsa que universidades incorporen formación relacionada con este tipo de trabajo.

Estados Unidos cuenta actualmente con compañías especializadas en generar datos de entrenamiento mediante profesionales de distintas áreas. Empresas de ese mercado contratan desde personas encargadas de clasificar imágenes hasta matemáticos, abogados y otros especialistas que producen o revisan información compleja. La competencia se extiende así desde los modelos y los chips hasta los propios insumos utilizados para entrenar los sistemas.

Las diferencias culturales y políticas dentro de los modelos

La procedencia de los datos también puede influir sobre las respuestas generadas por una inteligencia artificial. Un estudio publicado en Nature analizó cómo distintos modelos respondían a preguntas sobre China en inglés y en chino. Los investigadores encontraron que las contestaciones formuladas en chino tendían a presentar posiciones más favorables hacia Beijing en determinados asuntos políticos.

Los autores plantearon como posible explicación la presencia considerable de contenidos de medios estatales chinos dentro de las fuentes disponibles en ese idioma. Brandon Stewart, profesor de sociología de la Universidad de Princeton y uno de los investigadores, señaló que los usuarios de un chatbot no necesariamente conocen el origen de la información utilizada para construir una respuesta.

Algunos especialistas occidentales expresaron por ese motivo preocupación sobre cómo una mayor circulación internacional de conjuntos de datos producidos en China podría influir sobre futuros sistemas. Alex Colville, del Instituto Australiano de Políticas Estratégicas, advirtió que la procedencia y selección de los materiales pueden trasladar determinados valores o perspectivas a los modelos. Se trata, sin embargo, de un problema que alcanza de manera general al entrenamiento de inteligencia artificial, ya que cualquier conjunto de datos puede incorporar sesgos vinculados con sus fuentes y criterios de selección.

Los modelos desarrollados dentro de China también están sujetos a regulaciones nacionales sobre los contenidos que pueden producir. Herramientas como DeepSeek aplican restricciones frente a determinadas preguntas relacionadas con la política interna del país. Esas condiciones forman parte de las diferencias regulatorias entre los principales mercados de inteligencia artificial.

WanJuan, una de las apuestas de Beijing

Entre los recursos que China puso a disposición de desarrolladores internacionales aparece WanJuan, cuyo nombre puede traducirse como «los diez mil pergaminos». La base fue desarrollada por el Laboratorio de Inteligencia Artificial de Shanghái, una institución financiada por el Estado, y reúne materiales sobre historia, derecho, medicina, deportes, actualidad y literatura.

El conjunto fue diseñado para incorporar lo que sus responsables denominan «valores chinos predominantes» y puede utilizarse como punto de partida para entrenar o perfeccionar sistemas de inteligencia artificial. Además del chino, existen versiones con contenidos en árabe, coreano, ruso, tailandés y vietnamita. Parte del material se encuentra disponible a través de repositorios internacionales como GitHub y Hugging Face.

La expansión de estos conjuntos muestra que la competencia entre China y Estados Unidos por la inteligencia artificial no se limita a procesadores, centros de datos o modelos avanzados. La capacidad de producir, organizar y distribuir información de entrenamiento se convirtió en otro componente de esa disputa tecnológica. Al mismo tiempo, el origen y la composición de esas bases abren un debate sobre cómo las diferencias culturales, políticas y regulatorias pueden reflejarse en los sistemas utilizados por usuarios de distintas partes del mundo.