Resumen en 30 segundos: El 8 de octubre de 2024, el Premio Nobel de Física fue otorgado al físico que formuló la red de Hopfield y al científico cognitivo que desarrolló la retropropagación1. Al día siguiente, el 9 de octubre, el Premio Nobel de Química fue concedido a tres investigadores que usaron IA para resolver el problema del plegamiento de proteínas, pendiente desde hacía cincuenta años2. El 29 de mayo del mismo año, Jensen Huang, CEO de NVIDIA, apareció en el mercado nocturno de Ningxia, en Taipéi, comiendo omelet de ostras con Morris Chang, Barry Lam y Rick Tsai. TSMC obtuvo el 72% de los ingresos del mercado global de fundición de obleas, y Foxconn, Quanta y Wistron producen en conjunto el 90% de los servidores de IA del mundo. Pero en esa ceremonia científica de dos días consecutivos, que otorgó legitimidad retrospectiva a cuarenta y dos años de historia de las redes neuronales, no hubo ningún nombre de Taiwán. Desde Taiwan AI Labs, fundado por Ethan Tu, creador de PTT, hasta TAIDE, el gran modelo de lenguaje en chino tradicional por el que apuesta el gobierno, está en marcha una apuesta que va de “fabricar IA” a “convertirse en IA”.
42 años de reconocimiento: dos Nobel en dos días en 2024
La mañana del 8 de octubre de 2024, Estocolmo. La Real Academia Sueca de las Ciencias anunció que el Premio Nobel de Física de ese año se otorgaba a dos científicos de la IA: John J. Hopfield, profesor emérito de Princeton de 91 años, y Geoffrey Hinton, de 76 años, quien había dejado Google apenas cinco meses antes. El premio de 11 millones de coronas suecas se repartió a partes iguales1.
El comité evaluador fundamentó su decisión en los «descubrimientos e invenciones fundamentales que permiten el aprendizaje automático con redes neuronales artificiales»1. Es la primera vez en la historia del Nobel de Física que el galardón recae directamente en el campo de las redes neuronales.
Al día siguiente, 9 de octubre, el de Química. Tres galardonados: David Baker, de la Universidad de Washington, y dos investigadores de DeepMind, Demis Hassabis y John Jumper. Baker recibió la mitad del premio, mientras que Hassabis y Jumper compartieron la otra mitad2. La fundamentación se dividió en dos partes: la primera, para Baker, por el «diseño computacional de proteínas»; la segunda, para Hassabis y Jumper, por la «predicción de la estructura de proteínas».
Dos días, dos Nobel, ambos vinculados a la IA. No hay precedentes en la historia de los premios Nobel.
Comparemos la línea temporal: cuando Hopfield publicó en 1982 en las Actas de la Academia Nacional de Ciencias de EE. UU. (PNAS) el artículo titulado «Neural networks and physical systems with emergent collective computational abilities», acababa de dar el salto de la física de la materia condensada a la neurociencia3. De 1982 a 2024, nada menos que 42 años. El artículo de 1986 en el que Hinton y Rumelhart convirtieron el algoritmo de retropropagación en una herramienta práctica4 tardó 38 años en ser reconocido. AlphaFold, desde su debut en CASP13 en 2018 hasta el Nobel de 2024, solo necesitó 6 años.
En el fondo, lo que estos dos días de Nobel premian no es ChatGPT, sino esos artículos de hace tres o cuatro décadas que casi nadie entendía. El desfase entre la investigación básica y la aplicación industrial siempre ha sido así.
Geoffrey Hinton, Nobel de Física 2024, semana Nobel de Estocolmo. Foto: Arthur Petron, 2024-12-08. CC BY-SA 4.0 vía Wikimedia Commons.
Una cena de billones en el mercado nocturno de Ningxia
La tarde del 29 de mayo de 2024, en vísperas de la apertura de Computex, apareció un grupo inusual de comensales en el mercado nocturno de Ningxia, en Taipéi. Jensen Huang, CEO de NVIDIA, llevó a Morris Chang, fundador de TSMC; Barry Lam, presidente de Quanta; y Rick Tsai, CEO de MediaTek, a comer omelet de ostras frente a un puesto5. Los transeúntes reconocieron a Huang y, en segundos, quedaron rodeados por admiradores y periodistas, en una escena comparable al seguimiento de una estrella.
El valor de mercado combinado alrededor de esa comida superaba varios billones de dólares. Pero la historia real no estaba en la mesa, sino en la cadena industrial detrás de ella: las empresas representadas por esas personas sostienen la base física del cómputo global de IA. Durante ese viaje a Taiwán, Huang dijo públicamente: “Taiwán es uno de los países más importantes del mundo”6. No era una cortesía. Sin Taiwán, la revolución de la IA no tendría cimientos de hardware.
Jensen Huang nació en Taipéi en 1963, pasó su infancia en Tainan y emigró a Estados Unidos a los nueve años7. NVIDIA, que cofundó en 1993, es hoy sinónimo de chips de IA. Cada GPU avanzada diseñada por NVIDIA, desde las A100 y H100 que entrenaron ChatGPT hasta la serie Blackwell más reciente, se fabrica íntegramente en TSMC8.
Cuatro meses después, las listas de los dos Nobel anunciadas en Estocolmo no incluyeron ningún nombre vinculado a aquella cena. Esa brecha no es una coincidencia; es un hecho estructural.
Hardware: una isla sostiene toda la revolución de la IA
Describir la posición de Taiwán en la cadena de suministro del hardware de IA como “clave” se queda corto.
En la fabricación de chips, TSMC capturó en 2025 el 72% de los ingresos del mercado global de fundición de obleas9. En los procesos más avanzados, por debajo de 7 nanómetros, su cuota supera el 90%. NVIDIA tiene alrededor del 86% del mercado de GPU para IA, y esas GPU son fabricadas casi en su totalidad por TSMC10. La enorme mayoría de la capacidad de cómputo usada en el mundo para entrenar y ejecutar modelos de IA nace en salas limpias taiwanesas.
Una vez fabricados los chips, todavía deben ensamblarse en servidores para entrar a los centros de datos. Esa etapa también está dominada por Taiwán. Los tres grandes fabricantes ODM, Foxconn, Quanta y Wistron, producen en conjunto cerca del 90% de los servidores de IA del mundo11. En 2025, los ingresos anuales de cada una de estas tres empresas superaron el billón de dólares taiwaneses, unos 32.000 millones de dólares estadounidenses, y los ingresos por servidores de IA superaron por primera vez a los de electrónica de consumo en el segundo trimestre12.
El rendimiento de los chips de IA no depende solo de la miniaturización del proceso, sino también de la tecnología de empaquetado. CoWoS (Chip on Wafer on Substrate), el empaquetado avanzado de TSMC, es crucial para que las GPU de gama alta de NVIDIA alcancen sus objetivos de rendimiento. Para 2026, se estima que solo la demanda de NVIDIA por obleas CoWoS alcanzará las 595.000 unidades, el 60% de la demanda global13.
Foxconn, además, coopera con NVIDIA y el gobierno taiwanés para construir en Kaohsiung una supercomputadora de fábrica de IA de 100 megavatios (MW), basada en la arquitectura NVIDIA Blackwell más reciente14. Taiwán está pasando de ser “el lugar donde se fabrican chips de IA” a ser “el lugar donde se ejecuta IA”.
Planta Fab 5 de TSMC en Hsinchu, sitio físico de la fundición de chips de IA. Photo: Wikimedia Commons via TSMC Fab 5 file.
La pregunta es: una vez conseguido el boleto de entrada del hardware, ¿dónde será la próxima batalla?
📝 Nota curatorial
La fórmula habitual dice que “la montaña sagrada protectora de Taiwán sostiene la revolución de la IA”. La narración funciona, pero invierte a medias la causalidad. La revolución de la IA necesitaba GPU y por eso eligió a TSMC; no fue TSMC la que nació de la revolución de la IA. La verdadera tensión está en otra parte: cuando la GPU se vuelve una mercancía, ¿hacia dónde se desplazará la siguiente capa de valor? Los dos Nobel de 2024 ofrecieron una respuesta: el modelo mismo. Las 12 páginas que escribió Hopfield, la noche de 2012 en que Hinton y su estudiante Krizhevsky hicieron que AlexNet redujera la tasa de error de reconocimiento de imágenes de ImageNet de 26,2% a 15,3%15, y aquella tarde en que el equipo de Hassabis llevó a AlphaFold a obtener una mediana GDT de 92,4 en CASP14.
Hopfield 1982: el modelo de memoria de un físico
En 1982, el físico de materia condensada de Princeton, John Hopfield, escribió un artículo de apenas 12 páginas, con un título muy largo: «Neural networks and physical systems with emergent collective computational abilities», publicado en Proceedings of the National Academy of Sciences3.
Lo que hizo, en esencia, fue traducir la «memoria» al lenguaje de la física.
En física existe algo llamado spin glass (vidrio de espín): un conjunto de átomos magnéticos, cada uno con su propia dirección de espín, que interactúan entre sí, y el sistema completo encuentra espontáneamente un punto de energía mínima. Hopfield trasladó este concepto a las neuronas: imaginó las neuronas como espines, la fuerza de las conexiones como interacciones, y la red entera converge espontáneamente hacia un estado estable de «mínimo de energía» (energy minimum)3. Cada mínimo de energía corresponde a un recuerdo almacenado.
La elegancia de este modelo radica en que permite describir la memoria en lenguaje físico. Dada una pista incompleta, la red encuentra por sí misma el mínimo de energía más cercano y completa el recuerdo entero. Ese es el ancestro matemático de lo que hoy hace la IA generativa.
En 1982, en Taiwán la industria electrónica apenas despegaba y TSMC no existía aún. Morris Chang esperaría hasta 1987 para fundar la empresa que, 42 años después, se convertiría en la «montaña sagrada que protege al país»16. Las citas del artículo de Hopfield en Google Scholar superaban ya las 27 000 en 202616.
Más interesante aún es una frase que Hopfield dijo después. Pasó toda una vida haciendo física de materia condensada en Princeton, y su incursión en la neurociencia fue vista por sus colegas de entonces como un «pasatiempo». Hasta que se anunció el Nobel de 2024: a sus 91 años, la Real Academia Sueca de las Ciencias le preguntó en una entrevista telefónica por sus impresiones, y respondió que le inquietaba «que nadie entienda o controle la dirección de la IA»17.
Quien escribió los cimientos matemáticos de toda la IA moderna, el día en que recibió el galardón, nos recordó que tuviéramos cuidado.
_John J. Hopfield, premio Nobel de Física 2024, semana Nobel en Estocolmo. Foto: Arthur Petron, 2024-12-08. CC BY-SA 4.0 via Wikimedia Commons._
Hinton: el artículo de 1986 y la advertencia tras dejar Google en 2023
Geoffrey Hinton, nacido en Wimbledon, Londres, en 1947, es otra figura a la que la historia tardó 38 años en reconocer18.
En 1986, Hinton publicó junto con David Rumelhart y Ronald Williams un artículo en Nature sobre la retropropagación4. El algoritmo significa lo siguiente: cuando una red neuronal comete un error, la señal de error puede propagarse en sentido inverso por cada capa para ajustar, capa por capa, los pesos de conexión. Así es como todos los modelos de aprendizaje profundo actuales se entrenan a sí mismos.
El algoritmo fue escrito en 1986, pero necesitó que coincidieran tres cosas para explotar: cómputo suficientemente barato, datos suficientemente abundantes y personas dispuestas a creer en ese camino. Las dos primeras estuvieron listas a comienzos de la década de 2010; la tercera estuvo representada por Hinton y sus dos estudiantes, Alex Krizhevsky e Ilya Sutskever. En 2012, entrenaron con GPU la red neuronal convolucional AlexNet y lograron en la competencia de reconocimiento de imágenes ImageNet una tasa de error top-5 de 15,3%, muy por debajo del 26,2% del segundo lugar15. En ese momento, toda la industria empezó a creer que la retropropagación realmente funcionaba.
En marzo de 2013, Google compró por 44 millones de dólares la pequeña empresa de Hinton, DNNresearch, e incorporó al investigador, entonces de 65 años18. Durante la década siguiente, fue el académico de IA más prestigioso de Silicon Valley.
Luego, el 1 de mayo de 2023, The New York Times publicó una entrevista: Hinton había dejado Google.
El motivo de su salida no fue la jubilación. En la entrevista dijo que quería “poder hablar libremente sobre los riesgos de la IA sin tener que considerar cómo afectaría eso a Google”19. Sus advertencias incluían la posibilidad de que los sistemas de IA fueran pronto más inteligentes que los humanos, que actores maliciosos los usaran para hacer daño, y que fuera “difícil ver cómo impedirlo”19. Incluso dijo que una parte de él lamentaba el trabajo de toda su vida19.
Cuando el Nobel de Física de 2024 le fue otorgado, repitió en la entrevista telefónica la advertencia: había que tener cuidado con la posibilidad de que la IA se saliera de control20.
La persona que formuló el algoritmo de entrenamiento del aprendizaje profundo y la persona que formuló el modelo de memoria subieron el mismo día de octubre de 2024 al escenario de la Real Academia Sueca de Ciencias, y ambas advirtieron que aquello podía ser más peligroso de lo imaginado. La escena dialoga, de algún modo, con la expresión de Oppenheimer al ver elevarse la nube en forma de hongo en el desierto de Nuevo México en 1945.
Dos meses después, el 8 de diciembre de 2024, Hinton pronunció su conferencia de aceptación del Premio Nobel en el Aula Magna de la Universidad de Estocolmo. El título era «Boltzmann Machines»: el trabajo fundacional de la línea de Hopfield y Hinton que incorporó distribuciones probabilísticas termodinámicas a las redes neuronales. Después de escucharla, quedó claro que el artículo de backpropagation de 1986 no fue un hallazgo aislado, sino todo un sistema de pensamiento que surgió en los años ochenta en la intersección entre la física y la ciencia cognitiva.
Canal oficial de la Real Academia Sueca de Ciencias: conferencia de aceptación del Premio Nobel de Física de Geoffrey Hinton del 8 de diciembre de 2024, «Boltzmann Machines». Desde las Boltzmann machines que él y Sejnowski escribieron en los años ochenta, pasando por backpropagation, hasta los LLM de hoy: cuarenta años enteros. En los últimos 5 minutos volvió a exponer sus preocupaciones sobre el riesgo de la IA, esta vez desde el podio del Nobel.
De PTT a un laboratorio de IA: las dos empresas de Ethan Tu
Volvamos a la isla de Taiwán. En el mismo periodo en que Hopfield formulaba su modelo de memoria, Taiwán apenas empezaba a crear departamentos de informática.
En 1995, Ethan Tu, entonces estudiante de segundo año de Ciencias de la Computación en la Universidad Nacional de Taiwán, usó una computadora 486 y software de código abierto para montar desde su dormitorio PTT, que luego se convirtió en el mayor sistema de tablón electrónico de Taiwán. Treinta años después, PTT todavía reúne a cientos de miles de usuarios diarios y funciona como un fósil viviente de la cultura de internet taiwanesa.
Tu trabajó después en Microsoft, donde participó en el desarrollo del asistente de voz Cortana. En abril de 2017 dejó un salario alto en Silicon Valley y regresó a Taiwán para fundar Taiwan AI Labs, el primer instituto de investigación de IA abierto y sin fines de lucro de Asia21.
Su motivación era directa: Taiwán tenía talento de software de nivel mundial, pero ese talento se iba a Silicon Valley. Quería construir una plataforma donde quienes deseaban volver o quedarse pudieran hacer investigación en IA.
El producto más conocido de Taiwan AI Labs es “Yating Transcript”, un sistema de reconocimiento de voz optimizado para chino tradicional y acentos taiwaneses. Durante la pandemia de COVID-19, el laboratorio también desarrolló herramientas de detección de desinformación e IA médica basada en aprendizaje federado22. Estos proyectos tienen un punto en común: resuelven problemas locales de Taiwán, con datos locales de Taiwán, en lugar de limitarse a traducir modelos estadounidenses.
La historia de Ethan Tu, de PTT a AI Labs, es en cierto sentido un resumen del desarrollo del software taiwanés: no falta capacidad técnica; falta un ecosistema que permita retener talento.
💡 ¿Sabías que...?
En 1986, el año en que Hinton publicó la retropropagación, el PIB de Taiwán era de unos 77.900 millones de dólares, el PIB per cápita rondaba los 4.007 dólares, y el Parque Científico de Hsinchu llevaba apenas seis años en funcionamiento23. Las tres cosas ocurrieron simultáneamente en el mismo planeta, pero esa línea histórica no se cruzaría con ImageNet hasta 26 años después. La escala temporal de la investigación básica siempre es más larga que la percibida por la narrativa industrial.
AlphaFold: la otra mitad del Nobel por el problema de 50 años del plegamiento de proteínas
La historia del Nobel de Química de 2024 comienza con una pregunta de 1972.
Ese año, al recibir el Nobel de Química, el bioquímico estadounidense Christian Anfinsen planteó en su discurso una hipótesis: la estructura tridimensional plegada de una proteína está completamente determinada por su secuencia de aminoácidos24. Si la hipótesis era correcta, en teoría bastaría ver una secuencia de aminoácidos para calcular su estructura 3D correspondiente. Pero ese “en teoría” permaneció medio siglo sin realizarse. El plegamiento de proteínas fue considerado un gran desafío. Desde 1994, la comunidad académica organiza cada dos años la competencia CASP, en la que se comparan las predicciones presentadas con estructuras experimentales. Durante 13 ediciones, nadie logró el salto decisivo25.
Hasta CASP13 en 2018, cuando DeepMind presentó la primera generación de AlphaFold y ganó, aunque con una precisión todavía insuficiente para un uso práctico. El verdadero punto de inflexión llegó el 30 de noviembre de 2020, en CASP14: AlphaFold 2 obtuvo una mediana GDT de 92,425. GDT 92,4 significa que en más de la mitad de las predicciones, la desviación de las posiciones atómicas respecto de los valores experimentales fue inferior a un angstrom, alcanzando una resolución de nivel experimental. Ese día, John Moult, organizador de CASP, dijo que “en gran medida, el problema había sido resuelto”25.
Un problema que llevaba 50 años sin resolverse fue despejado en seis años por un equipo de investigación en Londres.
Luego todo avanzó todavía más rápido. En julio de 2021, se publicó como código abierto AlphaFold 2; ese mismo año, DeepMind colaboró con el Laboratorio Europeo de Biología Molecular (EMBL-EBI) para convertir las estructuras proteicas predichas por AlphaFold en una base de datos pública. En julio de 2022, esa base cubría un millón de especies y alrededor de 200 millones de estructuras proteicas, lo que equivale a liberar gratis modelos 3D de casi todas las proteínas conocidas del planeta26.
El 8 de mayo de 2024, DeepMind publicó AlphaFold 3 en Nature, ampliando su capacidad predictiva desde proteínas individuales hasta interacciones entre proteínas y ADN, ARN, ligandos e iones27. Desde el desarrollo de nuevos fármacos y el diseño de vacunas hasta la ingeniería enzimática, todos los campos que necesitan saber cómo encajan entre sí las moléculas vieron reescrita su base por esta herramienta.
Demis Hassabis, quien creó AlphaFold, no es un bioquímico tradicional. Empezó a jugar ajedrez a los cuatro años y obtuvo el título de maestro a los trece; a los diecisiete desarrolló junto con Peter Molyneux el videojuego de simulación Theme Park, que vendió millones de copias28. En 2010 fundó DeepMind en Londres junto con Shane Legg y Mustafa Suleyman; en 2014, Google la adquirió por 400 millones de libras28. En 2016, AlphaGo de DeepMind derrotó a Lee Sedol; en 2020 llegó AlphaFold 2; en 2024, el Nobel. Las tres cosas ocurrieron en menos de diez años.
La línea que las une es una misma apuesta: usar redes neuronales para resolver problemas que la mente humana no había podido resolver. El go es un sistema de reglas cerrado; el plegamiento de proteínas es abierto, pero con fuertes restricciones físicas. Hassabis eligió correctamente ambos campos de batalla.
En Taiwán, la investigación sobre glicomoléculas y proteínas construida durante la presidencia de Chi-Huey Wong en Academia Sinica (2006-2016) es la inversión académica local más cercana a esa frontera29. También hay equipos en el Instituto de Ciencias Biomédicas y el Instituto de Química Biológica de Academia Sinica que usan los pesos abiertos de AlphaFold para investigación posterior. Pero Taiwán no cuenta hoy con una estructura equivalente para desarrollar modelos centrales del nivel de AlphaFold.
⚠️ Perspectiva controvertida
El Nobel de Química para AlphaFold generó debate en la academia: algunos biólogos estructurales sostuvieron que el premio debía ir a quienes realizaron los primeros experimentos clave de cristalografía de rayos X o resonancia magnética nuclear, no a quienes elevaron una herramienta computacional al altar de la química30. Otros consideraron que el debate en sí ya estaba obsoleto: cuando un algoritmo puede ayudar a la humanidad a completar en cinco años las estructuras 3D de casi todas las proteínas del planeta, eso es química. Tras octubre de 2024, la discusión se fue inclinando hacia esta segunda postura, pero la tensión que representa no desapareció: si la IA puede hacer cada vez más cosas, ¿deben redibujarse las fronteras de las disciplinas tradicionales?
TAIDE: por qué Taiwán necesita su propio modelo lingüístico
En abril de 2023, medio año después de que ChatGPT arrasara globalmente, el Consejo Nacional de Ciencia y Tecnología de Taiwán (NSTC) lanzó el proyecto TAIDE, sigla de Trustworthy AI Dialogue Engine, o motor de diálogo de IA generativa confiable31.
¿Por qué un país insular de 23 millones de habitantes necesita crear su propio gran modelo de lenguaje?
La razón no es solo la autonomía tecnológica. El chino tradicional ocupa una proporción extremadamente baja en los datos globales de entrenamiento de IA, y la mayor parte de los datos en chino proviene de sitios web en chino simplificado. Cuando las personas en Taiwán usan ChatGPT u otros modelos, las respuestas suelen incorporar hábitos lingüísticos y supuestos de perspectiva de China continental. “視頻” en lugar de “影片”, “質量” en lugar de “品質”: diferencias que parecen menores, pero detrás de ellas está el problema de la subjetividad cultural. CommonWealth Magazine tituló directamente su reportaje sobre TAIDE como una forma de “evitar la invasión cultural de la IA china”32.
En abril de 2024, el equipo de TAIDE publicó TAIDE-LX-7B para uso comercial y TAIDE-LX-13B para investigación académica, con buenos resultados en tareas de redacción, traducción y resumen33. Para 2026, con el lanzamiento de TAIDE 2.0 y el modelo Breeze-8B respaldado por MediaTek, el ecosistema taiwanés de LLM pasó de la etapa de “ponerse al día” a la de “ser utilizable”34.
Más interesante aún es la proliferación de aplicaciones. La Universidad Nacional Chung Hsing construyó con TAIDE un sistema de recuperación de conocimiento agrícola llamado “Shennong TAIDE”; la Universidad Nacional de Tainan desarrolló un robot conversacional taiwanés-inglés para enseñar taiwanés; y la Universidad Nacional Yang Ming Chiao Tung entrenó versiones de TAIDE en taiwanés y hakka35. Estas aplicaciones confirman algo: un modelo lingüístico es a la vez un producto tecnológico y un vehículo cultural. Una IA que no entiende el “Día del Cielo Rasgado” ni las procesiones de Mazu no puede servir realmente a la sociedad taiwanesa.
Aun así, TAIDE sigue siendo pequeño: sus modelos comercial de 8B y académico de 13B parámetros están más de dos órdenes de magnitud por debajo de modelos del nivel de GPT-4 de OpenAI, presumiblemente superiores al billón de parámetros. Esa brecha es un problema de presupuesto de GPU, no de capacidad. Entrenar un LLM de frontera requiere cómputo del orden de cientos de millones de dólares, comparable al presupuesto anual de una institución nacional de investigación.
La ciberseguridad de IA nacida de los ataques
Taiwán es uno de los países más atacados cibernéticamente del mundo. Esta realidad desafortunada generó, de manera inesperada, una sólida industria de ciberseguridad con IA.
CyCraft, fundada a fines de 2017, fue la primera empresa taiwanesa en combinar IA con monitoreo de endpoints. Su tecnología ha sido incluida siete veces en informes de la consultora global Gartner, y es la única empresa taiwanesa que ha superado tres veces la evaluación autorizada MITRE ATT&CK de Estados Unidos36. En febrero de 2026, CyCraft salió a cotizar en la Junta de Innovación de la Bolsa de Taiwán, convirtiéndose en la primera empresa original de software de ciberseguridad con IA y capacidad internacional de I+D propia en el mercado de capitales taiwanés37.
Los clientes de CyCraft incluyen agencias gubernamentales, unidades de defensa, bancos y empresas de semiconductores de Taiwán, precisamente los objetivos más frecuentes de hackers de nivel estatal. La empresa tiene subsidiarias en Japón y Singapur, y está exportando a toda Asia-Pacífico su “experiencia práctica nacida de ser atacados”.
Este caso muestra algo: la ventaja de Taiwán en IA no proviene solo de los semiconductores, sino también de la capacidad práctica forjada por su particular situación geopolítica.
Política: de "Año del AI" al Ministerio de Desarrollo Digital
El desarrollo de la política de IA en Taiwán puede entenderse a través de tres puntos clave.
De 2017 a 2018 fue la fase inicial. El ministro de ciencia, Chen Liang-chi, declaró que 2017 era el "Año del AI", proponiendo la "Estrategia Nacional de Pequeña Nación y Gran Guerra" 38, reconociendo que el mercado taiwanés era pequeño, pero enfatizando las tres cartas: la fabricación de semiconductores, la cadena de suministro de TIC y el talento técnico. En 2018 se lanzó la primera fase del "Plan de Acción de IA de Taiwán", invirtiendo más de NT$40 mil millones en cuatro años, centrándose en construir la infraestructura de computación de IA conocida como "Taiwan AI Cloud" (TWCC) 39.
En 2022 se produjo la institucionalización. Se creó el Ministerio de Desarrollo Digital (moda), integrando las tareas digitales que antes estaban dispersas entre el Ministerio de Ciencia, el Ministerio de Economía y el Ministerio de Transporte. La importancia de este paso radica en que la política de IA pasó de ser un "proyecto del Ministerio de Ciencia" a una "estrategia nacional interministerial". Ese mismo año, el gobierno publicó las "Guías para la Investigación Científica en Inteligencia Artificial", enfatizando principios como el centrismo humano, la interpretabilidad transparente y la equidad sin discriminación.
A partir de 2023 se marca la transición hacia la IA generativa. El impacto de ChatGPT forzó un giro en la política. Se lanzó el proyecto TAIDE, se impulsó el borrador de la Ley Fundamental de IA y se aceleró la adopción de IA en el sector público. La estrategia de Taiwán es muy pragmática: no compiten con Estados Unidos o China en la cantidad de artículos de investigación fundamental, sino que acoplan la IA a las ventajas existentes en la manufactura. La fabricación inteligente, la imagen médica y la predicción del rendimiento de semiconductores son áreas donde Taiwán tiene datos, escenarios y competitividad.
El problema es que ninguno de los ganadores del Premio Nobel durante esos dos días en octubre de 2024 provino de esta vía de "manufactura inteligente".
Ansiedad: la brecha de software del imperio del hardware
Detrás de las cifras brillantes, el desarrollo de la IA en Taiwán tiene un problema estructural: un grave desequilibrio entre hardware y software.
Taiwán produce el 90% de los servidores de IA del mundo y la mayor parte de los chips de IA, pero en los eslabones “blandos” de desarrollo de modelos de IA, ecosistemas de datos y software de plataforma, su presencia es baja. Entre los veinte principales modelos de IA del mundo, incluidos GPT, Claude, Gemini y LLaMA, no hay ninguno de Taiwán. Si se comparan los trabajos premiados por los dos Nobel de 2024, desde la red de Hopfield y la retropropagación hasta AlphaFold, las tres líneas quedan muy lejos de la industria taiwanesa.
La razón es una nueva versión de un viejo problema. Cuando un ingeniero de TSMC puede ganar más de dos millones de dólares taiwaneses al año, a una startup local de software le resulta difícil competir por el mejor talento. Google, Microsoft y NVIDIA tienen centros de I+D en Taiwán, y sus salarios y beneficios generan un fuerte efecto de absorción. Para un graduado en informática de la Universidad Nacional de Taiwán, la primera opción suele ser una multinacional o el área de TI de TSMC, no una startup taiwanesa de IA.
El desafío más fundamental son los datos. El valor de un modelo de IA proviene de sus datos de entrenamiento, y la cantidad de datos de alta calidad en chino tradicional es minúscula en comparación con el inglés o el chino simplificado. Los textos producidos por una población de 23 millones de personas, por naturaleza, no pueden igualar el volumen del mundo angloparlante ni el de China continental. TAIDE intenta resolver este problema, pero la desventaja de escala de los datos es estructural.
La verdadera apuesta de Taiwán en IA está en las aplicaciones verticales, no en los modelos fundacionales: en lugar de enfrentar directamente a OpenAI o Google en modelos generales, Taiwán busca posiciones insustituibles en IA para procesos de semiconductores, IA para imágenes médicas, IA de ciberseguridad y procesamiento de lenguaje natural en chino tradicional. En estos campos, Taiwán posee datos y escenarios únicos que otros difícilmente pueden replicar.
La elección de IA de una isla
El Taiwán de 2026 se encuentra en una posición singular: nunca ha sido tan indispensable en la cadena de suministro de hardware de IA, pero sigue siendo periférico en el ecosistema de software de IA.
Esto no es del todo malo. Históricamente, el modelo de éxito de Taiwán ha sido “no ser la marca, sino la marca detrás de la marca”. El modelo de fundición pura inventado por Morris Chang en 1987 convirtió a TSMC en una de las diez empresas más valiosas del mundo. Hoy, la misma lógica se repite en la industria de servidores de IA: Foxconn no crea modelos de IA, pero los modelos de IA del mundo corren sobre servidores ensamblados por Foxconn.
Pero las reglas del juego en la era de la IA pueden ser distintas. Cuando el centro de valor se desplaza del hardware al software y los datos, el margen de hacer solo manufactura por encargo se comprime. Los dos Nobel otorgados en esos días de 2024 fueron todos para personas de la capa de software. Hopfield escribió un modelo matemático, Hinton escribió un algoritmo de entrenamiento, Hassabis escribió un método para resolver un problema biológico. Todos esos trabajos corren sobre hardware fabricado en Taiwán, pero los premios no fueron para el hardware.
Taiwán necesita desarrollar capacidades de software y datos sobre la base de su hegemonía en hardware: el hardware sigue siendo el chasis, y las nuevas capas de valor deben apilarse encima. TAIDE es un intento; CyCraft es un intento; Taiwan AI Labs es un intento. Tienen algo en común: no buscan construir “la IA más grande del mundo”, sino “la IA que mejor entiende a Taiwán”.
Hace 42 años, cuando Hopfield escribió aquellas 12 páginas en Princeton, nadie sabía que se convertirían en la base matemática de los modelos de memoria humanos actuales. Hace 50 años, cuando Anfinsen planteó su hipótesis sobre el plegamiento de proteínas en su discurso Nobel, nadie esperaba que recién en aquella tarde de 2020 un grupo de investigadores londinenses lograra resolverla. La escala temporal de la investigación básica es más larga que cualquier Computex.
Aquella cena en el mercado nocturno de Ningxia fue el lugar que Taiwán acumuló durante estos 42 años. Dónde será la próxima batalla: no frente al puesto de omelet de ostras, sino en si Taiwán tendrá el coraje de permitir que algún estudiante que hoy programa en un dormitorio de la Universidad Nacional de Taiwán reciba, dentro de veinte o treinta años, un Nobel perteneciente a esta isla.
Lecturas complementarias:
- El ascenso de la isla de la IA: desarrollo de la inteligencia artificial en Taiwán y estrategia futura — Versión temprana de la narrativa de política pública: el Plan de Acción de IA, los cinco campos estratégicos y el panorama de cómo la “montaña sagrada protectora” de los semiconductores se acopla a la revolución de la IA.
- Taiwan AI Labs — La trayectoria completa de Ethan Tu desde PTT hasta AI Labs, y el ecosistema de modelos de lenguaje abiertos TAIDE / TAME / FedGPT.
- Taiwan AI Academy — La llamada inconclusa y la academia militar de IA creada por Chen Sheng-wei con 180 millones de dólares taiwaneses de financiación privada: una historia de formación de talento con más de diez mil egresados en ocho años.
- La IA en la vida cotidiana de Taiwán — Crónica de la entrada de la IA generativa en la vida cotidiana taiwanesa, desde pedidos en tiendas de conveniencia hasta revisiones por lotes de la Administración Nacional del Seguro de Salud.
- Empresas taiwanesas: TSMC — Líder global de fundición de obleas, núcleo de la fabricación de chips de IA, desde el modelo de fundición pura de Morris Chang hasta la historia del empaquetado avanzado.
- Industria de semiconductores — Panorama completo del ecosistema taiwanés de semiconductores, desde el diseño de IC hasta el empaquetado y las pruebas.
- Desarrollo de la industria de ciberseguridad de Taiwán — Cómo la presión geopolítica dio origen a una industria de ciberseguridad con IA de escala Asia-Pacífico.
Fuentes de las imágenes
Este artículo utiliza 4 imágenes de dominio público / con licencia CC, todas almacenadas en caché en public/article-images/technology/ para evitar el enlace directo a los servidores de origen:
- Estructura tridimensional de la proteïna CBLN1 per AlphaFold amb codificació rainbow — imagen principal, estructura predicha por AlphaFold de la proteína CBLN1, codificación de color rainbow del extremo N al C. Foto: BQUB25-UPoch (obra propia, AlphaFold + PyMOL), 2025-11-15, CC BY 4.0.
- Geoffrey E. Hinton, 2024 Nobel Prize Laureate in Physics (3x4 cropped) — en el texto, retrato oficial de Hinton durante la semana del Nobel 2024. Foto: Arthur Petron, 2024-12-08, CC BY-SA 4.0.
- John J. Hopfield, 2024 Nobel Prize Laureate in Physics 1 (cropped) — en el texto, retrato oficial de Hopfield durante la semana del Nobel 2024. Foto: Arthur Petron, 2024-12-08, CC BY-SA 4.0.
- TSMC Fab 5 — en el texto, planta Fab 5 de TSMC en Hsinchu, lugar físico de fabricación de chips de IA. Foto: Wikimedia Commons (caché existente).
Referencias
- Comunicado de prensa del Premio Nobel de Física 2024 — Anuncio oficial por la Real Academia Sueca el 8 de octubre de 2024. Texto original: 'La Real Academia Sueca ha decidido otorgar el Premio Nobel de Física 2024 a John J. Hopfield y Geoffrey Hinton por descubrimientos e invenciones fundamentales que permiten el aprendizaje automático con redes neuronales artificiales.' El premio es de 11 millones de coronas suecas, repartidos equitativamente entre ambos.↩23
- Comunicado de prensa del Premio Nobel de Química 2024 — Anuncio el 9 de octubre de 2024. El premio es de 11 millones de coronas suecas; David Baker recibe la mitad 'por diseño computacional de proteínas', y Demis Hassabis y John Jumper comparten la otra mitad 'por predicción de estructura de proteínas'.↩2
- PNAS, 79(8), 2554-2558 — Hopfield, J. J. (1982). "Neural networks and physical systems with emergent collective computational abilities."↩23
- Nature, 323, 533-536 — Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). "Learning representations by back-propagating errors."↩2
- Tom's Hardware: Semiconductor legends take a stroll in a Taiwanese night market — Reportaje del mercado nocturno de Ningxia el 29 de mayo de 2024, que registra la cena conjunta de Huang Renxun, Chang Chung-mo, Lin Bairi y Tsai Lixing.↩
- Taiwan News: Nvidia CEO calls Taiwan 'one of the most important countries in the world' — Declaración pública de Jensen Huang en Taiwán el 30/05/2024.↩
- Wikipedia: Jensen Huang — Biografía de Huang Renxun, nacido en Taipéi en 1963, con infancia en Tainan y emigró a EE. UU. a los nueve años.↩
- Klover.ai: Dominio de Fabricación de IA de TSMC — Todos los GPU avanzados de NVIDIA (A100, H100, serie Blackwell) son fabricados por TSMC. Ver↩
- SQ Magazine: AI Chip Statistics 2025 — Fuente del dato de cuota de mercado de fábricas de obleas de TSMC en 2025, que es del 72%; ver también reportajes simultáneos de Motley Fool.↩
- PatentPC: The AI Chip Market Explosion — Fuente del dato de cuota de mercado de GPUs de IA de NVIDIA, que es del 86%.↩
- Tech-Now: Taiwan Leads Global AI Server Shift, Surpassing iPhones in 2025 — Datos de envío global de servidores de IA de Foxconn, Wistron y Quanta en un 90%.↩
- DigiTimes: Foxconn, Wistron, Quanta to sustain trillion-dollar revenue on AI server in 2026 — Reportaje que indica que los ingresos anuales de estas tres ODM superarán el billón y que los servidores de IA superarán a la electrónica de consumo.↩
- 36Kr: Who Will Divide Up the CoWoS Production Capacity in 2026? — Dato de la demanda de obleas CoWoS por parte de NVIDIA, que es de 595 mil unidades, lo que representa el 60% mundial.↩
- NVIDIA Newsroom: Foxconn Builds AI Factory in Partnership With Taiwan and NVIDIA — Proyecto de fábrica de IA de 100MW en Kaohsiung; ver también reportaje de CNBC sobre la capacidad eléctrica de 100MW.↩
- NeurIPS 2012 / NIPS Proceedings — Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). "ImageNet Classification with Deep Convolutional Neural Networks."↩2
- PanSci Ciencia General: Premio Nobel de Física 2024 — Hopfield y Hinton abren la era del machine learning con redes neuronales artificiales — Socio de curación de contenido según el MOU 2026-05-05. Cubre el trasfondo de la Red Neuronal Hopfield, la analogía del vidrio espiño, la acumulación de citas y la conexión matemática con el aprendizaje profundo contemporáneo.↩2
- The Guardian: John Hopfield, ganador del Premio Nobel de Física 2024, advierte sobre los peligros de la IA — Reportaje telefónico del 8/10/2024 sobre el Premio Nobel de Física; Hopfield y Hinton emitieron advertencias sobre los riesgos de la IA el mismo día.↩
- Wikipedia: Geoffrey Hinton — Hinton nació en Wibdon, Londres, el 6 de diciembre de 1947. En marzo de 2013 se unió a Google después de que DNNresearch fuera adquirido por Google por 44 millones de dólares.↩2
- BBC News: El 'padrino' de la IA Geoffrey Hinton advierte sobre los peligros al dejar Google — Hinton expresó su preocupación por los riesgos de la IA a BBC después de dejar Google el 1 de mayo de 2023. Cita del texto original: 'Me fui para poder hablar sobre los peligros de la IA sin considerar cómo esto afecta a Google', y 'una parte de mí lamenta la obra de mi vida'. Los detalles de la entrevista de NYT en ese momento también se citan en este reportaje.↩23
- Nature: El científico de IA Geoffrey Hinton gana el Premio Nobel de Física — Detalles del evento de premiación y la llamada telefónica a Hinton por parte de Nature.↩
- Sitio web del Laboratorio de Inteligencia Artificial de Taiwán, Acerca de nosotros — Presentación oficial de Du Yijin, quien fundó PTT en la Universidad Nacional de Taiwan en 1995 y fundó Taiwan AI Labs en abril de 2017.↩
- TechNews 科技新報: ¿Dónde deben ir los talentos de IA en Taiwán? Entrevista a Du Yijin, cofundador del Laboratorio de Inteligencia Artificial de Taiwán — Transcripción de Ya Ting y presentación de proyectos clave como la medicina de aprendizaje federado.↩
- Wikipedia: Historia económica de Taiwán — Datos del PIB de Taiwán en 1986; el Parque Científico Hsinchu se estableció en diciembre de 1980.↩
- Science, 181(4096), 223-230 — Anfinsen, C. B. (1973). "Principles that govern the folding of protein chains."↩
- Nature: 'Lo cambiará todo': La IA de DeepMind da un salto gigantesco en la resolución de estructuras proteicas — Reporte del 30 de noviembre de 2020 sobre los resultados de CASP14, donde el GDT medio de AlphaFold 2 fue de 92.4, y John Moult, organizador de CASP, comentó 'en cierto sentido el problema está resuelto'.↩23
- DeepMind: AlphaFold revela la estructura del universo proteico — Anuncio del 28 de julio de 2022 sobre la Base de Datos de Estructura de Proteínas de AlphaFold, que cubre 1 millón de especies y aproximadamente 200 millones de estructuras proteicas.↩
- Abramson, J., Adler, J., Dunger, J. et al. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature 630, 493-500 — Publicación de AlphaFold 3 el 8 de mayo de 2024, que se expande a la predicción de complejos de proteínas con ADN/ARN/ligandos/iones.↩
- Wikipedia: Demis Hassabis — Hassabis comenzó a jugar ajedrez a los 4 años; desarrolló Theme Park con Peter Molyneux a los 17 (1994); fundó DeepMind en Londres en 2010 y fue adquirido por Google por unos 400 millones de libras en 2014.↩2
- Centro de Genómica del Academia Sinica — Centro de investigación de estructuras moleculares de carbohidratos establecido durante la presidencia de Wen Chi-hui (2006-2016).↩
- PanSci Ciencia General: Premio Nobel de Química 2024 — David Baker, Demis Hassabis y John Jumper resuelven el enigma del plegamiento proteico — Socio de curación de contenido según el MOU 2026-05-05. Discute la controversia del Nobel de AlphaFold y los límites disciplinarios entre biología estructural y química computacional.↩
- Executive Yuan: Mejorando la infraestructura de IA de Taiwán — Creación del motor conversacional de IA confiable TAIDE — Explicación oficial del plan TAIDE en abril de 2023.↩
- Times Magazine: ¿Qué puede hacer TAIDE, el primer gran modelo de lenguaje chino tradicional para 'prevenir la agresión cultural de la IA china'? — Reportaje temático sobre TAIDE y discusión sobre la subjetividad cultural del LLM en chino tradicional.↩
- Comunicado de prensa del Consejo Nacional de Ciencia y Tecnología: El modelo de lenguaje grande con características taiwanesas promovido conjuntamente por la cooperación público-privada, TAIDE, ha tenido éxito en un año — Lanzamiento de las versiones comerciales TAIDE-LX-7B y académicas 13B en abril de 2024.↩
- CloudInsight: Estado del desarrollo de LLM en Taiwán 2026 — Inventario completo del ecosistema de LLM taiwanés, incluyendo TAIDE 2.0 y Breeze-8B.↩
- Mismo informe de CloudInsight. Casos de uso detallados como el 'Shennong TAIDE' de la Universidad Chung-Hsing, el robot conversacional taiwanes-inglés de la Universidad Nacional de Tainan y el modelo TAIDE en taiwanés de la Universidad de Ciencias Aplicadas.↩
- CIO Taiwan: Visita a empresas de ciberseguridad de Taiwán — Ouyi Smart Technology — Detalles sobre cómo Ouyi Smart ha sido listada siete veces por Gartner y aprobada tres veces por MITRE ATT&CK.↩
- Sitio web de Ouyi Smart: ¡Rey de la ciberseguridad de IA lanza su innovación! Ouyi Cyber cotiza hoy en el Innovation Board — Comunicado de prensa del 5 de febrero de 2026 sobre la cotización en la Junta de Innovación.↩
- Semiconductors Shoot for the Moon, Tech Grand Arena Chen Liangji: 16 Billion to Fight AI in Taiwan — Revista Vision, 2017 — El ministro de tecnología Chen Liangji declaró en 2017 que era el año clave de la IA y presentó la pequeña estrategia nacional de IA a mediados de agosto.↩
- Consejo Nacional de Ciencia y Tecnología: Estrategia de investigación de IA — Marco político que incluye el presupuesto de 40 mil millones para el primer plan de acción de IA de Taiwán y la construcción de TWCC.↩