Hazle una pregunta en inglés o mandarín a cualquier modelo de IA importante y probablemente responderá con fluidez y matices. Hazle algo en cantonés y las grietas empiezan a notarse. Esa brecha es exactamente lo que una startup de Hong Kong llamada Votee AI está intentando cerrar, construyendo un modelo de IA en cantonés diseñado para servir a bancos, universidades y departamentos gubernamentales en un idioma que los mayores laboratorios de IA han pasado en gran medida por alto.
Summary
Conclusiones clave
- La mayoría de los modelos de IA líderes, creados por empresas como OpenAI, Anthropic, DeepSeek, Moonshot AI y Z.ai, se desarrollan principalmente en inglés y mandarín porque sus creadores tienen su sede en Estados Unidos o en la China continental.
- El cantonés es hablado por más de 80 millones de personas en todo el mundo, pero cuenta con un conjunto mucho más reducido de texto digital estandarizado que el mandarín, lo que lo convierte en un clásico «idioma de bajos recursos» para el entrenamiento de IA.
- Votee AI reentrena modelos de pesos abiertos como Llama de Meta con datos en cantonés, ampliando su corpus de entrenamiento de 100 millones a más de 500 millones de tokens mediante scraping, fuentes comunitarias y datos sintéticos.
- Sus modelos resultantes tienen alrededor de 70 mil millones de parámetros, más pequeños que los sistemas de frontera, y cuestan aproximadamente 250.000 dólares entrenarlos usando entre 500 millones y 1.000 millones de tokens, una fracción de lo que requieren los modelos en inglés.
- La empresa enmarca su trabajo como parte de un impulso más amplio hacia la «IA soberana» y ahora está en conversaciones para expandirse al Sudeste Asiático a través de AI Singapore.
El dominio del inglés y el mandarín en la IA deja atrás al cantonés
El auge actual de la IA funciona casi por completo sobre dos idiomas. Según Pak-Sun Ting, CEO de Votee AI, «toda la revolución de la IA está en inglés y mandarín«, y «solo hay una fracción muy pequeña que representa a otros idiomas». Ese desequilibrio no es accidental. Las empresas que lideran el campo — OpenAI, Anthropic, DeepSeek, Moonshot AI, Z.ai y otras — tienen casi todas su sede en Estados Unidos o en la China continental, por lo que no sorprende que sus modelos insignia sean más fuertes en las lenguas nativas de sus creadores.
Eso deja a decenas de idiomas muy hablados, y aún más dialectos regionales, muy rezagados en capacidad de IA. El cantonés es un ejemplo llamativo de lo grande que puede ser esa brecha, incluso para un idioma que hablan decenas de millones de personas cada día.
Por qué el cantonés «habla» un idioma diferente al mandarín
A menudo se describe el cantonés como un «dialecto» del chino, pero esa etiqueta minimiza lo distinto que es en realidad. Tiene una gramática diferente del mandarín y su propio vocabulario, y en Hong Kong los hablantes mezclan con frecuencia palabras en inglés y cantonés dentro de la misma frase. Más de 80 millones de personas hablan cantonés en todo el mundo, una cifra aproximadamente a la par con el número de hablantes de coreano y mayor que las poblaciones que hablan italiano o tailandés.
A pesar de esa escala, el cantonés no ha producido ni de lejos el volumen de texto escrito estandarizado que tienen el mandarín o el inglés. Referencias como HKCanto-Eval, desarrollada por investigadores de la Universidad de Kyushu y la Universidad de Educación de Hong Kong junto con la comunidad local de IA hon9kon9ize, y patrocinada por Votee, encontraron que los modelos de IA convencionales pueden manejar razonablemente bien el cantonés cotidiano, pero tropiezan de forma habitual con el conocimiento cultural y local. Como dice Ting, el cantonés «se utiliza en la educación, la sanidad y las comunicaciones policiales», por lo que cuando la IA no lo cubre adecuadamente, «la IA es esencialmente inútil».
Dentro del enfoque de Votee AI para construir un modelo de IA en cantonés
En lugar de construir un modelo desde cero, Votee toma un sistema de pesos abiertos existente, como Llama de Meta o Qwen de Alibaba, y lo reentrena de forma intensiva con datos en cantonés. Ting describe el proceso como «básicamente dar los mismos pasos que si entrenaras un modelo desde cero», solo que construido sobre la base de otra persona. Los sistemas reentrenados se venden luego a bancos, universidades y departamentos gubernamentales que necesitan herramientas de IA capaces de trabajar en cantonés en lugar de recurrir por defecto al mandarín o al inglés.
Obtención de datos de emisoras y conjuntos sintéticos
Construir un corpus utilizable para un proyecto de IA en un idioma de bajos recursos implica reunir datos de dondequiera que se puedan encontrar. Votee obtiene texto en cantonés mediante scraping en línea, incluido contenido de Radio Television Hong Kong, la emisora pública de la ciudad. Lo complementa con material de universidades, de la comunidad en general y de archivos de su trabajo anterior como empresa de big data. Cuando el texto del mundo real se queda corto, Votee genera sus propios conjuntos de datos sintéticos en cantonés para llenar los vacíos. En conjunto, esos esfuerzos impulsaron el corpus en cantonés de la empresa de 100 millones de tokens a más de 500 millones de tokens.
Tamaño del modelo y costes de entrenamiento frente a los laboratorios de frontera
Los modelos resultantes de Votee se sitúan en torno a los 70 mil millones de parámetros, notablemente más pequeños que los sistemas líderes de los principales laboratorios. Aun así, Ting afirma que los modelos son lo suficientemente capaces de comprender y razonar en cantonés para las tareas prácticas que necesitan sus clientes. La economía habla por sí sola: Votee entrena sus modelos con entre 500 millones y 1.000 millones de tokens, a un coste estimado de alrededor de 250.000 dólares. En cambio, los modelos de frontera en inglés se entrenan con billones de tokens a un coste muchísimo mayor. Esa diferencia de precio es precisamente la razón por la que un modelo de IA en cantonés más pequeño y específico puede ser comercialmente viable incluso para una startup y no solo para un gigante tecnológico.
Esta estructura de costes importa más allá de la propia Votee. Sugiere que atender un mercado de IA en un idioma de bajos recursos no requiere los miles de millones invertidos en laboratorios de frontera: requiere un modelo base de pesos abiertos funcional, una buena canalización de datos y una fracción del cómputo. Es una señal significativa para otros idiomas desatendidos que observan cómo se desarrolla la IA en cantonés.
IA soberana y el impulso hacia el Sudeste Asiático
El trabajo de Votee se enmarca en una tendencia más amplia conocida como IA soberana: la idea de que gobiernos y empresas quieren poseer sus propios datos, modelos e infraestructura en lugar de depender por completo de proveedores con sede en el extranjero. «La IA se ha convertido en una necesidad tan esencial que no quieres estar atado a nadie que pueda apagarla», dice Ting.
Poseer la pila, aunque sea parcialmente
Ting reconoce abiertamente que la versión más completa de la IA soberana, en la que un país controla cada eslabón de la cadena de suministro de IA, es «muy difícil» de lograr en la práctica. Su sugerencia más realista es que el énfasis de las naciones está en poseer tanto los modelos base subyacentes como las soluciones de software construidas sobre ellos. También señala que los gobiernos rara vez necesitan potencia de nivel frontera para automatizar tareas específicas: incluso un modelo con tan solo 1.000 millones de parámetros puede adaptarse a casos de uso gubernamentales más acotados, o una capa más pequeña en idioma local puede simplemente encaminar las salidas de un modelo mayor en inglés o chino.
Alianzas de hardware y lo que viene después
Votee no se limita a un solo ecosistema. Ting afirma que la empresa trabaja con modelos de MiniMax y SenseTime y puede operar con chips de Nvidia. «Podemos usar chips de Nvidia, podemos usar el modelo de Moonshot o de DeepSeek», dice. «Somos esa persona en el instituto que es amiga de todo el mundo.» Votee se describe a sí misma como rentable en el sentido de que sus ingresos superan sus costes, financiada en gran medida a través de contratos con clientes, y cuenta con el magnate hongkonés Allan Zeman, conocido por desarrollar la zona de ocio nocturno Lan Kwai Fong de la ciudad, como asesor.
Las ambiciones de la empresa ahora se extienden más allá de Hong Kong. Ting afirma que Votee mantiene conversaciones activas con AI Singapore y planea expandirse aún más por el Sudeste Asiático. También tiene en la mira un objetivo a más largo plazo: utilizar la IA para ayudar a proteger lenguas en peligro en regiones como Asia Oriental, Norteamérica y África. Ting plantea lo que está en juego en términos contundentes, calificando el dominio de la IA en inglés como un «momento máquina de escribir», en el que las ganancias de productividad son tan grandes que la gente abandona su propio idioma solo para poder mantenerse al día. «La gente adoptará el inglés simplemente porque la productividad de la máquina de escribir es tan fuerte frente a su propio idioma», dice. Que un modelo de IA en cantonés de 70.000 millones de parámetros pueda contrarrestar de forma significativa esa atracción sigue siendo una pregunta abierta, pero para Ting la motivación va más allá de la cuota de mercado. «Cada idioma que muere es una forma más de ver el mundo que se pierde», afirma.
Preguntas frecuentes
¿Por qué Votee AI se centra en el cantonés para el desarrollo de modelos de IA?
Porque el cantonés, hablado por más de 80 millones de personas, es significativamente diferente del mandarín y está desatendido en la IA, lo que afecta a sectores como la educación y la sanidad, donde son esenciales herramientas precisas en el idioma local.
¿Cómo construye Votee AI sus modelos de IA en cantonés?
Votee AI reentrena modelos de pesos abiertos de desarrolladores como Meta utilizando datos en cantonés recopilados mediante scraping, fuentes comunitarias, universidades y datos sintéticos, ampliando su corpus de 100 millones a más de 500 millones de tokens.
¿Qué es la IA soberana y cómo se relaciona Votee AI con ella?
La IA soberana se refiere a que gobiernos y empresas sean propietarios de sus datos, modelos e infraestructura de IA en lugar de depender por completo de proveedores extranjeros. Votee AI respalda esta idea al localizar modelos de IA para el cantonés y asociarse con proveedores de hardware y modelos tanto locales como globales.
¿Cuáles son los planes de expansión regional de Votee AI?
Votee AI mantiene conversaciones activas con AI Singapore y planea expandirse al Sudeste Asiático, al tiempo que explora cómo la IA podría ayudar a proteger lenguas en peligro en otras partes del mundo.
{«@context»:»https://schema.org»,»@type»:»FAQPage»,»mainEntity»:[{«@type»:»Question»,»name»:»¿Por qué Votee AI se centra en el cantonés para el desarrollo de modelos de IA?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Porque el cantonés, hablado por más de 80 millones de personas, es significativamente diferente del mandarín y está desatendido en la IA, lo que afecta a sectores como la educación y la sanidad, donde son esenciales herramientas precisas en el idioma local.»}},{«@type»:»Question»,»name»:»¿Cómo construye Votee AI sus modelos de IA en cantonés?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Votee AI reentrena modelos de pesos abiertos de desarrolladores como Meta utilizando datos en cantonés recopilados mediante scraping, fuentes comunitarias, universidades y datos sintéticos, ampliando su corpus de 100 millones a más de 500 millones de tokens.»}},{«@type»:»Question»,»name»:»¿Qué es la IA soberana y cómo se relaciona Votee AI con ella?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»La IA soberana se refiere a que gobiernos y empresas sean propietarios de sus datos, modelos e infraestructura de IA en lugar de depender por completo de proveedores extranjeros. Votee AI respalda esta idea al localizar modelos de IA para el cantonés y asociarse con proveedores de hardware y modelos tanto locales como globales.»}},{«@type»:»Question»,»name»:»¿Cuáles son los planes de expansión regional de Votee AI?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Votee AI mantiene conversaciones activas con AI Singapore y planea expandirse al Sudeste Asiático, al tiempo que explora cómo la IA podría ayudar a proteger lenguas en peligro en otras partes del mundo.»}}]}
Artículo producido con la ayuda de inteligencia artificial y revisado por el equipo editorial.
