China ha construido ya más de 126.000 datasets considerados de alta calidad para el desarrollo de inteligencia artificial, con un volumen conjunto superior a 1.815 petabytes, según los últimos datos publicados por la Administración Nacional de Datos durante la China International Big Data Industry Expo 2026, celebrada en Guiyang.
La cifra es relevante por su dimensión, pero puede que lo sea aún más por la estrategia que nos está mostrando: China está intentando organizar la producción, preparación y utilización de datos especializados como una nueva infraestructura para la inteligencia artificial, del mismo modo que durante los últimos años ha ampliado centros de datos, redes de computación, capacidad de entrenamiento y modelos propios.
La razón es sencilla: disponer de modelos avanzados y de una gran capacidad de cálculo no basta para aplicar la inteligencia artificial de forma eficaz en una fábrica, un hospital, un laboratorio científico, una red eléctrica o un robot. Para trabajar en esos entornos hacen falta también datos específicos, correctamente preparados y capaces de enseñar a los sistemas cómo funciona cada ámbito concreto. Y buena parte de esa información no está disponible libremente en Internet.
¿Qué es exactamente un dataset de alta calidad?
Un dataset es un conjunto organizado de datos que puede utilizarse para entrenar, ajustar o evaluar un sistema de inteligencia artificial.
Sin embargo, almacenar grandes cantidades de información no significa disponer automáticamente de un dataset útil. La Administración Nacional de Datos china considera de alta calidad aquellos conjuntos que han sido recopilados, procesados y preparados de manera que puedan emplearse directamente en el desarrollo de modelos y contribuir a mejorar su rendimiento.
En la práctica, eso puede implicar limpiar información incorrecta o duplicada, organizarla, clasificarla, añadir etiquetas, comprobar su precisión, relacionar distintos tipos de datos o adaptarlos a una tarea concreta. El valor, por tanto, no reside únicamente en la cantidad de información disponible, sino en conseguir que esa información sea comprensible y aprovechable por un sistema de IA.
La diferencia puede observarse con claridad en entornos industriales: uuna empresa puede disponer de millones de registros generados durante años por sus máquinas, sensores, cámaras o sistemas de producción y, aun así, no tener un dataset preparado para inteligencia artificial.
Para entrenar un modelo capaz de anticipar una avería, por ejemplo, no basta con reunir todos esos registros. Es necesario saber cuáles corresponden al funcionamiento normal de las máquinas, qué señales aparecieron antes de un fallo, qué componente terminó averiándose, en qué condiciones ocurrió y cuál fue el resultado. Convertir información acumulada en material de entrenamiento exige, por tanto, un trabajo adicional de selección, organización, etiquetado y validación. Ese proceso es precisamente el que China está intentando convertir en una actividad industrial propia.
Por qué los datos empiezan a importar más
Durante la primera gran expansión de la inteligencia artificial generativa, muchos modelos pudieron entrenarse utilizando enormes cantidades de texto, imágenes, vídeos, código y otros contenidos disponibles en Internet. Ese material permitió desarrollar sistemas generales capaces de escribir, responder preguntas, traducir, programar o interpretar imágenes.
Sin embargo, la siguiente etapa de la IA plantea un reto diferente, porque muchos de los usos que ahora se consideran estratégicos requieren conocimiento que no puede encontrarse simplemente rastreando la red.
Por eso puede resultar útil entender el desarrollo de la inteligencia artificial mediante una relación sencilla: modelo + computación + datos.
El modelo es el sistema que aprende y desarrolla determinadas capacidades; la computación proporciona los chips, servidores y centros de datos necesarios para entrenarlo y utilizarlo; y los datos aportan la información con la que aprende. Son tres elementos distintos que se complementan y necesitan entre sí.
Un modelo puede ser técnicamente muy avanzado y disponer de una enorme capacidad de cálculo, pero resultar poco útil en una fábrica si nunca ha sido entrenado con información que describa cómo funciona realmente esa fábric, o si no recoge datos de errores, o de cómo se llegó a ellos. Esta es una de las razones por las que China está prestando ahora tanta atención a la creación de datasets especializados: cuanto más se extienda la inteligencia artificial desde los asistentes generales hacia actividades concretas, mayor será la necesidad de datos vinculados a cada sector.
De los datos generales a los datos de cada industria
El plan publicado en junio por la Administración Nacional de Datos muestra hasta dónde pretende llegar esta estrategia. China quiere impulsar datasets relacionados con investigación científica, industria, agricultura, energía, transporte, finanzas, sanidad, educación, comercio electrónico, meteorología y gestión urbana, junto con áreas tecnológicas más recientes como conducción autónoma, embodied AI y modelos del mundo.
No todos estos sectores generan el mismo tipo de información ni necesitan los mismos procesos de preparación. En algunos casos serán textos o imágenes, pero en otros se tratará de señales procedentes de sensores, series temporales, datos científicos, vídeos, mapas tridimensionales, posiciones de objetos, movimientos de máquinas o registros de interacciones físicas. Esto ayuda a entender por qué la nueva fase de la inteligencia artificial necesita una infraestructura de datos mucho más especializada que la que permitió entrenar los primeros grandes modelos generalistas.
La lógica que aparece en la estrategia oficial es que los datasets deben construirse cada vez más a partir de problemas concretos. No se trata únicamente de reunir información y decidir después para qué puede servir, sino de identificar primero qué necesita aprender un modelo para resolver una tarea determinada y construir a partir de ahí los datos necesarios.
Un sistema nacional para saber qué datos existen
China ha comenzado a desarrollar también mecanismos para organizar estos recursos.
A finales de abril entró en funcionamiento en periodo de prueba un sistema nacional de gestión y servicios de datasets, concebido como una infraestructura común para registrar qué conjuntos de datos existen, quién los proporciona, quién puede necesitarlos y cómo pueden localizarse.
Un conjunto de datos puede haber sido creado y utilizado dentro de una empresa, una administración, una universidad o un centro de investigación sin estar publicado en este sistema.
Incluso cuando aparece registrado, eso tampoco significa necesariamente que todo su contenido pueda descargarse libremente o utilizarse sin restricciones.
La estrategia china intenta resolver uno de los problemas principales de esta nueva economía de los datos: existen enormes cantidades de información repartidas entre empresas, centros científicos, organismos públicos y universidades, pero esa información puede permanecer aislada y resultar difícil de localizar, compartir o reutilizar. El sistema nacional intenta crear una capa de coordinación que permita saber qué recursos existen y conectar a quienes los poseen con quienes pueden necesitarlos.
Qué significa el sistema 3NM
Para ordenar esta política, la Administración Nacional de Datos ha presentado un esquema denominado 3NM.
El nombre es técnico, pero la idea puede entenderse con bastante facilidad si se divide en tres niveles.
- El primero consiste en construir infraestructuras comunes para todo el país.
- El segundo intenta desarrollar datasets dentro de sectores concretos de la economía.
- El tercero permite que cada región cree programas adaptados a sus propias especializaciones industriales.
La intención es evitar que la estrategia dependa únicamente de iniciativas aisladas y crear una estructura que conecte recursos nacionales, industrias específicas y necesidades territoriales.
El número 3 hace referencia a tres grandes soportes nacionales.
- El primero es el sistema de gestión de datasets que permite registrar y localizar recursos, es decir, saber qué datos existen
- El segundo es una nueva comunidad open source de datasets de alta calidad, concebida para que productores y usuarios de datos, empresas tecnológicas, universidades y centros científicos puedan compartir determinados conjuntos de información, herramientas de procesamiento y metodologías de evaluación. Eso facilita que se compartan.
- El tercero es una red nacional dedicada al etiquetado de datos y que permita preparar los datos para que realmente sean útiles.
Qué papel tiene una comunidad open source de datos
La comunidad open source de datasets de alta calidad fue presentada oficialmente durante la Expo de Guiyang y forma parte de este esfuerzo por crear una infraestructura más coordinada.
Su objetivo es reunir a distintos actores capaces de producir, utilizar o evaluar datos y facilitar que determinados recursos puedan reutilizarse. Esto puede incluir datasets, pero también herramientas para procesarlos, sistemas de evaluación o experiencias acumuladas durante su aplicación. La intención es evitar que organizaciones diferentes tengan que desarrollar repetidamente recursos muy similares y favorecer la aparición de referencias comunes que puedan acelerar nuevos proyectos.
Conviene, sin embargo, no confundir esta iniciativa con una apertura general de todos los datasets existentes en China. Muchos datos industriales, empresariales, científicos o médicos contienen información sensible, estratégica o protegida y no pueden ponerse libremente a disposición de cualquiera.
La propia estrategia oficial habla de fomentar especialmente la apertura de aquellos recursos básicos o de interés público para los que resulte apropiado hacerlo. La creación de una comunidad open source significa, por tanto, que China quiere desarrollar también un espacio para compartir determinados datos, no que los más de 126.000 datasets contabilizados vayan a convertirse automáticamente en recursos públicos.
Por qué el etiquetado se está convirtiendo en una industria
Otra pieza fundamental de esta estrategia es el etiquetado.
Para que una inteligencia artificial pueda aprender correctamente, en muchos casos es necesario explicar qué contiene cada dato, qué ocurrió en una determinada situación o cuál fue el resultado de una acción. En algunos campos esta tarea puede ser relativamente sencilla, pero en otros requiere conocimientos especializados.
Supongamos una empresa de atención al cliente que registró durante años los datos que provienen de llamadas telefónicas de un call center. Si esas llamadas están sin etiquetar, es decir «guardadas en bruto» no pueden servir para mucho más que para alguna comprobación puntual.
Sin embargo, si esas llamadas están etiquetadas, es decir, acompañadas de si la llamada era una queja o no, lo que duró, si se resolvió de manera exitosa, en incluso cuantas llamadas hizo esa misma persona, sí nos servirían para sacar patrones del tipo «cuando pasaba esto, el cliente quedaba satisfecho», o «cuando las llamadas duraban x minutos, el % de resolución era mayor», etc… Estos información o datos etiquetados son los que de verdad pueden enseñar a un modelos de IA cosas útiles.
Y si además, están clasificadas por sector, tipo de cliente, de problema, etc… pueden personalizarse más los entrenamientos de modelos y hacer quesea mucho más valiosos para la cadena de valor.
Más de cien entidades para llevar los datasets a sectores concretos
La N del esquema 3NM representa precisamente las distintas industrias y ámbitos de aplicación.
Durante la Expo, la Administración Nacional de Datos informó de la participación de 106 entidades líderes y 140 proyectos piloto. La lógica consiste en utilizar organizaciones con suficiente capacidad dentro de un sector para coordinar la construcción de datasets especializados y conectar diferentes empresas, instituciones o centros tecnológicos. En lugar de crear únicamente grandes repositorios nacionales de información general, se pretende desarrollar datos vinculados a problemas concretos de fabricación, salud, transporte, energía, agricultura, investigación científica o embodied AI.
La M, por su parte, corresponde a la dimensión territorial.
China quiere que provincias y ciudades construyan programas de datasets vinculados a sus propias especializaciones económicas, de forma que una región con una fuerte industria automovilística pueda concentrarse en recursos relacionados con vehículos y conducción autónoma, mientras que otra especializada en manufactura pueda trabajar principalmente con datos industriales.
La idea es evitar que todos los territorios intenten construir exactamente los mismos datasets y vincular esta nueva infraestructura de datos con las industrias que ya tienen presencia y conocimiento acumulado en cada región.
La propia Guizhou, donde se celebra la China International Big Data Industry Expo, permite observar esta evolución.
La provincia lleva años desarrollando una importante infraestructura de centros de datos y ha intentado posicionarse como uno de los territorios de referencia de la economía digital china. Ahora busca desarrollar también actividades alrededor de esa infraestructura.
Durante el encuentro, el vicegobernador Luo Qiang afirmó que Guizhou dispone de 50 centros de datos en funcionamiento o construcción, además de 135 empresas relacionadas con el etiquetado y más de 16.000 personas trabajando en esta actividad.
Primero el problema, después los datos
China está intentando además evitar que la construcción de datasets se convierta simplemente en un objetivo cuantitativo.
El programa denominado Model-Data Resonance, impulsado conjuntamente por el Ministerio de Industria y Tecnología de la Información y la Administración Nacional de Datos, parte de una lógica distinta: primero se identifica una aplicación o un problema concreto, después se analiza qué necesita aprender el modelo y, a partir de ahí, se construyen los datos necesarios.
El programa incluye sectores como acero, petroquímica, automóvil, equipamiento médico, maquinaria industrial, energía, construcción naval, aeroespacial, electrónica, software y telecomunicaciones.
Este enfoque marca una diferencia importante. No se trata simplemente de acumular información esperando encontrar posteriormente una utilidad, sino de construir datos porque existe previamente una necesidad concreta. Una IA destinada a detectar defectos industriales necesita un tipo de información diferente a un sistema médico, y ambos requieren procesos de preparación distintos. La estrategia intenta que los datasets estén vinculados desde el principio a aplicaciones capaces de demostrar posteriormente si esos datos han servido realmente para mejorar un modelo.
La robótica explica bien por qué Internet ya no es suficiente
La robótica y la embodied AI permiten entender especialmente bien este cambio.
Un modelo de lenguaje puede aprender qué es una taza a partir de millones de textos, fotografías y vídeos disponibles online, pero un robot necesita información adicional: tiene que saber dónde se encuentra el objeto, desde qué posición puede cogerlo, cómo debe mover el brazo, qué fuerza necesita aplicar, qué ocurre si la taza se desplaza y cómo corregir una acción que no ha salido según lo previsto. Ese conocimiento procede de la interacción con el mundo físico y no puede obtenerse únicamente leyendo Internet.
Los robots necesitan datos sobre movimientos, fuerza, posición, percepción visual, contacto con objetos, errores y resultados.
Una parte puede generarse mediante simulación, pero otra debe proceder de robots, sensores, máquinas y entornos reales. Por eso la estrategia publicada por la Administración Nacional de Datos menciona expresamente datasets relacionados con percepción del entorno, interacción física y control del movimiento. También incorpora los llamados modelos del mundo, sistemas diseñados para aprender cómo funciona un entorno y anticipar qué puede ocurrir después de realizar una determinada acción.
La China Academy of Information and Communications Technology ha señalado igualmente que la embodied AI plantea retos específicos relacionados con cómo se recopilan estos datos, cómo se evalúa su calidad y cómo pueden compartirse y reutilizarse.
La robótica no es el único sector que tendrá este problema, pero permite observarlo con claridad: fabricar un robot y disponer de un buen modelo de inteligencia artificial no garantiza que ese robot tenga suficiente experiencia para realizar tareas complejas de manera fiable. Los datos pueden convertirse así en uno de los próximos cuellos de botella de la inteligencia artificial, especialmente a medida que los sistemas abandonen entornos puramente digitales y tengan que actuar en el mundo físico.
Un mercado para comprar y vender productos basados en datos
La Expo de Guiyang ha mostrado además otra evolución interesante.
Por primera vez se ha creado un espacio denominado Data Market, o mercado de datos, destinado a conectar organizaciones que disponen de datos o de capacidades relacionadas con ellos con empresas que los necesitan.
Según la Administración Nacional de Datos, participaron 95 empresas, que presentaron 253 productos de datos, 139 capacidades tecnológicas o de infraestructura y 219 escenarios de aplicación. Entre los sectores representados se encontraban embodied AI, salud, agricultura inteligente, fintech, fabricación y ciudades inteligentes.
El concepto de producto de datos puede adoptar formas muy distintas.
Una empresa puede vender determinado acceso a información, ofrecer una suscripción, permitir que otros sistemas consulten sus datos mediante una API o prestar directamente un servicio construido a partir de ellos. Esto muestra que China no está intentando tratar los datasets únicamente como un recurso interno para entrenar modelos, sino también como la base de una actividad económica propia.
La cuestión resulta especialmente importante porque algunos de los datos potencialmente más valiosos para la siguiente generación de sistemas de IA pertenecen a organizaciones concretas. Los registros de una fábrica pertenecen a esa empresa, los datos de una red eléctrica están en manos de sus operadores, la información clínica está sometida a importantes restricciones y los movimientos registrados por miles de robots pueden pertenecer a fabricantes o usuarios. El desafío consiste en crear mecanismos que permitan utilizar esa información sin que sus propietarios tengan que perder necesariamente el control sobre ella.
La gran cifra no permite todavía saber si la estrategia funcionará
Los más de 126.000 datasets muestran la escala que está alcanzando esta política, pero no permiten concluir por sí solos que China disponga ya de una ventaja tecnológica equivalente. Número, tamaño y calidad son variables diferentes. También lo son disponer de un dataset y conseguir que otra organización pueda localizarlo, acceder a él y utilizarlo. Y la prueba más importante llegará cuando pueda medirse si esos datos mejoran realmente el funcionamiento de los modelos y las aplicaciones para los que fueron construidos.
La propia Administración Nacional de Datos reconoce problemas relacionados con duplicación de datasets, diferencias de calidad, dispersión de la información y dificultades para conectar a quienes poseen datos con quienes necesitan utilizarlos. Por eso el plan nacional incorpora sistemas de evaluación y pide que los datasets sean validados mediante aplicaciones reales.
Así que si en los últimos años, gran parte de la conversación internacional sobre inteligencia artificial se ha concentrado en dos cuestiones: quién dispone de los modelos más avanzados y quién tiene acceso a mayor capacidad de computación. China lleva tiempo desarrollando infraestructura para ambas y ahora está intentando añadir una tercera capa: los datos y los 126.000 datasets anunciados en Guiyang deben interpretarse como un gran comienzo y una apuesta seria para hacerlo correctamente y optimizar recursos.
