Zhipu AI cierra una ronda de financiación de 50 000 millones de dólares para su próximo modelo GLM
La startup china ha recaudado 20 000 millones en venta de acciones y 30 000 millones en bonos convertibles, destinando el capital a su arquitectura GLM de próxima generación y a un sistema de auto‑entrenamiento.
Zhipu AI anunció hoy la culminación de una ronda de financiación de alrededor de 50 000 millones de dólares (aproximadamente 336,54 mil millones de yuanes). La operación se divide en una colocación privada de 20 000 millones de dólares (cerca de 156,8 mil millones de dólares de Hong Kong) y la emisión de bonos convertibles por 30 000 millones de dólares (unos 201,4 mil millones de yuanes).
El dinero se destinará a dos frentes principales. Primero, al desarrollo de la siguiente generación del modelo de lenguaje GLM y a un marco de "Fully Self Training" (auto‑entrenamiento completo). Zhipu describe este enfoque como una cadena recursiva donde el modelo, entrenado en el entorno de la versión anterior, genera y refina sus propios datos de entrenamiento, creando un bucle de mejora continua.
En la práctica, la inversión cubrirá la automatización de generación y filtrado de datos, la construcción de entornos de tarea y la ampliación de la capacidad de razonamiento a largo plazo. Paralelamente, la compañía invertirá en adaptar sus modelos a chips fabricados en China, desarrollar operadores personalizados y optimizar la inferencia, con el objetivo de elevar la eficiencia de cómputo sin requerir hardware adicional.
Zhipu subraya que ambas líneas de trabajo –mejora de capacidad del modelo y eficiencia de cómputo– avanzarán de forma simultánea. La estrategia busca escalar el entrenamiento mientras reduce el coste por operación, una combinación que podría posicionar a la empresa como competidora directa de los grandes modelos occidentales.
Esta ronda sitúa a Zhipu entre los pocos actores chinos que disponen de recursos financieros comparables a los de los gigantes de IA en EE. UU. La capacidad de financiar tanto la investigación de modelos como la infraestructura de hardware será clave para cerrar la brecha de rendimiento y coste.
Queda por ver cómo el nuevo GLM‑X se traducirá en mejoras tangibles en aplicaciones de generación de texto, razonamiento y adaptación a dispositivos locales, y si la estrategia de auto‑entrenamiento logrará reducir la dependencia de datos externos costosos.
