El monopolio que no se nombra
Hay un monopolio que no aparece en las causas antimonopolio de la FTC ni en los discursos de regulación tech. No es Google con búsqueda, no es Meta con redes sociales, no es Amazon con retail. Es NVIDIA con el compute artificial intelligence. Y su poder es más profundo que cualquier otro en la industria porque no controla un mercado: controla la infraestructura misma sobre la que todos los demás mercados de IA se construyen.
En 2025, NVIDIA facturó más de $130 mil millones. Su dominancia en chips para IA ronda el 80% del mercado de data centers. Pero el número que importa no es la facturación ni la cuota de mercado: es la dependencia. Cada modelo de lenguaje grande, cada generador de imágenes, cada sistema de visión por computadora que se entrena hoy a escala comercial pasa por hardware NVIDIA. Y no solo por el hardware — pasa por CUDA, el marco de trabajo propietario que NVIDIA ha cultivado durante casi dos décadas como un ecosistema cerrado de libs, compiladores y herramientas de desarrollo que hace que migrar a otro proveedor sea, en la práctica, tan costoso como reescribir todo tu stack desde cero.
CUDA no es solo un API. Es un foso. Y el foso tiene consecuencias políticas.
Cuando el Departamento de Comercio de Estados Unidos decidió restringir la exportación de chips NVIDIA a China, no estaba simplemente limitando ventas. Estaba decidiendo qué países pueden participar en la carrera de IA y cuáles quedan fuera. Estaba usando el monopolio privado de una empresa como instrumento de política exterior. La cadena de suministro global de semiconductores — una de las construcciones industriales más complejas de la historia humana, repartida entre diseñadores en Santa Clara, fabricantes en Hsinchu, ensambladores en Shenzhen y proveedores de equipos en Veldhoven — se convirtió, de un plumazo burocrático, en un arma.
Este artículo traza tres vectores de esa confrontación: TileLang, un lenguaje de programación de kernels que busca romper la dependencia de CUDA desde el software; Huawei Ascend, la línea de chips de IA que busca romper la dependencia de NVIDIA desde el hardware; y la geopolítica de los controles de exportación, el marco dentro del cual todo esto sucede. La tesis es simple: el monopolio de NVIDIA sobre el compute de IA es una estructura de poder, y los intentos de romperla — incluso los que vienen del Estado chino — son intentos de reconfigurar esa estructura, no de abolirla. La pregunta no es si el monopolio se rompe, sino quién concentra el poder cuando se redistribuye.
I. TileLang: programar fuera del foso
El problema
Para entender qué es TileLang, hay que entender qué es un kernel de GPU y por qué casi nadie lo escribe.
Un kernel es el programa que corre directamente en el chip gráfico — la pieza de código que organiza cómo miles de núcleos en paralelo acceden a memoria, sincronizan cálculos y mueven datos. CUDA, el lenguaje de NVIDIA, permite escribir estos kernels, pero a un nivel de abstracción tan bajo que hacerlo bien requiere conocimiento íntimo de la microarquitectura de cada generación de chip. Por eso la mayoría de los desarrolladores de IA nunca escriben kernels: usan bibliotecas pre-optimizadas (cuDNN, cuBLAS, cuTorch) que NVIDIA provee como parte de su ecosistema cerrado.
El resultado: los desarrolladores dependen de NVIDIA no solo para el hardware sino para el software que hace que el hardware funcione. El dependencia de proveedor es bidireccional.
OpenAI intentó romper parcialmente esto con Triton, un lenguaje de más alto nivel para escribir kernels de GPU que compila a PTX (el bytecode de NVIDIA). Triton fue un avance real: permitió escribir kernels eficientes sin lidiar con los detalles de memoria compartida y sincronización de warps. Pero Triton sigue compilando para hardware NVIDIA. Es un paso adelante en productividad, no en independencia.
Qué es TileLang
TileLang es un DSL (domain-specific language) compilado que permite expresar kernels de alto rendimiento en Python, a nivel de tile — bloques de datos que se procesan en paralelo — y compilarlos para múltiples arquitecturas. Desarrollado inicialmente por investigadores de la National University of Singapore y ahora adoptado activamente por DeepSeek, TileLang se distingue de Triton en un aspecto fundamental: no está atado a una arquitectura.
El paper fundacional, "TL: Automatic End-to-End Compiler of Tile-Based Languages for Spatial Dataflow Architectures" (arXiv:2512.22168), describe un marco de trabajo que compila programas tile-based — como los kernels Triton — hacia arquitecturas de dataflow espacial, no solo GPUs. Esto incluye chips como los de Tenstorrent (arquitectura Wormhole), Cerebras, Groq, y potencialmente los aceleradores nacionales chinos.
La arquitectura de TileLang descansa sobre MLIR (Multi-Level Intermediate Representation), el infra-compilador de Google/LLVM, y define una representación genérica del hardware que captura la topología de interconexión, la jerarquía de memoria y las capacidades de cómputo. Esto permite que el mismo kernel se compile con optimizaciones específicas para cada chip target, sin reescribir el código.
Los pruebas de rendimiento del paper son significativos: sobre un sistema Tenstorrent Wormhole, el compilador TL logra en promedio 1.03x el rendimiento de la biblioteca del fabricante para GEMM (multiplicación de matrices) y 1.91x para FlashAttention. Es decir: un compilador automático supera a las bibliotecas optimizadas manualmente del fabricante en uno de los kernels más importantes para LLMs.
TileKernels: la adopción por DeepSeek
En abril de 2026, DeepSeek publicó TileKernels, una biblioteca de kernels optimizados para operaciones de LLM escrita enteramente en TileLang. Esto no es un experimento de laboratorio: TileKernels incluye kernels de MoE routing, cuantización FP8/FP4, transposiciones batched, y mecanismos de atención que ya se usan en escenarios internos de entrenamiento e inferencia de DeepSeek.
El repositorio (github.com/deepseek-ai/TileKernels) explicita algo revelador: los kernels "se acercan al límite del rendimiento del hardware en términos de intensidad de cómputo y ancho de banda de memoria." El mensaje es claro: ya no necesitás CUDA para obtener rendimiento cercano al óptimo.
La implicancia geopolítica es profunda. Si los kernels de alto rendimiento se pueden escribir en un lenguaje independiente de hardware como TileLang, entonces el dependencia de proveedor de CUDA pierde su principal palanca. Los desarrolladores chinos — y cualquier desarrollador en el mundo — podrían escribir kernels una vez y compilarlos para Ascend, para chips nacionales chinos, para Tenstorrent, para lo que sea. El foso se seca.
Los límites
Pero hay que ser precisos. TileLang hoy requiere GPUs SM90 o SM100 de NVIDIA (es decir, H100/B200) con CUDA Toolkit 13.1+ para desarrollo. La ironía es estructural: el lenguaje que busca liberarte de CUDA todavía necesita CUDA para compilar. El soporte para otros entornos de ejecución existe en el paper pero está en etapas tempranas de implementación práctica. La promesa es real, pero la materialización es incompleta.
Además, el ecosistema de bibliotecas optimizadas de NVIDIA — décadas de ingeniería invertida en cuDNN, TensorRT, cuBLAS, Triton Server — no se reemplaza con un compilador elegante. La ventaja de NVIDIA no es solo técnica: es de ecosistema, de inercia, de estándar de facto. TileLang es una herramienta necesaria pero no suficiente para romper el monopolio.
II. Huawei Ascend: el chip que no debería existir
Nacimiento bajo sanciones
La serie Ascend de Huawei nació en 2019, el mismo año en que el gobierno de EE.UU. puso a Huawei en la Entity List del Departamento de Comercio. No es coincidencia: el chip fue concebido explícitamente como respuesta a la dependencia de hardware extranjero.
La línea evolucionó del Ascend 910 original al 910B y al actual 910C, que combina dos chips 910B en un solo package para entregar 800 TFLOP/s en FP16 con un ancho de banda de memoria de 3.2 TB/s. Es, por diseño, el competidor directo del NVIDIA H100 — el chip que China no puede comprar legalmente.
Pero el 910C es más que un chip: es la prueba de concepto de una cadena de suministro alternativa. Diseñado por Huawei, fabricado por SMIC en un proceso de 7nm usando litografía DUV multi-patterning (no EUV, que China no puede obtener), con memoria HBM de Samsung (stockpileada antes de los controles de diciembre de 2024), y empaquetado con tecnología CoWoS — el mismo paradigma de integración que usa NVIDIA.
El rendimiento comparativo, según investigaciones de DeepSeek publicadas en 2025, sitúa al 910C en aproximadamente el 60% del rendimiento del H100 en inferencia. No es paridad. Pero es suficiente para la mayoría de las cargas de trabajo de inferencia doméstica china, y suficientemente cerca para entrenamiento de modelos que no están en la frontera absoluta.
CloudMatrix 384: cuando el sistema compensa el chip
Huawei no puede igualar a NVIDIA chip por chip. Así que decidió no intentarlo.
El CloudMatrix 384 es un sistema rack-scale que conecta 384 chips Ascend 910C en una topología all-to-all mediante una red óptica de 400G. Según SemiAnalysis, el sistema completo entrega 300 PFLOPs de cómputo BF16 denso — casi el doble que un NVIDIA GB200 NVL72. Tiene 3.6x la capacidad de memoria agregada y 2.1x más ancho de banda de memoria.
La trampa: consume 4.1x la energía del GB200 NVL72, con 2.5x peor eficiencia energética por FLOP.
Pero aquí está el punto que el análisis occidental suele pasar por alto: en China, la energía no es el cuello de botella. China ha añadido la capacidad equivalente a toda la red eléctrica de Estados Unidos en los últimos 15 años. Cuando tu constrain no es la energía sino el acceso a chips, tiene sentido arquitecturar un sistema que compensa chips menos avanzados con más chips y más energía. Es una decisión de diseño dictada por la geopolítica, no por la elegancia técnica.
El 910D y el horizonte
Huawei está preparando el Ascend 910D, con samples de prueba previstos para mayo de 2025 y evaluaciones entre las principales empresas tech chinas. Los reportes sugieren que el objetivo es superar al H100 en áreas clave — no solo alcanzar paridad. Si el 910D logra esto con un proceso SMIC de 5nm (actualmente en desarrollo con rendimientos de ~20%), la pregunta sobre la efectividad de los controles de exportación se vuelve imposible de evitar.
CANN: el software que nadie menciona
El chip es la mitad de la historia. La otra mitad es CANN (Compute Architecture for Neural Networks), el stack de software de Huawei que compite con CUDA. CANN incluye un compilador, bibliotecas de operadores, herramientas de profiling y un runtime optimizado para Ascend. La transición de CUDA a CANN es el principal dolor de cabeza para los desarrolladores chinos que intentan migrar: la API es diferente, la semántica de memoria es diferente, las optimizaciones son opacas.
Aquí es donde TileLang (y compiladores similares como TVM) ganan relevancia estratégica. Si los kernels se pueden escribir en un lenguaje independiente de hardware y compilar para Ascend, el costo de migración de CUDA a CANN se reduce dramáticamente. TileLang no es solo una herramienta de productividad: es infraestructura de soberanía tecnológica.
III. La cadena de suministro como arma
Las rondas de controles de exportación
La historia de los controles de exportación de semiconductores de EE.UU. a China es una sucesión de rondas cada vez más restrictivas, cada una diseñada para cerrar los huecos que la anterior dejó abiertos:
- Octubre 2022: La primera gran ronda Biden. Restringe la exportación de chips de IA por encima de ciertos umbrales de rendimiento (A100, H100) y equipos de fabricación avanzados. Crea el Foreign Direct Product Rule (FDPR) para capturar chips fabricados fuera de EE.UU. con tecnología estadounidense.
- Octubre 2023: Actualización que reduce los umbrales de rendimiento, capturando los chips "alineados con controles" que NVIDIA diseñó específicamente para evadir las restricciones (A800, H800).
- Diciembre 2024: La ronda más amplia hasta la fecha. Por primera vez, restringe la HBM (High Ancho de banda Memory) — la memoria crítica para IA — a nivel país. Antes, China podía comprar toda la HBM que quisiera; de repente, no. También expande dramáticamente el FDPR, añade 140 entidades a la Entity List, y crea la categoría Restricted Fabrication Facility (RFF) para controlar fábricas específicas.
- Abril 2025: El gobierno Trump extiende las restricciones al H20, el chip que NVIDIA diseñó específicamente para cumplir con todas las regulaciones anteriores. NVIDIA anuncia un cargo de $5.5 mil millones. El mensaje es claro: no importa cuánto te ajustes a las reglas; las reglas van a cambiar hasta que no puedas vender nada.
Cada ronda sigue la misma lógica: identificar el cuello de botella tecnológico que China aún puede eludir, y cerrarlo. Chips → chips reducidos → HBM → servicios en la nube → chips aún más reducidos. Es un juego de whack-a-mole geopolítico.
SMIC y el agujero DUV
El supuesto central de la estrategia de contención es que China no puede fabricar chips avanzados sin equipos EUV de ASML, y ASML no puede vender equipos EUV a China. Este supuesto es correcto — pero incompleto.
Un informe del American Enterprise Institute de abril de 2026, elaborado por Ryan Fedasiuk y Julia Torres, documenta lo que llaman el "DUV lithography loophole." SMIC ha estado usando litografía DUV immersion (DUVi) con multi-patterning en máquinas ASML NXT:1980Fi para producir chips de 7nm. La técnica es la misma que TSMC y Samsung usaron antes de que EUV estuviera disponible: exponer la misma capa de silicio múltiples veces con patrones ligeramente desplazados, combinando los resultados para lograr features más pequeños de lo que la longitud de onda del light permite en una sola pasada.
Funciona. Es más lento (3-4x más pasadas que EUV), tiene rendimientos más bajos, y cuesta más por die. Pero funciona.
China adquirió aproximadamente 90 máquinas ArFi (las herramientas DUVi más avanzadas de ASML) en 2024, por un valor de $5-7 mil millones — todas legalmente, antes de que existieran restricciones sobre herramientas DUVi. Estas 90 máquinas representan aproximadamente el 20-25% de la base instalada global de NXT:1980Fi. Con esa flota, SMIC está produciendo 7nm y desarrollando 5nm (con rendimientos de ~20% actualmente). El target de Huawei: 1.6 millones de dies lógicos de alta gama en 2026 para aceleradores de IA.
El informe del AEI es explícito: la flota DUVi de China "casi con seguridad" será capaz de producir suficientes dies near-frontier en 2026 para abastecer la demanda de aceleradores de IA domésticos de Huawei. No es paridad con TSMC N3 o N2. Es roughly TSMC N7 (vintage 2019) acercándose a N5 (2020). Para inferencia — que es la mayor parte del carga de trabajo real — es suficiente.
ASML y el cuello de botella holandés
Toda esta arquitectura de contención descansa sobre un hecho industrial poco conocido: un solo empresa en un solo país controla la máquina más compleja jamás construida por el ser humano.
ASML, headquartered en Veldhoven, Países Bajos, es el único fabricante de equipos de litografía EUV del mundo. Cada chip avanzado — cada H100, cada Apple Silicon, cada Ascend — fue impreso por una máquina ASML. La NXE:3600D, el modelo actual, cuesta alrededor de $380 millones por unidad y contiene más de 100,000 componentes ensamblados con precisión sub-nanométrica. ASML depende a su vez de proveedores como Zeiss (ópticas, Alemania), Trumpf (láseres, Alemania) y Cymer (fuentes de luz, EE.UU.).
Los controles de exportación sobre ASML son el eslabón más débil de la cadena de contención: son indirectos. EE.UU. no tiene jurisdicción directa sobre una empresa holandesa, pero usa el hecho de que los componentes clave contienen tecnología estadounidense para presionar al gobierno holandés. El gobierno holandés, a su vez, balancea sus relaciones comerciales con China (ASML obtiene ~20% de sus ingresos de China) contra su alianza estratégica con EE.UU.
El resultado es una danza burocrática donde las restricciones se implementan gradualmente, con excepciones, con retrasos, con loopholes. Y mientras tanto, las máquinas DUVi que China ya compró siguen operando.
TSMC: el nodo gordiano
Si ASML controla las máquinas, TSMC controla la capacidad de fabricación. El fabricante taiwanés fabrica la mayoría de los chips avanzados del mundo — incluyendo, irónicamente, la mayoría de los chips Ascend de Huawei.
SemiAnalysis documentó en abril de 2025 que "cada 910B y 910C de Ascend adquirido y analizado por TechInsights y otros usaba dies de TSMC." Huawei logró obtener wafers de TSMC de 7nm a través de una empresa intermediaria, Sophgo, por aproximadamente $500 millones. TSMC está siendo investigada y enfrenta multas de hasta $1 mil millones — apenas 2x lo que ganó con la transacción.
Esto revela la falacia central de los controles de exportación: la cadena de suministro de semiconductores es demasiado compleja y demasiado globalizada para ser controlada por regulaciones que se basan en listas de entidades y umbrales técnicos. Cada control genera un incentivo para encontrar un alternativa improvisada, y los incentivos son masivos — estamos hablando de un mercado de decenas de miles de millones de dólares.
El CHIPS Act: soberanía por subsidio
Mientras tanto, EE.UU. intenta construir su propia soberanía semiconductor con el CHIPS and Science Act, que asigna $52 mil millones en subsidios para construir capacidad de fabricación doméstica. TSMC está construyendo fabs en Arizona ($6.6 mil millones en subsidios para una inversión de $65 mil millones). Intel está reestructurando su negocio de fabricante. Samsung está invirtiendo en Texas.
Los resultados son modestos. TSMC Arizona comenzó producción piloto en 2025, pero los engineers taiwaneses reportan que los rendimientos están significativamente por debajo de los fabs en Hsinchu. La cultura de manufactura de precisión extrema que TSMC construyó durante 35 años no se transfiere con un cheque. Y el CHIPS Act, en su diseño, replica la misma lógica que critica: usa subsidios estatales para crear capacidad doméstica,正当化 la intervención estatal en mercados mientras condena la intervención estatal china.
IV. DeepSeek: cuando el software compensa el hardware
El shock de DeepSeek en enero de 2025 no fue solo un modelo mejor y más barato. Fue una demostración de que la eficiencia del software puede compensar la inferioridad del hardware.
DeepSeek R1 fue entrenado por un equipo de menos de 200 personas con un claimed cost de $5.576 millones usando 2,048 GPUs NVIDIA H800 — la versión reducida del H100 que NVIDIA vendía en China antes de que las restricciones se endurecieran. El modelo usa Mixture of Experts (MoE) que activa solo 37 mil millones de sus 671 mil millones de parámetros por token, multi-head latent attention que reduce el uso de memoria al 5-13% de métodos anteriores, y FP8 mixed precision para reducir costos computacionales.
Pero la innovación más relevante geopolíticamente fue una que pocos notaron: DeepSeek usó PTX (el assembly-level bytecode de NVIDIA) directamente en lugar de CUDA para algunos kernels críticos, dando a sus ingenieros control más fino sobre la ejecución de instrucciones GPU. Y cuando publicó TileKernels en 2026, la señal era inequívoca: DeepSeek está construyendo infraestructura software que le permita operar eficientemente en hardware no-NVIDIA.
El fundador de DeepSeek, Liang Wenfeng, lo dijo explícitamente en una entrevista con 36Kr: "Creemos que la tecnología AI de China no va a seguir siempre los pasos de sus predecesores. NVIDIA logró su posición actual no simplemente a través del esfuerzo de una sola empresa sino a través de los esfuerzos de comunidades tecnológicas e industrias occidentales. La industria AI china necesita crear tal ecosistema."
La eficiencia de DeepSeek tiene una implicancia que los controles de exportación no previeron: si un modelo puede entrenarse con hardware dos generaciones atrás y alcanzar rendimiento comparable a GPT-4, entonces la restricción de chips de última generación pierde parte de su eficacia. No la pierde toda — la frontera siempre importa, y entrenar el próximo GPT-5 sí necesita hardware de punta — pero para la mayoría de las aplicaciones prácticas, la eficiencia software democratiza el acceso de formas que los controles de hardware no pueden capturar.
V. Soberanía o reciclaje: quién gana cuando se rompe el monopolio
Aquí llegamos al núcleo del asunto.
TileLang y Ascend representan dos vectores de la misma resistencia al monopolio de NVIDIA. Uno desde el software, otro desde el hardware. Y ambos están profundamente imbricados con el proyecto de soberanía tecnológica del Estado chino.
¿Es esto soberanía genuina? Depende de cómo se defina "soberanía."
Si soberanía significa "capacidad de operar sin depender de un proveedor extranjero que puede ser bloqueado por un gobierno hostil," entonces sí: China está construyendo soberanía. SMIC fabricando 7nm con DUV multi-patterning, Huawei diseñando chips competitivos, DeepSeek optimizando software para compensar hardware inferior — todo esto avanza hacia la autonomía tecnológica.
Pero si soberanía significa "control democrático sobre la infraestructura tecnológica," entonces la respuesta es no. Los chips Ascend no son propiedad colectiva. Son propiedad de Huawei — una corporación privada estrechamente vinculada al Estado chino y al Partido Comunista. La soberanía que se construye no es la de los pueblos que usan la tecnología; es la del Estado-nación que compite con otros Estados-nación por el control de la infraestructura del siglo XXI.
Huawei no es una cooperativa. DeepSeek no es un proyecto comunitario. SMIC no es gestionada por sus trabajadores. La "soberanía tecnológica" que se construye en China es la soberanía de una élite política-económica que quiere controlar su propia cadena de suministro — la misma lógica que impulsa el CHIPS Act estadounidense, con diferente bandera.
Y esto tiene consecuencias concretas para el Sur Global. Uruguay, El Salvador, Argentina, el conjunto de América Latina y África no están construyendo chips. No están desarrollando DSLs para kernels. Están consumiendo la tecnología que se produce en esta confrontación, y su "soberanía" depende de cuál de los dos bloques — el americano o el chino — les ofrezca mejores términos de acceso.
Los controles de exportación de EE.UU. no van a detener el desarrollo de IA en China. Los informes del AEI, SemiAnalysis, y CSIS convergen en este diagnóstico. China tiene suficientes máquinas DUVi, suficiente capacidad en SMIC, suficiente HBM stockpileada, y suficiente ingenio software para mantenerse competitiva en IA durante años. Lo que los controles sí hacen es encarecer el proceso, ralentizar la velocidad, y — crucialmente — incentivar la construcción de una cadena de suministro alternativa que, una vez madura, será permanente.
TileLang es una pieza de esa infraestructura alternativa. No es un proyecto chino — sus autores son de la National University of Singapore y Arizona State University. Pero su adopción por DeepSeek, y su potencial para compilar kernels para chips no-NVIDIA (incluyendo Ascend), lo convierte en un habilitador de la soberanía tecnológica china, independientemente de la intención de sus creadores.
VI. Lo que el Sur Global debería entender
La guerra de los chips no es una película de otros. Es la infraestructura sobre la cual se va a construir — o no — cualquier proyecto de desarrollo tecnológico autónomo en las próximas décadas.
Tres cosas son ciertas:
Primera: el monopolio de NVIDIA no es eterno. Ningún monopolio tecnológico lo es. Pero la velocidad a la que se erosiona depende de factores políticos, no solo técnicos. Los controles de exportación aceleran la erosión al incentivar alternativas. TileLang, Triton, TVM, OpenAI's compiler efforts — todos erosionan el foso de CUDA desde distintos ángulos.
Segunda: la cadena de suministro de semiconductores es irreversiblemente global. Intentar "desglobalizarla" — sea mediante CHIPS Act o Made in China 2025 — es costosísimo y parcial. ASML necesita a Zeiss. TSMC necesita a ASML. Huawei necesita a Samsung HBM y, según SemiAnalysis, a TSMC wafers. La interdependencia es real, y los controles de exportación la niegan en vez de gestionarla.
Tercera: el Sur Global no es un actor en esta disputa — es un campo de batalla. Cuando EE.UU. restringe chips a China, no está pensando en cómo eso afecta a Brasil o Nigeria. Cuando Huawei ofrece Ascend como alternativa, no lo hace por solidaridad sur-sur. Cada bloque busca clientes, influencia, dependencia. La verdadera soberanía tecnológica para los países que no fabrican chips no está en elegir un proveedor sobre otro; está en desarrollar la capacidad de cambiar de proveedor sin costo catastrófico. Y eso requiere software portable, estándares abiertos, y compiladores que no pertenezcan a ningún fabricante.
TileLang apunta en esa dirección. No es suficiente, pero es necesario. La pregunta es quién lo controla, quién lo desarrolla, y para quién trabaja.
Referencias
- Bai, Z. et al. "TL: Automatic End-to-End Compiler of Tile-Based Languages for Spatial Dataflow Architectures." arXiv:2512.22168, diciembre 2024.
- DeepSeek-AI. "TileKernels: A kernel library written in tilelang." GitHub, abril 2026.
- Fedasiuk, R. y Torres, J. "China's DUV Lithography Loophole." American Enterprise Institute, abril 2026.
- SemiAnalysis. "Huawei AI CloudMatrix 384 – China's Answer to Nvidia GB200 NVL72." abril 2025.
- CSIS. "Understanding the Biden Administration's Updated Controles de Exportación." diciembre 2024.
- CNBC. "U.S. chip controls will benefit China's Nvidia rivals like Huawei: Analysts." abril 2025.
- Bain & Company. "DeepSeek: A Game Changer in AI Efficiency?" 2025.
- Stanford Cyber Policy Center. "Taking Stock of the DeepSeek Shock." 2025.