Ingeniero de DeepSeek: la IA lo va a igualar en 2026

En pocas palabras: Liu Shengyu, ingeniero de DeepSeek que escribió el kernel de atención de V4.1-Flash, publicó el 14 de septiembre de 2026 en WeChat que en seis a doce meses la IA va a igualar su trabajo optimizando kernels de GPU, tras ver cómo su asistente pasó de buscar documentación a leer código CUDA por su cuenta.

El 14 de septiembre de 2026, el ingeniero de DeepSeek Liu Shengyu publicó en WeChat el ensayo “No tengo más remedio que enterrar mi talento en el ayer”, donde calcula que en seis a doce meses la IA va a igualar su trabajo optimizando kernels de GPU, según reportó Business Insider. Lo que hizo viral el texto no fue solo la cifra: fue que un ingeniero que trabaja adentro de un laboratorio de punta puso por escrito, con nombre y apellido, la sensación de estar acelerando su propio reemplazo.

Liu es ingeniero de sistemas de machine learning en DeepSeek y escribió el kernel principal de atención de V4.1-Flash. Su ensayo describe cómo, en apenas un año, su asistente de IA pasó de buscarle documentación a leer código CUDA, PTX y SASS y optimizar kernels por su cuenta.

¿Quién es Liu Shengyu y qué escribió en su ensayo viral?

Liu Shengyu trabaja en DeepSeek desde abril de 2025 como ingeniero de sistemas de machine learning, después de integrar la promoción Turing 2021 de la Universidad de Pekín y capitanear el equipo de supercomputación Weiming en la competencia SC23. Escribió el kernel principal de atención de V4.1-Flash, aunque aclaró que esa etiqueta cubre solo la atención MQA de dimensión 512: el indexador que selecciona los tokens más relevantes lo armaron otros colegas junto a sus propios agentes de IA, según detalla el análisis de ChinaResearchCollective.

Publicó el ensayo cuatro días después del lanzamiento de V4.1-Flash. Confirmó a Business Insider que lo escribió, pero no dio declaraciones adicionales, algo que vale tener en cuenta: todo lo que sabemos de su intención viene del propio texto y de su descargo posterior, no de una entrevista.

¿Qué dijo exactamente sobre la IA reemplazando su trabajo?

Liu sostiene que en doce meses su asistente de IA pasó de rastrear bugs a leer código CUDA, PTX y SASS, medir el tiempo de stall de cada instrucción con herramientas de profiling y optimizar kernels sin intervención humana. Por eso calcula que en seis a doce meses la IA va a igualar o superar el trabajo que hoy hace a mano.

“La IA puede razonar a 300 tokens por segundo, tipear una línea de comando en medio segundo y terminar un pedazo de código en veinte segundos. Yo no puedo”, escribió Liu en el pasaje más citado de su ensayo, según la traducción que recoge ChinaResearchCollective.

Usa dos metáforas para describir el cambio. Compara su situación con la de una tejedora que tiene que dejar de hacer sweaters a mano porque toda la industria pasó a la máquina más rápida, y se define como un “piloto de mecha”: alguien que ya no escribe kernels con sus propias manos sino que dirige agentes de IA para que los escriban. “El placer de escuchar la lluvia por la ventana, enhebrar una aguja y dejar pasar el tiempo despacio terminó aplastado por el rugido de las máquinas”, escribió, según la traducción de Business Insider. Aclara que no cree que vaya a perder el empleo, pero sí la parte creativa del oficio que más disfruta.

Ejemplo hipotético: dos caminos para alguien que hoy escribe kernels a mano

Nota: lo que sigue es un ejemplo hipotético para ilustrar el dilema que plantea Liu, no un caso real reportado por ninguna de las fuentes.

Imaginemos a una persona que trabaja optimizando kernels de GPU en un equipo mediano, sin el respaldo de un laboratorio como DeepSeek. Tiene dos opciones frente al mismo problema que describe Liu:

• Camino A — seguir profundizando en la escritura manual: tiene sentido si su trabajo depende de arquitecturas de hardware muy específicas o poco documentadas, donde los agentes de IA todavía rinden mal por falta de datos de entrenamiento sobre ese chip en particular.
• Camino B — pasar a supervisar agentes de IA: tiene más sentido si trabaja sobre GPUs estándar (las mismas que entrenan los modelos que generan el código), donde hay más código de referencia disponible y el margen de mejora manual sobre lo que ya logra un agente es cada vez más chico.

El propio Liu está, según su ensayo, más cerca del Camino B: trabaja sobre el hardware más común y mejor documentado del mercado, que es justamente donde los agentes de IA tienen más ejemplos para aprender. Alguien que optimiza para un chip nicho o una arquitectura propietaria podría tener más tiempo antes de enfrentar el mismo dilema, aunque ninguna de las fuentes ofrece datos sobre esos casos.

¿Por qué comparó a Anthropic y OpenAI con la Alemania nazi?

Liu escribió que no confía en que Anthropic ni OpenAI mantengan la IA de punta abierta y accesible para todos, y agregó que no quiere que Anthropic controle la AGI porque, en sus palabras, la gravedad “no sería menor que Hitler consiguiendo la bomba atómica antes que los Aliados”, según recoge el South China Morning Post.

Esa frase es la parte política del ensayo, no la central, aunque terminó siendo la que más rebotó en la cobertura en inglés. Liu contrapone dos futuros posibles: uno de “comunismo”, con las fuerzas productivas liberadas y acceso amplio a la IA de punta, y otro tipo “Cyberpunk 2077”, donde un puñado de empresas controla los recursos y solo unos pocos acceden a la tecnología más avanzada. Dos días después de la publicación original, subió un descargo donde aclaró que su intención no era victimizarse por el desempleo ni cargar contra Anthropic, sino despedirse de la era de los kernels escritos a mano. Ese matiz importa: bajarle el tono a una comparación con el nazismo dos días después no es un detalle menor, y bastante cobertura lo dejó afuera.

¿Qué tan cierto es que la inteligencia artificial ya escribe kernels de GPU como un ingeniero de DeepSeek?

Hoy, todavía no al nivel que describe Liu. Un kernel CUDA “naive” de multiplicación de matrices llega a apenas 1.3% del rendimiento de la librería oficial del fabricante, y cerrar esa brecha exige diez técnicas de optimización no obvias, según los datos que reúne el análisis de ChinaResearchCollective. La primera versión de FlashAttention, el algoritmo que hizo viables los modelos de contexto largo, alcanzó solo entre 25% y 40% del throughput teórico máximo.

Esos números importan porque muestran que optimizar kernels a mano sigue siendo un problema técnico difícil en 2026. La proyección de Liu, seis a doce meses para que la IA lo iguale, es su estimación personal basada en lo que vio en el último año, no un hecho ya verificado por terceros. ¿Alguien lo comprobó de forma independiente con un benchmark público? Todavía no, al menos no en ninguna de las fuentes disponibles. Vale leer su plazo como el pronóstico de alguien que vive el problema todos los días, no como un dato de laboratorio.

Si trabajás cerca de GPUs, ¿en qué fijarte antes de sacar conclusiones?

Más allá del caso puntual de Liu, el ensayo deja tres preguntas concretas que le sirven a cualquiera que programe cerca del hardware:

• ¿Tu hardware es común o nicho? Cuanto más estándar sea la GPU que usás, más ejemplos de código tuvo un modelo de IA para aprender a optimizarla, y más cerca estás del escenario que describe Liu.
• ¿Tu valor está en escribir o en decidir qué optimizar? Si tu aporte real es elegir qué parte del sistema vale la pena acelerar primero, esa capacidad de criterio se sostiene aunque un agente escriba el código. Si tu aporte es la escritura en sí, ahí está el riesgo que señala Liu.
• ¿Ya probaste dejar que un agente audite tu propio kernel? Es una forma concreta de medir, con tu propio código, qué tan cerca o lejos está la IA de igualarte, en lugar de guiarte solo por el plazo que estima otra persona.

¿Qué implica este caso para el futuro del trabajo en IA?

El ensayo superó las 100.000 lecturas en WeChat y llegó al primer puesto del ranking de tendencias de Zhihu, según ChinaResearchCollective, señal de que el dilema de Liu resuena en buena parte de la industria china de IA. No es un caso aislado.

La semana anterior, Jacob Coxon, exinvestigador de Anthropic y OpenAI, había renunciado a Anthropic por preocupaciones de seguridad y escribió en X que las empresas de IA “van directo hacia la superinteligencia autosuperadora” y “apuestan con nuestras vidas”, según reportó Business Insider. Ese posteo abrió un debate más amplio sobre el ritmo, o “pacing”, al que avanza la IA, con Dario Amodei, Sam Altman y Elon Musk opinando desde veredas distintas. Lo interesante es que el ensayo de Liu llega desde un ángulo casi opuesto: mientras Coxon habla de riesgo existencial a gran escala, Liu habla de algo más chico y, en el fondo, más cotidiano: qué pasa con el placer de un oficio cuando la máquina lo hace mejor y más rápido. Son dos formas distintas de tener miedo del mismo avance.

¿Qué está confirmado y qué es interpretación en este caso?

• Confirmado: Liu escribió el kernel de atención de V4.1-Flash y publicó el ensayo el 14 de septiembre de 2026, con autoría reconocida ante Business Insider.
• Confirmado: Dos días después subió un descargo que bajó el tono de la comparación con Anthropic.
• No confirmado: el plazo de 6 a 12 meses para que la IA iguale su trabajo es una proyección personal, no un benchmark publicado por DeepSeek.
• No confirmado como postura oficial: la comparación con Hitler es hipérbole personal en un blog, algo que el propio Liu reconoce al escribir “es mejor dejarlo ahí, o temo que esto no pase la moderación”.

Errores comunes al leer este caso

• Tratar el ensayo como comunicado oficial de DeepSeek: es la opinión personal de un ingeniero en su cuenta de WeChat, no un anuncio corporativo ni una posición de la empresa.
• Quedarse solo con la frase sobre Hitler: buena parte de la cobertura en inglés cortó ahí y se perdió el descargo posterior y el eje real del texto, que es la pérdida del oficio manual.
• Asumir que la IA ya reemplaza hoy a los ingenieros de kernels: los propios números del sector (1.3% de rendimiento en un kernel naive, 25 a 40% en la primera versión de FlashAttention) muestran que la optimización manual todavía aporta valor en 2026.
• Confundir “código abierto” con “pesos abiertos”: DeepSeek publica su código bajo licencia MIT, pero los pesos del modelo tienen una licencia separada, algo que el ensayo de Liu no aclara.

Preguntas Frecuentes

¿Qué dijo el ingeniero de DeepSeek sobre la inteligencia artificial?

Liu Shengyu escribió que en seis a doce meses la IA va a igualar o superar su trabajo optimizando kernels de GPU, después de ver cómo su asistente pasó de buscarle documentación a leer código CUDA y optimizar por su cuenta en apenas un año.

¿Quién es Liu Shengyu, el ingeniero de DeepSeek?

Es ingeniero de sistemas de machine learning en DeepSeek desde abril de 2025, exmiembro de la promoción Turing 2021 de la Universidad de Pekín, y autor del kernel principal de atención del modelo V4.1-Flash.

¿Por qué comparó a Anthropic y OpenAI con la Alemania nazi?

Porque no confía en que esas empresas mantengan la IA de punta abierta y accesible, y escribió que dejar que Anthropic controle la AGI tendría una gravedad comparable a que Hitler consiguiera la bomba atómica antes que los Aliados. Dos días después bajó el tono de esa comparación en un descargo.

¿La IA ya puede escribir kernels de GPU mejor que un humano?

Todavía no, según los propios datos técnicos del sector: un kernel CUDA naive llega a solo 1.3% del rendimiento óptimo y FlashAttention v1 alcanzó entre 25% y 40% del throughput teórico. La proyección de Liu es a futuro, seis a doce meses, no una situación actual.

¿DeepSeek va a reemplazar a sus propios ingenieros con IA?

Liu dice que no cree perder el empleo, sino la parte manual y creativa de escribir kernels, pasando a dirigir agentes de IA en vez de programar directamente. No hay ningún anuncio de DeepSeek sobre recortes de personal ligados a este ensayo.

Conclusión

El ensayo de Liu Shengyu no cambia lo que DeepSeek anunció con V4.1-Flash, pero deja un testimonio poco común: un ingeniero que construye la herramienta que probablemente lo reemplace, y lo dice en público con una fecha estimada. La parte útil no es la frase sobre Hitler, es la pregunta de fondo que le queda a cualquiera que trabaje cerca del hardware: si tu aporte hoy es escribir código o es decidir qué código vale la pena escribir. Lo primero se puede automatizar más rápido de lo que pensás; lo segundo, todavía no. Vale la pena seguir el rastro de si DeepSeek, Anthropic u OpenAI publican benchmarks concretos sobre generación automática de kernels en los próximos meses. Ahí se va a ver si el plazo de Liu era el pronóstico certero de alguien que ve el problema de cerca, o apenas el optimismo pesimista de un blog.

Fuentes

• Business Insider (vía Yahoo News) – cobertura original del ensayo de Liu Shengyu
• South China Morning Post – análisis de la comparación con Anthropic, OpenAI y la Alemania nazi
• ChinaResearchCollective – traducción y contexto técnico completo del ensayo