En pocas palabras: Liang Wenfeng es el ingeniero y emprendedor chino fundador de DeepSeek y del fondo cuantitativo High-Flyer. Su app de chat gratuita provocó que Nvidia perdiera USD 593.000 millones el 27 de enero de 2025, la mayor caída diaria de valor bursátil de la historia.
Liang Wenfeng es el fundador de DeepSeek, la startup china cuya app de chat gratuita provocó la mayor caída diaria de valor bursátil de la historia: Nvidia perdió USD 593.000 millones el 27 de enero de 2025. Según el índice de multimillonarios de Bloomberg, en julio de 2026 su patrimonio ronda los USD 36.000 millones, el mayor entre los fundadores de compañías de modelos de IA.
DeepSeek es una empresa china de inteligencia artificial creada en mayo de 2023 como spin-off de High-Flyer, un fondo de trading cuantitativo fundado por el propio Liang. Su modelo estrella, DeepSeek-R1, igualó el rendimiento de OpenAI o1 en benchmarks de razonamiento con 671.000 millones de parámetros (de los cuales activa 37.000 millones por consulta) y publica sus pesos bajo licencia MIT. Lo construyó un equipo de menos de 140 personas. Un perfil publicado el fin de semana del 22 y 23 de agosto de 2026 en Dev.to reconstruye la historia completa, y tiene más vueltas de rosca de lo que parece.
En 30 segundos
- La caída récord: el 27 de enero de 2025, Nvidia perdió USD 593.000 millones de capitalización en una sola jornada, el peor día de una empresa en la historia de Wall Street.
- El detonante: DeepSeek-R1, un modelo gratuito y de pesos abiertos que igualaba a OpenAI o1 en razonamiento con una fracción del hardware.
- El fundador: Liang Wenfeng, nacido en 1985 en Guangdong, ex gestor del fondo quant High-Flyer, que acumuló 10.000 GPUs de Nvidia antes del embargo estadounidense.
- El número famoso: DeepSeek-V3 se entrenó con 2.048 GPUs H800 por USD 5,6 millones según el paper (aunque la letra chica aclara que esa cifra cubre solo la corrida final).
- El patrimonio: USD 36.000 millones según Bloomberg (julio de 2026), el mayor entre fundadores de empresas de modelos de IA.
Nvidia es una empresa estadounidense de tecnología fundada en 1993 por Jensen Huang, Chris Malachowsky y Curtis Priem, con sede en Santa Clara, California. Diseña y fabrica unidades de procesamiento gráfico (GPU) y chips utilizados en inteligencia artificial, videojuegos y centros de datos.
¿Quién es Liang Wenfeng, el fundador de DeepSeek?
Liang Wenfeng es un ingeniero e inversor chino nacido en 1985 en Wuchuan, una villa de la provincia de Guangdong, hijo de dos maestros de escuela primaria. Antes de la IA hizo carrera en las finanzas: cofundó High-Flyer en 2016, un fondo de trading algorítmico que llegó a administrar más de USD 12.000 millones en activos en su pico.
El currículum arranca temprano. Entró a la Universidad de Zhejiang a los 17 años con 806 puntos en el gaokao, el examen nacional chino, puntaje que le alcanzaba para Tsinghua y que igual dejó pasar. Durante la crisis de 2008 empezó a recolectar datos de mercado con sus compañeros y a probar trading con machine learning, cuando eso todavía olía a experimento de laboratorio. Para 2019, High-Flyer ya manejaba más de 10.000 millones de yuanes y tenía su propio laboratorio de IA. En ese camino escribió además el prólogo de la edición china de la biografía de Jim Simons, enganchado con una frase: “Tiene que haber una manera de modelar los precios”.
Hasta acá, la biografía de un quant exitoso. Lo que viene es lo raro.
Mientras el fondo crecía, Liang compraba GPUs. Arrancó con una sola placa, después fueron 100 en 2015, luego 1.000 en 2019, y cuando el contador llegó a las 10.000 A100 ya tenía un cluster que ningún fondo de trading necesitaba, pero lo compró igual, antes de que Estados Unidos cerrara la puerta con sus controles de exportación de chips hacia China, porque le parecía interesante tenerlo. “Mucha gente asume que hay alguna lógica comercial oculta detrás”, le contó a 36Kr. “Fue, sobre todo, curiosidad.” Su analogía favorita: comprar un piano. Primero podés pagarlo, segundo hay gente con ganas de tocarlo.
En 2021 High-Flyer tuvo que pedir disculpas públicamente a sus inversores: los activos cayeron más de un tercio. Liang siguió comprando GPUs. En mayo de 2023 escindió DeepSeek como empresa independiente para perseguir AGI, y el capital de riesgo pasó de largo porque no veía salida comercial. El fondo pagó todo. Sin presión de inversores ni KPIs trimestrales.
¿Por qué Nvidia perdió USD 593.000 millones en un solo día?
El 27 de enero de 2025, Nvidia perdió USD 593.000 millones de capitalización bursátil en una sola sesión, la mayor caída diaria de una empresa en la historia de Wall Street. El detonante fue DeepSeek-R1, un modelo de razonamiento gratuito y de pesos abiertos que igualaba a OpenAI o1 en los benchmarks técnicos. Ningún chip competidor estuvo involucrado. Cubrimos ese tema en detalle en cuánto cuesta realmente el compute de IA.
Pensemos qué rompió exactamente. La tesis de inversión en Nvidia asumía que entrenar IA de frontera exigía cantidades industriales de sus GPUs, y que las restricciones de exportación a China garantizaban demanda cautiva. R1 apareció entrenado con 2.048 H800 (la versión que el embargo permitía vender) y rendimiento de primera línea. Si eso era cierto, la curva de compra de chips ya no era la misma. ¿Y qué hizo el mercado? Reajustó todos los precios de golpe.
El mercado no castigó un producto. Castigó una hipótesis.
Dicho esto, conviene hacer una salvedad: Nvidia siguió siendo la empresa más valiosa del sector y la demanda real de cómputo no desapareció. Lo que cayó ese día fue la certeza de que iba a crecer siempre al ritmo anterior. A más de año y medio de aquella jornada, esa distinción sigue importando.
¿Cómo entrena DeepSeek modelos gigantes gastando tan poco?
Ponele que tenés un modelo de 671.000 millones de parámetros y cada consulta activa todos. La factura de cómputo te incendia la tarjeta de crédito antes de llegar al primer millón de usuarios. La solución de DeepSeek fue arquitectural: Mixture-of-Experts (MoE), un diseño donde solo se activan los “expertos” que cada tarea necesita. Resultado: de los 671.000 millones de parámetros de R1, cada consulta usa 37.000 millones. El resto duerme.
La eficiencia viene de una cadena de decisiones concretas, no de un truco único:
- KV cache comprimido: DeepSeek-V2 (2024) recortó el KV cache un 93,3%, y su estructura de precios obligó a Alibaba y Baidu a bajar sus propias tarifas más de un 95% para retener clientes.
- Entrenamiento ajustado: V3 (diciembre de 2024) se entrenó con 2.048 GPUs H800 por USD 5,6 millones según el paper, aunque la letra chica aclara que la cifra cubre solo la corrida final.
- Razonamiento barato: R1 (enero de 2025) alcanzó el nivel de OpenAI o1 en benchmarks de razonamiento aplicando aprendizaje por refuerzo sobre la base de V3.
El equipo detrás: menos de 140 personas, mayoría recién egresados. “No hay magos”, dijo Liang. La cultura interna permite agarrar GPUs sin aprobación de nadie, y la innovación clave de costos de V2 salió del interés personal de un investigador joven. Spoiler: no había “receta secreta”. Había ingeniería disciplinada y restricciones que obligaban a optimizar en vez de escalar.
¿Cuál es la diferencia entre DeepSeek-V3 y R1?
DeepSeek-V3 es el modelo base de lenguaje, lanzado en diciembre de 2024, y R1 es la versión de razonamiento publicada en enero de 2025, entrenada encima de V3 con aprendizaje por refuerzo. En criollo: V3 responde, R1 piensa antes de responder y muestra la cadena de razonamiento. Ambos comparten la arquitectura MoE de 671.000 millones de parámetros con 37.000 millones activados por consulta.
| Versión | Lanzamiento | Qué es | Dato clave |
|---|---|---|---|
| DeepSeek-V2 | 2024 | Modelo eficiente de bajo costo | Recortó el KV cache un 93,3%; forzó a Alibaba y Baidu a bajar precios más de un 95% |
| DeepSeek-V3 | Diciembre de 2024 | Modelo base MoE | 671B parámetros (37B activos), USD 5,6 millones según el paper, 2.048 GPUs H800 |
| DeepSeek-R1 | Enero de 2025 | Razonamiento sobre V3 | Igualó a OpenAI o1 en benchmarks; pesos abiertos bajo licencia MIT |
Como R1 publica pesos bajo licencia MIT, cualquiera puede descargarlo, afinarlo con datos propios o destilarlo en modelos más chicos. Eso explica la ola de derivados que apareció durante 2025 y 2026, tanto en la comunidad open source como dentro de proveedores comerciales que lo usan como base. Lo explicamos a fondo en seguridad empresarial con Microsoft Intune.
¿Cuánto vale Liang Wenfeng?
Según el índice de multimillonarios de Bloomberg, en julio de 2026 el patrimonio de Liang Wenfeng ronda los USD 36.000 millones, cifra que lo ubica como el fundador más rico de una compañía de modelos de IA. Ojo: es una estimación sobre participaciones privadas en High-Flyer y DeepSeek, no un número auditado.
La comparación con sus pares ayuda a dimensionar. Sam Altman históricamente tuvo equity mínimo en OpenAI por la estructura societaria de la compañía, y la fortuna de Elon Musk vive sobre todo en Tesla, SpaceX y xAI, no en un solo laboratorio de modelos. Liang, en cambio, controla participación directa en la empresa que construyó, financiada con plata propia desde el día uno. Un caso casi antropológico en esta industria.
El reconocimiento llegó de a poco para un tipo que evita la prensa: integra la lista TIME100 AI de Time y en febrero de 2025 compartió mesa con Xi Jinping en un encuentro con empresarios tecnológicos.
Dos entrevistas en dos años. Una fortuna de USD 36.000 millones. Hay ejecutivos que dan 200 por menos.
¿Por qué DeepSeek libera sus pesos bajo licencia MIT?
Porque su fundador no ve beneficio en cerrarlos. La licencia MIT es una de las más permisivas del software libre: permite usar, modificar, distribuir y comercializar los modelos sin pagar regalías ni pedir permiso. Mientras OpenAI, Anthropic y Google guardan sus pesos bajo llave, DeepSeek los publica y deja que la comunidad haga el trabajo de adopción.
Las frases de Liang ayudan a entender la lógica. “OpenAI no es un dios”, dijo en una de sus escasas entrevistas. “Todos los manuales son productos de la era anterior.” Y sobre innovar: “Es, ante todo, una cuestión de fe”.
Abrir los pesos le dio distribución global gratis. Cerrarlos lo convertiría en un laboratorio más quemando capital.
Para equipos técnicos esto tiene implicancia directa. Podés bajar los pesos, correrlos en tu infraestructura y afinarlos con datos propios sin negociar con nadie. Si querés probarlo en Argentina, un servidor o VPS con buena RAM de donweb.com zafa para pilotos con versiones destiladas, aunque el modelo completo de 671.000 millones de parámetros exige hardware de otra liga.
Sobre AGI, Liang responde con un rango amplio: dos, cinco o diez años. Tomalo con pinzas, obvio. Tema relacionado: cómo funciona ChatGPT por dentro.
¿Cuánto cuesta usar DeepSeek frente a ChatGPT o Claude?
Usar DeepSeek es gratis desde la app web y móvil, sin suscripción, y su API cuesta una fracción de lo que cobran OpenAI o Anthropic por modelos equivalentes. Ese gap de precios fue la chispa del pánico bursátil.
Antes de migrar todo tu stack, tres advertencias que nadie lee hasta que le pasa:
- Residencia de datos: la app y la API oficial procesan información en servidores de China. Para datos de clientes o cumplimiento regulatorio, evaluálo antes de mover nada.
- Censura incorporada: preguntale por Tiananmen o Taiwán y vas a recibir evasivas o rechazos directos. En uso cotidiano no molesta; en producción periodística o de investigación, sí.
- Versiones destiladas como salida: si la privacidad pesa, los pesos abiertos permiten auto-hospedar variantes más chicas y mantener los datos en casa.
Qué está confirmado y qué sigue pendiente
Confirmado, con fuente:
- La caída récord: Nvidia perdió USD 593.000 millones el 27 de enero de 2025, el peor día de una empresa en la historia de Wall Street.
- Especificaciones de R1: 671.000 millones de parámetros, 37.000 millones activados por consulta, pesos bajo licencia MIT.
- Costo de entrenamiento de V3: USD 5,6 millones según el paper oficial, con 2.048 GPUs H800.
- Eficiencia de V2: reducción del 93,3% en el KV cache.
- Patrimonio: USD 36.000 millones según Bloomberg (julio de 2026).
- Reconocimiento: lista TIME100 AI y encuentro con Xi Jinping en febrero de 2025.
Pendiente o con letra chica:
- El alcance de los USD 5,6 millones: el propio paper aclara que cubren solo la corrida final, sin investigación previa, salarios ni infraestructura completa.
- El patrimonio exacto: es una estimación de Bloomberg sobre empresas privadas, sujeta a revisión.
- El calendario de AGI: el rango de 2 a 10 años es opinión personal de Liang, no una proyección verificable.
- Límites de censura: varían por versión y región; probá el modelo con tus casos reales antes de comprometer producción.
Errores comunes al analizar el fenómeno DeepSeek
Tomar los USD 5,6 millones como costo total. Es la cifra más malinterpretada de toda la historia. El paper la limita a la corrida final de entrenamiento; sumá años de investigación, el cluster de 10.000 A100, salarios y corridas fallidas, y el número real es varias veces mayor. Sigue siendo barato, pero no es “cinco palitos y listo”.
Atribuir el éxito al espionaje o a la suerte. Las decisiones técnicas (MoE, compresión del KV cache, aprendizaje por refuerzo eficiente) están publicadas en papers abiertos y verificables. Cualquiera puede leerlas. Que Occidente las subestimara dice más de sus propios supuestos que de una supuesta “magia” china.
Tratar R1 como un clon neutral de ChatGPT. Tiene sesgos propios, censura en temas sensibles y datos que atraviesan servidores chinos si usás la versión oficial. Para uso corporativo serio, o auto-hospedás los pesos o aceptás esas condiciones.
Confundir V3 con R1. V3 es el modelo base de lenguaje; R1 agrega razonamiento con aprendizaje por refuerzo. Si comparás precios o benchmarks, chequeá cuál de los dos estás mirando, porque los números no son intercambiables. Esto se conecta con lo que analizamos en cómo funcionan los modelos de lenguaje.
Preguntas Frecuentes
¿Quién es Liang Wenfeng?
Es el fundador de DeepSeek y creador del fondo cuantitativo High-Flyer. Nació en 1985 en Guangdong, entró a la Universidad de Zhejiang a los 17 años y acumuló 10.000 GPUs de Nvidia antes de fundar la empresa de IA en 2023.
¿Por qué DeepSeek causó la caída de Nvidia?
Porque su modelo R1 igualó a OpenAI o1 en razonamiento con una fracción del hardware, lo que cuestionó la demanda futura de GPUs. El 27 de enero de 2025 Nvidia perdió USD 593.000 millones en una jornada, récord histórico de Wall Street.
¿Cómo entrena DeepSeek modelos con presupuesto bajo?
Combina arquitectura Mixture-of-Experts (activa 37.000 millones de sus 671.000 millones de parámetros por consulta), compresión del KV cache (93,3% menos en V2) y entrenamientos ajustados: V3 costó USD 5,6 millones según el paper, con 2.048 GPUs H800.
¿Cuál es el patrimonio neto de Liang Wenfeng?
Unos USD 36.000 millones según Bloomberg a julio de 2026, el mayor entre fundadores de compañías de modelos de IA. Es una estimación basada en sus participaciones en High-Flyer y DeepSeek, no una cifra auditada.
¿Qué diferencias tiene DeepSeek con ChatGPT?
DeepSeek-R1 publica pesos abiertos bajo licencia MIT, su app es gratuita y su API cuesta una fracción del precio de OpenAI. Como contrapartida, procesa datos en servidores de China y aplica censura en temas políticos sensibles.
Conclusión
Lo que cambió con Liang Wenfeng no es un modelo: es un supuesto. Hasta enero de 2025, la industria daba por sentado que la IA de frontera exigía presupuestos de miles de millones y clusters infinitos. DeepSeek demostró que paciencia, arquitectura eficiente y pesos abiertos pueden competir de igual a igual, y los USD 593.000 millones que se evaporaron en un día fueron la factura de ese mal cálculo.
Si trabajás con IA en Latinoamérica, hay acciones concretas a la mano. Benchmarkeá R1 y sus derivados contra tu stack pago actual, porque el ahorro puede ser enorme. Si los datos son sensibles, evaluá auto-hospedar los pesos abiertos en lugar de enviar todo a APIs extranjeras. Y dejá de asumir que caro significa mejor: el piano de Liang sigue sonando, y se van sumando músicos.