La Biblioteca Nacional de Noruega está entrenando un LLM soberano con 2 petabytes de almacenamiento flash Huawei OceanStor Dorado, según informó Blocks & Files el 22 de mayo de 2026. El proyecto, encargado por el Ministerio de Cultura noruego, apunta a crear el primer modelo de lenguaje entrenado con toda la herencia cultural del país en idioma noruego.
En 30 segundos
- La Biblioteca Nacional de Noruega despliega 2 PB de almacenamiento flash Huawei OceanStor Dorado para entrenar su LLM soberano en idioma noruego.
- Marius Husnes, jefe de IT de la biblioteca, presentó el proyecto en el Huawei ID Forum 2026 en París: ningún proveedor comercial desarrollaba un LLM en noruego.
- La biblioteca tiene acceso legal único a libros, periódicos, radio y contenido web de todo el país, incluyendo material con copyright con el que ninguna empresa privada puede entrenar.
- El cuello de botella del proyecto no son las GPUs: es mover y procesar datos a la velocidad que exige el pipeline de entrenamiento.
- Noruega lidera un movimiento global de soberanía de IA: países con idiomas minoritarios que no construyen su propio LLM quedan dependientes de modelos entrenados casi exclusivamente en inglés.
Noruega construye su propio LLM soberano
Un LLM soberano es un modelo de lenguaje grande entrenado con datos de un país específico, en su idioma, bajo su control jurídico, sin ceder los datos ni el control a proveedores extranjeros.
El Ministerio de Cultura noruego llegó a una conclusión incómoda: ninguno de los grandes jugadores (OpenAI, Google, Anthropic, Meta) estaba desarrollando un modelo que entienda el noruego con la profundidad que necesita el país. No hablamos de traducir. Hablamos de que GPT-4 o Claude no saben quiénes fueron los escritores que formaron la identidad nacional noruega, no conocen los debates políticos locales de los últimos 50 años, ni entienden los matices culturales que solo aparecen en textos escritos originalmente en ese idioma.
Marius Husnes, jefe de la plataforma IT de la biblioteca, lo dijo directo en el Huawei ID Forum 2026 en París: cualquier país con idioma propio que no tenga un LLM soberano está en desventaja. Un modelo entrenado globalmente, orientado al inglés, no sabe lo que no está en inglés. Y con eso, un pedazo enorme de la identidad cultural de ese país desaparece del ecosistema de IA.
La tarea recayó en la Biblioteca Nacional porque tiene algo que ninguna empresa privada puede comprar: acceso legal a absolutamente todo lo publicado en Noruega.
2 petabytes de almacenamiento flash soberanía IA Noruega: por qué el cuello de botella no son las GPUs
Ponele que tenés que limpiar, estructurar y procesar décadas de libros, diarios, páginas web y transmisiones de radio para alimentar un modelo de lenguaje. ¿Qué falla primero? La mayoría diría las GPUs. Husnes diría que no.
El cuello de botella real en el pipeline de entrenamiento es el almacenamiento y la velocidad con la que los datos llegan a los aceleradores. Si tu sistema de storage no puede mover datos lo suficientemente rápido, las GPUs esperan. Y las GPUs esperando es dinero tirado. Relacionado: entrenamiento de modelos de lenguaje.
2 petabytes en perspectiva: un terabyte alcanza para guardar unas 200.000 fotos o 500 horas de video HD. Un petabyte son 1.000 terabytes. La biblioteca noruega trabaja con 2.000 terabytes de datos para entrenamiento, todos sobre almacenamiento all-flash, que es entre 10 y 100 veces más rápido que discos HDD convencionales en cargas de trabajo aleatorias.
Por eso eligieron el Huawei OceanStor Dorado. No porque sea el más conocido, sino porque para esta carga específica (acceso masivo y paralelo a datos de entrenamiento) el flash marca una diferencia real en los tiempos de pipeline.
Huawei OceanStor Dorado V7: las especificaciones que importan
El OceanStor Dorado V7 es el array all-flash de Huawei orientado a cargas críticas. Según la documentación oficial del producto, las especificaciones relevantes para un proyecto de LLM son estas:
| Característica | Especificación |
|---|---|
| IOPS máximo | 100 millones |
| Escalabilidad | Hasta 500 PB en un solo sistema |
| Arquitectura | Full-mesh (sin punto único de falla) |
| Disponibilidad | 99,99999% (siete nueves) |
| Protocolos | Bloques, archivos y objetos (unificado) |
| Latencia | Sub-milisegundo en escritura |
Los 100 millones de IOPS son el número que le importa a quien diseña un pipeline de entrenamiento: significa que el sistema puede responder a cien millones de operaciones de entrada/salida por segundo. Para un proceso que está leyendo millones de documentos en paralelo para alimentar GPUs, eso es lo que separa un entrenamiento fluido de uno donde los aceleradores están la mitad del tiempo esperando datos.
La arquitectura full-mesh garantiza que si falla un componente, el sistema sigue operando sin interrupciones. Para un proyecto gubernamental de esta escala (meses de entrenamiento, datos irremplazables), la tolerancia a fallos no es opcional.
El acervo que ninguna empresa privada puede comprar
Acá está el verdadero activo estratégico del proyecto. La Biblioteca Nacional de Noruega tiene mandato de depósito legal: cada libro publicado en el país, cada transmisión de radio, cada sitio web de dominio noruego archivado sistemáticamente. Eso incluye contenido con copyright.
¿Por qué eso importa? Porque OpenAI, Google o Meta no pueden legalmente entrenar sus modelos con material protegido sin acuerdos individuales con cada editorial o medio. La biblioteca negoció un acuerdo con los diarios noruegos que permite usar ese contenido para entrenamiento. Husnes fue claro: “Ninguna empresa privada tiene esto.” Por eso plataformas como ChatGPT están restringidas a contenido de licencia abierta.
El gobierno noruego llegó a una conclusión que tiene implicaciones grandes: los contenidos protegidos por copyright mejoran de forma medible la calidad de un LLM. No es solo una cuestión de volumen de datos; es que los textos editados, con contexto cultural real, con referencias históricas verificadas, producen un modelo más coherente y más preciso en ese idioma.
Javier de la Rosa, investigador del Lab de IA de la biblioteca, había señalado antes que el proyecto busca no solo crear un modelo funcional sino preservar la capacidad de Noruega de tener una IA que entienda su propia cultura, sin depender de filtros algorítmicos diseñados para audiencias anglófonas.
Qué pierde un país que no hace esto
Pensá en el escenario opuesto. Un país con idioma minoritario que no construye su LLM soberano termina usando modelos entrenados con predominancia aplastante de texto en inglés. El modelo sabe quién es Shakespeare mejor que quién es su principal poeta nacional. Entiende el sistema legal anglosajón mejor que el propio. Sus respuestas sobre historia local son menos precisas, sus matices culturales están ausentes.
¿Alguien verificó de forma independiente cuánto impacta esto? Investigaciones como las del paper en arXiv sobre modelos multilingues muestran consistentemente que los LLMs degradan su performance en idiomas subrepresentados en el corpus de entrenamiento. No es una diferencia marginal: en algunos benchmarks de comprensión cultural, los modelos generalistas tienen una brecha de 15 a 30 puntos porcentuales respecto a modelos entrenados específicamente en el idioma local.
Noruega no está sola en esto. Ucrania avanzó con modelos propios usando como base Google Gemma. Varios países de América Latina (incluyendo Argentina y Paraguay) tienen iniciativas académicas para modelos en español regional con datos locales, aunque sin el respaldo institucional ni la infraestructura que tiene el proyecto noruego.
El verdadero trabajo invisible de los LLMs
Hay una narrativa que domina la cobertura de IA: todo es cuestión de GPUs, clusters de cómputo, chips de Nvidia. Lo que queda en segundo plano es el trabajo de datos: limpiar texto corrupto, normalizar formatos de décadas distintas, deduplicar millones de documentos, estructurar metadata, mover petabytes sin pérdidas, y hacerlo a la velocidad que requiere el pipeline.
Subís los documentos escaneados de los años 70, los procesás con OCR, los limpiás de caracteres erróneos, los normalizás a un encoding consistente, los deduplicás contra el corpus existente, los movés al sistema de almacenamiento, y recién ahí los aceleradores pueden empezar a trabajar. Si algún paso de esa cadena es lento o falla, todo el entrenamiento se para. Esto se conecta con lo que analizamos en asistentes IA como Claude.
Eso explica por qué la decisión de infraestructura de almacenamiento no es un detalle técnico de segundo nivel. Para la Biblioteca Nacional de Noruega, el OceanStor Dorado con 2 PB de flash no es una compra de hardware: es la columna vertebral del proyecto.
Para proyectos de esta escala que necesitan infraestructura en la nube o servidores dedicados, la elección del proveedor de hosting también importa: donweb.com ofrece infraestructura cloud para proyectos que requieren latencia baja y ubicación de datos en la región.
Errores comunes al entender este proyecto
Confundir “LLM en noruego” con “traducción al noruego”
Un modelo multilingüe como GPT-4 puede responder en noruego. Eso no es lo mismo que entender noruego con profundidad cultural. La diferencia está en el corpus de entrenamiento: un modelo entrenado con textos originalmente escritos en noruego, sobre historia y cultura noruegas, produce respuestas cualitativamente distintas a uno que aprendió a traducir.
Creer que el almacenamiento es lo de menos
El flash storage all-flash es caro. La tentación es ahorrar usando HDD o almacenamiento híbrido. Para cargas de entrenamiento con acceso masivamente paralelo a datos, la latencia del HDD (5-10 ms) vs. flash (sub-milisegundo) puede multiplicar los tiempos de pipeline por un factor de 5 a 10. El ahorro en hardware se pierde en tiempo de GPU idle.
Asumir que solo los países grandes pueden hacer esto
Noruega tiene 5,5 millones de habitantes. No es un gigante tecnológico. Lo que tiene es una institución con mandato legal claro, acceso privilegiado a datos únicos, y financiamiento gubernamental para infraestructura. El modelo replicable no es “necesitás ser grande”, es “necesitás tener los datos correctos y una institución con mandato formal.”
Preguntas Frecuentes
¿Por qué Noruega necesita su propio modelo de lenguaje?
Ningún proveedor comercial estaba desarrollando un LLM entrenado en noruego con profundidad cultural. Los modelos globales como GPT o Claude tienen sesgos hacia el inglés y no conocen la historia, literatura ni debates políticos locales en idioma noruego. El Ministerio de Cultura encargó el proyecto a la Biblioteca Nacional para asegurar soberanía tecnológica y cultural.
¿Cuánto almacenamiento requiere entrenar un LLM?
El proyecto noruego usa 2 petabytes de almacenamiento flash para su pipeline de datos de entrenamiento. Los LLMs grandes de escala global (como GPT-4) requieren órdenes de magnitud más, pero un modelo soberano de tamaño manejable para un idioma con corpus acotado puede entrenarse con pocos petabytes de datos de alta calidad. Más contexto en modelos GPT necesitan infraestructura.
¿Qué diferencia hay entre un LLM global y uno soberano?
Un LLM global se entrena con texto de todo internet, con predominancia en inglés. Un LLM soberano se entrena con datos de un país específico, en su idioma, bajo control jurídico local. El soberano entiende mejor la cultura, historia y matices locales, pero tiene menor cobertura temática general. La elección depende del caso de uso.
¿Cómo se entrena un modelo con datos culturales protegidos por copyright?
La Biblioteca Nacional de Noruega tiene mandato de depósito legal: recibe copia de toda publicación del país. Negoció un acuerdo específico con los diarios noruegos para usar ese contenido en entrenamiento de IA. Este acceso es único y no disponible para empresas privadas, lo que convierte a la biblioteca en el actor ideal para el proyecto.
¿Por qué el almacenamiento es más crítico que las GPUs para este proyecto?
Las GPUs procesan datos a velocidades enormes, pero si el sistema de almacenamiento no puede alimentarlas a esa velocidad, quedan idle esperando. Con HDD convencional, la latencia de 5-10 ms se convierte en el cuello de botella. El flash del OceanStor Dorado entrega latencia sub-milisegundo y 100 millones de IOPS, suficiente para mantener los aceleradores ocupados durante el entrenamiento.
Conclusión
El proyecto noruego demuestra que la soberanía de IA no es una consigna política: es infraestructura, datos y mandato legal. La Biblioteca Nacional tiene los tres. El resultado es un LLM que ninguna empresa privada podría construir, porque ninguna empresa privada tiene acceso a ese corpus bajo esas condiciones jurídicas.
Lo que se puede extraer de acá es un modelo replicable: instituciones con datos únicos (archivos nacionales, bibliotecas con depósito legal, registros públicos) son los actores naturales para proyectos de IA soberana. No hace falta ser un gigante. Hace falta tener los datos correctos y la voluntad política de usarlos.
Para el ecosistema latinoamericano, la pregunta no es si esto es posible. Es quién tiene el mandato y los datos para hacerlo primero.
Fuentes
- Blocks & Files — Norway’s 2 petabytes of Huawei flash storage and LLM training (mayo 2026)
- Data Center Dynamics — Huawei lanza OceanStor Dorado V7
- Toolify — IA en bibliotecas: caso de la Biblioteca Nacional de Noruega
- CEDRO — Noruega marca el camino hacia una IA ética (entrevista Javier de la Rosa)
- arXiv — Research on multilingual LLM performance gaps