DeepSeek DSec: entrenar agentes de IA con menos cómputo

DeepSeek presenta DSec: cómo entrenar agentes de IA con menos cómputo y más control

DeepSeek publicó el 19 de septiembre un documento de 10.000 palabras con alrededor de 130 coautores —incluido su fundador, Liang Wenfeng— en el que detalla una plataforma capaz de levantar 5.000 sandboxes por segundo, unos 3 millones de entornos aislados al día, para entrenar agentes de inteligencia artificial. Para un founder hispanohablante, el dato relevante no es el paper en sí: es que el cuello de botella para construir agentes fiables ya no es solo el modelo, sino la infraestructura que los entrena y los contiene.

Qué es DSec y por qué cambia las reglas del juego

DeepSeek Elastic Compute (DSec) es la plataforma que la propia DeepSeek usa para entrenar la próxima generación de sus modelos. Según el reporte de CryptoBriefing sobre el documento de arXiv, una sola unidad de producción corre sobre aproximadamente 160 nodos, sumando cerca de 30.000 núcleos de CPU y 250 TB de memoria. El sistema sostiene picos de 380.000 entornos aislados ejecutándose en simultáneo y, según Bloomberg Línea, reasigna la potencia de cálculo a los agentes solo cuando están activos: el documento estima que el 90% de los entornos de prueba no usan más del 5% de la capacidad de CPU que solicitan.

The Next Web, que cubrió el mismo paper, describe que DSec está construido sobre tres componentes en Rust: un API gateway llamado Apiserver, un agente por host llamado Edge y un monitor de clúster llamado Watcher. Se conectan por un protocolo RPC propio y corren sobre 3FS, el sistema de archivos distribuido que DeepSeek ya había presentado como parte de su stack.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Para founders: si entrenas o despliegas agentes hoy, el costo no es solo «más GPU». Es cómputo elástico + almacenamiento rápido + aislamiento fiable ejecutándose miles de veces por segundo. DeepSeek está mostrando cómo se hace a escala.

Las cuatro capas de aislamiento que ofrece DSec

Entrenar un agente no es entrenar un chatbot. Un agente escribe código, manipula archivos y ejecuta comandos: cada acción es un riesgo. Por eso DSec ofrece cuatro backends de aislamiento accesibles desde un único SDK en Python, según detalla CryptoBriefing:

FnCall: la opción más ligera, para operaciones sin estado.
Contenedores Docker: un salto en aislamiento.
Firecracker microVMs: límites más estrictos entre agentes.
QEMU virtual machines: el contenedor más pesado disponible, equivalente a una máquina virtual completa.

Esta arquitectura en capas es la que permite sostener 5.000 sandbox creations por segundo sin que un agente descontrolado pueda corromper el sistema de archivos, agotar recursos o interferir con otras cargas. La oferta de empleo de DeepSeek para ingenieros de DSec, recogida por Unite.AI, lo confirma: el trabajo cubre desde el sistema operativo y la virtualización hasta el almacenamiento, la red y los servicios de plano de control.

El dilema de seguridad: «ningún mecanismo lo previene»

El paper es inusual porque no promete una solución mágica. La frase más citada, según The Next Web, es esta: «ningún mecanismo por sí solo puede prevenir todos los comportamientos indebidos de los agentes y las fallas del sistema» («no single mechanism can prevent all agent misbehavior and system failures»).

El documento detalla modos de falla concretos —obtención de respuestas por canales no previstos, daño al entorno de ejecución, agotamiento de recursos— y propone una estrategia de tres frentes:

Contención: las cuatro capas de aislamiento ya mencionadas.
Observabilidad: monitorizar qué hace cada agente dentro de su sandbox.
Endurecimiento continuo: ajustar las medidas de seguridad a medida que los modelos evolucionan.

Este tono contrasta con la presión regulatoria que ya está llegando. The Next Web recuerda que el Artículo 57 del AI Act europeo obliga a cada estado miembro a tener al menos un sandbox regulatorio operativo antes del 2 de agosto de 2027, donde las empresas podrán probar sistemas bajo supervisión de las autoridades. Artículo 55 añade que los proveedores de modelos de uso general con riesgo sistémico deben reportar incidentes graves sin demora indebida.

En paralelo, la tensión interna en los laboratorios occidentales sigue creciendo. Bloomberg Línea menciona que un investigador de IA de Anthropic dimitió este mes instando a otros empleados a replantearse su trabajo, al afirmar que las empresas de IA más avanzadas «están jugando con nuestras vidas». Y según The Next Web, Anthropic anunció que integrará evaluadores de Accenture con un compromiso de al menos US$1.000 millones a pagar en cinco años.

Por qué DSec es la jugada estratégica de DeepSeek

DSec no llega solo. El 10 de septiembre de 2026, DeepSeek lanzó V4.1-Flash, un modelo de 552.000 millones de parámetros en arquitectura MoE que activa alrededor de 8.000 millones por token de entrada y 16.000 millones por token de salida. TechRepublic, que repasó los benchmarks publicados por la propia DeepSeek, recoge que V4.1-Flash obtuvo 90,6 en Terminal-Bench 2.1, frente a 88,8 de GPT-5.6 Sol, 88,3 de Kimi K3 y 87,9 del anterior V4 Pro.

Lo más disruptivo no es el puntaje, es el costo. CryptoBriefing destaca que el modelo se ofrece a una fracción del precio de sus rivales y que, en pruebas internas, resultó ser 90 veces más barato de operar que alternativas comparables. La memoria caché cayó de 3.514 bytes por token a 890 bytes por token, clave para mantener contextos largos en workloads de agentes.

Esa combinación (modelo barato + infraestructura eficiente + sandbox a escala) define la nueva frontera competitiva. Bloomberg Línea lo resume así: DeepSeek se ha labrado una reputación ofreciendo servicios avanzados de IA a un costo mucho menor que el de sus competidores de Silicon Valley. DSec es el siguiente paso: extender esa ventaja de costo del entrenamiento al ciclo completo de los agentes.

La presión sobre el equipo se nota en sus vacantes. Unite.AI reportó que el 7 de septiembre de 2026 DeepSeek publicó alrededor de 150 posiciones de ingeniería backend para rehacer sistemas que, según el líder técnico Tianyi Cui, «ya no pueden cubrir perfectamente la demanda futura». El crecimiento en volúmenes de datos, contenedores, tareas de entrenamiento y entornos de agentes exige reescribir buena parte del stack.

Qué significa esto para tu startup

Si estás construyendo con agentes de IA, esta nota te deja tres movimientos accionables:

Audita tu aislamiento hoy mismo. Si tus agentes escriben código o ejecutan comandos, pregúntate si los tienes en contenedores efímeros, en VMs ligeras o directamente sin aislamiento. DSec demuestra que el estándar subió: se esperan 5.000 sandbox por segundo en producción.
Calcula costo real, no costo de demo. El movimiento de DeepSeek comprime el precio por token, pero el costo total depende de cuánto contexto mantienes y cuántas llamadas hace cada agente. El recorte de caché de V4.1-Flash (de 3.514 a 890 bytes por token) es un ejemplo de dónde buscar eficiencia.
Diseña para observabilidad desde el día uno. El propio paper admite que ningún mecanismo previene todos los fallos. Tu plan B no es «que el agente no falle»: es poder detectar y revertir el fallo cuando ocurra.

La infraestructura que entrena a los agentes importa tanto como el modelo que los ejecuta. Quien lo entienda primero, escalará primero.