Die eine Sache, die zählt: Liang Wenfeng im Investorengespräch

Dieses Gespräch hat mich so stark berührt wie nur wenige andere.

Was mir nicht mehr aus dem Kopf ging, betraf weder Modelle noch Chips oder Umsatz. Es ging darum, die eine Sache zu wählen, die wirklich zählt. Wenn dir eine Sache wichtig genug ist, verlieren viele Probleme am Rand ihre Bedeutung. Du kannst sie abgeben. Du kannst sie anderen überlassen. Du musst dich nicht mehr daran aufreiben, überall gewinnen zu wollen.

Liang Wenfengs Argument ist: Zurückhaltung ist nicht das Gegenteil von Ehrgeiz. Sie macht extremen Ehrgeiz erst möglich.

1. Ein Unternehmen wird durch seine Vision organisiert

Als wir das Unternehmen gründeten, dachten wir nicht darüber nach, wie viel Geld wir verdienen, ob wir an die Kapitalmärkte gehen oder ob wir einen Börsengang anstreben würden. Auch die ersten paar Dutzend Mitarbeiter dachten nicht so. Sonst wären sie nicht gekommen.

Wir begannen mit großem Wohlwollen gegenüber der Welt. Wir glaubten, dass diese Arbeit der Menschheit nützen könnte und dass es um mehr als Geld ging. Als die möglichen Erträge enorm wurden, entstanden natürlich neue Versuchungen. Doch die Vision, mit der wir begonnen haben und an der wir bis heute festhalten, war nie die Maximierung des kommerziellen Gewinns.

Vor zwanzig Jahren bewunderte ich unter den Managern Jack Welch am meisten. Rückblickend stimmt vieles von dem, was er lehrte, vielleicht nicht mehr. Aber in einem Punkt hatte er recht: Das Wichtigste in einem Unternehmen ist seine Vision.

Ein großes Unternehmen wird letztlich nicht durch Regeln geführt, sondern durch eine Vision. Vision ist kein Spruch an der Wand. Sie ist nicht das, was man sagt, sondern das, wie sich das Unternehmen tatsächlich verhält.

Wie haben wir so viele Menschen organisiert? Streng genommen gar nicht. Die Vision hat uns organisiert. Wir hatten kein Kennzahlensystem und keine schriftlich festgehaltene Vision. Sie lag in unserer Arbeitsweise und unserer Haltung zur Welt. Jeder verstand sie vielleicht etwas anders, aber die Richtung war dieselbe: der Welt mit Wohlwollen begegnen und versuchen, etwas Nützliches zu tun.

Das war echt, keine nachträglich erfundene Geschichte. Sonst wären viele unserer Entscheidungen nicht zu erklären.

2. Warum Open Source Zurückhaltung voraussetzt

Wir bestehen aus zwei Gründen auf Open Source. Erstens verlangt unsere Vision es. Zweitens glauben wir, dass Open Source unsere Chancen verbessert, ein tragfähiges KI-Geschäft aufzubauen.

Das klingt widersinnig. Früher war ein Softwaremarkt vielleicht nur einige Milliarden Dollar pro Jahr wert. Wurde das Produkt offengelegt, konnte die kommerzielle Chance auf einige Dutzend oder Hundert Millionen schrumpfen. Open Source und Kommerzialisierung standen von Natur aus in Spannung zueinander.

Bei KI ist das anders. Sie könnte irgendwann zehn Prozent der weltweiten Wirtschaftsleistung ausmachen, vielleicht mehr. Die Chance ist zu groß, als dass ein Unternehmen sie monopolisieren könnte. Je mehr man alles besitzen will, desto mehr Widerstand erzeugt man — und desto eher wird man von der Geschichte verworfen.

Man braucht deshalb einen Mechanismus, der begrenzt, wie viel Wert man abschöpfen kann. Wer KI verwirklichen will, braucht zuerst Zurückhaltung. Man kann nicht damit anfangen, festzulegen, welcher Anteil der weltweiten oder chinesischen Wirtschaftsleistung einem selbst gehören soll. Je mehr man so denkt, desto unwahrscheinlicher wird der Erfolg.

Vor zwei Jahren hatten wir weder viel Geld noch viele Chips, keinen berühmten Namen und keinen besonderen Einfluss. Wir waren eine Gruppe gewöhnlicher Menschen. Mir gefällt die Geschichte von gewöhnlichen Menschen, die etwas Außergewöhnliches schaffen, besser als die von Genies, die etwas Außergewöhnliches schaffen. Diese Geschichte und unsere Zurückhaltung haben denselben Ursprung.

KI wird so viel Wert schaffen, dass selbst ein kleiner Anteil genügt. Die wichtige Frage ist nicht, wie wir heute ein bisschen mehr bekommen. Sie lautet, wie wir die Wahrscheinlichkeit erhöhen, AGI entwickeln zu können.

Open Source ist eine Form von Zurückhaltung. Niedrige Preise sind eine andere. Wettbewerbern dabei zu helfen, unsere Arbeit zu reproduzieren, ebenfalls. Das sieht nach Zugeständnissen aus, stärkt aber den inneren Zusammenhalt, gewinnt gesellschaftliche Unterstützung und lässt das Team mit weniger Reibung auf das eigentliche Ziel zugehen.

3. Preise für einen angemessenen, nicht den maximalen Ertrag

Unsere Regel für API-Preise lautet ungefähr so: Wenn wir neue Ausrüstung kaufen, sollten wir die Anschaffungskosten nach etwa zehn Monaten wieder eingespielt haben. In der Buchhaltung wird ein Server vielleicht über drei oder fünf Jahre abgeschrieben. Wirtschaftlich halten wir zehn Monate bis zur Amortisation für ausreichend.

Das ist keine Gewinnmaximierung. In dieser Preisspanne reagiert die Nachfrage relativ wenig auf den Preis. Selbst bei einer Verdoppelung würde der Tokenverbrauch womöglich kaum sinken; der Umsatz könnte sich also fast verdoppeln.

Einmal befürchteten wir, die Nachfrage nach einem Modell könnte zu groß sein, und starteten mit einem relativ hohen Preis. Später senkten wir ihn auf ein Viertel. Viele im Firmenchat jubelten. Sie hatten so viel Mühe in das Modell gesteckt, weil sie es günstig, nützlich und breit verfügbar machen wollten. Die Preissenkung machte den Sinn ihrer Arbeit sichtbar.

Mitarbeiter eines Wettbewerbers würden eine Preissenkung vielleicht nicht feiern, weil ein halbierter Preis den annualisierten wiederkehrenden Umsatz, kurz ARR, halbieren kann. Darin unterscheiden wir uns.

Manche sagen, eine Amortisation nach zehn Monaten sei immer noch sehr profitabel. Das stimmt. Es gibt weiteren Spielraum für Preissenkungen, und Modelloptimierung wird die Kosten weiter reduzieren. Doch eine weitere Senkung sollte mehr Nachfrage oder gesellschaftlichen Nutzen schaffen. Wenn sich bereits jeder den Dienst leisten kann, erhöht ein niedrigerer Preis womöglich weder den Umsatz noch verbessert er spürbar das Leben der Menschen.

Zurückhaltung ist eine Strategie. Der Verzicht auf kurzfristigen Umsatz kann Zusammenhalt, Vertrauen und eine größere langfristige Chance erkaufen.

4. Nicht wegen der Sesamkörner stehen bleiben

Während des letztjährigen Frühlingsfests stieg die Nutzerzahl plötzlich stark an. Wir dachten nicht daran, diese Nutzer an uns zu binden, zu monetarisieren oder die nächste Super-App, ByteDance oder Tencent zu werden.

Wir hätten viel Geld ausgeben können, um um Endkunden zu kämpfen. Stattdessen entschieden wir uns für Zurückhaltung. Später könnten Wassermelonen kommen; die Chancen vor uns sind vielleicht nur Sesamkörner. Rückblickend war es wohl richtig, nicht alles auf den Endkundenmarkt zu setzen. Wir hielten den Dienst mit niedrigen Kosten am Laufen, machten ihn aber nicht zum Hauptziel des Unternehmens.

Auch API- und Unternehmenskundenumsätze könnten dieses Jahr erheblich werden. Laut Transkript könnte der ARR bei weiter wachsender Nachfrage und mehr verfügbaren GPUs mehrere Hundert Millionen Dollar erreichen. Bei einer Milliarde Dollar KI-Umsatz könnte der operative Zahlungsüberschuss Forschung und sämtliche anderen Ausgaben decken.

Diese Chancen sollte man nutzen und die Arbeit gut machen. Aber sie stehen nicht an erster Stelle. Gegenüber AGI sind sie nicht gleich wichtig.

Wir bauen keine Modelle, um Endkunden oder Unternehmen zu bedienen. Wir bauen sie, um AGI zu erreichen. Jeder Schritt dorthin bringt nebenbei Endkundenprodukte, APIs und Unternehmensdienste hervor. Diese Nebenprodukte vermarkten wir.

Daraus entsteht ein strategischer Vorteil. Liegt das eigentliche Ziel auf einer höheren technischen Ebene, erfordern Produkte auf darunterliegenden Ebenen nur wenig Zusatzarbeit. Letztes Jahr kämpften wir kaum um Endkunden, und trotzdem wollten sie nicht weg. Dieses Jahr entwickelt sich der Unternehmensumsatz vielversprechend, obwohl wir kein Vertriebsteam, fast keinen Kundendienst und nur wenige Menschen für die API-Betreuung haben.

Manchmal wird gerade das schwerer erreichbar, was man am dringendsten will. Was man nicht zum einzigen Ziel erklärt, kommt dagegen fast von selbst.

5. Open Source zerstört das Geschäft nicht

Wir wollen unsere Arbeit weiterhin offenlegen, möglicherweise auch unsere stärksten Modelle. Ich sehe keinen zwangsläufigen Vorteil darin, sie geschlossen zu halten.

Selbst wenn Modell und Prinzipien öffentlich sind, bleibt die gute Nutzung schwierig. Ein Drittanbieter muss das Modell korrekt bereitstellen und kostengünstig betreiben. Das erfordert umfangreiche technische und organisatorische Arbeit. Die Idee zu verstehen genügt nicht.

Ein Start-up kann dafür zu klein sein. Ein Großunternehmen kann sich zu schwer organisieren lassen. Unsere derzeitige Größe liegt in einem günstigen Zwischenbereich.

Bei Preisen, die auf zehn Monate Amortisation ausgelegt sind, wird ein unabhängiger Betreiber nur schwer Geld verdienen, weil er unsere Kosten meist nicht erreicht. Open Source beseitigt unseren Umsatz also nicht. Zum Problem wird es nur, wenn man hundertfache Gewinnspannen anstrebt. Dann kann selbst ein weniger effizienter Drittanbieter einen unterbieten.

Wir wollen, dass mehr Menschen unsere Modelle betreiben, und werden der Open-Source-Gemeinschaft dabei helfen. Unsere Sorge ist nicht, dass sie uns das Geschäft wegnehmen. Unsere Sorge ist, dass sie das Modell schlecht einsetzen, seine Qualität senken oder es zu überhöhten Kosten betreiben.

Das veröffentlichte Modell ist dasselbe, das wir selbst einsetzen. Wir legen nicht eine minderwertige Version offen und behalten intern eine bessere. Im vergangenen Jahr hat Open Source weder unserem Endkundendienst geschadet noch die Nutzerbasis geschwächt.

Unter unserer Vision können Open Source und bezahlte Dienste lange nebeneinander bestehen.

6. Der Weg zur AGI ist eine Treppe

Das langfristige Unternehmensziel ist AGI. Menschen mögen AGI unterschiedlich definieren. Das hindert uns nicht daran, sie als Ziel zu verwenden.

Die heutige KI-Generation kann Menschen bereits unter einer Bedingung übertreffen: Das Problem muss klar beschrieben sein, mit vollständigem Kontext und vollständigen Anweisungen. Die Schwierigkeit ist, dass menschliche Arbeit fast nie mit vollständigen Anweisungen kommt.

Ein neuer Mitarbeiter verbringt vielleicht zwei Monate damit, das Unternehmen kennenzulernen. Danach kann man sagen: „Bitte Xiao Wang, herzukommen“, und er weiß, wer Xiao Wang ist, wo er sitzt und was er macht. KI hat diese zwei Monate Erfahrung nicht. Man muss ihr den gesamten Hintergrund erneut erklären. Sie kann einzelne Aufgaben erledigen, aber noch keinen Mitarbeiter ersetzen.

Was fehlt, ist kontinuierliches Lernen.

KI entwickelt sich wie eine Treppe. Sprachmodelle bildeten die früheren Stufen. Die Stufe des vergangenen Jahres war Chain-of-Thought-Schlussfolgern, kurz CoT: Wenn man das Modell nachdenken lässt, steigt seine Leistungsgrenze. Dieses Jahr sind es Agenten: Werkzeuge und Handlungen lassen das Modell eine größere Vielfalt von Aufgaben erledigen. Agenten beruhen auf CoT, CoT auf Sprachmodellen. Keine Stufe ist vergeudet.

Auch Agenten werden an eine Grenze stoßen. Sie können viele Aufgaben lösen, aber noch nicht wie ein Mitarbeiter in eine Umgebung eintreten, fortlaufend lernen und Kontext ansammeln. Der nächste sichtbare Engpass ist kontinuierliches Lernen.

Kann ein Modell kontinuierlich lernen, könnte es den Großteil menschlicher Arbeit erledigen und bei der Entwicklung seiner nächsten Version helfen. Die sogenannte Singularität muss keine plötzliche Schwelle sein. Sie könnte eine stetige, aber nichtlineare Beschleunigung sein, bei der KI beginnt, die KI-Forschung zu beschleunigen.

Unsere bevorzugte Reihenfolge lautet: zuerst kontinuierliches Lernen, dann Selbstverbesserung, zuletzt verkörperte Intelligenz. Das ist der einfachste Weg, weil jede Stufe die nächste mitentwickelt. Sobald die Selbstverbesserung stark genug ist, müssen verkörperte Systeme und zukünftige Roboter nicht mehr vollständig von Menschen entworfen werden.

Mit Verkörperung anzufangen wäre technisch enorm aufwendig. Wir nehmen lieber den leichteren Weg.

7. Das einzige Kerninteresse ist die Stabilität des Teams

In vielen Bereichen können wir uns zurückhalten. Aber wir müssen wissen, was wir nicht aufgeben dürfen.

Wir haben nur ein Kerninteresse: die Stabilität des Teams. Vielleicht ist es das einzige echte Kerninteresse des Unternehmens.

Solange das Team zusammenbleibt, können wir weiter auf AGI zugehen. Vielleicht kommen wir sechs Monate früher oder ein Jahr später an. Vielleicht erleiden wir Rückschläge. Aber wenn alle bleiben, können wir neu anfangen. Geld, Rechenleistung und andere Ressourcen lassen sich irgendwann beschaffen. Ein verlorenes Team lässt sich viel schwerer wieder aufbauen.

Die jüngste Finanzierung hat dieses Risiko etwas reduziert. Langjährige und entscheidende Mitarbeiter besitzen bedeutsame Aktienoptionen. Bleiben sie stabil, gehen auch andere seltener. Die Menschen kamen nicht nur wegen des Geldes. Sie wollen in einem Umfeld arbeiten, das wirklich eine Chance auf AGI hat.

Unsere Fluktuation war historisch niedriger als bei vergleichbaren Unternehmen. Trotzdem bleibt die Teamstabilität das größte Risiko. Viele Unternehmensentscheidungen lassen sich letztlich als Versuche verstehen, sie zu schützen.

Alles außer der Stabilität des Teams ist verhandelbar. Wir wollen weder große Internetkonzerne noch Start-ups als Feinde behandeln, die besiegt werden müssen. Wir helfen Alibaba, Zhipu, Moonshot und anderen Wettbewerbern gern, besser zu werden, weil unsere Kerninteressen nicht miteinander kollidieren.

Sobald man die eine Sache kennt, die man schützen muss, wird jede andere Verhandlung einfacher. Man muss nicht mehr an jedem Rand gewinnen.

8. Fokus bedeutet, gute Geschäfte abzulehnen

Wir arbeiten nur auf der Hauptstrecke zur AGI: Sprachmodelle, CoT, Agenten und kontinuierliches Lernen.

KI ist ein weites Feld. 3D, Videogenerierung, Weltmodelle, Multimodalität und Suche können wichtig sein und gute Geschäfte werden. Doch „wichtig“ bedeutet nicht „der aktuelle Engpass auf dem Weg zu mehr Intelligenz“.

Nach Sora wurde Videogenerierung zum Trend, und fast jedes Unternehmen begann daran zu arbeiten. Viele kleinere Unternehmen stellten diese Projekte später wieder ein. Video kann kommerziell wertvoll sein, hebt aber die derzeitige Intelligenzgrenze nicht direkt an. Wir verfolgen es nicht bloß, weil es ein gutes Geschäft ist. Wir verfolgen etwas, wenn es auf dem Entwicklungspfad der Intelligenz liegt.

Multimodalität wird irgendwann notwendig sein und ist für Endkundenprodukte bereits wichtig. V4 und spätere Versionen sollen native Multimodalität unterstützen. Doch aus unserer Sicht ist sie wie die Suche: ein Baustein, nicht die Hauptlinie der Intelligenz selbst.

„Weltmodell“ ist ein weniger präziser Begriff. Unser Urteil lautet: Vorrang haben derzeit besseres Training, dann kontinuierliches Lernen und schließlich die Fähigkeit des Modells, eigene Fragen zu stellen. Andere Unternehmen können andere Wege wählen. Eine allgemeingültige Antwort gibt es nicht.

Wir wollen anderen helfen, KI produktiv einzusetzen und die gesellschaftliche Produktivität zu erhöhen. Aber wir müssen nicht alles selbst bauen. KI ist groß genug für viele Unternehmen mit Billionen-Dollar-Wert. Wir müssen nur einen Teil gut machen.

9. Die Lücke liegt in der Rechenleistung

Der größte Abstand zwischen uns und den USA liegt nicht beim Talent. Er liegt bei den Ressourcen.

Laut Transkript besaß das Unternehmen damals ungefähr zwanzigtausend GPUs in H-äquivalenter Rechenleistung. Viele waren gerade erst eingetroffen, weitere Erweiterungen waren geplant. Die Strategie war einfach: so viele GPUs wie möglich zu einem vernünftigen Preis kaufen. Könnte man die gesamte Finanzierung innerhalb von sechs Monaten in GPUs umwandeln, wäre das ideal. GPUs erzeugen Dienste und Zahlungsströme. Geld auf der Bank bringt wenig.

Talent ist nicht der Engpass. China und die USA greifen auf ähnliche Talentpools zurück, und in China kommen jedes Jahr viele neue Menschen hinzu. Selbst der Talentabstand ist weitgehend eine Rechenleistungslücke: Mit weniger Chips können Forscher weniger Experimente durchführen und sich langsamer entwickeln.

Bei den größten Modellen besteht ein Unterschied um eine Größenordnung. Im Transkript wurde geschätzt, amerikanische Spitzenmodelle könnten etwa 800 Milliarden aktive Parameter erreichen, während chinesische Modelle überwiegend bei einigen Dutzend Milliarden lägen. Training in derselben Größenordnung könnte fünfzigtausend GB300 oder etwa zweihunderttausend Huawei 950 erfordern — noch ohne die Rechenleistung für Forschungsexperimente.

Die rationale Antwort ist nicht, heute exakt dieselbe Größenordnung anzustreben. Zuerst sollte man im Bereich einiger Dutzend Milliarden gründlich forschen. Mit wachsenden Ressourcen kann man dann auf 150 oder 250 Milliarden gehen.

China ist noch lange nicht am Ende der Skalierung. Größere Modelle, mehr Daten und höhere Trainingsausgaben liefern weiterhin sichtbare Erträge. Im Silicon Valley kann man diskutieren, ob Skalierung an eine Wand stößt, weil man viel weiter gegangen ist. China hat noch nicht genug Rechenleistung, um diese Wand überhaupt zu berühren.

Bei einer Rechenleistungslücke um eine Größenordnung ist eine umfassende Überlegenheit unrealistisch. China kann aber ein oder zwei Jahre zurückliegen, das Ergebnis mit einem Zwanzigstel der Rechenleistung reproduzieren und den zeitlichen Abstand anschließend auf sechs oder drei Monate verkürzen — bei gleichzeitiger Führung in ausgewählten Bereichen.

10. Kosten und Zeit sind die dauerhaften Vorteile

Am Ende des Wettbewerbs großer Modelle unterscheiden sich die Modelle selbst womöglich nicht dramatisch. Drei Unterschiede dürften bleiben: Kosten, Zeit und Nutzererlebnis.

Kosten stehen an erster Stelle. Bieten zwei Unternehmen dieselbe Dienstqualität, hat dasjenige einen echten Wettbewerbsschutz, das sie günstiger bereitstellen kann. Danach kommt Zeit. Einige Monate früher am Markt zu sein ist nicht dasselbe, wie einige Monate später zu kommen. Nutzererlebnis kann Bindung schaffen, ist aber womöglich weniger grundlegend als Kosten und Timing.

Modelle sollten bei gleichen Kosten verglichen werden, so wie Autos innerhalb derselben Preisklasse. Ein starkes Modell entsteht nicht aus einem einzelnen Bauteil. Es entsteht aus dem gesamten System.

Zum Zeitpunkt des Gesprächs lag Anthropic bei Programmieragenten vor OpenAI. Das muss nicht so bleiben. OpenAI, Google und Anthropic sind alle stark und könnten sich an der Spitze abwechseln. Frühe Vorteile verblassen, Effizienz wird wichtiger.

Chinas strukturelle Stärken könnten in Kosten und Produkterlebnis liegen. Amerikanische Unternehmen haben genug Ressourcen, um niedrige Kosten nicht an die erste Stelle setzen zu müssen. Chinesische Unternehmen werden zur Effizienz gezwungen. China ist außerdem gut darin, Produkte herzustellen, die gut genug und systematisch günstiger sind.

In der globalen KI-Arbeitsteilung könnte China dieselbe Rolle übernehmen wie in anderen Branchen: einer der größten Produzenten werden und Produkte nahe an amerikanischer Qualität zu deutlich niedrigeren Kosten anbieten.

11. Für heimische Chips öffnet sich ein historisches Zeitfenster

Das größte Problem chinesischer KI-Chips war historisch das Ökosystem. Unternehmen konnten die Hardware kaufen, hatten aber Schwierigkeiten, sie zu nutzen, weil die Softwarebasis viel schwächer als CUDA war.

Das ändert sich. Erstens kann KI Code schreiben, was den Aufbau eines Ökosystems erleichtert. Zweitens erlauben höhere Programmiersprachen wie TileLang, Kernel mit viel weniger Code neu zu schreiben. Zusammen mit KI-Unterstützung ist der Neuaufbau der Softwarebasis nicht mehr so schwierig wie früher.

CUDA entstand aus Gaming-GPUs und erbte deren konstruktive Einschränkungen. Das war sinnvoll, solange KI-Rechnen ein kleinerer Markt als Gaming war. Jetzt werden Rechenbeschleuniger zum größeren Markt, und spezialisierte Chips müssen nicht mehr an die alte Architektur gebunden bleiben. Sowohl Huawei als auch Nvidia dürften sich stärker spezialisierten Entwürfen zuwenden.

V3 wurde auf Nvidia-Hardware trainiert, versuchte aber durch eine höhere Compilerebene mit TileLang die Abhängigkeit vom Nvidia-Ökosystem zu verringern. Die Übertragung dieser Ebene auf Huawei-Hardware könnte das Ökosystemproblem neu definieren.

Laut Transkript arbeitete DeepSeek bei der Anpassung hauptsächlich mit Huawei zusammen. DeepSeek sollte etwa sechzehntausend Chips der 950-Serie erhalten, große Internetunternehmen möglicherweise mehr als hunderttausend. Diese Menge reichte nicht für das Training eines erheblich größeren Modells der nächsten Generation, wohl aber zur Überprüfung des Ökosystems.

Liang glaubte, innerhalb eines Jahres könne der Eindruck eines unbrauchbaren heimischen Ökosystems durch konkrete Ergebnisse widerlegt werden. Danach bliebe die Produktionskapazität als Engpass. Die Chiplücke fasste er als „vierfach plus zwei Jahre“ zusammen: ungefähr vier Huawei-Chips für einen Nvidia-Chip, bei einem Generationsrückstand von etwa zwei Jahren.

Langfristig blieb er bei der Kapazität optimistisch. Die Einschränkung könne mehrere Jahre anhalten. Es sei aber schwer vorstellbar, dass China in fünf Jahren noch denselben Produktionsengpass habe.

12. TileLang, CUDA und vertikale Integration

TileLang ist kein Versuch, Effizienz gegen Kompatibilität mit heimischer Hardware einzutauschen. Liang argumentierte umgekehrt: Es kann die Entwicklungseffizienz stark erhöhen.

Arbeit, die früher vom CUDA-Ökosystem abhing, lässt sich in einer einfacheren höheren Sprache mit viel weniger Code neu schreiben. Damals wurde TileLang noch überwiegend von Menschen geschrieben, künftig könnte KI dies übernehmen. Ein Verlust von ein bis zwei Prozent bei der Ausführungseffizienz auf niedriger Ebene galt als akzeptabel.

Das ist nicht bloß ein Ausgleich für eine Schwäche. Es ist eine Chance, die technischer Wandel eröffnet.

Das Unternehmen wird weiterhin eigene große Rechencluster aufbauen, wie bisher. Ob es eigene Chips entwickeln sollte, hängt dagegen vom Ertrag ab. Lassen sich Chips zu vernünftigen Preisen kaufen, muss man sie nicht selbst herstellen. Ein Kraftwerksbetreiber muss auch nicht zwangsläufig Generatoren bauen.

DeepSeek will nur den Teil übernehmen, den es für besonders zentral und für das Team besonders geeignet hält. Es will nicht sämtliche vor- und nachgelagerten Geschäfte an sich ziehen. KI ist groß genug, dass ein Unternehmen sich auf einen Teil konzentrieren und trotzdem einen Billionen-Dollar-Wert erreichen kann.

Die Obergrenze des Unternehmenskundengeschäfts wird letztlich durch Nachfrage bestimmt, nicht durch Rechenleistung. Wie viel tatsächlich nützliche Arbeit die aktuelle Technologie leisten kann, bestimmt den möglichen Umsatz. Mit besserer Technologie wächst die Nachfrage.

13. Eine Forschungsorganisation braucht Freiraum

Das Unternehmen wird entlang zweier Linien geführt.

Die erste verläuft von oben nach unten. Wenn V4 veröffentlicht oder ein gemeinsames Ziel erreicht werden muss, wird die Arbeit verbindlich aufgeteilt. Jeder übernimmt Verantwortung für einen Teil.

Die zweite verläuft von unten nach oben. Menschen entscheiden selbst, woran sie forschen wollen. Es gibt keine KPIs, und nicht jedes Experiment verlangt Abstimmung. Wenn das Unternehmen es unterstützen kann, dürfen Forscher erkunden, was sie für wichtig halten.

Grundsätzlich sollten zugeteilte Aufgaben höchstens die Hälfte der Arbeitszeit beanspruchen. Mindestens die Hälfte sollte unzugeteilt und für eigenständige Forschung verfügbar bleiben.

Im Unternehmen werden im Allgemeinen nicht viele Überstunden gemacht. Erstens braucht Forschung Freiraum. Menschen müssen ein eigenes Interesse an einem Problem entwickeln und über die geplante Aufgabe hinaus darüber nachdenken können. Ist das Umfeld zu eng getaktet, wird echte Erkundung unmöglich.

Zweitens ist das Unternehmen stark fokussiert. Deshalb gibt es weniger zu tun. Zurückhaltung bedeutet, viele Aufgaben bewusst abzulehnen. Macht das Unternehmen weniger Dinge, bekommt jeder weniger zugeteilte Arbeit, und Überstunden werden unnötig.

Viele Teile der Produkte sind noch unfertig. Das Unternehmen beeilt sich nicht, sie zu vervollständigen. Nicht, weil die Probleme unsichtbar wären, sondern weil ihre Lösung derzeit nicht die wichtigste Arbeit ist.

Wichtige Entscheidungen werden nicht einfach von Liang auferlegt. Das Unternehmen arbeitet über Konsens. Seine Autorität stammt aus diesem Konsens, nicht aus seinem Titel. Eine Entscheidung wird erst ausführbar, wenn das Team überwiegend dahintersteht.

14. Fragen und Antworten: Talente, Ökosysteme und Marktkonsolidierung

Frage: Wird die Branche nach der Offenlegung der Modelle genug Talente haben, um sie zu reproduzieren, spezialisierte Modelle zu bauen und Anwendungen zu entwickeln? Wie wird das Ökosystem aussehen?

Antwort: Jede neue Branche beginnt mit Talentmangel, und gewöhnlich verschwindet er schnell. Webentwickler, Backend-Entwickler und sogar Piloten galten einmal als knapp. Keine dieser Gruppen blieb dauerhaft knapp. Auch der Mangel an KI-Talenten ist vorübergehend. Innerhalb von zwei oder drei Jahren lassen sich viele Menschen ausbilden. Der Engpass beginnt bereits nachzulassen.

Das größere Problem ist, dass China zu viele Unternehmen für Basismodelle hat. Die USA konzentrieren ihre Ressourcen womöglich auf drei Unternehmen, während China sie auf viele Teams mit ähnlicher Arbeit verteilt. Das Feld wird sich konsolidieren. Es braucht keine Dutzenden Anbieter von Basismodellen. Drei oder vier starke Wettbewerber reichen für intensiven Wettbewerb.

Wenn Unternehmen erkennen, dass Basismodelle keine außergewöhnlich hohen Gewinnspannen erzeugen, werden manche aufhören. Dauerhaft überhöhte Gewinne widersprächen der zugrunde liegenden Ökonomie. Jedes Unternehmen wird letztlich einen angemessenen Ertrag erzielen. Effiziente etwas mehr, ineffiziente etwas weniger.

DeepSeek will Partner im Ökosystem unterstützen, hat aber begrenzte Aufmerksamkeit. Entscheidend ist, dass kein grundlegender Interessenkonflikt besteht. Anbieter von Basismodellen können nicht den größten Teil des Branchenwerts abschöpfen, weil die dauerhaften Unterschiede zwischen ihnen hauptsächlich in Zeit und Kosten liegen werden.

15. Fragen und Antworten: Daten, synthetische Daten und das Übertreffen des Menschen

Frage: Wenn Modelle von realen, durch Menschen erzeugten Daten abhängen, bleibt ihre Intelligenz dann durch das bisherige Wissen der Menschheit begrenzt? Können simulierte oder selbst erzeugte Daten diese Grenze durchbrechen?

Antwort: Innerhalb eines klar definierten Bereichs kann KI Menschen übertreffen. AlphaGo spielte Züge, die zuvor kein Mensch gesehen hatte. Das legt nahe, dass ein Modell mit menschlichem Wissen beginnen und Ergebnisse erzeugen kann, die Menschen nie ausdrücklich formuliert haben.

Eine Obergrenze könnte es trotzdem geben, aber wir sehen sie noch nicht. Reale, simulierte und erzeugte Daten können alle nützlich werden. Es wird nicht nur eine Methode geben.

Daten machen fast die Hälfte des Modells aus. Im heutigen Stadium hängen viele Fortschritte weiterhin von hochwertigen Daten ab, besonders im Nachtraining.

China hat bei der Annotation von Expertendaten keinen offensichtlichen Kostenvorteil. Anspruchsvolle Annotation ist in China ebenso teuer wie in den USA. Laut Transkript arbeitete fast die Hälfte der zentralen Forscher an Datenaufgaben, beginnend mit den günstigeren und leichter skalierbaren Teilen.

Die Finanzierung erlaubt mehr Investitionen ins Nachtraining. Der eigentliche Engpass könnte aber Zeit statt Kapital sein. OpenAI und Anthropic begannen früher. China hat seine Arbeit an hochwertigen Daten erst kürzlich beschleunigt und muss Erfahrung sammeln. Liang erwartete innerhalb eines Jahres eine deutliche Verringerung der Lücke.

16. Fragen und Antworten: Hardwareabschreibung und der amerikanische Vorsprung

Frage: Sind heute gebaute Rechencluster in zwei oder drei Jahren veraltet? Wie treffen bessere Modelle und bessere Hardware aufeinander?

Antwort: Nvidia-Chips lassen sich grob über fünf Jahre abschreiben, Huawei-Chips womöglich über höchstens drei. Ein Huawei 950 kann dieses und nächstes Jahr nützlich bleiben, später aber durch seinen Stromverbrauch unwirtschaftlich werden. Seine Nutzungsdauer ist teilweise deshalb kürzer, weil die Generation bereits etwa zwei Jahre zurückliegt.

Zu einem vernünftigen Preis ergibt es weiterhin Sinn, jeden verfügbaren B200 zu kaufen. Die eigentliche Frage ist nicht, ob man kaufen sollte, sondern ob man genug Einheiten bekommt.

China fängt die Rechenleistungslücke auf drei Arten auf. Erstens akzeptiert es kleinere Modelle und spätere Bereitstellung. Zweitens nutzt es effizientere Algorithmen für dieselbe Arbeit. Drittens bündelt es Ressourcen und ist in ausgewählten Bereichen besser.

Die heutige Lage lässt sich so zusammenfassen: das Ergebnis ein oder zwei Jahre später mit einem Zwanzigstel der amerikanischen Rechenleistung reproduzieren. Das nächste Ziel ist, weiterhin nur einen Bruchteil der Rechenleistung einzusetzen und den Rückstand auf sechs oder drei Monate zu senken.

17. Fragen und Antworten: Kontinuierliches Lernen und rekursive Verbesserung

Frage: Wann gelingt der Durchbruch beim kontinuierlichen Lernen, und was ist die größte technische Hürde?

Antwort: Weltweit hat noch niemand eine wirklich wirksame Methode gefunden. Kontinuierliches Lernen ist keine isolierte Technologie. Es ist ein Problem, das viele technische und algorithmische Bestandteile erfordern könnte. Es gibt vielversprechende Ideen, aber keine vollständige Lösung.

Investoren sehen Agenten, weil sie sichtbar sind. Forscher betrachten zunehmend das Lernen selbst als das wichtigere Problem.

Das Unternehmen hat ein internes Ziel: Das nächste Modell soll DeepSeek zuerst dabei helfen, das darauffolgende zu bauen. Das erste Ziel ist nicht unbedingt, dass jeder Nutzer es nützlich findet. Zuerst soll das Forschungsteam es nützlich finden. Verbessert es die interne Forschungsproduktivität, verkürzt es den Weg zur AGI.

Die größte Begrenzung heutiger Agenten ist ihre Unfähigkeit, kontinuierlich und wirksam zu lernen. Wird das gelöst, steigt der Beitrag von KI zur Forschung dramatisch. Die übrigen AGI-Probleme werden leichter. Ohne diese Fähigkeit müssen Menschen AGI weiterhin durch einen datenintensiven, arbeitsintensiven und erschöpfenden Prozess vorantreiben.

Forschung an kontinuierlichem Lernen braucht nicht zwangsläufig riesige Rechenmengen oder eine feste Personalstärke. Sie ähnelt der Suche nach einem Gewinnlos: Die Einstiegshürde ist niedrig, viele können darüber nachdenken, aber niemand weiß, wer die funktionierende Methode findet. Das Unternehmen unterscheidet sich durch seine Bereitschaft, die Frage ernst zu nehmen und Forschern Zeit zu geben, immer wieder darauf zurückzukommen.

18. Fragen und Antworten: Wann kommt AGI?

Frage: Wie lange dauert es bis zur AGI, und kann chinesische Hardware bis dahin aufholen?

Antwort: Unter dem aktuellen Paradigma könnten chinesische Modelle innerhalb von ein oder zwei Jahren an ausländische herankommen, vielleicht schon dieses Jahr Alternativen liefern. Aber das ist noch keine AGI. Mindestens sollte AGI kontinuierlich lernen können.

Heimische Hardware könnte mehrere Jahre brauchen. Zuerst muss das Vertrauensproblem beim Ökosystem gelöst werden, danach die Produktionskapazität. Kapazität bleibt in den nächsten Jahren eine Einschränkung. Es ist aber schwer zu glauben, dass innerhalb von fünf Jahren kein Fortschritt erzielt wird.

AGI wird nicht an einer einzigen klaren Schwelle eintreten. Sie kommt schrittweise, aber nichtlinear. KI beschleunigt KI-Forschung. Späterer Fortschritt wird daher nicht linear bleiben.

Bei der Skalierung von Sprachmodellen ist noch keine klare Obergrenze sichtbar. Verkörperte Intelligenz wird letztlich notwendig sein, weil gewöhnliche menschliche Bedürfnisse Essen, Wohnen, Bewegung, Pflege und körperliche Arbeit betreffen, nicht nur Vorgänge im Computer.

Vor der Verkörperung wäre ein sinnvoller AGI-Maßstab, ob sie bei der Entwicklung des nächsten Modells helfen kann. Danach wäre der entsprechende Maßstab, ob sie bei der nächsten Robotergeneration helfen kann.

19. Fragen und Antworten: Geschmack, Halluzinationen und Programmieragenten

Frage: Werden Geschmack und Intuition in der Forschung noch wichtig sein, wenn KI sich selbst verbessern kann?

Antwort: KI fehlt derzeit weder Geschmack noch Intuition. Ihr fehlt kontinuierliches Lernen. Bittet man sie, einen Essay zu schreiben, zeigt sie bereits beträchtliches Urteilsvermögen. Begrenzt wird sie durch ihre Unfähigkeit, über lange Zeit Erfahrung anzusammeln.

Frage: Halluzinationen schaden dem Nutzererlebnis. Wie sollten sie gelöst werden?

Antwort: Besseres Nachtraining kann Halluzinationen verringern. Das ist ein langfristiges, aber lösbares Problem. Aus der heutigen Unternehmensperspektive ist es jedoch eher eine Produktfrage als der zentrale Engpass der Intelligenz. Man sollte daran arbeiten, aber es ist nicht die höchste Priorität.

Frage: Sollte das Unternehmen spezialisierte Agenten oder einen allgemeinen Agenten priorisieren?

Antwort: Der derzeit rationalste Weg ist, zuerst allgemeine Agenten zu entwickeln, besonders Programmieragenten. Programmieren deckt viele Aufgaben ab und verbessert unmittelbar die Produktivität der KI-Forschung. Agenten für Finanzen, Recht, Medizin und andere Fachgebiete können später folgen.

Chinas späteres Geschäftsmodell könnte anders aussehen als das amerikanische. Für Vorhersagen ist es zu früh. Die Technologie ändert sich so schnell, dass detaillierte Produkt- und Kommerzialisierungspläne oft eine Welt optimieren, die schon verschwunden ist, bevor der Plan ausgeführt wird.

20. Fragen und Antworten: Forschung, Kommerzialisierung und Kapitalmarkt

Frage: Wie lassen sich reine Forschung und das Streben nach AGI mit Kommerzialisierung und Verantwortung gegenüber dem Kapitalmarkt vereinbaren?

Antwort: Das Unternehmen hat seine Arbeit immer kommerzialisiert. Kommerzialisierung war nur nie das Endziel. Endkunden und Unternehmenskundenumsätze bilden bereits eine kommerzielle Basis. Wächst die Unternehmensnachfrage weiter, kann sich das Unternehmen einem positiven Zahlungsüberschuss oder sogar Profitabilität nähern.

Selbst wenn der technische Fortschritt heute einfrieren würde, bliebe als Rückfalloption, APIs offensiv zu verkaufen und den Dienst gut zu betreiben. Das allein könnte vielleicht schon ein börsennotiertes Unternehmen tragen. Es gibt eine belastbare kommerzielle Grundlage, während das Unternehmen ein viel größeres Ziel verfolgt.

DeepSeek ist nicht Bell Labs. Bell Labs konnte existieren, ohne dass kommerzielles Überleben die erste Einschränkung war. DeepSeek bleibt ein Unternehmen. Der Staat wird es nicht bedingungslos finanzieren. Es muss überleben und entscheiden, womit es Geld verdient, wann es Geld verdient und wie viel es nimmt.

Viele große Unternehmen der Geschichte verfolgten etwas jenseits des Gewinns. Das verhinderte die Kommerzialisierung nicht. Häufig gab es ihnen sogar eine stärkere kommerzielle Grundlage.

Ein Ziel jenseits des Gewinns widerspricht nicht dem Wesen eines Unternehmens. Die eigentliche Frage lautet, was das Unternehmen bewusst nicht tut.

21. Fragen und Antworten: Was soll aus der Organisation werden?

Frage: Gibt es eine historische Organisation, die DeepSeek nachahmen möchte? Wie verändert sich die Struktur mit wachsender Größe?

Antwort: Es gibt kein Vorbild zum Kopieren. Jede Entscheidung entstand aus der Prüfung der tatsächlichen Lage und der Abwägung ihrer Zielkonflikte. Die Organisation ist ein Produkt ihrer Zeit und Umstände, keine Nachahmung eines anderen Unternehmens.

Mit wachsender Mitarbeiterzahl muss sich eine völlig lockere Struktur verändern. Manche Abteilungen benötigen klare Hierarchien und strenge Prozesse, während Forschungsgruppen flacher und weniger strukturiert bleiben können. Diese Anpassung hat bereits begonnen, weil bestimmte Arbeiten ohne Organisation nicht vorankommen.

Das künftige Unternehmen sollte zwei Fähigkeiten zugleich bewahren: Ein Teil muss gemeinsame Aufgaben zuverlässig ausführen. Ein anderer muss frei bleiben, noch nicht definierte Probleme zu erkunden.

Die größte Gefahr für eine Forschungsorganisation besteht darin, im Namen der Effizienz jeden Freiraum in einen Plan zu verwandeln und jeden Menschen in ein formal definiertes Projekt zu stecken. Kurzfristig wird das Unternehmen ordentlicher. Langfristig verliert es die Fähigkeit, den nächsten Weg zu entdecken.