Der KI-Forscher Nathan Lambert besuchte in der jüngsten Zeit mehrere große chinesische KI-Labore, darunter Moonshot AI, Zhipu, Meituan, Xiaomi, Alibaba (Qwen), Ant Group (Ant Ling) und 01.ai, und hielt diese tiefgehenden Beobachtungen in diesem Bericht fest. Er gibt offen zu, dass ihn die Reise neu hat erkennen lassen, wie die chinesische KI-Ökologie aufgebaut ist. Dieses Protokoll ist nicht nur das Reise-Tagebuch eines Forschers, sondern eine Erstdiagnose des chinesischen KI-Sektors – vom technischen Kulturraum bis hin zur industriellen Struktur – aus erster Hand.
Die zentralen Stärken der chinesischen KI: Kultur, Talente und eine pragmatische Mentalität
Woher kommt die Wettbewerbsfähigkeit chinesischer Forschender: Neigung zu harter Arbeit im Stillen
Lambert ist der Ansicht, dass ein Schlüsselgrund, der häufig übersehen wird, dahintersteckt, warum chinesische Labore sich schnell an die Spitze setzen – ja sogar mit der vordersten KI-Entwicklung gleichziehen können: Forschungskultur und das Organisationsklima.
Im Vergleich zu US-Forschern, die häufig ein starkes Bedürfnis nach individueller Leistung haben – sie wollen ihre Forschungsergebnisse selbst in den Vordergrund rücken, suchen nach Aufmerksamkeit in Medien und Communities und streben danach, sich ein persönliches Branding aufzubauen – tendieren chinesische Forschende dazu, sich selbst nach der Modellqualität einzuordnen. Sie sind eher bereit, Aufgaben anzupacken, die ohne großes Aufsehen auskommen, aber die Modellleistung tatsächlich verbessern. Und sie können es auch eher akzeptieren, dass ihre Ideen im Rahmen von Optimierungen für mehrere Ziele verworfen werden.
Lambert weist darauf hin, dass in den USA sogar Berichte existieren, wonach Labore angeblich „Top-Forscher bezahlen müssen, damit sie aufhören, über nicht berücksichtigte Vorschläge zu klagen“ – ein Symbol dafür, dass die organisatorischen Reibungen im Westen real sind.
Dieser Kulturunterschied entfaltet auf Organisationsebene spürbare Wirkung: Ein geringeres Selbstbewusstsein macht es für die Organisationsstruktur leichter, sich nach oben zu erweitern. Forschende auf verschiedenen Ebenen können dadurch effizienter zusammenarbeiten, statt jeweils ihre eigenen Interessen zu verteidigen.
Schüler integrieren sich als eine der Hauptkräfte in LLM-Entwicklungsteams
Ein weiteres Phänomen, das Lambert eindrucksvoll fand, ist, dass ein relativ hoher Anteil der zentralen Beitragenden in vielen Laboren noch immer Studierende sind. Diese Studierenden werden nicht unterschiedlich behandelt, sondern direkt in die LLM-Entwicklungsteams integriert. Das steht im Kontrast zu der US-Ökologie, in der OpenAI und Anthropic kaum Praktikumsplätze anbieten – oder selbst wenn es welche gibt, die Praktikanten aus dem Kern der Arbeit herausgehalten werden:
Der Vorteil von Studierenden liegt darin, dass „keine Last“ auf ihnen liegt. Sie haben keine Vorerfahrungen mit den Trägheitsannahmen der früheren KI-Wellen, die sich eingeprägt haben. Dadurch können sie neue Techniken schneller aufnehmen – vom MoE-Ausbau über Reinforcement Learning bis zur Agentenentwicklung. Jede paradigmatische Verschiebung ist für sie ein kompletter Neustart: Sie müssen keine alten Denkweisen über Bord werfen.
Wettbewerb oder Kooperation? Einblick in die chinesische „Ingenieursherrschaft“-Ökologie
Lambert bemerkte, dass Gespräche oft ins Schweigen fallen, wenn er versucht, mit chinesischen Forschern über langfristige gesellschaftliche Risiken von KI, wirtschaftliche Auswirkungen oder moralische Debatten über das Verhalten von Modellen zu diskutieren. Er versteht, dass sie nicht absichtlich ausweichen, sondern dass diese Themen für sie schlicht nicht in den Bereich des Nachdenkens fallen.
Er beruft sich auf die Beobachtung des Wissenschaftlers Dan Wang „China wird von Ingenieuren regiert, die USA von Juristen“, um seine eigene Position zu erklären: „Ihre Aufgabe ist es, das Modell zu verbessern. Die anderen Fragen überlassen sie anderen.“
Für Lambert wirkt die chinesische KI-Community dadurch eher wie ein „Gemeinschaftsraum“ statt wie ein gegeneinander rivalisierendes Tribal-Lager. Zwischen den Laboren herrscht insgesamt gegenseitiger Respekt. Bei Giganten wie ByteDance gibt es große Bewunderung, die Forschungsleidenschaft und Umsetzungskraft bei DeepSeek wird sehr hoch geschätzt – doch es fehlt diese in US-Laboren typische, stark „pulvrige“ Konkurrenzspannung.
Die Grenzen und Nachteile der chinesischen KI: Chips, Daten und eine Lücke bei Kreativität
Nvidia-Chips sind der gemeinsame Engpass aller Labore
Aufgrund der US-amerikanischen Exportkontrollen zur Begrenzung der Ausfuhr ist eine zu geringe Verfügbarkeit von Rechenleistung ein gemeinsamer Engpass, mit dem alle chinesischen Labore konfrontiert sind. Lambert beobachtete, dass nahezu jedes Labor ausdrücklich sagt: Wenn die Versorgung mit Rechenleistung ausreichen würde, würden sie ohne zu zögern ihren Einkauf deutlich ausweiten.
Inferenzseitig werden heimische Beschleuniger wie Huawei positiv bewertet, viele Labore nutzen sie bereits in großem Umfang. Doch im Training gilt Nvidia weiterhin als nicht ersetzbarer Goldstandard – und diese Lücke lässt sich kurzfristig kaum vollständig durch andere Ansätze schließen.
Die Datenindustrie ist die größte Schwachstelle, Aufbau nach innen wird zur Mainstream-Option
Im Vergleich zu Anthropic und OpenAI, die jedes Jahr mehrere hundert Millionen US-Dollar in den Kauf von Reinforcement-Learning-Trainingsumgebungen investieren, weist die externe Datenindustrie in China bei der Qualität weiterhin eine deutliche Lücke auf. Lambert beobachtete, dass die meisten Labore der Meinung sind, die auf dem Markt kaufbare Datenqualität sei zu niedrig. Daher investieren sie lieber Ressourcen in den Aufbau eigener Trainingsumgebungen; die Forschenden selbst verbringen zudem sehr viel Zeit mit dem Aufbau der Umgebung.
Auch wenn große Unternehmen wie ByteDance und Alibaba über interne Datenteams verfügen, die unterstützen können, ist das – wie der Analyst Zephyr von Citrini sagte – dennoch die größte Schwachstelle in der chinesischen KI-Ökologie.
(Der chinesische Newcomer Moonshot nennt seinen Roboter Claude und gibt versehentlich Details zum destillierten Anthropic-Modell preis)
Open Source dahinter ist Pragmatismus, nicht Ideologie
Angesichts der Frage von außen, warum Unternehmen wie Meituan oder Xiaomi überhaupt ein allgemeines Open-Source-Großmodell aufbauen und öffnen müssen, sieht Lambert darin eine sehr pragmatische Geschäftsidee: Open Source bringt Feedback aus der externen Community und stärkt die Modellqualität. Gleichzeitig kann das Unternehmen interne Feinabstimmungen für eigene Produkte behalten, um den Kern-Tech-Stack zu kontrollieren.
Diese „Technologie-Eigentümerschaft“-Mentalität treibt praktisch alle großen chinesischen Tech-Unternehmen dazu, eigene Basismodelle aufzubauen statt sich auf externe Services zu verlassen. Das unterscheidet sich grundlegend von der Entscheidung US-amerikanischer KI-Unternehmen.
Sicht des Delphi-Ventures-Gründers: starke Umsetzungskraft, aber fehlende Kreativität
Auch der Co-Gründer von Delphi Ventures, José Maria Macedo, ist kürzlich tief in die chinesische KI-Ökologie eingetaucht und liefert aus Investorensicht eine weitere Ebene der Beobachtung, die sich komplementär zu Lamberts technischem Blick verhält.
Macedo glaubt, dass chinesische Gründer im Allgemeinen eine tadellose Vita und eine beeindruckende Umsetzungskraft haben, aber im Vergleich dazu ist die ursprüngliche Gründungsdynamik, „von null zu eins“, seltener: „Sie sind besser darin, vorhandene Richtungen zu überragenden Upgrade-Versionen zu machen, statt völlig neue Probleme vorzuschlagen, die der Markt noch nicht einmal erkannt hat.“ Er führt das auf die über lange Zeit im Bildungssystem verstärkte Denkweise zurück, die „Löser“ statt „Fragesteller“ hervorbringt.
(Spitzen-Talente laufen überall herum, aber bringen kein OpenAI zustande? Investor besucht China tiefgehend zwei Wochen lang und deckt die wahren Probleme der chinesischen KI auf)
Die USA sollten weiterhin eine Führungsrolle in der offenen Ökologie anstreben
Lambert gesteht offen: China ist ein Ort, den man nicht einfach mit westlichen Rahmenmodellen verstehen kann. „Die Kultur ist so alt und so tiefgründig, und die einzigartige Art der Verflechtung mit der technischen Ökologie erzeugt eine eigene Chemie.“
Er hofft als US-Amerikaner, dass KI-Labore in den USA, die auf offene Modelle setzen, ihre Führungsposition dauerhaft halten. Gleichzeitig macht ihm vor allem Sorgen, dass die USA, wenn sie die Entwicklung offener Modelle per Verwaltungsanordnung einschränken, ihre eigene führende Rolle in der globalen offenen KI-Ökologie eher schwächen und damit das Gleichgewicht dieser Konkurrenz in eine schwer vorhersehbare Richtung kippen lassen.
Dieser Artikel Die KI-Labore in China aus erster Hand besucht: Forscher decken auf, dass „Chip- und Datenlücke“ der Schlüssel zur Differenz zwischen China und den USA ist – zuerst erschienen bei 链新闻 ABMedia.
