Sådan bygger Zhipu AI, BAAI og AISI Kinas næste AI-økosystem

Den større pointe er, at teknologisk uafhængighed er mere end ejerskab over modelvægte. Den kræver også systemer til træning og inferens, datapipelines, metoder til eftertræning, agentrammer, distribution til udviklere og stabil adgang til computerkraft. En model bliver først strategisk robust, når den tiltrækker et økosystem omkring alle disse lag.

BAAI: En åben bro til fysisk intelligens

BAAI har bevæget sig fra WuDao-arbejdet med grundmodeller mod WuJie-familien, som omfatter multimodale modeller, verdensmodeller og forskning i fysisk intelligens. Ny konferencedækning beskriver WuJie·Physis som en fysisk latent verdensmodel og WuJie·RoboBrain Orca som et system under udvikling, der forbinder sproglig ræsonnering, visuel forudsigelse og beslutninger om handling.

Retningen er vigtig, fordi intelligens i den fysiske verden kræver evner, som tekstmodeller ikke kan levere alene. Robotter skal kunne opfatte deres omgivelser, forudsige udviklingen, planlægge, styre bevægelser og fungere under skiftende fysiske forhold. Verdensmodeller og fysiske AI-systemer forsøger derfor ikke kun at beskrive omgivelserne, men at repræsentere dem og handle i dem.

BAAI’s rolle er også institutionel. Forskningsprogrammet lægger vægt på open source-modeller, agenter, grundlæggende software- og hardwareøkosystemer samt samarbejde mellem forskning og industri. På BAAI’s konference i 2026 blev det oplyst, at instituttet havde gjort mere end 200 modeller tilgængelige som open source, og at de samlede globale downloads havde oversteget en milliard. Tallene stammer fra konferencens arrangører og bør forstås som tegn på udbredelse – ikke som direkte mål for modelkvalitet.

For Kinas AI-økosystem ligger værdien af et institut som BAAI derfor i opbygningen af genanvendelig forskningsinfrastruktur og uddannelseskanaler. Åbne modeller, benchmarks, værktøjer og robotplatforme kan give universiteter, startups og producenter et fælles udgangspunkt for videre arbejde.

AISI: Når AI bliver en videnskabelig og teknisk arbejdsgang

AISI har en anden tilgang. Instituttet blev grundlagt i september 2021 og beskriver sin mission som at kombinere kunstig intelligens med videnskabelig forskning og opbygge infrastruktur til AI for Science.

Rammeværket ”Four Beams and N Pillars” samler modelalgoritmer og software, videnskabelige databaser og videnssystemer, effektiv eksperimentel karakterisering samt integreret computerinfrastruktur. Målet er at flytte forskningen fra isolerede, værkstedsagtige processer til en mere sammenhængende platformmodel.

Bohrium er et eksempel på denne tilgang. Forskningsskyen præsenteres som et miljø, der forbinder videnskabelig litteratur, viden, modeller, beregninger, dataanalyse og eksperimentelle arbejdsgange. Målet er ikke blot at få en AI til at levere et svar, men at hjælpe forskere fra et spørgsmål videre til en simulering, et eksperiment og nye, validerede data.

Den lukkede feedbacksløjfe er særlig vigtig inden for materiale- og molekylærforskning. En stor atommodel som DPA4 kan understøtte opdagelse og simulering af materialer. Den praktiske værdi vokser, når modellens forudsigelser kan afprøves eksperimentelt, og resultaterne derefter forbedrer fremtidige modeller. En rapport fra 2026 oplyste, at en opgradering af DPA4 lå nummer ét på de samlede målepunkter på en international rangliste for materialeopdagelse. En topplacering på en rangliste dokumenterer dog ikke i sig selv en reel videnskabelig effekt i praksis.

AISI-relateret arbejde med raketmotorer giver et mere konkret eksempel på fysisk validering. Her beskrives en arbejdsgang, der spænder over generativt design, forbrændingssimulering, additiv fremstilling, automatiseret måling og styring samt test. En rapport oplyste, at en skaleret demonstrationsmodel havde gennemført en lukket validering af hele kæden. Projekter som dette er vigtige, fordi de forbinder AI-output med tekniske begrænsninger og fysiske tests i stedet for at stoppe ved en softwarebenchmark.

Hvorfor økosystemet betyder mere end én stjernemodel

Frontydelsen ændrer sig hurtigt

Modelranglister og produktfordele kan skifte på kort tid. Udviklerfællesskaber, videnskabelige datasæt, forsøgsfaciliteter, standarder og erfaring fra implementering kan derimod opbygges over mange år. De aktiver gør fremtidige model forbedringer mere anvendelige og mindre afhængige af én enkelt lancering.

Forskellige områder kræver forskellige former for intelligens

En kodeagent, en robotstyring, en molekylær simulator og et system til videnskabelig litteratur arbejder ikke med det samme tekniske problem. En national eller industriel AI-strategi har derfor fordel af specialiserede modeller og fælles infrastruktur frem for én generalistisk model, der forventes at kunne alt.

Åben forskning udvider innovationsbasen

Åbne modelvægte, værktøjer, benchmarks og platforme gør det muligt for forskere og virksomheder at teste, tilpasse og udbygge hinandens arbejde. BAAI’s open source-orientering kan understøtte dette lag, mens kommercielle virksomheder som Zhipu AI kan omsætte evnerne til produkter og indtægter.

Videnskabelig validering skaber en stærkere feedbacksløjfe

Inden for AI for Science kan de mest værdifulde systemer være dem, der forbinder forudsigelser med simuleringer, eksperimenter og målinger. Hvert valideret resultat kan forbedre de data og modeller, der bruges i næste cyklus. Det er en højere standard end blot at generere et plausibelt svar, men den giver også en tydeligere vej til industriel værdi.

Uafhængighed er en teknologistak – ikke et slogan

En robust AI-udvikling kræver kapacitet inden for algoritmer, software, data, computerkraft, talent, værktøjer og implementering. En bredere fordeling af disse lag kan mindske afhængigheden af én leverandør eller én teknisk tilgang. Det gør også økosystemet mere modstandsdygtigt, hvis en model skuffer, eller eksterne begrænsninger ændrer vilkårene.

Det strategiske billede

Zhipu AI, BAAI og AISI udfylder forskellige roller i det samme fremvoksende system:

• Zhipu AI leverer kommercielt momentum gennem generalistiske modeller, kodesystemer, agenter og udviklerprodukter.
• BAAI leverer åben forskning, talentnetværk, grundmodeller og en vej mod multimodal og fysisk intelligens.
• AISI leverer videnskabelig infrastruktur, der forbinder modeller med viden, beregning, eksperimenter og teknisk validering.

Deres betydning er derfor komplementær, ikke indbyrdes udskiftelig. Zhipu AI viser, hvordan frontmodeller kan udvikle sig til platforme. BAAI viser, hvordan åben forskning kan sprede kapacitet til et bredere fællesskab. AISI viser, hvordan AI kan indlejres i arbejdsgange, hvor succes måles på et materiale, et eksperiment eller et fungerende teknisk system.

Den stærkeste fortolkning af Kinas næste AI-fase er derfor ikke, at én model har afgjort det globale kapløb. Det er snarere, at konkurrencefordelen i stigende grad kan komme fra at forbinde originale forskningsmiljøer, kommercielle platforme, uafhængige tekniske kapaciteter og tværfaglige anvendelser i et åbent og samarbejdende industrielt økosystem.