Wie Zhipu AI, BAAI und AISI Chinas nächste KI-Ära aufbauen

Die größere Lehre lautet: Technologische Unabhängigkeit bedeutet mehr, als lediglich die Gewichte eines Modells zu besitzen. Nötig sind auch Systeme für Training und Inferenz, Datenpipelines, Verfahren für das Nachtraining, Agenten-Frameworks, eine Entwicklerdistribution und verlässlicher Zugang zu Rechenleistung. Strategisch belastbar wird ein Modell dann, wenn sich um diese Ebenen ein eigenes Ökosystem bildet.

BAAI: Offene Forschung als Brücke zur verkörperten Intelligenz

Die BAAI hat sich aus ihrer Arbeit an den WuDao-Basismodellen heraus in Richtung der WuJie-Familie entwickelt, die multimodale Modelle, Weltmodelle und Forschung zur verkörperten KI umfasst. Aktuelle Berichte von Konferenzen beschreiben WuJie·Physis als physisches latentes Weltmodell. WuJie·RoboBrain Orca befindet sich demnach als verkörpertes System in Entwicklung und verbindet sprachliches Schlussfolgern, visuelle Vorhersagen und Handlungsentscheidungen.

Diese Entwicklung ist relevant, weil Intelligenz in der physischen Welt Fähigkeiten voraussetzt, die textbasierte Modelle allein nicht liefern. Roboter benötigen Wahrnehmung, Vorhersage, Planung und Steuerung – und müssen mit sich verändernden Umweltbedingungen umgehen können. Weltmodelle und verkörperte Systeme sollen solche Umgebungen nicht nur beschreiben, sondern in ihnen handeln können.

Die Rolle der BAAI ist zugleich institutioneller Natur. Ihr Forschungsprogramm betont offene Modelle, Agenten, grundlegende Software- und Hardware-Ökosysteme sowie die Zusammenarbeit von Forschung und Industrie. Auf ihrer KI-Konferenz 2026 erklärte die BAAI, mehr als 200 Modelle als Open Source verfügbar gemacht zu haben; die weltweiten Downloads hätten eine Milliarde überschritten. Diese Zahlen stammen von den Konferenzveranstaltern und sollten als Hinweis auf die Reichweite verstanden werden – nicht als unmittelbares Maß für die Qualität der Modelle.

Für Chinas KI-Ökosystem liegt der Wert einer Einrichtung wie der BAAI deshalb vor allem in wiederverwendbarer Forschungsinfrastruktur und in der Ausbildung von Fachkräften. Offene Modelle, Benchmarks, Werkzeuge und Robotikplattformen können Universitäten, Start-ups und Herstellern einen gemeinsamen Ausgangspunkt für eigene Entwicklungen bieten.

AISI: KI wird zum wissenschaftlichen und technischen Arbeitsprozess

AISI verfolgt einen anderen Ansatz. Das Institut wurde im September 2021 gegründet und beschreibt seine Mission als Verbindung von künstlicher Intelligenz und wissenschaftlicher Forschung sowie als Aufbau einer Infrastruktur für „AI for Science“.

Das Konzept „Four Beams and N Pillars“ – auf Deutsch etwa „vier Säulen und N Anwendungsbereiche“ – verbindet Modellalgorithmen und Software, wissenschaftliche Datenbanken und Wissenssysteme, hocheffiziente experimentelle Charakterisierung sowie integrierte Recheninfrastruktur. Ziel ist es, Forschung von voneinander isolierten, eher werkstattartigen Abläufen zu einem vernetzten Plattformmodell weiterzuentwickeln.

Bohrium ist ein Beispiel für diesen Plattformansatz. Die Forschungs-Cloud soll wissenschaftliche Literatur, Wissen, Modelle, Berechnungen, Datenanalyse und experimentelle Arbeitsabläufe miteinander verbinden. Es geht also nicht nur darum, dass eine KI eine plausible Antwort erzeugt. Forschende sollen von einer Fragestellung über Simulation und Experiment bis zu einem neuen Bestand validierter Daten begleitet werden.

Dieser geschlossene Kreislauf ist besonders in der Material- und Molekularforschung wichtig. Ein großes atomares Modell wie DPA4 kann die Suche nach Materialien und Simulationen unterstützen. Sein praktischer Wert steigt jedoch, wenn Modellvorhersagen experimentell geprüft werden und die daraus gewonnenen Beobachtungen in künftige Modelle und Datensätze zurückfließen. Ein Bericht aus dem Jahr 2026 meldete, dass eine Weiterentwicklung von DPA4 bei den Gesamtmetriken einer internationalen Rangliste zur Materialentdeckung den ersten Platz erreicht habe. Die Leistung in einer Rangliste allein belegt allerdings noch keine wissenschaftliche Wirkung in der realen Welt.

Arbeiten an Raketentriebwerken, die mit AISI in Verbindung gebracht werden, liefern ein konkreteres Beispiel für physische Validierung. Beschrieben wird ein Prozess, der generatives Design, Verbrennungssimulation, additive Fertigung, automatisierte Mess- und Regeltechnik sowie Tests umfasst. Ein verkleinerter Demonstrator soll eine Validierung im geschlossenen Kreislauf abgeschlossen haben. Solche Projekte sind deshalb bedeutsam, weil sie KI-Ergebnisse mit technischen Randbedingungen und physikalischen Tests verbinden, anstatt bei einem Software-Benchmark stehenzubleiben.

Warum das Ökosystem wichtiger ist als ein einzelnes Spitzenmodell

Spitzenleistungen verändern sich schnell

Modellrankings und Produktvorteile können sich innerhalb kurzer Zeit verschieben. Entwicklergemeinschaften, wissenschaftliche Datensätze, Versuchsanlagen, Standards und praktische Einsatzerfahrung sammeln sich dagegen über Jahre an. Diese Vermögenswerte machen künftige Modellverbesserungen nützlicher und verringern die Abhängigkeit von einer einzelnen Veröffentlichung.

Unterschiedliche Bereiche verlangen unterschiedliche Formen von Intelligenz

Ein Programmieragent, eine Robotersteuerung, ein Molekülsimulator und ein System für wissenschaftliche Literatur bearbeiten nicht dasselbe technische Problem. Eine nationale oder industrielle KI-Strategie profitiert daher eher von spezialisierten Modellen und gemeinsamer Infrastruktur als von einem einzigen Allzwecksystem, das alles gleichzeitig leisten soll.

Offene Forschung verbreitert die Innovationsbasis

Offene Gewichte, Werkzeuge, Benchmarks und Plattformen ermöglichen es Forschern und Unternehmen, die Arbeit anderer zu testen, anzupassen und weiterzuentwickeln. Die Open-Source-Ausrichtung der BAAI kann diese Ebene stärken, während kommerzielle Unternehmen wie Zhipu AI Fähigkeiten in Produkte und Umsätze übersetzen können.

Wissenschaftliche Validierung schafft eine stärkere Rückkopplung

Bei „AI for Science“ sind möglicherweise jene Systeme am wertvollsten, die Vorhersage mit Simulation, Experiment und Messung verbinden. Jedes bestätigte Ergebnis kann die Daten und Modelle für den nächsten Durchlauf verbessern. Das ist ein anspruchsvollerer Maßstab als die Erzeugung einer plausiblen Antwort – eröffnet aber auch einen klareren Weg zu industriellem Nutzen.

Unabhängigkeit ist ein Technologiestack, kein Schlagwort

Eine gegen externe Risiken robuste KI-Entwicklung erfordert Fähigkeiten in Algorithmen, Software, Daten, Rechenleistung, Fachkräften, Werkzeugen und praktischer Bereitstellung. Die Diversifizierung dieser Ebenen kann die Abhängigkeit von einem einzelnen Anbieter oder technischen Ansatz verringern. Gleichzeitig wird das Ökosystem widerstandsfähiger, wenn ein Modell hinter den Erwartungen zurückbleibt oder sich externe Rahmenbedingungen verändern.

Das strategische Gesamtbild

Zhipu AI, BAAI und AISI nehmen unterschiedliche Positionen in demselben entstehenden System ein:

• Zhipu AI sorgt mit allgemeinen Modellen, Programmiersystemen, Agenten und Entwicklerprodukten für kommerziellen Schwung.
• BAAI liefert offene Forschung, Talentnetzwerke, Basismodelle und einen Weg hin zu multimodaler und verkörperter Intelligenz.
• AISI stellt wissenschaftliche Infrastruktur bereit, die Modelle mit Wissen, Rechenleistung, Experimenten und technischer Validierung verbindet.

Ihre Bedeutung ist deshalb komplementär, nicht austauschbar. Zhipu AI zeigt, wie Spitzenmodelle zu Plattformen werden können. BAAI zeigt, wie offene Forschung Fähigkeiten in eine größere Gemeinschaft tragen kann. AISI zeigt, wie KI in Arbeitsabläufe eingebettet wird, deren Erfolg sich an einem Material, einem Experiment oder einem technischen System messen lässt.

Die überzeugendste Interpretation von Chinas nächster KI-Phase lautet daher nicht, dass ein einzelnes Modell den globalen Wettlauf entschieden hätte. Vielmehr könnte der Wettbewerbsvorteil zunehmend daraus entstehen, dass sich unabhängige Forschungszentren, kommerzielle Plattformen, eigene technische Fähigkeiten und disziplinübergreifende Anwendungen zu einem offenen und kooperativen industriellen Ökosystem verbinden.