Slik bygger Zhipu AI, BAAI og AISI Kinas neste AI-økosystem

Kinas neste fase innen kunstig intelligens ser i økende grad ut til å bli bygget gjennom arbeidsdeling. Zhipu AI gjør store modeller om til kommersielle agenter og utviklerverktøy. Beijing Academy of Artificial Intelligence (BAAI) utvikler åpne grunnmodeller, multimodale systemer og forskning på såkalt «embodied intelligence» – AI som kan oppfatte og handle i den fysiske verden. AI for Science Institute, Beijing (AISI), bruker på sin side modeller i vitenskapelig oppdagelse og tekniske arbeidsprosesser.

Til sammen peker de tre aktørene mot en bredere strategi: å gjøre AI nyttig på tvers av programvare, robotikk, laboratorier og industri, i stedet for å basere hele utviklingen på én enkelt modell som tar markedet med storm.

Zhipu AI: Fra språkmodeller til agenter som jobber over tid

Lanseringen av Zhipu AIs GLM-5.2 illustrerer skiftet fra samtale-AI til systemer som skal kunne håndtere komplekse oppgaver over lengre perioder. Modellen ble gjort åpent tilgjengelig 17. juni 2026 og ble markedsført for koding, agentbaserte arbeidsprosesser og et kontekstvindu på 1 million token.

Investoroptimisme rundt lanseringen bidro til å løfte Zhipu AIs markedsverdi over 1 billion Hongkong-dollar på et tidspunkt 22. juni. Verdsettelsen gjenspeiler forventninger til kommersialisering, utvikleradopsjon og plattformpotensial. Den må ikke tolkes som bevis på at en enkelt modell har oppnådd generell kunstig intelligens (AGI).

Det viktige skiftet handler om å gå fra å selge tilgang til en modell til å bygge en hel produktkrets rundt den. En slik krets kan omfatte API-er, kodeverktøy, agentkjøring, arbeidsprosesser for bedrifter og applikasjoner som skaper bruk og inntekter. Åpne modellvekter kan samtidig gjøre det lettere for eksterne utviklere å teste og videreutvikle teknologien, mens kommersielle tjenester bidrar til å finansiere videre arbeid med modeller og infrastruktur.

Den større lærdommen er at teknologisk selvstendighet innebærer mer enn å eie modellvektene. Det krever også systemer for trening og inferens, dataprosesser, metoder for ettertrening, agentrammeverk, distribusjon til utviklere og pålitelig tilgang til datakraft. En modell blir strategisk robust når den tiltrekker seg et økosystem rundt alle disse lagene.

BAAI: En åpen bro til fysisk intelligens

BAAI har beveget seg fra arbeidet med WuDao-serien av grunnmodeller mot WuJie-familien, som omfatter forskning på multimodale systemer, verdensmodeller og AI som kan fungere i den fysiske verden. Omtale fra instituttets konferanse beskriver WuJie·Physis som en fysisk latent verdensmodell, mens WuJie·RoboBrain Orca er under utvikling som et system som kobler språklig resonnering, visuell prediksjon og handlingsbeslutninger.

Dette er viktig fordi intelligens i den fysiske verden krever evner som tekstbaserte modeller ikke har alene. Roboter må kunne oppfatte omgivelsene, forutse hva som skjer, planlegge, styre bevegelser og håndtere forhold som stadig endrer seg. Verdensmodeller og fysiske AI-systemer forsøker derfor ikke bare å beskrive miljøer, men å representere dem og handle i dem.

BAAIs rolle er også institusjonell. Forskningsprogrammet legger vekt på åpne modeller, agenter, grunnleggende programvare- og maskinvareøkosystemer samt samarbeid mellom forskning og industri. På BAAIs konferanse i 2026 ble det opplyst at instituttet hadde gjort mer enn 200 modeller tilgjengelige som åpen kildekode, og at de samlede globale nedlastingene hadde passert én milliard. Tallene er oppgitt av konferansearrangørene og bør først og fremst forstås som mål på utbredelse – ikke som direkte mål på modellkvalitet.

For Kinas AI-økosystem ligger verdien i en institusjon som BAAI i å skape gjenbrukbar forskningsinfrastruktur og utdanningskanaler. Åpne modeller, evalueringsverktøy, referansetester og robotikkplattformer kan gi universiteter, oppstartsbedrifter og produsenter et felles utgangspunkt for videre arbeid.

AISI: Når AI blir en arbeidsflyt for forskning og ingeniørkunst

AISI har en annen innfallsvinkel. Instituttet ble grunnlagt i september 2021 og beskriver oppdraget sitt som å kombinere kunstig intelligens med vitenskapelig forskning og bygge infrastruktur for «AI for Science».

Rammeverket «Four Beams and N Pillars» – «fire bjelker og N søyler» – samler modellalgoritmer og programvare, vitenskapelige databaser og kunnskapssystemer, effektiv eksperimentell karakterisering og integrert databehandlingsinfrastruktur. Målet er å flytte forskningen fra isolerte, verkstedpregede prosesser til en mer sammenhengende plattformmodell.

Bohrium er et eksempel på denne tilnærmingen. Forskningsskyen presenteres som et miljø som kobler vitenskapelig litteratur, kunnskap, modeller, beregninger, dataanalyse og eksperimentelle arbeidsprosesser. Målet er ikke bare at AI skal produsere et svar, men at forskere skal kunne gå fra et spørsmål til en simulering, et eksperiment og et nytt sett med validerte data.

Denne lukkede sløyfen er særlig viktig innen material- og molekylforskning. En stor atommodell som DPA4 kan brukes til å støtte materialoppdagelse og simulering. Den praktiske verdien øker når modellens forutsigelser kan testes i laboratoriet, og resultatene fra testene kan forbedre fremtidige modeller. En rapport fra 2026 opplyste at en oppgradert DPA4-modell lå øverst på samlede målinger på en internasjonal rangering for materialoppdagelse. Resultater fra en rangering alene dokumenterer imidlertid ikke reell vitenskapelig effekt i praksis.

Arbeid knyttet til AISI med rakettmotorer gir et mer konkret eksempel på fysisk validering. Omtaler beskriver en arbeidsflyt som går fra generativ design og forbrenningssimulering til additiv tilvirkning, automatiserte målinger og styring samt testing. En skalert demonstrator skal ha gjennomført en lukket valideringssløyfe. Slike prosjekter er interessante fordi de kobler AI-resultater til tekniske begrensninger og fysiske tester, i stedet for å stoppe ved en programvarebenchmark.

Hvorfor økosystemet betyr mer enn én stjernemodell

Teknologiforsprang varer ikke nødvendigvis lenge

Modellrangeringer og produktfordeler kan endre seg raskt. Utviklermiljøer, vitenskapelige datasett, testfasiliteter, standarder og erfaring med utrulling kan derimot bygges opp over mange år. Slike ressurser gjør fremtidige modellforbedringer mer nyttige og mindre avhengige av én enkelt lansering.

Ulike fagområder krever ulike former for intelligens

En kodeagent, en robotkontroller, en molekylsimulator og et system for vitenskapelig litteratur løser ikke det samme tekniske problemet. En nasjonal eller industriell AI-strategi har derfor fordel av spesialiserte modeller og delt infrastruktur, fremfor én generell modell som forventes å gjøre alt.

Åpen forskning utvider innovasjonsbasen

Åpne modellvekter, verktøy, referansetester og plattformer gjør det mulig for forskere og selskaper å teste, tilpasse og videreutvikle hverandres arbeid. BAAIs åpne orientering kan støtte dette laget, mens kommersielle selskaper som Zhipu AI kan omsette teknologien til produkter og inntekter.

Vitenskapelig validering skaper en sterkere læringssløyfe

Innen «AI for Science» kan de mest verdifulle systemene være de som kobler sammen prediksjon, simulering, eksperimenter og målinger. Hvert validerte resultat kan forbedre dataene og modellene som brukes i neste runde. Det er en strengere standard enn å generere et plausibelt svar, men den gir også en tydeligere vei til industriell verdi.

Selvstendighet er en teknologistakk – ikke et slagord

En robust AI-utvikling krever kapasitet innen algoritmer, programvare, data, datakraft, kompetanse, verktøy og utrulling. Ved å spre kapasiteten på flere lag kan man redusere avhengigheten av én leverandør eller én teknisk retning. Det gjør også økosystemet mer motstandsdyktig dersom en modell presterer svakere enn ventet, eller ytre rammebetingelser endrer seg.

Det strategiske bildet

Zhipu AI, BAAI og AISI fyller ulike roller i det samme fremvoksende systemet:

• Zhipu AI tilfører kommersiell fremdrift gjennom generelle modeller, kodeverktøy, agenter og produkter for utviklere.
• BAAI tilfører åpen forskning, talentnettverk, grunnmodeller og en vei mot multimodal og fysisk intelligens.
• AISI tilfører vitenskapelig infrastruktur som kobler modeller til kunnskap, beregninger, eksperimenter og teknisk validering.

Betydningen deres er derfor komplementær, ikke utskiftbar. Zhipu AI viser hvordan banebrytende modeller kan bli plattformer. BAAI viser hvordan åpen forskning kan spre kapasitet til et bredere fagmiljø. AISI viser hvordan AI kan bygges inn i arbeidsprosesser der suksess måles i et materiale, et eksperiment eller et ferdig utviklet teknisk system.

Den mest presise tolkningen av Kinas neste AI-fase er derfor ikke at én modell har avgjort det globale kappløpet. Poenget er heller at konkurransefortrinn i økende grad kan komme fra å koble sammen originale forskningsmiljøer, kommersielle plattformer, uavhengig teknisk kapasitet og tverrfaglige anvendelser – i et åpent og samarbeidsorientert industrielt økosystem.