„Zhipu“ will mit 5 Milliarden US-Dollar ein Netz spinnen

Deutsche Analyse zum chinesischen Bericht:

Hallo! Ich bin Ihr Assistent für Finanz- und Wirtschaftsanalysen. Der Bericht über die enorme Finanzierung von Zhipu AI enthält viele wichtige Informationen – nicht nur über die 5 Milliarden US-Dollar schwere Finanzierung, sondern auch über die tiefgreifenden Veränderungen in der aktuellen AI-Branche, die sich von einem Modell des „Geldverbrennens für Traffic“ zu einem Modell der „harten Technologie und Rechenleistungsinfrastruktur“ entwickelt.

Um es Ihnen leichter zu machen, werde ich zunächst den Kerninhalt in einer einen Satz zusammenfassen und ihn dann in fünf Schlüsselaspekte aufteilen, die ich genauer erläutern werde.

📝 Zusammenfassung des Kerninhalts

Zhipu AI hat innerhalb von nur einem halben Monat erneut eine enorme Finanzierung in Höhe von 5 Milliarden US-Dollar erhalten. Diese Mittel werden hauptsächlich für drei Dinge verwendet: die Entwicklung der nächsten Generation von „vollständig selbsttrainierbaren“ Modellen, den Aufbau eigener Rechenleistungsinfrastruktur sowie die Optimierung der Effizienz von Software und Hardware. Dies markiert einen grundlegenden Wandel in der Wettbewerbslogik der AI-Branche: Anstatt C-Kunden mit Subventionen anzulocken, zielt es darauf ab, langfristige technische Barrieren und Kostenvorteile durch die Kontrolle über die unterliegende Rechenleistung und automatisierte Trainingsfähigkeiten zu schaffen.

---

🔍 Detaillierte Analyse: Fünf Aspekte, um Zhipus Strategie zu verstehen

1. **Wofür wird das Geld ausgegeben?**

Das auffälligste Konzept dieser Finanzierung ist die „vollständig selbsttrainierbare“ Technologie.

• Einfache Erklärung: Bei früheren AI-Trainingsprozessen wurden Menschen als „Lehrer“ eingesetzt, die Daten bereitstellten, Regeln festlegten und die Ergebnisse überprüften. Das Ziel der „vollständig selbsttrainierbaren“ Technologie ist es, dass die AI in der Lage ist, sich selbst weiterzuentwickeln. Mit anderen Worten: Modell A trainiert ein stärkeres Modell B, das wiederum Modell C weiterentwickelt – es entsteht eine „rekursive Schleife“, die keine häufige menschliche Intervention erfordert.
• Aktueller Stand und Herausforderungen: Bisher hat kein Unternehmen weltweit die „vollständige“ Selbsttrainierfähigkeit erreicht. Der aktuelle Zustand ähnelt eher dem eines „assistierten Fahrens“, bei dem Menschen immer noch am Steuer sitzen müssen. Zhipu plant, Milliarden in diese Entwicklung zu investieren, um dieses Problem zu lösen – beispielsweise indem die AI selbst entscheidet, wann das Training beendet werden soll, und Fehler korrigiert.
• Warum ist das wichtig?: Ein Erfolg würde die Personalkosten für das Trainieren neuer Modelle erheblich senken und die Iterationsgeschwindigkeit erhöhen. Auch wenn Menschen kurzfristig noch benötigt werden, gilt dies als der notwendige Weg zu einer superintelligenten Technologie.

2. **Rechenleistung – nicht mehr nur als Dienst, sondern als eigenes „Unternehmen“**

Der Bericht betont, dass Zhipu die Rechenleistungsinfrastruktur zu einem der drei Hauptinvestitionsbereiche macht, was sehr entscheidend ist.

• Veränderung der Rolle: Früher waren Modelleunternehmen (wie Zhipu) hauptsächlich „Verbraucher“ von Rechenleistung und mieteten diese von Cloud-Dienstanbietern. Jetzt wird Zhipu zum „Besitzer“ und „Bauer“ dieser Infrastruktur.
• Konkrete Maßnahmen:
• Selbstbau eines Rechenzentrums: Zhipu hat bereits ein Rechenzentrum mit einer Kapazität von 1 GW (Gigawatt) errichtet, das ausschließlich mit inländischen AI-Chips betrieben wird.
• Kombination von Hardware und Software: Neben dem Kauf von Hardware hat Zhipu auch ein Softwareunternehmen (Zhongke Jiahe) übernommen, um durch Optimierung von Code und Algorithmen die Leistung der inländischen Chips zu verbessern.
• Strategische Absichten:
• Sicherstellung der Versorgung: Angesichts der weltweiten Rechenleistungsknappheit ist es wichtig, eigene Ressourcen zu besitzen, um den Modelltrainingsprozess kontinuierlich zu unterstützen.
• Kostenersparnis: Durch die Selbstbeschaffung von Rechenleistung und Optimierung der Software hat sich der „Rechenleistungsmultiplikator“ (der Umsatz pro investiertem Euro an Rechenleistung) von Zhipu um das 14-fache erhöht. Das bedeutet, dass mit dem gleichen Geld mehr Wert erzeugt werden kann.
• Schutzbarkeit: Rechenleistung ist das „Öl“ der AI-Ära – wer die Quelle kontrolliert, hat einen Vorteil im langfristigen Wettbewerb.

3. **Branchentrend: Von „Geldverbrennen für Neukunden“ zu „harter Infrastruktur“**

Durch Zhipus Beispiel wird deutlich, wie sich die Art und Weise, wie in der AI-Branche Geld ausgegeben wird, grundlegend ändert.

• Früheres Vorgehen (Erste Phase): Ähnlich wie in der mobilen Internetära wurden C-Kunden (Privatnutzer) mit Subventionen angelockt – es gab kostenlose Angebote und Werbeaktionen, um die Anzahl der Nutzer zu steigern. Dies führte dazu, dass Nutzer nur aufgrund der Subventionen kamen und wieder verschwanden, ohne dass echte Datenbarrieren entstanden.
• Aktuelles Vorgehen (Zweite Phase):
• Fokus auf B-Kunden (Unternehmen): Unternehmen, die bereit sind, für AI-Dienste zu zahlen (z. B. AI-Programmierung, AI-basierte Büroanwendungen), sind wichtiger als Privatnutzer. Daher fließt das Geld nicht mehr in Subventionen für Privatnutzer, sondern in praktischere Anwendungen für Unternehmen.
• Fokus auf Infrastruktur statt Marketing: Geld wird nicht mehr für Werbung ausgegeben, sondern in den Kauf von Chips, den Bau von Rechenzentren und die Entwicklung automatisierter Trainingsprozesse.

Haltung der Investoren: Investoren legen nun mehr Wert auf die „langfristige Vision“ und die „Technologieumsetzungsfähigkeit“ eines Unternehmens als auf kurzfristige Nutzerwachstumszahlen. Sie sind bereit, großen Beträge in führende Unternehmen zu investieren, weil sie glauben, dass dies zu echten technischen Durchbrüchen und zukünftigen Cashflows führen wird – und nicht zu einer Blase.

4. **Blase oder echte Investition?**

Viele befürchten, dass die AI-Branche eine Blase ist, aber diese Finanzierung zeigt ein rationaleres Bild.

• Warum es keine Blase ist?:
• Praktische Verwendung des Geldes: Das Geld fließt hauptsächlich in „harte Vermögenswerte“ und „harte Technologien“ wie Rechenleistung und Chips, nicht in Marketing oder ineffiziente Subventionen.

Ressourcen sichern: Führende Unternehmen nutzen die aktuellen günstigen Finanzierungsmöglichkeiten, um Rechenleistung, Energie und Talente zu sichern – als Vorbereitung auf mögliche Finanzierungskrisen in der Zukunft.

Neue Bewertungskriterien: Früher wurde darauf geachtet, wer die meisten Nutzer hat; heute wird geprüft, wer einen positiven Kreislauf von „hohen Investitionen → neuen Modellen → mehr Einnahmen → weiteren hohen Investitionen“ schaffen kann.

• Kapital prüft streng: Jeder investierte Euro wird darauf überprüft, wie viele effektive Modelliterationen und echte Einnahmen erzeugt.

5. **Die Weiterentwicklung von Zhipu**: Von einem reinen „Modellunternehmen“ zu einem „Rechenleistung+Modell-Komplex**

Schließlich zeigt sich, dass sich Zhipu selbst grundlegend verändert hat.

• Früher: Zhipu war ein reines „Modellunternehmen“ mit einer einfachen Geschäftslogik: Rechenleistung verbrauchen → Token erzeugen → Geld verdienen.
• Heute: Zhipu entwickelt sich zu einem „Komplex aus Rechenleistung, Ingenieurwesen und Modellen“:
• Rechenleistung: Durch den Bau eines eigenen Rechenzentrums kontrolliert Zhipu die Rechenleistungszufuhr.
• Ingenieurwesen: Durch die Optimierung von Software wird die Effizienz der Chips gesteigert.
• Modelle: Mithilfe der selbsttrainierbaren Technologie werden Modelle eingesetzt, um Daten zu erzeugen und zu überprüfen, was wiederum die Rechenleistungseffizienz verbessert.

Multiplikatoreffekt: Zhipus Wettbewerbsfähigkeit hängt nicht nur von der Stärke der Rechenleistung oder der Intelligenz der Modelle ab, sondern vom Produkt der Kombination aus Rechenleistungszufuhr, Ingenieurwesen und Trainingsmethoden.

Zukunftsperspektive: Zhipu wird nicht nur eigene Rechenleistung nutzen, sondern könnte in Zukunft auch Rechenleistungs-Dienste an Dritte anbieten. Diese Veränderung von einem reinen Modellunternehmen zu einem Akteur der AI-Infrastruktur macht es zu einem wichtigen Player auf diesem Markt.

💡 Schlussfolgerungen für Laien

1. Der Wettbewerb in der AI-Branche geht in eine „tiefere Phase“ über: Es geht nicht mehr darum, wer die meisten App-Downloads hat, sondern darum, wer über die solideste Technologie und die größte Unabhängigkeit in Bezug auf Rechenleistung verfügt.

2. Chancen für inländische Chips: Die großflächige Nutzung von inländischen Chips und die Verbesserung ihrer Leistung zeigen, dass inländische AI-Hardware von „brauchbar“ zu „benutzerfreundlich“ wird – die entsprechenden Industrien sind interessant zu beobachten.

3. Rationale Sicht auf Finanzierungen: Große Finanzierungen bedeuten nicht unbedingt eine Blase; entscheidend ist, ob das Geld in Bereiche fließt, die langfristigen Wert schaffen (z. B. Rechenleistung, Automatisierung). Wenn ein Unternehmen weiterhin Nutzer subventioniert, sollte man vorsichtig sein; wenn es Rechenzentren baut und an selbsttrainierbaren Technologien arbeitet, baut es die Grundlagen für die Zukunft auf.

Diese Analyse liefert Ihnen einen umfassenden Einblick in die aktuellen Entwicklungen in der AI-Branche.