Wer fürchtet chinesische Modelle?

• Das chinesische Open-Weights-Modell Kimi K3 ist zwar nahe an State-of-the-Art-Modellen herangerückt, doch die Wettbewerbsfähigkeit im AI-Geschäft entscheidet sich weniger an den Entwicklungskosten des Modells als an den Herstellungskosten des Umsatzes (COGS), um Intelligenz auf dem Niveau richtiger Antworten bereitzustellen
• Da sich die je Modell benötigte Token-Menge bis zur richtigen Antwort unterscheidet, sind Token selbst kein austauschbares Gut; tatsächlich zur Ware wird die mit Token erzeugte Intelligenz
• Die hohen Preise von Anthropic und OpenAI sind zu einem großen Teil auf einen Mangel an verfügbarem Compute zurückzuführen; auch wenn chinesische Modelle pro Token günstiger sind, kann ihr Kostenvorteil verschwinden, wenn sie mehr Inferenz-Token verbrauchen
• China versucht, AI mit Open-Weights-Modellen zu kommerzialisieren und damit seine heimische Robotik- und physische Industrie zu stärken; durch Destillation (distillation) hat es zudem einen strukturellen Vorteil, weil es amerikanische State-of-the-Art-Modelle als kostengünstige Lehrer nutzen kann
• Wenn die USA die Beschränkungen für State-of-the-Art-Modelle im Bereich Cybersecurity nicht lockern und Destillation für heimische Open-Weights-Entwickler nicht erlauben, werden US-Unternehmen zur Verteidigung von chinesischen Modellen abhängig

---

Eine veränderte Kostenstruktur von AI im Unterschied zu Software

• Bei Software lagen Grenzkosten und Transaktionskosten faktisch nahe null, was Unternehmen mit beherrschter Nachfrage Zentralisierung und Skalenvorteile verschaffte; bei AI bestimmen die Grenzkosten jedoch wieder die Industriestruktur
• Open-Weights-Modelle sparen die Forschungs- und Entwicklungskosten für die Erstellung der Gewichte, machen aber nicht auch die Servicekosten kostenlos
  • Forschungs- und Entwicklungskosten sind Fixkosten, die nicht vom Umsatz abhängen
  • Inferenzkosten sind Herstellungskosten des Umsatzes, die mit Nutzung und Umsatz steigen
• Wenn die Kosten der Token-Erzeugung 0,50 Dollar pro 1 Dollar Umsatz betragen, fallen bei 100 Millionen Dollar Umsatz 50 Millionen Dollar Herstellungskosten des Umsatzes an, bei 100.000 Dollar Umsatz 50.000 Dollar
• Kimi K3 kostet 3 Dollar pro 1 Million Input-Token und 15 Dollar pro 1 Million Output-Token, Sol jeweils 5 Dollar und 30 Dollar
• Allein anhand des Token-Preises lässt sich jedoch nur schwer vollständig erfassen, was die Bereitstellung tatsächlicher Intelligenz kostet

Nicht Token, sondern Intelligenz wird zur Ware

• Wenn Nvidia GPUs als modellunabhängige „Token-Fabriken“ definiert, werden Token pro Sekunde, Time-to-first-token, Token pro Watt und Token-Kosten zu zentralen Kennzahlen
• Im ChatGPT-Zeitalter, in dem Token direkt an Nutzer ausgeliefert wurden, passte diese Messweise gut; im Zeitalter der Inferenz explodieren jedoch Chain-of-Thought-Token, und auch die Zahl der für die richtige Antwort nötigen Token variiert je Modell
  • Kimi soll deutlich mehr Token verbrauchen als Sol, wodurch der Vorteil des Listenpreises verschwinden kann
  • Auch in Agent-Workflows unterscheidet sich die Zahl der pro Modell für den Abschluss einer Aufgabe nötigen Token
• Token sind nicht gegenseitig austauschbar und unterscheiden sich daher von Rohstoffen wie Öl, Kupfer oder Weizen
• Wenn mehrere Modelle dieselbe richtige Antwort erzeugen können, ist nicht der Token die Ware, sondern Intelligenz auf dem Niveau richtiger Antworten; die bis zur richtigen Antwort verbrauchte Token-Zahl erzeugt den Unterschied bei den Herstellungskosten des Umsatzes
• Die Herstellungskosten von Intelligenz werden durch fünf Faktoren bestimmt
  • Modellgröße: Gewichte und Laufzeitzustand bestimmen die Zahl teurer Speicher- und Beschleunigerressourcen, die für Serving-Replikate nötig sind
  • Inferenz-Effizienz: Architekturen wie Mixture-of-Experts senken den Rechenaufwand pro erzeugtem Token
  • Speichereffizienz: Sinkende Anforderungen an den KV-Cache erhöhen gleichzeitige Anfragen und GPU-Auslastung
  • Serving-Effizienz: Batching, Scheduling und Prefix-Caching teilen Arbeit zwischen Anfragen und steigern die Auslastung
  • Token-Effizienz: Je weniger Token für die richtige Antwort nötig sind, desto niedriger die Inferenzkosten
• Eine einfache CRUD-App lässt sich bereits mit Modellen vieler Anbieter bauen; bei solchen Aufgaben entscheidet eher eine überlegene Kostenstruktur als ein hoher Preis über die Profitabilität

Preise und Ertragsstruktur in Rohstoffmärkten

• In Rohstoffmärkten verkaufen alle Anbieter dasselbe, daher wird der Preis durch Angebot und Nachfrage bestimmt
  • Sinkt der Preis, steigt die Nachfrage durch Preiselastizität
  • Das Angebotsvolumen hängt von den Grenzkosten der Produktion des Rohstoffs ab
• Da die Grenzkosten je Anbieter unterschiedlich sind, bestimmt der teuerste Grenzanbieter den Marktpreis; der Gewinn der übrigen Anbieter hängt davon ab, wie viel günstiger sie produzieren können
• Wenn die Anbieter A, B und C jeweils 10 Einheiten zu 10, 15 und 20 Dollar pro Einheit produzieren und die Nachfrage bei 20 Dollar 25 Einheiten beträgt, ergibt sich Folgendes
  • A verkauft 10 Einheiten und verdient 10 Dollar pro Einheit
  • B verkauft 10 Einheiten und behält 5 Dollar pro Einheit
  • C verkauft 5 Einheiten, erzielt aber keinen Gewinn pro Einheit
• In der Realität können A und B den Preis etwas unter den von C setzen, und Preisänderungen beeinflussen auch die Nachfrage; die Struktur, in der der teuerste Anbieter das Insolvenzrisiko trägt, bleibt jedoch gleich
• Im marktbereinigenden Preis lassen sich Fixkosten wie Forschungs- und Entwicklungskosten oder Schulden für die Beschaffung von Anlagen nicht abbilden, doch diese Kosten können Anbieter mit geringer Profitabilität aus dem Markt drängen
• Wenn Anbieter ausscheiden, steigen die Preise, bis andere Anbieter eintreten oder bestehende Anbieter ihre Kapazitäten ausbauen

Die aktuelle Position chinesischer Modelle im Intelligenzmarkt

• Der aktuelle Markt für State-of-the-Art-Modelle erfüllt die Bedingungen eines vollständigen Rohstoffmarkts nicht, weil die Nachfrage das Angebot übersteigt
• Nvidia liefert Compute mit hohen Margen, Kunden wie SpaceXAI verkaufen diesen wiederum mit hohen Margen an Anthropic weiter, und Anthropic kann Token zu noch höheren Preisen bepreisen
• Anthropic und OpenAI gehören aufgrund von Modellleistung, Serving-Skalierung und Token-Effizienz wahrscheinlich zu den Unternehmen mit den niedrigsten Stückkosten für Intelligenz in State-of-the-Art-Qualität
  • Sie liefern ein bestimmtes Leistungsniveau Monate früher als Wettbewerber
  • Sie nutzen die besten Modelle wiederum zur Kostenoptimierung
• Die Marktnachfrage richtet sich noch nicht auf abstrakte Intelligenz, sondern direkt auf Anthropic und OpenAI; relativ schwächere Anbieter wie SpaceXAI und Meta verkaufen Kapazität an Anthropic
• Definiert man Arbeit über das erforderliche Intelligenzniveau, kann ein Rohstoffmarkt entstehen, in dem Käufer den Anbieter wechseln können
• Langfristig rutschen State-of-the-Art-Modelle nach einigen Monaten in einen Nicht-State-of-the-Art-Markt, und in dieser Zeit können Entwickler ihre Serving-Kosten optimieren, sodass führende Unternehmen auch in unteren Marktsegmenten im Vorteil sind
• Die niedrigen Listenpreise chinesischer Modelle könnten lediglich das Ergebnis eines Vergleichs mit den wegen Angebotsknappheit hoch angesetzten Preisen von Anthropic und OpenAI sein
• Es gibt nur wenig Belege dafür, dass Kimi gemessen an den Grenzkosten wirklich günstiger ist; berücksichtigt man zusätzlich die Token-Effizienz, könnte die wirtschaftliche Reaktion auf chinesische Modelle überzogen sein

Warum State-of-the-Art-Labore chinesische Modelle als Bedrohung sehen

• State-of-the-Art-Labore sind an eine Finanzstruktur gebunden, die aus einer Zeit stammt, in der Training mehr GPUs verbrauchte als Inferenz
  • Um das nächste Training zu finanzieren, mussten sie den Inferenz-Umsatz maximieren, wofür hohe Inferenzpreise nötig waren
  • Selbst wenn die Trainingskosten künftig weiter stark steigen, dürfte der Inferenzmarkt noch schneller wachsen
  • Das Agent-Paradigma hat große Nachfrage eröffnet, sodass bei ausreichendem Compute Wachstum mit niedrigen Preisen und hohem Volumen möglich ist
• Intelligenz ist keine perfekte Ware; Daten, die im realen Einsatz gesammelt werden, machen das nächste Modell intelligenter
  • Mit wachsendem Compute-Angebot entsteht ein Anreiz, Preise zu senken und Nutzung sowie Daten zu erhöhen
  • Auch Microsofts Strategie, die Ausführung eigener Modelle in Unternehmen zu unterstützen, wird umso realisierbarer, je stärker chinesische Modelle als Alternative funktionieren
• State-of-the-Art-Labore können sich über das Kundenerlebnis differenzieren und sich so gegen chinesische Modelle und andere Labore absetzen
  • Claude Code und Codex zeigen eine starke Persistenz, bei der Nutzer beim zuerst gewählten Harness bleiben
  • Diese Persistenz kann bei nichttechnischen Nutzern noch stärker ausfallen
  • Der Vorstoß der Labore in höhere Ebenen der Wertschöpfung wird zu einer Bedrohung für Software-Anbieter einschließlich Microsoft
  • Software-Unternehmen, die das Kundenerlebnis bereits kontrollieren, können das Eindringen der Labore umso leichter abwehren, je besseren Zugang sie zu wettbewerbsfähigen Modellen haben
• Anthropic vertritt die Haltung, dass nur es selbst mächtige AI vertrauenswürdig betreuen könne; Open-Weights-Alternativen untergraben diese Annahme

Chinas Open-Weights-Strategie

• Alibabas Qwen3.8 Max verfügt über 2,4 Billionen Parameter, und das Unternehmen bewertet es als Modell der zweiten Stufe hinter Anthropics Fable 5
  • Moonshot AIs Kimi K3 verfügt über 2,8 Billionen Parameter
  • Qwen3.8 Max ist auf Alibabas Coding-Plattformen einschließlich Qoder verfügbar
  • Alibaba plant, die Gewichte nach der Vorschau zu veröffentlichen
  • Wegen des Ansturms auf chinesische Modelle hat Moonshot die Annahme neuer Abonnements vorübergehend ausgesetzt
• Alibaba hatte die Veröffentlichung der Gewichte seines State-of-the-Art-Modells zuvor gestoppt, kehrt nun aber wieder zu Open Weights zurück
• Xi Jinpings AI-Rede betont Open Source, Offenheit, Zusammenarbeit und Teilen und hebt hervor, dass AI sich von der digitalen in die physische Welt bewegt
  • AI soll für die Transformation traditioneller Industrien, das Wachstum neuer Industrien und die Planung künftiger Industrien genutzt werden, damit alle Branchen und Unternehmen davon profitieren
• Chinas Strategie besteht darin, AI zu einer Ware zu machen, die die heimische Industrie ergänzt
  • Chinas starke physische Welt und Robotik können von breit verfügbaren AI-Modellen profitieren
  • So lässt sich verhindern, dass die USA einen asymmetrischen Vorteil bei AI erlangen, und die Macht amerikanischer State-of-the-Art-Labore schwächen
  • Auch Innovationen aus einem offenen Ökosystem lassen sich übernehmen

Der strukturelle Abstand durch Destillation

• Es ist unwahrscheinlich, dass China Destillationsangriffe gegen State-of-the-Art-Labore verhindert
• Es ist ebenso falsch, den gesamten Erfolg chinesischer Labore auf Destillation zurückzuführen, wie die großen Vorteile der Destillation zu bestreiten
• Im vergangenen Jahr ist Verstärkungslernen im Post-Training wichtiger für die Modellleistung geworden, wodurch die Wirkung der Destillation zunimmt
  • Chinesische Labore müssen Verstärkungslern-Umgebungen nicht von Grund auf aufbauen, sondern können State-of-the-Art-Modelle als Lehrer nutzen
  • Dadurch verbessern sie sich sehr viel schneller und zu deutlich geringeren Kosten
  • Destillation ist nicht der einzige Faktor, der die niedrigen Entwicklungskosten chinesischer Modelle erklärt, aber ein wichtiger
• Auch im Westen werden chinesische Modelle selbst für Destillation genutzt
  • Thinking Machines, das Open-Weights-Modelle veröffentlicht hat, ist zur Lösung des Cold-Start-Problems im Verstärkungslernen auf chinesische Modelle angewiesen
• Laut der Analyse von Dean Meyer und Konstantine Buhler verfügen chinesische Labore über hervorragende Forscher, großen Compute, starke Pretraining-Modelle, Software-Hardware-Co-Design und verbesserte Post-Training-Fähigkeiten
  • Destillation komprimiert die teure letzte Lücke zwischen starken Basismodellen und Systemen nahe dem State of the Art
  • Durchsetzung kann groß angelegte Destillation schwieriger und teurer machen, aber nicht einmal von Staaten unterstützte Destillation vollständig beseitigen
  • Jedes Mal, wenn westliche State-of-the-Art-Modelle Fortschritte machen, erhalten chinesische Labore neue Lehrer
• Amerikanische Open-Weights-Entwickler müssen die Nutzungsbedingungen der State-of-the-Art-Labore befolgen und sind dadurch gegenüber chinesischen Modellen im Nachteil; am Ende destillieren sie über chinesische Modelle hinweg erneut destillierte Ergebnisse
• Auch große Sprachmodelle selbst sind das Ergebnis davon, Wissen aus dem offenen Internet zu sammeln und in Modellen zu komprimieren; deshalb entsteht ein Widerspruch, wenn nur die Destillation von API-Antworten anderer Modelle als unzulässig definiert wird
• Die USA brauchen zwei rechtliche Maßnahmen
  • Es muss klargestellt werden, dass das Sammeln von Daten für das Modelltraining Fair Use ist
  • Zumindest für US-Unternehmen sollten Nutzungsbedingungen, die Destillation verbieten, nicht zulässig sein
• Statt Destillation zu blockieren, die sich kaum von API-Abfragen unterscheiden lässt, sollte das Lernen der Labore rechtlich geschützt werden, damit die Ergebnisse für nachfolgende Innovation genutzt werden können

Der Bereich mit realem Gefährdungspotenzial ist Cybersecurity

• Die Produktionsinfrastruktur von Hugging Face wurde durch ein autonomes AI-Agenten-System kompromittiert, und die Guardrails amerikanischer State-of-the-Art-Modelle konnten nicht zwischen Incident-Respondern und Angreifern unterscheiden, wodurch die Reaktion blockiert wurde
• Das Verteidigungsteam führte das Open-Source-Modell GLM 5.2 von Z.ai auf eigener Infrastruktur aus und analysierte damit mehr als 17.000 Logs und Spuren, die die Angreifer hinterlassen hatten
• Hugging Face empfiehlt, schon vor einem Vorfall leistungsfähige Modelle zu validieren, die auf der eigenen Infrastruktur laufen können
  • So lässt sich eine durch Guardrails verursachte Zugriffssperre vermeiden
  • Außerdem wird verhindert, dass Angriffsdaten und Zugangsdaten in externe Umgebungen abfließen
• In einer Situation, in der Modelle mit Angriffs­fähigkeiten bereits breit verfügbar sind, müssen auch Verteidiger Zugang zu Modellen mit Spitzenleistung haben
• Wegen Vorgaben der Trump-Regierung können Verteidiger Fable oder Sol für Cybersecurity faktisch nicht nutzen; dadurch werden chinesische Modelle zur besten Alternative
• Die USA sollten zwei politische Maßnahmen umsetzen
  • Die Cybersecurity-Beschränkungen für Fable und Sol müssen gelockert werden
  • Es muss sichergestellt werden, dass amerikanische Open-Weights-Modellentwickler zu gleichen Bedingungen wie China konkurrieren können
• Wenn man zulässt, dass State-of-the-Art-Labore die Standards für Sicherheit und Security monopolisieren oder den nachfolgenden Zugang zu kollektivem Wissen blockieren, wird die Verteidigung amerikanischer Unternehmen von chinesischen Modellen abhängig
• Amerikanische Labore sollten nicht durch Beschränkungen konkurrieren, sondern mit besseren Modellen und einer besseren Kostenstruktur, und sie dürfen China nicht die Führungsrolle bei Offenheit und Innovation überlassen

[kaydash]

Entschuldigung, Erde.

[GN⁺]

Hacker-News-Kommentare

• Diejenigen, die chinesische Modelle am meisten fürchten, sind Venture-Capital-Investoren, die in die astronomischen Bewertungen von Anthropic und OpenAI investiert haben. Anthropic zielt auf 1,2 Billionen Dollar, OpenAI auf 850 Milliarden Dollar, und diese Bewertungen beruhen auf der Annahme, dass sich mit teuren APIs enorme Gewinne erzielen lassen
  Chinesische Forschungslabore untergraben diese Strategie, indem sie hervorragende offene Modelle kostenlos veröffentlichen. Wenn selbst führende Labs in einen Wettbewerb um sinkende Token-Preise einsteigen, lassen sich die bisherigen Bewertungen nur schwer rechtfertigen, und Investoren werden massive Buchverluste sehen

  • Auch dieser Beitrag behandelt diese Fragen in weiten Teilen gut. Die Profitabilität auf einem Markt für Commodities wird durch die Grenzkosten bestimmt, und anders als bei traditioneller Software entstehen bei LLM-Inferenz Grenzkosten
    Das Modell selbst ist nur beim Download kostenlos, der Betrieb jedoch nicht, daher ähnelt die Ökonomie eher der Fertigungsindustrie als Software. Bei echter Arbeit mit GLM 5.2 war es teurer als GPT 5.6, und US-Labs liegen bei den Inferenzkosten pro Aufgabe vorne
    Wenn durch Agentenarbeit der Inferenzanteil steigt, sinkt der Anteil der Trainingskosten. Da Token-Effizienz schwer zu destillieren ist, wirken chinesische LLMs ineffizient. Für hohe Inferenznachfrage optimierte Modelle können niedrige Kosten pro Aufgabe erreichen, und OpenAI liegt dank effizienter Tokenisierung und kürzerer Antworten bei weniger als der Hälfte der Kosten pro Aufgabe von Anthropic und ist bei Aufgaben an der Frontier günstiger und besser als chinesische Modelle
  • Dann sollte man wohl besser keine OpenAI-Aktien auf dem privaten Markt kaufen
  • Dass Modelle am Ende zu Commodities werden, dürfte allen klar sein. Im allgemeinen Verbrauchermarkt werden Nutzerbasen, die Werbung und Upselling ermöglichen, sowie proprietäre Zusatzschichten das Geld verdienen
    Auch Unternehmen werden nicht viel Geld für Tokens ausgeben. Wenn Labs die Trainingskosten nicht mehr quersubventionieren müssen, dürften die Token-Kosten auf ein Zehntel fallen, und sobald Modelle direkt in Chips gegossen werden, nochmals auf ein Zehntel, sodass es ohne Absicht kaum noch möglich sein könnte, überhaupt nennenswert viele Tokens zu verbrauchen
  • Chinesische Labs haben bewiesen, dass das Modell selbst kein Burggraben sein kann, und auch Sicherheitsbedenken waren nur ein Versuch regulatorischer Vereinnahmung. Darin liegt auch der Grund, warum OpenAI und Anthropic es eilig haben, einen Exit zu finden, bevor ihre Bewertungen infrage gestellt werden
  • Umgekehrt wollen Venture-Capital-Investoren in SaaS-Unternehmen, dass Tokens zu einer günstigen Commodity werden und sich der Wert in der SaaS- und App-Schicht sammelt

• Entgegen der Behauptung, Claude Code und Codex würden stark kleben, habe ich im Winter und Frühling fast ausschließlich Claude Code genutzt und bin zu Beginn des Sommers problemlos auf Codex gewechselt. Davor nutzte ich Cursor, und der Wechsel war genauso. Kurzzeitig habe ich auch Conductor verwendet, aber im Grunde schien es nur eine Laufzeitumgebung für Claude/Codex bereitzustellen

  • Für die private Nutzung mag das stimmen, aber in Unternehmen sind Wechselkosten bei Kaufentscheidungen sehr hoch. Für Beschaffung und Freigabe sind viele Prozesse nötig, daher bleibt ein einmal etabliertes Produkt lange im Einsatz
    Ein paar Jahre später überzeugt dann ein Vertriebler Führungskräfte mit Kostensenkungen, und dann wird wieder gewechselt — nicht wegen des besseren Produkts, sondern wegen des Preises. In der Firma meiner Frau wird ebenfalls alle 1 bis 2 Jahre auf die Produktpalette eines anderen Anbieters umgestellt, gerade wenn sich alle an das neue Tool gewöhnt haben
  • Ich bin von der ChatGPT-Website zur Anthropic-Website, zu Cursor, Windsurf!, Claude, opencode, ohmypi, Codex und wieder zurück zu Cursor gewechselt. Die Kombination aus grok 4.5 fast und der Nutzbarkeit von Cursor ist hervorragend, und die Kosten für den Wechsel von Modell und Laufzeitumgebung lagen faktisch bei 0
  • Form und Funktion konvergieren inzwischen so stark, dass ich gelegentlich eines öffne und es für ein anderes Produkt halte
  • Um einen KI-Workflow für Nicht-Entwickler einzurichten, muss man MCP-Connectoren und bestimmte Funktionen installieren, Eigenheiten von Modell und Laufzeitumgebung umgehen und sogar Sicherheitsgrenzen konfigurieren. Das ist ziemlich viel Arbeit, daher wollen die meisten die Konfiguration nicht mehr ändern, sobald alles ordentlich funktioniert
  • Leute, die beide nutzen können, wechseln unabhängig davon, ob sie technisch sind oder nicht, oft zwischen beiden hin und her. Die Leistungsunterschiede sind klein, und je nach Situation erledigt die eine Seite die gewünschte Aufgabe besser

• Ich betreibe eine große B2B-Analyseseite, die Backend-Daten von Kunden entgegennimmt, und beobachte große Mengen an Traffic aus Nordwestchina, ausgehend von Shenzhen Tencent Computer Systems Company Limited. Auch fünf oder sechs andere chinesische Unternehmen klopfen fortlaufend bei Kunden-Websites an
  Auf Satellitenbildern ist der Bau großer Rechenzentren zu erkennen, die günstige Solarenergie nutzen. Seit einigen Monaten wird die Geolokalisierung dieser IPs als Shanghai oder Shenzhen angezeigt, aber nach Latenzmessungen scheinen sie weiterhin in Xinjiang zu laufen
  Referenzmaterial ist „You Can't Cheat Time: Finding foes and yourself with latency trilateration“ https://youtu.be/_iAffzWxexA, bereitgestellt vom HN-Nutzer lopoc. Shenzhen und Xinjiang sind schwer auseinanderzuhalten, aber zwischen Shanghai und Xinjiang zeigt sich ein Unterschied
  Wer annimmt, China betreibe nur Destillation, unterschätzt die Lage massiv. Wie ByteDance und Xiaomi zeigen, ist China längst nicht mehr bloß ein Nachzügler, der Kopien mit geringer Wertschöpfung produziert
  Chinesische Unternehmen bezahlen wie US-Unternehmen Menschen und crawlen das Web, um Daten zu beschaffen. Soweit ich es verstehe, fördert die Regierung, dass einige große Unternehmen das Web schnell einsammeln, Korpora aufbauen und sie anschließend strategischen Unternehmen in China bereitstellen
  Es gibt auch Aggregatoren, die App-, Website- und Servicedaten kaufen, und über Systeme wie OpenRouter oder Cursor kann man Ausführungsspuren aus Gesprächen mit Coding-Agenten zum Training nutzen. Dadurch muss ein kleines Unternehmen wie DeepSeek nicht selbst Daten von Hunderten Websites und Coding-Agenten beschaffen, was die Kosten stark senkt
  Es gibt auch Unternehmen, die US-LLM-APIs einkaufen und an chinesische Firmen weiterleiten. Selbst wenn mehr als 10.000 Unternehmen US-AI-Produkte nutzen, besteht die Möglichkeit, dass China Nutzungsweisen und Ausführungsspuren protokolliert und zum Training verwendet

• Die zentrale Annahme, dass „Anthropic und OpenAI bei Frontier-Intelligenz vermutlich die niedrigsten Kosten pro Einheit haben“, ist nicht ausreichend belegt. Es gibt keine Benchmarks, die unter gleichen Bedingungen die für eine einzelne Antwort benötigten Tokens vergleichen, nur die vage Andeutung, dass US-Modelle tokeneffizienter seien.
  Auch die durchschnittlichen Strompreise in China und den USA wurden nicht verglichen, wobei China hier im Vorteil zu sein scheint. Ich stimme zu, dass Coding-Benchmarks die Cost of Goods Sold oft ignorieren, aber die Schlussfolgerung „Frontier-Labs werden schon klarkommen“ beruht auf einer großen Annahme.

  • Wenn chinesische Modelle in US-Rechenzentren laufen, ist fraglich, welchen Unterschied chinesische Strompreise überhaupt machen. Die Bedrohung durch Kimi besteht nicht darin, dass es die neueste Claude-Version übertrifft, sondern darin, dass ein Modell auf dem Niveau älterer Claude-Versionen auf eigener Hardware laufen kann und Claude damit überflüssig wird.

• Wenn es erlaubt ist, öffentliches Wissen aus dem Internet abzugreifen und daraus ein LLM zu bauen, dann ist es nur folgerichtig, auch die Destillation dieses Modells zu erlauben. Wer vorschlägt, Datensammlung fürs Training ausdrücklich als Fair Use zu behandeln, aber per Nutzungsbedingungen Destillation zu verbieten, ist damit fast schon selbst schuld.

  • Wenn LLMs urheberrechtlich geschützte Daten zum Training nutzen dürfen, dann sollte es fairerweise auch erlaubt sein, die nicht urheberrechtlich schützbaren Ausgaben anderer LLMs zum Training zu verwenden. Allerdings ist schwer zu begründen, dass Nutzungsbedingungen Destillation nicht verbieten dürfen, und es ist fraglich, ob man OpenAI auch noch die Freiheit nehmen sollte, die Art von Kunden auszuwählen, die man will.
  • Ein Verbot von Destillation ist ähnlich, als würde man verbieten, mit einem Compiler einen besseren und effizienteren neuen Compiler zu bauen.
  • Andernfalls wäre das nur wieder eine „Regel, die nur für andere gilt“, wie Frontier-Labs sie gerne anwenden.
  • Aus Rohdaten ein LLM zu machen, schafft zusätzlichen Wert, während Destillation nur Wert extrahiert. Die Grenze ist unscharf und die Antwort nicht eindeutig, aber man sollte diesen Unterschied zunächst anerkennen.
    Man kann das Internet als öffentliches Gut betrachten und Labs dafür besteuern, aber das ist eine andere Frage als Destillation.

• Aus eigener Erfahrung mit direkt gebauten Agent-Execution-Umgebungen stammt die Leistung von AI fast vollständig aus dem Modell selbst; die Ausführungsumgebung war kaum wichtig. Selbst mit einer Minimal-Konfiguration wie mini-swe-agent für Benchmarks erledigt das Modell Aufgaben gut.
  Deshalb bin ich skeptisch gegenüber der Behauptung, die Ausführungsumgebung sei ein Burggraben, zumal Claude Code schon lange extrem viele Bugs hatte.

  • Hier scheint mit Ausführungsumgebung nicht nur Code gemeint zu sein, sondern die gesamte Endnutzer-Produktexperience. Die Mac-App ist besser, und weil ich mich an die Art der automatisierten Ausführung gewöhnt habe, nutze ich weiter Codex; je mehr Workflows man für Designtools oder Zusammenarbeit aufbaut, desto stärker wird der Lock-in.
    Der zugehörige Artikel ist https://stratechery.com/2026/anthropics-safety-superpower/. Wer den Nutzerkontakt besitzt und zur Canvas für alle Aufgaben wird, erzeugt starken Lock-in; deshalb werden Frontier-Labs, die nicht bloß ein allgemeiner Inputfaktor für Software sein wollen, und bestehende Softwarefirmen am Ende zwangsläufig aneinandergeraten.
  • Man hängt vor allem daran fest, weil Modellanbieter subventionierte Tarife nur in ihrer eigenen Ausführungsumgebung erlauben. Natürlich kann man auch Modell und Ausführungsumgebung gemeinsam wechseln.
  • Die Ausführungsumgebung wird letztlich ebenfalls zur Commodity, aber derzeit sind Qualitätsunterschiede sehr wichtig, besonders bei nicht terminalbasierten Produkten.

• „Chinesisch“ wird oft mit „nicht vertrauenswürdig“ gleichgesetzt, aber die wichtigere Unterscheidung ist offen vs. geschlossen. Offene Modelle kann man auditieren und feinabstimmen und sogar vollständig auf eigener Hardware ausführen; bei geschlossenen Modellen heißt es praktisch nur: „Vertraut uns“.

  • Open-Weight-Modelle sind leichter zu auditieren als geschlossene, aber es bleibt weiterhin möglich, praktisch nicht erkennbare Backdoors zu verstecken.

• Ausgehend von den USA sollte die ganze Welt Chinas Frontier-Labs genau beobachten. Man kann nicht davon ausgehen, dass China immer nur ein paar Monate hinterherhinkt; es könnte gleichauf sein oder vorne liegen.
  Die Lehren aus Stahl, Solar und Elektroautos müssen von politischen Entscheidungsträgern verstanden werden. Die Art, wie die chinesische Regierung ein System aufbaut, das ganze Industrien kontrollieren kann, sollte man respektieren und untersuchen; demokratische Staaten könnten beim AI-Einsatz strukturell gar nicht anders können, als langsamer zu sein, wenn sich das System nicht ändert.
  Demokratische Regierungen in den USA, Europa und Indien sollten eine langfristige AI-Strategie aufstellen, die unabhängig von Regierungswechseln umgesetzt wird, und ihre heimischen Labs konsequent schützen. Das ist allerdings nur möglich, wenn der Preis für Intelligenz pro produktiver Aufgabe in heimischen Labs ähnlich ist wie bei Open-Weight-Modellen, und das ist derzeit nicht der Fall.
  Schutz bedeutet keine Rettungspakete, sondern günstige Energie und schnelle Genehmigungen für Rechenzentren. Außerdem braucht es minimale Sicherheitsvorkehrungen, damit Kunden Open-Weight-Modelle nur dann nutzen, wenn heimische Unternehmen sie im Inland hosten; sonst könnte man schleichend an Wettbewerbsfähigkeit verlieren.

• Selbst @deanwball von OpenAI scheint die Logik der Destillation nicht zu akzeptieren: https://xcancel.com/deanwball/status/2078133895766114412#m

  • Die Sichtweise, dass „offene Modelle ihrem Wesen nach entschleunigend“ seien, ist schwer nachzuvollziehen. Seine Logik lautet, dass niedrigere Kosten die Entwicklungsinvestitionen von OpenAI senken und dadurch das Tempo des AI-Fortschritts verlangsamen würden; das wirkt wie überzogener Exzeptionalismus, als ob nur OpenAI den Fortschritt vorantreibe.
  • Die Vorhersage, aus einem chinesischen Lab werde eine „AI-Corona“ entkommen, ist lächerlich.
  • Er behauptet, Open-Weight-Modelle würden „AI-Kommunismus“ und eine „dystopische Hölle“ schaffen, und schlägt direkt im nächsten Atemzug vor, eine US-Bundesbehörde zu schaffen, die den Einsatz chinesischer offener Modelle eindämmt. Die an Motiven ausgerichtete Argumentation ist überzogen.
  • Mehrere Formulierungen in dem Text müssten in eine Sprache übersetzt werden, die normale Menschen verstehen. Es bleibt unklar, welches Risiko darin liegen soll, China die Veröffentlichung so guter Modelle zu erlauben, und was genau gemeint ist mit der Aussage, die KP Chinas sei gegenüber der Möglichkeit von AGI ahnungslos und vertrete eine ähnliche Sicht wie Yann LeCun.
    Ebenso schwer verständlich ist, warum Open Weights dem Wesen nach Fortschritt bremsen sollen und warum eine Welt mit Schwerpunkt auf offenen Modellen zwangsläufig in vollständigen AI-Kommunismus und eine Dystopie münden soll, in der der Staat AI als digitale öffentliche Infrastruktur bereitstellt.

• Falls Anthropic über Modelle wie Mythos verfügt, ist es sehr wahrscheinlich, dass Rivalen wie Russland und China bereits etwas Ähnliches oder Besseres entwickelt haben oder zumindest nicht weit zurückliegen.