Der Superhurrikan von Physik-AI lässt die "falschen" Daten einen echten Überholmanöver durchführen.

Im Jahr 2026 sorgte die Überflutung der sozialen Medien mit künstlich-intelligent erstellten Inhalten dafür, dass es zur Norm wurde, "sich selbst das zu erstellen, was man sehen möchte". Vom Sprechen statischer Objekte auf Fotos bis hin zur Generierung von Neujahrsgrüßungsfilmen durch die Eingabe einiger Stichworte, von der Inhalts- und Bildschaffung bis hin zur Gestaltung von Charakteren – die KI hat auf dem Verbrauchermarkt eine erstaunliche unterhaltende Kraft entfaltet.

Während die Aufmerksamkeit der Masse noch auf diesen bizarren "digitalen Spielzeugen" verweilt, hat Huang Renxun vor kurzem erklärt, dass die physikalische KI die nächste Welle in der Künstlichen Intelligenz sein wird. Dies bedeutet, dass die Trainingsdaten, die die KI in Zukunft benötigt, streng den physikalischen Gesetzen folgen und der realen Welt so nahe wie möglich kommen müssen.

Von Robotern, die Kleidung falten, bis hin zu autonom fahrenden Fahrzeugen, Fluggeräten für die Tieflufteconomie und Operationsrobotern – alle Branchen im realen Bereich mit einem Marktvolumen von Billionen benötigen die Beschleunigung durch physikalische KI. Und künstlich generierte Daten sind das letzte Puzzlestück, um die physikalische KI in alle Branchen zu integrieren. Die Logik von "Virtualität ist Realität" ist dabei, die gesamte Kette von KI-Training, -Herstellung, -Risikomanagement und -Forschung und Entwicklung neu zu gestalten.

Dies ist kein rein akademischer Begriff, der nur in Laboren diskutiert wird, sondern ein Supersturm, der bereits losgebrochen ist und eine neue industrielle Revolution auslösen könnte.

01

Generierte Daten werden zur "unendlichen Treibstoffquelle" für die KI

Um den Milliardenwert generierter Daten zu verstehen, muss man zunächst die "Nahrungskrise" der KI-Branche verstehen. Für viele vertikale Branchen ist die Erhebung echter Daten eine äußerst schwierige Aufgabe.

Das Wachstum der Technologie für autonomes Fahren in der Automobilbranche ist mit umfassenden Herausforderungen verbunden. Im Wesentlichen handelt es sich um die Verbesserung der Fähigkeit des KI-Systems, die reale Welt zu erkennen. In der Vergangenheit mussten Automobilhersteller zur Iteration riesige Testflotten zusammenschieben, um tagtäglich auf der ganzen Welt Straßeninformationen zu sammeln.

Dabei sind die "langschwänzigen Szenarien", die zwar mit einer sehr geringen Wahrscheinlichkeit auftreten, aber sehr schwerwiegende Folgen haben, entscheidend für die Sicherheitsgrenze des autonomen Fahrens. Beispiele hierfür sind Kettenrückstöße vorausfahrender Fahrzeuge, Rutschgefahr aufgrund von Wetterbedingungen oder plötzlich auftauchende Fußgänger, die gegen die Regeln über die Straße laufen. Um die Reaktionsfähigkeit des autonomen Fahrens in extremen Szenarien zu testen, müssen Automobilhersteller unvorstellbare Kosten aufwenden, um gefährliche und seltene Straßenbedingungen zu reproduzieren.

Nehmen wir als Beispiel den Notbremsentest für autonomes Fahren. Um reale Daten in Situationen wie "regnerische Nacht + Wasserpfützen mit Reflexion + Gegenlicht von entgegenkommenden Fahrzeugen + Fußgänger in schwarzer Kleidung, der die Straße überquert" zu erfassen, müssen Automobilhersteller nicht nur enorme Summen in geschlossenen Testgeländen ausgeben, sondern können auch nur einige Dutzend effektive Datensätze pro Tag sammeln. Die Test- und Verschleißkosten sind extrem hoch.

Auf der Weltkonferenz für vernetzte Fahrzeuge 2025 hat Lei Jun erklärt, dass Xiaomi bei der ersten Phase der Entwicklung der kombinierten Assistenzsysteme für autonomes Fahren insgesamt 5,79 Milliarden Yuan investiert hat. Das Team für autonomes Fahren umfasst mehr als 1.800 Mitarbeiter. Dies zeigt, dass die Wirtschaftlichkeit und Effizienz ihre Grenzen erreicht haben.

In der medizinischen Branche, die in hohem Maße sensibel und abgeschlossen ist, liegt das Problem darin, dass die Internet-Datenwerkzeuge nicht funktionieren.

Früher benötigte die Entwicklung einer hochpräzisen KI zur Krebsdiagnose eine riesige und hochwertige Sammlung von elektronischen Patientenakten und multimodalen Bildern. Allerdings besteht die Gefahr, dass die Privatsphäre der Patienten verletzt wird, wenn ihre Informationen an ein großes KI-Modell weitergegeben werden. Das US-amerikanische medizinische KI-Unternehmen Confidant Health hat beispielsweise einmal aufgrund einer fehlerhaften Serverkonfiguration 5,3 TB an privaten Informationen und Behandlungsaufzeichnungen von Patienten mit psychischen Erkrankungen preisgegeben.

Angesichts der erheblichen Risiken wie der Verletzung der Patientenprivatsphäre haben Krankenhäuser die Kontrolle über die Daten allmählich verschärft.

Das weltweite medizinische System generiert jedes Jahr eine erstaunliche Menge an Daten. Aufgrund der Privatsphäre und institutionellen Barrieren sind die meisten dieser Daten in den Datensilos der Krankenhäuser festgelegt. Dies führt dazu, dass Spitzenunternehmen in der KI-Branche zwar über leistungsstarke Algorithmen verfügen, aber an der fehlenden Verfügbarkeit von Kernklinikdaten und pathologischen Daten scheitern. Die Integration der KI in der medizinischen Branche schreitet daher nur schleppend voran.

In der Finanzbranche erfordert die Bewertung der persönlichen Informationen der Kunden, der Anlage- und Kreditrisiken einen langen Prozess. Wenn man sich das Risikomanagement-KI-Modell einer einzelnen Bank ansieht, sind viele Transaktionen "normale lokale Transaktionen", und es ist schwierig, eine schnelle globale Bewertung der Kunden zu erstellen. Daher ist das Anti-Fraud-Management und der Kampf gegen Schwarzarbeit stark von Transaktionsdaten aus anderen Institutionen abhängig.

Aber Banken sind aufgrund der Finanzaufsicht und des Geschäftsgeheimnisses nicht in der Lage, echte Kundeninformationen zu teilen. Das Risikomanagement-KI-Modell kann daher nur mit lokalen Daten arbeiten und hat Schwierigkeiten, globale Finanzkriminalität zu bekämpfen.

Wenn vertikale Branchen aus verschiedenen Gründen in Schwierigkeiten geraten, ist die Entstehung generierter Daten wie ein himmlischer Regen. Sie sind nicht einfach "sinnlose Rauschen", die zufällig generiert werden, oder falsche Daten, die einfach zusammengefügt werden. Stattdessen sind es "statistische Spiegelungen", die durch maschinelles Lernen und die Analyse der zugrunde liegenden Verteilungsgesetze echter Daten erstellt werden.

Einerseits haben generierte Daten alle statistischen Eigenschaften und geschäftlichen Logiken echter Daten. Das Training eines Modells mit diesen Daten führt zu ähnlichen Ergebnissen wie mit echten Daten, und es kann sogar die Störungen in den ursprünglichen Daten beseitigen. Andererseits ist die Verbindung zu realen Personen von vornherein unterbrochen, so dass strenge Datenschutzgesetze umgangen werden können. Dies macht es möglich, Daten aus "tabuisierten Bereichen" wie Medizin und Finanzen einfach zu erhalten.

Darüber hinaus ist die Kosten für die Massenerstellung spezifischer Daten in virtuellen Engines im Vergleich zur physischen Erfassung in der realen Welt exponentiell geringer. Das Palmyra X 004-Modell des KI-Startups Writer basiert fast vollständig auf hochwertigen generierten Daten für das Pre-Training und die Feinabstimmung. Es hat schließlich in mehreren Unternehmenslogik-Tests Spitzenplätze belegt, aber die Forschungs- und Trainingskosten betragen nur ein Bruchteil der traditionellen Methoden.

Man kann sagen, dass generierte Daten weit über die Rolle eines "Ersatzes für reale Daten" hinausgehen. Sie geben Unternehmen das Recht, in der digitalen Welt unendlich viele Fehlversuche zu machen. Wenn die KI-Modelle aller Branchen nicht länger von realen Daten abhängig sind, sondern über unerschöpfliche, maßgeschneiderte "Datenlager" verfügen, wird die Evolutionslogik der Branchen neu geschrieben werden.

02

Konkrete Umsetzung: "Falsche" Daten, echte Überholmanöver

Derzeit ist die Anwendung generierter Daten nicht mehr eine bloße Richtlinienüberprüfung, sondern sie wird zu echter kommerzieller Wertschöpfung. Unternehmen, die frühzeitig in der "virtuellen Welt" Daten gesammelt haben, beginnen in der realen Konkurrenz, die traditionellen Modelle mit ihren Ergebnissen zu unterbieten.

Im Jahr 2024 hat Siemens mit einer Milliarde und sechs Millionen US-Dollar die Softwarefirma Altair Engineering erworben, um die Entwicklung eines Engines zur Generierung von künstlichen Daten zu fördern. Derzeit erleben auch die vier Kernbereiche autonomes Fahren, Hochtechnologiefertigung, Finanzrisikomanagement und Arzneimittelforschung und -entwicklung eine konkrete Umsetzung der Technologie.

Vor kurzem hat XPeng Motors sein zweites Generation VLA-Großmodell vorgestellt. Die meisten der fast 100 Millionen Videosequenzen, die für das Training verwendet wurden, wurden in der virtuellen Welt generiert. Die enorme Datenmenge entspricht der Summe aller extremen Szenarien, die ein menschlicher Fahrer in 65.000 Jahren kontinuierlichen Fahrens begegnen könnte. Dadurch hat die Erkennungsgenauigkeit des Modells in regnerischen Nacht-Szenarien auf 98,7 % gesteigert.

In der Hochtechnologiefertigung ist die Umsetzung von KI seit langem von der Abhängigkeit von manueller Erfahrung eingeschränkt. Nehmen wir beispielsweise Stahlunternehmen wie Baosteel. In der Vergangenheit waren die Steuerung der Ofentemperatur und die Einstellung der Prozessparameter für Sonderstähle stark von den "alten Handwerkern" abhängig. Wenn die Fähigkeiten der Arbeiter unterschiedlich waren, kam es leicht zu Schwankungen der Ofentemperatur, höherem Energieverbrauch und geringerer Produktstabilität.

Im Jahr 2024 hat Baosteel mit Huawei zusammengearbeitet, um auf der Grundlage des Pangu-Großmodells das weltweit erste spezielle Großmodell für Hochöfen zu entwickeln und es mit einer großen Menge an generierten Daten zu trainieren. Bis 2025 hat Baosteel fast 300 KI-Anwendungsfälle eingeführt, die eine hochpräzise und zeitnahe Erfassung des internen Zustands ermöglichen. Die Vorhersagegenauigkeit von Schlüsselindikatoren wie der Ofentemperatur hat auch 90 % erreicht.

Kürzlich hat Suochen Technology auf der Weltkonferenz für physikalische KI-Modelle Schlüsseltechnologien wie das Anti-Positionsierungssystem und das integrierte System für Windfelder, Elektromagnetismus und Tiefluftpräsenz gezeigt. Bei der Demonstration wurde die Gestaltung, Simulation und Endfestlegung eines Fluidlüfters in nur wenigen Stunden abgeschlossen, und die Kerntechnologieindikatoren wie Lärmminderung, Betriebseffizienz und Energieverbrauch haben die Produkte führender Unternehmen in der Branche erreicht.

Durch die Verarbeitung dieser generierten Daten hat die Hochtechnologiefertigung schnell die lange Phase der Erfahrungsakkumulation überwunden. Sie kann nicht nur vorausschauend unplanmäßige Anlagenausfälle vermeiden und die Reparaturkosten drastisch senken, sondern auch die Optimierung komplexer Prozessparameter automatisieren. Für große Fertigungsunternehmen kann eine Steigerung der Ausschussquote von nur 0,1 % Millionen von Yuan an zusätzlichem Nettogewinn bedeuten.

Die Finanzbranche hat sowohl einen starken Bedarf an Daten als auch große Sorgen um die Einhaltung der Vorschriften. Die Zusammenarbeit zwischen Huaxing Bank und Tencents Hunyuan-Großmodell ist ein klassisches Beispiel für die Branche.

Finanzinstitutionen müssen bei der Due Diligence in der Unternehmensgeschäftsabteilung, der Kreditprüfung und der Prüfung von Versicherungsanträgen komplexe und sehr sensible Kundendaten und Betriebsdaten verarbeiten. Durch die Einführung von Technologien zur Generierung von künstlichen Daten können sie eine riesige "virtuelle Kundengruppe" erstellen, die ähnliche Kreditmerkmale, Transaktionsgewohnheiten und Ausfallwahrscheinlichkeiten wie reale Kunden hat, aber keine echten sensiblen Informationen enthält.

Nach dem Training hat das Hunyuan-Großmodell Huaxing Bank helfen können, die Zeit zur Erstellung von Kreditdue Diligence-Berichten von 10 Tagen auf eine Stunde zu verkürzen. Ohne die Grenzen der echten Kundendaten zu überschreiten, hat die Effizienz der automatisierten Risikomanagementprüfung sich verdoppelt, und die Gesamtkosten für die Einhaltung der Vorschriften und den Kauf von externen Daten sind um fast 70 % gesunken.

Das "Doppelzehn"-Prinzip in der Arzneimittelforschung und -entwicklung, das zehn Jahre und eine Milliarde US-Dollar kostet, ist ein Kosteneng