Nach dem Durchschreiten einer engen Tür hat Zhipu nun vier weitere Antworten vorgelegt

Vom Ankündigen der Platzierung bis zu deren Abschluss vergingen insgesamt nur vier Tage. Das machte den internen Brief, der in dieser Zwischenzeit veröffentlicht wurde, unweigerlich zu einer strategischen Anleitung mit klarer Ausrichtung.

Am 11. Juli veröffentlichte Tang Jie, Gründer von Zhipu und Professor an der Tsinghua-Universität, einen internen Brief mit dem Titel *Die große Welle ist gekommen*. In diesem Brief sprach er weder über den Platzierungspreis noch über die Frist zur Erzielung von Gewinnen, sondern stellte das „Touch High“-Programm für die nächsten zwei Jahre vor.

(„Höhe erreichen“)

In dem Brief definierte Tang Jie Zhipu zunächst mit den Begriffen „Wesen, kontra-intuitiv, konzentriert“, erläuterte dann seine Einschätzung der technologischen Trends und nannte die Entscheidungen von Zhipu für die kommenden zwei Jahre. Er sagte: „In den nächsten zwei Jahren planen wir strategische Investitionen – wir streben keine kurzfristige Monetarisierung von Anwendungen an, sondern zielen direkt auf das nächste Hochland der AGI ab.“

Der Brief fügte hinzu, dass diese Investitionen auf vier Kern-Engines konzentriert werden, nämlich auf Langzeitaufgaben (Long Horizon Task), autonome Agentensysteme (Autonomous Agent System), vollständiges Selbsttraining (Fully Self Training) und extrem sicheres Governance-System.

Tang Jie

Am 9. Juli veröffentlichte Zhipu eine Ankündigung, wonach das Unternehmen eine Platzierungsvereinbarung mit CICC Hong Kong unterzeichnet hat. Gemäß dieser Vereinbarung wird Zhipu bis zu 19,78 Millionen neue H-Aktien zu einem Preis von 1588 Hongkong-Dollar pro Aktie platzieren. Die Bruttoerlöse aus der Platzierung werden voraussichtlich insgesamt rund 31.410,64 Millionen Hongkong-Dollar betragen, während die Nettoerlöse (nach Abzug von Provisionen und geschätzten Ausgaben) voraussichtlich rund 31.374,95 Millionen Hongkong-Dollar erreichen werden.

Am 13. Juli veröffentlichte Zhipu die Ankündigung über den Abschluss der Platzierung: Alle 19,78 Millionen neuen H-Aktien wurden zu 1588 Hongkong-Dollar pro Aktie zugeteilt, die Bruttoerlöse beliefen sich auf rund 31,411 Milliarden Hongkong-Dollar, und die Nettoerlöse nach Abzug von Provisionen und Ausgaben betrugen rund 31,375 Milliarden Hongkong-Dollar.

Auf der einen Seite „keine kurzfristige Monetarisierung von Anwendungen anstreben“, auf der anderen Seite eine milliardenschwere Platzierung nur ein halbes Jahr nach dem Börsengang. In einer Zeit, in der sich technologische Pfade monatlich ändern, aber das Kapital schnelle kommerzielle Rückmeldungen verlangt, steht Zhipu vor zwei Uhren mit unterschiedlichen Geschwindigkeiten.

Aus den vergangenen Erfolgen geht hervor, dass Zhipu in entscheidenden Momenten mehrmals die richtigen Entscheidungen getroffen hat. Zum Beispiel behielt GLM die allgemeine Trainingsfähigkeit bei, MaaS bediente die ersten API-Nutzer, und die verwandten Arbeiten von Zhipu sowie seinem Forschungsnetzwerk an der Tsinghua-Universität behielten technologische Schnittstellen, die später für die Umstellung auf Coding und Agenten wiederverwendet werden konnten. Aber dieses Mal müssen vier Richtungen gleichzeitig verfolgt werden.

Zwei Briefe in einem halben Jahr, zwei Uhren gleichzeitig im Blick

Der letzte interne Brief wurde am 8. Januar veröffentlicht, als Zhipu an der Hongkonger Börse notiert wurde. Tang Jie wählte den Titel *Mit dem Geist des „Kaffees“ AGI entwickeln*.

Der Brief beginnt mit einer zufälligen Begegnung im Erdgeschoss des Labors der Hongkong University of Science and Technology: Während eines kurzen Besuchs traf Tang Jie Yang Qiang in einem Café. Sie sprachen darüber, dass sie zu viel Kaffee trinken und vielleicht aufhören sollten. Yang Qiang fragte zurück: Wenn man so süchtig nach Forschung sein könnte wie nach Kaffee, warum sollte man dann nicht gute Forschungsergebnisse erzielen?

Der Brief spricht von dieser „Sucht“ und weist dann den Technologien und dem Geschäft ihren Platz zu. Er schrieb: „Wir halten stets daran fest, KI-Technologien zu entwickeln, die die Nutzer wirklich nutzen können.“ Bei der Rückschau auf die Jahre 2023 bis 2024 gab er offen zu: „Damals haben wir möglicherweise Fehler gemacht, sowohl technische als auch geschäftliche.“

In dem halben Jahr später erschienener Brief *Die große Welle ist gekommen* steht die Technik im Mittelpunkt, und der Ton hat sich entsprechend verändert.

Tang Jie definiert Zhipu als „Wesen, kontra-intuitiv, konzentriert“ und kündigt an, dass das Unternehmen in einer Zeit, in der die Branche allgemein die kommerzielle Verwertung beschleunigt, nach oben strebt, um „Höhe zu erreichen“. Gleichzeitig betont er, dass keine kurzfristige Monetarisierung von Anwendungen angestrebt wird.

Interessanterweise wird in der „Platzierungsvereinbarung“ der Hongkonger Börsenankündigung vom 9. Juli die „kommerzielle Skalierung“, Kundenbedürfnisse, Geschäftsexpansion und Ökosystemaufbau als Gründe für die Finanzierung genannt. Die Mittelverwendung umfasst auch Forschung und Entwicklung, Akquisitionen und Betriebskapital.

Screenshot der Platzierungsvereinbarung

Die Unterschiede zwischen den beiden internen Briefen und der „Platzierungsvereinbarung“ zeigen nicht, ob Zhipu kommerzialisiert werden soll, sondern wer die technologische Richtung bestimmt: Sind es die aktuellen Aufträge oder die Leistungsgrenze des nächsten Modells?

Im Januar bewies Tang Jie mit der Anzahl der Entwickler und dem von dem Unternehmen offengelegten ARR der MaaS-Plattform, dass die Wette auf Coding keine Selbstbefriedigung der Forscher war. Im Juli verlangte er von der Organisation, dass kurzfristige Monetarisierung nicht die Obergrenze der Forschung bestimmen darf. Hier ist die kommerzielle Rückmeldung nicht verschwunden, sondern nur vom Lenkrad auf das Armaturenbrett verschoben worden.

Tatsächlich stehen alle führenden Modellunternehmen gleichzeitig vor zwei Uhren mit unterschiedlichen Zeitgeschwindigkeiten.

Auf der einen Seite läuft die „technologische Uhr“ immer schneller: Im Januar 2025 wurde DeepSeek-R1 veröffentlicht; im April desselben Jahres erschien Qwen3; drei Monate später, im Juli, kam GLM-4.5 heraus. Danach erfolgten bedeutende Aktualisierungen der führenden inländischen Modelle nicht mehr jährlich, sondern monatlich. Auf der anderen Seite verlangt die „kommerzielle Uhr“ bei jedem Schritt konkretere Angaben: Wann wird der Vertrag unterzeichnet, sinken die Inferenzkosten, können die Preise für APIs erhöht werden und wann deckt der Bruttogewinn mehr Forschungsausgaben ab.

Die eine Seite verlangt, Forschungsrisiken einzugehen, wenn die Beweise noch unzureichend sind, die andere Seite verlangt, diese Risiken in beobachtbare Betriebsergebnisse umzuwandeln.

Der interne Brief vom 8. Januar hat bereits das Dilemma der doppelten Zeitprüfung gezeigt.

An diesem Tag ging Zhipu zu einem Ausgabepreis von 116,2 Hongkong-Dollar pro Aktie an die Börse. Tang Jie beschrieb das Glockenschlagen nicht als Endpunkt, sondern kündigte das nächste GLM-5, eine völlig neue Modellarchitektur, allgemeinere Verstärkungslernverfahren, kontinuierliches Lernen und autonome Evolution an. Außerdem gründete er X-Lab für die Spitzenforschung. In demselben Brief erläuterte er mit Entwicklern, Plattformeinnahmen und Auslandsgeschäften, dass die vorherige Entscheidung für Coding bereits Rückmeldungen erhalten hat.

An diesem wichtigen Kapitalpunkt des Börsengangs wirkte Tang Jies Darstellung nicht wie ein Feierlichkeitsmoment, sondern wie der Ausgangspunkt, um technologische Fragen neu zu definieren.

Die Maßnahmen im internen Brief vom Juli sind ähnlich. Nur dieses Mal werden vier Richtungen parallel verfolgt, das Kapitalvolumen ist größer, und die externen Anforderungen haben sich von der Beurteilung der Investoren vor dem Börsengang zu einer kontinuierlichen Bewertung des börsennotierten Unternehmens entwickelt.

Allerdings gibt es für führende KI-Unternehmen kein nachahmenswertes Vorbild.

Internetunternehmen können zuerst Produkte entwickeln und dann die Infrastruktur erweitern, traditionelle Softwareunternehmen können Versionen nach Kundenwünschen planen; Spitzenmodellunternehmen müssen aber schon dann in Trainingscluster, Daten und Talente investieren, wenn die Fähigkeiten noch nicht vorhanden und die Anwendungen noch nicht definiert sind.

Die zwei Uhren schließen sich nicht gegenseitig aus, sondern müssen gleichzeitig laufen. Was sie wirklich konkurrieren, ist also nicht nur die Punktzahl einer bestimmten Modellgeneration, sondern ein Entscheidungsmechanismus, der auch dann kontinuierlich Fehler korrigieren kann, wenn es keine Antworten gibt.

Bevor die Antwort kommt, schweißen Sie die Tür nicht zu

Die erste wichtige Entscheidung von Zhipu war nicht die Wette auf Coding oder Agenten.

Am 18. März 2021 reichten Tang Jie und weitere Autoren ein Papier mit dem Titel *GLM: General Language Model Pretraining with Autoregressive Blank Infilling* ein.

Damals gab es bei vortrainierten Modellen noch eine klare „Aufgabenteilung“: Das BERT-Modell ähnelte einem Prüfling, der Leseverständnisaufgaben löst, GPT war wie ein Autor, der den Text fortschreibt, und T5 verarbeitete bedingte Generierung mit einem Encoder-Decoder-System. Die ursprüngliche Designabsicht von GLM bestand darin, dass derselbe „Schüler“ sowohl Lücken füllen, Texte fortsetzen als auch Artikel nach Vorgaben erstellen kann.

GLM nutzt das „autoregressive Lückenfüllen“, um ein einziges Framework gleichzeitig für das Verstehen natürlicher Sprache, bedingte Generierung und unbedingte Generierung zu nutzen. Das ist so, als ob man dem technologischen Grundgerüst eine Reihe von universellen Steckdosen einbaut, statt vorher zu erraten, welches Gerät in Zukunft am besten verkauft wird. Natürlich gehört dieses Papier zum Forschungssystem der Tsinghua-Universität und kann nicht direkt Zhipu zugerechnet werden, aber man erkennt dennoch den Stil der frühen technologischen Ausrichtung von Tang Jie und seinem Team.

Von Ende 2021 bis 2022 zeigte sich diese Ausrichtung von der Forschung in den Unternehmensentscheidungen.

Aufzeichnungen zum GLM-130B-Projekt zeigen, dass das Team am 6. Mai 2022 mit dem Training eines Modells mit 130 Milliarden Parametern auf 96 Servern begann, von denen jeder mit 8 A100 40GB-GPUs ausgestattet war. Zhipu stellte die Rechenleistung für das Projekt zur Verfügung und beteiligte sich an der Bewertung und dem Aufbau des Demonstrationssystems.

Quelle: *GLM-130B: AN OPEN BILINGUAL PRE-TRAINED MODEL*

Um den allgemeinen Entwicklungsrhythmus nicht zu beeinträchtigen, gründete Zhipu gleichzeitig zwei kleine Teams: Ein Team trainierte GLM-130B, das andere baute die MaaS-Plattform auf.

In dieser Konfiguration wurden für dasselbe Wagnis zwei Stoppuhren verwendet. Unabhängig davon, ob dies eine absichtliche Entscheidung des Managements war, bildeten die beiden Teams tatsächlich zwei Rückkopplungslinien: Eine überprüft die technologische Obergrenze, die andere die Marktnachfrage.

Tang Jie erwähnt ein Detail in dem Brief: Die beiden kleinen Teams wussten möglicherweise nichts voneinander. Mitte 2022 erzielte GLM-130B erste fortgeschrittene Trainingsergebnisse, danach wurde das Projekt veröffentlicht und als Open-Source bereitgestellt. Gleichzeitig ging bigmodel.cn online und erhielt die ersten API-Nutzer.

Allerdings erreichte diese Anordnung nicht das ideale Gleichgewicht und beseitigte auch keine Fehler bei Zhipu.

Von 2023 bis 2024 gab es gleichzeitig einen „Hundert-Modell-Wettbewerb“, Preiskriege und einen Boom von KI-Assistenten. Zhipu suchte nach Einnahmequellen zwischen MaaS, lokalen Bereitstellungen, Unternehmensmodellen und Agenten. Im Jahr 2024 beliefen sich die Unternehmenseinnahmen auf 312 Millionen Yuan, davon entfielen 264 Millionen Yuan auf lokale Bereitstellungen, was 84,5 % ausmachte. Die damalige Einnahmestruktur konzentrierte sich noch auf aufwändige lokale Bereitstellungen mit schwerfälligen Lieferformen.

In dem Brief zum Börsengang stellte Tang Jie diese Geschichte nicht als durchweg richtig dar, sondern gab zu, dass sowohl in der Technik als auch im Geschäft Fehler gemacht wurden.

Er schrieb: „Damals haben wir möglicherweise Fehler gemacht, sowohl technische als auch geschäftliche.“ Er wies direkt auf „kurzfristige Gewinne und kurzfristige Hype“ hin. Sofort danach fügte er hinzu: „Das anschließende Erscheinen von DeepSeek hat uns wachgerüttelt.“ Damals entsprachen die Ergebnisse des Zhipu-Modells nicht den Erwartungen, und Zhipu musste eine ausreichend schmale Durchbruchsmöglichkeit finden.

Schließlich wurde Coding diese schmale Tür.

Im September 2022 öffnete ein gemeinsames Team der Tsinghua-Universität, Zhipu und Huawei den Code, die Gewichte, die API und die Editor-Erweiterung von CodeGeeX.

Das 2023 eingereichte Papier zu CodeGeeX zeigt, dass dieses Modell mit 13 Milliarden Parametern 850 Milliarden Token bis Juni 2022 nutzte und 23 Programmiersprachen abdeckte. Gleichzeitig erweiterte das Team das ursprünglich auf Python ausgerichtete HumanEval auf C++, Java, JavaScript und Go.

Das Papier enthüllte, dass die entsprechende Erweiterung damals wöchentlich etwa 47 Milli