Der Last-Minute-Teilnehmer im chinesischen Grundmodell-Rennen hat die Ära der Agenten schon im Voraus geplant

Seit 2024 hat sich die Branche der großen KI-Modelle schrittweise von der Hysterie des „Kampfes der hundert Modelle“ zu der Sorge um die praktische Umsetzung gewandelt. Ein großes Modell, das nur im Chat-Fenster verweilt, kann niemals seinen kommerziellen Wert entfalten. Nur wenn es zu einem Begleiter wird, der Aufgaben über Anwendungen und Geräte hinweg erledigen kann, wird es wirklich in das Leben der Nutzer einziehen.

Ein Prozess der Konsensbildung hat begonnen.

Im Jahr 2026 bereitete OpenAI zusammen mit Jony Ive, dem ehemaligen Chefdesigner von Apple, KI-Endgeräte vor. Meta entwickelte verschiedene Endgerätformen, darunter KI-Anhänger. Inländische Unternehmen für große KI-Modelle wie Alibaba, ByteDance und Zhipu stürzten sich nacheinander in die Bereiche Hardware und Chips. Auf der anderen Seite setzten Handyhersteller wie OPPO, Honor und Huawei gemeinsam auf KI-Betriebssysteme, um die Fähigkeiten großer Modelle in bestehende Endgeräte zu integrieren.

An diesem Wendepunkt der Branche fiel die Pressekonferenz von StepVR am 13. Juli besonders auf.

Das seit drei Jahren bestehende Unternehmen für große KI-Modelle stellte die neue Marke für große Modell-native KI-Endgeräte STEPX vor. Gleichzeitig mit der Markteinführung gab STEPX drei wichtige Fortschritte bekannt: das agenten-native Betriebssystem Step AOS (Step Agentic-native OS) und die neue Generation des persönlichen Agenten Step Amoo. Außerdem wurde das große Modell-native Agenten-Handy STEPX Neo überraschend vorgestellt, womit die vollständige Kette von Grundmodellen über das Agentensystem bis hin zu Hardware-Endgeräten erfolgreich geschlossen wurde.

Die Quelle dieser strategischen Erweiterung von großen Modellen zur Hardware liegt im ersten Treffen zwischen Ni Jiayue, Präsidentin von Step Devices, und Yin Qi, Vorsitzender von StepVR.

Zu dieser Zeit hatte Ni Jiayue das Amt des Präsidenten von Honor China niedergelegt und verfügte über mehr als zehn Jahre Erfahrung in der gesamten Kette der Endgerätebranche. Aufgrund ihrer Einsicht in die Zukunft studierte sie an einer Universität in Hongkong Kurse im Bereich KI und glaubte, dass in dieser Ära „alle Hardware es wert ist, mit KI neu entwickelt zu werden“. Yin Qi, Vorsitzender von StepVR, als erfahrener KI-Unternehmer, suchte ständig nach einem Durchbruch, um große Modelle in der physischen Welt umzusetzen, und brauchte dringend einen Partner, der sowohl Hardware als auch KI versteht.

Bei einem zufälligen Treffen stimmten die beiden sofort überein. Sie gelangten schnell zu einer gemeinsamen Einsicht: Die Neugestaltung des Endverbrauchermarktes ist eine der wichtigsten Chancen im KI-Zeitalter, und native KI-Endgeräte eröffnen eine völlig neue Zukunft, die sich von der Vergangenheit unterscheidet.

In der Vergangenheit konnte man trotz der Höhen und Tiefen der Hardwarebranche ein „20-Jahre-Gesetz“ ableiten. Fast alle 20 Jahre erlebt die Hardwarebranche eine große Weiterentwicklung. Das erste Mal war Anfang der 1980er Jahre, als der IBM PC auf den Markt kam und Personal Computer die Art und Weise, wie Menschen Informationen verarbeiten, neu gestalteten. Das zweite Mal war 2007 die Einführung des iPhones, als Touchscreen und der App Store das Zeitalter des mobilen Internets einleiteten.

Heute, fast 20 Jahre nach dem Erscheinen des iPhones, ist die Innovation der Hardwareformen ins Stocken geraten. Der Aufstieg der Agenten ist zu einem entscheidenden Durchbruch geworden, um die bestehende Ordnung zu durchbrechen.

„Das Zeitalter der Agenten steht vor der Tür, und wir befinden uns gerade am Vorabend des Wandels“, urteilt Ni Jiayue.

Aus alten Betriebssystemen kann keine native KI entstehen

In den letzten zehn Jahren hat die Entwicklung der KI drei Phasen der Differenzierung durchlaufen.

In der Ära KI 1.0 löste die Branche vor allem das Problem des „Sehens und Hörens“, typische Anwendungen waren Bilderkennung und Sprache-in-Text-Umwandlung. In der Ära KI 2.0 meisterte die Branche das Problem des „Verstehens und Generierens“: Große Sprachmodelle und Multimodal-Modelle lösten Aufgaben wie das Verfassen von Texten, das Erstellen von Bildern und das Beantworten komplexer Fragen durch KI.

In der heutigen Ära KI 3.0 besteht die Kernaufgabe der KI darin, „Dinge für Sie zu erledigen“: Agenten verfügen über die Fähigkeit zur Wahrnehmung, Erinnerung, Planung und Handlung und können Aufgaben der Nutzer über Anwendungen und Geräte hinweg erledigen. Zum Beispiel kann die KI mithilfe von Agenten Flugtickets buchen, Protokolle von Besprechungen zusammenfassen und vieles mehr.

Diese Veränderung deckt direkt die grundlegenden Mängel bestehender Betriebssysteme auf. In den letzten 60 Jahren hat sich die Mensch-Computer-Interaktion von grafischen Oberflächen hin zur Verarbeitung natürlicher Sprachen entwickelt. Die grundlegende Logik aller Systeme lautet jedoch „Mensch bedient Maschine“ und nicht „Agent bedient Maschine“.

Das erklärt, warum die heute gängigen Betriebssystemlösungen in der Branche im Wesentlichen nur KI-Fähigkeiten auf bestehende Betriebssysteme aufpfropfen. Typische Beispiele sind, dass Google den Gemini-Assistenten in das bestehende Android-System integriert, Apple Apple Intelligence in iOS einbaut und viele inländische Handyhersteller die KI-Funktionen im Wesentlichen auf dem ursprünglichen Betriebssystem aktualisieren.

All dies führt dazu, dass die meisten Nutzer kaum ein starkes Gefühl für „KI-Handys“ haben: Entweder gibt es eine neue Funktion „KI-Entfernung“ in der Galerie, eine „KI-Zusammenfassung“ in der Besprechungs-App oder ein seitliches KI-Bedienfeld am Rand des Desktops.

Im Grunde genommen öffnen all diese sogenannten KI-Betriebssysteme nur ein Fenster für den KI-Zugriff auf dem Fundament alter Betriebssysteme, anstatt wirklich ein Betriebssystem für KI-Agenten zu entwickeln.

StepVR möchte all das verändern. Ni Jiayue, Präsidentin von Step Devices, verwendete ein anschauliches Bild: Was StepVR tun will, ist, für die Agenten von Grund auf „ein neues Haus zu bauen“, anstatt einfach „ein Fenster zu öffnen“.

Dazu versucht Step AOS, die drei „Mauern“ direkt zu durchbrechen, die bisher vor KI-Betriebssystemen standen.

Die erste Mauer ist die Gedächtnismauer. In herkömmlichen Betriebssystemen sind die Daten von WeChat, Kalender und Galerie nicht miteinander verbunden. Diese „Dateninseln“ hindern Agenten daran, ein „globales Gedächtnis“ aufzubauen. Zum Beispiel muss die KI wiederholt grundlegende Fragen stellen wie „In welche Stadt gehst du morgen?“ oder „Welches Café wählst du?“, da sie keine Erinnerung an die Persönlichkeit des Nutzers hat.

Dazu hat StepVR auf Step AOS eine Architektur aus „Aufzeichnen – Organisieren – Erinnern“ aufgebaut.

Laut Ni Jiayue wird Step AOS mit Zustimmung des Nutzers die verstreuten fragmentierten Informationen in allen Apps „aufzeichnen“, sie dann durch Algorithmen „organisieren“, mit Tags versehen und kategorisieren, um strukturierte Langzeitgedächtnisdateien zu erstellen. Wenn der Nutzer eine Anweisung gibt, kann das System sich präzise an relevante Details „erinnern“, ohne erneut grundlegende Fragen wie „In welche Stadt gehst du morgen?“ stellen zu müssen.

Die zweite Mauer, die Step AOS durchbricht, ist die Entscheidungsmauer. Bisher waren die Entscheidungen von KI-Betriebssystemen voller Probleme: Die Verarbeitung auf dem Endgerät ist zu schwach, um alle Aufgaben zu bewältigen, und die vollständige Auslagerung in die Cloud ist langsam und teuer.

Dazu hat Step AOS einen kooperativen Routing-Mechanismus zwischen Endgerät und Cloud entwickelt, bei dem das Endgerät „schnell reagiert“ und die Cloud „tiefgründig denkt“. Außerdem wurde ein „kaskadierendes Scheduling“ erfunden – die Kernlogik dieser intelligenten Aufgabenverteilung ähnelt dem „Distributivgesetz“ in der Mathematik.

Beispielsweise können mit diesem Mechanismus mehr als 90 % der häufigen, einfachen Aufgaben (z. B. Wetter abfragen, Wecker stellen, lokale Dateien suchen) vollständig auf dem Endgerät erledigt werden. Das spart nicht nur Token-Kosten, sondern vermeidet auch, dass der Nutzer aufgrund von Netzwerkverzögerungen lange warten muss. Die restlichen weniger als 10 % komplexer, mehrstufiger Aufgaben werden in die Cloud verlagert, um keine „Mücke mit einem Elefanten zu erschlagen“ – so werden Reaktionsgeschwindigkeit, Rechenkosten und Datenschutz ausgewogen.

Anschließend durchbricht Step AOS die dritte Mauer, die Handlungsmauer. In alten KI-Betriebssystemen sind Agenten wie „blinde Menschen“: Sie haben keine nativen Schnittstellen und können Apps nur durch „pixelgenaues Nachahmen“ bedienen, indem sie Bildschirmklicks simulieren. Das ist nicht nur ineffizient und fehleranfällig, sondern wird auch oft von Risikokontrollsystemen blockiert.

Um dieses Problem zu lösen, geht Step AOS noch radikaler vor. Es ist nicht direkt mit Apps kompatibel, sondern zerlegt Dienste wie Alipay und Flugbuchungen in Tausende systemweite kleinste Funktionseinheiten und bildet so einen Engine für atomare Funktionen und ein Framework zur Diensteverwaltung.

Der Vorteil dieses Frameworks besteht darin, dass Agenten keine Schaltflächen mehr „mit bloßem Auge“ erkennen und Klicks simulieren müssen, sondern direkt über Protokolle wie MCP und A2A auf untergeordnete APIs zugreifen können. Wenn Agenten über „legitime Hände“ verfügen, hat Step AOS erfolgreich die Zusammenarbeit mit großen Apps wie Alipay vertieft und eine umfassende KI-Partnerschaft erreicht – so wird das Problem vermieden, mit dem die ersten Generationen von Agenten-Handys konfrontiert waren.

Allerdings ist die Voraussetzung dafür, Agenten solche „legitimen Hände“ zu geben, dass der Nutzer viele persönliche Daten und Bedienberechtigungen freigibt. Für die Nutzer entstehen unweigerlich Bedenken hinsichtlich des Datenschutzes, wenn sie einen „digitalen Verwalter“ haben, der selbstständig Geld überweisen, Tickets buchen und vertrauliche Dateien lesen und schreiben kann. Wenn die Berechtigungen außer Kontrolle geraten, besteht das Risiko, dass der Agent von einem „Helfer“ zu einem „Eindringling“ wird.

Um diese Bedenken der Nutzer bezüglich der „Handlungsmauer“ auszuräumen, hat StepVR auf der Pressekonferenz angekündigt, gemeinsam mit dem Shanghai AI Laboratory das „Weißbuch zur Sicherheitstechnologie der neuen Generation von Agentensystemen“ herauszugeben und ein vierdimensionales Steuerungsframework mit den Eigenschaften „vertrauenswürdig, sichtbar, kontrollierbar, umkehrbar“ vorzuschlagen. Das bedeutet, dass alle Handlungen der Agenten in einer vertrauenswürdigen Ausführungsumgebung ablaufen, jeder Schritt prüfbar und nachvollziehbar ist und Fehlhandlungen mit einem Klick rückgängig gemacht werden können.

Nachdem die drei Mauern, die bisher vor KI-Betriebssystemen standen, durchbrochen wurden, möchte StepVR wirklich ein noch umfassenderes Betriebssystem für die zukünftigen Agenten entwickeln.

Warum sind Hersteller von Grundmodellen besser geeignet für die Entwicklung von KI-Hardware?

Der Aufbau der Infrastruktur für Betriebssysteme ist jedoch nur der erste Schritt. Die Ambition von StepVR zielt direkt auf KI-Endgeräte ab.

Ni Jiayue trifft mit ihrer Einsicht den Kern: Der Wettbewerb um zukünftige native KI-Endgeräte wird nicht durch Hardware-Parameter entschieden, sondern durch die tiefe Integration von Modellen, Software und Hardware – genau das ist die Schwäche traditioneller Handyhersteller, die sich auf das „Anhäufen von Komponenten“ konzentrieren, aber die größte Chance für Hersteller von Grundmodellen darstellt.

Aus Ni Jiayues Sicht ist das Modell der erste Schutzgraben, den Hersteller von Grundmodellen überwinden, um in den Bereich der KI-Endgeräte einzutreten.

Bei den Modellen hat StepVR nicht den einfachen Weg gewählt, „ein einziges Modell für alle Zwecke“ zu verwenden, sondern hat in drei Jahren eine „1+N“-Modellstruktur aufgebaut: ein Hauptgrundmodellsystem (dreistufige Architektur aus Pro/Flash/Edge) plus eine Multimodal-Funktionsmatrix mit fünf Sinnebenen, die genau die Kernanforderungen von Agenten erfüllt.

Genauer gesagt ist das Cloud-basierte Pro-Modell als „stärkstes Gehirn“ für komplexe Schlussfolgerungen zuständig. Das Flash-Modell wird intern als „Kohlenhydrat-Modell“ bezeichnet – es senkt die Token-Kosten mit einer extrem hohen Geschwindigkeit von 409 T/s und unterstützt häufige Interaktionen. Das Edge-Modell auf dem Endgerät erreicht durch tiefgreifende Optimierungen eine lokale Reaktionszeit im Bereich von 100 Millisekunden und gewährleistet so sowohl Datenschutz als auch geringe Latenz.

Diese Architektur trifft genau die drei entscheidenden Punkte des Agenten-Zeitalters: lange Kontexte, langfristige Aufgaben und rekursive Selbstverbesserung (RSI) – und bildet so ein solides technisches Fundament.

Allerdings müssen die technischen Vorteile der Grundmodelle auch in Produktlogik umgesetzt werden. Hersteller von Grundmodellen versuchen, die Hardware auf der Ebene der Produktdefinition neu zu gestalten.

In der Vergangenheit verfolgten traditionelle Handyhersteller oft das Konzept „Endgerät + KI“: Im Grunde genommen definierte die Hardware alles, und die KI war nur ein nachträglicher Zusatz. Sogar um Benchmark-Werte zu erreichen, stapelten sie blind Komponenten und ignorierten die tatsächlichen Bedürfnisse von Agenten. Darüber hinaus neigten die meisten traditionellen Handyhersteller dazu, Modelle von Dritten zu beziehen – was unweigerlich dazu führt, dass die Hoheit über die Daten verloren geht.

Im Gegensatz dazu hat StepVR nach der Einführung der neuen Marke STEPX vollständig zu „KI + Endgerät“ gewechselt: Zuerst werden die Modellfähigkeiten und die Probleme der Nutzer festgelegt, bevor die Software- und Hardware-Entwicklung abgeleitet wird.

Vom Konzept „Endgerät + KI“ zu „KI + Endgerät“ handelt es sich nicht nur um eine Umstellung der Wortreihenfolge