Hai Zhi Technology: Der Kapitalkurs, der Großmodellen die Zügel anlegt
In den letzten drei Jahren war KI der Bereich, auf den das globale Kapital am meisten geachtet hat. Mit dem Eintritt in das Jahr 2026 hat sich die Ausrichtung des Kapitals deutlich verändert: Man zahlt nicht mehr nur dafür, „wie groß die Parameter und das Modell sind“, sondern dafür, „was das Modell leisten kann“.
Kürzlich führte Yang Zaifei, CEO von Hai Zhi Technology, einen ausführlichen Austausch mit der Zeitschrift *Business School*, der sich um die praktische Umsetzung von Hai Zhi im KI-Industriebereich drehte. Wie hat Hai Zhi angesichts des Problems der „Halluzinationen“ bei großen Modellen vertrauenswürdige und steuerbare Lösungen entwickelt? Welche praktischen Erfahrungen wurden im Bereich der Ontologie und des Harness-Engineerings gesammelt?
Wir hoffen, dass diese Fallstudie Ihnen eine Referenz aus der praktischen Arbeit an der Frontlinie bietet, um die realen Herausforderungen zu verstehen, denen KI bei dem Übergang von der Technik zur Industrie gegenübersteht.
01 Den großen Modellen einen „Zügel“ anlegen
Je intelligenter das Modell ist, desto mehr muss es gesteuert werden, denn je tiefer es in kritische Geschäftsprozesse eingreift, desto größer sind die Kosten eines zufälligen Fehlers.
Dass große Modelle Halluzinationen aufweisen, ist ein in der Branche fast allgemein bekanntes Problem. In Szenarien wie der Wartung großer Stromnetze, der diskreten Fertigung von Flugzeugen, die aus Millionen von Teilen weltweit bestehen, sowie der Aufsichts- und Durchsetzungsarbeit im Finanzbereich kann selbst ein ein zehntausendstel Risiko bei einem wahrscheinlichen, nicht erklärbaren Ergebnis unvertretbare Folgen haben. Daher müssen große Modelle bei der branchenspezifischen Anwendung „von Halluzinationen befreit“ werden.
Genau daraus stammt das aktuell im KI-Bereich populäre Konzept des Harness. Yang Zaifei unterteilt die Anwendung großer Modelle in drei aufeinander aufbauende Phasen: Die erste Phase ist die Prompt-Phase, in der man durch gute Fragen dafür sorgt, dass das Modell als guter Berater fungiert. Die zweite Phase ist die Context-Phase, in der man durch immer längere Kontexte dafür sorgt, dass das Modell komplexere Wissenssysteme von Unternehmen versteht. Die dritte Phase ist die Harness-Phase, in der man den immer intelligenter werdenden großen Modellen einen „Zügel“ anlegt.
Tatsächlich ist ein großes Modell im Wesentlichen ein „Induktionsmodell“. Das Ergebnis, das es liefert, ist letztlich das „wahrscheinlichste“ Ergebnis, nicht ein „sicheres“ Ergebnis. Halluzinationen sind das Produkt dieser Wahrscheinlichkeitsabweichung.
Wenn große Modelle in die reale industrielle Frontlinie eintreten, brauchen Unternehmen „Agenten“, die wirklich in Arbeitsabläufe eingebettet werden und komplexe Probleme selbstständig lösen können. „Je intelligenter das Modell ist, desto mehr muss es gesteuert werden, denn je tiefer es in kritische Geschäftsprozesse eingreift, desto größer sind die Kosten eines zufälligen Fehlers. Daher wird vorgeschlagen, dass ein zukünftiger Agent gleich dem großen Modell plus Harness (Zügel) ist“, sagte Yang Zaifei.
Die Methode von Hai Zhi Technology, große Modelle von Halluzinationen zu befreien, besteht darin, neben der Induktion die Deduktion wieder einzuführen – ein System mit nachvollziehbarer und prüfbarer Logik. Das „Graph-Ontologie“ ist der Träger dieses Systems: Man ordnet nacheinander alle Fakten, Regeln und ihre Beziehungen in der Branche an, verbindet sie zu einem Netz, bindet das große Modell an dieses Netz, sodass das große Modell vor der Ausgabe zuerst das Wissensgraphen zur Überprüfung konsultiert, um die „Graph-Modell-Integration“ zu realisieren.
Hai Zhi Technology verfügt bereits über mehr als 10 Jahre Erfahrung mit Wissensgraphen in der „Graph-Modell-Integration“ und hat schon in der Zeit vor dem Aufkommen großer Modelle damit begonnen, dies zu planen.
Als das Technologieunternehmen, das sich am längsten in China mit Wissensgraphen beschäftigt, wird Hai Zhi Technology von Akademiker Zheng Weimin der Chinesischen Ingenieurakademie als leitender Wissenschaftler begleitet und hat gemeinsam das erste nationale Akademiker-Expertenarbeitswerk für Hochleistungs-Graphberechnung aufgebaut. Laut dem Prospekt von Hai Zhi Technology erreicht das traditionelle große Modell bei dem Benchmarktest für komplexes logisches Schlussfolgern und Halluzinationsresistenz nach MuSiQue einen Wert von weniger als 10%, das gewöhnliche Vektor-RAG weniger als 40%, während die Graph-Modell-Integrationstechnologie von Hai Zhi Technology einen Wert von über 50% erzielt.
Im Jahr 2026 traten nacheinander zwei nationale Standards in Kraft: „Intelligente Berechnung – Prüfverfahren für die Leistung von Graphberechnungen“ und „Informationstechnik – Neuronale Netzdarstellung und Modellkompression – Teil 3: Graphneuronale Netze“. Hai Zhi Technology ist eines der Kernverfassungsgremien für beide Standards. Die Umsetzung dieser beiden nationalen Standards hat den Wettbewerb in der Graph-Intelligenz-Branche von dem „Vergleich der Größe von Modellparametern“ zu dem „Vergleich der Steuerbarkeit, Verwaltbarkeit und Umsetzbarkeit des Systems“ gelenkt.
Konkret beim Atlas-Agenten von Hai Zhi Technology wird der Wissensgraph in den gesamten Arbeitsprozess des großen Modells eingebettet: In der Vortrainingsphase lernt das große Modell zuerst die strukturierte Logik des Wissensgraphen, um im Voraus ein Faktenerkennen aufzubauen. In der Schlussfolgerungsphase ist das große Modell für divergentes Assoziieren zuständig, während der Wissensgraph gleichzeitig eine logische Prüfung durchführt, um sicherzustellen, dass jede Schlussfolgerung durch Fakten in der Form von „Entität – Beziehung“ gestützt wird. In der Ausgabephase wird der Inhalt erneut überprüft und korrigiert. Die Induktion steht für Schnelligkeit, Breite und die Fähigkeit, aus einem Beispiel auf viele Fälle zu schließen, während die Deduktion für Strenge, Steuerbarkeit und Nachvollziehbarkeit zuständig ist. Beide werden tief integriert, nicht einfach überlagert.
Heute sind auf der Plattform von Hai Zhi Technology mehr als 100 große Modelle angeschlossen, um die „Halluzinationsbefreiung“ bei der branchenspezifischen Anwendung großer Modelle zu realisieren. Genau das ist der Punkt, den das Kapitalmarkt am meisten an Hai Zhi Technology schätzt: Da große Modelle immer intelligenter und günstiger werden, wird das Kapital dasjenige Unternehmen unterstützen, das große Modelle in Branchen einsetzen kann, in denen Fehler nicht toleriert werden dürfen.
Die Investoren von Hai Zhi Technology umfassen bekannte Institutionen wie BAI Capital, Legend Capital, Hundsun Technologies, GL Ventures und den Shanghai Fonds für Künstliche Intelligenz. Aus dem Jahresbericht 2025 geht hervor, dass der Gesamtumsatz des Unternehmens 621 Millionen Yuan betrug, wobei der Umsatz aus Atlas-Agenten-Lösungen im Vergleich zum Vorjahr um 68,4% stieg; der Nettogewinn stieg im Vergleich zum Vorjahr um 42,6%.
Als Lead-Investor der A+-Runde von Hai Zhi Technology sagte Long Yu, Gründerin und Managing Partnerin von BAI Capital: „Wir haben den entscheidenden Übergang des Teams von Datenintelligenz zur Graph-Modell-Integration miterlebt. Wenn große Modelle das Labor verlassen und in industrielle Szenarien mit extrem niedriger Fehlertoleranz eintreten, werden KI-Halluzinationen zu einer Kluft zwischen „Verwendbarkeit“ und „Vertrauenswürdigkeit“. Hai Zhi Technology verleiht der KI durch den Wissensgraphen die präzise Schlussfolgerungsfähigkeit eines „linken Gehirns“, die die Kreativität des „rechten Gehirns“ von großen Modellen ergänzt. Das Unternehmen hat als Erster erreicht, dass Halluzinationen bei großen Modellen durch Wissensgraphen deutlich reduziert werden, und hat technische Barrieren in drei Dimensionen aufgebaut: Faktengenauigkeit, Halluzinationsrate und komplexes logisches Schlussfolgern. Der Börsengang ist ein neuer Ausgangspunkt für die kontinuierliche Weiterentwicklung in einer transparenteren und langfristigeren Marktprüfung. Wir freuen uns darauf, dass Hai Zhi Technology den Konsens der Industrie über vertrauenswürdige KI zu einer langfristigen Wettbewerbsfähigkeit Chinas auf globaler Ebene macht.“
Es ist zu beachten: Da Hai Zhi Technology große Modelle von Halluzinationen befreien kann, könnte das von ihm gelieferte Ergebnis möglicherweise „sekundäre Halluzinationen“ aufweisen, und sogar das Ergebnis dieser „sekundären Halluzinationen“, das durch die Ontologie-Prüfung gelaufen ist, trägt das Etikett „geprüft“, sodass Fehler schwerer zu entdecken sind?
Yang Zaifei sagte, dass die „Halluzinationsbefreiung“ nicht bedeutet, dass die Halluzinationen auf Null reduziert werden, „sondern dass der gesamte Entscheidungsprozess in einem logisch ableitbaren Bereich liegt, den man verfolgen kann. Wenn der Prozess nachvollziehbar ist, lassen sich Fehler entdecken, Probleme rückverfolgen und Fortschritte messen.“ Seiner Meinung nach ist es praktischer, mit prüfbaren Methoden auf Fehler zu reagieren, als umgekehrt von dem System zu verlangen, „niemals Fehler zu machen“.
02 Implizites Wissen zu Vermögenswerten destillieren
Das echte Unternehmenswissen verbirgt sich oft in unstrukturierten Daten, die nicht von traditionellen Geschäftssystemen (wie SAP) erfasst werden.
In der „Graph-Ontologie“ von Hai Zhi Technology verbindet der Wissensgraph die Fakten in der Branche zu einem Netz, während die Ontologie die Regeln zum Weben dieses Netzes festlegt: Sie legt fest, welche Arten von Objekten es in einer Branche gibt, welche Eigenschaften jede Art von Objekten hat und welche Beziehungen zwischen den Arten bestehen können. Die Ontologie ist das „Gerüst“ und das „Regelwerk“ für das Branchenwissen, während der Wissensgraph das „Fleisch und Blut“ ist, das entlang dieses Gerüasts wächst. Mit der Ontologie weiß das große Modell erst, was in einer Branche was ist und was mit was verbunden werden kann, sodass jeder Schritt der Schlussfolgerung nachvollziehbar wird – das ist die Voraussetzung für die „Halluzinationsbefreiung“.
Der Aufbau einer Ontologie erfordert harte Arbeit an der Frontlinie, ist aber keineswegs eine reine Massenarbeit. Eine große Menge an Erfahrung in der Branche ist verborgen, und Yang Zaifei teilt sie in zwei Kategorien ein: Die erste Kategorie umfasst unstrukturierte Bedienungshandbücher, Vor-Ort-Notizen und Arbeitszusammenfassungen, bei denen Texte vorliegen, aber nicht zu Regeln aufbereitet wurden. Die zweite Kategorie enthält überhaupt keine Texte – die Erfahrung liegt in der Muskelgedächtnis und Intuition von Experten, sodass selbst sie sie nicht klar ausdrücken können. Es gibt keinen Abkürzungsweg, um diese beiden Arten von vagem Wissen Stück für Stück zu extrahieren und zu Ontologien aufzubereiten, man muss direkt vor Ort arbeiten.
Aber vor Ort zu arbeiten bedeutet nicht, dass man alles manuell Stück für Stück ausgraben muss. Yang Zaifei sagte, dass das „Muskelgedächtnis“ von Experten vor Ort bereits durch unzählige Geschäftsvorgänge in den digitalen Systemen des Unternehmens abgelegt ist. Das echte Unternehmenswissen verbirgt sich oft in unstrukturierten Daten, die nicht von traditionellen Geschäftssystemen (wie SAP) erfasst werden. Das Ziel von Hai Zhi Technology ist es, mithilfe von KI automatisiert in die digitale Basis des Unternehmens einzudringen, diese Know-how-Werte und Daten zu erhalten, die von Anbietern großer Modelle nicht leicht erfasst werden können, und sie zu wiederverwendbaren, strukturierten Vermögenswerten für große Modelle zu „destillieren“.
Dieser Ansatz, implizites Wissen in strukturierte Vermögenswerte umzuwandeln, stimmt mit den modernsten KI-Geschäftstheorien der Welt überein.
Am 14. Juni stellte Satya Nadella, CEO von Microsoft, das Konzept des „Token-Kapitals“ vor. Er wies scharf darauf hin, dass das Ziel von Unternehmen bei der Nutzung von KI (die Token verbraucht) nicht nur darin bestehen sollte, Aufgaben zu erledigen, sondern dies zu „selbst besessenen KI-Fähigkeitsvermögenswerten des Unternehmens“ umzuwandeln. Nach Ansicht von Nadella sind wiederverwendbare unternehmensweite KI-Harness-Systeme und Wissensnetze, die von KI genutzt werden können, die wahre Darstellung der Effizienz im KI-Zeitalter; der Schlüssel liegt darin, dass Urteilskraft, Erfahrung, Beziehungen und Kreativität von Menschen systematisch durch KI abgelegt werden können.
Yang Zaifei drückte eine ähnliche Ansicht aus: „Wenn große Modelle in die Tiefe der praktischen Anwendung vordringen, liegt der wahre Wert von Unternehmen nicht darin, auffällige Schlagworte zu verfolgen, sondern darin, an die schmerzhaften Problemstellen vor Ort zu gehen und diese schwierigen und mühsamen Aufgaben zu lösen.“ Im Kapitalmarkt und in der Branche vergleichen viele Leute das Geschäftsmodell von Hai Zhi Technology mit Palantir und sagen sogar, Hai Zhi Technology sei das „chinesische Palantir“. „Tatsächlich haben beide Seiten ursprünglich die klügsten Ingenieure zu den mühsamen Kundenstandorten geschickt. Einige Leute dachten einst, dass diese Vorgehensweise nicht „attraktiv“ sei – der ideale Zustand eines Softwaregeschäfts wäre es, dem Unternehmen eine CD zu übergeben und alle Probleme im Büro zu lösen.“ Yang Zaifei ist der Meinung, dass der von Hai Zhi Technology gewählte Weg richtig ist: Die klügsten Leute an die wirklich mühsamen Standorte zu schicken, um echte Schlussfolgerungen zu ziehen, ist der wichtigste Beitrag zur Gesellschaft.
Nach Ansicht von Yang Zaifei ist Ontologie niemals ein leicht aussprechbares Schlagwort, sondern eine harte Arbeit, die extrem von Branchenerfahrung abhängt. „Viele Unternehmen beginnen erst rückwirkend mit der Ontologie-Arbeit, nachdem große Modelle populär geworden sind; während Hai Zhi Technology in den letzten zehn Jahren die klügsten Ingenieure zu den mühsamsten Kundenstandorten geschickt hat, diese „langsamen und detaillierten Arbeiten“ vollständig erledigt hat und dadurch dieses Wissenssystem natürlich destilliert hat.“ Yang Zaifei sagte, dass die echte Barriere nicht darin liegt, wer zuerst das Wort „Ontologie“ vorgeschlagen hat, sondern darin, wer über die Ingenieurskapazität verfügt, komplexe Branchenlogik in maschinenverständliche und ausführbare Regeln umzuwandeln.
Tatsächlich erfordert es sowohl ein tiefes Verständnis der Branchenlogik durch die Organisation als auch Ausdauer und Geduld des Teams bei der KI-Ingenieurspraxis, Ingenieure an die Frontlinie zu schicken, die praktischen Erfahrungen verschiedener Unternehmen zu Wissenssystemen zu abstrahieren und das implizite Wissen, das nur durch tiefes Eindringen in die Industrie angesammelt werden kann, zu wiederverwendbarem und allgemeinerem Wissen für zukünftige große Modelle zu „destillieren“.
Yang Zaifei sagte, dass das endgültige Ziel dieses Weges darin besteht, große Modelle dazu zu bringen, selbst Ontologien zu erstellen. „Wir hoffen, dass große Modelle, wenn sie in eine unbekannte und tiefgehende Branche eintreten, selbst Ontologien erkennen, aufbauen und die Beziehungen zwischen Ontologien finden können. Durch kontinuierliche Eingaben und Interaktionen werden große Modelle schneller als Menschen die unscharfe Grenze des Wissens erreichen. Die echte Herausforderung liegt darin, wie Menschen mit ihnen interagieren, sodass sie in diesen unscharfen Momenten selbst gute Ontologien erstellen können.“
Hai Zhi Technology arbeitet intensiv an dieser Aufgabe. Zum Beispiel baut Hai Zhi Technology im Finanzbereich mit einigen großen Banken ein „unternehmensweites Wissensprojekt“ auf, um eine vollständige Finanz-Ontologie-Architektur zu erstellen, die die Intelligenz von Audit, Risikokontrolle, Marketing, Geldwäschebekämpfung und Betrugsbekämpfung unterstützt. Im Energiebereich konzentriert sich Hai Zhi Technology auf schwierige Aufgaben wie das lebenslange Management von Ölquellen und die schnelle Fehlerdiagnose bei großen Stromnetzen.
Yang Zaife