OpenAI hat den neuesten Preisträger der Fields-Medaille abgeworben, auf wen zielt das gerade veröffentlichte Wissenschaftlerprogramm von ByteDance ab?
Die diesjährige Fields-Medaille gilt als die „letzte rein klassische“ Ausgabe – wahrscheinlich werden alle zukünftigen bahnbrechenden Forschungsergebnisse in Kombination mit KI erzielt.
Dieser Wandel verläuft möglicherweise schneller als wir erwartet haben: Auf der Pressekonferenz zur Fields-Medaille wurde einer der Preisträger, der kanadische Mathematiker Jacob Tsimerman, nach seinen zukünftigen Plänen gefragt. Er gab an, dass er sich bereits der KI-Sicherheitsforschung zugewandt hat und bald in der Sicherheitsabteilung von OpenAI arbeiten wird.
Auf der anderen Seite begrüßte Mark Chen, der leitende Forschungsdirektor von OpenAI, diesen Schritt sofort.
Wissenschaftler an der Spitze der Forschung betrachten die führenden KI-Unternehmen bereits als Plattformen, auf denen sie ihre Ambitionen verwirklichen können. In letzter Zeit strömen immer mehr Spitzenwissenschaftler – darunter Mathematiker, Physiker, Biologen und weitere Fachkräfte – zu den großen Unternehmen für große Sprachmodelle. Allein im ersten Halbjahr dieses Jahres sind unter anderem der Nobelpreisträger für Chemie John Jumper, der Ökonom Chad Jones und der Philosoph Harvey Lederman zu Anthropic gestoßen.
Dahinter verfolgen die führenden KI-Unternehmen alle dasselbe Ziel: Sie holen die Wissenschaftler direkt an den Ort der KI-Entwicklung. Die tiefe Integration von KI und Spitzenwissenschaften wird zunehmend von einer Option zu einer Notwendigkeit.
Auch die großen chinesischen KI-Unternehmen ziehen nach: Am vergangenen Donnerstag hat das Seed-Edge-Team von ByteDance das Seed-STEM-Wissenschaftlerprogramm vorgestellt und 100 Kooperationsplätze für Wissenschaftler und Doktoranden in Spitzenfächern wie Mathematik, Physik, Chemie und Biologie geöffnet, um gemeinsam mit Seed die ungelösten Probleme in den Grundlagenwissenschaften zu erforschen. Nach öffentlich zugänglichen Informationen ist dies das erste großangelegte Programm in China, das KI zur Beschleunigung von wissenschaftlichen Entdeckungen einsetzt.
In der zweiten Phase der großen Modelle geht es längst nicht mehr um Bewertungspunkte
In dem sich tagtäglich rasant entwickelnden Wettbewerb im KI-Bereich wirkt sich die intensive Arbeit an langfristiger grundlegender KI-Forschung oft weniger direkt aus als die Optimierung von Codierfähigkeiten und das Erzielen hoher Bewertungspunkte: Letztere lassen sich schnell in Produktverbesserungen und kommerzielle Einnahmen umsetzen, während der Feedback-Zyklus für Grundlagenforschung und KI-gestützte wissenschaftliche Entdeckungen deutlich länger dauert und der Forschungspfad voller Unsicherheiten steckt.
Auf der anderen Seite kann ein echter Durchbruch auf diesem Weg einen paradigmatischen Mehrwert liefern, der weit über gewöhnliche Produktverbesserungen hinausgeht.
Yao Shunyu hat seinem Team gegenüber einmal die Ansicht geäußert: Es gibt keine Zauberei bei dem Training großer Modelle. Die eigentliche Herausforderung besteht darin, die grundlegendsten und sicheren Aufgaben korrekt zu erledigen. Diese Einschätzung stimmt mit der langjährigen Auffassung von Dario, dem CEO von Anthropic, überein – die Kernfaktoren für den Fortschritt der KI sind immer Rechenleistung, Datenqualität und -umfang, Trainingsdauer sowie erweiterbare Zielfunktionen, „alle klugen Methoden und Tricks sind eigentlich nicht so wichtig“.
Wenn wir auf echte Spitzenmodelle wie Claude und Seedance zurückblicken, gibt es dafür keine Abkürzungen: Alle basieren darauf, dass man früh die richtige Richtung festlegt und umfangreiche Grundlagenarbeit bei Datenqualität und zugrundeliegender Architektur leistet.
Anthropic konzentriert seine Ressourcen stark auf die Verbesserung der Codierfähigkeiten von Modellen. Durch Training mit Verstärkungsmechanismen kann das Modell durch wiederholte Versuche selbstständig hochwertigen Code verstehen und generieren und auf Basis von Nutzerfeedback einen selbst beschleunigenden Evolutionskreislauf bilden.
In dem Bereich der Videogenerierung, bei dem viele große Unternehmen kaum nachhaltige Fortschritte erzielen können, hat Seedance durch innovative Modellarchitekturen und präzise Datenarbeit die KI-Videogenerierung von einem zufallsabhängigen Experiment zu einem besser steuerbaren und kreativeren industriellen Produktionswerkzeug gemacht.
Es zeigt sich, dass die Obergrenze der Fähigkeiten eines Modells niemals durch die Anhäufung von Tricks bestimmt wird, sondern dadurch, dass man die Daten solide verarbeitet, die Grundarchitektur stabil gestaltet, langfristig denkt und strategische Ausdauer sowie genügend Geduld bewahrt.
In der heutigen Umgebung ist das nicht einfach, aber wir sehen, dass im Bereich der großen Modelle in China immer mehr Unternehmen bereit sind, sich auf diesen schwierigen aber richtigen Weg zu konzentrieren.
Dieses Jahr wurde die von DeepSeek eingeführte mHC-Architektur (Mannigfaltigkeitsbeschränkte Hyperverbindung) als Durchbruch im Bereich der Grundarchitektur großer Modelle gewertet. Sie ist eine der wichtigen Architekturverbesserungen von DeepSeek V4, ersetzt die herkömmlichen Restverbindungen und durchzieht das gesamte Modedesign. Es ist erwähnenswert, dass die mHC-Forschung auf den von dem ByteDance-Seed-Team vorgeschlagenen Hyper-Connections (HC) verweist.
Davor wurden Restverbindungen als Grundgerüst von Transformer in der Branche allgemein als Standardkonfiguration angesehen. HC hat dieses einsträngige Paradigma erstmals durchbrochen und die Fähigkeit zur Merkmalsdarstellung des Modells deutlich verbessert, ohne den Rechenaufwand wesentlich zu erhöhen. Von der bahnbrechenden Einführung von HC bis zur technischen Umsetzung von mHC ist dies ein Beispiel für technische Innovationen chinesischer KI-Teams im Bereich der zugrundeliegenden Architektur, was in der vergangenen Entwicklung von großen Modelltechnologien selten zu sehen war.
Anfang letzten Jahres hat ByteDance Seed extra ein Team namens Edge gegründet, um Forschungsthemen zu bearbeiten, deren Ergebnis nicht sicher ist und die kurzfristig keine Ergebnisse liefern. Um den Forschern eine stabile Umgebung zu bieten, haben sie sogar den Leistungsbewertungszyklus angepasst – es gibt keine Zwischenbewertungen, die Bewertung erfolgt erst, wenn Ergebnisse vorliegen.
Das Team ist seit seiner Gründung relativ zurückhaltend aufgetreten. Vor kurzem hat es auf X den langfristigen Bewertungsdatensatz EdgeBench veröffentlicht, der als erster im Fachbereich die Lernregeln von Agenten in realen Umgebungen systematisch definiert, ein neues Scaling-Gesetz im Bereich des Umgebungslernens gefunden hat und viele führende Fachkräfte zur Diskussion angeregt hat.
Angeblich nutzt auch OpenAI diesen Bewertungsdatensatz, um die Langzeitfähigkeiten seiner eigenen Modelle zu testen.
Im KI-Bereich konzentriert sich die Aufmerksamkeit oft auf die großen Modelle selbst. Die Erstellung von Benchmarks erfordert lange Zeiträume und viel Personal. Das Entwerfen und Open-Source-Verfügbaren von Benchmarks für fortschrittliche KI-Fähigkeiten dient nicht nur dazu, die eigenen Fortschritte zu messen, sondern auch dazu, durch die Festlegung von Branchenstandards und die Aufdeckung von Schwächen der Modelle die gesamte Branche zu mehr Transparenz und Zuverlässigkeit zu führen. Führende KI-Labore investieren stark in die Erstellung von Benchmarks.
OpenAI hat das Evals-Framework als Open-Source veröffentlicht, das zu einem Standardwerkzeug für die Bewertung von großen Sprachmodellen und Systemen auf Basis von LLMs in der Branche geworden ist. Für spezielle fortschrittliche Fähigkeiten hat OpenAI zudem eine Reihe von speziellen Benchmarks entwickelt, darunter SimpleQA, BrowseComp und MLE-bench.
Anthropic hat umfangreiche Arbeiten zu SWE-bench geleistet und die Stärken von Claude im Bereich der Codierfähigkeiten deutlich gemacht; zudem wurde Terminal-Bench veröffentlicht, um die Fähigkeit von Agenten zu messen, lange Aufgaben in echten Befehlszeilenumgebungen zu erledigen.
Die Beziehung zwischen diesen Bewertungsarbeiten und den Stärken der verschiedenen Modelle ist kein Zufall.
Es zeigt sich, dass die führenden KI-Teams ihre Einschätzung zum Entwicklungspfad der KI verändern. Die Weiterentwicklung der Fähigkeiten großer Modelle hat die Phase des Vorteils durch vortrainierte Modelle hinter sich, die sich nur auf die Anhäufung von Parametern und Daten stützt. Die zukünftige zentrale Wachstumskraft wird zwangsläufig aus der fortlaufenden Interaktion, dem Feedback und der selbstständigen Weiterentwicklung der Modelle in echten offenen Umgebungen stammen.
Die Spitzenebene der Grundlagenwissenschaften ist die höchste Form offener und unbekannter Szenarien. Das von ByteDance neu vorgestellte Seed-STEM-Wissenschaftlerprogramm dient dazu, gemeinsam mit Wissenschaftlern Forschungsprobleme zu identifizieren und zu lösen und die Möglichkeiten der KI-gestützten wissenschaftlichen Entdeckung zu erforschen. Die Wissenschaftler liefern nicht nur Themen, sondern auch Problembewusstsein, Bewertungsmaßstäbe und Feedback-Methoden.
Warum konkurrieren führende KI-Unternehmen
um Fachwissenschaftler?
Warum arbeiten sie mit Wissenschaftlern zusammen? Die Antwort ist: Die verbleibenden „Aufgaben“ sind für große Modelle nicht mehr schwierig genug.
Die heutigen gängigen Modellbewertungssysteme basieren größtenteils auf geschlossenen Aufgaben mit festen richtigen Antworten. Die Aufgaben haben eine feststehende Lösung, die Bewertung hat feste Kriterien und der Weg zur Verbesserung der Modellfähigkeiten ist klar. Aber echte wissenschaftliche Forschung folgt einer völlig anderen Logik: Es gibt keine klaren Lösungswege, die Forscher müssen selbstständig Hypothesen aufstellen, Prüfverfahren entwerfen, ungewöhnliche Daten und Rauschen verarbeiten und zugrundeliegende Mechanismen ableiten. Der gesamte Prozess ist voller Versuch-und-Irrtum, Wiederholungen und Unsicherheiten.
Aufgaben in der realen Welt sind der endgültige Maßstab für die Fähigkeiten von KI-Modellen. Nach dem Pre-Training-Scaling und dem Testzeit-Scaling sucht die Branche allgemein nach dem nächsten Scaling-Pfad – „fortlaufendes interaktives Lernen in echten offenen Umgebungen“ ist einer der vielversprechendsten Wege.
Daher verlassen sich die weltweit führenden KI-Teams bei der Entwicklung fortschrittlicher Modelle nicht mehr nur darauf, dass KI-Teams Modelle hinter verschlossenen Türen optimieren. Stattdessen holen sie Spitzenforscher verschiedener Fachbereiche hinzu, damit echte Fachprobleme als Antrieb für die Weiterentwicklung der Modellfähigkeiten dienen.
In Nordamerika sind in letzter Zeit viele Forscher von Hochschulen zu Unternehmen für große Modelle gewechselt. Anfang Juli gab Jelani Nelson, der Leiter der EECS-Fakultät von Berkeley, an, dass er eine wissenschaftliche Auszeit nimmt und zu Anthropic wechselt. Seit Beginn dieses Jahres haben mindestens 22 Professoren und Forscher ihre Arbeit an Hochschulen wie Stanford, Berkeley und Harvard vorübergehend verlassen oder reduziert, um zu OpenAI, Anthropic, DeepMind und Meta zu wechseln. Diese vier Unternehmen beschäftigen derzeit mindestens mehr als 80 aktuelle oder ehemalige Universitätsprofessoren.
Hinter dem Wechsel vieler Spitzenforscher gibt es zudem strukturierte Projekte.
Bei OpenAI ist das Residency-Programm zu einem jährlichen regulären Kanal zur Gewinnung hochqualifizierter Fachkräfte geworden. Es richtet sich explizit an Fachkräfte, „deren Hauptforschungsrichtung derzeit nicht die KI ist“. Die Teilnehmer können vom ersten Tag an direkt in die Teams für fortschrittliche Anwendungen und Forschung von OpenAI eintreten und praktisch zusammenarbeiten. Das Programm entspricht einem „beschleunigten Doktorandenausbildungsprogramm“, das fachübergreifenden Experten hilft, schnell die Integration verschiedener Fachbereiche zu erreichen. Viele bahnbrechende Projekte wie ImageGPT und Codex wurden von anwesenden Forschern tiefgreifend mitgestaltet. Die Fortschritte bei den Forschungsfähigkeiten der GPT-Modellreihe im Bereich mathematischer Schlussfolgerungen und der Ableitung biologischer Mechanismen sind ebenfalls auf den kontinuierlichen Beitrag solcher fachübergreifender Fachkräfte zurückzuführen.
Bei Anthropic wurde das speziell für Experten aus den Bereichen Naturwissenschaften, Technik, Ingenieurwesen und Mathematik konzipierte STEM-Fellows-Programm im Jahr 2026 systematisch und massiv erweitert. Das Programm dauert mehrere Monate und lädt Spitzenexperten aus nicht-KI-Bereichen wie Physikern, Biologen, Mathematikern und Ökonomen ein, zu Anthropic zu kommen. Sie können ungelöste Probleme oder komplexe Arbeitsabläufe aus ihrem eigenen Fachbereich mitbringen und direkt die noch nicht öffentlich zugänglichen Claude-Modelle und internen Bewertungsinstrumente nutzen.
In solchen Projekten entwerfen Materialwissenschaftler spezielle Bewertungsverfahren für die Phasenstabilitäts-Schlussfolgerung von Claude, und Klimawissenschaftler verbinden professionelle Werkzeuge zur atmosphärischen Modellierung tief mit dem Modell. Während der Anwesenheitsphase haben mehr als 80 % der Forscher hochwertige wissenschaftliche Ergebnisse erzielt. Diese Rückmeldungen aus echten Fachbereichen dienen direkt als Trainingssignal für die Iteration der Modelle und fördern die Weiterentwicklung von Claude im Bereich des wissenschaftlichen Schlussfolgerns und der Nutzung komplexer Werkzeuge.
Der Wert solcher Projekte geht längst über die wissenschaftliche Forschung hinaus. Führende KI-Unternehmen messen der Gewinnung von Fachwissenschaftlern inzwischen die gleiche Bedeutung bei wie der Sicherstellung von Rechenleistung.
Für die Wissenschaftsgemeinde ist die Zusammenarbeit natürlich ebenfalls von großem Wert. Große Modelle werden zu einer neuen Infrastruktur für die wissenschaftliche Forschung: Von Formelableitungen und numerischen Simulationen bis zur Analyse von riesigen Mengen an Literatur und Experimentdaten verändert KI das Paradigma der wissenschaftlichen Forschung und ermöglicht Themen, die früher aufgrund von Personal- und Rechenleistungsgrenzen kaum voranzubringen waren.
Die Einladung, in einem Team für große Modelle an der Forschung vor Ort teilzunehmen, ist für Wissenschaftler so bedeutend wie das exklusive Nutzungsrecht an der nächsten Generation von Super-Weltraumteleskopen. Solche Programme bieten den Wissenschaftlern viele Vorteile: Sie erhalten Zugriff auf umfangreiche KI-Rechenleistung und Erfahrungen mit fortschrittlichen Modellen und können KI als „externes Gehirn“ nutzen, um ihre Aufmerksamkeit auf die Definition von Problemen selbst zu lenken.
Für die Wissenschaftler, die zu Anthropic und OpenAI wechseln, ist diese tiefe Zusammenarbeit sowohl ein Verstärker für die Effizienz der wissenschaftlichen Arbeit als auch ein Hebel, um neue Entdeckungen zu machen. Wenn wir jetzt den Blick auf China richten, sehen wir, dass die Lücke im Schnittbereich zwischen KI und grundlegender wissenschaftlicher Forschung gerade von ByteDance Seed geschlossen wird.