Warum schließt sich das Silicon Valley nach 2,8 Billionen Parametern wieder dem Open-Source-Lager an?

Am 24. Juli veröffentlichte Jensen Huang seinen ersten Beitrag auf X.

Er teilte einen offenen Brief mit dem Titel „Offene Gewichtungen und die KI-Führungsrolle der Vereinigten Staaten“. Die ursprüngliche Unterzeichnerliste umfasste nur 25 Unternehmen und Institutionen wie Nvidia, Microsoft, Meta und IBM, wurde dann schnell auf etwa 50 erweitert, und OpenAI, Google, AMD, Cisco, Cloudflare, GitHub und andere schlossen sich nacheinander an. Unter den führenden US-Unternehmen für Spitzenmodelle ist Anthropic das einzige Unternehmen, das den Brief noch nicht unterzeichnet hat.

Jensen Huangs Begleittext lautet nur ein Satz: „Die Welt braucht sowohl geschlossene Spitzenmodelle als auch offene Spitzenmodelle.“

Vor einigen Tagen äußerte er in einem Interview mit ausländischen Medien eine direktere Haltung. Laut Jensen Huang sind die chinesischen Open-Source-Modelle „sehr ausgezeichnet“, und Open-Source-Modelle mit hervorragender Leistung sollten verwendet werden.

Diese kollektive Stellungnahme fand nach einem wichtigen Zeitpunkt statt. Mitte Juli veröffentlichte Moonshot AI Kimi K3. Nach offiziellen Angaben verfügt dieses Modell über eine Mixture-of-Experts-Architektur mit insgesamt 2,8 Billionen Parametern und 896 Expertenmodulen, von denen bei jedem Token nur 16 aktiviert werden, und unterstützt einen Kontextumfang von 1 Million Token.

Kimi K3 ist damit eines der derzeit offengelegten Open-Weight-Modelle mit dem größten Parameterumfang. Noch mehr Aufmerksamkeit erregt, dass es bei mehreren Bewertungen in Bereichen wie Agenten, Programmierung und Frontendentwicklung in die globale Spitzengruppe eingetreten ist.

Ein System aus China, das heruntergeladen und bereitgestellt werden kann und dessen Leistung den führenden geschlossenen Modellen nahekommt, rückt rasch in den Blickpunkt globaler Entwickler. Gleichzeitig werden Themen wie die Modellbarrieren von US-KI-Unternehmen, die Wettbewerbsfähigkeit offener Ökosysteme und wie Washington mit chinesischen Modellen umgehen soll, neu diskutiert.

Auf der einen Seite stehen die Sorgen der Regierung über Technologiediffusion, Modelldestillation und nationale Sicherheit, auf der anderen Seite die praktischen Anforderungen von Technologieunternehmen an Modellversorgung, Kosten und Innovationsspielraum. Jensen Huangs Stellungnahme spiegelt auch den zentralen Bereich dieses Kräftespiels wider.

01 Offene Modelle erreichen den Bereich der Spitzenleistungen

Open-Weight-Modelle wurden lange Zeit als Ergänzungslösung für geschlossene Flaggschiff-Modelle angesehen: günstiger, flexibler bei der Bereitstellung, aber mit deutlichen Lücken bei der Gesamtleistung.

Kimi K3 hat diesen Eindruck verändert.

2,8 Billionen Parameter bedeuten nicht, dass bei jeder Inferenz eine so große Rechenleistung aufgerufen werden muss. Die Mixture-of-Experts-Architektur wählt je nach Aufgabe eine kleine Anzahl von Experten für die Berechnung aus, wodurch die Wissenskapazität des Modells erweitert und gleichzeitig die Kosten für die einzelne Inferenz kontrolliert werden.

Kimi K3 verwendet zudem Technologien wie gemischte lineare Aufmerksamkeit, Attention Residuals und Niedrigpräzisions-Quantisierung, um den Ressourcendruck durch langen Kontext und groß angelegte Inferenz zu senken.

Am 27. Juli veröffentlichte Moonshot AI offiziell den vollständigen technischen Bericht und die Modellgewichte von K3. Der Bericht erläutert die spezifische Implementierung der oben genannten Technologien: KDA (Kimi Delta Attention) mischt lineare Aufmerksamkeit und vollständige Aufmerksamkeitsschichten im Verhältnis 3:1. Ersteres ist für die effiziente Verarbeitung langer Sequenzen zuständig, Letzteres behält die Genauigkeit an Schlüsselpositionen bei, ähnlich der Aufteilung von Keyframes und Differenzframes in der Videokodierung.

Attention Residuals erstellen direkte Verbindungen zwischen den Netzwerkschichten, um den Informationsverlust durch die lineare Aufmerksamkeit auszugleichen. Stable LatentMoE nutzt statistische Methoden, um die Trainingslast der 896 Experten auszugleichen, sodass die Architektur mit extremer Sparsität (nur 16 aktivierte Experten pro Lauf) stabil konvergieren kann.

Der Bericht stellt zudem drei Trainingsinfrastrukturen vor: die Experten-Kommunikationsbibliothek MoonEP, den Hochleistungsoperator FlashKDA und AgentEnv, einen Agenten-Sandkasten, der Verstärkungslernen auf Millionen-Token-Ebene unterstützt. Laut Moonshot AI erhöht diese Architektur das Intelligenzniveau des Modells bei gleicher Rechenleistung um etwa das 2,5-fache. Das ist der Grund, warum K3 trotz seiner 2,8 Billionen Gesamtparameter die tatsächlichen Inferenzkosten in einem für Unternehmen akzeptablen Rahmen hält.

Der für die Branche bedeutsame Punkt von Kimi K3 besteht darin, dass groß angelegte offene Modelle nun gleichzeitig drei Bedingungen erfüllen: Die Leistung liegt nahe an der von geschlossenen Spitzenmodellen, die Gewichte können heruntergeladen und modifiziert werden, und die Inferenzkosten sind für Unternehmen tragbar.

Dadurch erhalten Unternehmen eine neue Wahlmöglichkeit.

Allgemeine Büroaufgaben, Inhaltserstellung und Codierungsaufgaben können weiterhin über geschlossene APIs ausgeführt werden. Bei Szenarien mit internen Daten, Kerncodes, Cybersicherheits- und Compliance-Anforderungen können Unternehmen offene Modelle auf ihren eigenen Servern oder in Cloud-Umgebungen bereitstellen und den Datenfluss, die Zugriffsrechte und die Modellversion selbst kontrollieren.

Berichten zufolge prüft Microsoft derzeit die Nutzung von Kimi K3 für Azure und einige Copilot-Szenarien, um die Abhängigkeit von teuren geschlossenen Modellen zu verringern. Die extern verbreitete Angabe „bis zu 600 Millionen US-Dollar Einsparungen pro Jahr“ wurde von Microsoft noch nicht offiziell bestätigt, spiegelt aber bereits einen Trend wider: Offene Modelle werden zu einem Werkzeug für große Technologieunternehmen, um Inferenzkosten zu kontrollieren und die Verhandlungsmacht gegenüber Anbietern zu stärken.

Open-Weight-Modelle entwickeln sich damit von kostengünstigen „Ersatzlösungen“ zu einem Bereich mit Spitzenleistungen, der die technische Architektur und Einkaufsentscheidungen von Unternehmen beeinflussen kann.

Das ist auch der wichtige Hintergrund, vor dem Jensen Huang sich entschieden hat, zu diesem Zeitpunkt Stellung zu beziehen.

02 Silicon Valley stellt sich neu hinter Open-Source-Modelle

Nach der Veröffentlichung von Kimi K3 hat sich die Debatte in den Vereinigten Staaten um Open-Source-Modelle rasch intensiviert.

Die Befürworter von Beschränkungen befürchten, dass die breite Verbreitung fortschrittlicher Modellgewichte für risikoreiche Anwendungen wie Cyberangriffe und biologische Forschung missbraucht werden könnte. Die US-Regierung achtet zudem darauf, ob chinesische Modelle Fähigkeiten von US-Modellen durch Destillation erwerben und ob entsprechende Unternehmen fortschrittliche Chips verwenden, die unter Exportkontrollen stehen.

Sowohl OpenAI als auch Anthropic haben Washington zuvor gewarnt, dass chinesische Open-Source-Modelle die KI-Führungsrolle der Vereinigten Staaten bedrohen, und die Regierung dazu aufgerufen, die Regulierung von Modelldestillation, Chip-Nutzung und Technologiediffusion zu verstärken.

Die Befürworter von Open Source argumentieren hingegen, dass Modellherkunft und Bereitstellungsart getrennt diskutiert werden müssen. Wenn Unternehmen Modellgewichte herunterladen und lokal ausführen, können sie externe Verbindungen isolieren, Zugriffsrechte kontrollieren und Daten behalten. Bei hochsensiblen Szenarien wie Cybersicherheit, Finanzen, Gesundheitswesen und Behörden ist die Möglichkeit, Modelle privat bereitzustellen, zu prüfen und zu modifizieren, bereits Teil der Sicherheitsfähigkeit selbst.

Knapp 200 US-amerikanische Start-ups haben zuvor ebenfalls einen Brief an die Regierung geschickt, in dem sie sich gegen ein vollständiges Verbot chinesischer Open-Source-Modelle aussprechen. Sie befürchten, dass übermäßige Beschränkungen die Modellkosten für Start-ups erhöhen und die Monopolstellung weniger US-amerikanischer Anbieter von geschlossenen Modellen weiter stärken werden.

Im Silicon Valley hat sich damit eine neue Interessenstruktur herausgebildet.

Nvidia verkauft GPUs und die gesamte KI-Infrastruktur – je vielfältiger die Open-Source-Modelle sind, desto stärker ist die Nachfrage von Unternehmen nach der Bereitstellung von Modellen. Microsoft betreibt gleichzeitig Cloud Computing, Modell-APIs und Anwendungsprodukte – die Einführung weiterer Modelle hilft, Kosten zu senken und die Verhandlungsmacht zu stärken. Meta erweitert seit langem seinen Einfluss unter globalen Entwicklern durch ein offenes Ökosystem. Unternehmen wie IBM, Cisco und Cloudflare konzentrieren sich stärker auf die Märkte für private Bereitstellung, Hybrid Cloud und Cybersicherheit.

Open-Source-Modelle erweitern die Anzahl der Teilnehmer am gesamten KI-Markt und damit auch den potenziellen Kundenstamm von Infrastrukturanbietern.

Die Position von Anthropic ist deutlich anders. Bei dem gemeinsamen offenen Brief fehlt Anthropic durchgehend. Das Unternehmen stellt seit langem die Sicherheit von Spitzenmodellen in den Mittelpunkt seiner Strategie und warnt, dass die Offenlegung fortschrittlicher Modellgewichte die Schwelle für die Verbreitung von Gefahren senken könnte.

Diese Entscheidung stimmt stark mit der Markenpositionierung und dem geschlossenen Geschäftsmodell von Anthropic überein. Je stärker Open-Weight-Modelle werden, desto geringer wird die Abhängigkeit von Unternehmen von teuren geschlossenen APIs – das Sicherheitsnarrativ und die Modelldienste, mit denen Anthropic seine differenzierte Wettbewerbsposition aufgebaut hat, stehen damit unter größerem Druck.

Hinter dieser technischen Richtungsdebatte zwischen Open Source und Closed Source steckt in Wirklichkeit eine komplexere Aushandlung von industriellen Interessen und politischen Grenzen.

03 Was Jensen Huang wirklich verteidigt, ist der Rechenleistungsmarkt

Jensen Huang unterstützt Open-Source-Modelle mit einer klaren Geschäftslogik.

Je vielfältiger das Modellangebot und je niedriger die Nutzungskosten sind, desto mehr Menschen und Unternehmen treten in den KI-Markt ein – und desto größer werden die letztendlich erzeugte Token-Menge und die Nachfrage nach Rechenleistung.

Nach der Veröffentlichung von DeepSeek im Jahr 2025 gab es zeitweise Sorgen auf dem Markt, dass effiziente Modelle die GPU-Nachfrage schwächen würden. Jensen Huang hat mehrfach darauf reagiert, dass die Verbesserung der Modelleffizienz den Anwendungsbereich erweitert: Wenn die einzelne Inferenz günstiger wird, rufen Entwickler mehr Modelle auf, führen sie über längere Zeit aus und integrieren KI in mehr Aufgaben.

Das entspricht dem Jevons-Paradoxon: Wenn die Nutzungseffizienz einer Ressource steigt und die Stückkosten sinken, kann die Gesamtnachfrage entsprechend wachsen.

Die Nachfrage nach KI-Rechenleistung geht zudem über das reine Vortraining hinaus. Modelle müssen zudem überwachtes Fine-Tuning, Verstärkungslernen, lang andauernde Inferenz und die Ausführung durch Agenten durchlaufen. Ein Agent, der eine komplexe Aufgabe erledigt, muss möglicherweise nacheinander Modelle aufrufen, Informationen suchen, Werkzeuge bedienen, Ergebnisse überprüfen und die Planung anhand von Rückmeldungen neu ausrichten.

Jeder Schritt verbraucht Token.

Jensen Huang beschreibt daher das Rechenzentrum als „KI-Fabrik“: Man gibt Strom und Daten ein und erhält Token als Ausgabe. GPUs, Netzwerk, Speicher, Strom und Rechenzentren bilden ein industrialisiertes Berechnungssystem.

In dieser Logik kann sich das Geschäftsmodell von Modellunternehmen ständig verändern – Rechenleistung bleibt die gemeinsame Grundlage.

Geschlossene Modelle erzielen Einnahmen durch APIs, Abonnements und Unternehmensdienste. Open-Source-Modelle bilden ein kommerzielles Ökosystem durch Cloud-Bereitstellung, Fine-Tuning, Hosting und branchenspezifische Lösungen. Beide Pfade erfordern Trainingscluster, Inferenzserver, Hochgeschwindigkeitsverbindungen und Software-Werkzeugketten.

Open-Source-Modelle bringen zudem viel mehr kleine und mittlere Unternehmen in diesen Markt. Unternehmen können mit einem Open-Source-Modell erste Experimente durchführen und anschließend Cloud-Rechenleistung, Modell-Hosting, Sicherheitsdienste und stabilere kommerzielle Lösungen erwerben. Wenn Modelle in die Produktivumgebung gelangen, entsteht neuer Bedarf an Infrastruktur in Bezug auf Zuverlässigkeit, Latenzzeit, Parallelität, Zugriffsrechte und Betriebsverwaltung.

Genau dieser ständig wachsende Marktgrundbestand ist es, der Jensen Huang wichtig ist.

04 Nach 2,8 Billionen Parametern verlagert sich der Wettbewerb auf Systemfähigkeiten

Kimi K3 hat offene Modelle auf 2,8 Billionen Parameter gebracht, aber die Mixture-of-Experts-Architektur trennt den Gesamtparameterumfang zunehmend von der tatsächlichen Rechenleistung. Die Anzahl der Parameter eines Modells spiegelt nur einen Teil der Systemkapazität wider. Aktivierte Parameter, Trainingsdaten, Nach-Trainings-Methoden, Inferenzeffizienz, Fähigkeit zur Nutzung von Werkzeugen und Bereitstellungskosten bestimmen gemeinsam den kommerziellen Wert eines Modells.

Der Wettbewerb in der nächsten Phase konzentriert sich auf drei Ebenen.

Zuerst die Effizienz. Der Kernindikator, der Unternehmen wichtig ist, ist, wie viele Token, wie viele Aufrufe und wie viel Rechenleistung für die Erledigung einer Aufgabe benötigt werden. Dass ein Modell bei Bewertungen hohe Punkte erzielt, bedeutet nicht unbedingt, dass die tatsächlichen Nutzungskosten niedriger sind. Leistung, Geschwindigkeit und Kosten müssen gleichzeitig bewertet werden.

Zweitens das Software-Ökosystem. Rund um offene Modelle bauen Entwickler derzeit Quantisierungswerkzeuge, Inferenz-Frameworks, Chip-Anpassungen, spezialisiertes Fine-Tuning, Modellfusion und Agentensysteme. Auf Hugging Face sind bereits mehr als 2 Millionen öffentliche Modelle gehostet – der Wettbewerb zwischen einzelnen Modellen entwickelt sich zu einem Wettbewerb zwischen Modellfamilien und Ökosystemen.

Drittens die Kontrolle über die Bereitstellung. Immer mehr Länder und Unternehmen möchten eigene Modelle, Daten und Recheninfrastrukturen besitzen. Open-Weight-Modelle können lokalisiert, modifiziert und auf verschiedenen Chips ausgeführt werden – daher bilden sie eine wichtige technische Grundlage für souveräne KI und die private Bereitstellung in Unternehmen.

Einige nennen diese Phase den „Kubernetes-Moment“ für offene Modelle.

Kubernetes wurde ursprünglich von Google als Open Source veröffentlicht und entwickelte sich dann unter der gemeinsamen Förderung von Entwicklern, Cloud-Anbietern und Unternehmen allmählich zu einem wichtigen Standard für Cloud-Computing-Infrastruktur. Offene Modelle könnten sich auf einem ähnlichen Weg entwickeln: Die Modellgewichte bilden die Basisschicht, um die herum Inferenz-Frameworks, Cloud-Dienste, Hardware-Anpassungen und branchenspezifische Anwendungen entstehen.

Ob das offene Ökosystem einen einheitlichen Standard ähnlich Kubernetes bilden kann, ist derzeit noch sehr unsicher. Modellarchitekturen, Lizenzen, Inferenz-Frameworks und Hardware-Plattformen sind nach wie vor stark verteilt.

Aber die Richtung wird zunehmend klar: Wenn offene Modelle den Bereich der Spitzenleistungen erreichen, verlagern sich die Wettbewerbsbarrieren von geschlossenen Unternehmen stärker auf Produkterlebnis, geschlossene Datenkreisläufe, Dienstzuverlässigkeit und spezielle Szenarien; offene Modelle erweitern den Markt durch Kosten