Von kostenlosen akademischen Suchwerkzeugen bis zu Spitzenunternehmen für KI-Großmodelle zielt Zhipu auf den Gipfel ab.

Warum konnte ein KI-Unternehmen, dessen Haupteinnahmequelle chinesische Regierungs- und Unternehmenskunden sind, zu einem „Feuerwehrmann“ bei einem globalen KI-Sicherheitsvorfall werden?

Im Juli 2026 veröffentlichte Hugging Face, die weltweit größte Open-Source-Community für künstliche Intelligenz (von chinesischen Nutzern scherzhaft „Umarmungsgesicht“ genannt), plötzlich eine Sicherheitsmitteilung, in der es hieß, dass es einen besonderen „Einbruch“ erlitten habe.

Für Hugging Face ist es peinlich, dass das, was in das Produktionssystem eingedrungen ist, kein Hacker im herkömmlichen Sinne ist, sondern ein autonomer Agent, der von einem OpenAI-Modell angetrieben wird.

Dieser Agent sollte ursprünglich interne Cybersicherheitstests durchführen, durchbrach jedoch die isolierte Umgebung, gelangte ins Internet und hinterließ mehr als 17.000 Betriebsprotokolle direkt bei Hugging Face.

Hugging Face hatte versucht, kommerzielle große Modelle aus den USA zur Unterstützung der Untersuchung heranzuziehen, aber der bösartige Code und die Angriffsanweisungen in den Protokollen lösten die Sicherheitsbarrieren der Gegenpartei aus, sodass die Analyse unterbrochen werden musste.

Schließlich wandte sich das Sicherheitsteam an das intern bereitgestellte Modell GLM-5.2 des chinesischen Unternehmens Zhipu AI, um die Protokollanalyse, die normalerweise mehrere Tage dauern würde, in nur wenigen Stunden abzuschließen.

Warum konnte ein KI-Unternehmen, dessen Haupteinnahmequelle chinesische Regierungs- und Unternehmenskunden sind, zu einem „Feuerwehrmann“ bei einem globalen KI-Sicherheitsvorfall werden?

Diese Geschichte beginnt vor zwanzig Jahren mit einem kostenlosen akademischen Suchwerkzeug auf dem Campus der Tsinghua-Universität.

Wie aus einer kostenlosen akademischen Suche ein großes Geschäft wurde

2006, nachdem Tang Jie seinen Doktortitel an der Fakultät für Informatik der Tsinghua-Universität erworben hatte, entschied er sich, an der Universität zu bleiben.

Er studierte ursprünglich Automatisierungstechnik, wechselte dann aber zur Informatik, weil er gerne programmierte, und während seiner Doktorarbeit vertiefte er sich in semantische Netze und Data Mining.

Gerade diese interdisziplinäre Erfahrung ließ ihn ständig über eine Frage nachdenken: Ist es möglich, durch das Netz aus Aufsätzen, Autoren und akademischen Beziehungen die Muster hinter den entsprechenden wissenschaftlichen Forschungsaktivitäten aufzudecken?

Zu dieser Zeit waren die meisten Aufsätze verstreute, isolierte Dokumente im Internet. Mit wem ein Wissenschaftler zusammengearbeitet hat, wo eine Technologie entstanden ist und welche Personen diesen Bereich beeinflussen, lässt sich mit gewöhnlichen Suchmaschinen überhaupt nicht erkennen. Viele Forschungen sind daher nicht nur redundant, sondern es fehlt ihnen auch an entsprechender theoretischer und praktischer Unterstützung.

Daraufhin begann Tang Jie mit seinen Assistenten, systematisch Aufsätze, Autoren, Institutionen, Patente und Zitierungsbeziehungen zu sammeln, und fügte diese Fragmente dann mithilfe von Algorithmen zu einem Wissensnetz zusammen. Schließlich entwickelte er Aminer im Labor der Tsinghua-Universität.

Oberflächlich betrachtet ist AMiner nur ein Suchfeld, aber wenn Nutzer ein Forschungsgebiet eingeben, sehen sie nicht nur eine Liste von Aufsätzen, sondern können entlang der Ketten von Autoren, Institutionen und Zitierungen herausfinden, wer forscht, wer langfristig mit wem zusammenarbeitet und wo ein bestimmter technologischer Trend erstmals aufgetaucht ist.

Genau das ist es, was Tang Jie wirklich erreichen wollte: Durch Algorithmen die Beziehungen zu suchen und zu verbinden, die in gewöhnlichen Suchmaschinen nicht sichtbar sind. Diese später als „Technologie-Information“ bezeichnete Fähigkeit wurde zum ersten technischen Fundament von Zhipu, das es ihnen ermöglicht, Beziehungen aus riesigen Mengen an Materialien zu extrahieren und die Ergebnisse in Antworten umzuwandeln, die jeder direkt nutzen kann.

Da AMiner nach seiner Einführung kostenlos und offen zugänglich war, verbreitete es sich innerhalb weniger Jahre an allen großen Universitäten und Forschungseinrichtungen in China und sogar im Ausland. Mit dem sprunghaften Anstieg der Zugriffszahlen stiegen aber auch die Kosten für Server und Wartung.

Das führte dazu, dass Tang Jie lange Zeit täglich im Code arbeitete, um Fehler zu beheben und Funktionen zu verbessern, und sogar einen Ingenieur einstellte, um den Betrieb des Systems aufrechtzuerhalten.

Aber als ständig neue kostenlose Nutzer hinzukamen und die Ausgaben stetig stiegen, wollte Tang Jie AMiner zeitweise sogar schließen.

Der Wandel kam durch einen Austausch im Ausland. Ausländische Kollegen sagten Tang Jie, dass AMiner ihnen viel Zeit bei der Suche nach Aufsätzen und Kollegen erspart habe. Diese Worte ermutigten ihn sehr und er fand, dass es sich lohnt, dieses Projekt weiterzuführen.

Obwohl die Nutzer auf AMiner nicht verzichten konnten, fehlte es dem Betrieb immer noch an Finanzmitteln.

Glücklicherweise meldeten sich bald Personen für Kooperationen. Die ersten, die vorbeikamen, waren Forscher mit Forschungsprojekten, die aus einer großen Anzahl von Aufsatzautoren geeignete Gutachter auswählen mussten. Darauf folgten einige lokale Regierungen, die mithilfe von AMiner technologische Trends beurteilen wollten. Und es gab Unternehmen, die über Aufsätze und Patente nach Kooperationspartnern suchen wollten.

Daraufhin entwickelte Tang Jie eine kostenlose und eine kostenpflichtige Version von AMiner. Die erste diente weiterhin normalen Nutzern, während die zweite sich an Regierungen, Forschungseinrichtungen und Technologieunternehmen richtete und tiefere und professionellere Informationsdienste anbot.

In wenigen Jahren entwickelte sich ein kostenloses Werkzeug für Wissenschaftler allmählich zu einem Geschäft für institutionelle Kunden, und ein reiferes Team wurde aufgebaut.

Zhang Peng trat in dieser Zeit dem AMiner-Team bei. Er wurde 1998 an der Fakultät für Informatik der Tsinghua-Universität aufgenommen, studierte von dem Bachelor- über den Master- bis zum Doktorgrad und arbeitete nach seinem Abschluss an der Universität.

Gleichzeitig kamen weitere Gründer hinzu. Li Juanzi und Xu Bin haben sich lange Zeit mit Wissensgraphen, semantischer Berechnung und Technologie-Information befasst. Liu Debing promovierte am Institut für Informatik der Chinesischen Akademie der Wissenschaften, arbeitete dann am Technicolor-Forschungsinstitut in China und wechselte später zur Tsinghua-Universität. Wang Shaolan kam mit langjähriger Erfahrung im Management von Technologieunternehmen hinzu.

Im Juni 2019 wurde AMiner offiziell aus dem Labor der Tsinghua-Universität ausgegliedert und Zhipu AI wurde gegründet. Tang Jie, Liu Debing, Zhang Peng, Li Juanzi, Xu Bin und Wang Shaolan bildeten das Kerngründerteam.

Nach der Gründung des Unternehmens wurden die Zuständigkeiten schnell klar verteilt. Zhang Peng war für die Systementwicklung und die technische Umsetzung verantwortlich, um die Algorithmen aus dem Labor zu Produkten zu machen, die Kunden langfristig nutzen können. Li Juanzi und Xu Ergänzten die Wissensgraphen-Forschung im technischen Fundament. Liu Debing und Wang Shaolan übernahmen die Finanzierung, Ressourcenverteilung und Geschäftsentscheidungen.

Zu diesem Zeitpunkt war Zhipu zwar bereits profitabel, aber im Wesentlichen handelte es sich immer noch um eine akademische Suchmaschine, die nicht mit den damals gerade aufkommenden großen Modellen vergleichbar war.

Aber das Erscheinen von GPT-3 ließ das Team ernsthaft über eine Frage nachdenken: Ist es möglich, die Anhäufung von mehr als zehn Jahren in ein allgemeines großes Modell zu komprimieren und alle Fähigkeiten, die in Suche, Frage-Antwort, Übersetzung und Code verteilt sind, zusammenzufassen?

Das Problem war jedoch, dass im Vergleich zu dem bereits profitablen Geschäftsfeld die großen Modelle damals voller Unsicherheiten steckten. Die Entscheidung, die Richtung zu ändern und etwas zu riskieren, das sehr hohe Kosten verursacht und dessen Ergebnis ungewiss ist, wurde zur ersten großen Herausforderung des Unternehmens nach seiner Gründung.

Warum wurde ausgerechnet der schwierigste Weg gewählt

Nach mehreren Diskussionen entschied sich Zhipu schließlich, die Richtung zu ändern.

Was sie zu dieser Entscheidung bewog, war der enorme Einfluss von ChatGPT. Das Team erkannte, dass das alte Geschäftsmodell, bei dem Algorithmen für jede neue Branche neu erstellt werden, jederzeit von einem allgemeinen großen Modell vollständig verdrängt werden könnte.

Im alten Modell wurde ein Algorithmus für die Gesichtserkennung in Sicherheitssysteme integriert, ein anderer für Wissensgraphen in Verwaltungssoftware. Sobald sich das Szenario änderte, mussten Produkt und Algorithmen komplett neu erstellt werden.

Große Modelle hingegen zeigten eine andere Möglichkeit: Solange das Modell groß genug ist und genug Trainingsdaten vorhanden sind, kann ein einziges System gleichzeitig verschiedene Aufgaben wie Frage-Antwort, Schreiben, Übersetzung und Code bearbeiten. Das bedeutet, dass die bisherige Praxis, für jedes Szenario ein eigenes Modell zu trainieren, zum ersten Mal durch ein allgemeines Modell ersetzt werden könnte.

Für das erst ein Jahr alte Unternehmen Zhipu war das eine verlockende aber auch gefährliche Richtung.

Da AMiner bereits Einnahmen generierte, blieb man im Bereich der Wissensdienste in einem bekannten Umfeld mit vertrauter Technik und Kunden. Das Training eines allgemeinen großen Modells hingegen erforderte den kompletten Neuaufbau von Algorithmen, den Kauf von Rechenleistung und die Einstellung von Fachkräften – die Investitionen überstiegen bei weitem die Kapazitäten eines Startups.

Noch problematischer war, dass alle gängigen Frameworks wie GPT, BERT und T5 in den Händen ausländischer Teams lagen. Die Verwendung vorhandener Frameworks wäre kostengünstig und schnell wirksam gewesen. Wenn man aber von Grund auf neu anfing, hätte man möglicherweise Jahre investiert und am Ende trotzdem nicht die Konkurrenten einholen können.

Schließlich entschied sich Zhipu für den zweiten Weg.

Nach Diskussionen kombinierte das Team die Vorteile verschiedener Vortrainierungsmethoden und entwickelte sein eigenes Framework für allgemeine Sprachmodelle – GLM. Einfach ausgedrückt: GPT lernt hauptsächlich, Texte nach dem vorherigen Inhalt fortzusetzen, während GLM auch die verdeckten Kontexte versteht und eine einheitliche Lösung für Fortsetzen, Ausfüllen von Lücken und semantisches Verstehen findet.

Diese Entscheidung veränderte auch die Rollen des Gründerteams.

Unter den sechs Personen bestimmte Tang Jie die technische Richtung, Zhang Jie war dafür verantwortlich, die Forschungsergebnisse zu Ingenieursystemen zu machen, die trainiert, bereitgestellt und ausgeliefert werden können. Liu Debing übernahm den Posten des Vorstandsvorsitzenden und koordinierte Strategie, Ressourcen und das gesamte Management.

Man kann sagen, dass die Entscheidungen von Zhipu von Anfang an nicht von einem einzelnen Gründer getroffen wurden, sondern gemeinsam von diesen langjährig eingespielten Forschern und Ingenieuren vorangetrieben wurden.

2021 veröffentlichte Zhipu das Modell GLM-10B mit zehn Milliarden Parametern. Im nächsten Jahr beschloss das Team, die Parameterzahl auf 130 Milliarden zu erhöhen.

Die Größe hat sich um das Dutzendfache vergrößert, aber die Schwierigkeit des Trainings hat sich weit mehr als um das Dutzendfache erhöht.

Während des zweimonatigen Trainings stürzte die Hardware zufällig ab, das Modell brach ohne Vorwarnung zusammen, und der Grafikspeicher wurde an unerwarteten Stellen erschöpft. Auch nach wiederholten Debugging ließen sich die Probleme kaum lösen.

Oftmals konnte das Team nicht einmal den letzten gespeicherten Prüfpunkt wiederherstellen, da das Training plötzlich unterbrochen wurde. Es musste die Daten und den Code prüfen und dann von vorne anfangen.

Diese Störungen tauchen nie auf den großen Bildschirmen von Produktpräsentationen auf, aber sie prüfen, ob ein Unternehmen wirklich die Fähigkeit hat, große Modelle zu trainieren.

2022 wurde GLM-130B offiziell fertig trainiert und für Entwickler weltweit freigegeben. Damit dieses Modell mit hunderten Milliarden Parametern wirklich nutzbar ist, fand das Team auch Möglichkeiten, die Inferenz auf GPU-Servern mit begrenzter Konfiguration zum Laufen zu bringen.

Die Freigabe der Gewichte und die Senkung der Bereitstellungshürden wurden von diesem Moment an Teil des technischen Wegs von Zhipu.

Im selben Jahr brachte Zhipu auch das Code-Modell CodeGeeX auf den Markt. Im Gegensatz zu anderen Anwendungsbereichen lässt sich das Ergebnis der Code-Generierung direkt ausführen und überprüfen. Es ist nicht nur effizient, sondern auch genau messbar, sodass es schon früh in die Produktpalette des Unternehmens aufgenommen wurde.

Aber damals war CodeGeeX nur ein Entwicklungshilfswerkzeug, keineswegs eine kommerzielle Lösung des Unternehmens. Was GLM wirklich aus dem wissenschaftlichen Kreis auf die Computer normaler Nutzer brachte, war ChatGLM-6B, das im März 2023 veröffentlicht wurde.

Das ist ein komprimiertes Open-Source-Modell mit nicht der größten Parameterzahl, das auf einer Consumer-Grafikkarte lokal ausgeführt werden kann. Für chinesische Entwickler, die gerade erst mit großen Modellen in Kontakt kamen, brauchten sie keine ausländischen Schnittstellen zu warten und keine teuren Server zu mieten. Ein Computer mit einer RTX 3090 oder 4090 reichte aus, um das Modell aufzurufen.

Mit der Senkung der Nutzungshürden tauchten eine große Anzahl chinesischer vertikaler Modelle, persönlicher Experimente und Unternehmensprototypen wie Pilze nach dem Regen auf. Das kostenlose Open-Source-Modell brachte Zhipu eine große Entwicklergemeinschaft und brachte GLM in die Testumgebungen vieler weiterer Unternehmen. Aber es tauchten auch Probleme auf: Das Modell kann kostenlos heruntergeladen werden, aber jeder Training verbraucht enorme Kosten an Chips, Strom und Ingenieurszeit.

Daher stieß das transformierte Zhipu auf ein neues Problem: Wie man mit einem offenen Modell ein Unternehmen für große Modelle wirtschaftlich betreiben kann.

Verlust von 8,6 Milliarden Yuan in vier Jahren: Wie Zhipu im Spiel bleibt

Für Zhipu ist das Kostenlos-Angebot immer noch eine bewährte Strategie: Zuerst das Modell als Open-Source veröffentlichen, damit Entwickler es nutzen, dann institutionelle Kunden, die eine lokale Bereitstellung benötigen, in kostenpflichtige Projekte umwandeln.

Dahinter verbirgt sich auch der wichtige Grund, warum Zhipu darauf bestanden hat, das Modell von Grund auf neu zu entwickeln.

Für Banken, Telekommunikationsbetreiber, Regierungsbehörden und große Fertigungsunternehmen öffnen sie aus Sicherheitsgründen normalerweise keine öffentlichen Webseiten beliebig, wenn sie große Modelle nutzen.

Außerdem dürfen interne Dokumente nicht beliebig weitergegeben werden, und Daten dürfen das Rechenzentrum nicht verlassen. Alle Modelle müssen lokal bereitgestellt und dann in die vorhandenen Geschäftssysteme integriert