Das "Lin Junyang-Phänomen" in der KI-Venture-Capital-Szene

Es kam völlig unerwartet nicht, dass Lin Junyang, der lange nicht öffentlich aufgetreten war, die offizielle Vorstellung seines neuen Unternehmens PragmatikLabs bekannt gab.

Obwohl es noch keine Produktvorführungen und keine festgelegten Veröffentlichungszeitpläne gibt, wurde dieses in Shanghai registrierte Unternehmen bereits gemeinsam von Gaorong und HSG angeführt, gefolgt von Investitionen von Tencent und dem Shanghai Future Industry Fund. Die Bewertung in der Angel-Runde erreichte 2 Milliarden US-Dollar.

Aus der gewerblichen Struktur des inländischen Betriebsträgers Yuyong (Shanghai) Technology geht hervor, dass die drei externen Institutionen insgesamt etwa 220 Millionen US-Dollar investiert haben und nur 12 % der Anteile erhalten haben. Der Gründer Lin Junyang und verbundene Einheiten halten 88 % der Anteile.

Die Informationen, die diese Anteilsstruktur preisgibt, sind möglicherweise reichhaltiger als die Höhe der Finanzierungssumme. Der Gründer und sein Team behalten die Kontrolle fest in der Hand, Finanzinvestoren halten nur begrenzte Anteile und strategische Investoren nehmen jeweils einen kleinen Anteil ein. Aus dieser Perspektive wirkt es eher so, als würden Kapitalgeber um die Eintrittskarte für ein knappes Ziel konkurrieren, indem sie einen hohen Preis für einen kleinen Anteil zahlen – eine typische Transaktionsstruktur mit „Personalprämie“.

Aber die 2 Milliarden US-Dollar sind nur der Preis, den das Kapital im Voraus gezahlt hat. Ein Insider verriet, dass die Finanzierung gerade den Abschluss der Abwicklung durchlaufen hat und das Team bereits nach der nächsten Finanzierungsrunde sucht. Anderen Quellen zufolge könnte die Bewertung der neuen Runde bereits auf 5 Milliarden US-Dollar steigen. Das Produkt ist noch nicht vorgestellt, aber die Bewertung steigt bereits weiter an.

01

Der Betreiber des Open-Source-Ökosystems

Lin Junyang, geboren 1993, ging einen untypischen Weg. Er absolvierte seinen Bachelor am Englischen Seminar der Universität für Internationale Beziehungen und seinen Master am Fremdspracheninstitut der Peking-Universität im Fach Angewandte und Fremdsprachenwissenschaft. Während des Masterstudiums wandte er sich der Computerlinguistik zu und betrat damit das Gebiet der natürlichen Sprachverarbeitung (NLP). Er beherrscht sechs Sprachen, und dieser humanistische Hintergrund beeinflusste später tiefgreifend sein Verständnis von großen Sprachmodellen.

Nach seinem Abschluss im Jahr 2019 trat Lin Junyang als Absolventen-Einsteiger in das Damo Academy von Alibaba ein und arbeitete im M6-Team unter der Leitung von Yang Hongxia an der Forschung und Entwicklung von vortrainierten Modellen. Ende 2022 führte Alibaba eine organisatorische Anpassung durch und gründete das Tongyi Lab. Lin Junyang wurde zum technischen Leiter von Qwen ernannt – er war damals 29 Jahre alt.

Die folgende Geschichte wurde bereits wiederholt erzählt.

Im August 2023 wurde Qwen zum ersten Mal als Open-Source-Projekt veröffentlicht. Danach folgten Modellveröffentlichungen in fast radikalem Tempo: Abdeckung aller Größen von 0,5B bis 72B, Erweiterung von Sprachmodellen auf Coder, Math, visuelle Multimodalität und schließlich das Schlussfolgermodell QwQ. Bis zur Ära von Qwen3 hat Qwen eine vollständige Produktmatrix gebildet.

Bis Anfang dieses Jahres überschritten die abgeleiteten Modelle von Qwen 200.000 und die weltweiten Downloads über 1 Milliarde Mal. Alibaba hat seit 2023 mehr als 400 Open-Source-Modelle von Qwen veröffentlicht. Aus dem Frühjahrsbericht 2026 von Hugging Face geht hervor, dass die Downloads chinesischer Open-Source-Modelle bereits 41 % des weltweiten Gesamtvolumens ausmachen, und Qwen ist einer der wichtigsten Mitwirkenden. Zusammen mit DeepSeek bildet es die zwei Säulen der chinesischen Open-Source-Großmodelle.

Zu dieser Zeit spielte Lin Junyang eine Rolle, die weit über die des technischen Leiters hinausging. Er war der Hauptförderer der Open-Source-Strategie und fast der Repräsentant von Qwen in der globalen Entwicklergemeinschaft. Als Entwickler fragten, ob QwQ-Max als Open-Source-Version veröffentlicht wird, antwortete er direkt: „we will opensource the models“.

Eine Person aus dem Umfeld des Qwen-Teams erinnerte sich, dass Lin Junyangs Führungsstil darin besteht, klare „Zielmarken“ zu setzen, damit das Team schnell iterieren kann. Er strebt nicht nach Perfektion in jedem Detail, sondern legt mehr Wert darauf, dass das Projekt überhaupt erst in Gang kommt. Seiner Meinung nach muss der Leiter nicht jede Zeile des Codes beherrschen, sondern er muss die zugrunde liegenden „physikalischen Logiken“ verstehen, wissen, warum das System so funktioniert, und lernen, das Wesentliche vom Unwesentlichen zu trennen.

In einer Situation, in der die Ressourcen weit geringer waren als die der Konkurrenten, wählte Qwen einen differenzierten Weg: Mit einer Open-Source-Matrix aller Größen und aller Modalitäten die breite Masse der Entwickler abzudecken. Kleine Modelle können auf Mobiltelefonen oder sogar Ein-Chip-Computern laufen, große Modelle erreichen das Niveau von GPT-4 – Entwickler finden immer das passende Modell für sich.

Aber dieser Weg erlebte Anfang 2026 einen Wendepunkt.

Ende Februar führte Alibaba eine strukturelle Anpassung für das Großmodellgeschäft durch und verlagerte den strategischen Schwerpunkt auf die Kommerzialisierung. Mehreren Medienberichten zufolge geriet Lin Junyangs Konzept von „extremem Open-Source und null Kosten für die kommerzielle Nutzung“ in einen strukturellen Konflikt mit den Kommerzialisierungsbestrebungen des Konzerns. Nach einer internen Sitzung im März verließ Lin Junyang den Raum und reichte seinen Rücktritt ein. Später bestätigten Yu Bowen, Leiter des Post-Trainings, und Li Kaixin, ein Kernmitwirkender, ebenfalls ihren Austritt.

Damals schrieb Lin Junyang auf seinem WeChat-Moments: „Wenn ich diese Tage nicht erlebt hätte, wüsste ich nicht, dass so viele Menschen auf der Welt mich unterstützen.“ Er sagte, dass er im Herzen das Gefühl habe, es „für die Kollegen gut, für Alibaba Cloud gut und für den Konzern gut“ gemacht zu haben.

Das Wesen dieser Austrittswelle ist der Konflikt zwischen technischem Idealismus und der kommerziellen Logik großer Unternehmen. Alibaba braucht Erträge aus seinen Investitionen in KI, und die 380-Milliarden-Yuan-Investition darf nicht nur Anerkennung in der Gemeinschaft einbringen; Lin Junyang hingegen ist überzeugt, dass die Kernkompetenz von Qwen gerade aus dem Open-Source-Ökosystem stammt und übermäßige Kommerzialisierung das Vertrauen der Entwickler schädigen würde.

Die Entscheidungen beider Seiten sind nicht falsch, aber eines ist sicher: Es gibt nur sehr wenige Menschen in der gesamten Branche, die eine globale Open-Source-Modellfamilie vollständig betrieben haben und Erfahrungen mit Vortraining, Post-Training, Multimodalität, Open-Source-Ökosystem und groß angelegter Technisierung gesammelt haben.

Modelle können neu trainiert werden, Rechenleistung kann eingekauft werden, Daten können angesammelt werden. Aber die Erfahrung, ein Ökosystem mit 200.000 abgeleiteten Modellen und 1 Milliarde Downloads von Null aufzubauen, lässt sich nicht schnell erwerben.

Das war es, was das Kapital in jener Nacht im März erkannte.

02

Der Multiplikatoreffekt von Talenten

Als Lin Junyang gerade ausgetreten war, reagierte der Investmentkreis sehr direkt. Es heißt, dass Investoren überall nach Verbindungen suchten, um „Kontakt aufzunehmen“, und einige sagten offen: „Egal ob er ein Unternehmen gründet oder nicht – wir müssen ihn zuerst gewinnen.“ Zhuang Minghao, der sich mit KI-Investitionen befasst, urteilte damals, dass Talente dieses Niveaus „in der ersten Runde bereits vergriffen“ wären, wenn sie ein Startup gründen.

Nie Wei, ein erfahrener Headhunter im KI-Bereich, erklärte die hohe Prämie für führende KI-Talente einst mit dem „Multiplikatoreffekt“. Wenn Unternehmen Spitzenkräfte mit hohen Summen einstellen, kaufen sie weit mehr als nur die direkte Arbeitsleistung einer Person. „Ein Talent mit einem Jahresgehalt von mehreren zehn Millionen Yuan kann größere Erträge erzielen als ein Team aus mehr als zehn Personen.“

Führende Talente sind selbst ein Magnet, der weitere hervorragende Fachkräfte aus dem gleichen Bereich anzieht. „Der Talentpool ist nicht sehr groß – wenn du sie nicht holst, holen sie andere.“

Diese Knappheit wird auf dem KI-Startup-Markt noch weiter verstärkt. Laut dem offiziellen PitchBook-Bericht zu den KI-VC-Trends im ersten Quartal sammelten globale KI-Startups im ersten Quartal 2026 insgesamt 2555 Milliarden US-Dollar – mehr als die Summe des gesamten Jahres 2025. Die Bewertung von Moonshot AI stieg innerhalb von sechs Monaten von 4,3 Milliarden auf 31,5 Milliarden US-Dollar, und der Verhandlungspreis auf dem Primärmarkt von DeepSeek liegt bei etwa 45 Milliarden US-Dollar.

In der ausländischen KI-Szene schloss Thinking Machines Lab eine Finanzierung von 2 Milliarden US-Dollar ab, als das Produkt ebenfalls sehr früh war, mit einer Bewertung von 12 Milliarden US-Dollar. Später unterzeichnete es eine Vereinbarung mit NVIDIA, um mindestens 1 Gigawatt des Vera-Rubin-Systems bereitzustellen, wobei die Gesamtinvestition bis zu 60 Milliarden US-Dollar erreichen kann. Essential AI erhielt eine Finanzierung mit einer Bewertung von 8,6 Milliarden US-Dollar, ohne Einnahmen zu erzielen – die Logik der Investoren basiert ebenfalls auf der Knappheit.

Unter diesen Umständen funktioniert das traditionelle DCF-Bewertungsmodell bei diesen Fällen überhaupt nicht mehr. Wie viel ein KI-Unternehmen ohne Einnahmen wert ist, hängt von drei Variablen ab: der Glaubwürdigkeit des Lebenslaufs des Gründers, dem Urteil des Teams über das technische Paradigma und dem Wettbewerb der strategischen Investoren um die ökologische Nische.

Lin Junyangs Lebenslauf erfüllt genau diese drei Variablen gleichzeitig. Der Erfolg von Qwen beweist, dass er ein Team bei großen Projekten führen kann, sein langer Artikel vom März zeigt, dass er eine klare Vorstellung von der nächsten Phase hat, und das Eintreten von Kapital hat klare strategische Absichten.

Tencent hat in den letzten Jahren nacheinander in Zhipu, MiniMax und Moonshot AI investiert. Die Investition in Pragmatik setzt die Strategie fort, externe fortschrittliche KI-Fähigkeiten durch Kapital zu sichern. Ein Analyst erklärte das so: Wenn Pragmatik zuerst im Bereich der digitalen Agenten Durchbrüche erzielt, bietet das Ökosystem aus WeChat, WeCom, Tencent Docs und Tencent Meeting ein natürliches Testfeld.

Alle vier externen Aktionäre haben bereits in Moonshot AI investiert. Dieses Detail deutet darauf hin, dass das Kapital einen Konsens über die Bewertung von KI-Talenten gebildet hat: Die Glaubwürdigkeit eines Spitzen-Technikleiters kann zwischen Projekten übertragen werden. Institutionen, die bereits in Yang Zhilin investiert haben, werden den nächsten Lin Junyang nicht verpassen.

Zehn Tage vor der offiziellen Vorstellung veröffentlichte Lin Junyang vier Wörter auf X: „Angemessener Gewinn“. Diese vier Wörter wirken wie eine Antwort auf seine Erfahrungen bei Alibaba und gleichzeitig als geschäftliche Grundregel für sein neues Unternehmen:

Wir sind keine Open-Source-Fundamentalisten, die nur nach Aufmerksamkeit streben und Verluste machen, aber auch keine rein gewinnorientierten Handelsunternehmen. AGI soll letztendlich pragmatisch sein, echte Probleme lösen und Wert schaffen – der Gewinn soll angemessen sein.

Der Name Pragmatik selbst ist eine Erklärung. Er stammt aus dem Bereich der Linguistik „Pragmatik“, der untersucht, wie Sprache in bestimmten Kontexten eine tatsächliche Bedeutung erzeugt.

Lin Junyang erklärte, dass er Linguistik studiert hat, weil ein Freund ihm die Pragmatik empfohlen hat. Später ist er über Computerlinguistik, NLP und große Modelle schließlich zu diesem Namen zurückgekehrt. Gleichzeitig steht er für Pragmatismus. Der Name fasst seinen gesamten Weg von der Wissenschaft zur Industrie zusammen.

03

Wo liegen die Wettbewerbsvorteile von Agenten

Das Kapital zahlt für Lin Junyangs Vergangenheit, während die Zukunft von Pragmatik Labs auf einer Überzeugung beruht: Die KI tritt gerade von der Phase des Modelltrainings in die Phase des Agententrainings ein.

Diese Überzeugung wurde in Lin Junyangs Artikel „From „Reasoning“ Thinking to „Agentic“ Thinking“ vollständig dargelegt.

Seine Kernaussage lautet: Schlussfolgermodelle suchen die optimale Lösung in einem geschlossenen Kontext, während Agenten für Handlungen denken müssen.

Die Bedingungen beim Lösen mathematischer Aufgaben sind statisch – Modelle können durch Verlängerung der Gedankenkette die Genauigkeit verbessern. Die Aufgaben in der realen Welt sind dynamisch und offen: Informationen fehlen, Tools geben Fehler aus, Webseiten werden umgestaltet – ein kleiner Fehler am Anfang kann nach Dutzenden von Schritten unbegrenzt vergrößert werden.

„Agentisches Denken bedeutet, durch Handlungen zu schlussfolgern“, schrieb er.

In dem Artikel gibt es ein Schlüsselwort: Harness Engineering (Agentengerüstbau). „Harness“ bedeutet ursprünglich die Infrastruktur, die für Softwaretests benötigt wird. Lin Junyang nutzt diesen Begriff, um die Kernkompetenz im Agenten-Zeitalter zu beschreiben: Die Tools, das Gedächtnis, die Umgebung, die Berechtigungen, die Überprüfungsmechanismen um das Modell herum sowie die Kooperationsparadigmen mehrerer Agenten bestimmen gemeinsam mit dem Modell selbst das Endergebnis.

Die Wettbewerbsvorteile der nächsten Generation von KI-Unternehmen verlagern sich von den Modellparametern auf das gesamte System aus Modell und Umgebung.

Diese Überzeugung wird gerade durch Branchendaten bestätigt. Vor kurzem veröffentlichte das XLANG Lab den Benchmark-Test OSWorld 2.0, der Computeraufgaben auf 108 echte langfristige Arbeitsabläufe erweiterte. Die Ergebnisse zeigten, dass das leistungsstärkste Modell Claude Opus 4.8 unter den strengsten Kriterien für die vollständige Aufgabenerfüllung nur 20,6 % erreicht, während GPT-5.5 etwa 13 % erreicht.

Für die Engpässe von Agenten haben Forscher fünf typische Fehlerarten zusammengefasst: Fehlende Informationen und fehlende Verfolgung, zeitliche Abweichungen zwischen Wahrnehmung und Handlung, fehlendes Domänenwissen und fehlende Arbeitsabläufe, unzureichende Überprüfung und Reflexion sowie langfristige Zustandsabweichungen.

Modelle vergessen manchmal die anfänglichen Anweisungsbeschränkungen, weichen nach Dutzenden von Schritten vom Ziel ab und können sich bei Ausnahmefällen nicht selbst reparieren. Das sind genau die Probleme, denen die vier Verben auf der offiziellen Seite von Pragmatik entsprechen: Schlussfolgern löst die Frage „Woran denken?“, die Nutzung von Tools löst die Frage „Was tun?“, das Lernen aus Rückmeldungen löst die Frage „Wie korrigieren?“ und die Koordination von Handlungen löst die Frage „Wie langfristige Aufgaben abschließen?“.

Das wirklich Interessante ist die Entscheidung von Pragmatik, gleichzeitig digitale Agenten und physische Agenten zu entwickeln.

Digitale Agenten agieren in Browsern, Codebibliotheken und SaaS-Umgebungen, wo Daten natürlich digitalisiert sind, die Kosten für Fehlerversuche niedrig sind und die Iteration täglich erfolgt. Physische Agenten müssen mit Roboterhardware, Sensoren, komplexen Steuerungssystemen und unbestimmten physikalischen Gesetzen umgehen. Ein einziger Fehler kann die Hardware beschädigen, der Iterationszyklus ist lang und die Kapitalkosten sind enorm.

Die meisten Start