ByteDance AI: erst langsam, dann schnell?

Der stets zurückhaltende Gründer von ByteDance, Zhang Yiming, hat kürzlich öffentlich und mit großer Aufmerksamkeit Stellung bezogen.

Er tauchte Ende Juli selten auf der Vollversammlung des Seed-Teams auf und erklärte eindeutig: „ByteDance wird Destillation nicht als Abkürzung zur Verbesserung der Fähigkeiten von KI-Modellen betrachten, auch wenn die Fähigkeiten des Seed-Modells vorübergehend hinter den wichtigsten inländischen Konkurrenten zurückbleiben.“

Kurz danach unternahm ByteDance eine weitere große Maßnahme. Laut Berichten von 36Kr hat es eine neue Abteilung auf erster Ebene namens „KI-Daten und Sicherheit“ gegründet, die ein Daten Team mit mehr als 1.000 Mitarbeitern zusammenfasst und parallel zu Abteilungen wie Seed, Flow und Douyin steht.

Darüber hinaus berichtet „LatePost“, dass ByteDance über die Schulung eines Modells mit einer Parametergröße von über 5 Billionen diskutiert. Wenn dies umgesetzt wird, wird es das derzeit größte bekannte Modell mit der größten Parametergröße im Inland sein.

Gleichzeitig beschleunigt die Kommerzialisierung von Doubao vollständig: Drei monatliche Abonnementstufen von 68, 200 und 500 Yuan sind offiziell eingeführt worden; Doubao beginnt, Provisionen für Bestellungen im Lebensdienstleistungsbereich zu erheben; das Produktteam von Feishu wird mit Doubao zusammengelegt, um sich intensiv dem Desktop-Agent zu widmen.

Ein größeres Modell, eine stärkere technische Grundlage und ein neu integrierter geschlossener Geschäftszyklus von der Architektur bis zum Geschäft: Nachdem Byte KI nicht mehr die „Verfolgung“ betont, beginnt es, eine langsamere, aber vorstellbarere Geschichte zu erzählen.

Byte KI setzt weiterhin auf das Motto „Großer Aufwand bringt Wunder“, nur dass sich dieses Mal die Richtung des „Aufwands“ geändert hat.

01 Zhang Yiming lehnt die Destillation ab

Zhang Yiming, Gründer von ByteDance, hat sich seit seinem Rücktritt ins Hinterzimmer im Jahr 2021 sehr zurückhaltend verhalten. Kürzlich trat er jedoch selten auf der Vollversammlung des Seed-Teams auf und erklärte eindeutig, dass er die „Destillation ablehnt“.

Anschließend auf der Vollversammlung von ByteDance am 5. August definierte Liang Rubo, CEO von ByteDance, die Richtung weiter: „ByteDance wird bei großen Sprachmodellen auf unabhängige Forschung und Entwicklung setzen, die Grundlagen gut legen, kurzfristige Rückstände akzeptieren, an langfristiger Optimierung festhalten und vor allem darauf achten, dass die Maßnahmen nicht verformt werden.“

Die beiden Führungskräfte äußern sich gleichzeitig: Warum widersetzt sich ByteDance so eindeutig der „Destillation“?

Zuerst schauen wir uns an, was „Modelldestillation“ bedeutet: Es handelt sich darum, die Ausgaben zu verwenden, die von einem stärkeren fortschrittlichen Modell generiert werden, um das eigene Modell zu trainieren.

Es ist so, als würde man beim Lernen neben einem Spitzenstudenten (Lehrermodell) sitzen, ihm wiederholt Fragen stellen und Antworten erhalten; dann nutzt man diese „Fragen und Antworten“, um sich selbst (Schülermodell) zu trainieren, um die Leistungen schnell zu verbessern.

Es muss jedoch klargestellt werden, dass Destillation kein Plagiat ist. Man kann nicht direkt die Gewichtungen und vollständigen Trainingsdaten eines anderen Modells erhalten, es handelt sich lediglich um eine relativ „schnellere“ Lernmethode.

In der inländischen KI-Community ist Destillation fast eine stillschweigend vereinbarte „übliche Vorgehensweise“.

Zum Beispiel veröffentlichte DeepSeek Anfang 2025 das große Inferenzmodell DeepSeek-R1 und veröffentlichte gleichzeitig sechs Destillationsmodelle mit kleiner Größe, deren „Lehrermodell“ alle R1 selbst war.

Aber in der ausländischen KI-Community hat die Destillation einen öffentlichen Sturm ausgelöst.

Anfang dieses Jahres beschuldigte das amerikanische KI-Unternehmen Anthropic drei Hersteller großer Modelle, DeepSeek, Kimi und MiniMax, einen industriellen „Destillationsangriff“ auf sein Claude-Modell gestartet zu haben, aber keine der drei Unternehmen hat eine positive Antwort gegeben.

Destillation ist zwar tatsächlich eine „Abkürzung“ zur Verbesserung der Fähigkeiten großer Modelle, aber ob „schneller“ gleich „besser“ ist, bleibt umstritten.

Die vorherrschende Ansicht ist, dass es für Unternehmen von großen Modellen in der ersten Reihe schwierig ist, echte technische Barrieren nur durch Destillation aufzubauen. Außerdem ist die groß angelegte Durchführung von Destillation auch ein relativ komplexes systematisches Projekt, bei dem das Verhältnis von Berechnungsaufwand zu Ertrag berücksichtigt werden muss.

Die Destillationstechnik selbst ist keine Sünde, aber zumindest bei ByteDance durchdringt ihre Wachsamkeit gegenüber der Destillation fast die gesamte KI-Entwicklung.

Bereits 2023 wurde im Inneren des Modellteams klargestellt, dass keine von GPT generierten Daten in den Trainingsdatensatz aufgenommen werden dürfen.

Im Januar 2025 erschien DeepSeek R1 plötzlich und zeigte mit begrenzten Trainingskosten starke Inferenzfähigkeiten, was den inländischen Unternehmen großer Modelle großen Wettbewerbsdruck brachte, einschließlich des Seed-Teams von ByteDance.

Dazu gab es im Inneren von Seed Diskussionen darüber, ob die Destillationsmethode angewendet werden soll, um die generierten Ergebnisse der führenden amerikanischen Modelle einzuführen, aber schließlich wurde dieser Vorschlag von der Geschäftsleitung abgelehnt.

Angesichts des ständig steigenden Intelligenzniveaus großer Modelle im In- und Ausland ist Destillation jedoch immer eine Option, die das Innere von Seed nicht vermeiden kann.

Bis zum Erscheinen von Kimi K3, diesem ebenfalls aus dem Inland stammenden großen Modell, dessen Fähigkeiten den ausländischen geschlossenen Flaggschiffmodellen sehr nahe kommen, wurden die Stimmen für die Destillation im Inneren von Seed immer zahlreicher.

Diesmal trat Zhang Yiming endlich auf und erklärte, dass er „keine Destillation akzeptiert“. Laut Berichten von 36Kr hat das Seed-Team nach dieser Vollversammlung neue Richtlinien eingeführt, die eindeutig verbieten, Modelle mit offenen Gewichtungen wie K3 zu destillieren, und verdächtige Destillationsverhalten rückverfolgend prüfen.

Für ByteDance ist „die Ablehnung der Destillation“ nicht nur ein Slogan, sondern auch eine bereits umgesetzte Maßnahme.

02 Die eigenen Stärken ausspielen

Aber das Problem ist: Warum verhält sich ByteDance, das stets an das Motto „Großer Aufwand bringt Wunder“ glaubt, dieses Mal ungewöhnlich und ist bereit, langsamer zu werden?

Vielleicht kann man die Antwort in der eigenen Genetik von ByteDance finden.

Im Jahr 2012 brachte ByteDance sein erstes Produkt „Jinri Toutiao“ auf den Markt, was aus Sicht des Produktmodells nicht sehr innovativ war. Zu dieser Zeit hatten große Unternehmen wie Sohu, NetEase und Tencent ähnliche Nachrichten-Apps auf den Markt gebracht.

Das Besondere an „Jinri Toutiao“ war jedoch, dass es versuchte, mit technischen Mitteln zu beeinflussen, welche Inhalte von Nutzern gesehen werden können. Mit der Technik der algorithmischen Empfehlung schuf ByteDance ein Nachrichten- und Informationsmodell, das sich von den Portalen unterscheidet, und es wird bis heute angewendet.

So ist es nicht schwer zu verstehen, warum Zhang Yiming sich entschieden hat, „Nein“ zur „Destillation“ zu sagen. Destillation bedeutet im Wesentlichen, die bereits vorhandenen Fähigkeiten anderer zu kopieren. Auf diesem Weg kann man höchstens ständig dem anderen näherkommen, aber es ist schwierig, wirklich zu übertreffen.

Nur wenn man die vorhandenen Branchenerfahrungen umgestaltet, kann man eine eigene Laufbahn einschlagen. Das ist die Erfahrung, die ByteDance seit der Entwicklung seines ersten Produkts gelernt hat, und das gilt besonders für den Bereich der großen KI-Modelle.

Im Jahr 2024 wurde eine gemeinsame Forschung von Einrichtungen wie der Universität Oxford und der Universität Cambridge auf dem Cover von „Nature“ veröffentlicht. Sie wies darauf hin, dass wenn ein Modell wiederholt mit von KI generierten Daten trainiert wird, die Tail-Informationen in der ursprünglichen Datenverteilung allmählich verschwinden und schließlich zu einer irreversiblen Verschlechterung der Fähigkeiten führen.

Noch wichtiger ist, dass das Kernschlachtfeld von ByteDance nie reine Textmodelle sind, sondern native Multimodalität. Es erfordert, dass das Modell von Grund auf eine mehrdimensionale Wahrnehmung der physischen Welt aufbaut und einen tiefgreifenden Ausrichtungsmechanismus zwischen Text, Bild, Video und Audio etabliert.

Wenn man sich dafür entscheidet, das Modell anderer zu destillieren, bedeutet das, dass man die Kodierungsgrundlage anderer erbt, und ByteDance verliert die Fähigkeit, die Regeln für Multimodal-Modelle von Grund auf zu definieren.

Womit kann ByteDance, das die Destillation ablehnt, das Modell stärker machen? Die Antwort sind Daten.

Kürzlich gründete ByteDance eine neue Abteilung auf erster Ebene namens „KI-Daten und Sicherheit“. Einer der Vorgänger dieser Abteilung ist das Daten Team Global Data, das von Fu Yue, einem Mitglied des Gründungsteams von TikTok, gegründet wurde. Gleichzeitig wurden mehrere zuvor verteilte KI-Datenabteilungen zusammengefasst.

Laut Berichten des Buches „Intelligentes Emergieren“ gab eine Person, die dieser Abteilung nahesteht, an, dass diese Abteilung ein riesiges Daten Team sein wird, das von Basismodellen bis zu Geschäftsabteilungen reicht, und ihre Kernfunktion besteht darin, cross-modale Datendienste für alle großen Modelle von ByteDance bereitzustellen.

Vor diesem Hintergrund hat ByteDance nie an Investitionen in Trainingsdaten für große Modelle gespart. Im Jahr 2026 übersteigt das Datenbudget von ByteDance bereits den Wert von mehreren zehn Millionen US-Dollar, und es befindet sich in einem Zustand, in dem „das Budget jederzeit aufgestockt werden kann“.

Warum werden „Daten“ immer wichtiger? Heutzutage durchläuft die gesamte KI-Industrie einen strukturellen Wandel. Die Fähigkeiten großer Modelle werden schnell homogenisiert, die Verbesserung der Fähigkeiten durch die Algorithmusarchitektur verlangsamt sich, und Daten werden allmählich zu der Variable, die die Obergrenze der Modellfähigkeiten bestimmt.

Aber je hochwertiger die Daten sind, desto knapper sind sie. Laut der neuesten Berechnung des unabhängigen Forschungsinstituts EpochAI werden die Trainingsdaten für Sprachmodelle die von Menschen veröffentlichten Textdaten in den nächsten fünf Jahren erschöpfen, und die Erschöpfung hochwertiger Sprachdaten kann sogar schon 2026 eintreten.

Im vergangenen Jahr haben alle großen Modellhersteller ihre Investitionen in Daten erhöht. Im Jahr 2025 stellte Anthropic ein Budget von über 1 Milliarde US-Dollar für RL-Daten bereit; die jährlichen Datenausgaben von OpenAI betrugen etwa 1 Milliarde US-Dollar, und die interne Prognose geht davon aus, dass sie bis 2030 auf 8 Milliarden US-Dollar steigen werden.

Dabei sind Daten genau die Stärke, auf die ByteDance am besten zurückgreifen kann.

In den letzten zehn Jahren hat ByteDance ein extrem ausgereiftes Daten-Flywheel aufgebaut: Nutzer auf der ganzen Welt generieren täglich massenhafte Verhaltensdaten auf den Plattformen, die ByteDance helfen, detailliertere Nutzerprofile zu erstellen und gleichzeitig die Empfehlungsalgorithmen der Plattform ständig zu verbessern.

Diese angesammelten Bild-, Text-, Video-, Live-Streaming- und Interaktionsdaten sind nicht nur umfangreich, sondern auch real und mit Kontext versehen, und sie sind zu den seltensten Trainingsmaterialien für die großen Modelle von ByteDance geworden.

Auf dem Weg zur AGI hält ByteDance bereits ein paar Trümpfe mehr als andere.

03 Auf eine „andere Zukunft“ setzen

Aber „auf sich selbst zu setzen“ ist zwangsläufig ein schwierigerer Weg, der sogar vorübergehende Rückstände verursachen kann.

Liang Rubo gab auch offen zu, dass Doubao seine Wettbewerbsfähigkeit bei C-End-Anwendungen beibehalten hat und das Videogenerierungsmodell Seedance den SOTA-Zustand beibehält, aber die großen Sprachmodelle haben einen größeren Abstand zu den führenden ausländischen Modellen.

Aber ByteDance ist bereit, diesen Preis zu zahlen.

Denn es setzt auf eine Zukunft, die sich von der anderer großer KI-Unternehmen unterscheidet – nicht nur auf supergroße Modelle, die nur Parameter und Größe anstreben; nicht nur ein Technologieanbieter, der nur Modelle verkauft, sondern ein System, bei dem das KI-Daten-Flywheel das gesamte Ökosystem antreibt.

Das Ziel von ByteDance ist in seinen jüngsten kommerziellen Maßnahmen klar zu erkennen.

Auf der C-End-Seite beginnt Doubao, ein Bezahlmodell auszuprobieren.

Gemäß der Liste der monatlich aktiven Nutzer von nativen KI-Apps im Juni 2026, die von QuestMobile veröffentlicht wurde, steht Doubao mit 382 Millionen monatlich aktiven Nutzern an erster Stelle mit großem Abstand, und die Nutzerzahl wächst weiter mit einer jährlichen Wachstumsrate von 172,1 %.

Nachdem die Nutzerzahl gewachsen ist, beginnt Doubao, ein professionelles Mitgliedschaftssystem einzuführen (drei Stufen mit 68, 200 und 500 Yuan); gleichzeitig ist das gesamte Produktteam von Feishu in Doubao integriert worden. In Zukunft kann ein einziges Doubao die beiden Szenarien Leben und Arbeit verbinden.

Auf der B-End-Seite beginnt Doubao auch, „Gebühren zu erheben“. Ab dem 10. August wird für einige Bestellungen, die über den Eingang von Doubao zu Douyin Laike weitergeleitet und abgeschlossen werden,