Ein Collective-AGI-Unternehmen möchte eine zusätzliche Ebene der „Organisation“ zur künstlichen Intelligenz hinzufügen.

In den letzten Jahren war der klarste Entwicklungspfad in der KI-Branche, einzelne Modelle stetig leistungsfähiger zu machen.

Größere Parametermengen, mehr Daten und stärkere Inferenzfähigkeiten ermöglichen es einzelnen Modellen, immer komplexere Aufgaben zu bewältigen. Aber als die KI begann, aus Chat-Fenstern in Roboter, Drohnen, Industrie- und Stadtsysteme einzudringen, veränderten sich auch die Fragestellungen.

Systeme in der realen Welt funktionieren nur sehr selten auf Basis eines einzigen Modells.

In einem Roboterteam verfügt jede Maschine über unterschiedliche Sensoren, Rechenleistung und Aufgaben; in einem System für die Sicherheit im niedrigen Luftraum können gleichzeitig Kameras, Radare, Drohnen, Edge-Geräte und verschiedene Algorithmen im Einsatz sein. Selbst das intelligenteste einzelne Modell weiß nicht von Natur aus, wie diese Geräte ihre Aufgaben aufteilen, wann sie zusammenarbeiten und wer nach einem Ausfall die Aufgaben übernimmt.

Wie lassen sich immer mehr intelligente Elemente sinnvoll organisieren? Genau diese Frage möchte Dunxu Technology beantworten.

Im April dieses Jahres wurde Dunxu Technology offiziell gegründet. Das Unternehmen, das aus dem Staatlichen Schlüssellabor für Kognition und Entscheidungsfindung komplexer Systeme am Institut für Automatisierung der Chinesischen Akademie der Wissenschaften hervorgegangen ist, verfolgt ein Ziel, das auf den ersten Blick etwas überraschend wirkt.

Als Unternehmen für künstliche Intelligenz konzentriert sich Dunxu Technology nicht auf Großmodelle und verwandte Bereiche, sondern versucht, eine neue Funktionsebene zwischen vorhandenen intelligenten Einheiten wie Großmodellen und Anwendungen einzufügen – die Organization Layer, also die Organisationsebene.

Das ist keine Kleinigkeit. Im Zeitalter der Computer führte die Einführung einer neuen Operating System Layer zur Entstehung von Unternehmen wie Microsoft und Apple. Im KI-Zeitalter brachte die neue Intelligence Layer Unternehmen wie OpenAI und Anthropic hervor. Man kann sogar sagen: Jeder Sprung der Informationsrevolution geht auf die Entstehung einer neuen Ebene in der Rechenarchitektur zurück.

In der technischen Logik von Dunxu Technology sind Modelle für die Erzeugung individueller Intelligenz zuständig, während die Organisation für die Erzeugung von Gruppenintelligenz sorgt: Intelligente Einheiten mit unterschiedlichen Fähigkeiten, Kosten und Formen werden miteinander verbunden, sodass sie zusammenarbeiten, Feedback geben und sich anpassen können – und das gesamte System schließlich Fähigkeiten erhält, die kein einzelnes Element von Natur aus besitzt.

Einfach ausgedrückt lösen Großmodelle die Frage, ob eine einzelne intelligente Einheit „intelligent genug“ ist. Das Problem, das Dunxu Technology lösen möchte, lautet: Wenn immer mehr Individuen mit grundlegender Intelligenz entstehen, wie lassen sie sich organisieren – und wie kann man sogar erreichen, dass sie eine höhere Intelligenz emergieren lassen?

Das Unternehmen nennt dieses Ziel Collective AGI, also kollektive allgemeine künstliche Intelligenz. Das ist auch das Forschungsthema, dem Pu Zhiqiang, Gründer und Vorsitzender von Dunxu Technology, seit mehr als zehn Jahren nachgeht. Der 38-Jährige ist stellvertretender Direktor des Staatlichen Schlüssellabors für Kognition und Entscheidungsfindung komplexer Systeme, Forscher am Institut für Automatisierung der Chinesischen Akademie der Wissenschaften und Träger des nationalen Preises für herausragende junge Wissenschaftler.

2024 diskutierte Pu Zhiqiang gemeinsam mit seinem Team über verteilte Gruppenintelligenz

Vor mehr als zehn Jahren gab es für dieses Thema noch keinen so zukunftsweisenden Namen wie Collective AGI. Was den damals über 20-jährigen Pu Zhiqiang faszinierte, war eine Ameise.

01

Eine weitere Quelle der Intelligenz

Eine einzelne Ameise kann nur sehr wenig tun. Aber eine Gruppe von Ameisen hat keinen „Kommandanten“, der Befehle gibt, und kann dennoch komplexe Verhaltensweisen wie Nahrungssuche und Nestbau vollbringen, die weit über die Fähigkeiten eines einzelnen Individuums hinausgehen – für diesen Prozess reichen sogar ein oder zwei einfache Regeln aus.

Dank Gruppenintelligenz können Ameisen, die keine Ahnung vom Brückenbau haben, eine Brücke errichten (KI-generierte Grafik)

Die komplexe Wissenschaft fasst dieses Phänomen einfach zusammen: Das Wesen der Gruppenintelligenz besteht darin, durch geeignete Organisation einfacher Regeln fortgeschrittene Intelligenz zu erzeugen. „Das heißt, es gilt nicht 1+1=2, sondern 1+1>2.“ Genau dieser „zusätzliche“ Teil hat Pu Zhiqiang wirklich interessiert. In der Forschung der komplexen Wissenschaft wird dieses Phänomen oft als „Emergenz“ bezeichnet.

Obwohl diese Forschungsrichtung 2021 mit dem Nobelpreis für Physik ausgezeichnet wurde, war sie vor mehr als zehn Jahren noch ein sehr exotisches Gebiet. Pu Zhiqiang erinnerte sich später: Wenn ein Bereich bereits populär ist und der Weg sehr klar vorgezeichnet ist, würde er sich wahrscheinlich nicht dafür entscheiden, dort einzusteigen.

„Es gibt nichts zu zögern.“ Er meint, Gruppenintelligenz sei zukunftsweisend, aber nicht nur um des Neuen willen. Im heutigen Zeitalter der künstlichen Intelligenz berührt sie eine wesentlichere Frage: Muss Intelligenz zwangsläufig aus immer leistungsfähigeren Individuen stammen? Oder kann Intelligenz auch durch die Organisationsbeziehungen zwischen Individuen selbst entstehen?

Er hat diese Frage mehr als zehn Jahre lang erforscht. Pu Zhiqiang betonte immer wieder, dass die Forschung „echte Probleme“ lösen muss – das führte seine Arbeit schon sehr früh von Algorithmen und Simulationen in die reale Welt.

Um das Jahr 2020 begann er, Gruppenintelligenz für die Forschung an echten Fußballspielen einzusetzen. Fußball ist anschaulich ein typisches System für Gruppenintelligenz. In einer Mannschaft besitzt kein Spieler alle Informationen. Jeder kann nur einen Teil des Spielfelds sehen, aber das Team muss ständig kollektive Entscheidungen treffen: An wen soll der nächste Pass gehen, wer soll die Position wechseln, wie soll man sich anpassen, wenn der Gegner eine andere Spielweise wählt.

Was Pu Zhiqiang lösen wollte, war nicht nur die Datenerhebung nach dem Spiel, sondern Probleme „während“ und „vor“ dem Spiel: Wie soll man weiterspielen, wenn das Spiel an diesem Punkt angelangt ist? Was passiert, wenn man einen Spieler austauscht? Kann man verschiedene Spielweisen von Gegnern im Voraus durchspielen?

Das Team hat sogar kontrafaktische Simulationen durchgeführt und versucht, dieses System zu einer Art „virtuellem Trainer“ weiterzuentwickeln. 2025 versuchte das Team in einem spezifischen komplexen Entscheidungsversuch, zwei selbst entwickelte Modelle mit mehreren hundert Millionen Parametern zusammenarbeiten zu lassen. Unter gleichen Bedingungen lieferten sie im Vergleich zu damals gängigen allgemeinen Großmodellen mit mehreren zehn Milliarden Parametern deutlich bessere Ergebnisse für diese Aufgabe.

Für Pu Zhiqiang ist das nicht nur eine Geschichte von „Kleinen Modellen, die große Modelle besiegen“, sondern ein einfacher Beweis: Individuen müssen nicht allmächtig sein – durch geeignete Organisation von Regeln lassen sich auch fortgeschrittenere Fähigkeiten erzeugen.

Das Team nutzte echte Daten von Champions-League-Spielen und setzte Gruppenintelligenz ein: Modelle mit mehreren hundert Millionen Parametern „besiegten“ Modelle mit mehreren zehn Milliarden Parametern

Auf dem Fußballplatz verwandelten sich die Spieler allmählich in Drohnen, Kameras, Radare und verschiedene Algorithmen, später in Roboterhunde und Roboter. Das Grundproblem hat sich nicht verändert: Jedes Individuum verfügt nur über begrenzte Informationen und unterschiedliche Fähigkeiten. Die eigentliche Schwierigkeit besteht darin, sie in einer sich ständig verändernden realen Welt bei der Aufgabenteilung, Zusammenarbeit und Anpassung zu unterstützen.

Wenn diese Laboruntersuchungen in die reale Welt übergehen, entsteht gleichzeitig etwas anderes: Daten und Ingenieurserfahrung.

Im ersten realen Anwendungsbereich für die Sicherheit im niedrigen Luftraum hat Pu Zhiqiangs Team bereits etwa 50 TB an multimodalen Drohnenerkennungsdaten gesammelt, die verschiedene Modi wie sichtbares Licht, nahes Infrarot, Wärmeinfrarot und Radar abdecken; darüber hinaus gibt es 15 Millionen gültig annotierte Zielproben und mehr als 2000 durchgeführte Experimente.

Die Bedeutung dieser Zahlen liegt nicht nur in ihrer „Größe“. Dass ein Algorithmus in der Simulation funktioniert, bedeutet nicht, dass er auch bei anderem Wetter, anderem Hintergrund oder mit einer anderen Kamera noch funktioniert; dass Drohnen in einer idealen Umgebung zusammenarbeiten können, bedeutet nicht, dass sie bei Kommunikationsverzögerungen, Gerätefehlern und Knotenausfällen noch normal laufen.

Reale Szenarien prüfen die Technik und erzeugen gleichzeitig die Daten, die für die nächste Entwicklungsstufe der Technik benötigt werden.

Von der frühen Clustersteuerung und Multi-Agent-Spieltheorie bis zur heterogenen Steuerung von Drohnenschwärmen und der Sicherheit im niedrigen Luftraum wurde dasselbe Problem wiederholt in verschiedenen Systemen überprüft. Dabei blieben Algorithmen, Daten, spezielle Modelle und Erfahrungen bei der Zusammenarbeit von Hard- und Software erhalten.

Das macht Dunxu Technology anders als viele junge KI-Startups: Das Unternehmen ist neu, aber die Fähigkeiten, die es zur Produktivumsetzung bringen muss, sind nicht neu – die theoretische Grundlage, Datensammlung und technische Infrastruktur waren bereits vor der Unternehmensgründung vorhanden.

02

„Beziehungen“ zu Produkten machen

Dass die technische Akkumulation lange genug andauert, bedeutet nicht zwangsläufig, dass man ein Unternehmen gründen muss. Tatsächlich stand die Unternehmensgründung in dem Plan, den Pu Zhiqiang für diesen Prozess entworfen hat, ganz am Ende.

Ungefähr ab 2023 begann er, die Industrialisierung der Gruppenintelligenz ernster zu prüfen. Im Team wurde eine Reihenfolge festgelegt: Echte Anwendungen – echte Systeme – Produkte – Unternehmen. Zuerst geht man in die reale Umgebung, um zu bestätigen, dass die Technik wirklich funktioniert; dann entwickelt man von einem Algorithmus zu einem vollständigen System; nachdem das System läuft, prüft man, wie viele Fähigkeiten daraus zu Produkten gemacht werden können. Erst ganz am Ende braucht man ein eigenes Unternehmen.

Um zu beurteilen, ob „die Zeit reif ist“, schaute Pu Zhiqiang nicht darauf, ob es einen ansprechenden Demo gibt, sondern auf einen anderen, praktischeren Indikator: Wiederverwendbarkeit.

Anfangs arbeitete das Team noch an einzelnen konkreten Projekten: Für jede Anfrage eines Kunden wurde ein entsprechendes Problem gelöst. Ohne es zu merken, hat das Team innerhalb weniger Jahre Projekte im Wert von mehreren hundert Millionen Yuan abgeschlossen. Aber mit zunehmender Anzahl dieser Projekte bemerkte Pu Zhiqiang allmählich eine Veränderung: Einige Fähigkeiten, die ursprünglich neu entwickelt werden mussten, konnten nun in verschiedenen Projekten wiederverwendet werden.

„Es fehlt nur die letzte Meile“, beschrieb er diese Phase. Diese letzte Meile lässt sich nicht mehr im Forschungsinstitut umsetzen.

Der Markt beschleunigte diesen Schritt danach noch. Ein Auftritt auf einer Branchenmesse zog mehr als 30 Institutionen an, die Kooperationsbereitschaft signalisierten – Marktbedürfnisse in Millionenhöhe tauchten plötzlich auf. Da wurde Pu Zhiqiang klar: „It’s time“.

Später nannte er das „durch Aufträge erzwungene Unternehmertum“: Man gründet nicht zuerst ein Unternehmen mit der Mission Collective AGI, um dann ein Szenario zu suchen, das die Geschichte bestätigt – sondern die Technik wird bereits von anderen genutzt, sodass das Unternehmen selbst zu einem notwendigen Teil wird, der ergänzt werden muss.

Im April dieses Jahres wurde Dunxu Technology gegründet. Die Monate Mai und Juni nach der Gründung wurden intern als „Marktmonate“ bezeichnet. Die mehreren Mitbegründer, die für verschiedene Bereiche zuständig sind, mussten alle Kunden besuchen, Anforderungen erfassen und Kooperationen suchen.

Zwei Monate später machte sich im Team niemand mehr Sorgen um den Markt: „Die Anforderungen stapeln sich überall!“

Zu diesem Zeitpunkt begann er, sich Sorgen um das Produkt zu machen.

Weil es so viele Anforderungen gibt, kann ein Technikunternehmen manchmal auf den vertrautesten, aber auch gefährlichsten Weg zurückfallen: Für einen Kunden wird eine Lösung erstellt, für den nächsten Kunden wieder eine individuelle Lösung. Die Anzahl der Projekte steigt, die Einnahmen können wachsen – aber die grundlegenden Fähigkeiten lassen sich nie konsolidieren.

Pu Zhiqiang entschied sich für Zurückhaltung. Nicht jede Anfrage wird sofort angenommen, sondern man prüft zuerst: Was bleibt nach Abschluss dieses Projekts wirklich übrig?

Das ist auch die Bedeutung von „Wiederverwendbarkeit“, wenn sie in der Geschäftswelt ankommt. Für Dunxu Technology gilt: Was wiederverwendet werden soll, ist nicht nur ein einzelnes Modell, sondern die Frage, ob die Art und Weise, wie verschiedene Modelle und Geräte zusammenarbeiten, wiederverwendet werden kann.

Die Sicherheit im niedrigen Luftraum wurde zum ersten Testfeld. In einem realen System für den niedrigen Luftraum gibt es möglicherweise bereits Kameras, Radare, Drohnen, Edge-Geräte und Ausführungsterminals verschiedener Hersteller. Jedes kann einen Teil der Aufgaben erledigen, aber früher mussten viele dieser Glieder noch von Menschen verbunden werden.

Dunxu Technology fügt dazwischen eine Ebene namens „Gruppenintelligenz-Gehirn“ hinzu: Vorne werden die Wahrnehmungsgeräte angeschlossen, in der Mitte laufen Informationsfusion, Bewertung und Steuerung ab, hinten werden die Ausführungsgeräte verbunden; verschiedene Module können auch getrennt nach den vorhandenen Systemen der Kunden bereitgestellt werden.

Aus dieser Sicht möchte Dunxu Technology eigentlich kein Radar oder keine Drohne zu einem Produkt machen, sondern die Organisationsbeziehung der Gruppenintelligenz zwischen ihnen.

Intern gibt es bei Dunxu Technology eine etwas technisch anmutende Bezeichnung dafür: „Organisationsdestillation“. Einfach ausgedrückt: Kann eine einmal durchgeführte erfolgreiche Zusammenarbeit zu Erfahrungsregeln werden, die man auch beim nächsten Mal weiterverwenden kann – und am Ende sogar zu Formeln?

Wenn mehrere Geräte nach vielen Betriebsdurchläufen eine wirksame Methode für Aufgabenverteilung und Zusammenarbeit entwickelt haben, soll das System diese konsolidieren. Beim nächsten Mal, wenn Geräte