Die Bewertung kletterte auf 4 Milliarden US-Dollar, aber interaktive Echtzeitvideos haben bislang noch keine "Killeranwendung" hervorgebracht.
„Kernhinweis“ Das Kapital setzt verrückte Wetten ein, und die Bewertungen steigen stetig. Bei diesem großen Wetteinsatz um interaktive Echtzeit-Videos – geht es um technische Routen oder um das Glück junger Gründer?
Weltmodelle gehören in den letzten zwei Jahren zu den kostenintensivsten und gleichzeitig am weitesten entfernten Bereichen im Bereich der künstlichen Intelligenz.
Ihr Ziel ist es, dass die KI intern eine selbstständig funktionierende virtuelle Welt aufbaut, um Spiele, Roboter und autonomes Fahren zu trainieren. Entscheidungen, die Menschen intuitiv treffen, verbrauchen bei der Übergabe an die KI enorme Rechenleistung und Daten. Für normale Menschen scheint dies weit vom täglichen Leben entfernt zu sein.
Doch selbst solche scheinbar weit entfernten Weltmodelle haben heute konkrete kommerzielle Anwendungsrichtungen.
Dieses Jahr im Mai schloss Decart, ein Unternehmen für Weltmodelle, eine Kooperation mit AWS, der Cloud-Sparte von Amazon, um sein Echtzeit-Videomodell Lucy als API zu verpacken und über das Verteilungsnetz von AWS Unternehmenskunden zur direkten Nutzung bereitzustellen – die Abrechnung erfolgt nach verbrauchten Tokens.
Die Fähigkeiten von Lucy sind sehr praxisnah: Sie müssen nur die Kamera auf sich selbst, auf den Raum oder auf irgendein Objekt in Ihrer Nähe richten, einen Satz eingeben, und das Bild ändert sich sofort. Laut dem offiziellen Video von Lucy 2.5 können Sie sogar jederzeit Kleidung virtuell anprobieren – wenn Sie sich umdrehen oder die Hand heben, bewegt sich die Kleidung mit Ihnen. Vielleicht wird das Problem, das uns beim Online-Einkauf am meisten stört, in naher Zukunft wirklich von der KI gelöst.
Das ist interaktives Echtzeit-Video. In Zukunft werden Videos möglicherweise nicht mehr nur fertige Aufnahmen sein, sondern Bilder, die für Sie vor Ort generiert werden, die Sie jederzeit unterbrechen und nach Belieben ändern können. Auf dem teuren und weit entfernten Gebiet der Weltmodelle ist dies derzeit einer der wenigen Bereiche, in denen tatsächlich Einnahmen erzielt werden können. Weil es nah an der Kommerzialisierung ist, strömen viele Menschen und viel Kapital hinein, und gleichzeitig werden parallel technische Routen verfolgt, die unabhängig von den Weltmodellen existieren.
Doch hinter der Begeisterung ist auf Produktseite noch unklar, wer als Erster die „Killer-App“ hervorbringen wird.
Warum ist also interaktives Echtzeit-Video in dieser fernen, mit KI verbundenen Zukunft eine gute Richtung für die kommerzielle Umsetzung? Wie viele technische Routen verlaufen parallel zwischen dem neuartigen Interaktionsmodus und den umgesetzten Produkten, und wie weit ist der Weg noch?
Drei Routen, drei Vorgehensweisen
Herkömmliche KI zur Videogenerierung, wie Sora von OpenAI oder Seedance von ByteDance, erhalten als Eingabe einen Textabschnitt und geben ein fertiges Video von einigen Sekunden bis zu mehreren Dutzend Sekunden aus – Nutzer können es nur ansehen, nicht verändern oder bearbeiten. Interaktives Echtzeit-Video ist anders: Es kann kontinuierlich auf Basis bereits generierter Bilder und der Interaktion des Nutzers neue Inhalte erzeugen, sodass eine Oberfläche entsteht, die in Echtzeit erkundet werden kann und sich mit den Aktionen des Nutzers ändert.
Nehmen wir als Beispiel einen Zug, der in einen Tunnel einfährt und wieder herausfährt:
Die von Decart gewählte Weltmodell-Route trägt eine simulierte Welt „im Kopf“. Wenn der Zug in den Tunnel fährt, weiß sie noch, dass der Zug existiert und wieder herauskommen wird. Diese Route ist sehr leistungsfähig, aber auch sehr teuer – sie verbraucht viel Rechenleistung und viele Daten.
Deshalb ist für die Darstellungsform des interaktiven Echtzeit-Videos derzeit die Pixel-Route der gängigere Ansatz. Jeder Frame im Video wird als einzelnes Bild betrachtet und Bild für Bild erzeugt. Wenn der Zug in den Tunnel einfährt, verschwindet er auf dem Bild, und das Modell muss raten, ob es den Zug wieder zeichnen soll. Diese Route erzeugt also leichter schöne, immersive Effekte, aber sie kümmert sich nicht darum, ob Objekte ständig vorhanden sind oder Zahlen korrekt sind. Probleme wie ein zusätzlicher Finger oder ein falsch angegebener Preis treten meistens hier auf.
Die dritte Route ist die Code-Route, die das chinesische Unternehmen für interaktives Echtzeit-Video SigmaZ AI gewählt hat. SigmaZ AI ist ein Unternehmen für interaktive Echtzeit-Videogenerierungsmodelle, das von diffusen Sprachmodellen angetrieben wird.
Die von ihm gewählte Route erzeugt keine Bilder, sondern pflegt im Hintergrund eine Szenenliste – der Zug ist ein Eintrag auf dieser Liste. Wenn der Zug in den Tunnel einfährt, markiert der Hintergrund ihn als „vorübergehend verdeckt“, sodass er stabil aus dem anderen Ende herausfahren kann. Tatsächlich erzeugt es kein Video, sondern eine ständig wachsende Webseite mit Zeitachse – jedes Objekt darin ist ein Stück Code, das Sie beliebig ziehen, drehen und jederzeit anhalten können. Auf dem Gebiet der Echtzeit-Interaktion ist es genauer als die Pixel-Route und kostengünstiger als das Vorgehen mit Weltmodellen. Bisher ist es aber in der Dimension der rein visuellen Wahrnehmung noch nicht so leistungsfähig wie die Pixel-Route.
Die drei Routen haben derzeit jeweils ihre eigenen Mängel, und alle arbeiten daran, diese zu beheben. Die Pixel-Route verbessert ihre Genauigkeit, die Code-Route verbessert die Bildqualität, und einige Weltmodell-Unternehmen wie Decart versuchen, die Rechenkosten zu senken. Erst wenn sie sich auf Produktseite treffen, wird sich zeigen, wer schneller ist.
Allerdings verfolgen alle Routen das gleiche Ziel, die Generierungsgeschwindigkeit zu erhöhen. Bei der Frage, wie man dies erreicht, hat jedes Unternehmen eine andere Antwort. Die Antwort von SigmaZ AI ist eine von den gängigen großen Modellen abweichende Generierungsmethode: das Diffuse Sprachmodell (DLM).
Dies ist ein anderer technischer Pfad als die bekannten großen Sprachmodelle. LLM generiert Token für Token – jedes folgende Wort kann erst erzeugt werden, wenn das vorherige feststeht, sodass längere Sätze langsamer erzeugt werden. DLM ist anders: Es erstellt zuerst einen groben Gesamtentwurf und korrigiert dann nach mehreren Iterationen alle Positionen gleichzeitig, bis das Bild klar ist. Da es nicht wortweise nacheinander, sondern parallel arbeitet, kann es theoretisch schneller sein.
In der Vergangenheit waren DLM meist kleine Modelle mit mehreren Milliarden Parametern. Mit LlaDA 2.0 hat die Ant Group diese erstmals auf eine Größenordnung von Billionen Parametern angehoben und bewiesen, dass diese Route ebenfalls die Größe gängiger großer Modelle tragen kann. Im Mai 2026 veröffentlichte ByteDance das quelloffene kontinuierliche latente Raum-Diffusions-Sprachmodell Cola DLM, und im Juni desselben Jahres veröffentlichte Google DeepMind erstmals das Diffusions-Textmodell Diffusion Gemma mit quelloffenen Gewichten. Genau wie LLM vor dem Durchbruch von ChatGPT entwickelt sich DLM nun vom Labor zu großtechnischen Anwendungen.
Das Kapital wettet auf eine Gruppe junger Menschen
Wenn die technische Route das Vorgehen bestimmt, dann ist eine weitere gemeinsame Eigenschaft des Kapitals noch direkter: Es setzt sein Geld auf eine Gruppe von Menschen in ihren Zwanzigern.
Dean Leitsdorf, Gründer und CEO von Decart, ist dieses Jahr 27 Jahre alt. Das Unternehmen hat mehrere Finanzierungsrunden abgeschlossen. Im Mai dieses Jahres wurde es bei einer Finanzierungsrunde von etwa 300 Millionen US-Dollar mit rund 4 Milliarden US-Dollar bewertet, zu den Investoren gehört unter anderem Nvidia. Laut Medienberichten plant Anthropic im August dieses Jahres, Decart zu einem Preis von etwa 6 Milliarden US-Dollar zu übernehmen.
Blickt man nach China, fließt das Geld ebenfalls in diese Richtung.
Zum Beispiel das chinesische Unternehmen Vivix, das ebenfalls an interaktiven Echtzeit-Videos arbeitet, aber die Route der „stromlinienförmigen Umgestaltung von DiT“ verfolgt. Sein Gründer Liu Yu wurde nach 1995 geboren, hat einen Doktortitel vom Multimedia-Labor der Chinesischen Universität Hongkong und wurde mit 26 Jahren einer der jüngsten geschäftsführenden Forschungsdirektoren von SenseTime. Laut Berichten hat Vivix derzeit über 100 Mitarbeiter, die meisten davon nach 1995 und 2000 geboren, und setzt auf interaktive Erzählungen und immersive Unterhaltung. Ein Jahr nach der Gründung hat das Unternehmen bereits 5 Finanzierungsrunden abgeschlossen, seine Bewertung übersteigt 1,32 Milliarden US-Dollar. Zu den Investoren gehören bekannte Institutionen wie IDG und HSG sowie Fiveyuen und BlueLake, die bereits in Xiaomi und Li Auto investiert haben.
SigmaZ AI, dessen technische Route und Anwendungsrichtungen sich von denen von Vivix unterscheiden, wurde ebenfalls von BlueLake Ventures ausgewählt. Im Vergleich zu immersiven Unterhaltungsrichtungen neigen sie eher dazu, eine allgemeine Plattform aufzubauen.
Wie bekannt ist, sind die beiden Gründer von SigmaZ AI, William (Yang Bolin) und Derek, 2003 bzw. 1995 geboren. Ersterer ist Seriengründer und hat mehrere Unternehmen gegründet; Letzterer hat einen Abschluss in Informatik des Imperial College London und war früher Tech Lead für visuelles Codetraining im Amazon AGI Lab. Neben BlueLake Ventures erhielt SigmaZ AI auch Investitionen von Yunqi Capital, Qiming Venture Partners und XIAOXIAO FUND.
Wenn das Kapital auf diese jungen Menschen setzt, wettet es im Grunde auf dasselbe: In zukunftsweisenden Bereichen, in denen große Konzerne nicht alles auf eine Karte setzen, könnten junge Gründer als Erste vorankommen.
Ein KI-Praktizierender sagte gegenüber der Publikation „Baobian“: Für zukunftsweisende Bereiche ist der Spielraum für Erkundungen in kleinen Startups oft größer als bei großen Konzernen. Große Konzerne setzen meist auf die profitabelsten Richtungen, kopieren und erweitern zuerst die bereits kommerziell erfolgreichen Modelle, um sie voll auszunutzen. Bei „Sidebets“ mit hohem Gewinnpotenzial aber niedriger Erfolgschance setzen sie meist nur ein kleines Team ein, um es auszuprobieren. „Wenn es nicht klappt, haben sie noch viele andere Einnahmequellen und geben diese Richtung einfach auf.“
Doch Richtungen, in die große Konzerne nicht voll investieren, sind nicht unbedingt falsch.
Im Mai 2026 gab der Lead-Investor der B-Runde von Decart öffentlich an, obwohl die gesamte KI-Branche allgemein davon ausgeht, dass Echtzeit-Generierungsweltmodelle für den Produktionseinsatz noch mehrere Jahre entfernt sind, hat Decart dies bereits zu einer kommerziellen Realität gemacht – Amazon ist einer seiner frühen Kernkunden für APIs über mehrere Produktlinien hinweg.
Dieses Unternehmen, das von Menschen in ihren Zwanzigern geführt wird, hat das scheinbar weit entfernte Produkt vor großen Konzernen ausgeliefert, und große Konzerne wie Nvidia sind stattdessen zu seinen Investoren geworden.
Wo liegt das nächste Schlachtfeld?
Die Begeisterung des Kapitals ist eine Sache, ob die Nutzer das Angebot annehmen, eine andere.
Bisher ist Decart auf Produktseite am weitesten fortgeschritten: Sein Lucy-Modell wurde bereits durch die Kooperation mit Amazon AWS an Kunden ausgeliefert. Derzeit werden seine Anwendungen im B2B-Bereich hauptsächlich in Szenarien wie E-Commerce bei Amazon, virtuelles Anprobieren, Livestreaming und Werbung eingesetzt – die Bereitstellung erfolgt über APIs und die Abrechnung nach Nutzungsmenge. Der Gründer von Decart deutete in einem Interview vage seine Hoffnung auf Anwendungen für Endkunden an: „Wir hätten ein gutes Unternehmen werden können, das an Nvidia oder einen anderen Giganten verkauft wird. Aber wir wollen eine Anwendung für eine Milliarde Verbraucher aufbauen.“
Vivix setzt möglicherweise stärker auf interaktive Erzählungen und immersive Unterhaltung. Laut Medienberichten wie „Investment Circle“ arbeitet Vivix derzeit an zwei Modellen. Eines ist Vivix-A1, das als erstes voll-duplexes Echtzeit-Modell für interaktive KI-Charaktere bezeichnet wird; das andere ist Vivix-W1, ein multimediales Großmodell mit Echtzeit-Funktion, dessen Kern die interaktive Erzählung ist – zusammen mit dem Modell wird auch eine API veröffentlicht.
SigmaZ AI hingegen stellt „Genauigkeit“ an die erste Stelle. William und Derek erklärten, dass Genauigkeit in ihrem Benchmark immer an erster Stelle stehen wird. Das führt dazu, dass ihre Produkte schließlich auf Praktikabilität abzielen. SigmaZ AI sagte gegenüber „Baobian“: Aus dieser Perspektive ist das Potenzial des Bereichs für interaktive Echtzeit-Videos möglicherweise viel größer als nur „einen interaktiven digitalen Menschen zu erzeugen“.
Ursprünglich entwickelte SigmaZ AI ein Konsumprodukt für Endkunden mit guten Nutzerzahlen, aber das Team stellte allmählich fest, dass Nutzer es nicht nur zum Lernen verwenden, sondern einige versuchen, damit kommerzielle Videos zu erzeugen.
„Kleine Händler, die Produktseiten hochladen, fragen uns im Hintergrund: Kann mein Produkt auch so 360 Grad gezeigt und vorgestellt werden? Die gängigen Tools zur Videogenerierung erzeugen nur 15 Sekunden auf einmal, sind teuer und machen oft Fehler bei den Produkten. Ihr Tool ist genau – wenn Sie eine separate Version für die Videoproduktion herausbringen, würde ich das Drei- bis Vierfache zahlen“, sagte William.
Auf Basis dieser tatsächlichen Nachfrage beschlossen sie, eine breiter zugängliche Plattform namens Tap8 zu entwickeln, die als „Produktlabor“ positioniert ist. Zukünftig wird Tap8 sowohl für Endkunden als auch für Unternehmenskunden geöffnet und dient verschiedenen informationsintensiven Szenarien wie Marketing, Vertrieb, Führung und Anleitungen. Vielleicht wird eines Tages, wenn der Nutzer die Kamera fragt „Wie repariere ich einen Fernseher?“, ein drehbares 3D-Modell auf dem Bildschirm erscheinen, das den Nutzer Schritt für Schritt durch die Bedienung führt.
Derzeit lassen sich bereits erste Anzeichen von Wettbewerb auf Produktseite erkennen. Nehmen wir das kleine Beispiel „Hintergrund austauschen“. Die Fähigkeit von Lucy ist es, dass Sie zu einem Echtzeitbild einen Satz sagen, und es den Hintergrund sofort austauschen kann. Im Werbevideo von Tap8 können Nutzer Fragen zu dem in Echtzeit generierten Bild stellen, das Bild nach Anweisung sofort ändern lassen und direkt auf Elemente im Bild klicken – zum Beispiel auf ein bestimmtes Teil eines 3D-Kopfhörermodells klicken, und Tap8 generiert sofort ein Bild mit der entsprechenden Erklärung zur Funktionsweise.
Doch dies ist möglicherweise nur ein kleiner Teil des Wettbewerbs. Die größere Herausforderung besteht darin, dass diese jungen Startups sowohl das Kapital als auch die Nutzer davon überzeugen müssen, dass das, was sie mit KI erzeugen, sich von den bereits vorhandenen Produkten auf dem Markt unterscheidet.
Zum Beispiel können Nutzer im Werbevideo von Lucy ihr Gesicht mit KI sehr aufgedunsen aussehen lassen, was cool wirkt – aber Filter von Douyin haben vor vielen Jahren bereits ähnliche Effekte erzeugt. Egal wie echtzeitfähig und flüssig die Technik ist, wenn sie in den Augen der Nutzer nur „ein weiterer Filter“ ist, hat dieser Bereich noch keine eigene Bedeutung erlangt.
Möglicherweise ist die echte Trennlinie in diesem Bereich nicht, wer schneller ist, sondern wer als Erster ein Produkt hervorbringt, das es so noch nie gegeben hat.