Zhang Yiming entwickelt persönlich das Echtzeit-Weltmodell von ByteDance.

ByteDance-Gründer Zhang Yiming leitet persönlich ein Echtzeit-„Weltmodell“, das auf dem unternehmenseigenen Video-KI-System Seedance basiert. Laut einem Bericht von Bloomberg könnte dieses Modell bereits im nächsten Monat vorgestellt werden.

Zhang Yiming ist nicht mehr für den täglichen Betrieb von ByteDance verantwortlich. Er trat 2021 als CEO zurück, später legte er auch den Vorsitz nieder und übertrug die Leitung der Geschäfte von TikTok, Douyin und anderen ByteDance-Einheiten an Dritte. Laut einem Bericht von Bloomberg vom 7. September koordiniert er derzeit jedoch persönlich Ingenieure aus mehreren Geschäftsbereichen, um ein Projekt voranzutreiben: ein Modell, das interaktive dreidimensionale Welten rendern und Nutzer in Echtzeit darin bewegen kann – und das alles aus der Cloud.

Der Schlüssel liegt in den Daten. Laut Bloomberg liegt die Latenz dieses Modells bei etwa 50 Millisekunden bei einer Bildrate von 20 Bildern pro Sekunde. Diese Geschwindigkeit reicht aus, um Szenen in Echtzeit durch die Bewegungen oder die Stimme des Nutzers umzugestalten, ohne auf vorgerenderte Videoclips warten zu müssen.

Das Modell baut auf dem bestehenden Videogenerierungssystem Seedance von ByteDance auf und ist speziell für das VR-Headset Pico konzipiert, dessen Übernahme ByteDance im August 2021 bestätigt hat, ohne den Kaufpreis zu nennen. Pico ist die Zielhardware für dieses Modell. Darüber hinaus richtet sich das Modell auch an die Plattform Douyin: Ersteller können darauf Livestreams, Kurzfilme und Spiele produzieren, ohne teure Grafikhardware anschaffen zu müssen, da die rechenintensiven Arbeiten auf den Servern von ByteDance ausgeführt werden – nicht im Headset selbst.

Bloomberg deutet Zhang Yimings persönliches Engagement als Bestreben von ByteDance, sich einen Platz im Bereich der künstlichen Intelligenz zu sichern. In diesem Wettbewerb gibt es bereits zwei bekannte Persönlichkeiten: Li Fei-Fei, KI-Pionierin der Stanford University, die World Labs mitbegründet hat, um Modelle für räumliche Intelligenz zu entwickeln; und Yann LeCun, ehemaliger Chef-KI-Wissenschaftler von Meta, der seit Jahren vertritt, dass Sprachmodelle allein Maschinen nicht dazu bringen können, die physische Welt wirklich zu verstehen.

Ein Weltmodell ist kein dreidimensionaler Chatbot, sondern ein trainiertes System, das das Verhalten von Räumen und darin befindlichen Objekten vorhersagen kann, wenn sich Objekte bewegen – ähnlich der Vorhersagefähigkeit, die Roboter beim Durchqueren einer Küche oder selbstfahrende Autos beim Erkennen von Straßen benötigen.

Das ist der Spitzenbereich, den ByteDance verfolgt – und das ist kein Spiel. ByteDance hat vier prioritäre KI-Ziele für 2026 festgelegt. Das Weltmodell steht an erster Stelle, gefolgt von der Festigung von Seedances Vorsprung im Videobereich, der Verbesserung von Codierungstools und der Erzielung von Profitabilität für Doubao.

Laut einem Bericht von 36Kr vom Juni hat ByteDance in diesem Jahr drei- bis viermal so viel in Trainingsdaten für Weltmodelle (einschließlich Video-, 3D- und Roboterdaten) investiert wie andere inländische Labore. Das ist eine beträchtliche Summe. Dem Bericht zufolge hat das von Wu Yonghui, dem Leiter der KI-Abteilung von ByteDance, geführte Seed-Entwicklungsteam sich das interne Ziel gesetzt, bis Ende 2026 mindestens ein Weltmodell auf den Markt zu bringen und es mit Googles Genie 3 zu benchmarken.

Zuvor hatte ByteDance-Gründer Zhang Yiming seinem Seed-KI-Team mitgeteilt, dass es vermeiden soll, Modelle von Wettbewerbern zu verfeinern – auch wenn dies kurzfristige Fortschritte opfert. Zuvor hatte das Weiße Haus Moonshot AI beschuldigt, das Fable-Modell von Anthropic verfeinert zu haben, um Kimi K3 zu entwickeln.

Ehrlich gesagt ist das ein äußerst anspruchsvolles Ziel für eine Technologie, die bisher niemand vollständig gemeistert hat – außer bei Labordemonstrationen. Auch Unternehmen wie Google und Meta haben diese Technologie noch nicht vollständig durchdrungen.

Die Wette auf die Cloud könnte wichtiger sein als das Modell selbst.

Für jeden, der KI-Infrastruktur oder Verbraucherhardware entwickelt, verdient dieser Punkt besondere Aufmerksamkeit. Das Rendern interaktiver 3D-Welten bedeutet normalerweise entweder, dass leistungsstarke GPUs am Kopf getragen werden müssen (wie bei den Lösungen von Meta Quest und Apple Vision Pro) oder dass man nur ruckelnde, wenig detailreiche Bilder erhält.

ByteDance setzt darauf, diesen Kompromiss zu umgehen, indem alle Inhalte in der Cloud gerendert und mit 20 Bildern pro Sekunde an das lokale Gerät übertragen werden. Wenn dieser Ansatz auch außerhalb von Demonstrationen funktioniert, wird er die Annahme erschüttern, dass immersive VR teure lokale Hardware für ein gutes Erlebnis erfordert. Die Headsets von Pico könnten günstiger werden, ebenso wie nachfolgende Produkte von ByteDance.

Das passt auch zum bestehenden Erlösmodell von ByteDance. Das Geschäft von Douyin basiert auf Kurzvideos und Livestreams, nicht auf Spielkonsolen oder Workstation-Chips. Das cloudgerenderte Weltmodell kann direkt an die bereits massiv profitable Plattform des Unternehmens anknüpfen, ohne dass zunächst Millionen von Nutzern neue Hardware kaufen müssen.

Noch ist nichts endgültig beschlossen. Der Bericht von Bloomberg weist darauf hin, dass der Veröffentlichungszeitpunkt noch nicht feststeht und sich noch verschieben kann. ByteDance hat auch keine Angaben zu Preisen, der Markteinführung außerhalb Chinas und der Integration von Pico mit Inhaltserstellern gemacht. Sicher ist aber, dass der sonst eher zurückhaltende Gründer des Unternehmens dieses Projekt für so wichtig hält, dass er wieder in die Öffentlichkeit tritt.

Dieser Artikel stammt aus dem WeChat Official Account „Tech Business“, verfasst von Tech Business und wurde mit Genehmigung von 36Kr veröffentlicht.