Alibabas Zeitalter der Dampfmaschinen

Autor | Huahua

Viele Menschen wissen vielleicht nicht, dass die ersten praktisch eingesetzten Dampfmaschinen der Industriellen Revolution nichts mit Zügen zu tun hatten.

Im Jahr 1712 baute der britische Ingenieur Thomas Newcomen eine atmosphärische Dampfmaschine, die dauerhaft am Eingang einer Kohlemine zum Abpumpen von Wasser eingesetzt wurde. Der Wirkungsgrad dieser Maschine lag bei nur etwa 1 %: Wagenladungen von Kohle wurden verbrannt, um Arbeiten zu verrichten, die zuvor bereits Bergleute und Pferde ausgeführt hatten.

Dass sie betrieben werden konnte, lag vor allem daran, dass in den Kohleminen kein Mangel an Kohle herrschte – der billige Brennstoff verbarg das Effizienzproblem vorübergehend.

Aus der damaligen Perspektive war dies ein teures Gerät für Bergwerke, weit entfernt von Textilfabriken, Dampfschiffen und Eisenbahnen.

Mehr als dreihundert Jahre später stellte Alibaba-CEO Wu Yongming auf der Yunqi-Konferenz das heutige KI-Coding neben die elektrische Lampe von 1882: Maschinen können Code schreiben, Berichte erstellen, Sitzungsprotokolle zusammenfassen und übernehmen damit bereits bestehende menschliche Arbeiten – das repräsentative Produkt des Zeitalters der maschinellen Intelligenz ist noch nicht erschienen.

Anschließend versuchte er, eine Rechnung für diese noch nicht vorhandene Produktivität aufzustellen: Der gesamte Umfang des maschinellen Denkens beträgt heute weniger als 3 % des menschlichen Umfangs, und in Zukunft könnte er mehr als das 1000-fache des menschlichen Werts erreichen.

Alibaba hat keine spezifischen statistischen Kriterien veröffentlicht, und diese Zahl lässt sich auch nicht direkt in Tokens umrechnen. Sie ist eher eine strategische Annahme über die Marktgröße.

I. Die ersten Dampfmaschinen konnten nur Wasser pumpen

Als Newcomens Maschine erschien, stammten die Hauptantriebskräfte in Großbritannien noch aus Wasser und Wind.

Der Wirtschaftshistoriker Nicholas Crafts schätzte unter Berufung auf historische Statistiken, dass die installierte Dampfkraft in Großbritannien im Jahr 1760 etwa 5000 PS betrug, was nur 5,9 % der gesamten Wind-, Wasser- und Dampfkraft ausmachte.

Im Jahr 1830 erreichte die Dampfkraft etwa das Niveau der Wasserkraft; bis 1870 stieg diese Zahl auf 2,06 Millionen PS an, was fast 90 % der gesamten drei Antriebsarten ausmachte.

Von 5,9 % auf fast 90 % brauchte die Dampfmaschine mehr als ein Jahrhundert.

Nachfolgende Generationen pflegen Dampfmaschinen, Züge und die Industrielle Revolution zusammen zu bringen, als ob Watt die letzte Schraube angezogen hätte und der Zug sofort aus dem Bahnhof gefahren wäre.

Aber die Geschichte schreitet viel langsamer voran.

Frühe Dampfmaschinen hatten einen niedrigen Wirkungsgrad und einen engen Einsatzbereich: Zuerst pumpten sie Wasser in Kohleminen, später fanden sie Anwendung in der Textilindustrie und Metallurgie. Fabriken wurden um die Antriebskraft herum neu aufgebaut, Eisenbahnen und Häfen erweiterten den Einsatzbereich, und ein einzelnes Gerät in der Mine entwickelte sich allmählich zu einer grundlegenden Fähigkeit der industriellen Gesellschaft.

Die heutige maschinelle Intelligenz befindet sich ebenfalls in dem Stadium, in dem die Antriebskraft bereits vorhanden ist, aber die Organisationsweise noch nicht verändert wurde.

KI-Coding kann ein Projekt, das ursprünglich acht Stunden dauert, auf zwei Stunden verkürzen – die Anzahl der Projekte, der Personalumfang und die Arbeitszeit unterliegen jedoch noch den alten Grenzen.

Das Erstellen von Berichten, Präsentationen und das Zusammenfassen von Sitzungsprotokollen folgt der gleichen Logik: Die Maschine beschleunigt den Prozess, aber das Gesamtvolumen der Aufgaben hat noch keine Größenordnungsänderung erfahren.

In seiner Rede beschrieb Wu Yongming eine andere Art von Nachfrage: Millionen von Agenten forschen langfristig an seltenen Krankheiten, oder die Konstruktion eines Raumschiffs für den Mars wird in Millionen von Teilaufgaben unterteilt. Der Mensch gibt das Ziel nur einmal an, und die Maschine ruft kontinuierlich Tools auf, überprüft die Ergebnisse und plant die nachfolgenden Schritte.

Damit erstreckt sich der Berechnungsbedarf von der Frage, wie viele Menschen KI nutzen, auf die Frage, wie viele maschinelle Aufgaben sich aus einem einzigen Ziel entfalten lassen.

II. Wu Yongming hat eine „PS“-Einheit für Maschinen gefunden

Nach Newcomen verbesserte Watt die Dampfmaschine.

Im Jahr 1769 erhielt Watt das Patent für den separaten Kondensator, wodurch die Dampfkondensation außerhalb des Zylinders stattfand. Daten des Wissenschaftsmuseums Großbritannien zeigen, dass diese Verbesserung den Kohleverbrauch um etwa zwei Drittel senkte.

In den 1780er Jahren löste Watt zudem das Problem der Drehbewegung, sodass die Dampfmaschine Webstühle und andere Fabrikgeräte antreiben konnte.

Die Maschine wurde nutzbar, aber Watt musste den Minen- und Fabrikbesitzern auch verständlich machen, wie viel sie wert war. Die Kunden wussten genau, wie viel Arbeit ein Pferd an einem Tag verrichten konnte, aber sie konnten die Arbeitsleistung einer Dampfmaschine nur schwer einschätzen.

Daher wandelte Watt die Ausgangsleistung der Maschine in „Pferdestärke“ um, um ein unbekanntes Produkt mit der bekanntesten Antriebskraft der alten Zeit zu erklären.

Die „Pferdestärke“ wurde später zu einer physikalischen Einheit und diente anfangs auch als Verkaufsinstrument.

Das „Umfang des maschinellen Denkens“ spielt eine ähnliche Rolle.

Es nimmt das menschliche Denken als Referenz, um das potenzielle Nachfragevolumen einer noch nicht ausgereiften maschinellen Produktivität zu kennzeichnen. Zwei Experimente, die auf der Yunqi-Konferenz vorgestellt wurden, liefern zählbare Aufzeichnungen für diese Arbeit.

Qwen3.8-Max hat ohne menschliche Eingriffe den Trainingsprozess aufgebaut, Daten erstellt, Experimente entworfen und Fehler lokalisiert. Es lief über einen Monat lang kontinuierlich durch und absolvierte 33 effektive Iterationsrunden.

Ein weiteres Chip-Design-Experiment dauerte mehr als 60 Stunden: Das Modell rief EDA-Tools mehr als zehntausend Mal auf und reduzierte schließlich die physische Fläche eines Chip-Bus-Moduls um 42 %.

Diese Ergebnisse stammen von Alibaba und erfordern noch weitere externe Validierungen. Aber die „33 Runden“ und „zehntausend Aufrufe“ dokumentieren bereits eine Veränderung: Nachdem der Mensch das Ziel vorgegeben hat, kann die Maschine im Hintergrund eine große Anzahl von Schritten fortsetzen.

Alibaba kündigte zudem an, dass Qwen4 auf Basis der neuen Architektur bereits im Training ist, und für Qwen4.5 sowie Qwen5 ist eine Erweiterung auf 5 Billionen bis 10 Billionen Parameter geplant. Parameter lassen sich nicht direkt in Produktivität umrechnen – diese Planung zielt auf die Fähigkeit für komplexe Aufgaben, die kontinuierliche Laufzeit und den Raum für Verbesserungen aufgrund von Rückmeldungen ab.

Tokens zeichnen bereits erfolgte Aufrufe auf, während der „Umfang des maschinellen Denkens“ beschreibt, auf welches Ausmaß Alibaba erwartet, dass sich diese Aufrufe noch ausweiten werden.

III. Die Antriebskraft wird zuerst verbreitet

Langlaufende Aufgaben, die mehrere Stunden, Tage oder sogar Monate andauern, lassen sich kaum nur durch die Fähigkeiten des Modells bewältigen.

Die Aufgabe kann unterbrochen werden oder in die falsche Richtung laufen. Das System muss den Fortschritt speichern, den Betrieb wiederherstellen, Berechtigungen überprüfen und dafür sorgen, dass Berechnung, Speicher und Netzwerk zusammenwirken.

T-Head stellte auf der Konferenz den neuen KI-Chip Zhenwu V900 für integriertes Training und Inferenz vor. Nach offiziellen Angaben erreicht die Leistung eines einzelnen Chips das 3-fache des Vorgängermodells M890, die Massenproduktion und kommerzielle Veröffentlichung sind für das erste Quartal 2027 geplant.

Auf der Konferenz wurden zudem Server-CPUs, Interconnect-Chips, intelligente Netzwerkkarten und Speichercontroller vorgestellt. Die aktualisierte Super-Knoten-Architektur kann diese Komponenten zu einem einzelnen Cluster mit einer Größe von bis zu 500.000 Karten verbinden.

Die dahinterstehende Veränderung ist sehr direkt.

Alibaba verlagert seinen Fokus von einem schnelleren KI-Chip auf das gesamte Berechnungssystem.

Wenn das Modell kontinuierlich läuft, verarbeitet die CPU Aufgaben, das Netzwerk transportiert Daten und der Speicher ist für das Lesen und Schreiben zuständig. Wenn irgendein Glied nicht mithalten kann, müssen die teuren KI-Chips warten.

Neben der Hardware ist das von Alibaba Cloud veröffentlichte Agentic Cloud für die Ausführung und Verwaltung langlaufender Aufgaben zuständig. AgentCore verwaltet Wiederholungen nach Fehlern, Wiederherstellung an Unterbrechungsstellen, Identitätsberechtigungen und Betriebsprüfungen, während die Agent Sandbox eine isolierte Umgebung bereitstellt.

Was Unternehmen tatsächlich einkaufen, ist eine Produktionsumgebung, die es Maschinen ermöglicht, kontinuierlich zu laufen, gemäß Berechtigungen zu handeln und vollständige Aufzeichnungen zu hinterlassen.

Dieses System muss im Voraus aufgebaut werden.

Im Februar 2025 kündigte Alibaba an, in den nächsten drei Jahren mindestens 380 Milliarden Yuan in den Aufbau von Cloud-Computing- und KI-Infrastruktur zu investieren. Auf dieser Yunqi-Konferenz legte Wu Yongming das Ziel für Rechenzentren im Jahr 2032 auf 20 GW fest.

Modelle, Chips und Cloud sind bereits entlang der Anforderungen langlaufender Aufgaben miteinander verbunden. Heute müssen diese Kapazitäten durch die maschinellen Aufgaben aufgenommen werden, die Unternehmen täglich generieren.

IV. Die elektrische Lampe leuchtet, aber die Fabriken haben sich noch nicht verändert

Am 4. September 1882 ging Edisons Pearl-Street-Kraftwerk in New York in Betrieb. Es versorgte zunächst 82 Kunden und beleuchtete nur etwa 400 Lampen. Das später in Lehrbüchern erwähnte Zeitalter der Elektrizität begann mit einem kleinen Netzwerk in Lower Manhattan.

Die elektrische Lampe ließ den Nutzen von Elektrizität schnell erkennen, aber die Veränderungen in den Fabriken verliefen viel langsamer.

Der Wirtschaftshistoriker Paul David hat eine Geschichte aufgezeichnet: Nachdem frühe Fabriken Zugang zu Strom erhalten hatten, bauten die Besitzer die zentrale Dampfmaschine ab und ersetzten sie durch einen großen Elektromotor, während die oberirdischen Antriebswellen, Riemen und die gesamte Fabriklayout vollständig beibehalten wurden.

Der Elektromotor trieb das alte Produktionssystem weiterhin an, und die Produktivität änderte sich kaum.

Erst als kleine Elektromotoren in jede einzelne Maschine eingebaut wurden, verschwanden die zentralen Antriebswellen und Riemen allmählich. Die Geräte konnten entsprechend der Produktionsreihenfolge neu angeordnet werden, und die Fabriken wechselten von mehrstöckigen zu flexibleren einstöckigen Layouts.

Die Effizienzsteigerung durch Elektrizität ergab sich daraus, dass die Produktionsprozesse zusammen mit dem Antriebssystem neu geordnet wurden.

Wenn KI in Unternehmen eingeführt wird, stößt sie auf ähnliche Hürden.

Viele Unternehmen haben KI bereits in den täglichen Büroalltag integriert, aber sie lassen sie selten auf Vertragsprüfungen, Kundenkonten, Entwicklungsfreigaben und Finanzsysteme zugreifen. Diese Arbeiten beinhalten Prüfungen, Autorisierungen, Tests und Bestätigungen von Verantwortlichkeiten.

Ohne Verbindung von Daten, Tools und Berechtigungen kann das Modell nur außerhalb der Geschäftsprozesse unterstützen.

Was Alibaba auf der Yunqi-Konferenz vorgestellt hat, zeigt, wie eine Aufgabe all diese Glieder durchläuft.

Nach Ende einer Sitzung zeichnen der QwenNote Eva Desktop-Roboter oder die QwenNote A2 Aufnahmekarte den Inhalt vor Ort auf. DingTalk und MyContext ergänzen den Kontext aus Nachrichten, Dokumenten und historischen Sitzungsprotokollen, anschließend verwaltet AgentCore die Ausführungsberechtigungen, den Fortschritt und die Aufzeichnungen.

Die Aufgabe kann auch vom Mobiltelefon aus initiiert werden: Die Honor Magic9-Serie wird zu den ersten Geräten gehören, die mit Qwen Intelligence ausgestattet sind. Von einem Satz im Sitzungssaal bis zu konkreten Aktionen in Unternehmenssystemen versucht Alibaba, die bisher getrennten Glieder miteinander zu verbinden.

Was wirklich bestimmt, wie viele Aufgaben ein Agent erledigen kann, sind nicht mehr nur die Parameter des Modells.

Es muss wissen, was im Unternehmen passiert ist, wer die Kunden sind, wo die Dateien liegen, welche Systeme aufgerufen werden können und welche Dinge unbedingt von Menschen bestätigt werden müssen.

Der Kontext bestimmt, was die Maschine weiß, die Tools bestimmen, was sie tun kann, und die Berechtigungen bestimmen, bis zu welchem Schritt sie vorgehen darf.

Wenn all diese Punkte verbunden sind, wird KI nicht mehr nur eine Software zur Beantwortung von Fragen, sondern zu einer Produktivität, die Aufgaben kontinuierlich ausführen kann.

V. Maschinen beginnen, ihre eigene „Arbeitszeit“ zu haben

Wenn Maschinen wirklich ihre Arbeit aufnehmen, fehlt nie nur die Rechenleistung.

Ein Agent muss nach Erhalt einer Aufgabe die Informationen des Unternehmens kennen, wissen, wer die Kunden sind, was zuvor passiert ist, welche Systeme er bedienen kann und an wen er sich bei Problemen zur Bestätigung wenden soll.

Was Unternehmen der KI zur Verfügung stellen, verändert sich ebenfalls: Von einem Prompt oder einem Dokument erweitert es sich zum vollständigen geschäftlichen Kontext, dann zu Tools, Berechtigungen und Ausführungsumgebungen.

Der Kontext bestimmt, was die Maschine weiß, die Tools bestimmen, was sie tun kann, und die Berechtigungen bestimmen, bis zu welchem Schritt sie vorgehen darf. Wenn alle drei Punkte verbunden sind, lässt sich ein einziges Ziel in Dutzende oder sogar Hunderte von Aktionen unterteilen: Informationen nachschlagen, Schnittstellen aufrufen,