Der 17-jährige junge Spitzenkraft Kimi begibt sich nach Silicon Valley: Auch die chinesische KI-Branche hat Talentsorgen.

Am 15. Oktober veröffentlichte Chen Guangyu einen kurzen Beitrag über seinen Abschied bei X.

„Die Arbeit bei Kimi im vergangenen Jahr war die schönste Zeit meines Lebens“, schrieb er. Er sei sehr dankbar dafür, mit so ausgezeichneten und unterstützenden Kollegen zusammengearbeitet und von ihnen gelernt zu haben.

Er nannte keine Gründe für seinen Abschied und verriet auch nicht, wohin er wechseln wird. Doch in der Branche ist allen die Bedeutung dieses Beitrags klar: Chen Guangyu ist erst 17 Jahre alt, und die von ihm mitentwickelte Architektur Attention Residuals gehört bereits zu den Basistechnologien von Kimi K3, dem weltweit ersten 3T-Großmodell mit offenen Gewichten.

Im Kommentarbereich fragte Sholto Douglas, Leiter des Bereichs für erweiterbares verstärkendes Lernen bei Anthropic, halb scherzhaft: Gilt der ursprüngliche Plan, zur CMU zu gehen, noch? Möchtest du nicht nach San Francisco kommen, um gemeinsam zu arbeiten?

Chen Guangyu antwortete: Danke, Sholto! Ich gehe gerade in die Bay Area.

Ein 17-jähriger chinesischer Junge, der von einer internationalen Schule in Huizhou aus aufbrach, schaffte es in weniger als zwei Jahren in das Kernarchitekturteam von Kimi, bevor er sich auf den Weg zum Silicon Valley machte.

Dies ist keine Geschichte von „einem genialen Jungen, der unglaublich toll ist“. Sie ist eher wie ein Spiegel, der eine tieferliegende Angst widerspiegelt, die die chinesische KI-Industrie derzeit durchlebt: Wir sind bereits in der Lage, Spitzenkräfte weltweit zu entdecken – aber können unsere Organisationen, Kulturen und technischen Obergrenzen sie auch wirklich auffangen?

16-jähriger Praktikant gelangt zum Kern von Kimi

Chen Guangyus Ausgangspunkt liegt weit entfernt von dem Klischee eines „genialen Jungen“.

Er hat keine Goldmedaille bei den Olympischen Wissenschaftswettbewerben, keine Erfahrung mit vorzeitigen Klassenübersprüngen und ist auch kein Wunderkind, das schon seit seiner Kindheit Programme schreibt. Er wurde 2009 in Shenzhen geboren, besuchte eine Schule des BASIS-Systems in Huizhou und ging wie die meisten Gymnasiasten Schritt für Schritt zum Unterricht und zu Prüfungen.

Der Wendepunkt ereignete sich im April 2024. Chen Guangyu, der damals die 10. Klasse besuchte, traf die Entscheidung: Alle Dinge, die er nicht mag, auszusetzen und sich ganz auf das Lernen von KI zu konzentrieren.

Seine Lernmethode ist äußerst zeitgemäß: Er lädt Fachaufsätze bei Gemini hoch und stellt immer wieder Fragen dazu. Später nannte er Gemini in seinem Blog seinen „Mentor“.

Im Mai 2025 veröffentlichte er auf einer sozialen Plattform einen technischen Blogbeitrag über DeltaNet, eine damals fortschrittliche Architektur für lineare Aufmerksamkeit. Der Beitrag wurde von Yang Songlin, einem Doktoranden des MIT und wichtigen Mitwirkenden auf diesem Gebiet, beantwortet. Daraufhin wurde er vom CEO des KI-Startups Tilde Research aus dem Silicon Valley entdeckt, der sich aktiv mit ihm zu einem Gespräch verabredete.

In dem Sommer desselben Jahres flog der 16-jährige Chen Guangyu alleine nach Palo Alto, Kalifornien, um ein siebenwöchiges Praktikum zu absolvieren. Er verbrachte täglich 15 Stunden im Büro und beteiligte sich am Projekt MoMoE für speicheroptimiertes Mixed-Experts-Modell.

Die Bedeutung dieser Erfahrung geht weit über ein Praktikumszeugnis hinaus: Für Chen Guangyu war es der erste Kontakt mit der weltweit besten KI-Forschungsumgebung. Personen, deren Namen er nur aus Fachaufsätzen kannte, saßen möglicherweise am Arbeitsplatz nebenan – das legte auch den Grundstein für seine späteren Entscheidungen.

Nach Abschluss des Praktikums erhielt Chen Guangyu eine Einladung von MoonShot AI. Im November 2025 trat er dem Kimi-Team als Forscher für maschinelles Lernen bei, damals war er erst 16 Jahre alt und als Praktikant eingestellt.

Nach seinem Eintritt bei Kimi gewann Chen Guangyu den internen 48-Stunden-Hackathon und schaffte es so weiter in den Kernforschungskreis.

Was ihn wirklich über den Kreis hinaus bekannt machte, war die im März 2026 veröffentlichte Arbeit zu Attention Residuals.

Die Bedeutung des gemeinsamen Erstautors

Die Arbeit zu Attention Residuals ist der Schlüssel zum Verständnis des technischen Werts von Chen Guangyu.

Einfach ausgedrückt: Sie verbessert den Restverbindungsmechanismus in der Transformer-Architektur, der seit fast zehn Jahren verwendet wird. Herkömmliche Restverbindungen sind wie schichtweise übereinander gestapelte Notizen: Jede Schicht fügt neue Informationen hinzu, aber wenn die Anzahl der Schichten zu groß wird, werden nützliche Informationen aus früheren Phasen abgeschwächt.

Die ursprüngliche Idee zu AttnRes stammt von Su Jianlin (dem Erfinder der rotierenden Positionscodierung RoPE). Nachdem Zhang Yu (Erstautor der Kimi-Linear-Architektur) und Chen Guangyu sich angeschlossen hatten, wurde sie an Modellen größeren Umfangs validiert.

Der wichtigste technische Durchbruch ist das von Chen Guangyu und Zhang Yu gemeinsam vorgeschlagene Block AttnRes (blockweise Aufmerksamkeitsrestwert). Hunderte von Netzwerkschichten werden in mehrere Blöcke unterteilt: Innerhalb eines Blocks wird eine kostengünstige grundlegende Akkumulation aufrechterhalten, und nur zwischen den Blöcken wird eine feine Aufmerksamkeitsaggregation durchgeführt. Dadurch sinkt die Grafikkartenspeicherkomplexität von der Größenordnung der Schichten auf die Größenordnung der Blöcke. Mit nur etwa 8 unterteilten Blöcken kann der Großteil der Leistung der Vollversion wiederhergestellt werden.

Die gemessenen Daten sind sehr überzeugend: Bei einem Training mit 1,4 Billionen Tokens auf dem Kimi-Linear-48B-Modell erreicht AttnRes die gleiche Wirkung mit nur etwa 80 % der Rechenleistung des Referenzmodells, und die Zunahme der Inferenzverzögerung beträgt weniger als 2 %. Bei GPQA-Diamond wurde eine Verbesserung um 7,5 Punkte, bei Minerva Math um 3,6 Punkte und bei HumanEval um 3,1 Punkte erzielt.

Am Tag der Veröffentlichung der Arbeit wurde die halbe KI-Szene des Silicon Valley aufgerüttelt. Karpathy, Mitbegründer von OpenAI, kommentierte: „Anscheinend haben wir den Satz ‚Attention is All You Need‘ noch nicht wörtlich genug verstanden.“ Musk hinterließ die Zeile: Beeindruckende Arbeit von Kimi.

Zu diesem Zeitpunkt bemerkten die Menschen erst, dass unter den drei gemeinsamen Erstautoren ein 17-jähriger Praktikant war.

Aber Chen Guangyu betonte wiederholt eines: Man solle keine „Götter“ erfinden. Die Ergebnisse gehörten dem Team, und er hoffe, dass die Öffentlichkeit die grundlegenden Probleme sieht, die die Forschung zu lösen versucht. Auch in Su Jianlins Rückblicksartikel steht, dass das Trainingsteam das Konzept zunächst für nicht praktikabel genug hielt – der Grund ist ganz einfach: Man hatte schlicht nicht genug Rechenressourcen.

Dieses Detail ist wichtig: AttnRes ist nicht die plötzliche Eingebung einer einzelnen Person, sondern eine Innovation, zu der das gesamte Team unter den Zwängen der Rechenressourcen gezwungen wurde. Chen Guangyu war ein wichtiges Glied, aber nicht das Ganze.

Noch wichtiger ist, dass diese Ergebnisse bereits in die Produktivumgebung von Kimi eingeflossen sind: Kimi K3, das im Juli 2026 veröffentlicht wurde, hat eine Gesamtparameterzahl von 2,8 Billionen und ist das weltweit erste 3T-Modell mit offenen Gewichten. AttnRes gehört zu den Basistechnologien, die es unterstützen.

Das Paradox des Wild Card

Einen Monat vor Chen Guangyus Abschied hatte Kimi gerade ein ehrgeiziges Einstellungsprogramm vorgestellt.

Am 9. September kündigte Kimi an, 7 „Wild-Card“-Talente zu rekrutieren – Personen, die sich nicht durch reguläre Stellenbeschreibungen definieren lassen. Gleichzeitig wurde das „Durchbruchsprogramm“ gestartet: Es gibt keine Einschränkungen hinsichtlich Fachrichtung, Praktikumsjahrgang, und Ausbildungsabschlüsse oder Dienstalter werden nicht als Hauptkriterien angesehen. Herausragende Bewerber können Aktienoptionen erhalten.

Diese Einstellungslogik folgt fast genau dem gleichen Muster wie Chen Guangyus Erfahrung: Zuerst findet man die Person, dann entscheidet man, welche Probleme sie lösen kann, man betrachtet zuerst ihr Potenzial und ergänzt danach erst die Stellenbezeichnung.

Das ist fast die gemeinsame Haltung aller aktuellen chinesischen KI-Unternehmen: Regeln brechen, außergewöhnliche Einstellungen, geniale Jugendliche, Rekrutierung über Hackathons … alle kämpfen um die klügsten Köpfe.

Aber es stellt sich die Frage: Man hat sie eingestellt – und was dann?

Chen Guangyus Abschied zeigt die andere Seite dieses Modells.

In einem Bericht von TMTpost zitiert man die Worte von Yulun Du, einem Forscher im Kimi-Team: „Er hat mit Chen Guangyu mehrere lange Gespräche über dessen Entscheidung geführt. Es sei traurig und herzzerreißend, ihn gehen zu sehen, aber in diesem Alter sei es wahrscheinlich die beste Wahl für ihn, so viel wie möglich zu erkunden und seiner neuen Neugier zu folgen.“

Diese Aussage enthält viele Informationen. Sie nennt nicht explizit den Grund für den Abschied, aber die Formulierung „neue Neugier erkunden“ deutet auf einen zentralen Widerspruch hin: Das Wachstumstempo von nicht standardisierten Talenten kann schneller sein als die Aufstiegsmöglichkeiten der Organisation.

Wo steht eine Person, die im Alter von 16 Jahren bereits technische Beiträge auf dem Niveau eines gemeinsamen Erstautors leisten kann, in zwei Jahren?

Im Silicon Valley würde er möglicherweise zu OpenAI oder Anthropic gehen, mit den besten Teams zusammenarbeiten und die fortschrittlichsten Probleme lösen. Wenn er in China bleibt – was wäre dann sein Aufstiegspfad? Weiter als Forscher arbeiten? Zum Leiter aufsteigen? Ein Team verwalten?

Für echte Spitzenkräfte ist keines davon besonders attraktiv. Was sie wollen, sind die härtesten Probleme, die besten Kollegen und der größte Hebel.

Kimi ist eines der besten Großmodell-Unternehmen Chinas, aber wenn man den Blick auf die ganze Welt richtet, besteht im Vergleich zu Anthropic und OpenAI immer noch ein Abstand bei der Tiefe der Grundlagenforschung, der Dichte der Talente und der Fortschrittlichkeit der Probleme.

Das ist nicht das Problem von Kimi, sondern der Zustand der gesamten chinesischen KI-Industrie.

Das Paradox des Wild-Card-Modells liegt genau hier: Man hat mit der offensten Haltung die besten Talente eingestellt – aber wenn die technische Obergrenze, die Komplexität der Organisation und die kulturelle Inklusivität nicht mithalten können, werden sie am Ende trotzdem gehen.

Ein noch tieferer Widerspruch besteht darin, dass nicht standardisierte Talente oft nicht an das standardisierte Organisationsleben angepasst sind. Sie brauchen einen höheren Austauschdichte, schnellere Rückmeldungen und mehr Raum für Fehler. Sie passen sich nicht unbedingt an die Berichtslinien an und sind nicht bereit, den traditionellen Karrierepfad nach oben zu gehen.

Und chinesische Unternehmen – selbst die innovativsten KI-Unternehmen – verwalten ihre Organisationen meist noch nach traditionellen Mustern: Dienstgrade, Beförderungen, Leistungsbewertungen, Berichtswesen. Das sind Effizienzinstrumente für reguläre Talente, aber für Wild-Card-Talente können sie zu Fesseln werden.

Chen Guangyu geht in die Bay Area höchstwahrscheinlich nicht wegen des Geldes. Was Anthropic an Gehalt zahlen kann, kann Kimi auch zahlen. Was er sucht, ist wahrscheinlich etwas anderes – eine Art Boden, der besser für das Wachstum von unkonventionellen Talenten wie ihm geeignet ist.

Die Angst um Talente betrifft nicht nur den Großmodell-Bereich

Chen Guangyus Geschichte ist es wert, beachtet zu werden, weil die von ihr widergespiegelte Angst um Talente nicht nur bei Großmodell-Unternehmen existiert.

Die Automobilindustrie durchlebt die gleichen schmerzhaften Erfahrungen.

XPeng, Li Auto, NIO, BYD … jedes Automobilunternehmen kämpft wild um Talente für intelligentes Fahren: Großmodell-Algorithmen-Ingenieure, End-to-End-Architekten für intelligentes Fahren, Datenwissenschaftler. Die Gehälter steigen rasant: Für einen Algorithmen-Ingenieur mit drei Jahren Berufserfahrung beträgt das Jahresgehalt mindestens eine Million Yuan.

Aber kann man die eingestellten Personen auch behalten?

Die Organisationskultur von Automobilunternehmen unterscheidet sich völlig von der von Internet- und KI-Unternehmen. Klare Hierarchien, umständliche Abläufe, langsamer Rhythmus – das ist für traditionelle Automobilingenieure normal, aber für KI-Algorithmen-Talente kann es zu unerträglicher Ineffizienz führen.

Ein Verantwortlicher der Abteilung für intelligentes Fahren eines führenden Automobilunternehmens hat privat eine sehr treffende Aussage gemacht: „Die Hälfte der Personen, die wir mit doppeltem Gehalt von Internetunternehmen abgeworben haben, ist innerhalb eines Jahres wieder gegangen. Es liegt nicht am fehlenden Geld, sondern daran, dass sie unsere Abläufe nicht ertragen können.“

Das ist im Wesentlichen das gleiche Problem wie bei Chen Guangyus Geschichte: Die Organisationsfähigkeit hält nicht mit der Dichte der Talente Schritt.

Wenn man sich nun die Roboterindustrie ansieht, ist das Talentproblem noch schärfer.

Verkörperte Intelligenz ist eine interdisziplinäre Fachrichtung, die gemischte Talente erfordert, die sich gleichzeitig in Großmodellen, Robotersteuerung, Hardware und Software auskennen. Solche Personen gibt es weltweit nur sehr wenige.

Unitree, Galaxy Era … jedes Unternehmen kämpft um die gleiche kleine Gruppe von Personen. Die Gehälter werden immer höher getrieben, aber es gibt nur wenige, die wirklich arbeiten können. Und im Vergleich zu Großmodell-Unternehmen sind die technische Tiefe und die Markenattraktivität von Roboterunternehmen noch eine Stufe niedriger – die erste Wahl von Spitzenkräften sind meistens doch Großmodell-Unternehmen.

Noch gravierender ist, dass der Talentverlust in der Roboterindustrie nicht nur in Richtung Silicon Valley geht, sondern auch innerhalb der Branche stattfindet. Ein Ingenieur, der gerade von einem Unternehmen ausgebildet wurde, kann schon bald von einem anderen mit doppeltem Gehalt abgeworben werden. Die gesamte Branche kämpft um Talente, aber nur wenige denken ernsthaft darüber nach: Wie kann ich die Personen behalten?

Die Antwort ist natürlich nicht nur, die Gehälter zu erhöhen.

Was Spitzenkräfte wirklich behalten kann, sind drei Dinge: Probleme, die es wert sind, sich dafür einzusetzen, genug kluge Kollegen und ein klar sichtbarer Wachstumsraum.

Die Probleme bestimmen die Bedeutung der Arbeit: Arbeitet man an etwas, das die Branche verändert, oder nur an randständigen kleinen Verbesserungen?

Die Kollegen bestimmen die Dichte der Arbeit: Wenn man mit klügeren Personen zusammenarbeitet, wächst man exponentiell; wenn man mit mittelmäßigen Personen zusammenarbeitet, wird man nur ver