Im globalen Open-Source-Kampf, wie viele KI-Systeme werden auf ihren Urzustand zurückgeworfen?

Sobald Open Source die Unterstützung seiner Wettbewerbsposition verliert, kann der Rückzug schneller vonstattengehen als die Expansion.

In der globalen Großmodell-Branche herrscht überall angespannter Wettbewerb.

Am 20. Oktober veröffentlichte DeepSeek eine Ankündigung, die die globale KI-Branche schockierte: Es machte sein natives internes Inferenz-Framework DeepInfer, das seine groß angelegte Online-Inferenz-Geschäft unterstützt, vollständig quelloffen. Gleichzeitig wurde die produktionsreife Token-Codec-Komponente deepseek-recipe veröffentlicht. Die beiden Code-Repositories wurden gleichzeitig auf der GitHub-Entwicklerplattform veröffentlicht, wobei die beiden Komponenten unter der Apache 2.0- bzw. MIT-Lizenz stehen. Damit wird den globalen Entwicklern die unterliegende Infrastruktur-Code zur Verfügung gestellt, der kommerziell nutzbar, modifizierbar und weiterverteilt werden kann. Medien bewerteten dies so: DeepSeek hat sein eigenes „Geld druckendes Gerät“ quelloffen gemacht – es ist das wahre OpenAI.

Unter den weltweit führenden Herstellern von Großmodellen ist DeepSeek damit das erste Unternehmen, das sein natives Inferenz-Framework für Produktionsumgebungen öffentlich zugänglich macht. Bisher galten Inferenz-Scheduling, Operator-Optimierung und Token-Ausrichtungslogik bei MaaS-Dienstanbietern als streng gehütetes Geschäftsgeheimnis, um die Prämie der offiziellen APIs aufrechtzuerhalten und die Kostenlücke bei der Community-Bereitstellung zu vergrößern.

Diese Open-Source-Veröffentlichung ist keine einfache technische Schenkung. In der begleitend veröffentlichten technischen Dokumentation „DeepSeek V4.1 Flash: Praktiken der groß angelegten Inferenz-Bereitstellung“ veröffentlichte DeepSeek den Betriebsbaseline seines Online-Clusters: Mithilfe des DeepInfer-Schedulingsystems trägt ein einzelnes Cluster täglich etwa 155 Billionen Token an Anfrageverkehr, was einem Spitzendurchsatz von fast 17,94 Milliarden Token pro Sekunde entspricht. Nach der API-Preisberechnung in Nebenzeiten beträgt der Einnahmenumfang pro Rechenkarte pro Stunde 38 US-Dollar.

Dieses System unterstützt von Haus aus zwei Hardwarepfade: Nvidias SM100-GPU und Huaweis Ascend 950-NPU. Die zugehörige deepseek-recipe-Komponente ist für die einheitliche Formatierung von Konversationsnachrichten, Prompt-Kodierung, Streaming-Ausgabe-Parsing, Tool-Aufruf und strukturierte Rückgabe von JSON-Schemas verantwortlich, sodass das Aufrufserlebnis nach der privaten Bereitstellung durch Cloud-Anbieter mit dem der offiziellen DeepSeek-API identisch bleibt.

Während die Nachricht sich verbreitet, ist die globale Open-Source-Szene bereits in einen hochdichten Veröffentlichungszyklus eingetreten. Nur zwei Tage nach der Open-Source-Veröffentlichung von DeepSeek kündigte iFlytek, ein weiteres wichtiges inländisches Großmodell-Unternehmen, die offizielle Veröffentlichung von Spark X2.6 an, das erstmals die Durchbrüche bei Code- und Agent-Fähigkeiten auf Basis vollständig inländischer Rechenleistung realisiert, und kündigte gleichzeitig an, die Open-Source-Entwicklung fortzusetzen. Vor sechs Monaten hat es AstronClaw eingeführt, die erste inländische unternehmensweite quelloffene und selbst gehostete KI-Fähigkeitsverwaltungsplattform.

Auch im Ausland ist das Tempo ähnlich hoch: Metas Llama-Serie iteriert kontinuierlich über Gewichtsversionen, Google ergänzt nach der leichten Gemma-Modellserie fortlaufend Inferenz-Optimierungssuiten, Nvidia führte eine 800-Millionen-Dollar-Finanzierungsrunde an, um Reflection AI bei der Einführung des Beam-Großmodells zu unterstützen, und schloss gleichzeitig die Übernahme von Hugging Face ab.

Erwähnenswert ist, dass Jensen Huang gemeinsam mit 25 Technologieunternehmen den offenen Brief „Open Weights und die US-amerikanische KI-Führerschaft“ veröffentlicht hat, der sich für die Erhaltung des quelloffenen Gewichtsökosystems ausspricht und pauschale regulatorische Verbote ablehnt. Auf der Liste der Unterzeichner stehen Microsoft, Meta und Mistral, während Anthropic und das geschlossene Team von Google weiterhin den Weg der Closed-Source-Entwicklung verfolgen – der Riss zwischen Open-Source- und Closed-Source-Richtlinien im Silicon Valley wurde öffentlich auf den Tisch gebracht.

Eine unvermeidliche Frage taucht auf: Warum haben sich innerhalb von nur zwei Jahren globale Großmodell-Unternehmen kollektiv der Open-Source-Entwicklung zugewandt? Wenn Open Source bedeutet, dass Modellgewichte, Inferenzwerkzeuge und unterliegender Code öffentlich zugänglich sind, sodass jeder sie herunterladen, feinabstimmen, bereitstellen und modifizieren kann – verschwindet dann der Schutzgraben des traditionellen API-Verkaufs?

01

Um diese Welle der KI-Open-Source-Entwicklung zu verstehen, ist das am besten geeignete Referenzbeispiel nicht das aktuelle Großmodell, sondern zwei klassische Spiele, die bereits in die Geschichte der Softwareindustrie eingegangen sind: die jahrzehntelange Strategie von Microsoft, die zwischen Closed-Source und Open-Source ständig pendelte, und das kommerzielle Experiment von Android, das mit seiner Open-Source-Strategie schnell den Markt für Smartphones eroberte.

Die Konflikte zwischen Microsoft und Open Source sind die beste historische Folie, um diesen Wettbewerb zu verstehen. Ende des 20. Jahrhunderts bis Anfang des 21. Jahrhunderts betrachtete Microsoft Linux und die GPL als grundlegende Bedrohung für das Windows-Lizenzmodell. Der damalige CEO Steve Ballmer nannte Linux einmal „Krebs“. Aber 2014, als Satya Nadella die Position des CEO übernahm, drehte sich der Wind.

Im Juni 2018 erwarb Microsoft GitHub für 7,5 Milliarden US-Dollar. Nadella erklärte in der offiziellen Erklärung: „Microsoft ist ein Unternehmen, das Entwickler an erste Stelle stellt. Durch den Beitritt zu GitHub stärken wir unser Engagement für die Freiheit, Offenheit und Innovation von Entwicklern.“ Gleichzeitig sagte er den Satz, der später immer wieder zitiert wurde: „Microsoft ist voll und ganz auf Open Source ausgerichtet.“ Der Grund, warum Microsoft Open Source so enthusiastisch annimmt, als würde es zu seinen Wurzeln zurückkehren, liegt nicht darin, dass Open Source plötzlich moralisch korrekt ist, sondern darin, dass sich sein Gewichtsschwerpunkt von der Windows-Lizenz zu Azure-Clouddiensten verschoben hat, auf denen eine große Anzahl von Linux- und Open-Source-Workloads ausgeführt wird. Ohne Unterstützung für Open Source wäre Azure nur eine „Windows-Only“-Cloud, die im Cloud-Krieg keine Gewinnchance hätte.

Das von Google im Zeitalter des mobilen Internets aufgebaute Android-System hat die Kraft der Open-Source-Expansion noch früher bewiesen. Nach der Veröffentlichung des iPhone im Jahr 2007 hatte Google fast keinen Standpunkt im Bereich mobiler Betriebssysteme. Wenn Android Closed Source gewesen wäre, hätte kein Mobilfunkhersteller einen Grund gehabt, das bereits genutzte System aufzugeben und auf einen Neuling zu setzen. Google entschied sich, den unterliegenden Code von Android quelloffen zu machen, um Hersteller wie Samsung, HTC und Motorola mit null Lizenzkosten zum Mitmachen zu bewegen und mit der „Vereinigung aller Hersteller“ gegen iOS zu kämpfen.

Aber Googles „Open Source“ war von Anfang an schichtweise gestaltet: Der unterliegende Code ist offen, um die Anzahl der Geräte zu vergrößern, während GMS – der Play Store, Gmail und Karten – die nachhaltigen Gewinne generieren, stets Closed Source bleiben und von Google fest kontrolliert werden. Der Sieg von Android ist der Sieg einer kommerziellen Architektur, bei der die offene Ebene für die Skalierung und die Closed-Source-Ebene für die Gewinne sorgt, nicht nur der Sieg der Open-Source-Idee.

Einfach ausgedrückt lautet die zugrundeliegende Logik von Android: Die untere Ebene öffnen, um Ökosystemplätze zu erobern; die Verkehrseingänge schließen, um die Monetarisierungskanäle zu schützen. Übertragen auf die heutige Großmodellbranche ist die Open-Source-Veröffentlichung von DeepInfer durch DeepSeek im Wesentlichen eine aktualisierte Version dieser Logik: Die Modellgewichte wurden bereits zuvor offen gelegt, jetzt wird die mittlere Ebene des Inferenz-Schedulings weiter geöffnet, um den teuersten und am schwierigsten zu erreichenden Teil der Bereitstellungskette zu ergänzen und die Kosten für Cloud-Anbieter, Regierungs- und Unternehmenskunden beim Aufbau eigener Dienste zu senken. DeepSeek behält weiterhin hochwertige Geschäfte wie die übergeordneten Dienste mit nativer Optimierung, private Beratung für Unternehmen und kundenspezifische Feinabstimmungen. Es verdient nicht mehr nur den Unterschied durch den Verkauf von Token-APIs, sondern erweitert die kommerzielle Berührungsfläche des gesamten Technologie-Stacks durch die Ökosystemskalierung.

Wenn man diese beiden historischen Fakten zusammenfasst, erhält man eine einfache aber entscheidende Erkenntnis: Unternehmen wählen Open Source in der Regel nicht, weil Open Source selbst das Ziel ist, sondern weil es an einer bestimmten Wettbewerbsposition der effektivste Hebel ist, um das Ökosystem zu erweitern, Kosten zu verteilen und gegen etablierte Monopole zu kämpfen. Wenn sich diese Wettbewerbsposition ändert, ändern sich auch die Grenzen und die Aufrichtigkeit von Open Source.

Darüber hinaus verstärken die Veränderungen auf geopolitischer Ebene den strategischen Wert von Open Source weiter. Inländische KI-Hersteller stehen vor dem externen Umfeld mit eingeschränkter Versorgung mit Hochleistungs-Chips. Sie haben keinen natürlichen Vorteil, wenn sie nur die Trainingsrechenleistung von extrem großen Clustern vergleichen. Open Source wird zu einem differenzierten Durchbruchspfad: Modelle, Operatoren und Inferenz-Frameworks werden in die globale Community freigesetzt. Durch die Optimierung auf Algorithmus- und Scheduling-Ebene werden wettbewerbsfähige Modelle unter begrenzten Rechenleistungsbedingungen erstellt. Die Entwickler-Community realisiert automatisch die Anpassung, Feinabstimmung und Szenenimplementierung, sodass Millionen von Entwicklern weltweit gemeinsam den Aufbau des Ökosystems abschließen, ohne dass das Unternehmen allein enorme Marketingbudgets für die Kundenschulung ausgeben muss.

Der Grund, warum Nvidia Open Source unterstützt, liegt im Wesentlichen darin, zu verhindern, dass sich das globale Open-Source-Ökosystem beschleunigt von Nvidias Hardwaresystem löst und sein Hardwaregeschäft schädigt. In diesem Spiel ist Open Source nicht mehr nur eine Produktstrategie, sondern auch ein geopolitischer Chip für Rechenleistungshersteller und Modellhersteller, um um Ökosystemstandards zu kämpfen.

02

Aber unter der Begeisterung schwebt eine grausame Frage über allen Open-Source-Spielern: Open Source bedeutet nicht Sieg. Die Offenlegung von Gewichten und unterliegendem Code ist nur die Eintrittskarte für das Ökosystem. Viele einst groß angekündigte Open-Source-Modelle gerieten nach dem Abklingen der Popularität schnell in Vergessenheit – genau wie im Titel beschrieben, kehren sie in dem harten Wettbewerb zu ihren Ursprüngen zurück.

Tatsächlich hat sich diese Geschichte im Bereich der Open-Source-Software immer wieder abgespielt: Unzählige Open-Source-Projekte wurden kurz populär, stagnierten nach der Erschöpfung der Ressourcen des Kernteams allmählich und wurden schließlich von dem Ökosystem vergessen. Auf der Großmodell-Spur ist die Eliminierungsgeschwindigkeit noch höher. Die Modellbewertungsstandards werden ständig aktualisiert, die Inferenz-Hardware iteriert fortlaufend, und die Anforderungen der Kunden an Stabilität, Multimodalität und Agent-Fähigkeiten steigen ständig. Mit einer einmaligen Open-Source-Veröffentlichung kann man die Position nicht behalten.

Wenn man entlang der aktuellen industriellen Hinweise fortschreibt, wird der zukünftige Entwicklungspfad dieses globalen Open-Source-Kriegs nicht zu einem einzigen Gewinner führen, der alles beherrscht, sondern zu einem Muster mit Schichtung, unterschiedlichen Lagern und tief integrierter Software und Hardware. Closed Source und Open Source werden sich nicht gegenseitig beseitigen, sondern langfristig koexistieren und sich gegenseitig durchdringen.

Auf dem aktuellen globalen Großmodellmarkt ist die erste Ebene der Spur der Wettbewerb um die unterliegende Infrastruktur für Inferenz und Bereitstellung, das Schlachtfeld für Inferenz-Engines, Operator-Bibliotheken und Codec-Komponenten. Auf dieser Ebene sind Kompatibilität, Hardwareanpassung, Durchsatz-Latenz und Kostenuntergrenze die Kernindikatoren. Die Art der Gewinnerzielung besteht nicht im direkten Verkauf von Code, sondern in der begleitenden unternehmensweiten Unterstützung, Beratung zur Cluster-Bereitstellung, kundenspezifischen Operator-Entwicklung und Rechenleistungs-Scheduling-Diensten.

Der Gewinner auf dieser Ebene wird nicht ein einzelner Hersteller sein. Einige wenige Frameworks, die durch Billionen-Token-Verkehr validiert wurden und gleichzeitig mehrere Hardwarearchitekturen unterstützen, werden De-facto-Standards bilden. DeepSeeks Einsatz auf DeepInfer zielt wahrscheinlich darauf ab, zu diesem Lager zu gehören und seine technischen Erfahrungen bei der groß angelegten Inferenz zu einem Industriestandard zu machen.

Die zweite Ebene ist der Wettbewerb um die Grundmodellgewichte, die auch die von der Öffentlichkeit am meisten beachtete Spur ist. Die Grundmodelle werden deutliche Differenzierungswege zeigen: Einige Modelle verfolgen einen universellen Allround-Weg, der ständig die Fähigkeiten von Closed-Source-Flaggschiffen vergleicht und gleichzeitig Code, Mathematik, lange Texte und Multimodalität berücksichtigt. Andere Modelle werden höchstwahrscheinlich zu vertikalen leichten Versionen weiterentwickelt, die auf Teilbereiche wie Endgeräte, Industrie, Medizin und Automobil abzielen und niedrigen Stromverbrauch, niedrige Kosten und hohe Determiniertheit anstreben.

Bitte beachten Sie: Grundmodell-Anbieter, die langfristig Fuß fassen können, müssen zwei Bedingungen gleichzeitig erfüllen: kontinuierliche stabile Rechenleistungsinvestitionen zur Unterstützung der Iteration, sowie eine große aktive Entwickler-Community, die ständig Feinabstimmungsversionen und Anwendungs-Plugins erstellt. Die inländischen Großmodelle mit hoher Aktivität konzentrieren sich alle auf diese Ebene, aber man kann selbst nachzählen, wie viele Anbieter beide Bedingungen gleichzeitig erfüllen können.

Die dritte Ebene ist das verbundene Lager von Hardware, Modell und Inferenz-Stack. Das ist das Schlachtfeld, das Nvidia am meisten beachtet, und auch die Kernchance für inländische Open-Source-Hersteller. Je stärker die heterogene Anpassungsfähigkeit von Open-Source-Modellen ist, desto schneller werden die Ökosystemmängel der inländischen Rechenleistung behoben.

Umgekehrt bestimmt die Reife des Rechenleistungsfundaments auch, ob Open-Source-Modelle in großem Umfang bei Unternehmen und Behörden implementiert werden können. Zukünftig wählen Kunden Open-Source-Modelle oft nicht zuerst nach Bewertungspunkten aus, sondern danach, ob sie stabil auf ihrem vorhandenen Rechencluster laufen können. Die Kraft des Hardware-Ökosystems wird den Marktanteil des Modells ständig neu gestalten. In diesem Sinne ist iFlytek der einzige inländische Großmodell-Hersteller mit eigenem inländischen Rechenleistungsfundament, der möglicherweise in Zukunft mehr Einfluss haben wird.

Fairerweise gesagt bringt die Open-Source-Welle für chinesische KI-Unternehmen offensichtliche Vorteile, birgt aber auch strukturelle Probleme, die kaum zu vermeiden sind.

Der offensichtlichste Vorteil liegt in der Ökosystemsprechkraft: Mit Open-Source-Modellen umgehen inländische Hersteller die Barrieren der Hochleistungsrechenleistung, erhalten einen direkten Kanal zu globalen Entwicklern, Regierungs- und Unternehmenskunden, bauen Markenbekanntheit in Märkten wie Europa, Südostasien und dem Nahen Osten auf, die großen Wert auf Datenautonomie legen, und brechen das Muster, in dem KI-Fähigkeiten in der Vergangenheit nur von wenigen US-amerikanischen Closed-Source-Herstellern bereitgestellt wurden.

Open Source zwingt auch die interne technische Fähigkeit zur Evolution: Die Tests, Schwachstellenrückmeldungen und Weiterentwicklungen der