Zhou Chang ist von ByteDance Seed zurückgetreten, dahinter verbirgt sich der Streit um die einheitliche multimodale Entwicklungslinie.

Die Gerüchte über Zhou Changs Abschied sind nicht das erste Mal.

Nachdem er im August 2024 dem Seed-Team von ByteDance beigetreten war, wurde er mindestens zweimal mit dem Abschied in Verbindung gebracht. Das erste Mal war im Dezember 2025. Damals bestritt Zhou Chang die Gerüchte in seinem WeChat-Moments-Beitrag und erklärte, dass die entsprechenden Gerüchte seine Arbeit bereits beeinträchtigt hätten. Im Oktober dieses Jahres wurde erneut verbreitet, dass er seinen Abschied eingereicht habe.

Tatsächlich hatte Zhou Chang während seiner Zeit bei ByteDance mehr als ein- oder zweimal den Gedanken gehabt, das Unternehmen zu verlassen. Ein Insider aus dem Seed-Team sagte uns: „Zhou Chang verursacht immer wieder Missgeschicke. Jedes Mal, wenn er gehen will, bleibt er nach zwei Wochen doch.“

Aber dieses Mal gab es ein anderes Ergebnis. Berichten von Z Finance zufolge hat Zhou Chang ByteDance verlassen, um im Bereich Physical AI ein eigenes Unternehmen zu gründen, und hat Investitionen von einem führenden US-Dollar-Fonds erhalten. Doch Personen, die ByteDance nahestehen, bestreiten die Nachricht über seinen Abschied.

Es heißt, dass Zhou Chang vor seinem angeblichen Abschied nicht mehr die Hälfte des multimodalen Geschäfts leitete. Wir haben erfahren, dass Zhou Changs Ursprungsbereich bei ByteDance das visuelle Sprachmodell VLM war, aber VLM hat bisher keine deutlichen AGI-Effekte erzielt. Bei einer organisatorischen Anpassung von Seed im August dieses Jahres wurde das VLM, auf dem Zhou Chang seine Karriere aufgebaut hatte, in das System des großen Sprachmodells (LLM) eingegliedert, was gleichbedeutend damit ist, dass es zu einer Datenunterabteilung des LLM wurde.

„Er hat seinen Ursprungsbereich verloren und hat im Grunde keinen Kernbereich mehr“, sagte der oben genannte Seed-Insider. Dies könnte der direkte Auslöser für seine Entscheidung gewesen sein, das Unternehmen zu verlassen.

Die größte öffentliche Debatte über Zhou Chang dreht sich darum, wie groß sein Beitrag zu Seedance tatsächlich ist. Nach Ansicht dieses Seed-Insiders ist Zeng Yan die tatsächliche Leiterin von Seedance, und die technischen Arbeiten und Entscheidungen werden auf ihrer Ebene getroffen.

Abgesehen von den personellen Beziehungen markiert Zhou Changs Abschied auch das Ende der Erzählung von ByteDance über die „Vereinheitlichung des multimodalen Verstehens und Generierens“.

01

Verlust des „Ursprungsbereichs“

2024 verließ Zhou Chang Tongyi Qianwen von Alibaba, um dem Seed-Team von ByteDance beizutreten. Sein Rang betrug 4-2, sein jährliches Gehaltspaket soll eine achtstellige Summe erreicht haben, und er nahm mehr als zehn ehemalige Mitarbeiter von Alibaba mit. Diese Talentwanderung führte zeitweise zu Unzufriedenheit bei Alibaba, und beide Seiten wurden sogar in ein Arbeitsgerichtsverfahren wegen Wettbewerbsverbots verwickelt.

Zhou Chang ist nicht nur ein einfacher Geschäftsleiter, sondern verfügt auch über einen tiefen akademischen Hintergrund. Er absolvierte seinen Bachelor in Informatik und Technologie an der Fudan-Universität und promovierte anschließend in Computerkonzepten und -theorie an der Peking-Universität, wobei sich seine Forschungsrichtungen auf tiefes Lernen, Graph-Mining und verteiltes Rechnen erstreckten.

Im Juli 2017 trat er Alibaba ein und arbeitete sich von E-Commerce-Empfehlungsalgorithmen und neuronalen Graphennetzen bis hin zu multimodalem vortrainiertem Training vor. Einige Jahre später leitete er die Entwicklung des multimodalen vortrainierten Modells M6.

Mit dem Aufkommen der Welle großer Modelle im Jahr 2023 wandte er sich Tongyi Qianwen zu, übernahm die Rolle des leitenden technischen Verantwortlichen und trieb die Entwicklung von Qwen von einem frühen Modell zu einer serienmäßigen Entwicklung und Open-Source-Entwicklung voran, wodurch er allmählich zu einer Schlüsselfigur im großen Modellsystem von Alibaba wurde.

Nach seinem Beitritt zu ByteDance wurde Zhou Chang mit der Leitung der multimodalen Interaktion und der Richtung des Weltmodells beauftragt. Dies ist genau die Erweiterung seiner technischen Akkumulation aus den vergangenen Jahren. Sowohl das visuelle Sprachmodell als auch das weiterentwickelte Weltmodell erfordern, dass das Modell über Fähigkeiten zum Verstehen, Schlussfolgern und Darstellen visueller Informationen verfügt, und das multimodale Verstehen ist genau Zhou Changs Stärke.

Der Wendepunkt ereignete sich im Jahr 2025. Im Februar trat Wu Yonghui, der 17 Jahre bei Google gearbeitet und an der Kernentwicklung von Gemini mitgewirkt hatte, ByteDance bei, übernahm die Leitung von Seed und strukturierte die Berichtslinien des Teams neu. Zu dieser Zeit war Yang Jianchao der Leiter der visuellen multimodalen Generierung von Doubao, der für die Bildgenerierung, Videogenerierung und die grundlegende Forschung zu visuellen Modellen verantwortlich war. Im Juli führte Seed eine organisatorische Anpassung durch, und Yang Jianchao kündigte plötzlich an, „vorübergehend eine Pause einzulegen“.

Die öffentliche Version besagt, dass Yang Jianchao aus familiären Gründen vorübergehend pausiert und seine Arbeit von Zhou Chang übernommen wurde. Tatsächlich hat diese organisatorische Anpassung seine Position erschüttert. Wie der oben genannte Seed-Insider enthüllte, verlangte die Organisation, dass Yang Jianchao an Shiguang (Zhou Changs Spitzname im Unternehmen) berichtet. Yang Jianchao war damit unzufrieden, verließ das Unternehmen daraufhin und gründete ein eigenes Unternehmen im Bereich der Videomodelle.

Kürzlich wurde berichtet, dass Yang Jianchao dem Kreativsoftware-Giganten Adobe beigetreten ist und die Position des Vice President für Forschung und KI-Technologie innehat.

Die Übernahme von Yang Jianchaos Aufgaben bedeutete, dass Zhou Chang nicht nur für das multimodale Verständnisgeschäft verantwortlich war, sondern auch das visuelle Generierungsgeschäft übernahm. Danach begann Zhou Chang, intern bei ByteDance eine neue technische Erzählung voranzutreiben – die Vereinheitlichung des multimodalen Verstehens und Generierens.

Aber diese Geschichte lässt sich nicht einfach erzählen. ByteDance hat zuvor bereits BAGEL als Open-Source-Modell veröffentlicht, ein Modell, das den Weg der „Vereinheitlichung von Verstehen und Generieren“ erforscht, und dieser technische Weg befindet sich selbst noch in der frühen Explorationsphase.

Nachdem Zhou Chang die entsprechenden Geschäfte übernommen hatte, gab es nicht viele öffentlich veröffentlichte Ergebnisse, die den Gedanken der Integration von Verstehens- und Generierungsarchitektur deutlich widerspiegeln. Das repräsentativste davon ist das Doubao-Bildgenerierungsmodell Seedream 5.0 Lite, das im Februar 2026 gleichzeitig mit Seedance 2.0 veröffentlicht wurde.

Die Leistung dieses Modells bei den Bewertungsergebnissen ist nicht besonders herausragend. ByteDance selbst beschrieb dieses Modell als „a relatively small model“, und es gebe „noch Verbesserungspotenzial“ in Bezug auf strukturelle Stabilität, Realismus und Ästhetik.

Nach Ansicht der Branche konzentriert sich Zhou Changs technische Akkumulation mehr auf das multimodale Verstehen, und er ist mit der multimodalen Generierung nicht so vertraut.

Eine noch wichtigere Veränderung ereignete sich auf der Ebene der technischen Routen. Seit diesem Jahr verlagert sich der Schwerpunkt der Branchenerzählung: Im Vergleich zur Integration von multimodalem Verstehen und Generieren in dasselbe Modell beginnen immer mehr Hersteller, die Fusion des visuellen Sprachmodells (VLM) und des großen Sprachmodells (LLM) vorrangig voranzutreiben.

Im August dieses Jahres leitete Seed eine neue Runde organisatorischer Anpassungen ein, und das VLM-Geschäft, für das Zhou Chang ursprünglich verantwortlich war, wurde in das LLM-System eingegliedert. Das bedeutet, dass der Teil des Geschäfts, mit dem er am vertrautesten ist und in dem er die größte technische Akkumulation hat, ebenfalls aus der ursprünglichen Organisationsstruktur herausgelöst wurde.

02

Warum ist es so schwierig, multimodales Verstehen und Generieren zu vereinheitlichen

Zhou Chang übernahm nominell die visuellen Generierungsgeschäfte wie Seedream und Seedance, aber der tatsächliche Leiter von Seedance ist Zeng Yan. Sie trat 2021 über das Hochschulrekrutierungsprogramm in das Unternehmen ein, erreichte innerhalb von fünf Jahren den Rang 4-2 und ist die leitende technische Verantwortliche von Seedance 2.0.

Tatsächlich steht die technische Route von Seedance in keinem direkten Zusammenhang mit der von Zhou Chang betonten „Vereinheitlichung von multimodalem Verstehen und Generieren“. Sie hat ihre eigene Entwicklungslogik und technische Akkumulation und ist kein Produkt dieser einheitlichen Erzählung.

Das erfolgreichste und profitabelste Modell von ByteDance, Seedance 2.0, basiert auf der Kerntechnologie der „Zweigstellen-Diffusions-Transformer (DB-DiT)“-Architektur, die Video und Audio in einem Modell parallel generiert, denselben Verständnis-Encoder gemeinsam nutzt und eine native Koordination von Bild und Ton realisiert.

Dies ist eine Vereinheitlichung innerhalb der generativen Modalitäten, die Ton und Bild verbindet, nicht Verstehen und Generieren. Das Modell kann multimodale Referenzmaterialien verstehen und darauf basierend Inhalte generieren, aber das ist immer noch etwas anderes, als visuelles Verstehen und visuelle Generierung wirklich in dasselbe Grundmodell zu integrieren.

Mit anderen Worten: Der Erfolg von Seedance 2.0 beruht darauf, dass Zeng Yan und ihr Team Video und Audio in dasselbe DiT integriert haben, und hat wenig mit der „Vereinheitlichung von Verstehen und Generieren“ zu tun.

Die multimodale Vereinheitlichung umfasst zwei verschiedene Ebenen. Die erste Ebene ist die Vereinheitlichung von LLM und VLM, bei der visuelle Kodierungsfähigkeiten in das große Sprachmodell integriert werden, sodass die KI nicht nur Text verarbeiten, sondern auch Bilder und Videos erkennen sowie Objekte, Szenen und Handlungen verstehen kann. Dies löst das Problem, wie das Modell die Welt wahrnimmt und versteht.

Die zweite Ebene ist die Vereinheitlichung von VLM und DiT, bei der die ursprünglich relativ unabhängigen Fähigkeiten zum visuellen Verstehen und zur diffusiven Generierung in dieselbe Modellarchitektur oder dasselbe Parametersystem integriert werden, sodass das Modell sowohl visuelle Inhalte verstehen als auch Bilder und Videos generieren kann. Dies löst die Frage, ob das Modell auf der Grundlage des Verstehens der Welt die Welt weiter gestalten kann.

Das von OpenAI im Jahr 2025 veröffentlichte GPT-4o weckte das Interesse der Branche an einem einheitlichen Rahmen für multimodales Verstehen und Generieren. Sowohl Google als auch große inländische Hersteller wie Alibaba und ByteDance versuchen im Allgemeinen, die Vereinheitlichung auf der zweiten Ebene umzusetzen.

Aber nach mehr als einem halben Jahr des Ausprobierens stößt man allgemein auf praktische Schwierigkeiten bei der Vereinheitlichung von VLM und DiT, beispielsweise auf Berechnungsengpässe durch die hohe Dimension multimodaler Daten und Probleme bei der aktuellen Bewertung. Dieser Vereinheitlichungspfad befindet sich noch in einem frühen Stadium, und die Routen sind bei weitem nicht konvergiert.

Ein multimodaler Forscher von Tencent Hunyuan sagte uns: „Multimodales Verstehen und Generieren sind nicht so einheitlich. Das Verstehen gehört normalerweise zum LLM-Team, und die Generierung ist relativ unabhängig.“ Ein Forscher von Alibaba Qwen sagte auch offen, dass es für die „Vereinheitlichung von Verstehen und Generieren“ im Grunde keine bekannten sehr effektiven Lösungen gibt, und bisher niemand dies schaffen kann.

Insgesamt gesehen glauben Fachleute für multimodale Technologie eher an die Vereinheitlichung von LLM und VLM, während sie die Vereinheitlichung von VLM und DiT allgemein anzweifeln.

Die technische Begründung ist nicht kompliziert. Verstehensmodelle verwenden normalerweise eine autoregressive Architektur, um Verstehen und Schlussfolgern durch die Vorhersage des nächsten Tokens abzuschließen. Die Bild- und Videogenerierung hingegen stützt sich stark auf Diffusionsmodelle, die im kontinuierlichen latenten Raum schrittweise Rauschen entfernen. Die Trainingsziele, Datendarstellungen und Berechnungsmechanismen der beiden Systeme sind unterschiedlich. Wenn man sie in dasselbe Modell packt, ist es an sich schon ein schwieriges Problem, wie man Fähigkeitsstörungen zwischen verschiedenen Aufgaben vermeiden kann.

Große in- und ausländische Unternehmen haben eine Zeit lang Schwankungen bei der technischen Routenwahl erlebt. Auch Google verfolgte früh keine Vereinheitlichung im Stil von „VLM+DiT“. Es nutzte Gemini als Kern für natives multimodales Verstehen und Schlussfolgern und behielt gleichzeitig lange professionelle Generierungsmodelle wie Imagen und Veo bei.

Später begann Gemini 2.0, native Bildgenerierung auszuprobieren, und Gemini 2.5 Flash Image integrierte weiter Verstehen, Generieren und Bearbeiten.

Aber das bedeutet nicht, dass Google mit einem Parametersatz und einer Architektur alle Probleme des Verstehens und Generierens gelöst hat. Aber bei Gemini 3.0 hat Google die multimodalen Inhalte wieder in einen einheitlichen Darstellungsraum abgebildet, was bedeutet, dass man zurück zur Vereinheitlichung von multimodalen Modellen und großen Sprachmodellen gewechselt ist.

Alibaba begann letztes Jahr, sowohl in Papieren als auch in der Praxis, Forschungen zur Vereinheitlichung von multimodalem Verstehen und Generieren durchzuführen. Aber ab Februar dieses Jahres, ab Qwen 3.5, wurden visuelle Fähigkeiten durch eine frühe Fusion in das Hauptmodell integriert, und Qwen hat keine neuen universellen VL-Verstehensmodelle mehr veröffentlicht.

Diesen Juli begann auch Tencent, die Erzählung von der Integration multimodaler Funktionen in das große sprachliche Grundmodell voranzutreiben. Allerdings gab es heute Nachrichten, dass Pang Tianyu, Principal Research Scientist bei Tencent Hunyuan und technischer Leiter für multimodales Verstärkendes Lernen (Multimodal RL), das Unternehmen verlassen hat. Er war erst Ende Januar dieses Jahres von der Sea AI Lab in Singapur zu Tencent gekommen und war noch nicht einmal ein Jahr im Unternehmen.

Genau wie Yang Jianchaos Abschied möglicherweise auf die Änderung der technischen Erzählroute zurückzuführen ist, hängt Zhou Changs Abschied auch mit der Änderung der neuen Route zusammen.

Er verließ ByteDance mit der Erzählung von der „Vereinheitlichung“ und wandte sich der Entwicklung von Physical AI zu. Physical AI erfordert genau Weltmodelle sowie Fähigkeiten zum multimodalen Verstehen und Generieren: Das Modell muss nicht nur die physische Welt erkennen, Objekte, Räume und Bewegungen verstehen, sondern auch vorhersagen, wie sich die Welt verändert, und schließlich Entscheidungen und Bahnen generieren, die Handlungen leiten können.

Wie auch immer, das technische Ideal, das Zhou Chang versucht hat, innerhalb eines großen Unternehmens zu verwirklichen, beginnt jetzt an einem anderen Ort von neuem.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „White Whale Laboratory“, Autor: Wu Xun, Redakteur: Liu Pei, veröffentlicht mit Genehmigung von 36Kr.