Geboren 1997, gemeinsam mit Huang Renxun auf der Bühne: Er möchte die Spieleindustrie auf eine andere Art und Weise verändern

Am 10. Januar gegen Mittag traf ich Song Yachen in seinem Büro bei VAST. Er hatte gerade die Besprechung am Vormittag beendet und sollte am Nachmittag noch Investoren treffen. Am Tag zuvor war MiniMax, an dessen Gründung er beteiligt war, an die Börse gegangen, und die Marktkapitalisierung hatte am ersten Handelstag bereits 100 Milliarden Hongkong-Dollar überschritten. Und wie immer hatte er bis drei Uhr morgens Videospiele gespielt.

VAST, das Anfang 2023 gegründet wurde, hat sich mittlerweile zu einem der führenden Akteure im Bereich der 3D-Generierung entwickelt – die Nutzerzahl hat die 6,5-Millionen-Marke überschritten, und im August letzten Jahres lag der jährliche wiederkehrende Umsatz (ARR) des Unternehmens bereits bei über 12 Millionen US-Dollar; das Team besteht aus Dutzenden von promovierten Wissenschaftlern aus den Bereichen KI und Grafik, die mehr als 60 Fachartikel veröffentlicht haben.

Erst letzten Monat haben sie die Version 1.0 von Tripo Studio veröffentlicht, und vor einigen Tagen haben sie zudem einen Spielewettbewerb für unabhängige Entwickler angekündigt.

Song Yachen strahlt einen starken Kontrast aus.

Er wurde 1997 geboren und studierte an der Johns Hopkins University Internationale Beziehungen und Wirtschaftswissenschaften. Im dritten Studienjahr nahm er an einem Austauschprogramm in Israel teil, wo ihm ein Professor riet: „Nimm die Komplexität der Welt an.“

Obwohl er keinen technischen Hintergrund hat, widmet er sich dem hochmodernen Bereich der KI. Im Jahr 2019 trat er bei SenseTime ein, wo er im Büro des CEO strategische Aufgaben übernahm und untersuchte, wie KI mit Animationen und Spielen kombiniert und in die Praxis umgesetzt werden kann. Im Jahr 2021 war er als Mitarbeiter Nr. 001 und Mitbegründer an der Gründung von MiniMax beteiligt.Doch Ende 2022, als GPT-3.5 veröffentlicht wurde und große Sprachmodelle gerade ihren Höhepunkt erreichten, traf Song Yachen eine Entscheidung, die dem allgemeinen Konsens widersprach: Er verließ MiniMax und setzte voll und ganz auf 3D.

Damals stellte Google „Dreamfusion“ vor, wodurch die Erstellung von 3D-Inhalten möglich wurde. Seine Einschätzung lautete: Von 3D über Videos und Bilder bis hin zu Text – dies ist ein Prozess der kontinuierlichen Komprimierung von Informationen. 3D sei der Quellcode, wesentlicher als andere Medien und es lohne sich, voll und ganz darauf zu setzen.

Anfang 2023 gründete er VAST, und im selben Jahr war er der erste Chinese in der 50-jährigen Geschichte der SIGGRAPH, der einen Hauptvortrag hielt – gemeinsam mit Jensen Huang von NVIDIA.

Der erste Tripo Game Jam hat am 8. Januar begonnen

Abgesehen von seinem Ruf als Gründer ist Song Yachen auch ein begeisterter Gamer: Er liebt SLG- und RPG-Spiele, war bereits Anführer einer Allianz in „Shutou Zhihai“; im Schach erreichte er den achten Platz in der Weltrangliste seiner Altersklasse; alle ein bis zwei Wochen trifft er sich mit Freunden zu einer Partie D&D (Dungeons & Dragons) …

In der Oberstufe ging er jeden Abend um 23 Uhr schlafen und stand um 3 Uhr morgens auf, um Hausaufgaben zu machen; nach der Schule spielte er zunächst drei bis vier Stunden Schach und anschließend drei bis vier Stunden Videospiele.Während seines Studiums hatte er, weil er so gerne auf dem Bett saß und Videospiele spielte, eine Mulde in seine Simmons-Matratze gedrückt. Auch jetzt, da er sein eigenes Unternehmen gegründet hat, sieht sein Tagesablauf immer noch so aus: Er steht morgens um 7 oder 8 Uhr auf, arbeitet bis 21 oder 22 Uhr und spielt dann bis 3 oder 4 Uhr morgens Videospiele.

Gerade aufgrund seiner Rolle als Spieler erkannte er die Schwachstellen der Spielebranche früher als die meisten anderen KI-Gründer.

Als er 2019 bei SenseTime im Bereich „KI + Spiele“ tätig war, besuchte er regelmäßig Branchenveranstaltungen und stellte fest, dass viele Spielkonzepte zwar interessant waren, die grafische Gestaltung jedoch meist recht grob ausfiel. Viele wollten ursprünglich 3D-Spiele entwickeln, mussten sich aber letztendlich mit 2D begnügen und wählten dabei seltsame Blickwinkel, wodurch das Potenzial der Spielkonzepte nicht voll ausgeschöpft werden konnte.

In den Jahren 2020 und 2021 nahm er an zwei aufeinanderfolgenden Global Game Jams teil und entwickelte dabei selbst als Game Designer ein Spiel. Dabei stellte er ein Muster fest: Bei der Teamzusammenstellung vor Ort fehlten vor allem Grafiker und Programmierer, während es die meisten Game Designer gab. In den Gruppenchats riefen überall Leute: „Wir brauchen Grafiker!“, „Wir brauchen Programmierer!“Viele schafften es nicht, ihr Spiel fertigzustellen, und mussten sich daher mit einem Platzhalter-Charakter begnügen, um die Anzahl der Charaktere zu erfüllen.

Die hohen Kosten und langen Entwicklungszyklen bei der Produktion von Grafik sind seit jeher ein Problem der Branche. Einmal traf er auf der GDC einen unabhängigen Entwickler, auf dessen Visitenkarte der Name eines bestimmten Studios stand und der sehr professionell wirkte. Nach einem kurzen Gespräch stellte sich heraus, dass der Mann bereits seit zehn Jahren bei dieser „Firma“ tätig war und gleichzeitig unzählige Nebenjobs ausübte – nur um sein Ein-Mann-Studio über Wasser zu halten.Zehn Jahre lang an einem Spiel zu arbeiten und in dieser Zeit unzählige Auftragsarbeiten anzunehmen – nur so kann man sich das Recht sichern, seinen Traum weiterzuverfolgen.

„Diese Sache schränkt die Kreativität aller viel zu sehr ein.“

Song Yachen vertritt eine noch schärfere Einschätzung der Spielebranche. Er ist selbst ein begeisterter Spieler und hat schon viel Geld für Spiele ausgegeben, doch er sagt ganz offen: Das derzeitige Geschäftsmodell der Spiele behindert die Vielfalt der Spiele erheblich.

„Warum? Aus einem einzigen Grund: Spiele zu entwickeln ist zu schwierig und zu teuer.“

Er sagte, er hätte auch gerne „elektronische“ Burger, „elektronische“ Salate und „elektronische“ Hähnchenschenkel – also all diese gesunden, kalorienarmen und nicht süchtig machenden Dinge. Aber warum gibt es davon so wenige auf dem Markt? Weil man damit nicht genug Geld verdienen kann.

Seiner Ansicht nach ist dies eine zwangsläufige Folge der Kostenstruktur. Die zu hohen Einstiegshürden führen dazu, dass die meisten Produkte zwangsläufig auf die effizienteste Art der Monetarisierung ausgerichtet werden müssen.

Angesichts des derzeitigen Tempos der KI-Entwicklung prognostiziert Song Yachen, dass sich die 3D-Generierung in den nächsten ein bis zwei Jahren so weit entwickeln könnte, dass man „nicht mehr darum herumkommt“, sie zu nutzen.

Dann könnte es zu einem regelrechten Kreativschub kommen.

Im Folgenden finden Sie ein Gespräch zwischen „Game Teahouse“ und Song Yachen; der Inhalt wurde redaktionell bearbeitet.

01

Die kreative Entfaltung in der Spielebranche wird erheblich behindert.

Teestube: Warum hast du damals MiniMax verlassen, um dein eigenes Unternehmen zu gründen?

Song Yachen: Ende 2022 veröffentlichte Google „Dreamfusion“, das wegweisende Vorzeigeprojekt im Bereich der 3D-Generierung. Da die 3D-Generierung nun möglich ist, halte ich große 3D-Modelle für eine hervorragende Chance, auf die man voll und ganz setzen sollte.

Damals waren GPT und OpenAI jedoch auf dem Höhepunkt ihrer Popularität, sodass es schwierig war, alle davon zu überzeugen, voll und ganz auf 3D zu setzen. Ich war jedoch der Meinung, dass 3D eine grundlegendere und langfristigere Angelegenheit ist, und habe mich daher selbst dazu entschlossen, voll und ganz darauf zu setzen.

Teestube: Wann bist du zum ersten Mal mit der Spieleindustrie in Berührung gekommen?

Song Yachen: Als ich früher bei SenseTime an den Projekten „KI + Spiele“ und „KI + Animation“ arbeitete, besuchte ich regelmäßig Veranstaltungen der Spieleindustrie.Ich erinnere mich, dass ich 2019 auch an einem Networking-Event in einem Teehaus teilgenommen habe, wo ich viele Investoren, große Publisher sowie kleine und mittlere Entwicklungsstudios getroffen habe. Viele dieser kleinen Studios gehörten zu unserer Zielgruppe, also habe ich sie nacheinander auf WeChat hinzugefügt.

Natürlich sind auch die großen Spielehersteller dabei, aber wirklich spannend sind doch die kleinen Entwickler – sie lassen sich viele neue Spielkonzepte einfallen und kaufen nicht einfach nur etwas ein, um den Chef zufrieden zu stellen oder die KPI-Vorgabe „Wie viel KI muss dieses Jahr eingesetzt werden?“ zu erfüllen. Sie wissen wirklich, wie man unterhaltsame Dinge umsetzt.

Teestube: Ich habe gehört, du hast sogar schon an einem Game Jam teilgenommen?

Song Yachen: Ja, 2020 und 2021 haben wir zweimal mitgemacht. Beim ersten Mal haben wir uns mit einem Grafiker von 37 Interactive Entertainment, einem Programmierer von iFlytek und einem Texter zusammengetan und ein 3D-Spiel entwickelt, in dem man als Barkeeper in einer Kneipe arbeitet. Das Ergebnis war zwar nicht besonders gut, aber wir hatten viel Spaß dabei.

Als ich an einem Offline-Game-Jam teilnahm, stellte ich fest, dass es bei der Teamzusammenstellung vor Ort am meisten an Grafikern und Programmierern mangelte, während es die meisten Game-Designer gab.In den Gruppenchats riefen überall Leute: „Wir brauchen Grafiker, wir brauchen Programmierer.“ Außerdem schafften es die Grafiker oft nicht, ihre Arbeiten rechtzeitig fertigzustellen, sodass viele einfach ein Platzhalter-Figurchen einfügten oder privat angefertigte Entwürfe hochluden, um den Fertigstellungsgrad etwas zu erhöhen. Wenn man kein fertiges Material zur Hand hat, ist es sehr mühsam, von Grund auf neu anzufangen.

Teestube: Haben Sie schon damals begonnen, sich mit diesem Problem der bildenden Kunst zu beschäftigen?

Song Yachen: Die bildende Kunst war schon immer der größte Schwachpunkt.

In Shanghai gibt es eine Community namens „Random Encounters“, die von einer Gruppe ausländischer Mitarbeiter von Ubisoft gegründet wurde. Dort werden Veranstaltungen organisiert, bei denen jeder seine eigene Demo mitbringt, damit die anderen sie ausprobieren können. Ich habe schon ein paar Mal daran teilgenommen und fand viele Spielkonzepte schon recht interessant, allerdings war die grafische Gestaltung im Allgemeinen eher grob.Viele wollten ursprünglich 3D-Spiele entwickeln, doch bei der 3D-Entwicklung ist nicht nur die Grafik schwierig, sondern der gesamte Entwicklungsprozess. Letztendlich mussten sie sich daher für 2D entscheiden und wählten dabei seltsame Blickwinkel, wodurch sich die Kampfmechaniken nur schwer darstellen ließen.

Große Studios verfügen über das Budget, um Grafiken und Assets zu erstellen; erst nach Abschluss der Projekt- und Testphase kümmern sie sich um diese Dinge – das ergibt sich ganz von selbst. Für kleine Studios und unabhängige Entwickler ist das jedoch relativ mühsam. Ich habe schon solche gesehen, die wirklich idealistisch sind und zehn Jahre lang an einem Spiel arbeiten, wobei sie in der Zwischenzeit unzählige Auftragsarbeiten annehmen müssen, um ihr Studio über Wasser zu halten.

Teestube: Es dauert wirklich sehr lange, ein Spiel auf den Punkt zu bringen, vor allem, wenn das Team nicht sehr groß ist.

Song Yachen: Diese Angelegenheit schränkt die kreative Entfaltung aller zu sehr ein.

Der Code ist jetzt einfacher geworden. Viele nutzen Tools wie Cursor, insbesondere Produktmanager und Planer. Sie sind bereits in der Lage, zahlreiche 2D-Elemente zu erstellen, was zweifellos ein Fortschritt ist.

Bei 3D sieht das jedoch anders aus. Einerseits ist die Technologie noch nicht ausgereift genug, insbesondere beim Aufbau großer Szenen gibt es noch Defizite; andererseits stellt der Wechsel von 2D zu 3D an sich schon eine Hürde dar – das technische Framework, die Architektur und die gesamte Engine ändern sich, wodurch die Kosten schlagartig steigen.

Wir wissen jedoch auch, dass 2D-Spiele in puncto Spielerlebnis und Immersion zweifellos nachlassen. Viele Indie-Spiele möchten durchaus 3D-Spiele entwickeln, doch die Schwierigkeiten und Kosten bei der grafischen Gestaltung und der Programmierung sind einfach zu hoch, sodass sie sich notgedrungen mit 2D begnügen müssen.

02

Wenn die Produktionskosten gegen Null tendieren, entstehen neue Dinge.

Teahouse: Wie wird sich die Spielebranche verändern, wenn die 3D-Großmodell-Technologie und die Codegenerierung ausgereift sind?

Song Yachen: Wenn wir uns nur auf das Spiel selbst konzentrieren, sehen wir möglicherweise nicht die wirklichen Veränderungen. Was wir tatsächlich beobachten, ist das Entstehen von etwas Neuem.

Videospiele sind die neunte Kunstform – genau wie Filme, literarische Meisterwerke und Wandmalereien sind sie das Ergebnis des Einsatzes zahlreicher Menschen, großer finanzieller Mittel und einer langen Entwicklungszeit. Es ist ein bisschen so, als hätte Michelangelo mit Dutzenden von Helfern mehrere Jahre lang an der Deckenmalerei der Sixtinischen Kapelle gearbeitet. Bei der Entwicklung von Videospielen verhält es sich eigentlich genauso.

Diese Kunstformen haben eines gemeinsam: Sie sind sehr kostspielig. Das ist ein wesentlicher Punkt. Aufgrund der hohen Kosten sind auch die Anforderungen an die Einnahmen hoch. Und wenn man hohe kommerzielle Ansprüche stellt, neigt man dazu, jedes einzelne Werk zu einem eigenständigen Produkt zu machen, das einen geschlossenen kommerziellen Kreislauf bildet.

Heutzutage ist jedes Spiel ein Produkt – „Honor of Kings“, „PUBG“, „Genshin Impact“, „Match-3-Spiele“ und „King of Xianyu“ – allesamt Produkte, die einen geschlossenen Kreislauf bilden.Das Gleiche gilt für Filme und Romane – wer will damit nicht Geld verdienen? Disney-Filme sollen Geld einbringen, und für Michelangelos Gemälde musste die Familie Medici bezahlen.

Teestube: Was genau meinst du mit „etwas Neuem“?

Song Yachen: Das Neue daran ist: Wenn die Kosten für die Erstellung von Inhalten gegen Null tendieren, muss ich nicht unbedingt darauf aus sein, Geld zu verdienen. Wenn ich nicht darauf aus bin, Geld zu verdienen, kann es darum gehen, Stimmungen zu teilen, Ideen zu präsentieren, Informationen zu vermitteln, sich Luft zu machen … es kann alles Mögliche sein, ohne dass daraus zwangsläufig ein fertiges Produkt entstehen muss.

Beispielsweise sind viele Werbematerialien für Spiele, die zur Nutzerakquise dienen, eigentlich sehr unterhaltsam, doch die interaktiven Inhalte in diesen Materialien sind meist als Nebenaktivitäten in stark kommerzialisierten Spielen versteckt.Warum können sie nur Nebenelemente sein? Aus einem einzigen Grund: Sie lassen sich von Anfang bis Ende nicht kommerziell verwerten. Daher können sie nicht zu dem werden, was wir derzeit als „Spiel“ definieren. Aber sind sie kein Spiel? Ich finde, sie haben viel zu viel Spielcharakter.

Das derzeitige Geschäftsmodell der Spiele behindert die Vielfalt der Spiele erheblich. Warum? Aus einem einzigen Grund: Spiele zu entwickeln ist zu schwierig und zu teuer.Man muss Geld verdienen: Erstkauf, Folgekäufe, kumulierte Käufe, alle möglichen Feiertagsaktionen – man möchte am liebsten 100 verschiedene Dinge unter die Nase reiben, um deinen Geldbeutel bis auf den letzten Cent auszuschöpfen. Ich bin selbst ein begeisterter Spieler und habe schon eine Menge Geld dafür ausgegeben.

Teestube: Die Hürden für kreative Arbeit sind zu hoch, sodass sich die meisten Produkte zwangsläufig in Richtung einer höheren kommerziellen Effizienz orientieren müssen.

Song Yachen: Texte, Bilder und Videos haben diese Hürde bereits überwunden. Wenn die Produktionskosten auf nahezu null sinken, entstehen neue Dinge – wenn man noch immer Schriftzeichen in einen Schildkrötenpanzer ritzen müsste, wie könnte es dann Weibo, Zhihu und Xiaohongshu geben? Wenn man zum Drehen von Videos noch immer große Kameras und Filmrollen bräuchte, gäbe es auch kein Douyin.

Wenn heute von Videos die Rede ist, denken die meisten Menschen zuerst an Douyin, Kuaishou und Bilibili – nicht an Filme. Filme machen nur einen winzigen Teil der gesamten Videoindustrie aus, und bei Spielen könnte es in Zukunft ähnlich aussehen: Unter allen interaktiven Inhalten werden „Spiele“ im herkömmlichen Sinne nur einen kleinen Teil ausmachen. Wenn man an interaktive Inhalte denkt, sind Spiele nicht mehr das Erste, was einem in den Sinn kommt, sondern diese neuen Dinge.

Ich weiß nicht, wie das Neue heißt, aber es heißt sicher nicht „Minispiele“. Jemand fragte mich: „Willst du eine Plattform für Minispiele aufbauen?“ Ich sagte: „Nein.“ Der Grund dafür ist ganz einfach: Zhang Yiming hat TikTok entwickelt – kann man da von einer „Plattform für Minivideos“ sprechen?

Teestube: Wann wird es diese neue Sache geben?

Song Yachen: Wir befinden uns noch in einem frühen Stadium. Bevor es Handykameras gab, hätte man TikTok nicht entwickeln können – ohne Kamera wäre das unmöglich gewesen.

Deshalb ist die Blase rund um das Metaversum geplatzt. Damals sagten viele, die das Metaversum betraten, dass es dort nichts zu erleben gäbe. Das Metaversum ist riesig, aber wenn dein Haus leer ist – was soll man da schon tun?Wenn man in „GTA“ eintaucht, gibt es dort jede Menge Geschichten – tätowierte Gangster, Straßen voller Nachtleben, und jede Werbetafel ist anders. Erst wenn die Details so ausgefeilt sind, gibt es so viele Inhalte, die man konsumieren kann. Natürlich wurde dafür viel Geld investiert, und alles wurde von Hand erstellt.

Was wäre aber, wenn man so etwas wie „GTA“ ohne Einstiegshürden, ohne Kosten und in Echtzeit generieren könnte? Ich könnte heute schon eines erstellen, sogar mehrere. Das macht zwar Spaß, aber wahrscheinlich würde niemand viel Zeit damit verbringen – zwei Minuten, eine Minute oder sogar nur 20 Sekunden. Das reicht, dann kann man schon die nächste Welt erschaffen oder sich mit etwas anderem beschäftigen.

Für so etwas Neues – mit starker Interaktion und einem eher oberflächlichen Erlebnis – ist es derzeit tatsächlich noch zu früh. Vielleicht müssen wir, die wir im Bereich KI arbeiten, noch etwas abwarten.

03

3D ist der Quellcode der Informationen und damit wesentlicher als andere Medien.

Teestube: Glaubst du, dass 3D wesentlicher ist als Bilder und Videos?

Song Yachen: Allgemein geht man davon aus, dass die Informationsdichte von Text über Bilder und Videos bis hin zu 3D stetig zunimmt und das Erlebnis dadurch immer komplexer wird. Diese Auffassung ist falsch.

Eigentlich ist es genau umgekehrt: Von 3D über Videos und Bilder bis hin zu Text – es handelt sich um einen Prozess, bei dem Informationen ständig komprimiert werden und dabei ständig verloren gehen.

Während der Entwicklung des Universums über mehrere zehn Milliarden Jahre gab es nur 3D-Informationen. Während der Evolution des Lebens über mehrere Milliarden Jahre gab es ebenfalls nur 3D-Informationen.Auch die Menschheit verfügte über mehrere hunderttausend Jahre hinweg bis vor drei- bis fünftausend Jahren lediglich über dreidimensionale Informationen. In Liangzhu, Hongshan und Sanxingdui wurden ausschließlich Masken, Schmuck und Totems ausgegraben – also dreidimensionale Objekte – und keine Schriftzeichen, Bilder oder Videos.

Warum? Weil Schrift, Bilder und Videos allesamt erst vor relativ kurzer Zeit vom Menschen erfundene Komprimierungsformate sind. Vor drei- bis fünftausend Jahren entdeckte man, dass man Informationen auf Schildkrötenpanzern und Bambusstreifen übermitteln konnte, doch da die Speichermedien begrenzt waren, musste man die Informationen komprimieren – so entstand die Schrift. Das Gleiche gilt für Videos: Sie wurden erst vor etwas mehr als 100 Jahren erfunden und sind ebenfalls eine Art Komprimierungsformat.

Deshalb sind 3D-Dateien der Quellcode und die Quelldateien, während Text, Bilder und Videos nur Low-Poly-Modelle sind. Warum Low-Poly-Modelle? Weil die GPU-Leistung und die Bandbreite nicht ausreichen. Mit 2G kann man nur Text übertragen, erst mit 4G sind Videos möglich. Wenn erst einmal jeder über Glasfaseranschlüsse verfügt, wird man wieder zu den Quelldateien zurückkehren, da diese das beste Erlebnis bieten.

Das Gleiche gilt für das Training von KI. Wie arrogant muss man sein, um zu glauben, dass eine allgemeine künstliche Intelligenz auf Text – also einem komprimierten Format – trainiert werden sollte? Sollte sie nicht vielmehr auf der Grundlage der Quelldateien trainiert werden? Genau aus diesem Grund arbeiten sowohl Li Feifei als auch Yang Likun an Weltmodellen und großen 3D-Modellen. Alle haben es mittlerweile begriffen: Das Training muss auf der Grundlage der ursprünglichsten Informationen erfolgen.

Teestube: Warum schreitet die Entwicklung von 3D-Großmodellen im Vergleich zu anderen Modalitäten nicht so schnell voran?

Song Yachen: Drei Gründe.

Erstens: Es mangelt an Fachkräften. In der Grafikwissenschaft gibt es ohnehin nur wenige Fachleute, und im Schnittbereich zwischen Grafikwissenschaft und KI sind es noch weniger – früher gab es dort überhaupt keine Überschneidungen, doch nun, da sich diese Bereiche plötzlich überschneiden, gibt es nur sehr wenige, die sich damit auskennen. Es ist kaum vorstellbar, dass ein 50-jähriger Professor sein ganzes Leben lang auf diesem Gebiet geforscht hat – es handelt sich um ein völlig neues Fachgebiet. Deshalb besteht unser Team fast ausschließlich aus Doktoranden unter 30 Jahren.

Zweitens: Es fehlen Daten. Es ist heutzutage ganz normal, Fotos zu machen, Texte zu schreiben und diese im „Moments“-Feed zu veröffentlichen, aber wie viele Leute kennst du, die Modelle erstellen und diese dort posten? Man muss sich also alle Mühe geben, um Daten aus den unterschiedlichsten Ecken und Winkeln zusammenzutragen.

Drittens: Der Arbeitsablauf ist zu lang. Es ist nicht damit getan, dass die Geometrie fertiggestellt ist – Texturen, PBR, Normalen, UVs, Topologie, Skelette, Animationen, Spezialeffekte – es gibt einfach zu viel. Man erschafft eine ganze Welt.

Von allen KI-Generatoren ähneln nur 3D und Code einander besonders stark. Viele bezeichnen uns als „Cursor für 3D“, und das hat durchaus seine Berechtigung. Bei fast allen großen Modellen gilt das Prinzip „Modell ist Produkt“ – ein Dialogfeld, in das man Text eingibt und das ein Ergebnis ausgibt, ganz einfach. Nur bei Code und 3D ist das nicht der Fall.Cursor sieht aus wie VSCode, wir hingegen wie eine Engine, denn es handelt sich um eine Pipeline, bei der es nicht nur um einen einfachen Ein- und Ausgang geht. Außerdem ähneln sich 3D-Künstler und Programmierer in vielerlei Hinsicht – von der Anzahl der Beschäftigten über die Gehälter bis hin zu den Arbeitsgewohnheiten.

Im Grunde genommen braucht es nur zwei Dinge, um eine Welt zu erschaffen: die Schöpfung aller Dinge und die Festlegung von Regeln. Wir sind für die Schöpfung aller Dinge zuständig, der Code für die Festlegung der Regeln. Wenn diese beiden Dinge zusammenkommen, entsteht eine Welt – etwas, das wesentlicher ist als Text, Bilder oder Videos.

Teestube: In welcher Beziehung stehen das 3D-Modell und das Weltmodell zueinander?

Song Yachen: Aus 3D-Modellen entwickeln sich Weltmodelle. Weltmodelle haben zahlreiche Daten aus virtuellen und realen Welten verarbeitet und sind in der Lage, logische und physikalische Abläufe automatisch zu simulieren.

Eine Tür sollte sich beispielsweise öffnen lassen. Und wie sie sich öffnet, hängt davon ab, wie die Stange und die Feder oben beschaffen sind – wenn die Feder nach innen zeigt, öffnet sie sich nach innen, wenn sie nach außen zeigt, öffnet sie sich nach außen. Das System versteht diesen Zusammenhang. Es unterteilt zunächst das Bild, erkennt, was sich dort befindet, versteht es und generiert dann das Ergebnis.

Mit einem Weltmodell lassen sich viele RPG-Spiele sehr gut entwickeln.

Teestube: Derzeit konzentrieren sich die sogenannten Spiele, die KI-Elemente in ihr Gameplay integrieren, im Wesentlichen auf den RPG-Bereich – Chatbots, intelligente NPCs … Doch RPGs sind eigentlich nicht das größte Genre.

Song Yachen: Ich glaube, dass sich die Entwickler von KI und die Spieleentwickler noch nicht gegenseitig verstehen. Viele sind der Meinung, dass Spielformen wie MOBA auf festen Regeln basieren – ähnlich wie Go – und sich daher nur schwer mit KI umsetzen lassen.

Kostensenkungen und Effizienzsteigerungen sowie innovative Spielkonzepte sollten jedoch nicht völlig voneinander getrennt betrachtet werden. Es ist zwar nicht realistisch, „Honor of Kings“ direkt mithilfe von KI umzugestalten, doch wenn man die Hürden für die Entwicklung senkt, könnten unzählige Menschen ähnliche Prototypen erstellen, und aus diesen unzähligen Prototypen könnten sich vielleicht ein oder zwei herausragende Spielkonzepte herauskristallisieren.

Im Grunde geht es darum, mit neuen Fähigkeiten viel auszuprobieren – dann entstehen vielleicht interessante Dinge. Aber derzeit sind die Kosten für solche Versuche noch zu hoch. Wenn es nur 50 Yuan und zwei Tage kosten würde, würden es alle tun. Wenn es aber 5 Millionen Yuan und zwei Jahre kostet, ist das schon schwieriger.

Teestube: Wie schätzt du das Tempo der Entwicklung der KI-Technologie ein?

Song Yachen: Viele der heutigen Technologien wären in den letzten 1.000 Jahren zweifellos als die bedeutendsten Erfindungen ihres jeweiligen Jahrhunderts gegolten.

Nehmen wir zum Beispiel die Videoproduktion. Früher gab es nur zwei Arten von Videos: Man suchte sich in der realen Welt einen Standort und einen Blickwinkel und filmte eine Weile – das war „Dreharbeit“; man suchte sich in der virtuellen Welt einen Standort und einen Blickwinkel und filmte eine Weile – das war „Animation“.KI-generierte Videos haben etwas wirklich Beeindruckendes geleistet: Sie benötigen weder eine physische noch eine virtuelle Kamera, suchen weder nach einem Standort noch nach einem Blickwinkel und benötigen keine Aufnahmezeit – sie erschaffen direkt etwas für dich, das es noch nie gegeben hat. Das sollte mit dem Nobelpreis ausgezeichnet werden.

Das Gleiche gilt für die 3D-Generierung. Früher gab es nichts, heute entsteht aus einem einzigen Satz ein Modell – ein Wort, und schon wird es Wirklichkeit, wie mit dem magischen Pinsel von Ma Liang. Doch nachdem alle drei Jahre lang dieses Spektakel miterlebt haben, sind sie mittlerweile abgestumpft.

04

Die 3D-Generierungstechnologie wird sich bald so weit weiterentwickeln, dass man sie nicht mehr ignorieren kann.

Teestube: Wie sieht der Entwicklungsverlauf von VAST aus?

Song Yachen: Wir wollten ursprünglich eine neue Content-Plattform aufbauen, so etwas wie ein „TikTok für neue Inhalte“, aber das ist uns nicht gelungen.

Warum ist es gescheitert? Weil es keine „Handykamera“ gab, die etwas Neues bot, und weil es an kreativen Werkzeugen für die breite Masse fehlte. Da die breite Masse nicht mitmachen konnte, hast du wieder nur diese künstlerische Elite rekrutiert – die sich lediglich in ihrer Freizeit mit solchen Dingen beschäftigten. Es ist etwas ganz anderes, wenn ein Regisseur aus Langeweile ein Video dreht, als wenn der alte Herr vor der Haustür ein Video dreht.

Als wir uns dieses Problems bewusst wurden, haben wir uns überlegt, wie wir auch den alten Herrn vor der Tür dazu in die Lage versetzen könnten, dies zu tun. Deshalb haben wir uns 3D-Großmodellen zugewandt, gefolgt von Weltmodellen, mit dem Ziel, dass jeder eigene Erlebnisse schaffen kann – immersive, stark interaktive und inhaltsarme Erlebnisse.

Teestube: Was habt ihr konkret gemacht?

Song Yachen: Am 31. Mai 2025 haben wir die Version 0.1 von Studio veröffentlicht, also die Beta-Version. Der Umsatz hat sich innerhalb eines Monats um das Zwei- bis Dreifache und innerhalb eines Quartals um das Fünf- bis Sechsfache erhöht. Wir haben dabei nur eine einzige Sache getan: Wir haben das ursprüngliche Konzept „Modell als Produkt“ in eine Engine, nämlich Studio, umgewandelt.

Da die Version zum Start noch unvollständig war, haben wir sie 0.1 genannt. Wir haben gerade Tripo Studio 1.0 veröffentlicht und hoffen, diese Version kontinuierlich weiterzuentwickeln, um nach und nach einen neuen Arbeitsablauf zu etablieren, der die bisherige, sehr komplexe 3D-Produktionspipeline mit verschiedenen Plug-ins und Engines ablöst.

Ein Teil richtet sich an professionelle Anwender, aber auch an unsere sogenannten „Pro C“-Nutzer – Endverbraucher mit gewissen fachlichen Kenntnissen. Viele nutzen dieses Tool nicht, um damit ihren Lebensunterhalt zu verdienen; sie sind vielleicht keine Modellierer, sondern Konzeptkünstler, die es als 3D-Referenz verwenden, oder Werbetreibende.

Teehaus: Wie weit sind wir derzeit noch von der Vision eines „3D-Douyin“ entfernt?

Song Yachen: Wir entwickeln eine 3D-Version von „Jianying“ – oder besser gesagt eine interaktive Version von „Jianying“ –, mit der jeder ohne Vorkenntnisse und ohne Kosten interaktive 3D-Inhalte erstellen kann. Sowohl auf dem PC als auch auf dem Smartphone. Es handelt sich dabei möglicherweise nicht nur um ein Tool, sondern umfasst auch eine Plattform und eine Community.

Wir arbeiten kontinuierlich daran und entwickeln das Projekt stetig weiter. Eine Gruppe sehr aufgeschlossener Community-Mitglieder begleitet uns bei dieser Weiterentwicklung.

Teestube: Wie sieht derzeit die Wettbewerbslage bei großen 3D-Modellen aus? Was sind die zentralen Stärken von VAST?

Song Yachen: Im Ausland gibt es nicht besonders viele Konkurrenten; im Bereich KI-3D schneidet das Unternehmen derzeit im Inland recht gut ab.

Unsere Stärken liegen in unserer technischen Kompetenz und den hervorragenden Ergebnissen. Erstens verfügen wir über eine große Datenmenge, die um eine Größenordnung über der anderer Anbieter liegt. Zweitens sind da unsere Fachkräfte: Wir beschäftigen Dutzende von Doktoranden und Wissenschaftlern aus dem Schnittbereich von KI und Grafikwissenschaft, die mehr als 60 Fachartikel veröffentlicht haben.

Teestube: Sollten die Daten von Dachang nicht umfangreicher sein?

Song Yachen: So viele sind es gar nicht. Wie viele 3D-Modelle gibt es in einem Spiel? 10.000 sind schon eine ganze Menge. Selbst große Unternehmen haben wohl kaum mehr als 500 große 3D-Spiele entwickelt, oder? Bei 500 Titeln wären das gerade einmal 5 Millionen – wir haben mindestens 50 Millionen.

Teestube: Einige Branchenvertreter sagen, es sei mühsam, 3D-Generierungstechnologien in bestehende Arbeitsabläufe zu integrieren. Was halten Sie davon?

Song Yachen: Verschiedene Pipelines stellen tatsächlich unterschiedliche Anforderungen – die Art der Schichtung, die Texturformate und die Namenskonventionen sind alle unterschiedlich. Aber ich glaube, jetzt ist nicht der richtige Zeitpunkt, sich darüber den Kopf zu zerbrechen. Wenn es gut funktioniert, werden es die Leute auch nutzen.

Genau wie damals, als Handys noch mit 360p und 720p fotografierten und die Spielehersteller sagten: „Das ist völlig unbrauchbar, das ist Müll.“ Bei 1080p hieß es dann: „Das geht schon, aber das Format passt nicht so recht zu unseren internen Standards.“Aber wenn man 4K und 8K aufnehmen kann und das fast kostenlos – was früher 100.000 Yuan gekostet hat, kostet jetzt einen Cent; was früher mehrere Monate gedauert hat, dauert jetzt 10 Sekunden –, würdest du dann immer noch sagen: „Meine Pipeline ist zu komplex“? Das würdest du nicht.Du wirst dir überlegen: „Wie kann ich mithilfe von KI eine neue Pipeline aufbauen? Wer das zuerst schafft, ist der Gewinner.“

Das zeigt, dass die 3D-Generierung noch nicht gut genug ist. Wäre sie gut genug, würden sie fragen: „Wie sieht eure Schnittstelle aus? Wie können wir die Pipeline besser darauf abstimmen?“

Teestube: Wann glaubst du, wird die 3D-Generierung so weit fortgeschritten sein, dass man gar nicht mehr drum herumkommt, sie zu nutzen?

Song Yachen: Ich glaube, dass es 2026 eine Chance gibt. Die Entwicklung schreitet unglaublich schnell voran – wenn man sich die technologischen Fortschritte in den Jahren 2023, 2024 und 2025 ansieht, sind das völlig unterschiedliche Ebenen. Im Grunde gibt es jeden Monat ein Update, es gibt keine Engpässe – es ist lediglich eine Frage des Zeit- und Arbeitsaufwands.

Teestube: Welche Art von Spielen magst du? Was möchtest du selbst mit 3D-Generierungstechniken machen?

Song Yachen: SLG und RPG – ich spiele gerne gegen andere. Spiele mit starkem Strategieelement wie „Civilization“, „Total War“ und „Victoria“ gefallen mir alle.

Ich möchte ein 3D-Spiel entwickeln, das eher in Richtung SLG geht. Da 3D das Kernelement des Spiels ist, ergeben sich viele interessante Möglichkeiten.