Inmitten des rasanten technologischen Wandels das „Beständige“ im Blick behalten | Ein Gespräch mit zwei KI-Gründern

Einleitung

Vom nächsten Token zum nächsten Zustand.

Da generative KI bereits in der Lage ist, täuschend echte Bilder zu zeichnen, flüssige Drehbücher zu schreiben und sogar zusammenhängende Videoclips zu erstellen, stellt sich nun die nächste Frage: Warum gibt es noch kein interaktives Unterhaltungsprodukt, das wirklich dem Zeitalter der KI entspricht?

Die technischen Voraussetzungen scheinen zwar gegeben zu sein, doch wirken sie eher wie verstreute Einzelteile, die noch nicht zu einer funktionsfähigen Maschine zusammengesetzt wurden. Die gesamte Branche befindet sich eher in einer Phase, in der „Blinde einen Elefanten ertasten“ – jeder berührt einen Teil des Elefanten, doch noch hat niemand das Gesamtbild wirklich erkannt.

Die beiden Gäste, die die Sendung „405 Youju“ kürzlich eingeladen hatte, standen zufällig zu beiden Seiten dieses Elefanten.

Dai Bo, Gründer von Feeling AI (Yunwu Intelligence) und Assistenzprofessor an der Universität Hongkong.Seit Beginn seiner Promotion im Jahr 2014 widmet er sich dem Bereich der generativen KI. Er promovierte am MMLab der Chinese University of Hong Kong unter der Leitung von Professor Lin Dahua. Seine Arbeiten wurden in Google Scholar mehr als 10.000 Mal zitiert, und in den letzten drei Jahren wurde er in Folge zu den weltweit besten 2 % der Wissenschaftler gezählt.Seine bekannteste Arbeit ist AnimateDiff – dieses Open-Source-Modell zur Videogenerierung eroberte einst die gesamte Stable-Diffusion-Community im Sturm. Im Jahr 2024 lehnte er Angebote mehrerer großer Unternehmen ab und entschied sich dafür, Feeling AI zu gründen, mit dem Ziel, eine Infrastruktur für Weltmodelle aufzubauen, die der virtuellen Welt ein „Gefühl von Lebendigkeit“ verleiht.Innerhalb von sechs Monaten nach der Gründung schloss das Unternehmen zwei Finanzierungsrunden mit einem Gesamtvolumen von über 100 Millionen Yuan ab.

Hu Xiuhan, Gründer von NieTa (See Concept). Er hat einen Doppelabschluss in Intelligenter Wissenschaft und Wirtschaftswissenschaften der Peking-Universität sowie einen Master-Abschluss der Columbia University. Er war bei Meta als Leiter der technischen Architektur für Kurzvideos tätig, wurde bei Alibaba zum jüngsten P8-Experten der Abteilung für Datentechnologie ernannt und baute bei Tezan eine Produktlinie mit einem Umsatz von über 100 Millionen von Grund auf auf.Ende 2022, nur vier Monate nach der Veröffentlichung von Stable Diffusion, kam er zu dem Schluss, dass sich „die Bausteine für Inhalte verändert haben“, und kündigte daraufhin seinen Job, um ein Start-up zu gründen. Nieta hat mittlerweile über 12 Millionen registrierte Nutzer und eine durchschnittliche tägliche Interaktionsdauer von über 110 Minuten. Im März 2026 schloss das Unternehmen gerade eine Pre-A+-Finanzierungsrunde in Höhe von über 10 Millionen US-Dollar ab.

Die Verbindung zwischen den beiden reicht weiter zurück als die geschäftliche Zusammenarbeit. Sie sind alte Freunde aus der Zeit der Informatikwettbewerbe, und was sie wieder zusammengebracht hat, ist AnimateDiff – nachdem Dai Bo dieses Modell entwickelt hatte, schickte er es sofort an Xiu Han, der darauf reagierte: „So etwas wollte ich schon immer haben.“Seitdem hat sich der eine in die grundlegende Architektur von Weltmodellen vertieft, während der andere auf der Anwendungsebene eine KI-native Kreativ-Community aufbaut – unterschiedliche Wege, die jedoch auf dasselbe Ziel hinauslaufen.

Dieses Gespräch dreht sich um mehrere Kernfragen: Wie werden die Grenzen zwischen Schöpfung und Konsum neu gezogen, wenn sich die Grundeinheit von Inhalten vom Pixel zum Konzept weiterentwickelt?Warum müssen KI-native Anwendungen „aktiv“ und „in Echtzeit“ sein und dürfen nicht vorab generiert und anschließend weiterverbreitet werden? Wie ist das Weltmodell eigentlich zu verstehen? – Dai Bo zerlegt es in eine dreistufige Architektur aus Ideenebene, dynamischer Ebene und statischer Ebene, während Xiu Han sich eher darauf konzentriert, ob es zu einem endogen angetriebenen, nachhaltigen System werden kann.Außerdem diskutierten sie eingehend eine leicht zu übersehende Unterscheidung: „Creation“ (professionelles Schaffen) und „Recreation“ (massenhafte Neugestaltung/freizeitliches Schaffen). Echte, massentaugliche UGC-Aktivitäten kommen im Wesentlichen eher Letzterem nahe – sie stellen hohe Anforderungen an die Qualität des Prozesses, aber keine hohen Anforderungen an die Qualität des Ergebnisses; der Genuss liegt im Flow des Schaffens selbst.

Die beiden Gründer teilen eine gemeinsame Überzeugung: Die größte Chance besteht nicht darin, dass jemand eine „Oase“ erschafft, sondern dass jemand die Bausteine zur Schaffung einer solchen Oase bereitstellt. Wenn Nutzer die Welt mit Konzepten statt mit Code gestalten, Regeln definieren und Charaktere erschaffen können, wird die Form der interaktiven Unterhaltung nicht mehr durch die heutige Vorstellungskraft begrenzt sein, sondern nur noch davon abhängen, wann die technische Leistungsfähigkeit damit Schritt hält.

Im Folgenden finden Sie ein Gespräch zwischen 405 Youju, Dai Bo und Hu Xiuhan. „Game Teahouse“ hat die Textversion mit Genehmigung zusammengestellt; der Inhalt wurde redaktionell bearbeitet.

01

Die Bausteine für Inhalte werden neu definiert

„Früher waren Pixel die Bausteine von Inhalten, in Zukunft werden es Konzepte sein. Wenn Konzepte und Schlüsselwörter direkt miteinander verknüpft werden, ist das die grundlegendste Veränderung auf der Ebene der Bausteine.“

Xiao Ning: Ihr beide habt einen eher technischen Hintergrund – warum habt ihr euch bei diesem Start-up für einen Schwerpunkt in den Bereichen Unterhaltung und Inhalte entschieden?

Xiu Han: Ich habe zusammen mit Dai Bo an Informatikwettbewerben teilgenommen und arbeite seit meinem Abschluss an Produktprojekten. In einem Unternehmen wie Facebook, in dem die Produktkultur im Vordergrund steht, habe ich mich intensiv mit Design-A/B-Tests und Wachstumsexperimenten beschäftigt und mich nach und nach daran gewöhnt, die Auswirkungen technologischer Innovationen aus der Perspektive der Technik und Produktentwicklung zu betrachten. Bei jeder neuen Generation von KI-Technologien ist meine erste Reaktion immer die Frage, wie sich damit Probleme in konkreten, realen Szenarien lösen lassen.

Dai Bo: Bei mir ist es ganz einfach.Als ich klein war, kaufte mir meine Mutter einen „Xiaobao“-Lerncomputer, und seitdem interessiere ich mich sehr für interaktive Inhalte. Als ich mich bei meiner Promotion für ein Fachgebiet entscheiden musste, dachte ich: Es würde mich sehr erfüllen, mit selbst entwickelten Technologien interaktive Inhalte zu gestalten. Als ich sah, wie die Technologie nach und nach ausgereift wurde, dachte ich mir, ich könnte es doch einfach selbst versuchen, denn nur durch das Ausprobieren kann man Antworten finden.

Xiao Ning: Anhand welcher Anzeichen habt ihr euch damals für die Gründung eines Unternehmens entschieden?

Xiu Han: Mein Fokus liegt seit jeher auf der Atomizität von Inhalten – darauf, wie man sie dekonstruiert und neu zusammensetzt –, und ich beschäftige mich auch damit, wie Modelle die Art und Weise beeinflussen, wie Kreative zusammenarbeiten. Natürlich nicht aus der technischen Perspektive der zugrunde liegenden Prinzipien, sondern aus der Sicht der Inhaltserstellung: Wie wirkt sich das auf die Zusammenarbeit der Menschen aus und wie beeinflusst es die Arbeit der Kreativen bei der Erstellung von Inhalten?

Als ich im Juli 2022 Stable Diffusion sah, wurde mir – noch bevor große Sprachmodelle aufkamen – klar, dass sich die „Lego-Steine“ der Inhalte verändert hatten: Früher war es vielleicht ein Einzelbild, eine Ebene oder sogar eine pixelgenaue Darstellung; die „Bausteine“ der Zukunft werden jedoch höchstwahrscheinlich Konzepte sein – eine Art visuelles Konzept.Dies ist der zentrale Wandel auf der Ebene der Bausteine. Wir haben in diesem Prozess umfangreiche Erkundungen durchgeführt und auch die Phase der ständigen Weiterentwicklung verschiedener Bausteine wie LoRA durchlaufen.

Ich habe den Eindruck, dass Durchbrüche wie Nano Banana und Seedance 2.0 in letzter Zeit immer näher an den Zustand heranrücken, in dem „man allein mit einem Konzept eine Welt erschaffen kann“. Das ist ein schrittweiser Prozess des Verstehens.

Xiaoning: Wir haben das letzte Mal darüber gesprochen, dass sich manche Dinge von Anfang bis Ende nicht geändert haben – zum Beispiel war deine ursprüngliche Definition dieses Themas „GitHub + IP“.

Xiu Han: Wenn wir über die Entwicklung der Inhaltsatome nachdenken, lassen sich historisch gesehen etwa drei bis vier Generationen unterscheiden: Die erste Generation basierte auf reinen Pixeln; in der zweiten Generation kamen Vorlagen, Ebenen und 3D-Modelle hinzu;die dritte Generation war die komponentenbasierte Herangehensweise à la Figma; die vierte Generation ist die heutige, konzeptbasierte Atomstruktur. Jede Generation hat großartige Produkte hervorgebracht: Photoshop in der ersten und zweiten Generation, Figma in der dritten Generation – und die vierte Generation findet möglicherweise gerade jetzt statt.

Je tiefer man in die Materie eintaucht, desto mehr ähneln diese Bausteine einem Code. Und die natürlichen Eigenschaften des Codes bestimmen, dass er eine Zusammenarbeit nach dem Vorbild von GitHub ermöglicht. Früher gab es ko-kreatives Handeln nur in Form von textbasierter Zusammenarbeit wie bei Wikipedia; sobald es jedoch auf die visuelle Ebene übergreift, ergibt sich die Chance auf eine Veränderung der Kernmuster. Dabei sind die am häufigsten wiederverwendeten Bausteine die Elemente des geistigen Eigentums.

Dai Bo: Seit Beginn meiner Promotion im Jahr 2014 beschäftige ich mich mit generativer KI und habe ihre Entwicklung von Anfang an mitverfolgt. Als ich 2022 sah, wie ausgereift Stable Diffusion mittlerweile war, hatte ich das Gefühl, dass die Technologie einen Wendepunkt erreicht hatte.

Im Jahr 2023 haben wir ein Projekt zur Videogenerierung namens „AnimateDiff“ entwickelt. Nachdem es fertig war, habe ich es sofort an Xiu Han geschickt, und er sagte mir direkt: „So etwas wollte ich schon immer haben.“Nachdem wir das Projekt als Open Source veröffentlicht hatten, war die gesamte Stable-Diffusion-Community innerhalb von etwa zwei bis drei Monaten davon begeistert. Auf Reddit gibt es bis heute einen eigenen Bereich dafür, und selbst jetzt, wo es Seedance gibt, nutzen immer noch einige Leute AnimateDiff, um verschiedene Inhalte zu erstellen.

Das hat mich zu folgender Erkenntnis gebracht: Ich scheine diese ausgereifte Technologie nun auch beherrschen zu können. Anfangs neigten wir dazu, den Prozess durch Zusammenarbeit voranzutreiben – ich kümmerte mich um die Technik, Open Source oder Kooperationen. Doch nach den Versuchen in der zweiten Jahreshälfte 2023 hatte ich insgesamt das Gefühl, dass es nicht schnell genug voranging.AnimateDiff war im Mai fertig, ich habe es im Juli an Xiu Han geschickt, aber erst im Oktober kam richtig Schwung in die Sache – da waren bereits drei Monate vergangen. Wenn man es nicht selbst in die Hand nimmt, geht es nur sehr langsam voran.

An diesem Punkt beginnt man, sich zu fragen: Ist das Glück, Zufall oder eine unvermeidliche Entwicklung? Der beste Weg ist, sich direkt mit den Anforderungen auseinanderzusetzen – nur so lässt sich erkennen, in welche Richtung die technologische Entwicklung beschleunigt und weiterentwickelt werden sollte. Deshalb haben wir beschlossen, selbst aktiv zu werden und die Infrastruktur für KI aufzubauen.Wir sind davon überzeugt, dass aus dieser Infrastruktur noch authentischere Anwendungen entstehen können – und dafür müssen die Nutzer ihre Ideen im Laufe des Prozesses gemeinsam weiterentwickeln.

02

Merkmale von AI-nativen Anwendungen:

Proaktiv, in Echtzeit, Verbrauch während der Erstellung

„Wenn es sich ausschließlich um ein Modell handeln würde, bei dem Inhalte vorab erstellt und dann verbreitet werden, hätte ich kaum Vertrauen, dass es TikTok schlagen könnte. Deshalb bin ich ein großer Befürworter des Konzepts ‚Konsum während der Erstellung‘.“

Xiao Ning: Ihr sagt alle, ihr arbeitet an etwas „Neuem“ – konkret ausgedrückt: Wie stellt ihr euch diese ferne Welt auf der Ebene des Erlebnisses vor?

Dai Bo: Ich kann keine konkrete Form beschreiben, aber ich kann die Eigenschaften nennen, die sie aufweisen sollte. Das wichtigste Merkmal generativer KI ist ihre Unbestimmtheit – eine Unbestimmtheit, die sich jedoch innerhalb kontrollierbarer Grenzen bewegt.Schon bei ihrer Entstehung im Jahr 1956 wurde der Begriff „KI“ so definiert, dass sie über Kreativität verfügen sollte: Ist sie in der Lage, fundierte Vermutungen anzustellen? Man hat die Kontrolle, man ist gut informiert, aber es besteht dennoch Unsicherheit.

Diese Unsicherheit bedeutet, dass KI-native Anwendungen zwangsläufig während des Schlussfolgerungsprozesses stattfinden müssen. Es sollte nicht so sein, dass Inhalte offline generiert werden und man sie dann konsumiert, sondern dass das Modell im Rahmen einer Echtzeit-Interaktion gemeinsam mit dem Menschen Schlussfolgerungen zieht und Inhalte erzeugt.

Das zweite Merkmal ist der Wechsel von passiv zu aktiv. Die App wartet nicht darauf, dass Sie etwas tun, sondern gibt Ihnen aktiv Feedback und regt Sie an. Die beiden wichtigsten Merkmale der neuen App sind also: Aktivität und unbegrenzte Echtzeitfähigkeit.

Xiu Han: Auch aus geschäftlicher Sicht und unter Berücksichtigung der Nachfrage lässt sich eine ähnliche Schlussfolgerung ziehen. Wenn Nutzer in einer Community die Inhalte anderer sehen, gleicht dies eher einem Werbespot; der eigentliche Konsum findet erst in dem Moment statt, in dem sie selbst Inhalte erstellen.

Mit Blick auf die Zukunft: Die langfristige Endform ist in gewisser Weise die gemeinsame Fantasie der Menschheit – der virtuelle Raum oder eine Erfahrung im Stil von „Westworld“. Allerdings wird es dabei einige Aspekte geben, die mit traditionellen Inhalten nur schwer abzudecken sind. Daher wird die Rolle von IPs an Bedeutung gewinnen, denn da die Inhalte jedes Mal variieren, braucht man etwas Beständiges, das die Wahrnehmung unterstützt; ein System, in dem sich alles ständig ändert, ist praktisch unbrauchbar.Die „Long Tail“-Eigenschaften und die individuellen Merkmale werden stärker ausgeprägt sein, da das Problem der allgemeinen hohen Qualität bereits gut gelöst ist. Die nächste Frage lautet nun, wie „nicht allgemeine hohe Qualität“ erzeugt werden kann. Das Verhältnis von Angebot und Nachfrage wird dazu führen, dass sich auch die Verteilung der wirtschaftlichen Vorteile in diese Richtung verschiebt, wodurch allgemeine hohe Qualität an Wert verlieren wird.

Dieser Trend ist bereits zu beobachten – auf vielen Plattformen gibt es von KI generierte Videos, in denen hübsche junge Frauen tanzen. Diese haben zwar noch einen gewissen Wert für die Zugriffszahlen, aber es ist bereits sehr schwierig, damit Produkte zu verkaufen. Das ist der Prozess, in dem Wertsteigerung und Wertverlust gerade stattfinden.

Xiao Ning: Ihr habt den Begriff „IP“ immer wieder erwähnt. Wie sollte man „IP“ im Zeitalter der KI verstehen?

Xiu Han: IP im Zeitalter der KI entspricht möglicherweise nicht mehr dem, was wir heute unter IP im geschäftlichen Sinne verstehen. Das Konzept des geistigen Eigentums entstand mit dem Aufkommen des Druckwesens und ist im Wesentlichen ein System, das sich aus den technischen Entwicklungen dieser Branche ableitet. Die KI hat die Grundannahme, dass „die Produktion einzelner Inhalte menschliche Arbeit erfordert“, bis zu einem gewissen Grad vollständig aufgebrochen.

Ich bin eher davon überzeugt, dass IP im Wesentlichen ein Konsens über eine bestimmte Art von Inhalt ist. Ganz gleich, ob es sich um einen Konsens über eine Figur oder über den Kontext einer Geschichte handelt – alle haben eine gemeinsame Vorstellung davon. Manchmal äußert sich dies in Form von Memes, manchmal in Form von bestimmten Running Gags. Im Grunde handelt es sich dabei um „Wiederholungsmechanismen“, die immer wieder verwendet werden und langfristig gesehen in gewisser Weise als IP gelten.

03

Schöpfung und Neuschöpfung,

Die eigentliche Logik von UGC und Chancen auf der Anwendungsebene

„Man muss den Unterschied zwischen ‚Creation‘ und ‚Recreation‘ klar unterscheiden. ‚Recreation‘ – also Freizeitbeschäftigung – ist eine sehr weit gefasste Form von UGC, bei der hohe Anforderungen an die Qualität des Prozesses, aber keine hohen Anforderungen an die Qualität des Ergebnisses gestellt werden.“

Xiao Ning: Unsere Generation wird durch PGC-Inhalte sehr gut versorgt. Haben wir denn wirklich so einen großen Bedarf an UGC? Wenn der Konsum im Wesentlichen davon abhängt, dass die Nutzer selbst am Entstehungsprozess mitwirken, werden dann nicht zu hohe Anforderungen an den Einzelnen gestellt?

Dai Bo: Um auf das zurückzukommen, was Xiu Han gesagt hat: Der eigentliche Konsum findet im Schaffensprozess statt, während die produzierten Inhalte eher einem Trailer ähneln. Dieser Raum existiert nach wie vor, denn jeder hat das Bedürfnis, sich auszudrücken. TikTok bietet durch das Festhalten von Momenten des Alltags mit der Kamera eine Möglichkeit für nutzergenerierte Inhalte (UGC).

Zweitens: Kreativität hat zwei Aspekte: die Motivation und die Fähigkeit. Generative KI stellt die Fähigkeit bereit. Und warum betone ich, dass die Anwendung proaktiv sein sollte? Genau um das Problem der Motivation zu lösen.Man hat zwar Inspiration, aber der Schaffensprozess ist nicht einfach – viele Autoren sagen beispielsweise, dass das Schreiben eigentlich sehr mühsam ist. Ein interaktives Schaffensmodell ermöglicht es, von kleinen Inspirationsfunken auszugehen und die Begeisterung nach und nach aufrechtzuerhalten. Generative KI kann genau dieses Paradoxon auflösen.

Xiu Han: Ich möchte das aus einem anderen Blickwinkel ergänzen. Die Hörer dieses Podcasts betrachten die Dinge wahrscheinlich eher aus der Perspektive der Spiele, und wir bestreiten nicht, dass in der Spielebranche insgesamt PGC vorherrscht. Betrachtet man jedoch das Spielerlebnis im weiteren Sinne als Form der Unterhaltung, so ist UGC allgegenwärtig.

Das Besondere an dienstleistungsorientierten Erlebnissen ist, dass die Urheber sich mit ganzer Kraft für ihr Publikum einsetzen müssen – die Anforderungen sind sehr hoch, weshalb sich diese Art von Inhalten zwangsläufig auf eine kleine Gruppe von Menschen beschränkt. Viele UGC-Inhalte dienen jedoch im Wesentlichen der Selbstverwirklichung, sind sozial geprägt und dienen in erster Linie dem Selbstausdruck.Von den Filter-Spielereien auf Douyin bis hin zu Offline-Aktivitäten wie Stricken, Perlenstickerei oder Lego-Bauen geht es zunächst darum, den Flow-Zustand zu genießen, um sich dann vorzustellen, etwas Tolles zu schaffen, das man präsentieren kann. Das Prahlen ist eher eine Nebenerscheinung, doch dieser Raum für Fantasie ist wichtig.

Ich habe noch nie von jemandem gehört, der mit der Fotografie anfängt, ohne dass er sich gute Ergebnisse erhofft. Aber selbst unter denen, die sich die Ausrüstung nur zum eigenen Vergnügen kaufen, teilen vielleicht nur wenige ihre Aufnahmen – dennoch stellt dies eine sehr intensive Form der Freizeitbeschäftigung dar.

Freizeit – also Aktivitäten, bei denen es in der Anfangsphase nicht in erster Linie um den reinen Ausdruck geht – stellt hohe Anforderungen an die Qualität des Prozesses, aber keine so hohen an die Qualität des Ergebnisses. Es reicht schon aus, wenn man von einem kleinen Kreis kontinuierlich unterstützt wird, um glücklich zu sein. Dies entspricht dem Inhaltswert des Long-Tail-Effekts. Außerdem gibt es bei Inhalten kein absolutes UGC und kein absolutes PGC.Wenn du etwas mit einer TikTok-Vorlage erstellst, stammt diese Vorlage höchstwahrscheinlich aus dem PGC-Bereich, doch der endgültige Inhalt ist das Ergebnis deiner eigenen Ausdruckskraft in Verbindung mit der Vorlage – wer den größeren Beitrag leistet, lässt sich manchmal nicht eindeutig feststellen. KI bietet tatsächlich eine allgemeine Garantie für eine hohe Grundqualität.

Auf dieser Grundlage gibt es bei jeder Form der Unterhaltung langfristig vier wesentliche Bestandteile: Erstens den Charakter – dein eigener Vertreter, deine Perspektive; zweitens die Umgebung und die Welt; drittens die Regeln – die sich daraus ableitenden Spielregeln; viertens die Art der Interaktion.

Alle suchen derzeit nach einer unveränderlichen Interaktionsform, um stabile Plattform-Simulationen zu entwickeln, doch dieser Ansatz wird von Vibe Coding stark in Frage gestellt. Was sich nicht so leicht ändern lässt, sind die Welt und die Regeln. Charaktere lassen sich zwar am einfachsten etablieren, werden aber oft nach Gebrauch verworfen; die Umgebung und die Regeln hingegen bleiben relativ beständig und ermöglichen die Schaffung einer Reihe von dynamischen Systemen.

Aus diesen Elementen lässt sich ein „Creative Harness“ gestalten – wie kann man KI in ein wildes Pferd verwandeln, das sich zähmen lässt? Es wird nicht in einen Käfig gesperrt, sorgt weiterhin für Überraschungen, wird aber von dir angeleint, um in eine bestimmte Richtung zu galoppieren und allen Freude zu bereiten.

Xiaoning: Was würde sich ändern, wenn das Problem der visuellen Konsistenz gelöst wäre?

Dai Bo: Der Schlüssel liegt in der Fähigkeit zur Echtzeit-Schlussfolgerung. Wenn man auf der Grundlage einer über einen langen Zeitraum stabilen Schlussfolgerungsleistung die Verzögerung bei einzelnen Schlussfolgerungen auf Echtzeitniveau senkt, nutzt man nicht mehr nur ein Werkzeug, sondern interagiert gemeinsam mit Agenten in einem vollständigen Weltmodell. In gewisser Weise ähnelt das der „Oasis“ aus dem Film „Ready Player One“.

Xiao Ning: Wo liegen die größten Chancen auf der Anwendungsebene? Auch in „Ready Player One“ wurde die Oase doch von jemandem künstlich geschaffen.

Dai Bo: Das Wichtigste ist nicht, dass jemand eine Oase geschaffen hat, sondern dass jemand die Bausteine zur Schaffung einer Oase bereitgestellt hat. Die endgültige Oase besteht aus einzelnen Planeten, und jeder Planet wird von den Nutzern selbst erschaffen. Dank der Möglichkeiten, die diese Bausteine bieten, können sie unterschiedliche Weltanschauungen und Regeln gestalten.Wie Xiu Han sagte, liegt der Spaß im Prozess des Aufbaus. Sobald der Aufbau abgeschlossen ist – oder sogar schon vorher –, können unzählige Menschen hinzukommen, sich beteiligen und gemeinsam weiterbauen. Ausgangspunkt ist, dass jemand den Raum und die Bausteine bereitstellt, damit man selbst etwas erschaffen kann.

Xiu Han: Ich möchte noch etwas hinzufügen: Warum besteht dieser Bedarf langfristig? Die Wahrnehmung und das Erleben der Umwelt tragen im Grunde dazu bei, dass wir uns im eigenen Kopf ein Verständnis der Welt aufbauen. Man kann etwas, das man nie selbst erlebt hat, nicht wirklich verstehen. Im Grunde geht es also darum, vielfältige Lebenserfahrungen zu ermöglichen.

Die Bedürfnisse der Menschen lassen sich im Grunde darauf reduzieren, das Leben zu verlängern, die Zeit für Erlebnisse zu vergrößern und in einer bestimmten Zeiteinheit mehr Erlebnisse zu sammeln – die Schaffung einer Infrastruktur, die mehr Lebenserfahrungen ermöglicht, ist an sich schon die größte Chance. Diese Erlebnisse können nicht vollständig von anderen für dich gestaltet und bereitgestellt werden – das ist bis zu einem gewissen Grad eine falsche Annahme.

Dai Bo: Oftmals sind Menschen in der realen Welt dadurch eingeschränkt, dass sie denken: „Ich muss eine Entscheidung treffen und kann nur einen Weg wählen.“Ein Weltmodell sollte genau diese Möglichkeit schaffen. Im Grunde genommen ist es dasselbe wie ein Spiel – „Spielen“ bedeutet, herumzulaufen, und „Spiel“ bedeutet, hier und da etwas anzutippen und zu interagieren. Einige Aspekte früherer Spiele haben aufgrund technischer Einschränkungen ihre heutige Form angenommen, doch dies sind keine Grenzen der menschlichen Vorstellungskraft, sondern Grenzen der technischen Möglichkeiten. Dieser Schritt sollte überwunden werden.

Xiu Han: Ich möchte dem einmal leicht widersprechen. „Das Spiel ist eine Kunst mit Grenzen“ – aus der Perspektive traditioneller, begrenzter Spiele trifft das durchaus zu, und das ist auch der Hauptgrund, warum ich die Spielebranche so sehr schätze.Wir sagen selten, dass „Nutzer direkt Spiele entwickeln können“, da ich die Definition von Spielen im engeren Sinne sehr respektiere. Es handelt sich um eine Art Erlebnisgestaltung – ähnlich wie bei einer Hochzeit, die man vielleicht nur einmal im Leben erlebt. Es ist sehr raffiniert, wie sich daraus die heutigen Normen und Anforderungen herausbilden; es reicht nicht aus, einfach aus dem Stegreif etwas zu entwerfen und dir damit ein Erlebnis zu bieten.

Die Spielerlebnisse lassen sich jedoch in ihre Bestandteile zerlegen und technisch umsetzen. Bei vielen Open-World-Spielen, die es derzeit gibt, spricht man beispielsweise von einem „Frankenstein“, da sie zahlreiche Spielelemente enthalten und man am liebsten sogar das Erlebnis eines Kinofilms darin einbinden würde. Dies ist ein Trend, bei dem die Umgebung und die Spielwelt im Mittelpunkt stehen und in die viele verschiedene Spielelemente eingebunden werden.

Um das Potenzial der KI jedoch optimal auszuschöpfen, sollte man von unten nach oben vorgehen und nicht von der fachlichen Erfahrung aus nach unten aufschlüsseln. Denn eine Aufschlüsselung von der fachlichen Erfahrung aus schränkt die Entfaltung der KI ein.Ich sage oft: „Aus der Perspektive des Spiels wirken Assets, denen keine Bedeutung beigemessen wird, immer irgendwie respektlos.“ Diese Sichtweise führt dazu, dass bei der Aufteilung vom Spiel hin zu UGC immer ein gewisser, schwer zu beschreibender Beigeschmack entsteht.

Deshalb fragen wir uns: Aus der Perspektive der „AI-nativen“ Herangehensweise betrachtet – wie sollten die kleinen Module am besten aufgebaut sein? Die Teile, die sich nur schwer umsetzen lassen, sollten zunächst von Menschen erledigt werden. Die wirklichen Lösungen für UGC entstehen oft aus einer „nativeren“ Logik, die von klein auf nach oben wächst.

04

Weltmodell,

Vom Gleichnis der Blinden, die den Elefanten betasten, bis zur dreischichtigen Architektur

„Ein Weltmodell sollte lebendig wirken. Lebendig bedeutet, dass es sich bewegt.“

Xiao Ning: Wenn wir Echtzeitfähigkeit, Schlussfolgerungsfähigkeit und kontrollierte Kreativität anstreben – wo liegt heute noch die Lücke bis zur Verwirklichung dieser Ziele?

Xiu Han: Die Grundlagen sind bereits vorhanden, sie wurden jedoch noch nicht gut genug als Ganzes umgesetzt, um den Nutzern ein großartiges Erlebnis zu bieten. Das heißt nicht, dass man nicht schon jetzt damit beginnen kann, Charaktere zu entwickeln, eine KI-orientierte Welt zu erschaffen und Regeln für zukünftige Spielmöglichkeiten festzulegen – bei Produkten wie Kneipen geht es beispielsweise bis zu einem gewissen Grad vor allem um die Festlegung von Spielregeln;Wir konzentrieren uns vielleicht eher auf die Umgebung und die visuellen Konsenselemente aus der Perspektive „vom Charakter zur Welt“. Wenn jedoch Probleme wie die Echtzeitfähigkeit und die Ausdauer des Modells zu große Hindernisse darstellen und die Kosten sehr hoch sind, dann wird die durch die festgelegten Regeln ermöglichte Veränderung des Spielerlebnisses letztendlich begrenzt sein.

Dai Bo: Der aktuelle Stand vermittelt mir das Gefühl, dass das Ziel sowohl ganz nah als auch noch sehr weit entfernt ist. Alle Elemente sind vorhanden, allerdings in einer Art „Flut“ – sie decken alle Richtungen ab, was bedeutet, dass man nun damit beginnen kann, diese Elemente zu kombinieren. Was Xiu Han über die gefestigte Weltanschauung und die Regeln gesagt hat: Diese Festigungen werden nicht aufgrund der technologischen Weiterentwicklung von Grund auf neu entstehen.

Allerdings weist die Technik in den drei Bereichen Tiefe, Breite und Dimension noch Defizite auf. Tiefe – beispielsweise in der Kneipenszene: Sobald die Komplexität der Handlung zunimmt oder die Darstellungsdauer verlängert wird, treten Probleme auf.Breite – bei den verschiedenen Genres gibt es stets Unterschiede zwischen dem, was gut gelingt, und dem, was weniger gut gelingt. Dimension – textbasierte, sprachorientierte Ansätze sind noch relativ vollständig; es mangelt jedoch noch stark an visuelleren, dreidimensionaleren Weltmodellen.

Insgesamt kann man diese „Nicht-Null“-Situation für Kombinationen nutzen, aber wenn man wirklich das Endspiel erreichen will, muss man sich zumindest aus technischer Sicht in Ruhe mit der technischen Ästhetik auseinandersetzen und dann mit relativ hohem Tempo weiter voranschreiten.

Xiaoning: Wie versteht ihr den Begriff „Weltmodell“?

Dai Bo: Es gibt derzeit viele, die über Weltmodelle sprechen. Am treffendsten lässt sich dies mit einem chinesischen Sprichwort beschreiben: „Blinde tasten einen Elefanten ab.“ Je nach Anwendungsszenario und Hintergrund tasten verschiedene Menschen unterschiedliche Teile des Elefanten ab.

Mein Verständnis davon ist ganz einfach: Es handelt sich um ein Spiel, das dem Metaversum ähnelt und alle Elemente der realen Welt enthalten sollte; wir unterteilen es in drei Ebenen.

Erste Ebene: Logik-/Gedankenebene – Die Gedanken jedes dynamischen Entitäts: Warum führe ich diese Aktivitäten durch?

Zweite Ebene: Die dynamische Ebene – Wie setze ich meine Idee in die Tat um, sobald ich sie habe?

Dritte Ebene: Statische/Darstellungsebene – Hier werden dynamische Aktionen in eine Umgebung geladen und dargestellt. Dabei spielt es keine Rolle, ob es sich bei dieser Umgebung um eine mit einer herkömmlichen Spiel-Engine erstellte 3D-Umgebung handelt, um eine von einer KI erstellte 3D-Umgebung – wie beispielsweise „World Lab“ von Prof. Li Feifei – oder um eine Video-Umgebung, wie sie beispielsweise durch Google Genie 3 repräsentiert wird.

Je nach Situation müssen vielleicht nicht alle drei Ebenen ausgearbeitet werden. Ein echtes Weltmodell zeichnet sich jedoch dadurch aus, dass es eine Eins-zu-Eins-Entsprechung zur Realität bildet – es ist lebendig, und alle dynamischen Entitäten haben ihre eigenen Vorstellungen und Pläne.

Xiu Han: Ich hoffe, dass es zumindest ein kontinuierliches System mit eigener innerer Dynamik ist.Das Problem ist derzeit, dass ein Charakter zwar mehrere Szenen durchläuft, es dabei aber zu Brüchen kommt; oder dass er nicht eigenständig handelt, sondern sich erst bewegt, wenn man ihn dazu anregt. In der realen Welt und bei Offline-Erlebnissen hingegen helfen einem oft die Umgebungsbedingungen selbst dabei, Ziele zu erreichen. Sobald die Probleme der Kontinuität und Eigeninitiative gelöst sind, können wir viele unserer bisherigen Annahmen über hochwertige Inhalte tatsächlich revidieren.

Xiaoning: Gibt es beim Training visueller Modelle ganz andere Herausforderungen als bei Sprachmodellen?

Dai Bo: Das Paradigma von Sprachmodellen ist die Vorhersage des nächsten Tokens, während Weltmodelle den Schwerpunkt auf die Vorhersage des nächsten Zustands legen.Tatsächlich lassen sich Sprachmodelle auch im sprachlichen Bereich als Weltmodelle umsetzen – man nutzt Text, um den Zustand der Welt zu beschreiben. Deshalb sind Programmierkenntnisse so wichtig: Sie bieten eine konstante, stabile und konsistente Methode, um den Denkprozess und die logische Korrektheit des Modells zu überprüfen. Bei einer rein sprachlichen Beschreibung gerät man leicht in das Dilemma: „Versteht es das Modell nun wirklich nicht oder hat es sich nur unklar ausgedrückt?“

Visuelle Inhalte erfordern zudem Konsistenz – allerdings keine logische Konsistenz, sondern eine Konsistenz, die der physikalischen Intuition entspricht. Ich möchte betonen: Aus anwendungstechnischer Sicht geht es uns nicht um „physikalische Konsistenz“, sondern um „Konsistenz mit der physikalischen Intuition“. Menschen berechnen nicht, ob die physikalischen Gesetze hinter visuellen Inhalten konsistent sind; solange nichts unstimmig wirkt, empfinden wir es als mit der physikalischen Intuition vereinbar.

Xiao Ning: Wo liegen die Herausforderungen im Bereich der visuellen Gestaltung bei der Entwicklung interaktiver Unterhaltungsangebote?

Dai Bo: Traditionell werden Welteninhalte mit einer Spiel-Engine erstellt. Die Art und Weise, wie Spiel-Engines physikalische Gesetze einbinden, ist relativ „hardcore“ – es handelt sich um klassische Simulation, bei der die Formeln tatsächlich in den Code geschrieben und dort berechnet werden.Ein neuronales Netzwerk hingegen erhält lediglich Eingabe- und Ausgabedaten; wie es von der Eingabe zur Ausgabe gelangt, lernt es vollständig selbstständig, ohne jegliche Anleitung durch Regeln oder Formeln – das ist sehr „weich“. Das Problem dabei ist jedoch, dass es Abkürzungen nimmt, und man nicht beurteilen kann, ob die von ihm abgeleiteten Regeln mit den gewünschten übereinstimmen.

Die Frage, die es nun zu lösen gilt, lautet daher: Wie lassen sich die Vorteile beider Ansätze miteinander verbinden? Wie lässt sich die „weiche“ Flexibilität mit der „harten“ Sicherheit vereinen? Nur so lässt sich eine langfristige Konsistenz der visuellen Inhalte gewährleisten.

Was die Struktur der visuellen Inhalte angeht, sollte das Modell wissen, was es darstellt. Es geht nicht darum, zu wissen, „welche Farbe dieser Pixel gerade hat und wie er sich im nächsten Moment weiter verändern sollte“, sondern darum zu wissen, „dass dieser Pixel zur Hand einer Person gehört, dass sich im nächsten Moment die gesamte Hand verändert und wie sich die Projektion auf den Pixel entsprechend verändern sollte“.Mit dieser Wahrnehmung, die der realen Struktur besser entspricht, lassen sich das Problem der Illusionen grundlegend lösen, da diese im Wesentlichen darauf zurückzuführen sind, dass das Modell nicht weiß, was die von ihm generierten Pixel bedeuten.

Xiaoning: Eure kürzlich als Open Source veröffentlichten Modelle konzentrieren sich vor allem auf Gedächtnis und Planung. Warum?

Dai Bo: Wir entwickeln uns auf drei Ebenen gleichzeitig weiter – der Ebene der Ideen, der dynamischen Ebene und der statischen Ebene. Selbst auf der mittleren, dynamischen Ebene arbeiten wir am Aufbau eines dynamischen Weltmodells und haben gerade eine Innovation in der Modellarchitektur vollendet.Um es mit einem Vergleich zu verdeutlichen: Es ist so, als wäre die Transformer-Architektur bereits festgelegt, und alles, was noch übrig bleibt, ist der Prozess von GPT-1 über GPT-2 bis hin zu GPT-3.

Die drei Ebenen entwickeln sich synchron, wobei jede Ebene ihren eigenen Reifegrad und ihr eigenes Tempo aufweist. Die Ideenebene schreitet etwas schneller voran, da die damit verbundenen Technologien für intelligente Agenten sich rasch weiterentwickeln und bereits ausgereift sind. Die dynamische Ebene halten wir für äußerst wichtig, auch wenn sie derzeit oft übersehen wird. Sie geht zwar in der Welle der verkörperten Intelligenz unter, ist aber für die interaktive Unterhaltung ebenso entscheidend.

Xiao Ning: Wie ist das „dynamische Weltmodell“ zu verstehen?

Dai Bo: Dynamik als Teil des Zustands der Welt muss den Gesetzen der Physik folgen. Die dynamischen physikalischen Gesetze, die der Mensch aus der Realität abgeleitet hat, werden unter dem Begriff „Dynamik“ zusammengefasst: die Kinematik des Menschen, die Dynamik von Kleidung, die Strömungsdynamik, die Aerodynamik und so weiter. Wir betten diese physikalischen A-priori-Kenntnisse der Dynamik in die Transformer-Architektur ein, wodurch die Vorhersage des nächsten Zustands sehr stabil wird.

Xiaoning: Warum ist die dynamische Ebene in interaktiven Unterhaltungsszenarien besonders wichtig?

Dai Bo: In einer statischen Umgebung kann von Interaktion keine Rede sein. Ohne dynamische Räume und dynamische Träger gibt es weder Eigeninitiative noch Interaktion. An statischen Dingen kann man nur einseitig teilnehmen – sie bieten keine Rückmeldung. Nur Dynamik liefert Rückmeldung, und erst durch diese Rückmeldung entstehen neue Möglichkeiten, aus denen sich immer umfangreichere Erfahrungen und Inhalte entwickeln.

Einfach ausgedrückt: Ein Weltmodell sollte lebendig wirken. Lebendig bedeutet, dass es sich bewegt – wenn es sich nicht bewegt, wirkt es ziemlich unheimlich.

Xiaoning: Videos sind nun einmal von Natur aus bewegte Bilder. Was möchtest du damit sagen, dass du die Bewegung besonders hervorhebst?

Dai Bo: Das Video ist zwar bewegungsreich, aber die Kontinuität auf Pixelebene bedeutet nicht, dass die zugrunde liegenden Gesetze einheitlich sind – daher kommt es zu einer Anhäufung von Fehlern und zu Täuschungen. Entweder muss man das Modell mit mehr Daten dazu zwingen, selbst ein einheitliches physikalisches Gesetz zu erlernen, oder man baut die physikalischen Gesetze, die der Mensch in der Realität gewonnen hat, als a priori-Information in das Modell ein. Beides ist möglich.

Außerdem werden bei der Videogenerierung die Darstellung der statischen Umgebung und die dynamischen Elemente in einem Modell zusammengefasst.Meiner Meinung nach sollten diese beiden Aspekte getrennt behandelt werden. Ein anschauliches Beispiel: Wir sitzen in einem Raum, ich winke mit der Hand – aus logischer Sicht sollten nur die Zustände, die mit der Person zusammenhängen, aktualisiert werden, während die Umgebung nicht mit mir mitaktualisiert werden sollte. Es wäre unlogisch, wenn in einem Spiel die gesamte Umgebung neu generiert würde, sobald ein Charakter einen Schritt nach vorne macht.

05

Überbewertung und Unterbewertung,

Wie Unternehmer den Technologiezyklus meistern können

„Wenn es langsam läuft, ist es eigentlich ziemlich schwer, dass ein Unternehmen untergeht, aber wenn es schnell läuft, geht ein Unternehmen sehr leicht unter. Viele Menschen unterliegen der Illusion, dass sich in schnellen Zeiten Chancen bieten.“

Xiaoning: Wie unterscheidet ihr, ob etwas nur technisch beeindruckend wirkt oder ob daraus tatsächlich etwas Neues entstehen kann?

Dai Bo: Wir analysieren eine Technologie anhand objektiver qualitativer Prinzipien – wir lassen die Fachbegriffe beiseite und schauen, worin genau der Durchbruch besteht.

Was wird leicht überschätzt? Erstens die Geschwindigkeit der Weiterentwicklung, zweitens die Anpassungsfähigkeit des Menschen.Es fällt Menschen schwer, sich Dinge vorzustellen, die sie selbst noch nicht erlebt haben. Selbst diejenigen, die diese Technologien entwickeln, haben ihre Grenzen – wenn AnimateDiff fertig ist, sind wir nicht unbedingt diejenigen, die damit letztendlich wirklich gute Inhalte erstellen können. Deshalb bin ich eher zurückhaltend und möchte nicht so sehr definieren, was genau die nativen Anwendungen des Weltmodells sind.

Xiu Han: Aus technischer Sicht neigt man dazu, die Geschwindigkeit der Anwendungsumsetzung zu überschätzen und die Kosten für die Umstellung in der Denkweise der Nutzer zu unterschätzen.Der häufigste Fehler der letzten Jahre war das übermäßige Streben nach dem Endziel. Das Fehlen der grundlegenden Voraussetzungen war der Hauptgrund dafür, dass es in der Vergangenheit so schwierig war, „KI-Produkte aus der rein produktmanagerischen Perspektive zu entwickeln“ – das Ergebnis war entweder eine nicht nachhaltige Nutzererfahrung, die nach dem ersten Hype schnell verpuffte, oder einzelne Funktionen, die nicht ausreichend überraschten. Diese beiden Aspekte standen stets im Widerspruch zueinander.

Xiao Ning: Das Tempo der Entwicklung der grundlegenden KI-Technologien schwankt ständig – in der ersten Hälfte des Jahres 23 ging es schnell voran, im Jahr 24 war es relativ ruhig, und in den letzten sechs Monaten ging es wieder besonders schnell voran. Welche Phase gefällt Ihnen besser?

Xiu Han: Beides birgt seine eigenen Herausforderungen. Die Kernfrage lautet: In ruhigen Zeiten sollte man darüber nachdenken, was das Unternehmen an Erfahrungen sammelt, und in hektischen Zeiten muss man wissen, wie sich diese Erfahrungen unmittelbar auf schnelle Veränderungen anwenden lassen – nur so kann man in solchen Situationen die Ruhe bewahren.

Ein weiteres Paradoxon ist: Wenn es langsam vorangeht, ist es für ein Unternehmen eigentlich ziemlich schwer, unterzugehen, während es bei schnellem Wachstum sehr leicht untergehen kann. Viele Menschen unterliegen der Illusion, dass sich bei schnellem Wachstum Chancen bieten.

Xiao Ning: Was ist eure erste Reaktion, wenn ihr mit einer bahnbrechenden neuen Technologie konfrontiert werdet?

Dai Bo: Als Erstes die Herkunft zurückverfolgen: Woher stammt die Entwicklung, worin bestehen die Unterschiede und warum sorgt sie für Aufsehen?Aus meiner Sicht gibt es kaum neue Technologien, die wie aus dem Nichts auftauchen. Dabei sind zwei Aspekte entscheidend: Erstens muss man den Lärm beiseite lassen und das Wesentliche der Veränderung erkennen; zweitens muss man sich fragen: Warum habe nicht ich diese Veränderung herbeigeführt? Nur so kann man auf lange Sicht zu einem Vorreiter werden.

Xiu Han: Unsere erste Reaktion war, es sofort zu testen, um herauszufinden, auf welchem Niveau es sich tatsächlich befindet – schließlich gibt es derzeit viel zu viele Fälle von „Cherry-Picking“ in wissenschaftlichen Arbeiten. Nachdem wir diese Einschätzung hinter uns hatten, ging es darum, ob es die Erfahrung der Nutzer auf der Haupt-User-Loop verändert.Viele Technologien sind nur das Tüpfelchen auf dem i; auf der Hauptnutzerstraße lassen sich damit nicht allzu viele Dinge beeinflussen. Ein zentraler Maßstab: Sind die Nutzer bereit, zurückzukommen und weitere Token auszugeben? Wenn es zu einer deutlichen Verbesserung und Veränderung des Kern-Nutzerzyklus kommt, dann ist dies eine Veränderung, die man unbedingt nutzen sollte.

Xiaoning: Ihr unterhaltet euch in letzter Zeit ziemlich viel – worüber redet ihr am häufigsten?

Dai Bo: Zum einen schreitet der technische Fortschritt noch zu langsam voran.

Insbesondere im Bereich der visuellen Inhalte. Obwohl die Fortschritte bei den Modellen zur Videogenerierung gut voranschreiten, gehen sie in entscheidenden Dimensionen noch zu langsam voran – sie werden nicht ausschließlich im Hinblick auf interaktive Unterhaltung vorangetrieben, sondern es gibt auch andere treibende Kräfte. Zweitens geht es darum zu erörtern: Welche Technologien sind nur ein Hype und welche sind wirklich von Substanz?Wir hoffen vor allem, dass wir – da sich die Technologie noch in einer Phase befindet, in der man sozusagen „wie Blinde den Elefanten ertasten“ – eine gemeinsame Vision hinsichtlich der Anwendungsszenarien haben.

Xiaoning: Was ist die wichtigste Fähigkeit, über die Gründer verfügen müssen, wenn sie in einem solchen Umfeld ein Start-up im Bereich der Anwendungsentwicklung gründen?

Xiu Han: Aus meiner persönlichen Sicht würde ich sagen, dass wir unsere Arbeit mit Beharrlichkeit angehen.Ich bin immer der Meinung, dass man mit unterschiedlichen Methoden Etappenerfolge erzielen kann – manche surfen, andere klettern. Entscheidender ist es, sich selbst klar zu erkennen, sich selbst und das Team zu verstehen und sich nicht zu Dingen zu zwingen, die einem nicht liegen. Wenn man zu hohe Erwartungen stellt, fällt es dem Team schwer, seine größten Stärken auszuspielen und Ergebnisse zu erzielen, die über dem Niveau anderer liegen.

Dai Bo: Man sollte sein Ego beiseite lassen, die technologische Entwicklung objektiv betrachten, ausgehend von den ersten Prinzipien die endgültige Architektur und ihre Elemente ableiten und dann unter Berücksichtigung der Stärken des Teams den Weg mit dem schnellsten Gradientenabfall einschlagen. Vor allem sollte man vermeiden, dass die Technologie das eigene Ego stärkt.

Xiao Ning: Was möchtet ihr in den nächsten zwei bis drei Jahren am liebsten erreichen?

Xiu Han: Wir bauen schrittweise ein Arbeitssystem für eine „gemeinsam gestaltete Welt“ auf, an dem Menschen und Agenten gemeinsam mitwirken.Die zentrale Frage für die nächsten zwei bis drei Jahre lautet: Wird es gelingen, Erlebnisse zu schaffen, die qualitativ wirklich hoch genug sind – Erlebnisse, die in Bezug auf ihre Konsumeigenschaften fair mit anderen Konsumarten konkurrieren können? Sobald die ersten Modelle dieser Art entstehen, wird sich die systemische Effizienz verbessern, und danach wird es schwer sein, diesen Prozess noch aufzuhalten.

Wir beschäftigen uns also im Wesentlichen mit dem Mechanismus des Kaltstarts – also mit der Definition des Problems oder, besser gesagt, mit dem Protokoll. Als Nächstes werden wir wahrscheinlich weitere Experimente im Ausland durchführen, und die letztendliche Durchschlagskraft wird sich in den emergenten Ergebnissen zeigen, die sich aus diesen Kombinationen ergeben.

Xiao Ning: War die Kommerzialisierung im letzten Jahr eine Belastung und eine Herausforderung?

Xiu Han: Es gibt sowohl gute als auch schlechte Nachrichten. Die gute Nachricht ist: Die Zahlungsbereitschaft und die Zahlungsquote bei interaktiven Spielmodellen sind weltweit besser als erwartet. Die schlechte Nachricht ist: Die Kosten für Token und die Preise im neuen Modell sind nicht gesunken, sodass der Kostendruck weiterhin bestehen bleibt. Daher neige ich derzeit dazu, das Potenzial so gut wie möglich auszuschöpfen, ohne mich dabei jedoch zu überfordern.Die Einnahmen werden im Laufe des Prozesses ganz natürlich steigen – möglicherweise sogar natürlicher, als viele denken.

Dai Bo: In den nächsten zwei bis drei Jahren werden wir weiterhin die Grundmodelle für das Weltmodell nach einer dreistufigen Struktur aufbauen und auf dieser Grundlage native Anwendungen erörtern – wir haben eine ziemlich klare Vorstellung vom gesamten technologischen Gesamtbild.Wir werden auch die Entwicklung der agentischen KI sehr aufmerksam verfolgen – sie ist einerseits Bestandteil der konzeptionellen Ebene des Weltmodells und gleichzeitig eine Produktivkraft. Wenn sie tatsächlich die Effizienz steigern kann, werden viele Dinge früher Realität werden. Vielleicht sind zwei Jahre noch etwas zu lang – zwei Jahre im Bereich der KI sind eine sehr, sehr lange Zeit.

Xiaoning: Ihr wollt doch eigene Anwendungen entwickeln und gebt euch nicht damit zufrieden, nur Modelle zu erstellen?

Dai Bo: Man muss seine Erkenntnisse unbedingt auf der Anwendungsebene verfeinern. Wenn man sich zu weit von den Anwendungsszenarien entfernt, führt dies zu einer Abweichung bei der technologischen Weiterentwicklung; außerdem sprechen wir hier von nativen Anwendungen, die auf Weltmodellen basieren – ähnlich wie Sprachmodelle, auf denen ChatGPT aufbaut –, wobei der Abstand zwischen Modell und Anwendung nicht allzu groß ist.

Xiaoning: Wird diese Anwendungsform eher ein Tool oder eher Inhalt sein?

Dai Bo: Es handelt sich definitiv nicht um ein Tool, sondern um eine interaktive Unterhaltungs-App, und auch nicht um Inhalte im herkömmlichen Sinne – sobald die Nutzer die App öffnen, konsumieren und erstellen sie gleichzeitig Inhalte.

Xiaoning: Kann man das als eine Plattform verstehen?

Dai Bo: Ich halte es für eine Plattform, würde es derzeit aber eher vorsichtig beschreiben. So wie bei ChatGPT – sobald das Modell ausgereift war, hat es sich schnell zu einem allgemeinen Konsens entwickelt. Deshalb möchte ich es derzeit noch nicht mit bestehenden Begriffen definieren.