Der Hauptakteur im KI-Krieg zwischen den USA und China wechselt: Warum Meta und NVIDIA mit "Open Weight" die chinesische Konkurrenz verfolgen

Wenn man von dem Wettbewerb um generative KI hört, denken viele an amerikanische Unternehmen wie OpenAI, Anthropic und Google.

Um jedoch den KI-Markt im Jahr 2026 zu verstehen, reicht das nicht mehr aus.

Eine schnell wachsende Präsenz zeigt sich nun im Bereich der "Open-Weight-KI".

Am 10. August veröffentlichte Meta das KI-Modell "Muse Glimmer" mit einem Umfang von 30 Milliarden Parametern. Am 11. August folgte NVIDIA mit der Ankündigung von "Nemotron 3.5 Lightning".

Beide Modelle bieten nicht nur KI über eine Cloud-API an, sondern legen Wert darauf, dass Entwickler und Unternehmen die Modelle erwerben, auf ihren eigenen Computern oder Servern betreiben und an ihre Bedürfnisse anpassen können.

Der Hintergrund, warum diese beiden Unternehmen fast gleichzeitig handelten, hat eine Bedeutung, die über einen einfachen Produktwettbewerb hinausgeht.

Im Bereich der Open-Weight-KI haben chinesische Unternehmen bereits eine bedeutende Präsenz.

Chinesische KI-Modelle wie DeepSeek, Qwen von Alibaba und Moonshot AI haben sich nicht nur durch ihre Leistung, sondern auch durch die Möglichkeit, die Modelle herunterzuladen und in eigenen Umgebungen zu nutzen, in der globalen Entwicklergemeinschaft verbreitet.

Der KI-Wettbewerb dreht sich nicht mehr nur darum, wer den leistungsstärksten Chat-KI entwickelt.

Es beginnt sich zu einem Wettbewerb um das gesamte KI-Ökosystem zu entwickeln, nämlich darum, wer das Modell bereitstellt, das Entwickler weltweit als Grundlage nutzen.

Von "nutzbarer KI" zu "besitzbarer KI"

Der Begriff Open-Weight ist allgemein noch schwer verständlich.

Bei Diensten wie ChatGPT oder Claude greifen die Nutzer im Wesentlichen auf die Server des betreibenden Unternehmens zu und nutzen die KI über APIs oder Webdienste.

Das KI-Modell selbst befindet sich nicht in den Händen der Nutzer.

Bei Open-Weight-Modellen hingegen können die durch das Lernen der KI gebildeten großen Mengen an Parametern, die sogenannten "Gewichte", heruntergeladen werden.

Mit ausreichend Rechenleistung auf PCs oder Servern kann die KI intern betrieben werden, ohne bei jeder Nutzung Daten an externe KI-Dienste senden zu müssen.

Dieser Unterschied ist erheblich.

Für Unternehmen geht es dabei nicht nur um die Kosten.

Es gibt viele Daten, bei denen man vorsichtig sein muss, sie an externe Dienste zu senden, wie interne Dokumente, Kundendaten, Forschungs- und Entwicklungsdaten, Quellcodes und Finanzinformationen.

Wenn das Modell in der internen Umgebung betrieben werden kann, erweitert sich die Möglichkeit, solche Informationen ohne externe Weitergabe durch KI zu verarbeiten.

Zudem wird es einfacher, zusätzliches Lernen und Anpassungen an die eigenen Geschäftsanforderungen durchzuführen.

Das Konzept von Open-Weight-KI besteht also darin, die KI nicht zu leihen, sondern sie als Teil der eigenen IT-Infrastruktur zu besitzen.

Warum Meta wieder auf den offenen Kurs zurückgekehrt ist

Für Meta ist eine offene KI-Strategie nicht neu.

Mit der Llama-Serie wurde das Unternehmen zeitweise zu einem der repräsentativen Unternehmen auf dem Open-Model-Markt.

Basierend auf Llama entwickelten Entwickler weltweit abgeleitete Modelle und Tools, und Meta konnte einen starken Einfluss auf das gesamte KI-Ökosystem ausüben, ohne den KI-API-Markt selbst zu monopolisieren.

Später änderte Meta jedoch seine KI-Strategie und konzentrierte sich bei der Muse-Serie auch auf die Bereitstellung geschlossener Modelle.

Daher gibt es bei der Rückkehr zu Open-Weight auch Bedenken, dass die Strategie erneut geändert werden könnte.

Das kürzlich veröffentlichte Muse Glimmer hat einen Umfang von etwa 30 Milliarden Parametern und ist darauf ausgelegt, kontinuierlich in lokalen Umgebungen als KI-Agent zu arbeiten.

Laut Meta ist es so konzipiert, dass es auf Macs, allgemeinen PCs und einzelnen Consumer-GPUs genutzt werden kann, wobei die Hauptanwendungen lokale Codierungsunterstützung, Tool-Aufrufe und KI-Agenten sind.

Wichtiger ist, dass Meta auch plant, eine Open-Weight-Version des leistungsstärkeren "Muse Spark 1.2" anzubieten.

Sollte ein Modell, das nahe am aktuellen Spitzenstandard liegt, tatsächlich veröffentlicht werden, könnte sich die Positionierung von US-amerikanischen Open-Weight-KI schnell ändern.

Auch Aaron Levie, CEO von Box, bewertet diesen Schritt positiv.

Er konzentriert sich nicht nur darauf, dass ein neues KI-Modell hinzugekommen ist.

Es geht vielmehr darum, dass US-Unternehmen klar signalisiert haben, auch in Zukunft Open-Modelle mit nahezu Spitzenleistung anzubieten.

NVIDIA zielt auf das "Zeitalter der KI-Agenten"

NVIDIA greift das Thema Open-KI aus einem anderen Blickwinkel als Meta an.

Das von NVIDIA vorgestellte Nemotron 3.5 Lightning hat ebenfalls einen Umfang von etwa 30 Milliarden Parametern, verwendet jedoch nicht alle Parameter gleichzeitig.

Es setzt auf einen Mechanismus namens Mixture-of-Experts, bei dem tatsächlich nur etwa 3 Milliarden Parameter pro Verarbeitungsvorgang aktiv sind.

Dadurch soll die Rechenleistung großer Modelle erhalten bleiben, während die Berechnungskosten gesenkt werden.

NVIDIA betont die Anwendung für "ständig aktive KI-Agenten".

Mit der Verbreitung von KI-Agenten wird die KI nicht nur einmal auf eine Frage antworten, sondern das Modell dutzende oder hunderte Male aufrufen.

Beispielsweise,

"Wettbewerber analysieren"
"Daten sammeln"
"Daten analysieren"
"Berichte schreiben"
"E-Mails erstellen"
"Daten in Systeme eingeben"

Wenn solche Aufgaben der KI überlassen werden, entstehen im Hintergrund eines einzelnen Geschäftsprozesses zahlreiche Inferenzverarbeitungen.

Wenn man jedes Mal ein hochleistungsfähiges und teures Großmodell verwendet, steigen die Kosten schnell an.

Daher plant NVIDIA, nur komplexe Entscheidungen großen Modellen zu überlassen und die zahlreichen anfallenden Prozesse wie Tool-Ausführungen und Überprüfungen an leichtere Modelle wie Nemotron 3.5 Lightning zu delegieren.

Dies deutet darauf hin, dass sich der zukünftige KI-Markt möglicherweise nicht auf "eine einzige riesige KI" konzentriert, sondern in Richtung der Nutzung mehrerer KI-Modelle geht.

Warum chinesische Unternehmen bei Open-Weight stark sind

Hierbei darf man die Präsenz Chinas nicht ignorieren.

Der Schock, den DeepSeek weltweit auslöste, lag nicht nur darin, dass ein chinesisches Unternehmen eine leistungsstarke KI entwickelte.

Es war bedeutend, dass ein leistungsstarkes Modell, das relativ kostengünstig entwickelt wurde, weit verbreitet verfügbar gemacht wurde und damit die Annahme erschütterte, dass "nur große US-Unternehmen Spitzentechnologie entwickeln und als Cloud-API anbieten".

In der Folge haben auch Alibaba's Qwen und Moonshot AI starken Einfluss auf den globalen Open-Model-Markt gewonnen.

Besonders in der Welt der Entwickler, die lokale LLMs nutzen, stehen "Leistung", "erforderlicher Speicher", "Inferenzgeschwindigkeit", "Lizenzierung" und "Leichtigkeit der Quantisierung" im Vordergrund, nicht die Nationalität des Modells.

Wenn ein Modell leistungsstark ist, auf der eigenen GPU läuft und frei modifiziert werden kann, wird auch ein chinesisches Modell verwendet.

Diese sehr pragmatische Entwicklerkultur hat die weltweite Verbreitung chinesischer Modelle gefördert.

Hier liegt das Problem für US-Unternehmen.

Sobald ein Modell zur Standardplattform für Entwickler wird, entstehen um es herum Tools, Bibliotheken, Lerndaten, Know-how und abgeleitete Modelle.

Das ist ähnlich wie bei Betriebssystemen.

Es entsteht ein "Ökosystem", das nicht leicht durch einen vorübergehenden Leistungsvorsprung zu überwinden ist.

Die jüngsten Schritte von Meta und NVIDIA zeigen auch eine strategische Absicht, die Auswahlmöglichkeiten für US-Modelle zu erhöhen, bevor chinesische Unternehmen in diesem Bereich eine entscheidende Überlegenheit erlangen.

Auf sozialen Medien mischen sich Zustimmung und Zweifel

Die Reaktion der Entwicklergemeinschaft auf die jüngsten Ankündigungen ist nicht ausschließlich positiv.

Auf X wird die Open-Weight-Veröffentlichung von Muse Spark 1.2 von Aaron Levie als bedeutendes Ereignis wahrgenommen, und auch von Unterstützern offener KI wie Beteiligten von Hugging Face wird Metas Kurswechsel begrüßt.

Unter KI-Entwicklern ist die Erwartung groß, dass erneut leistungsstarke Open-Weight-Modelle von US-Unternehmen kommen.

Auf Hacker News gibt es Stimmen, die eine Rückkehr der Aufregung wie zur Zeit von Llama 3 erwarten, sowie Beiträge, die Muse Glimmer auf Macs testen und die Chat- und Textgenerierungsfähigkeiten positiv bewerten.

Es gibt jedoch auch viele vorsichtige Meinungen.

Einer der häufigsten Diskussionspunkte ist das Vertrauen in Meta.

Obwohl Meta zuvor mit Llama stark auf offene KI gesetzt hatte, wurden später einige Modelle geschlossen.

Daher gibt es auf Hacker News auch Stimmen, die fragen, warum das offene Modell einmal gestoppt wurde und wie lange die aktuelle Strategie anhalten wird.

Zudem gibt es Bedenken, ob neben kleineren Modellen auch wirklich die wettbewerbsfähigsten Spitzentechnologiemodelle veröffentlicht werden.

Deshalb wird die Veröffentlichung von Muse Spark 1.2 mit besonderem Interesse verfolgt.

Wird das leistungsstarke Modell wie versprochen als Open-Weight veröffentlicht, oder bleibt es bei der Veröffentlichung nur einiger Modelle?

Die Ernsthaftigkeit von Metas Open-Strategie wird wahrscheinlich mit der nächsten Veröffentlichung beurteilt werden.

Lokale KI-Nutzer haben bereits mit der Leistungsbewertung begonnen

In der Reddit-Community "LocalLLaMA" für lokale LLMs gibt es seit der Ankündigung zahlreiche Beiträge, die versuchen, Muse Glimmer oder Nemotron 3.5 Lightning tatsächlich zu betreiben.

Zu Muse Glimmer gibt es Nutzer, die es lokal für Codierungszwecke testen, während andere bereits kritische Bewertungen abgeben, wie etwa "neigt dazu, zu viel zu denken" oder "könnte zu restriktiv sein".

Auch zu Nemotron 3.5 Lightning wird diskutiert, wie praktikabel es in VRAM-Umgebungen von 16GB oder 24GB ist und wie nützlich die quantisierte Version sein wird.

Interessant ist, dass Qwen häufig als Vergleich herangezogen wird.

Für US-Unternehmen sind chinesische KI-Modelle nicht mehr nur "potenzielle zukünftige Konkurrenten".

Sobald Entwickler ein neues US-Modell testen, dienen sie als realer Benchmark.

Dies symbolisiert die aktuelle Struktur des KI-Wettbewerbs.

"Offen bedeutet nicht automatisch sicher" und "offen bedeutet nicht automatisch gefährlich"

Ein weiteres großes Diskussionsthema bei Open-Weight-KI ist die Sicherheit.

Sicherheitsfragen und Schutzmaßnahmen sind von großer Bedeutung.

Wenn jeder das Modell erhalten kann, fördert das zwar Forschung und Unternehmensnutzung, ermöglicht aber auch die Nutzung durch böswillige Akteure.

Es gibt Bedenken hinsichtlich des Missbrauchs für Cyberangriffe, Betrug und die Erstellung von Falschinformationen, weshalb einige für eine gewisse Einschränkung der Veröffentlichung starker KI-Modelle plädieren.

Auf der anderen Seite gibt es das Argument, dass es gefährlicher ist, wenn nur wenige große Unternehmen die Kontrolle über KI-Modelle haben.

Die Möglichkeit, das Modell intern zu erforschen, die Sicherheit unabhängig zu überprüfen und es ohne Abhängigkeit von externen Diensten zu nutzen, kann auch Sicherheitsvorteile bieten.

Wichtig ist, die Sicherheit nicht nur anhand der Frage "offen oder geschlossen" zu beurteilen.

Es ist notwendig, den Umfang der veröffentlichten Informationen, die Fähigkeiten des Modells, die Nutzungslizenz, die Sicherheitsbewertung und das Managementsystem der implementierenden Organisation zu berücksichtigen.

Für japanische Unternehmen ist die größte Bedeutung, "wo die Daten gespeichert werden"

Wie wird dieser US-chinesische Open-KI-Wettbewerb Japan beeinflussen?

Erstens sind da die Kosten für die Einführung generativer KI in Unternehmen.

Derzeit nutzen viele Unternehmen KI-Dienste oder APIs, die von ausländischen Unternehmen angeboten werden.

Während die Einführung einfach und leistungsstark ist, steigen die API-Kosten bei umfangreicher Nutzung der KI.

Besonders wenn KI-Agenten in den Alltag der Unternehmen integriert werden und ein Modell dutzende Male für eine Aufgabe aufgerufen wird, wird das Management der Inferenzkosten zu einer wichtigen IT-Herausforderung für Unternehmen.

Wenn mehr leistungsstarke Modelle lokal betrieben werden