China hat keine chinesischen Daten mehr zur Schulung von KI: die neue Mauer sind nicht die Chips

**China steht vor einem neuen Engpass im KI-Rennen: der Mangel an Trainingsdaten in Chinesisch. Während Chips die Debatte dominieren, warnen Experten, dass die 1,3 % des Webinhalts in Chinesisch die Entwicklung von KI-Modellen im Land bremsen könnten.

• Chinesisch macht nur 1,3 % des globalen Webinhalts aus, während Englisch 49 % ausmacht.
• Peking plant bis 2028 validierte nationale Datensätze zur Förderung der KI.
• Verlage wie Huaxia verbieten bereits die Nutzung ihrer Inhalte zur Schulung von KI.

Chinas Rennen in der künstlichen Intelligenz (KI) hat eine neue Grenze erreicht, die nicht von Halbleitern abhängt. Während die Exportkontrollen der USA für fortschrittliche Chips die Aufmerksamkeit auf sich ziehen, geht dem Land die Verfügbarkeit hochwertiger Trainingsdaten in Chinesisch aus. Dieser Mangel könnte ebenso einschränkend sein, und im Gegensatz zur Hardware gibt es keine einfache technologische Lösung.

Laut dem Internet-Tracker W3Techs macht Chinesisch nur 1,3 % des globalen Webinhalts aus. Im Gegensatz dazu dominiert Englisch mit fast der Hälfte, Spanisch erreicht 6 % und Japanisch 5 %. Dieses Ungleichgewicht wirkt sich direkt auf Chinas Fähigkeit aus, fortschrittliche Sprachmodelle zu entwickeln.

Die globale Datensperre

Der Mangel an Daten ist nicht exklusiv für China, aber das asiatische Land leidet intensiver darunter. Epoch AI schätzt, dass das weltweite Angebot an hochwertigem öffentlichem Text in sechs Jahren vollständig erschöpft sein könnte. Der Mitbegründer von OpenAI, Andrej Karpathy, hat vor einer "Datensperre" gewarnt, die Ende dieses Jahrzehnts eintreten könnte.

Chinesische Entwickler zahlen bereits mehr pro nützlichem Token als ihre westlichen Kollegen. Der Grund ist einfach: Ihre Modelle müssen mit weniger Material in ihrer Muttersprache arbeiten, was das Training verteuert. Die Kluft ist offensichtlich in der Leistung chinesischer Modelle im Vergleich zu amerikanischen bei komplexen Aufgaben.

Das Problem wird verschärft, weil das digitale Ökosystem Chinas geschlossen ist. Plattformen wie WeChat und Douyin teilen keine Daten mit externen Entwicklern, was die KI-Labore mit Quellen von geringerer Qualität zurücklässt. Im Gegensatz zum Westen, wo mehr Zugang zu öffentlichen Daten aus sozialen Medien und Foren besteht, stößt China auf interne Barrieren.

Diese Situation hat Experten dazu veranlasst, zu überlegen, dass der Mangel an Daten ebenso schwerwiegend ist wie die Beschränkungen bei Chips. Es gibt keine Hardwarelösung, die den Mangel an Text in Chinesisch beheben kann. Das Problem ist strukturell und erfordert langfristige Strategien.

Die Antwort der chinesischen Regierung

Peking behandelt Daten bereits als strategische Infrastruktur. Im Juni stellte die Nationale Datenverwaltung einen nationalen Plan vor, um bis 2028 validierte Trainingsdatensätze für KI zu erstellen. Diese werden Sektoren wie Fertigung, Energie, Gesundheit, Finanzen, Landwirtschaft, autonomes Fahren und integrierte KI abdecken.

Yu Xiaohui, Präsident der staatlich affiliierten Chinesischen Akademie für Informations- und Kommunikationstechnologien, erklärte, dass "der Wettbewerb im KI-Zeitalter nicht nur um Modelle und Rechenleistung geht, sondern auch um Systeme zur Bereitstellung hochwertiger Daten". Diese Sichtweise spiegelt ein offizielles Bewusstsein für die Schwere des Problems wider.

Der Informatiker der Tsinghua-Universität, Sun Maosong, hat die Behörden aufgefordert, historische Archive, alte Manuskripte, wissenschaftliche Literatur und regionale Dialekte zu digitalisieren. Diese bisher wenig genutzten Quellen könnten das verfügbare Korpus zur Schulung von KI-Modellen erheblich erweitern.

Die Digitalisierung historischer Materialien ist jedoch ein kostspieliger und langsamer Prozess. Nicht alle Inhalte sind im digitalen Format verfügbar, und viele erfordern eine spezielle Verarbeitung. Trotz der Regierungsanstrengungen wird die Kluft zum Englischen kurzfristig weiterhin enorm sein.

Ein weiteres Hindernis ist der Widerstand des Verlagssektors. Der Verlag Huaxia hat beispielsweise kürzlich eine Warnung zu einer neuen Übersetzung hinzugefügt: "Es ist verboten, den Inhalt dieses Buches zur Schulung von Künstlicher Intelligenz zu verwenden. Die Verstöße werden rechtlich verfolgt." Diese Maßnahme, die von anderen Verlagen übernommen wurde, verringert die verfügbaren Quellen weiter.

Der amerikanische Vorteil und der Fall Project Panama

In den USA ist die Situation radikal anders. Das Unternehmen Anthropic, das Claude entwickelt hat, hat das Project Panama ins Leben gerufen, das Millionen von physischen Büchern gekauft und zerstört hat, um sie zu scannen und als Trainingsdaten zu verwenden. Diese aggressive Strategie steht im Gegensatz zu dem Mangel, mit dem China konfrontiert ist.

Der Vergleich verdeutlicht, wie der Zugang zu Daten zu einem entscheidenden Wettbewerbsvorteil geworden ist. Während die USA über einen umfangreichen Korpus in Englisch verfügen, hat China nur 1,3 % des Webinhalts in seiner Sprache. Dieser Unterschied führt zu leistungsfähigeren und besser trainierten Modellen im Westen.

Die Zahlen sind eindeutig: Englisch macht 49 % des Webinhalts aus, während Chinesisch nur 1,3 % ausmacht. Um die Menge an Daten in Englisch zu erreichen, müsste China seine digitale Präsenz fast 40-fach erhöhen. Eine titanische Aufgabe, die nicht über Nacht gelöst werden kann.

Experten weisen darauf hin, dass neben der Quantität auch die Qualität des Inhalts entscheidend ist. Der in Internet verfügbaren chinesische Text ist oft weniger vielfältig und von geringerer Qualität im Vergleich zum Englischen. Dies beeinflusst die Leistung der Modelle bei Aufgaben des Denkens, des Verstehens und der Textgenerierung.

Der Datenmangel hat auch wirtschaftliche Auswirkungen. Chinesische Entwickler müssen mehr Ressourcen in die Datenbereinigung und -kurierung investieren, was den Prozess verteuert. Gleichzeitig schränkt der Mangel an Daten die Innovationsfähigkeit in aufkommenden Bereichen wie KI in der Medizin oder Ingenieurwesen ein.

Auswirkungen auf die Zukunft der chinesischen KI

Der Datenmangel in Chinesisch betrifft nicht nur die KI-Labore, sondern auch die Wettbewerbsfähigkeit des Landes auf der globalen Bühne. Wenn China diese Barriere nicht überwinden kann, werden seine Modelle in komplexen Aufgaben weiterhin hinter den amerikanischen zurückbleiben. Dies könnte die Einführung von KI in kritischen Wirtschaftssektoren bremsen.

Die chinesische Regierung ist sich der Herausforderung bewusst und hat daher Pläne zur Schaffung nationaler Datenbanken in die Wege geleitet. Allerdings werden die Lösungen Jahre in Anspruch nehmen. In der Zwischenzeit suchen chinesische Unternehmen nach Alternativen wie der Generierung synthetischer Daten oder dem Kauf von Unternehmen mit großen Textkorpora.

Ein weiterer Weg ist die Entwicklung multilingualer Modelle, die Daten in anderen Sprachen nutzen. Aber der Fokus auf Chinesisch ist entscheidend für lokale Anwendungen, bei denen die Sprachgenauigkeit kritisch ist. Der Mangel an spezifischen Daten in Chinesisch wird weiterhin ein Hindernis für die Personalisierung und Anpassung der Modelle bleiben.

Die Nachricht, die von The Next Web berichtet wurde, hebt einen Punkt hervor, der oft übersehen wird: KI hängt nicht nur von Algorithmen und Rechenleistung ab, sondern auch von Daten. Und wenn die Daten knapp sind, stolpern selbst technologische Mächte. China lernt dies auf die härteste Weise.

Zusammenfassend lässt sich sagen, dass der Mangel an Trainingsdaten in Chinesisch ein strukturelles Problem ist, das keine schnelle Lösung hat. Im Gegensatz zu Chips, die mit Investitionen und Zeit hergestellt werden können, sind Daten eine endliche und schwer zu schaffende Ressource. Chinas Wettlauf um die Souveränität in der KI steht vor einer Mauer, die sich nicht mit Fabriken oder Dekreten einreißen lässt.

Dieser Inhalt wird nur zu allgemeinen Informationszwecken bereitgestellt und stellt keine finanzielle, Anlage-, Rechts- oder Steuerberatung dar. Alle erwähnten Ereignisse, Prämien, Online-Aktionen oder zugehörige Informationen sollten nicht als Empfehlung, Aufforderung oder Einladung zum Kauf, Verkauf, Handel oder anderweitigem Umgang mit Krypto-Assets betrachtet werden. Krypto-Assets sind sehr volatil und können zu Verlusten führen. Die Verfügbarkeit von WEEX Services, Produkten und zugehörigen Aktionen kann je nach Region unterschiedlich sein. Sie sind dafür verantwortlich sicherzustellen, dass Ihre Teilnahme mit geltenden lokalen Gesetzen und Vorschriften übereinstimmt.