„Open-source AI has a tricky future, as building the best models is extremely capital intensive.“ Dieser Satz bringt die ganze Ambivalenz der aktuellen Lage auf den Punkt. Der Autor des Beitrags, der selbst am Aufbau offener Modelle wie Olmo beteiligt war, beschreibt eine Branche, in der riesige Summen fließen, aber die wirtschaftliche Basis für offene Systeme noch längst nicht gesichert ist. Du bekommst im Folgenden eine Einordnung, warum ausgerechnet Nvidia zum wichtigsten Finanzier offener KI werden könnte und was das für Entwickler und Unternehmen bedeutet.
Die Debatte über offene KI leidet seit Jahren unter einem Vergleich, der zu kurz greift. Viele Menschen stellen sich die Frage, ob sich offene Sprachmodelle ähnlich entwickeln wie Linux. Der Autor hält diese Analogie für hilfreich, aber unpräzise. Ein Open-Source-Sprachmodell im engeren Sinne – also ein Modell mit vollständigem Trainingsrezept, Daten und Code – ähnelt tatsächlich eher einem offenen Betriebssystem. Etwas ganz anderes sind sogenannte Open-Weight-Modelle, bei denen nur die trainierten Modellgewichte und der Code zur Inferenz veröffentlicht werden. Das ist eher so, als würdest du eine bestimmte Version eines Programms installieren, auf dem dein eigenes Projekt aufbaut.
Vom Rezept und vom fertigen Gericht
Diese Unterscheidung ist kein akademisches Detail. Sie erklärt, warum sich offene Modellgewichte so unterschiedlich entwickeln können. Der Autor erinnert daran, dass Modellgewichte im Durchschnitt sehr kurzlebig sind, aber dennoch eine lange Lebensdauer haben können. Viele Unternehmen arbeiten bis heute mit Workflows, die auf Llama 3 basieren, obwohl inzwischen deutlich leistungsfähigere agentische Systeme existieren. Der Wert eines Gewichtsstandes liegt nicht allein im Release-Datum, sondern in der Stabilität und den etablierten Anwendungen. Ein vollständiges Open-Source-Rezept, wie es die Olmo-Modelle aus dem Ai2-Umfeld oder früher die Pythia-Modelle von EleutherAI repräsentieren, ist dagegen ein ressourcenintensiver Prozess. Jedes Unternehmen kann ein solches Rezept aufgreifen, anpassen und neue Modellgewichte erzeugen. Im besten Fall fließen Verbesserungen aus der Community zurück in die nächste Modellgeneration.
Das klingt nach einem schönen Kreislauf, aber er hat einen Haken: Das Training eines modernen Sprachmodells ist so teuer, dass kaum noch jemand diesen Kreislauf von sich aus in Gang setzt. Deshalb lohnt ein genauer Blick auf die Rolle von Nvidia.
Nvidias Strategie: Angelkurse für den Token-Fang
Nvidia investiert massiv in fast offene Modelle. Bei den Nemotron-Modellen veröffentlicht der Konzern alle Daten, die rechtlich herausgegeben werden können, dazu den Trainingscode. Auf den ersten Blick wirkt das seltsam: Warum sollte ein Chiphersteller sein wertvolles Know-how teilen? Die Antwort liegt im Geschäftsmodell. Nvidia verkauft nicht primär Modelle, sondern Rechenleistung. Der Autor beschreibt eine Welt, in der unzählige Unternehmen eigene Token-Maschinen bauen können, ohne dass Intelligenz monopolisiert wird. Je mehr Firmen eigene Modelle trainieren, desto größer die Nachfrage nach Nvidia-Chips. Es ist der Unterschied zwischen dem Verkauf von Fisch und dem Verkauf von Angelruten. Nvidia will möglichst viele Menschen das Angeln lehren.
Diese Strategie ist klug, aber teuer. Laut Medienberichten gibt Nvidia rund 26 Milliarden Dollar dafür aus. Ob sich diese Summe amortisiert, hängt davon ab, ob die offenen Trainingsrezepte tatsächlich genug neue Nachfrage erzeugen. Der Autor sieht darin eine existenzielle Phase für das gesamte Open-Source-Ökosystem. Solange Nvidia das Geld bereitstellt, können offene Modelle mithalten. Die Frage ist, wie lange der Chiphersteller bereit ist, diese Rechnung zu übernehmen.
Die wirtschaftliche Schwerkraft des KI-Trainings
Wer heute ein modernes Sprachmodell trainieren will, braucht nicht nur Know-how, sondern vor allem Kapital. Die Kapitalintensität ist so hoch, dass viele Beobachter längst damit rechnen, dass offene Modelle abgehängt werden. Bisher ist das nicht passiert. Zwar haben sich Unternehmen wie Databricks und 01.ai aus dem Trainingsgeschäft zurückgezogen, aber sie wirken noch wie Einzelfälle. Der Autor beobachtet, dass die Fähigkeit, wettbewerbsfähige Modelle zu bauen, in der Industrie länger zugänglich geblieben ist, als viele erwartet hätten. Dennoch wird die Abhängigkeit von Nvidia in den kommenden Jahren wachsen. Wenn die Strategie nicht aufgeht, braucht es entweder eine andere Firma, die einen finanziellen Kreislauf aus Offenheit schafft, oder offene Modelle werden zu einem Nischenprodukt.
Die wirtschaftliche Belohnung müsste in einer Größenordnung liegen, die mit den Gewinnen der großen API-Anbieter wie Anthropic und OpenAI mithalten kann. Das ist eine hohe Hürde. Es gibt zwei mögliche Zukünfte. Im ersten Fall bleibt das Open-Source-Rezept für Nvidia profitabel, weil es weit mehr Chip-Nachfrage erzeugt, als das Modelltraining kostet. Im zweiten Fall kommt es zu einer Spaltung: Die offenen Modelle entwickeln sich nicht mehr entlang der Spitzenleistung, sondern entlang von Effizienz, Modifizierbarkeit und Spezialisierung. Genau diese zweite Zukunft hält der Autor für wahrscheinlich.
Der lange Weg in den langen Schwanz
Ein solches Szenario wäre keine Katastrophe, sondern eine andere Form von Nützlichkeit. Offene Modelle würden einen langen Schwanz von Anwendungen bedienen, die für die großen geschlossenen Modelle kaum interessant sind. Dazu gehören etwa Unternehmens-Agenten, die mit privaten Daten auf lokalen Systemen repetitive Geschäftsprozesse übernehmen. Die wertvollsten Bereiche wie Wissensarbeit, Medikamentenforschung oder Softwareentwicklung blieben dann den geschlossenen Modellen überlassen, die eine monopolartige Stellung haben. Der lange Schwanz ist also kein Abstellgleis, sondern ein eigenständiger Lebensraum. Dennoch wäre es eine Arbeitsteilung, die viele Versprechen der Open-Source-Bewegung relativiert.
Dieses Szenario passt zu einer Entwicklung, die der Autor im Training beobachtet. Die offenen Modellökosysteme werden derzeit von einem Boom im Post-Training getragen. Viele Entwickler nehmen neuere Modelle wie DeepSeek V4 Flash, Inkling Small oder GLM 5.X und passen sie mit Feintuning-APIs wie Tinker an ihre spezifischen Agentenaufgaben an. Das ist ein lebendiges Feld. Gleichzeitig verändert sich die Arbeitsteilung zwischen den Trainingsphasen.
Vom Pretraining zum Post-Training: Die Kompetenzen wandern
Früher galt das Pretraining als der geheimnisvollste und teuerste Teil. Später kam das Post-Training hinzu, also die nachgelagerte Bearbeitung, die aus einem rohen Basismodell ein brauchbares Produkt macht. Inzwischen beobachtet der Autor eine neue Verdunkelung: Das Training eines Basismodells zu einem allgemeinen agentischen Denker wird immer undurchschaubarer. Es könnte bald so weit gehen, dass die etablierte Einteilung in Pretraining, Midtraining und Post-Training ersetzt wird durch Pretraining, Reasoning-Training und Post-Training. Die Fähigkeit, ein komplettes Modell zu trainieren, wird damit für immer weniger Teams realistisch. Je weniger Menschen in das gesamte Training investieren, desto geringer ist das Interesse an offenen Trainingsrezepten. Diese wirtschaftliche Schwerkraft lässt sich nicht wegargumentieren.
Der nächste Schritt dieser Entwicklung ist bereits sichtbar: Immer weniger offene Modellbauer veröffentlichen Base-Modelle, also Versionen vor dem eigentlichen Reasoning-Training. Stattdessen experimentieren einige mit Umsatzbeteiligungsmodellen, bei denen Lizenzen für den Einsatz in Produkten oder für Inferenz anfallen. Das sind Versuche, die Finanzierung für Modelle nahe der Spitzenklasse zu sichern. Vieles hängt in den nächsten Jahren davon ab, wie erfolgreich diese Experimente sein werden.
Wer die Token-Maschinen finanziert, bestimmt die Zukunft
Am Ende dreht sich alles um die Frage, wer die Maschinen bezahlt. Neben Nvidia gibt es noch einen zweiten, mächtigen Spieler: Meta. Hyperscaler mit großen Bilanzen geben Modelle als offene Gewichte heraus, um den Preis von Tokens zu drücken und so die Konkurrenz zu schwächen. Wenn Meta ein sehr starkes offenes Modell wie Muse Spark 1.2 veröffentlicht, trifft das direkt die Umsätze von OpenAI und Anthropic. Diese Firmen verkaufen Tokens. Meta dagegen nutzt Offenheit, um die eigenen Komplementärprodukte zu stärken. Der Autor beschreibt es so: Nvidia will allen beibringen, nach Tokens zu fischen, während Meta das Wasser absichtlich mit Tokens flutet.
Beide Strategien führen zu einer Intensivierung des Wettbewerbs, aber nicht unbedingt zu einem stabilen Open-Source-Ökosystem. Der Autor sieht in Meta einen Spieler, der Token als strategische Waffe einsetzt, nicht als Grundlage für eine nachhaltige Gemeinschaft. Nvidia dagegen ist auf viele unabhängige Token-Maschinen angewiesen. Deshalb sind die offenen Modellbauer, die mit Revenue-Share-Lizenzen arbeiten, so wichtig. Sie sind die eigentlichen Brückenköpfe zwischen Open-Source-Kultur und kapitalintensiver KI-Industrie.
Die Zukunft der Open-Source-KI ist also nicht in Beton gegossen. Sie hängt an wirtschaftlichen Rückkopplungen, an der Geduld von Nvidia und an der Fantasie der Community. Der klare Blick des Autors zeigt: Es geht nicht nur darum, ob offene Modelle gute Technik sind, sondern ob ihre Finanzierung mit der Schwerkraft des Kapitals mithalten kann. Für dich als Entwicklerin oder Entwickler heißt das: Die Werkzeuge bleiben spannend, und der Zugang zu offenen Gewichten wird nicht von heute auf morgen verschwinden. Aber je länger die Rechnung offen bleibt, desto wahrscheinlicher wird eine Arbeitsteilung – offene Modelle für die Nischen, geschlossene für die Spitze. Angeln kannst du dann trotzdem lernen, nur eben nicht in jedem Gewässer.
Quelle: interconnects.ai
