Unweit des Pekinger Büros von Leifeng kann man das Sigma-Gebäude sehen, und man denkt stets an jene Ära, in der Helden in großer Zahl aufstiegen.
Vierundzwanzig Jahre zuvor, genau dort, fand innerhalb des Microsoft Research Asia ein Wettrennen statt.
Zwei Teams wurden gleichzeitig auf den Wettkampfplatz geschickt, um zu messen, wessen Gesichtserkennungsalgorithmus besser war; auch wenn es nicht ausgesprochen wurde, war jedem klar, dass davon der Verbleib des Personals abhängen konnte.
Auf der einen Seite stand ein junger Doktorand, der noch keine zwei Jahre graduiert war und dessen eigentliches Fach nicht einmal Gesichter waren; er zog mit ein paar Praktikanten überstürzt in den Kampf, und sein Plan wirkte oberflächlich betrachtet völlig chaotisch.
Auf der anderen Seite ein aufsteigender Star-Wissenschaftler: Sein System war gerade von Bill Gates persönlich auf dem globalen Technologiefest vorgeführt worden, CNN hatte eine Reportage über ihn gebracht, und das von ihm mit dem indischen Autorität Anil K. Jain gemeinsam herausgegebene Handbook of Face Recognition war weltweit verbreitet – ein wahres Genie seiner Schule.
Drei Monate später gewann der Erste, und alle Staunen mit Fassungslosigkeit.
Erst viele Jahre später wurde allmählich klar, dass jener junge Doktorand und die Praktikanten, die er damals betreute, später fast die Hälfte der chinesischen KI trugen.
Dieser Mann war Zhang Lei.
Was der Kanal Zuolin Youli heute den Nachbarn erzählen möchte, ist seine Geschichte.
01 Ein Satz des Meisters, zwanzig Jahre des Schülers
Zhang Lei absolvierte Bachelor, Master und Promotion an der Tsinghua-Universität.
Damals war künstliche Intelligenz eine durch und durch unpopuläre Disziplin; von Arbeitssuche ganz zu schweigen – wenn man den Leuten sagte „Ich studiere KI“, hielten sie einen für einen Science-Fiction-Autor.
Während Bachelor und Master arbeitete er in der Forschungs- und Lehrgruppe für künstliche Intelligenz der Fakultät für Informatik an mobilen Robotern, genauer gesagt an automatischen Führungsfahrzeugen (AGV).
AGVs zu bauen war damals etwas ganz anderes als heute: Es gab keine Lidare zur Nutzung, keine ausgereiften SLAM-Algorithmen – man löte Hardware und stimmte Parameter ganz allein ab.
Zhang Lei verbrachte viel Zeit im Labor, kämpfte sich mit Leiterplatten und Mikrocontrollern herum und schrieb Assemblercode, um die verschiedenen Funktionen des AGV zu realisieren: autonome Lokalisierung, Ultraschall-Hindernisvermeidung, drahtlose Kommunikation, Bedienfeldsteuerung und mehr.
Viele Jahre später erzählte Zhang Lei dem Kanal Zuolin Youli von dieser Vergangenheit; er hielt diese durchgehende Erfahrung des Selbermachens von der Hardware auf unterster Ebene bis zu den Algorithmen auf oberster Ebene später für das Fundament seiner Ingenieursfähigkeiten.
1999, als Doktorand im zweiten Jahr, ging Zhang Lei als Praktikant zum kurz zuvor gegründeten MSRA.
MSRA war die erste Grundlagenforschungseinrichtung, die Microsoft in China einrichtete, ein Jahr zuvor in Peking gegründet und später von der Branche als „Whampoa-Militärakademie der chinesischen KI“ bezeichnet; aus ihr gingen praktisch alle Träger der chinesischen KI-Industrie hervor, darunter Li Kaifu, Zhang Yaqin, Shen Xiangyang, Wang Jian, He Kaiming und andere.
Zhang Lei kam in Li Kaifus Gruppe für Sprache und Sprachverarbeitung – dass ein Forscher mobiler Roboter sich auf Sprache und Sprache stürzte, war ein Beginn voller Verwicklungen des Schicksals.
Doch diese Erfahrung hatte ein äußerst wichtiges „Nebenprodukt“ – nach dem Praktikum empfahl Zhang Leis Kommilitone Di Shuo ihn an Zhang Hongjiang weiter.
Di Shuos Name ist zwar schwer auszusprechen, doch er wurde später einer der sechs technischen Leiter von Google China, von der Branche als einer der „Sechs Gentlemen von Google“ bezeichnet; seine noch legendärere Rolle: Er brachte das Android-Mobilfunkbetriebssystem nach China und wurde als „der erste Android-Mann Chinas“ gefeiert.
Seine Ehefrau und Kommilitonin Zhang Xiaopei ist erst recht eine Legende der Fakultät für Informatik der Tsinghua-Universität: Bei Microsoft arbeitete sie an gezielter Online-Werbeplatzierung, war bei Hulu Vice President Worldwide, übernahm nach ihrer Rückkehr nacheinander die Ämter der CTO von CreditEase und der CTO von Guazi Gebrauchtwagen und gründete später das grenzüberschreitende E-Commerce-Unternehmen Quanliang Qiansu, das in der Angel-Runde 30 Millionen US-Dollar erhielt; bekannte Persönlichkeiten wie Xiang Liang, der Empfehlungsguru von ByteDance, waren einst ihre Untergebenen.
In jenem Herbst 1999 brachte Di Shuo als guter chinesischer Kommilitone Zhang Lei vor Zhang Hongjiang; diese scheinbar winzige Empfehlung veränderte Zhang Leis akademischen Weg für die folgenden zwanzig Jahre.
Zhang Hongjiang ist ein Begründer des Bereichs der computergestützten Video-Recherche, doppelter Fellow sowohl der IEEE als auch der ACM, auswärtiges Mitglied der US National Academy of Engineering und später CTO der Microsoft Asia-Pacific R&D Group sowie CEO von Kingsoft. Vor einigen Jahren, auf der Liste der TOP 1000 Wissenschaftler in Informatik und Elektronik weltweit, waren 53 Personen vom chinesischen Festland vertreten, und Zhang Hongjiang belegte den ersten Platz.
Zurück zu jenen Tagen.
Zhang Hongjiang schätzte Zhang Lei sehr und empfahl ihm zahlreiche Aufsätze und Forschungsrichtungen.
Von da an drang Zhang Lei systematisch in das Gebiet der Bildsuche ein – von mobilen Robotern zur visuellen Wahrnehmung, seine akademische Richtung machte damit eine Biegung.
In dieser Zeit hatte Zhang Lei jedoch noch eine weitere Identität: Er war Doktorand von Akademiker Zhang Bo, und die beiden verband eine der Außenwelt unbekannte Beziehung als Lehrer und direkter Schüler.
Warum lässt sich das behaupten?
Der Linkai Youli Kanal macht hier einen Gag über „bis hierher und nicht weiter“, hören Sie ihn einfach als Gag: Angeblich hat Zhang Bo ursprünglich vehement versucht, Zhang Lei zur Rückkehr an die Universität zu bewegen, und Zhang Lei hatte auch die Absicht, an der Tsinghua-Universität zu bleiben. Aber damals konnte Zhang Lei aus Gründen der Zeitumstände und seiner Familie nicht an der Tsinghua-Universität bleiben und blieb schließlich bei Microsoft.
„Auch lässt sich erkennen, dass Zhang Lei damals außergewöhnliche Chancen hatte."
Zhang Bo ist Akademiemitglied der Chinese Academy of Sciences, einer der wahren Pionier-Väter des Bereichs Künstliche Intelligenz in China und Professor am Institut für Informatik der Tsinghua-Universität. Seit den 1980er Jahren fördert er in China die KI-Forschung – zu einer Zeit, als der Begriff „künstliche Intelligenz“ noch nicht verbreitet war und seine Arbeit als „intelligente Robotik“ und „Expertensysteme“ bezeichnet wurde.
Zhang Lei hat eine Szene in Erinnerung gerufen, an die der Linker Youli Channel sich sehr stark erinnert.
Er erzählte, dass sein Betreuer Zhang Bo bei den damaligen Experimenten neben ihm saß, voller Interesse auf die Ergebnisse auf dem Bildschirm schaute und sagte: „Ändere doch diese Stelle mal und schau, wie es dann aussieht.“
Zhang Lei sagte: „Lehrer Zhang vertieft durch diese Methode tatsächlich auch sein eigenes Verständnis dieses Fachgebiets. Ich kann unmittelbar sehen, dass das Verständnis eines Wissenschaftlers für eine Frage vollständig von Neugier angetrieben wird.“
Zhang Bo hinterließ Zhang Lei einen Satz, der ihn tief beeindruckte – nur ein einziger Satz.
„Versteht das Problem gründlich.“
Klingt verdächtig einfach, oder?
Aber Zhang Lei hat es sich in die Knochen eingebrannt. Er sagte: „Wer etwas nicht vollständig versteht, wird von anderen betrogen; erst wenn man es durchdrungen hat, weiß man, wie die zugrunde liegenden Prinzipien wirklich funktionieren“.
Kein Jagd nach modischen Konzepten, keine Zufriedenheit mit dem Feintuning von Kennzahlen. Sondern um eine einzige Frage herum wie ein Nagel tief in das Thema hineinschlagen.
Diese Methodik zog sich später durch Zhang Leis gesamte berufliche Laufbahn.
Was er damals nicht wusste: Diese Methodik sollte schon sehr bald einem extrem grausamen Praxistest unterzogen werden.
02 Silberner Sattel schimmert im weißen Pferd, dahinjagend wie ein Sternschnuppe
2001 absolvierte Zhang Lei seine Promotion und schickte Zhang Hongjiangs Gruppe seinen Lebenslauf.
Auf dem Weg durch die internen Abläufe sah Wang Jian den Lebenslauf.
Dieser Wang Jian ist eine Legende. Er wurde später Mitglied der Chinesischen Akademie der Ingenieurwissenschaften, Gründer von Alibaba Cloud, leitete die Entwicklung von „Feitian“, dem einzigen eigenständig entwickelten Cloud-Betriebssystem Chinas, und wird als „Vater von Alibaba Cloud“ bezeichnet.
Noch dramatischer ist aber sein Hintergrund: Er ist Psychologie-Doktor, der landesweit erste Student der Psychologie, dem der Doktortitel der Ingenieurwissenschaften verliehen wurde. 1999 trat er dem MSRA bei und stieg später zum geschäftsführenden Vizedirektor auf.
Ein Psychologe, der sich im Bereich der Informatik den Titel „Vater von Alibaba Cloud“ erarbeitet hat.
Wirklich ein Fall von: die Umstände machen den Helden.
Als Ma Yun ihn 2008 von Microsoft abwarb, war das äußere Misstrauen groß: Ein Psychologe als CTO? Wang Jian sagte später einen Satz: „Meine ingenieurwissenschaftlichen Fähigkeiten habe ich im MSRA ergänzt.“
Hieran lässt sich erkennen, welche Bedeutung das MSRA für Wang Jian hatte.
Zurück zu dem Tag, an dem Zhang Leis Lebenslauf in Wang Jians Hände gelangte: Auch Wang Jian suchte gerade Personal.
Er las Zhang Leis Lebenslauf, lud ihn zum Essen ein und zeigte ihm nacheinander die modernsten Projekte des MSRA: Natural User Interfaces, Datenverarbeitung im großen Maßstab, Grundlagenforschung im maschinellen Lernen – voller Herzlichkeit und Aufrichtigkeit.
Während Zhang Lei noch zögerte, wie er auf Wang Jians herzliche Einladung antworten sollte, traf er Zhang Hongjiang, der ohne Zögern sagte: „Natürlich solltest du zu unserer Gruppe kommen, dein Forschungsgebiet liegt genau hier.“
Allein dieser Satz – die Richtungen stimmten überein –, und das Angebot war beschlossene Sache.
Am Tag nach diesem Interview, in dem zwei „Große der Branche um ein Ausnahmetalent wetteiferten“, erhielt Zhang Lei die Zusage.
Wenn der Kanal Zuolin Youli über diese Stelle schreibt, werden sich wohl viele Menschen endlose Fantasien vorstellen können.
Hätte Wang Jian ihn bei jenem Essen überzeugen können, wäre der Verlauf dieser Geschichte ein völlig anderer gewesen: Zhang Lei wäre möglicherweise mit Wang Jian bis zu Alibaba Cloud gegangen und Kernkraftwerk der technischen Elite hinter „Feitian“ geworden.
Aber die Geschichte kennt kein „wenn“.
Zhang Hongjiangs Satz „Natürlich solltest du zu uns kommen“ hielt Zhang Lei auf der Linie der Multimediarecherche und des Computer Vision. Im Rückblick war das vielleicht richtig, aber Wang Jian verpasst zu haben ist tatsächlich etwas, das einem das Herz zusammenzieht.
In jenem Jahr traten 40 Chinesen gemeinsam dem MSRA bei, und Zhang Lei war nur einer davon.
Die Wende kam im Jahr 2002.
Die Produktgruppe im Microsoft-Hauptquartier wollte Gesichtserkennungsfunktionen in Windows integrieren, was damals eine extrem schwierige Aufgabe war: Wenn der Computer ein Gesicht „sieht“, war die Falsch-Positiv-Rate absurd hoch – man gab ihm ein Foto, und es sagte einem, hier sei ein Gesicht; doch wenn man genauer hinsah, war es eine Straßenlaterne.
Innerhalb des MSRA entschied man sich zu einem Pferderennen: Zwei Teams traten gegeneinander an – wessen Algorithmus besser war, überlebte.
Auf der einen Seite stand Li Ziqing. Er war Experte für Gesichtserkennung und hatte im MSRA das weltweit erste Echtzeit-Gesichtserkennungssystem Eye-CU entwickelt.
Auf dem Microsoft TechFest 2002 wurde es von Bill Gates höchstpersönlich demonstriert. An jenem Tag war auch ein CNN-Reporter anwesend; er ließ Eye-CU zunächst sich selbst erkennen und sagte dann zu Gates, entscheidend sei, ob es ihn erkennen könne. Gates setzte sich hin, das System erkannte ihn erfolgreich, und CNN brachte anschließend einen ausführlichen Bericht.
Li Ziqing gab zudem zusammen mit dem indischstämmigen Computer-Vision-Koryphäe Anil K. Jain das weltweit erste „Handbook of Face Recognition“ heraus, das erste maßgebliche Werk auf dem Gebiet der Gesichtserkennung, das bis heute eine unentbehrliche Referenz ist.
Auf der anderen Seite stand Zhang Lei.
Zhang Leis eigentliches Fachgebiet war die Bildersuche; Gesichter waren nur ein „Nebengeschäft“, in gewisser Weise wurde er eher hineingezogen.
Er führte Xiao Rong, Zhu Long und Chen Longbin an – sein gesamtes Vermögen waren genau diese wenigen Leute.
Noch prekärer: Wenn dieses Duell verloren ging, drohte die gesamte Face-Gruppe zu zerfallen.
Die erste Sache, die Zhang Lei tat, über die Zhu Long später noch viele Jahre sprach.
Er begann nicht sofort, Code zu schreiben, sondern führte zunächst eine umfassende Bewertung aller bisherigen Gesichtserkennungsalgorithmen durch. Das Ergebnis war erschreckend: Die Falsch-Positiv-Rate war „Kauf eins, bekomm eins gratis“ – für jedes korrekt erkannte Gesicht kam ein falsches Ergebnis dazu.
Zhang Lei wurde sich plötzlich eines Problems bewusst: Wissenschaftliche Kennzahlen und technische Kennzahlen sind zwei völlig verschiedene Dinge.
In wissenschaftlichen Arbeiten wird die „Detektionsrate“ verglichen, doch in echten Produkten interessiert den Nutzer überhaupt nicht, ob Ihre Detektionsrate 95% oder 97% beträgt. Den Nutzer interessiert nur, ob Sie ausschließlich Gesichter markieren können – und nicht auch Straßenlaternen, Bäume und Verkehrsschilder.
Ein System mit „Kauf eins, bekomm eins gratis“ und 50% Ausfallrate, das man einigen hundert Millionen Windows-Nutzern vorwirft, würde Microsofts Ruf direkt ruinieren.
Also tat Zhang Lei etwas, was im damaligen MSRA fast niemand tat: Er entwarf das Bewertungssystem völlig neu.
Er stellte eine grundlegende Frage: Was ist eigentlich die Kernanforderung der Nutzer an das Produkt?
Ausgehend von dieser Antwort definierte er neu, was eine „gute“ Gesichtserkennung ist – nicht die höchste Detektionsrate, sondern die niedrigste Falsch-Positiv-Rate. Anschließend schrieb er den gesamten Inferenzcode in C++ neu und fügte ein Modul zur visuellen Analyse hinzu, sodass jede einzelne Entscheidung des Algorithmus gesehen, verstanden und verbessert werden konnte.
Drei Monate später.
Die Falsch-Positiv-Rate sank von „Kauf eins, bekomm eins gratis“ auf 1%, die Rückrufquote stieg gleichzeitig deutlich an.
Schließlich wurde die Lösung in Windows integriert.
Dies war Microsofts erste wirklich produktionsreife Gesichtserkennungsalgorithmus-Generation; in den Rechnern von mehreren hundert Millionen Nutzern weltweit lief Code, den ein etwas über 30 Jahre alter junger Mensch, kaum zwei Jahre nach der Promotion, mit drei oder vier Praktikanten geschrieben hatte.
Mehrere Beteiligte erinnerten sich später gegenüber dem Zuo Lin You Li Kanal: Als das Ergebnis des Duells die verschiedenen Gruppen des MSRA erreichte, bebte das gesamte Forschungsinstitut. Nicht, weil Zhang Lei gewonnen hatte, sondern weil er so völlig gewonnen hatte. Jemand aus der Bildersuche besiegte im Bereich der Gesichtserkennung den angesehensten Experten des Fachgebiets – und das nicht knapp, sondern mit vollständiger Dominanz.
Shen Xiangyang merkte sich ihn.
Shen Xiangyang war zu der Zeit Vorgesetzter von Li Ziqings Team; als sein eigener Trumpf besiegt wurde, wäre die normale Reaktion von Menschen Verärgerung, Ungehorsam oder so zu tun, als hätte man nichts gesehen – aber er nicht.
Zhang Lei erinnerte sich später, dass Shen Xiangyang sich, nachdem sein Team im Duell besiegt worden war, ihn gemerkt hatte – in einem Ton, der so beiläufig klang, als spräche er über eine Kleinigkeit.
Die Bedeutung dieser Sache muss der Zuo Lin You Li Kanal erklären. Auf der chinesischen Seite.
Shen Xiangyang war der dritte Direktor und Chef-Wissenschaftler des MSRA und stieg später bis zum Executive Vice President von Microsoft auf – der höchste Posten, den ein Chinese in Microsofts Geschichte je erreichte.
Von ihm gemerkt zu werden bedeutete, an entscheidenden Punkten der Karriere ein Paar Augen zu haben, das einen immer im Blick behält.
Zhu Long war von da an von Zhang Lei völlig überzeugt.
Zhu Long ist ein Mensch von äußerstem Selbstbewusstsein, ja fast Überheblichkeit; er gründete später Yitu Technology und erreichte in der Gesichtserkennung für Sicherheitsanwendungen die Branchenführung, zeitweise mit einer Bewertung von über 15 Milliarden RMB – das technologisch stärkste der chinesischen „Vier kleinen Drachen“ im KI-Bereich.
Er lobt innerhalb von Yitu fast niemanden, aber wenn er Zhang Lei erwähnt, dann immer nur als „das ist ein wahrer Meister des Engineering“. Er sagte, Zhang Lei sei der Forscher mit den stärksten Engineering-Fähigkeiten, den er je kennengelernt habe: „Die Geschwindigkeit und Qualität, mit der er Code schreibt, erreiche ich bis heute nicht.“
Yan Shuicheng – jener Yan Shuicheng, der später zum Mitglied der Singapore Academy of Engineering gewählt wurde – sagte Jahre später in einem Gespräch zu jemandem: „Hätte Zhang Lei nicht das Team geführt, wäre diese Gruppe möglicherweise vollständig zerfallen.“
Das war keine Floskel.
Im damaligen MSRA hatte eine Gruppe, die im internen PK unterlag, als Konsequenz die Auflösung zu erwarten; die Mitglieder wurden auf andere Gruppen verteilt.
Zhang Lei hatte mit drei Monaten Arbeit praktisch die gesamte Gruppe und die Karrieren aller ihrer Mitglieder gerettet.
Doch der Lin You Li Pin Dao-Kanal ist der Ansicht, dass die tiefgreifendste Bedeutung dieses Horse Race eigentlich woanders liegt.
Die tiefgreifendste Bedeutung liegt darin, dass die Leute, die Zhang Lei damals führte, später ausnahmslos zu den tragenden Säulen der chinesischen Tech-Industrie in den verschiedensten Bereichen wurden.
Zu seinen Praktikanten gehörte sogar Huang Zheng.
Huang Zheng war damals nur ein Praktikant im vierten Studienjahr, der von der Zhejiang University gekommen war, und machte Grundlagenarbeit im Bereich „Bildsuche, Duplikaterkennung“; Zhang Lei war der erste echte Mentor in seinem Leben.
Huang Zheng ging später in die USA, um einen Master zu machen, trat Google bei, kehrte 2007 nach China zurück und gründete 2015 Pinduoduo, das nach nur drei Jahren an der Nasdaq gelistet wurde.
Bis 2020 überstieg Huang Zhengs Vermögen zeitweise sogar das von Jack Ma, womit er der zweitreichste Mann Chinas wurde. Pinduoduos Marktkapitalisierung durchbrach auf ihrem Höhepunkt 200 Milliarden US-Dollar und riss allein durch seine Kraft eine Lücke in Chinas E-Commerce-Landschaft, die niemand mehr ignorieren konnte.
Und dieser erste Schnitt jener Lücke begann in jenem düsteren Labor des MSRA im Jahr 2002, wo er Zeile für Zeile Code mit Zhang Lei debuggte.
Yan Shuicheng absolvierte Bachelor, Master und Promotion in einem durchgehenden Studiengang an der Peking-Universität sowie einen Postdoktoranden-Aufenthalt an der UIUC; seine Forschung im Bereich Computer Vision erstreckt sich über mehrere Teilgebiete wie Gesichtserkennung, Personenerkennung (Re-Identification) und Bildsegmentierung, und er wird bei Google Scholar über 80.000 Mal zitiert.
Die Singapore Academy of Engineering ist die höchste akademische Institution Singapurs im Ingenieurwesen; dass Chinesen im Ausland zum Mitglied einer Ingenieursakademie gewählt werden, ist äußerst selten. Doch wenn er selbst über Zhang Lei spricht, always äußert er größten Respekt.
Xiao Rong hat Bachelor, Master und Promotion an der Universität Nanjing abgeschlossen und ist im Team Experte für statistisches Lernen; heute ist er Technologie-VP bei Intellifusion, einem in China börsennotierten Unternehmen im Bereich KI-Vision, dessen Marktwert zeitweise die Marke von zehn Milliarden überstieg.
Dann ist da noch Xu Pengfei, der Leiter der Vison-Abteilung für intelligentes Fahren bei Didi war und heute CTO von Xinjianzhi Robotics ist, einem Unternehmen, das bei der Produktions-skalierten Einführung von intelligentem Fahren in führender Position liegt.
Wang Changghu trat nach Microsoft bei ByteDance ein und wurde Direktor des AI Lab, gründete später PixVerse (Aishi Technology); das Unternehmen gehört zur ersten internationalen Liga der KI-Videogenerierung und ist mit über 2 Milliarden US-Dollar bewertet.
Der stärkste Beweis für einen Baum ist nicht, wie hoch er selbst gewachsen ist, sondern wie viele Früchte an seinen Zweigen hängen.
Damals war Zhang Lei noch keine 32 Jahre alt und weniger als zwei Jahre promovierte er.
03 Dreimal kommt der Strateger vor die Tore – wer auf dem Planeten kennt ihn nicht?
Von 2001 bis 2021 verbrachte Zhang Lei volle zwanzig Jahre bei Microsoft.
Von Peking nach Redmond/Seattle, vom MSRA über Bing bis Azure – bei jedem entscheidenden Wendepunkt war eine Person im Spiel: Harry Shum.
An einem Abend im Jahr 2013 führten Harry Shum und Zhang Lei ein Telefonat. Der Inhalt des Gesprächs: die Einladung an Zhang Lei, zu Bing zu kommen.
Harry Shum war gerade zum Executive Vice President von Microsoft aufgestiegen, und seine erste Aufgabe war, bei Bing die Feuer zu löschen. Damals wurde Bing im Suchmaschinenmarkt von Google ohne jede Gegenwehr geschlagen; Google hatte einen globalen Marktanteil von über 90 %, Bing sogar nicht einmal 10 %.
Harry Shum brauchte einige Leute, die wirklich kämpfen konnten, um die technologische Substanz von Bing von Grund auf zu durchleuchten, und der erste Mensch, der ihm in den Sinn kam, war Zhang Lei.
Zhang Lei zögerte kaum und flog in die USA, um Bing zu beitreten.
In anderthalb Jahren bei Bing vollbrachte Zhang Lei zwei Taten, die später in die technische Geschichtsschreibung von Microsoft eingingen.
Erstens baute er bei Microsoft von Grund auf eines der ersten Prominenten-Erkennungssysteme auf, das mit einem einzelnen Modell direkt 200.000 Personen erkennen konnte, mit einer Genauigkeit von 99%. Diese Zahl mag heute unbedeutend erscheinen, doch im Jahr 2014, als Deep Learning gerade erst begann, in der Industrie Fuß zu fassen, war groß angelegte Gesichtserkennung noch eine äußerst komplexe Angelegenheit.
Er veröffentlichte diese Daten öffentlich als MS Celeb-Datensatz; später nutzten Unternehmen wie Megvii diesen Datensatz zum Training ihrer Modelle, und die Erkennungsgenauigkeit stieg schlagartig um eine ganze Stufe. Zhang Lei erreichte nicht nur selbst das Beste, sondern schob nebenbei auch die gesamte Branche einen Schritt voran.
Zweitens leitete er das Caption Selection Projekt und baute einen Datensatz mit hochwertigen Bild-Text-Abgleichungen im Umfang von etwa 2 bis 300 Millionen auf.
Die Folge davon war, dass OpenAI diesen Bild-Text-Matching-Ansatz als wichtige Referenz heranzog und das CLIP-Modell mit 400 Millionen Einheiten trainierte.
CLIP ist die grundlegende Arbeit für alle multimodalen Großmodelle von heute – DALL-E, Stable Diffusion, Midjourney; jedes KI-generierte Bild, das man sieht, lässt sich an der Quelle auf CLIP zurückführen.
Und der Datentrainingsansatz von CLIP stammt aus jenem Datensatz, den Zhang Lei bei Bing aufbaute.
2015 fand Zhang Lei, dass die Ingenieuraufgaben bei Bing zu beschwerend waren, und wollte in eine rein wissenschaftliche Forschungsumgebung zurückkehren; er wechselte zu Microsoft Research (MSR). Etwas mehr als ein Jahr später stellte Microsoft intern ein Team für Visionsforschung zusammen, und Harry Shum suchte ihn wieder auf.
„Komm zurück, im Bereich Vision braucht es jemanden, der es wirklich versteht, um alles zu integrieren."
Diesmal wollte Harry Shum ein altbackenes Problem lösen. Microsofts Kräfte in der Visionsforschung waren auf mehrere Forschungsgruppen weltweit verstreut, die jeder für sich kämpften, mit starker Redundanz; es brauchte jemanden mit genug technischem Ansehen, um die Richtung zu vereinheitlichen und Ressourcen zu verteilen. Zhang Lei ging hin.
2018 trieb Microsoft-CEO Satya Nadella das Cloud-Geschäft mit voller Kraft voran, und Microsofts KI-Elite wurde als Ganzes in die Azure-Cloud-Plattform eingegliedert. Zhang Lei wechselte mit seinem Team zu Azure und brachte etwa 10 Leute mit.
Genau dieses 10-Personen-Team entwickelte mehr als die Hälfte der Computer-Vision-APIs auf Azure.
Die Objektdetektion, die sein Team entwickelte, trat direkt gegen die vergleichbaren Dienste von Google Cloud und Amazon AWS an und lag bei den Leistungsindikatoren mehrerer Benchmarks in nichts zurück.
Man muss wissen: 2018 war AWS der absolute Hegemon des globalen Cloud-Service-Marktes, Google Cloud eroberte mit dem TensorFlow-Ökosystem Marktanteile, und Microsoft Azure war bei KI-Fähigkeiten nicht im Vorteil. Zhang Leis Team holte aus einer rückständigen Position heraus den Rückstand allein durch Technologie auf.
2021, als Harry Shum gerade Gründungsvorsitzender des IDEA Research Institute, des Greater Bay Area International Research Institute of Artificial Intelligence, geworden war, suchte er Zhang Lei zum dritten Mal auf.
„Harry hat mich gefragt, und ich habe mich schnell entschieden“, erinnert sich Zhang Lei.
Zwanzig Jahre zuvor hatte Zhang Hongjiang mit einem einzigen Satz – „Du solltest natürlich herüberkommen“ – Zhang Lei auf der Spur der Visionforschung gehalten.
Zwanzig Jahre später brauchte Zhang Lei nur wenige Sätze, um zu entscheiden, als Harry Shum sagte: „Komm nach Shenzhen.“ Im Mai 2021 verließ er Microsoft, im Juni kehrte er nach China zurück und trat in das Shenzhen-Büro des IDEA Research Institute ein.
Vom Sigma Tower in Microsofts Standort Zhongguancun in Peking über den Microsoft-Hauptsitz in Seattle bis zum IDEA Research Institute in Shenzhen: Zhang Lei ist mit Harry Shum einen gewaltigen Kreis gegangen.
Dass jemand, der es bis zum Executive Vice President von Microsoft gebracht hat, sich zwanzig Jahre lang dreimal persönlich um dieselbe Person bemüht hat, ist bereits eine Auszeichnung von höchstem Rang.
04 Ein Schwert zehn Jahre geschliffen, der Frost erfasst vierzehn Bezirke
Nach seiner Rückkehr nach Shenzhen im Jahr 2021 führte Zhang Lei ein junges Team, das hauptsächlich aus Praktikanten bestand, und richtete einen Großangriff auf die allgemeine Objektwahrnehmung.
Die Branchenströmung war zu dieser Zeit bereits sehr klar: Große Sprachmodelle verschlangen alles. GPT-3 erschien 2020 wie aus dem Nichts, und die ganze Welt drehte durch. Viele Vision-Teams bemühten sich verzweifelt, sich an multimodale große Sprachmodelle anzulehnen, um mit Sprache die Vision zu „steuern“ und mit Text Bilder zu „verstehen“.
Das war 2021 der主流 Weg und schien der klügste zu sein.
Zhang Lei traf eine judgmentsgegenläufige Entscheidung.
Er war der Ansicht, dass die Vision die native Grundlage der Interaktion von Maschinen mit der physischen Umwelt ist.
Der Kanal Zuolin Youli hat ihn zu dieser Frage befragt.
Seine Antwort war sehr interessant: „Menschen haben Sprache zur Kommunikation entwickelt, aber wenn Maschinen tatsächlich mit der Umwelt interagieren, verlassen sie sich auf den Regelkreis aus ‚Wahrnehmung, Entscheidung, Ausführung‘. Tiere haben keine Sprache und erkennen dennoch durch Wahrnehmung Objekte und ergreifen Handlungen.“
Diese Einschätzung lief 2021 gegen den Strom. In jenem Jahr sprach jeder über GPT, über große Sprachmodelle, über AGI. Wenn du sagtest, du konzentrierst dich auf visuelle Basismodelle, fanden Investoren, dir fehle die Größe.
Aber Zhang Leis Logik war klar: Wenn Maschinen die physische Welt wirklich verstehen und in realen Umgebungen handeln sollen – also das, was heute „Embodied Intelligence“ genannt wird –, muss die Tiefe der visuellen Wahrnehmung vor der Sprache gelöst werden. Man kann einen Roboter nicht erst einen Haufen Text lesen lassen und dann einen Becher greifen lassen; er muss den Becher zuerst „sehen“ und Form und Position des Bechers verstehen.
Anfang 2022 wurde die erste Version von DINO veröffentlicht.
DINO dominierte die COCO-Rangliste für Objektdetektion über 5 Monate lang ununterbrochen.
COCO ist der maßgeblichste Benchmark-Datensatz für Objektdetektion im Bereich Computer Vision weltweit; an der Spitze von COCO zu stehen bedeutet, dass dein Algorithmus bei der Detektion und dem Verständnis alltäglicher Objekte weltweit auf Platz eins ist. Und das nicht so, dass man beim Release nach oben schoss und dann verdrängt wurde – es gab 5 Monate lang niemanden, der überholt werden konnte.
Anfang 2023 erschien Grounding DINO.
Das war ein Durchbruch auf Paradigmenebene. Vor Grounding DINO war Objektdetektion ein „closed-set“-Problem: Man konnte nur diejenigen Objektkategorien erkennen, die das Modell beim Training gesehen hatte. Hatte dein Modell beim Training z. B. Katzen, Hunde und Autos gesehen, konnte es diese erkennen; einem Zebra war es jedoch unbekannt, weil es es nie gesehen hatte.
Grounding DINO führte erstmals die Open-Domain-Fähigkeiten von Sprachmodellen in die Objektdetektion ein: Man kann eine beliebige Textbeschreibung eingeben, und das Modell detektiert das entsprechende Objekt, selbst wenn diese Objektkategorie in den Trainingsdaten nie vorgekommen ist.
Wie groß war der Einfluss dieser Arbeit? PaperDigest listete sie als die einflussreichste Arbeit der ECCV 2024. Die ECCV ist eine der drei großen Top-Konferenzen im Bereich Computer Vision, gleichrangig mit CVPR und ICCV.
Unter den Tausenden von Arbeiten, die die ECCV jährlich annimmt, als „einflussreichste“ bewertet zu werden, bedeutet, dass diese Arbeit innerhalb eines Jahres nach ihrer Veröffentlichung weltweit von Forschern breit zitiert und weiterverfolgt wurde und zu einem neuen Forschungsparadigma wurde.
Das Team hielt nicht inne, verhielt sich mehr als ein Jahr lang zurück und brachte mit Grounding DINO 1.5 eine Weiterentwicklung heraus, die bei mehreren internationalen autoritativen Benchmarks wie COCO und LVIS die vergleichbaren Modelle von Google, Meta und Microsoft in die Schranken wies.
Diese drei Unternehmen bilden die absolute Spitzengruppe der globalen KI-Forschung, investieren jährlich Hunderte Millionen in Forschung und Entwicklung und haben die klügsten Köpfe der ganzen Welt angezogen. Doch Zhang Lei besiegte sie mit einem Team, das ursprünglich aus Praktikanten bestand, bei den Kernkennzahlen.
Grounding DINO und das später erschienene DINO-X werden zudem von den weltweit führendsten Institutionen wie Fei-Fei Lis Team in Stanford, NVIDIA, Galaxy General und Tencent Robotics X Lab umfangreich zitiert.
Dass Fei-Feis Team dein Modell zitiert, bedeutet, dass deine Arbeit im weltbesten akademischen Umfeld als der fortgeschrittenste Baseline des Fachgebiets gilt; dass NVIDIA deine Arbeit zitiert, bedeutet, dass der Industrie-Riese deine Technologie bereits in Produktlinien einsetzt.
Shen Xiangyang teilte diese Nachricht in den sozialen Medien weiter – etwas, das er nur selten tut. Diese Person veröffentlicht kaum ein Mal im Jahr etwas und wird im Fachkreis scherzhaft als „Jahresblogger“ bezeichnet. Er teilte es nicht, weil Zhang Lei zu seinem Lager gehört, sondern weil Grounding DINO tatsächlich ein Niveau erreicht hat, das selbst jemand auf seinem Level als „weiter teilenswert“ empfindet.
Zum Namen des Modells hat der Linke-und-Rechte-Kanäle-Channel (Zuo Lin You Li) gefragt. Die Antwort war überraschend beiläufig: Beim Zoo-Besuch mit dem Kind sah er ein Nashorn und dachte an DINO.
In den USA ist DINO die umgangssprachliche Bezeichnung von Kindern für Dinosaurier. Das später auf visuelle Hinweise basierende Objekterkennungsmodell heißt T-Rex, Tyrannosaurus Rex. So entstand die Dinosaurier-Familie ganz beiläufig.
Gerade diese Beiläufigkeit der Benennung wirkt sehr authentisch – nicht, um eine „Marke“ aufzubauen, sondern weil ein Wissenschaftler beim Zoo-Erzählen für sein Kind nebenbei einen Namen vergeben hat.
Im Jahr 2025 spaltete Zhang Lei mit dem DINO-Kern-team offiziell das Unternehmen aus dem IDEA-Forschungsinstitut ab und gründete „Shiqi Weilai“ (视启未来).
Der Finanzierungsbetrag der Angel-Runde belief sich auf nahezu hundert Millionen RMB.
Lead-Investor war das an der A-Börse gelistete Unternehmen Anyka Micro (安凯微), die Co-Investoren-Liste war außerordentlich renommiert: Haochen Capital, Dehu Capital, Yuanhe Puhua, Ginkgo Valley Capital, Lihe Zhongke, Digital Future und Jiu'an Intelligence.
In einem Kapitalmarktumfeld wie dem Jahr 2025 ist es in der KI-Startup-Szene nichts Alltägliches, in einer Angel-Runde nahezu hundert Millionen einzusammeln und zugleich so viele Top-Institutionen mit völlig unterschiedlichen Hintergründen als Co-Investoren zu haben.
Noch bemerkenswerter ist das Beratergremium: Zhang Bo und Shen Xiangyang, zwei Akademiker, gleichzeitig an Bord. Der eine ist Zhang Leis Doktorvater und ein Pionier der chinesischen KI, der andere ist Zhang Leis Förderer seit zwanzig Jahren.
Dass die zwei gewichtigsten Persönlichkeiten des chinesischen Technologiesektors gleichzeitig für ein Unternehmen in der Angel-Runde eintreten – der Linke-und-Rechte-Kanäle-Channel fällt kein zweites Beispiel bei chinesischen KI-Startups ein.
Die Ausrichtung von Shiqi Weilai überraschte viele, erschien aber zugleich folgerichtig.
Zhang Lei setzt auf latente Weltraum-Weltmodelle (Latent-Space World Models). Diese Richtung deckt sich vollständig mit dem World-Model-Ansatz, den der spätere Turing-Preisträger Yann LeCun vorgeschlagen hat. LeCun ist Chief AI Scientist bei Meta und einer der drei Deep-Learning-Pioniere.
Doch Zhang Leis Einschätzung geht noch tiefer: Er formulierte drei technische Kerne – objektzentriert, körperübergreifende Handlungsausrichtung (Cross-Embodiment Action Alignment) und kausalgetrieben.
„Physikalische Gesetze wirken auf Objekten. Nur wenn man alle Pixelveränderungen objektbezogen versteht, kann das Modell die zugrunde liegenden Gesetzmäßigkeiten der Daten erkennen.“
Wer diesen Satz nicht genau betrachtet, hält ihn für einen weiteren technischen Fachbegriff. Wer jedoch zurückschaut auf das erste, was Zhang Lei im Gesichtserkennungs-Wettrüsten bei MSRA tat, entdeckt einen verblüffenden geschlossenen Kreis.
Vor 23 Jahren, angesichts der Falsch-Positiv-Rate des „Buy One Get One“-Problems, begann er nicht eilig mit dem Tunen von Parametern, sondern trat zunächst einen Schritt zurück und stellte die grundlegendste Frage: Was ist die Kernbedürfnis der Nutzer an das Produkt? Diese Frage half ihm, innerhalb von drei Monaten einen technologischen Weg zu finden, der sich völlig von dem der Wettbewerber unterschied.
23 Jahre später, angesichts der viel umfassenderen Frage „Wie bringt man Maschinen dazu, die physische Welt wirklich zu verstehen“, nutzt er denselben Denkansatz: Er jagt nicht dem Hype großer Sprachmodelle hinterher, sondern geht zurück auf die Ebene der grundlegendsten physikalischen Gesetze und denkt vom kleinsten Wahrnehmungsobjekt, dem „Objekt“, ausgehend, die Grundlagen der visuellen Modelle neu.
Vor 23 Jahren bedeutete sein Weg „das Problem vollständig zu verstehen“, dass eine Einzelperson das Problem eigenständig durchdrang. 23 Jahre später tut er mit einem Unternehmen und einem Team von Dutzenden Menschen genau dasselbe.
Fazit: Fließendes Wasser und hohe Berge – das Herz kennt sich selbst.
Zhang Leis erstes Startup-Projekt seiner Laufbahn heißt Shiqi Weilai. Das erste Produkt dieser Firma ist eine hochwertige 3D-Ausrichtungs-Engine für menschliche Hände namens EgoTwin.
EgoTwin wandelt Egocentrische Videos von Handbewegungen in Trainingsdaten um, aus denen Roboter direkt lernen können; die Erfassungseffizienz liegt beim 3,75-fachen des Branchenstandards.
Wer zurückschaut auf das erste, was Zhang Lei in seinen Bachelor-, Master- und Doktorzeiten an der Tsinghua-Universität tat – automatische geführte Fahrzeuge (AGV) –, könnte meinen, er habe all die Jahre einen riesigen Umweg gemacht.
Von mobilen Robotern aus ging es zur Bildsuche, bei MSRA wurde er in das Gesichtserkennungs-Wettrüsten geworfen und erzielte auf Anhieb einen Volltreffer, dreimal von Shen Xiangyang persönlich benannt, von Peking nach Seattle und zurück nach Shenzhen, und schließlich zurück zum Ausgangspunkt „Maschinen in der physischen Welt handeln lassen“.
Zhang Lei selbst hat einen Satz gesagt, den der Linke-und-Rechte-Kanäle-Channel als beste Fußnote zu dieser Geschichte empfindet.
„Die gesellschaftlichen Trendthemen ändern sich ständig, aber wer nur hinterherjagt, um Trends zu verfolgen, holt sie nie ein. Das Einzige, was sich nicht ändert, ist, dass jedes Team immer fähige Menschen braucht. Wer lernbereit bleibt, solide Grundlagen erwirbt und Probleme gründlich durchdringt, für den kommen die fortgeschrittensten Richtungen von selbst.“
Er lief nicht hinter den Wellen her, sondern baute sein Schiff solide. Leifengwang Leifengwang (Öffentlicher Account: Leifengwang) Leifengwang
Originalartikel von Leifengwang. Ohne Genehmigung darf er nicht weiterverbreitet werden. Details sieheRichtlinien für Weiterverbreitung。