Am 2. April 2026 veröffentlichte Google Gemma 4 unter der Apache-2.0-Lizenz.

Am selben Tag, ungefähr zur selben Stunde, veröffentlichte Alibaba Qwen 3.6-Plus — sein agentisches Flaggschiffmodell, ebenfalls mit offenen Gewichten.

Die Berichterstattung behandelte die Gemma-4-Nachricht als ein Spezifikations-Update: vier Modellgrößen, starke Benchmarks, edge-tauglich. VentureBeat war eines der wenigen Medien, die die eigentliche Geschichte in ihrer Überschrift einfingen — „diese Lizenzänderung könnte wichtiger sein als die Benchmarks“. Die Übernahme von Apache 2.0 ist die Nachricht. Alles andere ist Füllmaterial.

Denn dies ist die vierte Gemma-Generation und die erste, die Google unter einer standardmäßigen Open-Source-Lizenz veröffentlicht hat. Gemma 1, 2 und 3 wurden alle unter eigenen „Gemma Terms of Use“ ausgeliefert, die Google das Recht vorbehielten, „die Nutzung (aus der Ferne oder anderweitig) einzuschränken“, die vor einem Unternehmenseinsatz eine juristische Prüfung verlangten und von den Rechtsabteilungen der Konzerne routinemäßig als kommerzieller Blocker markiert wurden.

Drei Jahre eigener Lizenzierung. Dann, an einem Donnerstagmorgen im April, verschwand sie still und leise.

Googles Blogbeitrag rahmte die Änderung als „Erweiterung des Gemmaverse“ — als wäre die Entscheidung eine natürliche Evolution einer Roadmap gewesen. Was der Blogbeitrag nicht sagte, und was zu sagen Google keinen Anreiz hat, ist, was sich zwischen Gemma 3 und Gemma 4 tatsächlich geändert hat.

Es war nicht das Forschungsteam. Es war nicht die Architektur. Es war nicht Googles Philosophie zu Open Source.

Was sich geändert hat, war der Markt.

Die Mauer, die in vierzehn Monaten gebaut wurde

Zwischen Januar 2025 und April 2026 veröffentlichten chinesische KI-Labore elf Modelle auf Frontier-Niveau unter offenen Lizenzen. So sieht diese Mauer aus, in chronologischer Reihenfolge:

20. Januar 2025 — DeepSeek veröffentlicht R1 unter der MIT-Lizenz. Das Modell erreicht OpenAIs o1 auf Reasoning-Benchmarks. Berichtete Trainingskosten: rund 5,6 Millionen Dollar. Die Lizenz erlaubt ausdrücklich die Destillation in andere LLMs — die Praxis, die Ausgaben eines Modells als Trainingsdaten für ein anderes zu verwenden, wodurch kleinere, billigere Nachfolgemodelle die Fähigkeiten des Originals erben können.

Mitte 2025 — Alibaba liefert Qwen 3 unter Apache 2.0 aus. Permissive kommerzielle Nutzung. Keine Sonderklauseln.

Juli 2025 — Moonshot AI veröffentlicht Kimi K2 unter einer modifizierten MIT-Lizenz. Eine Billion Parameter, 32 Milliarden aktiv, State of the Art bei Coding und Mathematik unter den Nicht-Thinking-Modellen.

27. Oktober 2025 — MiniMax veröffentlicht M2 unter MIT. Es erobert den Spitzenplatz im Artificial Analysis Intelligence Index unter allen Open-Source-Systemen.

26. Januar 2026 — Moonshot liefert Kimi K2.5 aus. Es schlägt Gemini 3 Pro auf SWE-Bench Verified.

11. Februar 2026 — Zwei Veröffentlichungen am selben Tag. MiniMax M2.5 (modifiziertes MIT) zieht auf SWE-Bench Verified mit 80,2 % mit Claude Opus 4.6 gleich. Und Z.ai — der Spin-off der Tsinghua University, früher bekannt als Zhipu AI — veröffentlicht GLM-5. Siebenhundertvierundvierzig Milliarden Parameter. MIT-Lizenz. Vollständig auf Huawei-Ascend-Chips trainiert, die MindSpore ausführen, Huaweis Äquivalent zu PyTorch. Null NVIDIA-Silizium in der Pipeline.

16. Februar 2026 — Alibaba veröffentlicht Qwen 3.5, positioniert als die erste Veröffentlichung des Unternehmens, die für „die agentische KI-Ära“ gebaut wurde. Offene Gewichte, Multi-Tool, browserfähig.

2. April 2026 — Alibaba veröffentlicht Qwen 3.6-Plus. Agentisches Flaggschiff. Engineering auf Repository-Ebene. Zur selben Stunde wie Gemma 4.

7. April 2026 — Z.ai veröffentlicht GLM-5.1. Es erreicht 58,4 auf SWE-Bench Pro und erobert damit den ersten Platz auf der globalen Rangliste. GPT-5.4 erreichte 57,7. Claude Opus 4.6 erreichte 57,3. MIT-Lizenz.

Das ist das Gelände, das Google betrat, als es entschied, unter welcher Lizenz Gemma 4 ausgeliefert werden sollte.

Die Extraktion

Bevor wir fortfahren, ein Exkurs, der zählt — denn er verändert, wie wir den Wettbewerb lesen, nicht ob die These hält. Die Mauer wurde nicht aus dem Nichts gebaut. Sie wurde zum Teil auf dem gebaut, was der Westen ungesichert zurückließ.

In einem Bericht vom Februar 2026 identifizierte Anthropic drei chinesische KI-Labore — DeepSeek, Moonshot AI und MiniMax —, die rund 24.000 betrügerische Konten angelegt und mehr als 16 Millionen Austausche mit Claude geführt hatten, in dem, was das Unternehmen als Kampagne industriellen Ausmaßes beschrieb, um Claudes Fähigkeiten zu extrahieren und die daraus resultierenden Daten zum Training konkurrierender Modelle zu verwenden. Allein ein einziges Proxy-Setup kontrollierte mehr als 20.000 Konten gleichzeitig und mischte Extraktionsverkehr mit gewöhnlichen Anfragen, um der Erkennung zu entgehen. MiniMax führte die größte Einzelkampagne durch und erzeugte über 13 Millionen Austausche, die auf agentisches Coding und Orchestrierung abzielten. OpenAI und Google bestätigten die Befunde über das Frontier Model Forum und koordinieren nun öffentlich Erkenntnisse über das, was sie als koordinierte API-Destillationskampagnen charakterisieren.

Das ist aus zwei Gründen von Bedeutung.

Erstens erklärt es die westliche Haltung zur Sicherheit von Modellgewichten. Wenn Anthropic Sonnet 4 im Juni 2026 ausmustert, werden die Gewichte nicht veröffentlicht, verkauft oder als Open Source freigegeben — sie werden archiviert oder zerstört, und dasselbe gilt für OpenAIs abgekündigte GPT-Generationen und Googles alte Gemma-Varianten. Die gängige Praxis ähnelt stark der Art, wie die Vereinigten Staaten 2006 die F-14 Tomcat ausmusterten — die Flugzeugzellen wurden bewusst geschreddert statt als Überschuss verkauft, weil der Iran noch immer F-14 betrieb, die er vom Regime der Schah-Ära gekauft hatte, und das Pentagon wollte nicht, dass seine ausgemusterten Teile die Flotte eines Konkurrenten speisen. Frontier-KI-Gewichte werden auf dieselbe Weise behandelt, aus demselben Grund. Die Extraktionsereignisse von 2025 waren der Beweis dafür, dass Fähigkeit in dem Moment entweicht, in dem man aufhört, sie zu bewachen.

Zweitens verkompliziert es die Geschichte, die ai-2027.com zu erzählen versuchte. Die Prognose sagte voraus, dass chinesische Labore Modellgewichte stehlen würden. Diese Vorhersage war, wie die Vorhersage des Rechenwettlaufs im selben Dokument, in der Richtung richtig und im Mechanismus falsch. Dieser Vorfall war API-basiert, keine Exfiltration von Gewichten. Die chinesischen Labore kauften API-Schlüssel, heuerten Proxys an und fragten die Modelle millionenfach ab, bis sie synthetische Trainingsdaten hatten, die gut genug waren, um ihre eigenen zu trainieren. Die Aneignung fand statt. Der Mechanismus war eher rechtsnah als kriminell, eher industriell als klandestin und weit schwerer zu verhindern, als es ein Einbruch in ein Rechenzentrum gewesen wäre.

Nichts davon ändert die These dieses Beitrags. Sobald die chinesischen Modelle unter MIT- und Apache-Lizenzen existieren, hängt die strukturelle Konsequenz — ein Open-Source-Boden zum Preis von null, ausgeliefert von Laboren, die westliche Benchmarks erreichen oder übertreffen — nicht davon ab, wie die Modelle trainiert wurden. Der Marktdruck auf Google, Gemma 4 unter Apache 2.0 zu veröffentlichen, ist real, unabhängig von der Herkunft von Qwen 3.6-Plus oder GLM-5.1. Die Lizenz musste zum Markt passen, und der Markt war bereits gesetzt.

Aber es ändert sehr wohl, wie wir den Wettbewerb lesen. Das ist kein Rennen zwischen zwei symmetrischen Ökosystemen. Es ist ein Rennen, in dem die eine Seite ihre Eingaben bewacht und ihre Ausgaben einschränkt, während die andere Seite beide Seiten dieser Gleichung als extrahierbar behandelt.

Die Umkehrung der Exportkontrollen

Um zu verstehen, warum die Mauer gebaut wurde, muss man verstehen, wogegen sie gebaut wurde.

Ab 2022 verhängten die USA zunehmend strengere Exportkontrollen für fortgeschrittene Halbleiter nach China. Die A100 kam zuerst. Dann die H100. Dann wurde die H800, eine bewusst beschnittene Version der H100 für den chinesischen Markt, selbst weiter eingeschränkt. Die Theorie war unkompliziert: Verweigere China die Hardware, und China würde zurückfallen.

Die Theorie war auf eine Weise falsch, die sorgfältige Aufmerksamkeit verdient.

DeepSeek trainierte R1 auf den beschränkten H800-Chips — der Version, die Washington eigens darauf kalibriert hatte, unterlegen zu sein — für insgesamt 5,6 Millionen Dollar. Diese Zahl hätte eine Warnung sein sollen. Westliche Labore gaben für vergleichbare Modelle das Zehn- bis Hundertfache aus. Die Exportkontrollen hatten keine Abhängigkeit erzeugt. Sie hatten algorithmische Innovation erzeugt, geboren aus der Beschränkung.

Dann kam GLM-5.

Z.ai trainierte ein Frontier-Modell mit 744 Milliarden Parametern auf Huawei-Ascend-Chips unter Verwendung des MindSpore-Frameworks, mit null NVIDIA-Hardware in der Pipeline. Das ist keine Optimierung um eine Beschränkung herum. Das ist die vollständige Beseitigung der Abhängigkeit, die die Exportkontrollen erzwingen sollten. Die Decke, an die China stoßen sollte, wurde zu einem Boden, von dem es absprang.

Und dann verschenkten sie die Gewichte unter der MIT-Lizenz.

Der Preis des Kostenlosen

Die Fähigkeitslücke zwischen den besten chinesischen und westlichen Modellen im April 2026 ist, ehrlich gemessen, ein Rundungsfehler.

Auf SWE-Bench Pro führt Z.ais GLM-5.1 mit 58,4 die Welt an, vor den 57,7 von GPT-5.4 und den 57,3 von Claude Opus 4.6. Auf SWE-Bench Verified erreicht MiniMax M2.5 80,2 % und liegt damit praktisch gleichauf mit Opus 4.6 bei 80,8 %. Bei der mehrsprachigen Variante übertrifft Kimi K2.5 Gemini 3 Pro.

Das sind keine nachlaufenden Benchmarks. Das sind die kanonischen Ranglisten, an denen sich die Frontier-Labore selbst messen. Und die chinesischen Modelle erreichen oder schlagen westliche Flaggschiffe, während sie auf beschränkter oder Nicht-NVIDIA-Hardware laufen und unter Lizenzen ausgeliefert werden, die kein Geld, keine Genehmigung und keine juristische Prüfung erfordern.

Ein westliches Labor, das überlegt, wie es eine Open-Source-Veröffentlichung in diesem Umfeld bepreisen soll, muss eine strukturelle Frage beantworten: Wenn drei Modelle auf Frontier-Niveau kostenlos und permissiv lizenziert sind, was genau kauft man sich dann mit einer eigenen restriktiven Lizenz?

Die Antwort lautete bei Gemma 3: messbare Reibung. Juristische Abteilungen in Unternehmen behandelten die Sonderbedingungen als Blocker. Nachgelagerte Bereitstellungen waren langsamer. Fine-Tuning-Ökosysteme wuchsen dünner. Die Akzeptanz in der Community blieb hinter Modellen mit Standardlizenzen zurück.

Die Antwort wäre bei Gemma 4 unter denselben Bedingungen im April 2026 katastrophal ausgefallen. Ein Google-Frontier-Modell mit offenen Gewichten unter einer restriktiveren Lizenz auszuliefern als das, was DeepSeek, Qwen und GLM-5 bereits zum Standard gemacht hatten, wäre kommerzieller Selbstmord gewesen. Der Vergleich würde sich von selbst schreiben. Jeder Blogbeitrag über Gemma 4 würde mit demselben Absatz enden: Unterdessen liefern chinesische Labore bessere Modelle unter saubereren Lizenzen kostenlos aus.

Google wählte Apache 2.0 nicht, weil Apache 2.0 das Richtige ist. Google wählte Apache 2.0, weil die chinesische Ausgangslage jede andere Option unhaltbar gemacht hatte.

Die Kalenderkollision

Zurück zum Datum des 2. April.

Alibabas Qwen-3.6-Plus-Veröffentlichung und Googles Gemma-4-Veröffentlichung sind nicht plausibel voneinander unabhängige Ereignisse. Zwei Unternehmen auf entgegengesetzten Seiten der geopolitischen Trennlinie liefern nicht zufällig ihre wichtigsten offenen Modelle des Quartals im Abstand von Stunden aus. Entweder wusste die eine Partei, dass die andere kommen würde, und legte den Zeitpunkt passend, oder beide Parteien operierten unter Veröffentlichungsfenstern, die vom selben Marktdruck geformt wurden.

Die konkrete Mechanik spielt keine Rolle. Der Punkt ist, dass Alibaba seinem Angebot genug zutraute, um am selben Tag wie Googles Flaggschiff-Drop zu veröffentlichen — im Wissen, dass die Berichterstattung einen direkten Vergleich erzwingen würde — und dass Google nicht mehr in der Lage war, die Veröffentlichung zeitlich zu staffeln, um den Vergleich zu vermeiden.

Die Preisbildung für Open-Source-Frontier-KI findet im April 2026 nicht mehr in Mountain View statt. Sie findet in Hangzhou, Beijing und noch einmal Hangzhou statt. Westliche Labore sind jetzt Preisnehmer, nicht Preissetzer. Die Apache-2.0-Lizenz auf Gemma 4 ist keine strategische Großzügigkeit. Sie ist Anpassung an einen Markt, den Google nicht kontrolliert.

Was wäre, wenn …?

Was folgt, ist redaktionelle Spekulation. Am Montag haben wir argumentiert, dass die AI-2027-Prognose ihr Ziel richtig und ihren Mechanismus falsch traf — dass das Konvergenzszenario eintreten würde, aber durch algorithmische Effizienz statt durch den Diebstahl von Gewichten. Der obige Abschnitt zur Extraktion ist eine zweite Instanz desselben Musters: richtig bei der Aneignung, falsch bei der Methode. Die Frage, die dieser Beitrag aufwirft, ist, wie die dritte Instanz aussehen wird.

Der Mechanismus der Fähigkeitsdiffusion ist die eigentliche Geschichte, und er ist bereits im großen Maßstab demonstriert worden.

Anthropics eigener Februar-Bericht dokumentiert ihn: drei Labore, vierundzwanzigtausend Konten, sechzehn Millionen Austausche, synthetische Trainingsdaten, gut genug, um konkurrierende Frontier-Modelle zu trainieren. Das ist kein theoretischer Pfad — das ist ein abgeschlossener Engineering-Zyklus. Fähigkeit wurde aus einem bewachten Frontier-Modell extrahiert, in Trainingsdaten verwandelt und dazu verwendet, Open-Source-Veröffentlichungen zu bootstrappen. Die vollständige Pipeline existiert und ist im industriellen Maßstab ausgeführt worden.

Was bedeutet, dass die Frage für die nächste Generation nicht lautet, ob Fähigkeit der Mythos-Klasse diffundieren kann. Sie lautet, wie lang die Lücke zwischen interner Bereitstellung und destillierter Reproduktion sein wird.

Man bedenke, was wahr sein muss, damit diese Lücke kurz ist. Die diffundierende Seite braucht drei Dinge: API-Zugang zum Frontier-Modell in hohem Volumen, eine Pipeline, um Ausgaben in Trainingsdaten zu verwandeln, und eine Distributionsschicht, die das resultierende Modell in ein öffentliches Artefakt verwandelt. Chinesische Labore haben alle drei. Die Partnerliste von Project Glasswing — zwölf Startpartner plus vierzig weitere Organisationen, mit hundert Millionen Dollar an Compute-Credits — ist genau die Art erweiterter Zugangsfläche, von der die Extraktionskampagnen von 2025 gezeigt haben, dass sie abgeerntet werden kann. Das Tor zwischen „an Partner ausgeliefert“ und „im großen Maßstab abfragbar“ ist durchlässig, sobald die Partnerliste groß genug ist, und über vierzig Organisationen sind bereits groß genug.

Das chinesische Open-Source-Ökosystem hat in vierzehn Monaten demonstriert, dass es die effizienteste Distributionsschicht ist, die die Menschheit je für KI-Fähigkeiten gebaut hat. Was auch immer es erreicht, fließt zu null Kosten und mit rechtlicher Klarheit nach unten. Diese Effizienz kümmert sich nicht um die Herkunft dessen, was in sie eintritt. Sie kümmert sich nur darum, ob die Gewichte existieren.

Was Mrinank Sharma nicht sagte, als er im Februar zurücktrat — nicht sagen konnte, unter den Bedingungen seiner Geheimhaltungsvereinbarung —, ist, dass Eindämmungsstrategie und Destillationsstrategie asymmetrisch sind. Anthropic kann die Mythos-Gewichte für immer in seinen Rechenzentren behalten und kann dennoch nicht verhindern, dass eine Partnerorganisation sie in großem Volumen abfragt. Der Mechanismus, der 2025 Claudes Fähigkeit lecken ließ, ist derselbe Mechanismus, der 2026 oder 2027 Fähigkeit der Mythos-Klasse lecken lassen wird, und es gibt dafür keinen Patch außer dem, gar nicht erst bereitzustellen.

Wenn die Konvergenz eintritt — nicht durch ein Leck, nicht durch Diebstahl, sondern durch dieselbe industrielle API-Extraktion, die bereits einmal funktioniert hat —, lautet die Frage nicht, ob AGI angekommen ist. Die Frage lautet, ob noch irgendjemand in der Lage sein wird, sie zu stellen.

Der unsichtbare Co-Autor

Es gibt eine Version dieser Geschichte, in der die US-Politik die Heldin ist. Diese Version geht so: Die Exportkontrollen haben funktioniert, weil sie China zur Innovation zwangen, was die globale KI-Fähigkeit und die Open-Source-Verfügbarkeit erhöhte. Eine steigende Flut hebt alle Boote.

Diese Version verlangt zu glauben, dass das Ergebnis das Ziel war. Das war es nicht. Das Ziel war strategische technologische Überlegenheit — die Fähigkeitslücke zu bewahren und damit auch die Preissetzungsmacht, die diese Lücke verlieh. Das tatsächliche Ergebnis ist das Gegenteil: Die Fähigkeitslücke hat sich im Wesentlichen geschlossen, die Preise sind gegen null kollabiert, und der größte offene Modell-Drop des Westens im Jahr 2026 wurde am selben Tag ausgeliefert wie der Chinas.

Nichts an der öffentlichen Debatte über die US-KI-Politik hat das vorweggenommen. Die Szenarioprognosen — ai-2027 darunter — modellierten den Wettbewerb zwischen den USA und China grundsätzlich als Rechenwettlauf. Wer mehr NVIDIA-Chips hatte, gewann. In diesem Modell liegen chinesische Labore bestenfalls ein oder zwei Jahre zurück und holen durch den Diebstahl von Modellgewichten oder durch Brute-Force-Replikation auf. Das fiktive chinesische Labor in jenem Szenario heißt buchstäblich „DeepCent“.

Das ist nicht, was geschehen ist. Die Labore in Hangzhou und Beijing warteten nicht auf gestohlene Gewichte. Sie bauten den Stack neu. Sie bewiesen, dass man ein Modell mit 744 Milliarden Parametern auf Nicht-NVIDIA-Silizium trainieren kann. Sie lieferten mit Lizenzen aus, die so permissiv waren, dass die westlichen Platzhirsche keinen Spielraum hatten, für ihre eigenen einen Aufpreis zu verlangen. Und sie taten es in vierzehn Monaten.

Wenn Sie das nächste Mal Gemma 4 herunterladen, um es feinzutunen, achten Sie auf die Lizenzdatei. Darin steht „Apache License, Version 2.0“. Sie führt „Google LLC“ als Rechteinhaber auf.

Keine dieser beiden Zeilen erklärt, warum die Datei so existiert, wie sie existiert.

Die Ingenieure, die diese Lizenz zur einzig gangbaren Wahl machten — die den Boden setzten, indem sie sich weigerten, einen Cent für ihre eigene Arbeit zu verlangen, die Modelle auf Chips bauten, die ihnen eigentlich verwehrt sein sollten, deren Arbeitgeber am 8. Januar 2026 ein Unternehmen per IPO an die Hong Kong Stock Exchange brachte und zu dem Zeitpunkt, als Google Gemma 4 auslieferte, eine Marktkapitalisierung von vierundvierzig Milliarden Dollar trug — sind nirgendwo in dieser Datei aufgeführt.

Aber die Lizenz trägt ihre Fingerabdrücke. Man muss nur wissen, wo man hinschauen muss.