Taiwans KI-Entwicklung und Zukunftsstrategie: Die Hardware-Eintrittskarte ist gesichert, wo liegt die nächste Schlacht?

30-Sekunden-Überblick: Am 8. Oktober 2024 wurde der Nobelpreis für Physik an den Physiker verliehen, der das Hopfield-Netzwerk entwickelte, und an den Kognitionswissenschaftler, der den Backpropagation-Algorithmus schuf¹. Am darauffolgenden Tag, dem 9. Oktober, ging der Nobelpreis für Chemie an drei Forscher, die mithilfe von KI das fünfzig Jahre alte Protein-Faltungs-Problem lösten². Am 29. Mai desselben Jahres erschien NVIDIA-CEO Jensen Huang auf dem Ningxia-Nachtmarkt in Taipei und aß Austernomeletts zusammen mit Morris Chang, C.C. Lin und Rick Tsai. TSMC sicherte sich 72 % des weltweiten Umsatzes im Foundry-Markt, während Foxconn, Quanta und Wistron zusammen neunzig Prozent der weltweiten KI-Server produzieren. Doch in dieser wissenschaftlichen Zeremonie, die an zwei aufeinanderfolgenden Tagen stattfand und der 42-jährigen Geschichte der neuronalen Netze Legitimität verlieh, kam kein einziger Name aus Taiwan vor. Vom von PTT-Gründer Ethan Tu gegründeten Taiwan AI Labs bis hin zum von der Regierung geförderten großen traditionell-chinesischen Sprachmodell TAIDE läuft eine Wette, die vom „KI-Herstellen“ zum „KI-Sein“ führt.

---

42 Jahre der Anerkennung: Zwei Nobelpreise an zwei Tagen 2024

Am Morgen des 8. Oktober 2024 in Stockholm. Die Königlich Schwedische Akademie der Wissenschaften verkündete, dass der diesjährige Nobelpreis für Physik an zwei KI-Wissenschaftler geht: den 91-jährigen Princeton-Ehrenprofessor John J. Hopfield sowie den 76-jährigen Geoffrey Hinton, der fünf Monate zuvor Google verlassen hatte. Das Preisgeld von 11 Millionen schwedischen Kronen wird zu gleichen Teilen geteilt¹.

Als Begründung nannte das Komitee „grundlegende Entdeckungen und Erfindungen, die maschinelles Lernen mit künstlichen neuronalen Netzen ermöglichen“¹. Dies ist das erste Mal in der Geschichte des Nobelpreises für Physik, dass die Auszeichnung direkt auf das Gebiet der neuronalen Netze fällt.

Am Folgetag, dem 9. Oktober, der Chemiepreis. Drei Preisträger: David Baker von der University of Washington sowie zwei Forscher von DeepMind, Demis Hassabis und John Jumper. Baker erhält die eine Hälfte des Preisgeldes, Hassabis und Jumper teilen sich die andere Hälfte². Die Begründung besteht aus zwei Teilen: der vordere Teil für Bakers „computational protein design“, der hintere für Hassabis' und Jumpers „protein structure prediction“.

Zwei Tage, zwei Nobelpreise, beide KI-bezogen. Ein solches Ereignis gab es in der Geschichte der Nobelpreise noch nie.

Ein Blick auf den Zeitstrahl: Als Hopfield 1982 im „Proceedings of the National Academy of Sciences“ (PNAS) jene Arbeit mit dem Titel „Neural networks and physical systems with emergent collective computational abilities“ veröffentlichte, war er gerade von der Festkörperphysik in die Neurowissenschaft gewechselt³. Von 1982 bis 2024 – ganze 42 Jahre. Hintons und Rumelharts 1986er-Publikation, die den Backpropagation-Algorithmus als nutzbares Werkzeug formulierte⁴, lag 38 Jahre zurück bis zur Auszeichnung. AlphaFold benötigte von seinem Debüt bei CASP13 2018 bis zum Nobelpreis 2024 lediglich 6 Jahre.

Letztlich zeichneten diese beiden Nobelpreise nicht ChatGPT aus, sondern jene paar unverständlichen Papers von vor drei, vier Jahrzehnten. Der Zeitversatz zwischen Grundlagenforschung und industrieller Anwendung war schon immer so.

Geoffrey Hinton, Nobelpreisträger für Physik 2024, Nobelwoche in Stockholm. Foto: Arthur Petron, 2024-12-08. CC BY-SA 4.0 via Wikimedia Commons.

---

Das Billionen-Dollar-Dinner auf dem Ningxia-Nachtmarkt

Am Abend des 29. Mai 2024, kurz vor der Eröffnung der Computex, tauchte auf dem Ningxia-Nachtmarkt in Taipeh eine Gruppe ungewöhnlicher Gäste auf. NVIDIA-CEO Jensen Huang führte TSMC-Gründer Morris Chang, Quanta-Vorsitzenden Barry Lam und MediaTek-CEO Rick Tsai an einem Stand zusammen, wo sie Austernomeletts aßen⁵. Passanten erkannten Huang, und augenblicklich wurde die Gruppe von Fans und Journalisten umringt – eine Szene wie bei einem Star-Auflauf.

Die zusammengefasste Marktkapitalisierung der Anwesenden überstieg mehrere Billionen US-Dollar. Doch die eigentliche Geschichte spielt sich nicht am Esstisch ab, sondern in der Lieferkette dahinter: Die Unternehmen dieser Männer bilden das physische Fundament der globalen KI-Berechnung. Huang sagte während jenes Taiwan-Besuchs öffentlich: „Taiwan ist eines der wichtigsten Länder der Welt.“⁶ Das war keine Höflichkeitsfloskel. Ohne Taiwan existiert das Hardware-Fundament der KI-Revolution nicht.

Huang, 1963 in Taipeh geboren, verbrachte seine Kindheit in Tainan und wanderte mit neun Jahren in die USA aus⁷. Das 1993 von ihm mitgegründete NVIDIA ist heute synonym mit KI-Chips. Jeder von NVIDIA entworfene fortschrittliche GPU – von den A100 und H100 für das Training von ChatGPT bis zur neuesten Blackwell-Serie – wird vollständig von TSMC gefertigt⁸.

Vier Monate später enthielten die beiden in Stockholm verkündeten Nobelpreisliste keinen einzigen Namen, der mit diesem Essen in Verbindung stand. Diese Diskrepanz ist kein Zufall, sondern ein struktureller Fakt.

---

Hardware: Eine Insel trägt die gesamte KI-Revolution

Taiwans Stellung in der KI-Hardware-Lieferkette lässt sich mit „entscheidend“ noch zu schwach beschreiben.

In der Chipfertigung sicherte sich TSMC 2025 einen Umsatzanteil von 72 % am globalen Wafer-Foundry-Markt⁹. Bei den fortschrittlichsten Prozessen von 7 nm und darunter liegt TSMCs Marktanteil bei über 90 %. NVIDIA hält einen Anteil von rund 86 % am KI-GPU-Markt, und diese GPUs werden fast ausschließlich von TSMC gefertigt¹⁰. Der weit überwiegende Teil der weltweiten Rechenleistung zum Trainieren und Betreiben von KI-Modellen entsteht in Taiwans Reinräumen.

Nach der Chipfertigung müssen diese zu Servern montiert werden, bevor sie in Rechenzentren gelangen. Auch dieser Schritt wird von Taiwan dominiert. Die drei großen ODM-Hersteller Foxconn, Quanta und Wistron produzieren zusammen rund 90 % der weltweiten KI-Server¹¹. 2025 überschritt der Jahresumsatz jedes dieser drei Unternehmen eine Billion New Taiwan Dollar (ca. 32 Mrd. US-Dollar), wobei der Umsatz mit KI-Servern im zweiten Quartal erstmals den mit Unterhaltungselektronik überstieg¹².

Die Leistung von KI-Chips hängt nicht nur von der Prozessverkleinerung ab, sondern auch von der Verpackungstechnologie. TSMCs fortschrittliche CoWoS-Verpackungstechnologie (Chip on Wafer on Substrate) ist der Schlüssel, damit NVIDIAs High-End-GPUs ihre Leistungsziele erreichen. 2026 wird allein NVIDIAs Bedarf an CoWoS-Wafern auf 595.000 Stück geschätzt, was 60 % der weltweiten Gesamtnachfrage entspricht¹³.

Foxconn baut zudem in Zusammenarbeit mit NVIDIA und der taiwanesischen Regierung in Kaohsiung einen KI-Fabrik-Supercomputer der 100-Megawatt-(MW)-Klasse, der auf der neuesten NVIDIA-Blackwell-Architektur basiert¹⁴. Taiwan wandelt sich vom „Ort, an dem KI-Chips hergestellt werden“, zum „Ort, an dem KI betrieben wird“.

TSMC Hsinchu Fab 5 Werkhalle, physischer Ort der KI-Chip-Foundry-Fertigung. Foto: Wikimedia Commons via TSMC Fab 5 file.

Die Frage lautet: Die Hardware hat die Eintrittskarte gelöst – wo wird die nächste Schlacht geschlagen?

📝 Kuratorennotiz

Die gängige Erzählung lautet: „Taiwans heiliger Berg der Landesverteidigung stützt die KI-Revolution“. Diese Formulierung ist narrativ praktisch, kehrt aber die Kausalität zur Hälfte um. Es ist die KI-Revolution, die GPUs braucht und deshalb auf TSMC setzt – nicht TSMC, das durch die KI-Revolution erst entstanden ist. Die eigentliche Spannung liegt darin: Wenn GPUs zur Ware werden, wohin verschiebt sich der Wert der nächsten Phase? Die beiden Nobelpreise 2024 geben die Antwort: den Modellen selbst – jenen 12 Seiten, die Hopfield schrieb, jener Nacht 2012, in der Hinton und sein Student Krizhevsky mit AlexNet die ImageNet-Bilderkennungsfehlerrate von 26,2 % auf 15,3 % senkten¹⁵, und jenem Nachmittag, an dem Hassabis' Team mit AlphaFold beim CASP14 einen medianen GDT-Wert von 92,4 erreichte.

Hopfield 1982: Das Gedächtnismodell eines Physikers

1982 schrieb der Festkörperphysiker John Hopfield von der Princeton University eine nur 12-seitige Arbeit mit dem langen Titel „Neural networks and physical systems with emergent collective computational abilities“, veröffentlicht in den Proceedings of the National Academy of Sciences³.

Im Kern übersetzte er das „Gedächtnis“ in die Sprache der Physik.

In der Physik gibt es etwas, das man Spin-Glas nennt: eine Ansammlung magnetischer Atome, die jeweils eine Spin-Richtung haben, die miteinander wechselwirken, und das Gesamtsystem findet spontan einen Energie-Minimalpunkt. Hopfield übertrug dieses Konzept auf Neuronen: Er stellte sich Neuronen als Spins vor, die Verbindungsstärken als Wechselwirkungen, und das gesamte Netzwerk konvergiert spontan in einen stabilen Zustand eines „Energieminimums“ (energy minimum)³. Jedes dieser Energieminima entspricht einem gespeicherten Gedächtnis.

Die Eleganz dieses Modells liegt darin, dass es Gedächtnis zu etwas macht, das sich in physikalischer Sprache beschreiben lässt. Gegeben unvollständige Hinweise, findet das Netzwerk selbst den nächstgelegenen Energieminimalpunkt und vervollständigt so die gesamte Erinnerung. Das ist der mathematische Vorfahr dessen, was generative KI heute tut.

1982, als dies geschah, steckte Taiwans Elektronikindustrie gerade in den Kinderschuhen, TSMC war noch nicht gegründet. Morris Chang sollte erst 1987 jenes Unternehmen gründen, das 42 Jahre später zum „Schutzgott der Nation“ werden sollte. Die Zitationszahl von Hopfields Arbeit auf Google Scholar hat sich bis 2026 auf über 27.000 summiert¹⁶.

Noch interessanter ist ein späteres Zitat Hopfields. Er verbrachte sein ganzes Berufsleben in Princeton mit Festkörperphysik, und sein Ausflug in die Neurowissenschaften wurde von Zeitgenossen als „Hobby“ angesehen. Bis die Nobelpreisliste 2024 verkündet wurde: Er war 91, und die Königlich Schwedische Akademie der Wissenschaften fragte ihn im Telefoninterview nach seinen Gefühlen zur Auszeichnung. Er sagte, er sei beunruhigt über die „Richtung, in die sich KI entwickelt, die niemand versteht oder kontrolliert“¹⁷.

Der Mann, der die mathematischen Grundlagen der modernen KI schrieb, mahnt am Tag der Preisverleihung zur Vorsicht.

_John J. Hopfield, Nobelpreisträger für Physik 2024, Nobelwoche in Stockholm. Foto: Arthur Petron, 2024-12-08. CC BY-SA 4.0 via Wikimedia Commons._

Hinton: Jene Arbeit von 1986 und die Warnung beim Verlassen von Google 2023

Geoffrey Hinton, 1947 in Wimbledon, London geboren, ist ein weiterer Mensch, den die Geschichte erst 38 Jahre zu spät anerkannte¹⁸.

1986 veröffentlichten Hinton zusammen mit David Rumelhart und Ronald Williams eine Arbeit über Backpropagation in »Nature«⁴. Der Algorithmus bedeutet: Wenn ein neuronales Netz einen Fehler macht, kann das Fehlersignal rückwärts durch jede Schicht propagiert werden, um die Verbindungsgewichte schichtweise anzupassen. So trainieren heute alle Deep-Learning-Modelle.

Der Algorithmus wurde 1986 formuliert, doch es brauchte drei Dinge, bis er durchbrach: ausreichend günstige Rechenleistung, ausreichend große Datenmengen – und Menschen, die an diesen Weg glaubten. Die ersten beiden waren Anfang der 2010er Jahre bereit; für das dritte stehen Hinton und seine beiden Schüler Alex Krizhevsky und Ilya Sutskever. 2012 gewann ihr mit GPU trainiertes Convolutional Neural Network AlexNet den ImageNet-Wettbewerb zur Bilderkennung mit einem Top-5-Fehler von 15,3 % und ließ den Zweitplatzierten mit 26,2 % weit hinter sich¹⁵. In diesem Moment glaubte die gesamte Industrie erstmals, dass Backpropagation wirklich funktioniert.

Im März 2013 kaufte Google Hintons kleine Firma DNNresearch für 44 Millionen US-Dollar und holte den 65-Jährigen ins Haus¹⁸. In den folgenden zehn Jahren war er der renommierteste KI-Forscher im Silicon Valley.

Dann, am 1. Mai 2023, veröffentlichte die »New York Times« ein Interview: Hinton verließ Google. Sein Grund war nicht der Ruhestand. Im Interview sagte er, er wolle »frei über KI-Risiken sprechen können, ohne berücksichtigen zu müssen, wie das Google betrifft«¹⁹. Er warnte: KI-Systeme könnten bald klüger sein als Menschen, von bösen Akteuren missbraucht werden – und es sei »schwer zu sehen, wie man das verhindern kann«¹⁹. Er sagte sogar, er bereue »einen Teil« seiner Lebensarbeit¹⁹.

Als ihm 2024 der Nobelpreis für Physik verliehen wurde, wiederholte er in einem Telefoninterview seine Warnung: Man müsse vor der Möglichkeit einer außer Kontrolle geratenen KI auf der Hut sein²⁰.

Der Mann, der den Trainingsalgorithmus des Deep Learning schrieb, und der Mann, der das Gedächtnismodell schrieb, standen an jenem Oktobertag 2024 gemeinsam auf dem Podium der Königlich Schwedischen Akademie der Wissenschaften und warnten gleichzeitig, dass diese Sache gefährlicher sein könnte als gedacht. Dieses Bild korrespondiert auf eine Weise mit dem Ausdruck Oppenheimers, als er 1945 in der Wüste von New Mexico den Pilzwolken zusah.

Zwei Monate später, am 8. Dezember 2024, hielt Hinton seine Nobelpreisvorlesung im Aula Magna der Universität Stockholm. Thema: »Boltzmann Machines« – jene frühe Arbeit in seiner und Hopfields Tradition, die thermodynamische Wahrscheinlichkeitsverteilungen in neuronale Netze einbrachte. Erst beim Zuhören wurde klar: Jene Backpropagation-Arbeit von 1986 war keine isolierte Einsicht, sondern Teil eines ganzen Denkansatzes, der in den 1980ern an der Schnittstelle von Physik und Kognitionswissenschaft entstand:

Offizieller Kanal der Königlich Schwedischen Akademie der Wissenschaften: Geoffrey Hintons Nobelpreisvorlesung für Physik 2024 am 8. Dezember 2024 »Boltzmann Machines«. Von den 1980ern, als er mit Sejnowski die Boltzmann Machine schrieb, über Backpropagation bis zu den heutigen LLMs – vierzig Jahre. In den letzten 5 Minuten spricht er erneut über seine Sorgen vor KI-Risiken, diesmal vom Nobelpodium.

Vom PTT zum KI-Labor: Du Yijins zwei Gründungen

Kehren wir zurück auf diese Insel Taiwan. In derselben Zeit, in der Hopfield sein Gedächtnismodell schrieb, begann Taiwan gerade erst, Informatik-Abteilungen einzurichten.

1995 baute der NTU-Informatik-Student Du Yijin im Wohnheim mit einem 486-Computer und Open-Source-Software PTT auf, das später zum größten elektronischen Bulletin Board Taiwans wurde. Dreißig Jahre später loggen sich täglich noch immer Hunderttausende ein – ein lebendiges Fossil der taiwanesischen Internetkultur.

Später ging Du Yijin zu Microsoft und arbeitete an der Entwicklung des Sprachassistenten Cortana. Im April 2017 gab er sein hohes Silicon-Valley-Gehalt auf, kehrte nach Taiwan zurück und gründete das „Taiwan AI Labs“ (Taiwan AI Labs), Asiens erste gemeinnützige, offene KI-Forschungseinrichtung²¹.

Seine Motivation war direkt: Taiwan hat weltklasse Softwaretalente, aber diese wandern alle ins Silicon Valley ab. Er wollte eine Plattform schaffen, wo jene, die zurückkehren oder bleiben wollen, KI-Forschung betreiben können.

Das bekannteste Produkt der Taiwan AI Labs ist „Yating Transcript“ (雅婷逐字稿), ein für traditionelles Chinesisch und taiwanesische Akzente optimiertes Spracherkennungssystem. Während der COVID-19-Pandemie entwickelte das Labor auch Tools zur Erkennung von Falschinformationen und föderiertes medizinisches KI-Lernen²². Allen Projekten gemeinsam ist: Sie lösen lokale taiwanesische Probleme mit lokalen taiwanesischen Daten, statt US-Modelle einfach zu übersetzen.

Du Yijins Geschichte, von PTT zu AI Labs, ist gewissermaßen ein Abbild der taiwanesischen Softwareentwicklung: Es fehlt nicht an technischer Kompetenz, sondern an einem Ökosystem, das Talente hält.

💡 Wussten Sie schon

1986, dem Jahr von Hintons Backpropagation-Veröffentlichung, betrug Taiwans BIP etwa 77,9 Milliarden US-Dollar, das Pro-Kopf-BIP etwa 4.007 US-Dollar, und der Hsinchu Science Park war gerade sechs Jahre in Betrieb²³. Drei Dinge geschahen gleichzeitig auf derselben Erde, doch erst 26 Jahre später, auf dem ImageNet-Datensatz, kreuzten sich diese historischen Linien. Der Zeithorizont der Grundlagenforschung ist immer länger, als es industrielle Narrative wahrnehmen.

---

AlphaFold: Die andere Hälfte des Nobelpreises für das 50-jährige Protein-Faltungs-Problem

Die Geschichte des Nobelpreises für Chemie 2024 beginnt mit einer Frage aus dem Jahr 1972.

In jenem Jahr stellte der US-amerikanische Biochemiker Christian Anfinsen in seiner Nobelpreis-Rede für Chemie die Hypothese auf: Die dreidimensionale Faltstruktur eines Proteins wird vollständig durch seine Aminosäuresequenz bestimmt²⁴. Wenn diese Hypothese zutrifft, sollte man theoretisch die entsprechende 3D-Struktur berechnen können, sobald man eine Aminosäuresequenz kennt. Doch dieses „sollte“ blieb ein halbes Jahrhundert lang unerfüllt. Die Protein-Faltung wurde als „grand challenge“ bezeichnet. Die wissenschaftliche Gemeinschaft veranstaltet alle zwei Jahre den CASP-Wettbewerb, bei dem alle eingereichten Vorhersagen mit experimentellen Strukturen verglichen werden; seit dem Start 1994 gab es 13 Austragungen, und niemand konnte den Durchbruch erzielen²⁵.

Erst beim CASP13 2018 schickte DeepMind die erste Generation von AlphaFold ins Rennen und gewann, doch die Genauigkeit reichte noch nicht für praktische Anwendungen. Der eigentliche Wendepunkt war der CASP14 am 30. November 2020: AlphaFold 2 erzielte einen medianen GDT-Wert von 92,4²⁵. Ein GDT von 92,4 bedeutet, dass bei mehr als der Hälfte der Vorhersagen die Abweichung der Atompositionen vom experimentellen Wert unter einem Angström liegt, was experimenteller Auflösungsqualität entspricht. CASP-Organisator John Moult sagte an jenem Tag: „In großem Maße ist dieses Problem bereits gelöst“²⁵.

Ein 50 Jahre ungelöstes Problem wurde in sechs Jahren von einem Londoner Forschungsteam gelöst.

Danach ging alles noch schneller. Im Juli 2021 wurde der Quellcode von AlphaFold 2 Open Source; im selben Jahr kooperierten DeepMind und das Europäische Laboratorium für Molekularbiologie (EMBL-EBI), um die von AlphaFold vorhergesagten Proteinstrukturen in eine öffentliche Datenbank zu überführen. Im Juli 2022 deckte diese Datenbank 1 Million Arten und rund 200 Millionen Proteinstrukturen ab – was gleichbedeutend damit ist, die 3D-Modelle fast aller bekannten Proteine der Erde kostenlos freizugeben²⁶.

Am 8. Mai 2024 veröffentlichte DeepMind AlphaFold 3 in „Nature“ und erweiterte die Vorhersagefähigkeit von einzelnen Proteinen auf die Wechselwirkungen von Proteinen mit DNA, RNA, Liganden und Ionen²⁷. Von der Entwicklung neuer Medikamente über Impfstoffdesign bis hin zur Enzymtechnik – alle Bereiche, die wissen müssen, wie Moleküle ineinandergreifen, wurden durch dieses Werkzeug grundlegend neu geschrieben.

Demis Hassabis, der Schöpfer von AlphaFold, ist kein traditioneller Biochemiker. Er begann mit vier Jahren Schach zu spielen, erhielt mit 13 den Meistertitel; mit 17 entwickelte er gemeinsam mit Peter Molyneux das Simulationsspiel „Theme Park“, das sich millionenfach verkaufte²⁸. 2010 gründete er zusammen mit Shane Legg und Mustafa Suleyman DeepMind in London, 2014 wurde das Unternehmen von Google für 400 Millionen Pfund übernommen²⁸. 2016 besiegte DeepMinds AlphaGo Lee Sedol, 2020 kam AlphaFold 2, 2024 der Nobelpreis – drei Ereignisse im Abstand von weniger als zehn Jahren.

Die dazwischenliegende Linie ist dieselbe Wette: Neuronale Netze einzusetzen, um Probleme zu lösen, die der menschliche Verstand zuvor nicht lösen konnte. Go ist ein geschlossenes Regelsystem, Protein-Faltung ein offenes, aber stark physikalisch eingeschränktes. Bei beiden wählte Hassabis das richtige Schlachtfeld.

In Taiwan war die Glykoprotein-Forschung, die während der Amtszeit von Academia-Sinica-Präsident Wong Chi-huey (2006–2016) etabliert wurde, die akademische Investition, die dieser Front am nächsten kam²⁹. Auch am Institut für Biomedizinische Wissenschaften und am Institut für Biochemie der Academia Sinica gibt es Teams, die die Open-Source-Gewichte von AlphaFold für nachgelagerte Forschung nutzen. Doch für die Entwicklung von Kernmodellen auf AlphaFold-Niveau verfügt Taiwan derzeit über keine entsprechende institutionelle Struktur.

⚠️ Streitpunkt

Der Nobelpreis für Chemie für AlphaFold war in der Fachwelt umstritten: Ein Teil der Strukturbiologen meinte, der Preis hätte den Pionieren der entscheidenden Experimente – der Röntgenkristallographie oder der Kernspinresonanz – gebühren, statt ein computergestütztes Werkzeug in den Chemietempel zu heben³⁰. Ein anderer Teil hielt diese Debatte selbst für veraltet – wenn ein Algorithmus in fünf Jahren der Menschheit hilft, die 3D-Strukturen fast aller Proteine der Erde zu vervollständigen, dann ist das Chemie. Die Debatte zwischen den beiden Positionen verlagerte sich nach Oktober 2024 allmählich zugunsten der zweiten, doch die damit verbundene Spannung bleibt: Wenn sich das, was KI leisten kann, ausweitet, müssen die Grenzen traditioneller Disziplinen neu gezogen werden?

TAIDE: Warum Taiwan sein eigenes Sprachmodell braucht

Im April 2023, ein halbes Jahr nachdem ChatGPT die Welt im Sturm erobert hatte, startete Taiwans Nationaler Wissenschafts- und Technologierat (NSTC) das „TAIDE“-Projekt, dessen vollständiger Name Trustworthy AI Dialogue Engine (vertrauenswürdige generative KI-Dialog-Engine) lautet³¹.

Warum sollte ein Inselstaat mit 23 Millionen Einwohnern sein eigenes großes Sprachmodell entwickeln?

Der Grund liegt nicht nur in technologischer Autonomie. Traditionelles Chinesisch macht einen extrem geringen Anteil der globalen KI-Trainingsdaten aus; die meisten chinesischen Daten stammen von Websites in vereinfachtem Chinesisch. Wenn Taiwaner ChatGPT oder andere Modelle nutzen, sind die Antworten oft von Sprachgewohnheiten und Sichtweisen des chinesischen Festlands geprägt. „视频“ (shipin) statt „影片“ (yingpian), „质量“ (zhiliang) statt „品質“ (pinzhi) – diese scheinbar geringfügigen Unterschiede berühren die Frage der kulturellen Subjektivität. Das Magazin CommonWealth Magazine berichtete über TAIDE direkt unter der Überschrift „Chinesische KI-Kulturinvasion verhindern“³².

Im April 2024 veröffentlichte das TAIDE-Team das kommerzielle Modell TAIDE-LX-7B und das Forschungsmodell TAIDE-LX-13B, die bei Aufgaben wie Schreiben, Übersetzen und Zusammenfassen gut abschnitten³³. Bis 2026 erschien TAIDE 2.0, ergänzt durch das von MediaTek unterstützte Breeze-8B-Modell, womit Taiwans LLM-Ökosystem vom „Aufholen“ in die „nutzbare“ Phase eintrat³⁴.

Noch interessanter ist die Blüte an Anwendungen. Die National Chung Hsing University nutzte TAIDE, um das landwirtschaftliche Wissensabrufsystem „Shennong TAIDE“ zu entwickeln; die National University of Tainan entwickelte einen taiwanesisch-englischen Dialogroboter für den Taiwanisch-Unterricht; die National Yang Ming Chiao Tung University trainierte TAIDE-Versionen für Taiwanisch und Hakka³⁵. Diese Anwendungen belegen eines: Sprachmodelle sind zugleich technologische Produkte und kulturelle Träger. Eine KI, die „Tianchuanri“ (Himmelsdurchbohrungstag) und „Mazu Raojing“ (Mazu-Umzug) nicht versteht, kann Taiwaner nicht wirklich bedienen.

Dennoch bleibt TAIDE im Maßstab klein: Die kommerzielle 8B- und die Forschungs-13B-Parameter-Version liegen mehr als zwei Größenordnungen hinter OpenAIs GPT-4-Klasse (vermutlich über 1 Billion Parameter). Hinter dieser Lücke steckt ein GPU-Budgetproblem, kein Fähigkeitsproblem. Das Training eines Spitzen-LLMs erfordert Rechenleistung im Umfang von hunderten Millionen US-Dollar – vergleichbar mit dem Jahresbudget einer nationalen Forschungseinrichtung.

KI-Sicherheit, geschmiedet durch Hackerangriffe

Taiwan ist eines der Länder, die weltweit am häufigsten Ziel von Cyberangriffen sind. Diese unglückliche Realität hat unerwartet eine robuste KI-Cybersicherheitsindustrie hervorgebracht.

CyCraft (奧義智慧), Ende 2017 gegründet, ist Taiwans erstes Cybersicherheitsunternehmen, das KI mit Endpunktüberwachung kombiniert. Seine Technologie wurde siebenmal in Berichten der globalen Forschungsorganisation Gartner aufgeführt und ist der einzige taiwanesische Anbieter, der die autoritative MITRE-ATT&CK-Bewertung dreimal bestanden hat³⁶. Im Februar 2026 ging CyCraft an der Innovationsbörse der Taiwan Stock Exchange an den Start und wurde damit der erste KI-Cybersicherheitssoftware-Hersteller mit internationaler eigenständiger F&E-Fähigkeit auf Taiwans Kapitalmarkt³⁷.

Zu CyCrafts Kunden zählen taiwanesische Regierungsbehörden, Verteidigungseinheiten, Banken und Halbleiterunternehmen – genau die Ziele, die am häufigsten von staatlich geförderten Hackern ins Visier genommen werden. Das Unternehmen hat Tochtergesellschaften in Japan und Singapur und exportiert seine „aus Hackerangriffen gewonnene praktische Erfahrung“ in die gesamte Asien-Pazifik-Region.

Dieses Beispiel zeigt eines: Taiwans KI-Vorteil kommt nicht nur aus der Halbleiterindustrie, sondern auch aus der praktischen Kampferfahrung, die durch seine besondere geopolitische Lage geschärft wurde.

---

Politik: Vom „KI-Jahr“ zum Ministerium für digitale Angelegenheiten

Taiwans KI-Politikentwicklung lässt sich anhand von drei Knotenpunkten verstehen.

2017 bis 2018 war die Anfangsphase. Wissenschafts- und Technologieminister Chen Liang-ge rief 2017 als „KI-Jahr“ aus und schlug die „KI-Strategie für ein kleines Land“³⁸ vor, wobei er Taiwans kleinen Markt anerkannte, aber drei Trümpfe betonte: Halbleiterfertigung, ICT-Lieferkette und MINT-Talente. 2018 wurde die erste Phase des „Taiwan KI-Aktionsplans“ gestartet, mit einer Investition von über 40 Milliarden NT$ über vier Jahre, wobei der Schwerpunkt auf dem Aufbau der KI-Recheninfrastruktur „Taiwan KI-Cloud“ (TWCC) lag³⁹.

2022 erfolgte die Institutionalisierung. Das Ministerium für digitale Angelegenheiten (moda) wurde gegründet und bündelte die ursprünglich über das Ministerium für Wissenschaft und Technologie, das Wirtschaftsministerium und das Verkehrsministerium verstreuten Digitalaufgaben. Die Bedeutung dieses Schritts liegt darin: Die KI-Politik wurde vom „Projekt des Wissenschaftsministeriums“ zur „ressortübergreifenden nationalen Strategie“ aufgewertet. Im selben Jahr veröffentlichte die Regierung die „Leitlinien für Forschung und Entwicklung künstlicher Intelligenz“, die Prinzipien wie Menschzentrierung, Transparenz und Erklärbarkeit, Fairness und Nichtdiskriminierung betonten.

2023 bis heute markiert die Wende zur generativen KI. Der Schock durch ChatGPT ließ die Politik eine scharfe Kehrtwende machen. Das TAIDE-Projekt wurde gestartet, der Entwurf eines KI-Grundgesetzes vorangetrieben, die KI-Einführung im öffentlichen Sektor beschleunigt. Taiwans Strategie ist pragmatisch: Man konkurriert nicht mit den USA und China um die Quantität an Grundlagenforschungsartikeln, sondern veredelt KI mit den bestehenden Fertigungsvorteilen. Intelligente Fertigung, medizinische Bildgebung, Halbleiter-Ausbeutevorhersage – das sind alles Bereiche, in denen Taiwan über Daten, Szenarien und Wettbewerbsfähigkeit verfügt.

Das Problem ist: Auf der Nobelpreisträgerliste jener zwei Tage im Oktober 2024 befand sich niemand vom Pfad der „intelligenten Fertigung“.

---

Angst: Die Hardware-Macht und ihre Software-Lücke

Hinter den glänzenden Zahlen hat Taiwans KI-Entwicklung ein strukturelles Problem: ein massives Ungleichgewicht zwischen Hardware und Software.

Taiwan produziert neunzig Prozent der weltweiten KI-Server und den Großteil der KI-Chips, doch in den „weichen“ Gliedern – KI-Modellentwicklung, Datenökologie, Plattformsoftware – ist die Präsenz gering. Unter den weltweit zwanzig führenden KI-Modellen, darunter GPT, Claude, Gemini und LLaMA, stammt keines aus Taiwan. Vergleicht man die preisgekrönten Arbeiten der beiden Nobelpreise 2024 – vom Hopfield-Netzwerk über Backpropagation bis hin zu AlphaFold –, so ist die Distanz zu Taiwans Industrie in allen drei Linien groß.

Der Grund ist eine Neuauflage eines alten Problems. Wenn TSMC-Ingenieure ein Jahresgehalt von über NT$2 Millionen beziehen können, fällt es einheimischen Software-Start-ups schwer, Spitzenkräfte zu gewinnen. Google, Microsoft und NVIDIA unterhalten in Taiwan Forschungszentren, deren Gehälter und Zusatzleistungen einen starken Sog-Effekt entfalten. Die erste Wahl eines Absolventen der Informatik an der Nationalen Universität Taiwan ist oft ein ausländisches Unternehmen oder die IT-Abteilung von TSMC – nicht der Eintritt in ein einheimisches KI-Start-up.

Die grundlegendere Herausforderung sind die Daten. Der Wert eines KI-Modells speist sich aus Trainingsdaten, und die Menge hochwertiger Daten in traditionellem Chinesisch ist im Vergleich zu Englisch oder vereinfachtem Chinesisch verschwindend gering. Die 23 Millionen Einwohner Taiwans produzieren von Natur aus weniger Text als die englischsprachige Welt oder das chinesische Festland. Das TAIDE-Projekt versucht, dieses Problem zu lösen, doch der Rückstand bei der Datenmenge ist strukturell bedingt.

Taiwans eigentlicher Wetteinsatz in der KI liegt in vertikalen Anwendungen, nicht in Basismodellen: Anstatt sich im Bereich allgemeiner Modelle direkt mit OpenAI oder Google zu messen, sucht Taiwan seine unersetzliche Position in KI für Halbleiterfertigungsprozesse, medizinische Bildgebung, Cybersicherheit und NLP für traditionelles Chinesisch. In diesen Feldern verfügt Taiwan über einzigartige Daten- und Szenariovorteile, die sich nur schwer replizieren lassen.

Die KI-Wahl einer Insel

Das Taiwan des Jahres 2026 steht an einer einzigartigen Position: Es ist in der KI-Hardware-Lieferkette nie so unverzichtbar gewesen, bleibt aber im KI-Software-Ökosystem weiterhin am Rand.

Das ist nicht völlig schlecht. Historisch war Taiwans Erfolgsmodell stets: „Nicht die Marke sein, sondern die Marke hinter der Marke“. Das 1987 von Morris Chang erfundene reine Foundry-Modell machte TSMC zu einem der zehn wertvollsten Unternehmen der Welt. Heute spielt sich dieselbe Logik in der KI-Server-Industrie erneut ab: Foxconn baut keine KI-Modelle, doch alle KI-Modelle der Welt laufen auf von Foxconn montierten Servern.

Doch die Spielregeln des KI-Zeitalters könnten anders sein. Wenn der Wertschwerpunkt von Hardware zu Software und Daten verlagert, wird der Gewinnspielraum reiner Auftragsfertigung zusammengedrückt. Die Nobelpreisträger jener zwei Tage im Jahr 2024 kamen allesamt aus der Software-Ebene. Hopfield schrieb mathematische Modelle, Hinton Trainingsalgorithmen, Hassabis Methoden zur Lösung biologischer Fragen. Diese Arbeiten laufen alle auf in Taiwan gefertigter Hardware, doch die Medaillen gingen nicht an die Hardware.

Taiwan muss auf der Basis seiner Hardware-Hegemonie Software- und Datenkompetenzen entwickeln: Hardware bleibt das Fundament, neue Wertschichten lagern sich darauf. TAIDE ist ein Versuch, CyCraft ein Versuch, Taiwan AI Labs ein Versuch. Ihr gemeinsamer Nenner: Sie streben nicht danach, die „weltgrößte KI“ zu bauen, sondern die „KI, die Taiwan am besten versteht“.

Vor 42 Jahren, als Hopfield jene 12 Seiten in Princeton niederschrieb, ahnte niemand, dass sie zur mathematischen Grundlage heutiger menschlicher Gedächtnismodelle werden würden. Vor 50 Jahren, als Anfinsen in seiner Nobelpreisrede die Protein-Faltungs-Hypothese aufstellte, ahnte niemand, dass sie erst an jenem Nachmittag 2020 von einer Gruppe Londoner gelöst werden würde. Der Zeithorizont der Grundlagenforschung ist länger als jede Computex.

Jenes Essen auf dem Ningxia-Nachtmarkt ist die Position, die Taiwan in diesen 42 Jahren erworben hat. Die nächste Schlacht findet nicht vor dem Austernomelett-Stand statt, sondern in der Frage, ob Taiwan den Mut hat, einem Studenten, der gerade in einem NTU-Wohnheim programmiert, in zwanzig oder dreißig Jahren den dieser Insel gehörenden Nobelpreis zu ermöglichen.

---

Weiterführende Literatur:

• Der Aufstieg der KI-Inselnation: Taiwans KI-Entwicklung und zukünftige Strategie — Frühe Version des politischen Rahmens, KI-Aktionsplan, fünf strategische Bereiche, wie der Halbleiter-Schutzberg die KI-Revolution verbindet.
• Taiwan AI Labs — Du Yijins vollständiger Werdegang von PTT zu AI Labs, Open-Source-Sprachmodell-Ökosystem TAIDE / TAME / FedGPT.
• Taiwan AI Academy — Jener unvollendete Anruf und Chen Sheng-weis 1,8 Milliarden NTD zivilgesellschaftliche Finanzierung für die KI-Militärakademie: Acht Jahre, über 10.000 Alumni, eine Geschichte der Talentförderung.
• Taiwans KI-Alltag — Dokumentarische Beobachtung, wie generative KI in den taiwanesischen Alltag einzieht: vom Bestellen im Convenience Store bis zur Stapelprüfung bei der Krankenversicherungsbehörde.
• Taiwanesisches Unternehmen: TSMC — Weltmarktführer im Wafer-Foundry-Geschäft, Kern der KI-Chip-Fertigung, von Morris Changs reinem Foundry-Modell bis zur fortschrittlichen Verpackung.
• Halbleiterindustrie — Vom IC-Design bis zum Packaging und Testing: das vollständige Bild des taiwanesischen Halbleiter-Ökosystems.
• Entwicklung der taiwanesischen Cybersicherheitsindustrie — Wie geopolitischer Druck eine KI-Cybersicherheitsindustrie von asiatisch-pazifischem Rang hervorbrachte.

Bildquellen

Dieser Artikel verwendet 4 gemeinfreie / CC-lizenzierte Bilder, alle zwischengespeichert in public/article-images/technology/, um Hotlinking der Quellserver zu vermeiden:

• Estructura tridimensional de la proteïna CBLN1 per AlphaFold amb codificació rainbow — Titelbild, CBLN1-Proteinstruktur nach AlphaFold-Vorhersage, Rainbow-Farbkodierung N→C-Terminus. Foto: BQUB25-UPoch (eigenes Werk, AlphaFold + PyMOL), 2025-11-15, CC BY 4.0.
• Geoffrey E. Hinton, 2024 Nobel Prize Laureate in Physics (3x4 cropped) — Inline, offizielles Porträt von Hinton während der Nobelwoche 2024. Foto: Arthur Petron, 2024-12-08, CC BY-SA 4.0.
• John J. Hopfield, 2024 Nobel Prize Laureate in Physics 1 (cropped) — Inline, offizielles Porträt von Hopfield während der Nobelwoche 2024. Foto: Arthur Petron, 2024-12-08, CC BY-SA 4.0.
• TSMC Fab 5 — Inline, TSMC-Werk Fab 5 in Hsinchu, physische Fertigungsstätte für KI-Chips. Foto: Wikimedia Commons (bestehender Cache).

---

Quellenverzeichnis

1. Pressemitteilung zum Nobelpreis für Physik 2024 — Am 8. Oktober 2024 gab die Königlich Schwedische Akademie der Wissenschaften die offizielle Bekanntmachung. Originaltext: „The Royal Swedish Academy of Sciences has decided to award the Nobel Prize in Physics 2024 to John J. Hopfield and Geoffrey Hinton 'for foundational discoveries and inventions that enable machine learning with artificial neural networks.'“ Das Preisgeld beträgt 11 Millionen schwedische Kronen, zu gleichen Teilen aufgeteilt.↩²³
2. Pressemitteilung zum Nobelpreis für Chemie 2024 — Bekanntmachung am 9. Oktober 2024. Das Preisgeld beträgt 11 Millionen schwedische Kronen, die eine Hälfte geht an David Baker „for computational protein design“, die andere Hälfte teilen sich Demis Hassabis und John Jumper „for protein structure prediction“.↩²
3. PNAS, 79(8), 2554-2558 — Hopfield, J. J. (1982). „Neural networks and physical systems with emergent collective computational abilities.“↩²³
4. Nature, 323, 533-536 — Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). „Learning representations by back-propagating errors.“↩²
5. Tom's Hardware: Halbleiter-Legenden schlendern über einen taiwanesischen Nachtmarkt — Bericht vom 29. Mai 2024 über die Szene im Ningxia-Nachtmarkt, der Huang Renxun (Jensen Huang), Zhang Zhongmou (Morris Chang), Lin Baili (Rick Tsai) und Cai Lixing (C.C. Wei) beim gemeinsamen Essen zeigt.↩
6. Taiwan News: Nvidia-CEO nennt Taiwan 'eines der wichtigsten Länder der Welt' — Öffentliche Äußerungen von Huang Renxun (Jensen Huang) während seines Taiwan-Besuchs am 30. Mai 2024.↩
7. Wikipedia: Jensen Huang — Biografische Daten: Jensen Huang, 1963 in Taipeh geboren, Kindheit in Tainan, mit neun Jahren in die USA ausgewandert.↩
8. Klover.ai: TSMC AI Fabricating Dominance — Alle fortschrittlichen GPUs von NVIDIA (A100, H100, Blackwell-Serie) werden von TSMC gefertigt. Siehe↩
9. SQ Magazine: KI-Chip-Statistiken 2025 — Datenquelle für den 72-prozentigen Marktanteil von TSMC beim Wafer-Fertigungsumsatz 2025; siehe auch zeitgleiche Berichterstattung von Motley Fool.↩
10. PatentPC: Die Explosion des KI-Chip-Marktes — Quelle für den 86-prozentigen Marktanteil von NVIDIA bei KI-GPUs.↩
11. Tech-Now: Taiwan führt globalen KI-Server-Wandel an, übertrifft iPhones 2025 — Daten zum 90-prozentigen Anteil von Foxconn, Quanta und Wistron am globalen KI-Server-Auslieferungsvolumen.↩
12. DigiTimes: Foxconn, Wistron, Quanta werden 2026 Billionen-Dollar-Umsatz mit KI-Servern halten — Bericht über die drei ODMs mit Jahresumsatz über einer Billion Dollar und dass KI-Server die Unterhaltungselektronik überholt haben.↩
13. 36Kr: Wer wird die CoWoS-Produktionskapazität 2026 aufteilen? — Daten: NVIDIA benötigt 595.000 CoWoS-Wafer, was 60 % der weltweiten Kapazität entspricht.↩
14. NVIDIA Newsroom: Foxconn baut KI-Fabrik in Partnerschaft mit Taiwan und NVIDIA — Kooperationsprojekt für eine 100-MW-KI-Fabrik in Kaohsiung; siehe auch CNBC-Bericht über die 100-MW-Stromkapazität.↩
15. NeurIPS 2012 / NIPS Proceedings — Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). „ImageNet Classification with Deep Convolutional Neural Networks.“↩²
16. PanSci: Nobelpreis für Physik 2024 – Hopfield und Hinton eröffnen das Zeitalter des maschinellen Lernens mit künstlichen neuronalen Netzen — Content Curation Partner gemäß MOU vom 2026-05-05. Behandelt den Hintergrund der Entstehung des Hopfield-Netzwerks, die Spin-Glas-Analogie, die kumulierten Zitationszahlen der Arbeit und die mathematischen Verbindungen zum zeitgenössischen Deep Learning.↩
17. The Guardian: Nobelpreisträger für Physik 2024 John Hopfield warnt vor KI-Gefahren — Bericht über das Telefoninterview zum Nobelpreis für Physik am 2024-10-08, bei dem Hopfield und Hinton am selben Tag Warnungen vor KI-Risiken aussprachen.↩
18. Wikipedia: Geoffrey Hinton — Hinton wurde am 6. Dezember 1947 in Wimbledon, London, geboren und trat im März 2013 Google bei, nachdem Google DNNresearch für 44 Millionen US-Dollar übernommen hatte.↩²
19. BBC News: KI-'Pate' Geoffrey Hinton warnt vor Gefahren, als er Google verlässt — Am 1. Mai 2023 äußerte Hinton nach seinem Ausscheiden bei Google gegenüber der BBC Bedenken hinsichtlich KI-Risiken. Im Original: „I left so that I could talk about the dangers of AI without considering how this impacts Google“, „a part of me now regrets my life's work“. Details des zeitgleichen NYT-Interviews werden in diesem Bericht ebenfalls zitiert.↩²³
20. Nature: KI-Wissenschaftler Geoffrey Hinton gewinnt Nobelpreis für Physik — Nature beschreibt detailliert die Verleihung des Nobelpreises für Physik 2024 und das Telefoninterview mit Hinton.↩
21. Offizielle Website des Taiwan AI Labs: Über uns — Offizielles Profil von Du Yijin (Ethan Tu), der 1995 an der NTU PTT gründete und im April 2017 nach Taiwan zurückkehrte, um Taiwan AI Labs zu gründen.↩
22. TechNews: KI-Talente in Taiwan – gehen oder bleiben? Exklusivinterview mit Taiwan AI Labs-Gründer Du Yijin — Vorstellung von Kernprojekten wie Yating-Wort-für-Wort-Protokoll und föderiertes Lernen für medizinische KI.↩
23. Wikipedia: Wirtschaftsgeschichte Taiwans — BIP-Daten Taiwans für 1986; der Hsinchu Science Park wurde im Dezember 1980 gegründet.↩
24. Science, 181(4096), 223-230 — Anfinsen, C. B. (1973). „Principles that govern the folding of protein chains.“↩
25. Nature: „Es wird alles verändern“: DeepMinds KI macht gewaltigen Sprung bei der Lösung von Proteinstrukturen — Bericht über die Bekanntgabe der CASP14-Ergebnisse am 30. November 2020: AlphaFold 2 erreichte einen medianen GDT-Wert von 92,4; CASP-Organisator John Moult kommentierte: „in some sense the problem is solved“.↩²³
26. DeepMind: AlphaFold enthüllt die Struktur des Protein-Universums — Am 28. Juli 2022 wurde bekannt gegeben, dass die AlphaFold Protein Structure Database 1 Million Arten und rund 200 Millionen Proteinstrukturen abdeckt.↩
27. Abramson, J., Adler, J., Dunger, J. et al. (2024). Genaue Strukturvorhersage biomolekularer Interaktionen mit AlphaFold 3. Nature 630, 493-500 — Am 8. Mai 2024 wurde AlphaFold 3 veröffentlicht, das die Vorhersage auf Protein-Komplexe mit DNA, RNA, Liganden und Ionen erweitert.↩
28. Wikipedia: Demis Hassabis — Hassabis begann im Alter von 4 Jahren Schach zu spielen, entwickelte mit 17 Jahren (1994) gemeinsam mit Peter Molyneux „Theme Park“, gründete 2010 DeepMind in London, das 2014 von Google für rund 400 Millionen Pfund übernommen wurde.↩²
29. Genomforschungszentrum der Academia Sinica — Unter der Leitung von Präsident Wong Chi-huey (2006–2016) wurde das Forschungszentrum für Glykoprotein-Strukturen eingerichtet.↩
30. PanSci: Nobelpreis für Chemie 2024 – David Baker, Demis Hassabis, John Jumper lösen das Proteinfaltungsproblem — Content Curation Partner gemäß MOU vom 5. Mai 2026. Behandelt die Kontroverse um den AlphaFold-Nobelpreis für Chemie sowie die Diskussion disziplinärer Grenzen zwischen Strukturbiologie und Computational Chemistry.↩
31. Exekutiv-Yuan: Vervollständigung der KI-Infrastruktur Taiwans – Aufbau der vertrauenswürdigen KI-Dialog-Engine TAIDE — Offizielle Erklärung zum Start des TAIDE-Projekts im April 2023.↩
32. CommonWealth Magazine: 'Chinesische KI-Kulturinvasion verhindern' – Was kann TAIDE, Taiwans erstes traditionell-chinesisches großes Sprachmodell? — Thematischer Bericht über TAIDE, Quelle für den Diskurs über die kulturelle Subjektivität traditionell-chinesischer LLMs.↩
33. NSTC-Pressemitteilung: TAIDE nach einem Jahr erfolgreich – Öffentlich-private Zusammenarbeit treibt taiwan-spezifisches großes Sprachmodell voran — Veröffentlichung von TAIDE-LX-7B (kommerzielle Version) und 13B (Forschungsversion) im April 2024.↩
34. CloudInsight: Status der LLM-Entwicklung in Taiwan 2026 — Vollständige Bestandsaufnahme des taiwanesischen LLM-Ökosystems einschließlich TAIDE 2.0, Breeze-8B usw.↩
35. Ebenso der CloudInsight-Bericht. Detaillierte Beschreibung von Anwendungsfällen wie „Shennong TAIDE“ der National Chung Hsing University, dem taiwanesisch-englischen Dialogroboter der Tainan University und dem taiwanesisch-hakka TAIDE-Modell der National Yang Ming Chiao Tung University.↩
36. CIO Taiwan: Rundgang durch taiwanesische Cybersicherheitsanbieter – Aegis Intelligent Technology — Detaillierte Darstellung der siebenfachen Aufnahme von Aegis Intelligent Technology in Gartner und der dreifachen Bestehen der MITRE ATT&CK-Evaluation.↩
37. Offizielle Website von Aegis Intelligent Technology: Erster KI-Cybersicherheits-Champion an der Innovationsbörse! Aegis Cyber geht heute an die Börse — Pressemitteilung zur Notierung an der Innovationsbörse am 5. Februar 2026.↩
38. Halbleiter-Mondschuss, Technologie-Großwettkampf: Chen Liang-ge: 16 Milliarden für Taiwans KI – Commonwealth Magazine, 2017 — Wissenschafts- und Technologieminister Chen Liang-ge ruft 2017 als KI-Elementarjahr aus und präsentiert Mitte August die KI-Strategie „Kleines Land, große Strategie“.↩
39. National Science and Technology Council: KI-Forschungsstrategie — Politischer Rahmen des ersten taiwanesischen KI-Aktionsplans mit 40 Milliarden Budget, Aufbau des TWCC usw.↩