Bittensor 2026: Kann das Netz KI ohne Rechenzentrum trainieren?

TAO handelt an diesem 10. September 2026 bei rund 207 Euro (etwa 240 US-Dollar), nach einem Rücksetzer von gut sieben Prozent binnen eines Tages, aber immer noch etwa fünf Prozent im Plus auf Wochensicht. Die Marktkapitalisierung liegt bei knapp 2,0 Milliarden Euro (rund 2,3 Milliarden US-Dollar), was für Rang 43 unter allen Krypto-Assets reicht, wie die Daten von CoinGecko zeigen. Der Kurs bewegt sich seit Wochen im Takt einer einzigen Erzählung: der Hoffnung auf einen US-Spot-ETF. Grayscale und Bitwise haben Anträge laufen, in Europa gibt es bereits ein börsengehandeltes Produkt auf gestaktes TAO, und jeder Kurssprung wird an dieser Zulassungsfrage gemessen.

Doch die eigentliche Geschichte von Bittensor entscheidet sich nicht an der Börse. Sie entscheidet sich in verstreuten Server-Räumen auf mehreren Kontinenten, in denen einzelne GPUs an einem gemeinsamen KI-Modell rechnen, ohne dass jemand ein Rechenzentrum besitzt. Am 28. und 29. September lädt die OpenTensor Foundation zum Exploit Summit nach Montréal, dem nach eigener Darstellung größten Bittensor-Event des Jahres, wie Coinpedia berichtet. Dort treffen sich Subnet-Betreiber, Entwickler und Investoren, und über allem schwebt eine Frage, die kein ETF bepreisen kann: Kann ein Netz aus fremden, unzuverlässigen Rechnern etwas leisten, wofür OpenAI, Google und Anthropic Milliarden in konzentrierte Rechenzentren stecken?

Bittensor ist Teil einer breiteren Welle dezentraler KI, zu der auch Gaming-nahe Projekte wie Eliza gehören. Aber kein anderes Projekt dieser Welle stellt einen so ehrgeizigen Anspruch wie Bittensor: nicht nur KI-Dienste zu vermitteln, sondern die teuersten Modelle der Welt gemeinschaftlich zu bauen. Dieser Text lässt die Kursfantasie beiseite und schaut auf das, was in den Trainings-Subnetzen tatsächlich passiert, was es beweist und wo die harten Grenzen liegen.

Inferenz ist leicht, Training ist schwer

Um zu verstehen, warum das Trainieren ein so hartes Problem ist, muss man zwei Vorgänge trennen, die in der öffentlichen Debatte gern verschwimmen. Inferenz bedeutet, ein fertig trainiertes Modell laufen zu lassen, also eine Frage hineinzugeben und eine Antwort herauszuholen. Training bedeutet, das Modell überhaupt erst zu bauen: Milliarden von Parametern über Wochen und Monate an gewaltigen Textmengen anzupassen, bis das Netz etwas Nützliches kann.

Inferenz ist, technisch gesprochen, peinlich einfach zu verteilen. Jede Anfrage ist unabhängig von der nächsten. Man kann eine Million Anfragen auf hundert Maschinen aufteilen, und keine dieser Maschinen muss wissen, was die andere gerade tut. Genau darauf baut das umsatzstärkste Bittensor-Subnetz, Chutes (SN64), auf: serverlose Inferenz, die Anfragen über viele Anbieter streut. Das funktioniert, und es lässt sich mit echtem Umsatz unterlegen.

Training ist das genaue Gegenteil. Beim klassischen Training müssen alle beteiligten GPUs im Gleichschritt arbeiten. Nach jedem Rechenschritt tauschen sie sogenannte Gradienten aus, also die Information darüber, wie das Modell anzupassen ist. Fehlt ein Teilnehmer oder ist er zu langsam, warten alle anderen. In einem Rechenzentrum ist das kein Problem, weil die GPUs über extrem schnelle Direktverbindungen kommunizieren. Über das offene Internet wird genau dieser ständige Austausch zur Mauer, an der bisher jeder Versuch verteilten Trainings gescheitert ist.

Die Bandbreiten-Mauer und warum Kompression alles ändert

Die Zahlen machen das Dilemma greifbar. In einem modernen Rechenzentrum reden GPUs über Verbindungen wie NVLink oder InfiniBand mit Hunderten Gigabyte pro Sekunde miteinander. Eine gute Consumer-Internetleitung schafft im Upload rund 60 Megabit pro Sekunde, also mehrere Größenordnungen weniger. Epoch AI hat vorgerechnet, dass ein Modell im Stil von DeepSeek v3 mit naiver, unkomprimierter Verteilung über solche Leitungen rund 5.000 Jahre bräuchte, wie das Forschungsinstitut in seiner Analyse zum verteilten Training darlegt. Das ist keine Optimierungsaufgabe mehr, das ist ein Show-Stopper.

Der Durchbruch der letzten Jahre kam nicht von schnelleren Leitungen, sondern von der Einsicht, dass man den Datenaustausch drastisch eindampfen kann, ohne dass das Modell wesentlich schlechter lernt. Drei Techniken stehen im Zentrum. Erstens DiLoCo von Google DeepMind: Statt nach jedem Schritt zu synchronisieren, rechnen die Knoten Hunderte Schritte für sich allein und gleichen sich nur selten ab. Zweitens DeMo (Decoupled Momentum) von Nous Research, das den Kommunikationsaufwand um etwa zwei Größenordnungen senkt, indem es nur die wichtigsten Anteile des Gradienten überträgt; die Methode ist in einem arXiv-Papier dokumentiert. Drittens SparseLoCo, die von den Templar-Entwicklern verfeinerte Variante, die Sparsifizierung (nur die stärksten Signale werden gesendet) mit aggressiver 2-Bit-Quantisierung kombiniert.

In der Summe pressen diese Verfahren den Datenverkehr um mehr als das Hundertfache zusammen. Aus der 5.000-Jahre-Rechnung wird damit etwas, das in Monaten machbar ist. Das ist der technische Hebel, ohne den keine der folgenden Geschichten möglich wäre. Wichtig zu verstehen: Diese Kompression ist kein Trick, der Rechenarbeit spart. Die GPUs müssen weiterhin voll rechnen. Gespart wird ausschließlich am Reden zwischen ihnen, und genau daran ist verteiltes Training bisher gescheitert.

Covenant-72B: der erste ernsthafte Beweis

Der erste glaubwürdige Nachweis, dass ein dezentrales Netz ein konkurrenzfähiges Sprachmodell von Grund auf trainieren kann, kam aus dem Subnetz Templar (SN3), betrieben vom Team Covenant AI, zu dem auch Forscher aus dem Umfeld des kanadischen Mila-Instituts gehörten. Das Ergebnis heißt Covenant-72B: ein Modell mit rund 72 Milliarden Parametern, trainiert an etwa 1,09 Billionen Token, über einen Zeitraum von rund einem halben Jahr bis in den März 2026 hinein.

Entscheidend ist nicht die reine Größe, sondern der Vergleich. Nach Auswertungen des Analysedienstes ownyourmind.ai erreichte Covenant-72B im verbreiteten Wissenstest MMLU einen Wert von 67,1 und lag damit über dem bekannten Referenzmodell LLaMA-2-70B mit 65,6. Das Modell wurde nicht auf einem Cluster gebaut, sondern von im Schnitt knapp 17 Teilnehmern pro Runde, die über das offene Internet verbunden waren, mit SparseLoCo und DeMo als kommunikationssparender Grundlage. Zum ersten Mal stand damit ein Modell im Raum, das man ernst nehmen musste und das nachweislich ohne zentrales Rechenzentrum entstanden war.

Der Haken, auf den wir weiter unten zurückkommen, hat zwei Seiten. Erstens war die dafür nötige Hardware alles andere als bescheiden. Und zweitens hat ausgerechnet das Team, das diesen Beweis lieferte, wenige Wochen später das Netz unter lautem Protest verlassen. Beides gehört zur Trainings-Story von Bittensor untrennbar dazu.

Orion-100B: Macrocosmos hebt den Einsatz

Kaum war Covenant-72B fertig, zog ein anderes Team nach und hob die Latte deutlich höher. Macrocosmos, Betreiber gleich mehrerer Subnetze, kündigte im Juni 2026 Orion-100B an: einen Trainingslauf für ein Modell mit rund 100 Milliarden Parametern, verteilt über das offene Internet. Grundlage ist eine Architektur namens IOTA (Incentivised Orchestrated Training Architecture) im Subnetz 9, deren Ansatz sich technisch deutlich von Covenant unterscheidet.

Der Kern von IOTA ist Pipeline-Parallelismus. Statt dass jeder Teilnehmer eine vollständige Kopie des Modells hält (was bei 100 Milliarden Parametern gewaltige Hardware verlangt), rechnet jeder Knoten nur einen Abschnitt des Modells, konkret verteilt auf 16 Pipeline-Stufen mit je drei Repliken. Dadurch sinkt die Hürde für die einzelne Maschine. Die Zwischenergebnisse zwischen den Stufen werden zusätzlich stark komprimiert; Macrocosmos gibt an, Aktivierungen von 140 Megabyte auf 2,2 Megabyte einzudampfen. Laut der Ankündigung des Teams erreicht der Lauf eine Model-FLOP-Auslastung (MFU) von über 30 Prozent und damit rund 65 Prozent der Trainingsgeschwindigkeit eines vergleichbaren Rechenzentrums; die zugrundeliegende IOTA-Architektur ist zudem in einem technischen Papier des Teams beschrieben.

65 Prozent des Rechenzentrums-Tempos über das öffentliche Internet zu erreichen, wäre vor zwei Jahren als unmöglich abgetan worden. Macrocosmos will die Annahmen schrittweise weiter lockern, hin zu heterogener Hardware, Spot-Kapazität und irgendwann sogar Geräten im Wohnzimmer wie einer RTX 4090 oder Apple-Silicon-Rechnern. Das ist dieselbe Debatte um Nachfrage nach dezentraler Rechenleistung, die auch das GPU-Netz Render umtreibt, nur dass es hier nicht ums Rendern von Bildern geht, sondern um das Herz der KI-Wertschöpfung.

Die Trainings-Subnetze im direkten Vergleich

Beide Flaggschiff-Läufe verfolgen dasselbe Ziel mit unterschiedlichen Mitteln. Die folgende Tabelle stellt die zentralen Merkmale gegenüber, so wie sie von den Teams und unabhängigen Analysten berichtet wurden.

Die Tabelle zeigt zwei komplementäre Philosophien. Templar setzte auf möglichst effiziente Datenparallelität mit brutaler Kompression, Macrocosmos auf Pipeline-Parallelität, die das Modell in Scheiben schneidet. Für die Frage, ob dezentrales Training skaliert, ist der zweite Ansatz der interessantere, weil er die Hardware-Hürde pro Teilnehmer senkt, statt sie zu erhöhen.

Wie das Netz Training bezahlt: dTAO, Emissionen und das Emission Gate

Kein Team trainiert ein 100-Milliarden-Parameter-Modell aus Idealismus. Bittensor bezahlt die Arbeit über ein Anreizsystem, das man verstehen muss, um die Trainings-Story ökonomisch einzuordnen. Seit der Einführung von dTAO im Februar 2025 hat jedes Subnetz einen eigenen Token, das sogenannte Alpha, mit einem eigenen Liquiditätspool. Der Preis dieses Alpha-Tokens bestimmt, welchen Anteil an der laufenden TAO-Emission das jeweilige Subnetz bekommt. Der Markt entscheidet also mit, wohin die frisch ausgeschütteten Token fließen.

Die Emission selbst folgt einem Bitcoin-ähnlichen Muster. Die Höchstmenge liegt bei 21 Millionen TAO, und im Dezember 2025 halbierte sich die Ausschüttung von rund 7.200 auf etwa 3.600 TAO pro Tag, wie unter anderem Fortune und die Netzwerkdaten von Taostats festhalten. Innerhalb eines Subnetzes wird die Belohnung nach einem festen Schlüssel verteilt: 18 Prozent an den Betreiber, 41 Prozent an die Miner (die rechnende Arbeit leisten) und 41 Prozent an die Validatoren samt Delegatoren. Ausgezahlt wird in Alpha, nicht direkt in TAO.

2026 hat das Protokoll dieses System verschärft. Das sogenannte Emission Gate koppelt die Ausschüttung an nachweisbare Nachfrage und drosselt Subnetze, die keine echte Nutzung zeigen. Das Conviction-System zwingt Subnet-Betreiber, TAO zeitlich zu binden, um ihre Ernsthaftigkeit zu belegen. Der Hintergrund ist ein unbequemer Befund: Die Emissionen übersteigen den real erwirtschafteten externen Umsatz des Netzes bei Weitem. Analysten beziffern die netzwerkweit klar identifizierbaren externen Einnahmen nur im niedrigen zweistelligen Millionenbereich pro Jahr, während einzelne Subnetze Emissionen im Gegenwert von Dutzenden Millionen einstreichen. Salopp gesagt: Viele Subnetze farmen Emissionen, statt Kunden zu bedienen. Genau das sollen Emission Gate und Conviction eindämmen.

Das Verifikationsproblem: wie beweist ein Fremder, dass er trainiert hat?

Ein Anreizsystem, das echtes Geld ausschüttet, lädt zum Betrug ein. Und beim Training ist Betrug besonders verlockend, weil die ehrliche Arbeit teuer ist. Ein Miner könnte behaupten, ein Modellstück trainiert zu haben, und in Wahrheit Zufallszahlen oder abgeschriebene Werte einreichen. Wie beweist ein völlig Fremder, dass er die Rechenarbeit tatsächlich geleistet hat, ohne dass ihm jemand über die Schulter schaut?

Das ist das eigentliche Herzstück und zugleich die schwerste Nuss. Bittensor beantwortet die Frage über den Yuma-Consensus, einen Mechanismus, in dem Validatoren die Beiträge der Miner bewerten und diese Bewertungen stake-gewichtet zu einem Konsens verrechnet werden. Wer stark vom Konsens abweicht, wird beschnitten. Beim Training ist die Prüfung deutlich anspruchsvoller als bei der Inferenz, wo man eine Antwort einfach nachrechnen kann. Hier müssen Validatoren stichprobenartig Gradienten oder Zwischenergebnisse nachvollziehen, ohne den gesamten Lauf zu wiederholen. Verfahren wie TOPLOC aus dem Umfeld von Prime Intellect zielen genau darauf, Trainingsschritte fälschungssicher und günstig überprüfbar zu machen.

Ein verwandtes Problem ist das Kopieren von Gewichten: Ein fauler Validator könnte einfach die Bewertungen eines fleißigen abschreiben und trotzdem kassieren. Bittensor begegnet dem mit Commit-Reveal, bei dem Bewertungen zunächst verschlüsselt eingereicht und erst nach einer Zeitsperre (über das Drand-Netzwerk) offengelegt werden. Kopierer bekommen so nur veraltete Informationen. Diese Mechanismen sind funktionsfähig, aber sie sind auch der Punkt, an dem sich entscheidet, ob das System langfristig ehrlich bleibt oder von Spielern ausgehöhlt wird.

Der Realitäts-Check: das ist keine Hobby-Hardware

Das Wort dezentral weckt ein romantisches Bild: Tausende Bastler, die abends ihren Gaming-PC ans Netz hängen und gemeinsam eine KI bauen. Von dieser Vorstellung ist die Realität 2026 weit entfernt. Schätzungen von ownyourmind.ai zufolge brauchte ein einzelner ernsthafter Teilnehmer an Covenant-72B rund acht GPUs der absoluten Spitzenklasse, ein Hardware-Einsatz im Bereich von grob 240.000 bis 320.000 US-Dollar (etwa 207.000 bis 276.000 Euro). Das ist kein 150-Euro-Lottoschein wie beim Solo-Mining, das ist eine Investition auf dem Niveau eines kleinen Rechenzentrums.

Dezentrales Training bedeutet heute also nicht laienhafte Beteiligung, sondern ein Netz aus gut kapitalisierten GPU-Betreibern, die geografisch verteilt sind und niemandem gemeinsam gehören. Das ist immer noch ein bedeutender Unterschied zum Modell eines einzelnen Konzerns, der ein Rechenzentrum besitzt und kontrolliert. Aber es ist eben nicht die Graswurzel-Utopie, die das Marketing gern suggeriert. Die Vision von Wohnzimmer-Hardware, die Macrocosmos für spätere Orion-Stufen ausruft, ist ein Ziel auf der Roadmap, kein heutiger Zustand.

Für Anleger ist diese Unterscheidung wichtig. Die Wertschöpfung im Trainingsbereich konzentriert sich auf wenige, technisch versierte und kapitalstarke Teams. Genau diese Konzentration ist es, die dann in der Governance zum Problem wird, wie das nächste Kapitel zeigt.

Der Schatten über der Story: Covenants Abgang und die Machtfrage

Am 9. April 2026, nur Wochen nach Fertigstellung von Covenant-72B, verließ das Team Covenant AI Bittensor und legte seine Subnetze still. Der Kurs von TAO fiel binnen zwei Stunden um rund 15 Prozent, von etwa 338 auf 285 US-Dollar, wie The Block dokumentierte. Gründer Sam Dare warf dem Kernteam vor, das Netz faktisch zentral zu steuern, Emissionen einseitig auszusetzen und Rechte zu entziehen.

Dares Worte waren scharf. Das gesamte Versprechen von Bittensor, dass keine einzelne Instanz es kontrolliere, bezeichnete er als „eine Lüge“ (im Original: „That promise is a lie“). Für ein Projekt, dessen ganze Erzählung auf Dezentralisierung fußt, ist das der maximal mögliche Vorwurf, und er kam ausgerechnet von dem Team, das den bis dahin stärksten technischen Beweis geliefert hatte.

Mitgründer Jacob Steeves, in der Community als Const bekannt, reagierte im Juni 2026 mit einer ungewöhnlich offenen Roadmap. Er räumte ein, Bittensor sei „derzeit kein dezentrales Protokoll in der Art, wie Bitcoin es ist. Es kann es sein, und es wird es sein, aber noch ist es das nicht.“ Die Foundation habe in der Wachstumsphase bewusst Tempo über Dezentralisierung gestellt; nun solle ein 18-Monats-Plan die volle Dezentralisierung bis Dezember 2027 bringen, wie Crypto Briefing berichtet. Steeves und Mitgründer Ala Shaabana hatten ihre operativen Rollen bereits im Februar 2026 abgegeben. Ob dieser Fahrplan den Vertrauensschaden repariert, ist die politische Kernfrage, die auch in Montréal auf dem Tisch liegen wird.

Die Konkurrenz: Token gegen Eigenkapital

Bittensor ist nicht allein mit der Idee, KI-Modelle verteilt zu trainieren. Der spannendste Kontrast läuft dabei nicht zwischen zwei Technologien, sondern zwischen zwei Finanzierungsmodellen. Auf der einen Seite steht Bittensor mit seinem liquiden Token, der Miner und Validatoren rund um die Uhr per Emission bezahlt. Auf der anderen Seite stehen klassisch mit Eigenkapital finanzierte Start-ups.

Das prominenteste ist Prime Intellect. Das Unternehmen hat im Juli 2026 eine Series-A-Runde über 130 Millionen US-Dollar (rund 112 Millionen Euro) bei einer Bewertung von etwa einer Milliarde US-Dollar eingesammelt, angeführt von Radical Ventures, mit Nvidia, Intel Capital und Dell an Bord, wie TechCrunch meldete. Prime Intellect hat mit INTELLECT-2 das nach eigener Darstellung erste global verteilte Reinforcement-Learning-Training eines 32-Milliarden-Modells vorgelegt und meldet einen Jahresumsatz-Lauf um 100 Millionen US-Dollar. Es hat keinen liquiden Token.

Der Unterschied ist mehr als eine Fußnote. Bittensors Token-Modell zieht Kapital und Rechenleistung schnell an, koppelt aber den Erfolg an einen volatilen Kurs und schafft die Emissions-versus-Umsatz-Lücke, die oben beschrieben wurde. Die eigenkapitalfinanzierten Rivalen wachsen langsamer, sind dafür aber nicht der Kursfantasie ausgeliefert und können Enterprise-Kunden ein klareres Angebot machen. Wer auf TAO setzt, wettet nicht nur auf die Technik, sondern auch darauf, dass sich das Token-Modell gegen diese Konkurrenz behauptet.

Die Decke: wie weit reicht verteiltes Training wirklich?

So beeindruckend Covenant-72B und Orion-100B sind, es lohnt der nüchterne Blick auf die Größenordnungen. Jaime Sevilla, Mitgründer und Chef des Forschungsinstituts Epoch AI, hat die Grenzen des verteilten Trainings vermessen. Sein Befund: Die größten dezentralen Läufe arbeiten mit etwa dem Tausendfachen weniger Rechenleistung als die größten Modelle der Gegenwart. Das aktivste dezentrale Netz, Covenant AIs Templar, erreichte einen Durchsatz, der rund 300-mal kleiner ist als der der führenden KI-Rechenzentren.

Der Trend spricht dennoch für die Dezentralen: Ihre Rechenleistung ist seit 2020 um etwa den Faktor 600.000 gewachsen, also rund 20-fach pro Jahr, während die Spitze der KI-Labore nur etwa 5-fach pro Jahr zulegt. Trotzdem zieht Sevilla in der Analyse von Epoch AI eine klare Schlusslinie: Dezentrales Training werde die Frontier, also die absolute Leistungsspitze, in diesem Jahrzehnt nicht einholen. Der Abstand ist schlicht zu groß und die aufholende Kurve zu jung.

Für die Bewertung von Bittensor ist das wichtig. Der realistische Preis ist nicht, GPT-5 oder Gemini zu schlagen. Der realistische Preis ist ein leistungsfähiges, offenes Modell, das keiner einzelnen Firma gehört, dazu spezialisierte Modelle für Nischen, in denen Datenhoheit oder Zensurresistenz zählen. Das kann ein sehr wertvolles Ziel sein. Aber es ist ein anderes Ziel als das, das der Kurs in seinen euphorischen Phasen einzupreisen scheint.

Vom Token zur Fähigkeit: ETF, STAO und die Frage der BaFin

Zurück zur Börse, denn hier klafft die größte Lücke zwischen Erzählung und Substanz. Der TAO-Kurs bewegt sich im Takt der ETF-Hoffnung, kaum je im Takt der Trainings-Meilensteine. Ein Modell wie Orion-100B kann angekündigt werden, ohne dass der Kurs zuckt, während ein SEC-Gerücht ihn zweistellig bewegt. Diese Entkopplung von Token und Fähigkeit sollte jedem Anleger zu denken geben.

Beim ETF selbst ist der Stand ernüchternd. In den USA ist bis September 2026 kein Spot-ETF auf TAO zugelassen. Grayscale betreibt mit dem Bittensor Trust (GTAO) bislang eine Privatplatzierung für akkreditierte Anleger, Bitwise hat einen Antrag laufen. Kompliziert wird es durch ein Detail: Ein klassischer US-Spot-ETF kann die gehaltenen TAO in der Regel nicht staken und damit keine Emissionen verdienen, sodass Anlegern die native Rendite und die volle Verwässerung entgeht. Europa ist hier weiter: Dort gibt es bereits ein börsengehandeltes Produkt (ETP) auf gestaktes TAO, das die Token einsetzt und die Staking-Erträge weiterreicht. Wie schon bei den Krypto-ETFs allgemein gilt aber auch hier, dass die Zulassung der leichte Teil ist, wie unsere Analyse zu den ETF-Zulassungen 2026 zeigt; der schwere Teil kommt danach.

Regulatorisch fällt TAO in Deutschland und der EU unter MiCA als gewöhnlicher Krypto-Wert, nicht als E-Geld- oder wertreferenzierter Token. Die BaFin beaufsichtigt Dienstleister und Emittenten, also Handelsplätze und Verwahrer, nicht das Protokoll selbst; das stellt ihr Merkblatt zu Kryptowerte-Dienstleistungen klar. Dass die Aufsicht durchaus durchgreift, hat sie zuletzt im Fall Ethena gezeigt. Krypto-Derivate wie Futures auf TAO fallen zusätzlich unter MiFID II und damit in die Zuständigkeit der Marktaufsicht. Und weil Bittensor große KI-Modelle trainiert, berührt es potenziell auch den EU AI Act mit seinen Pflichten für Anbieter von KI-Modellen mit allgemeinem Verwendungszweck. Wer diese Pflichten erfüllt, wenn es keine einzelne verantwortliche Rechtsperson gibt, ist eine offene und für dezentrale Netze grundsätzliche Frage.

Fazit: was der Exploit Summit beweisen muss

Die Rally dreht sich um ETFs, die Substanz dreht sich um das Training. Und in der Substanz hat Bittensor 2026 mehr geliefert als jedes andere Krypto-Projekt im KI-Bereich. Covenant-72B und Orion-100B sind reale Belege dafür, dass die Bandbreiten-Mauer überwindbar ist und dass ein Netz aus verteilten GPUs Modelle bauen kann, die man ernst nehmen muss. Das ist keine Kleinigkeit, sondern eine der bemerkenswertesten technischen Leistungen in diesem Sektor.

Zugleich sind die Einschränkungen hart und ehrlich zu benennen. Die Hardware ist kapitalintensiv und keineswegs graswurzelhaft. Die Ökonomie hängt am Tropf subventionierter Emissionen, die den realen Umsatz weit übersteigen. Die Governance ist umkämpft, wie der Abgang von Covenant AI drastisch gezeigt hat. Und die absolute Leistungsspitze bleibt laut Epoch AI in diesem Jahrzehnt außer Reichweite. All das lässt sich nicht wegjubeln.

Was der Exploit Summit in Montréal Ende September zeigen muss, ist deshalb nicht der nächste Kursausschlag, sondern drei nüchterne Dinge: dass Produkte tatsächlich ausgeliefert werden, dass echte Nachfrage die Emissionen zunehmend trägt, und dass der Fahrplan zur Dezentralisierung bis 2027 mehr ist als eine Beruhigungspille nach dem Covenant-Schock. Gelingt das, ist Bittensor die glaubwürdigste Wette auf offene, niemandem gehörende KI. Gelingt es nicht, bleibt ein technisch beeindruckendes Netz, dessen Token seine eigenen Erfolge nur selten spiegelt.

Häufig gestellte Fragen

Was ist Bittensor und wofür steht der Token TAO?

Bittensor ist ein dezentrales Netzwerk für maschinelle Intelligenz, das aus spezialisierten Subnetzen besteht, in denen Miner Rechenarbeit für KI-Aufgaben wie Inferenz oder Training leisten und Validatoren diese Arbeit bewerten. TAO ist der native Token mit einer Höchstmenge von 21 Millionen Einheiten; er vergütet die Teilnehmer über Emissionen und dient als Reservewährung für die einzelnen Subnetz-Token, das sogenannte Alpha.

Kann Bittensor wirklich KI-Modelle ohne Rechenzentrum trainieren?

Teilweise ja. Projekte wie Covenant-72B (rund 72 Milliarden Parameter) und Orion-100B (rund 100 Milliarden Parameter) haben gezeigt, dass sich große Modelle über das offene Internet verteilt trainieren lassen, möglich gemacht durch aggressive Kommunikationskompression. Der Hardware-Einsatz pro Teilnehmer ist allerdings hoch, und die verfügbare Rechenleistung liegt laut Epoch AI weit hinter den großen KI-Rechenzentren zurück.

Was sind Covenant-72B und Orion-100B?

Covenant-72B ist ein Sprachmodell mit rund 72 Milliarden Parametern, das im Subnetz Templar (SN3) vom Team Covenant AI verteilt trainiert wurde und im MMLU-Test das Referenzmodell LLaMA-2-70B leicht übertraf. Orion-100B ist ein Trainingslauf mit rund 100 Milliarden Parametern des Teams Macrocosmos im Subnetz IOTA (SN9), der über Pipeline-Parallelismus rund 65 Prozent des Tempos eines Rechenzentrums erreicht.

Gibt es einen Bittensor-ETF auf TAO?

In den USA ist bis September 2026 kein Spot-ETF auf TAO zugelassen. Grayscale betreibt mit GTAO bislang einen Trust als Privatplatzierung, Bitwise hat einen Antrag laufen. In Europa gibt es bereits ein börsengehandeltes Produkt (ETP) auf gestaktes TAO, das die Token einsetzt und die Staking-Erträge an die Anleger weiterreicht, was ein US-Spot-ETF in der Regel nicht kann.

Wie wird Bittensor in Deutschland und der EU reguliert?

Unter MiCA gilt TAO als gewöhnlicher Krypto-Wert, nicht als E-Geld- oder wertreferenzierter Token. Die BaFin beaufsichtigt Dienstleister und Emittenten wie Handelsplätze und Verwahrer, nicht das Protokoll selbst. Krypto-Derivate fallen unter MiFID II, und weil Bittensor große KI-Modelle trainiert, berührt es zusätzlich den EU AI Act mit seinen Pflichten für Modelle mit allgemeinem Verwendungszweck.

Marcus Okafor berichtet für HOGE Wire über dezentrale KI, Mining und die Regulierung digitaler Assets.