Verifiable Compute 2026: Inferenz beweisbar, Training nicht

Verifiable compute, das beweisbare Rechnen, zerfällt 2026 in zwei sehr ungleiche Hälften. Die eine lässt sich inzwischen fast vorführen: Man kann beweisen, dass ein KI-Modell eine Anfrage korrekt beantwortet hat, ohne dass der Prüfer die Rechnung wiederholen muss. Die andere bleibt ein Versprechen: zu beweisen, dass ein Modell so trainiert wurde, wie sein Anbieter behauptet. Zwischen diesen beiden Sätzen liegt der ganze Abstand zwischen Marketing und Mathematik.

Dieser Abstand erklärt eine der stillsten Volten des Krypto-KI-Jahres 2026. Projekte, die einmal mit dem dezentralen Training ganzer Modelle angetreten waren, verkaufen heute lieber Prognosemärkte, Orakel und Inferenz-Dienste. Nicht aus Mangel an Geld oder Talent, sondern weil die eine Hälfte des Problems reif geworden ist und die andere an der Physik und an der Ökonomie hängt. Wer verstehen will, wo beweisbare KI wirklich steht, muss die beiden Hälften trennen, statt sie unter dem Sammelbegriff „verifiable compute“ zu verrühren.

Zwei Hälften eines Versprechens

Eine KI-Inferenz ist ein einzelner Vorwärtslauf: Eingabe rein, Modellgewichte drüber, Antwort raus. Rechnerisch ist das viel Matrixmultiplikation und eine Handvoll nichtlinearer Schritte, aber es ist ein abgeschlossener, wiederholbarer Vorgang. Genau diese Eigenschaft macht ihn beweisbar. Ein Training dagegen ist kein Schritt, sondern ein Marathon aus Millionen Schritten: Datensätze werden eingelesen, Gewichte milliardenfach angepasst, Zwischenstände verworfen, Hyperparameter nachjustiert. Und über allem steht eine Frage, die ein einzelner Rechenbeweis gar nicht beantworten kann: Woher stammen die Daten, mit denen trainiert wurde?

Die Konsequenz ist unbequem für die großen Erzählungen der Branche. Beweisbare Inferenz ist 2026 ein Ingenieursproblem mit sichtbaren Fortschritten. Beweisbares Training ist weiterhin eher ein Forschungsprogramm. Und weil der Markt lieber Produkte als Forschung kauft, wandern die lauffähigen Angebote fast alle auf die Inferenz-Seite, während die Trainings-Seite entweder pausiert oder sich auf das zurückzieht, was man überhaupt prüfen kann.

Was verifiable compute eigentlich beweist

Der Grundgedanke ist einfach und hat wenig mit KI zu tun. Normalerweise gilt: Wer eine Rechnung nachprüfen will, muss sie erneut ausführen. Verifiable compute dreht das um. Der Rechner liefert nicht nur ein Ergebnis, sondern einen kompakten Beweis, dass er korrekt gerechnet hat, und dieser Beweis lässt sich prüfen, ohne die Arbeit zu wiederholen. Das Vertrauen verschiebt sich von „vertraue dem Server“ zu „prüfe den Beweis“. Das ist etwas anderes als bloße dezentrale Rechenleistung: Ein GPU-Marktplatz vermietet Hardware, aber er beweist nicht, dass die Hardware ehrlich gerechnet hat.

Wichtig ist die Abgrenzung zu zwei benachbarten Begriffen. Verifiable compute ist nicht dasselbe wie vertrauliche Berechnung, bei der es darum geht, Eingaben geheim zu halten; und es ist nicht dasselbe wie dezentrale Rechenleistung, bei der es nur darum geht, irgendwo günstig zu rechnen. Beweisbarkeit heißt Integrität: die Gewissheit, dass das Ergebnis aus genau der behaupteten Rechnung stammt und nicht aus einer billigeren Abkürzung, einem stillschweigend ausgetauschten Modell oder einem schlicht erfundenen Resultat. Erst wenn diese Gewissheit maschinell prüfbar wird, kann ein Vertrag, ein autonomer Agent oder eine Aufsichtsbehörde darauf aufbauen.

Warum das bei KI so schwer ist, hat Ethereum-Mitgründer Vitalik Buterin schon 2024 in seinem Essay zu Krypto und KI nüchtern vorgerechnet. Der größte Teil einer KI-Berechnung sind Matrixmultiplikationen, und die lassen sich mit weniger als vierfachem Mehraufwand als Zero-Knowledge-Beweis fassen. Die nichtlinearen Schritte dazwischen kosten dagegen rund das 200-fache, und der vollständige ZK-Beweis eines ganzen Ethereum-Blocks könne, so Buterin, „Stunden“ dauern. Diese Unwucht zwischen billiger Linearität und teurer Nichtlinearität ist der rote Faden durch die gesamte Inferenz-Seite, und sie ist der Grund, warum der Durchbruch von 2026 ausgerechnet dort kam, wo niemand ihn so schnell erwartet hatte.

Die Inferenz: der Vorwärtslauf, der sich beweisen lässt

Jahrelang galt als ausgemacht, dass sich zwar ein kleines Bildklassifikationsmodell per zkML beweisen lässt, ein großes Sprachmodell aber niemals: zu viele Parameter, zu viele nichtlineare Schritte, der Beweisaufwand explodiert. Genau diese Mauer ist 2026 gefallen, und zwar aus zwei Richtungen zugleich.

Die erste Richtung ist mathematisch. Neuere Beweissysteme ersetzen die teuren arithmetischen Schaltkreise für Operationen wie ReLU oder Softmax durch sogenannte Lookups: Statt eine Funktion Schritt für Schritt nachzurechnen, schlägt der Beweis das Ergebnis in einer vorberechneten Tabelle nach und belegt nur, dass der Eintrag stimmt. In Kombination mit Techniken wie Sumcheck sinkt damit genau der Kostenpunkt, den Buterin als den 200-fachen Mehraufwand beschrieb. Das ist der Grund, warum nichtlineare Schichten, die früher jedes LLM unbeweisbar machten, plötzlich tragbar werden.

Die zweite Richtung ist ein handfestes Produkt. Das auf zkML spezialisierte Team von Lagrange Labs hat mit DeepProve nach eigenen Angaben das erste produktionsreife System vorgelegt, das eine vollständige LLM-Inferenz Ende zu Ende beweist. Laut der Open-Source-Ankündigung vom 3. Juni 2026 wurden GPT-2 und Gemma-3 komplett bewiesen, Modelle der Llama-Klasse sind in Arbeit; das System erzeugt Inferenzbeweise rund 60-mal schneller und prüft sie bis zu 671-mal schneller als der vorherige Stand der Technik, bei erhaltener Modellgenauigkeit; die technische Grundlage bilden Sumcheck und logup-GKR mit in der Modellgröße sublinearer Beweiszeit. Gründer und CEO Ismael Hishon-Rezaizadeh fasste den Schritt in einem Satz zusammen: „The black box is open“ (die Blackbox ist offen).

Man sollte die Nuance nicht verschweigen. Beweisbar heißt hier: Es ist mathematisch belegt, dass genau dieses Modell diese Eingabe zu dieser Ausgabe verarbeitet hat. Es heißt nicht, dass das bewiesene Modell identisch mit dem ist, das ein Anbieter in voller 32-Bit-Gleitkomma-Präzision betreibt. a16z-Partnerin Elena Burger weist in ihrer Analyse darauf hin, dass sich 32-Bit-Gleitkommaoperationen ohne massiven Mehraufwand nicht in das arithmetische Format eines ZK-Schaltkreises pressen lassen; die üblichen auf 8 Bit quantisierten Varianten seien eine „grobe Annäherung“ an das hochwertigere Ausgangsmodell. Ein perfekter Beweis kann also eine etwas vereinfachte Kopie zertifizieren. Für viele Anwendungen reicht das; es ist nur kein Freibrief.

Für die Praxis zählt die Richtung, in die sich das alles bewegt. Noch vor zwei Jahren war der vollständige Beweis einer LLM-Antwort eine theoretische Fußnote; heute ist er ein Repository, ein öffentliches Dashboard und eine Preisliste. Das verschiebt die Debatte von der Frage, ob sich eine Inferenz überhaupt beweisen lässt, hin zur nüchternen Frage, was der Beweis kostet und ob er sich lohnt. Und genau diese Frage entscheidet, welche der vier Methoden am Ende das Rennen macht, denn ein Beweis, den niemand bezahlen will, bleibt eine Demo.

Der Determinismus-Trick, der die Prüfung billig macht

Es gibt einen zweiten, weniger beachteten Grund, warum die Inferenz-Seite 2026 Fahrt aufnahm, und er klingt zunächst paradox: Dieselbe Eingabe liefert auf einer GPU nicht immer dasselbe Ergebnis. Der Grund ist nicht Zufall im Modell, sondern die Art, wie moderne Server rechnen. Je nach Auslastung werden Anfragen in unterschiedlich große Stapel gebündelt, und die Rechenkerne wählen dann andere Reihenfolgen beim Aufsummieren. Weil Gleitkomma-Addition nicht exakt assoziativ ist, driften die letzten Stellen auseinander. Experimente mit großen Sprachmodellen zeigen, dass dieselbe Eingabe bei Temperatur null über viele Durchläufe hinweg in Dutzende unterschiedliche Ausgaben zerfallen kann.

Das ist für beweisbare KI ein ernstes Problem, denn jede der vier Methoden braucht an irgendeiner Stelle eine reproduzierbare Rechnung. Die Lösung, die 2026 reif wurde, heißt bit-exakte Determinismus-Engine. Die Arbeit EigenAI aus dem EigenLayer-Umfeld beschreibt, wie man mit stapelinvarianten Kernen, versionsfixierten Treibern und kanonischen Summierungsreihenfolgen erreicht, dass dieselbe Anfrage über 10.000 Läufe hinweg denselben Byte-String erzeugt. Dann kollabiert die gesamte Prüfung zu einem Byte-Vergleich: Eine einzige ehrliche Nachrechnung genügt, um Betrug zu erkennen. Der Preis dafür ist gering, die Autoren nennen deterministische Kerne mit 97 bis 99 Prozent des cuBLAS-Durchsatzes und rund 1,8 Prozent zusätzlicher Latenz. Die wichtige Einschränkung: Byte-Gleichheit gilt nur bei identischen GPU-Typen; sobald unterschiedliche Chips gemischt werden, bricht sie, was dezentrale GPU-Netze wieder in Richtung einheitlicher Hardware drängt. Das ist ein eigenes Thema, das die Determinismus-Frage ausführlich behandelt.

Vier Wege, eine KI-Antwort zu beweisen

Für die Inferenz-Seite haben sich vier Ansätze herausgebildet, die sich in einer Frage unterscheiden: Woraus bezieht der Beweis seine Kraft, aus Mathematik, aus Hardware oder aus Geld? Die folgende Tabelle ordnet sie ein. Keiner gewinnt in allen Spalten; jeder opfert eine Ecke des Dreiecks aus Integrität, Geschwindigkeit und Kosten.

TEE: der schnelle Weg, der dem Chip vertraut

Wenn 2026 ein Ansatz auf der Inferenz-Seite real Durchsatz gewonnen hat, dann Confidential Computing. Eine Trusted Execution Environment führt das Modell abgeschottet in einer Hardware-Enklave aus und liefert eine kryptografisch signierte Attestierung, dass genau dieser Code auf genau dieser Hardware lief. Der Mehraufwand ist winzig, bei großen Modellen praktisch null, weil die Kosten vor allem beim Datentransfer liegen, nicht beim Rechnen. Der Dienst Phala meldet auf Intel TDX und NVIDIA-Blackwell-Karten zweistellige Milliarden vertrauliche Token pro Tag, eine Größenordnung, von der die ZK-Beweissysteme nur träumen. Im Markt zeigt sich das auch am Preis: Der TEE-nahe Token PHA legte zuletzt binnen 30 Tagen um rund 78 Prozent zu, während die ZK-Proving-Token kaum vom Fleck kamen (CoinGecko).

Der Haken steckt im Namensteil „trusted“. Ein TEE beweist nicht mit Mathematik, sondern verlangt Vertrauen in den Chiphersteller und in die Annahme, dass die Hardware nicht manipuliert ist. Genau diese Annahme hat der Ende Oktober 2025 veröffentlichte Angriff TEE.Fail erschüttert: Mit einem Aufbau für unter 1000 Dollar, einem Abgriff am DDR5-Speicherbus, lasen Forscher von Georgia Tech und Purdue Signierschlüssel aus Intel SGX und TDX, AMD SEV-SNP sowie NVIDIA Confidential Computing aus und konnten damit gültige Attestierungen fälschen. Der Angriff braucht physischen Zugang, aber genau das ist in einem dezentralen GPU-Netz, in dem der Anbieter zugleich der Hardware-Betreiber ist, keine exotische Annahme, sondern der Normalfall.

Die Antwort der Branche auf dieses Dilemma heißt 2026 Hybrid. Statt sich allein auf den Chip zu verlassen, kombinieren neuere Entwürfe die Geschwindigkeit eines TEE mit einem zweiten, unabhängigen Standbein: einem stichprobenartigen kryptografischen Nachweis, einem wirtschaftlichen Einsatz, der bei Betrug verfällt, oder einer Attestierung, die auf zwei voneinander unabhängigen Herstellern fußt statt auf einem. Die Idee ist simpel: Fällt eine einzelne Vertrauensannahme, soll nicht gleich das ganze System fallen. Genau deshalb wollen die krypto-ökonomischen Ansätze, allen voran die restaking-gestützten Dienste rund um EigenCloud, die reine Hardware-Attestierung nicht ersetzen, sondern absichern.

Das Training: Millionen Schritte, eine offene Frage

Jetzt zur anderen Hälfte. Ein Training zu beweisen ist kein größeres Exemplar desselben Problems, sondern ein anderes Problem. Drei Dinge machen es hart. Erstens die schiere Länge: Wo die Inferenz ein Vorwärtslauf ist, besteht das Training aus Millionen Vorwärts- und Rückwärtsläufen, jeder mit Gradienten, Optimierer-Zuständen und Zufallselementen. Einen Beweis über diese ganze Kette zu legen, kostet selbst mit Lookups ein Vielfaches dessen, was ein einzelner Durchlauf kostet.

Zweitens die Nichtdeterminismus-Falle, nur schlimmer. Wenn schon eine einzelne Inferenz über Hardware hinweg auseinanderdriftet, dann summieren sich diese Abweichungen über Millionen Trainingsschritte zu völlig unterschiedlichen Modellgewichten. Ein Betrugsbeweis, der auf exaktem Nachrechnen beruht, braucht aber bit-identische Wiederholbarkeit, und die ist über heterogene GPUs hinweg heute nicht gelöst.

Drittens, und das ist der eigentliche Knackpunkt, die Herkunftsfrage. Selbst ein perfekter Beweis, dass ein Trainingslauf korrekt ausgeführt wurde, sagt nichts darüber, welche Daten hineingeflossen sind. War das Modell mit lizenziertem Material trainiert oder mit urheberrechtlich geschütztem? Mit kuratierten Daten oder mit vergiftetem Internet-Müll? Kryptografie kann belegen, dass eine Rechnung stimmt; sie kann nicht belegen, dass die Eingabe redlich zustande kam. Beweisbares Training stößt hier an eine Grenze, die keine Mathematik allein überwindet.

2026 traf das Training auf die Realität

Die eindrücklichste Bestätigung dieser Kluft liefern die Projekte selbst. Gensyn, von a16z finanziert und einst das Aushängeschild für vertrauensloses, dezentrales KI-Training, hat seinen Trainings-Prototyp RL Swarm pausiert; einen dauerhaft laufenden Schwarm gibt es laut Projektdokumentation derzeit nicht, nur geplante oder von der Community organisierte Läufe. Das erste echte Produktionsprodukt der Firma ist seit dem 22. April 2026 etwas ganz anderes: Delphi, eine Plattform für KI-abgewickelte Informations- und Prognosemärkte, deren Resultate von verifizierbaren KI-Modellen statt von Insidern abgerechnet werden. Mitgründer und CEO Ben Fielding sagte dem Branchenportal The Block, Delphi konkurriere nicht direkt mit Polymarket und Kalshi, sondern öffne eine neue Kategorie von nischigen, von Erstellern betriebenen Märkten, die diese Plattformen nie bauen würden.

Man muss die Ironie nicht herbeireden: Das Projekt, das vertrauensloses Training versprach, verdient sein erstes Geld mit einem Inferenz-Orakel. Dahinter steckt keine Kapitulation, sondern eine Priorisierung. Gensyns Verifikationsschicht funktioniert, das wirklich bindende Problem liegt, wie die Reportage zur Bandbreiten-Mauer ausführt, bei der Physik des Trainierens über das offene Internet und beim Fehlen zahlender Nachfrage nach Schwarm-Training.

Das zweite Lehrstück liefert Prime Intellect. Das Team baut Infrastruktur fürs dezentrale Training, hat aber Ende November 2025 sein bislang größtes Modell, das 106-Milliarden-Parameter-Mixture-of-Experts INTELLECT-3, nach eigenen Angaben auf einem zentralisierten Cluster aus 512 NVIDIA-H200-GPUs über 64 Knoten und rund zwei Monate trainiert. Ein Beobachter fasste es als „dezentrale KI trifft Realität“ zusammen. Bezeichnend ist auch die Technik dahinter: Prime Intellects Prüfverfahren TOPLOC verifiziert den Inferenz- beziehungsweise Rollout-Schritt, nicht den Gradientenschritt. Selbst der ambitionierteste Versuch, Training prüfbar zu machen, reduziert sein Vertrauensproblem am Ende wieder auf das Prüfen von Inferenzen. PRIME, der zugehörige Token, bleibt dünn gehandelt.

Der gemeinsame Nenner dieser Fälle ist nicht Pessimismus, sondern Physik und Ökonomie. Ein Modell über das offene Internet zu trainieren bedeutet, Gradienten zwischen weit entfernten Rechnern hin und her zu schieben, und die verfügbare Bandbreite wird dabei schnell zum Flaschenhals; selbst die führenden Projekte fallen für die schweren Läufe auf eng vernetzte, zentral stehende Cluster zurück. Dazu kommt die fehlende zahlende Nachfrage: Wer ein Modell trainieren will, mietet lieber eine bekannte Cloud, als einem Schwarm anonymer GPUs zu vertrauen, dessen Beweisbarkeit noch gar nicht steht. Beides zusammen erklärt, warum die Trainings-Seite 2026 eher Forschung als Umsatz produziert.

Die Versuche, auch das Training zu beweisen

Es wäre unfair, die Trainings-Seite als untätig darzustellen. Nur fällt auf, dass alle ernsthaften Ansätze das Problem nicht per Kryptografie lösen, sondern per Wiederholung und Schiedsverfahren, also im Grunde opML-Logik auf das Training angewandt.

Gensyns Forschungsarbeit Verde beschreibt eine arbitrierte Delegation: Mehrere Anbieter rechnen, bei Uneinigkeit bisektiert ein Schiedsrichter die Berechnungsgraphen bis zum exakt abweichenden Operator und entscheidet dort. Die Garantie lautet, das Ergebnis stimmt, solange mindestens einer von N Anbietern ehrlich ist. Die Arbeit Optimistic Verifiable Training verfolgt dasselbe Muster für das Training direkt: Erst wird die Hardware-Nichtdeterminismus-Falle entschärft, bis ein Lauf reproduzierbar genug ist, dass ein Betrugsbeweis überhaupt greift; dann gilt opML-Logik, veröffentlichen, Einspruchsfenster, Nachrechnen des strittigen Schritts. Akademische Entwürfe unter dem Schlagwort Proof of Training gehen in dieselbe Richtung.

Alle drei haben eines gemeinsam: Sie machen das Training prüfbar, indem sie es wiederholbar machen, nicht indem sie einen kompakten mathematischen Beweis erzeugen wie DeepProve für die Inferenz. Das ist ein gradueller, kein prinzipieller Fortschritt. Und keiner dieser Ansätze berührt die Herkunftsfrage: Reproduzierbares Training beweist, dass die Rechnung stimmt, nicht, dass die Daten sauber waren.

Inferenz beweisen gegen Training beweisen

Die Tabelle stellt die beiden Hälften direkt nebeneinander. Sie ist der Kern dieses Textes, weil sie zeigt, warum der Markt so entschieden hat, wie er entschieden hat.

Der Befund lässt sich in einem Satz zusammenfassen: Die Antwort lässt sich beweisen, die Herkunft nicht. Und genau an diesem Satz setzt die Regulierung an.

Der EU AI Act verlangt Herkunft, beweist sie aber nicht

Ausgerechnet die Trainings-Seite, die technisch am wenigsten vorzeigen kann, bekommt 2026 den stärksten regulatorischen Rückenwind. Der EU AI Act verpflichtet Anbieter von Allzweck-KI-Modellen nach Artikel 53 Absatz 1 Buchstabe d, eine hinreichend detaillierte Zusammenfassung der Trainingsinhalte zu veröffentlichen, und zwar nach einer verbindlichen Vorlage des AI Office, die bereits am 24. Juli 2025 vorgestellt wurde. Die Pflicht gilt für alle Allzweckmodelle, auch für quelloffene. Seit dem 2. August 2026 kann die Kommission Verstöße verfolgen und Abhilfemaßnahmen anordnen; bei Allzweckmodellen drohen Geldbußen bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes.

Hier schließt sich der Kreis zur Technik. Das Gesetz verlangt, die Herkunft zu erklären, aber es gibt kein Mittel, diese Erklärung zu beweisen. Ein Anbieter füllt die Vorlage aus, und niemand kann kryptografisch nachprüfen, ob die angegebene Datenbasis der tatsächlich verwendeten entspricht. Genau diese Lücke ist der eigentliche Markt für beweisbares Training, falls er je entsteht: ein Nachweis, der die Behauptung in der Vorlage an einen prüfbaren Beleg bindet.

Dass die Lücke real ist, zeigt der Stanford AI Index 2026: 80 von 95 nennenswerten Modellen des Jahres 2025 kamen ohne zugehörigen Trainingscode auf den Markt, nur vier mit quelloffenem Trainingscode; der Foundation Model Transparency Index fiel von 58 auf 40, und die großen Labore stellten die Angabe von Datensatzgrößen und Trainingsdauer still ein. Der Bericht bringt es auf die Formel, die fähigsten Modelle offenbarten am wenigsten. Eine Transparenzpflicht trifft also auf eine Branche, die sich in die Gegenrichtung bewegt, und das ist der Hebel, an dem Krypto ansetzen könnte, wenn der Nachweis billig genug wird. Dass Europa den Druck erhöht, während Washington in Krypto-Fragen eher lockert, ist ein Muster, das sich auch anderswo zeigt, etwa bei der Geldwäsche-Aufsicht.

BaFin, MiCA und die Grauzone der Infrastruktur-Token

Für deutsche Leser lohnt die Unterscheidung zwischen der Technik und den Token, die sie finanzieren. Das Protokoll selbst, ob zkML-Beweissystem oder TEE-Netz, ist kein beaufsichtigter Finanzdienst. Reguliert werden die Dienstleistungen drumherum und die Token, mit denen bezahlt wird. Die BaFin hat ihre Linie im Merkblatt zu Kryptowerte-Dienstleistungen vom 3. Januar 2025 festgehalten: MiCA erfasst Emittenten und Dienstleister (CASP), nicht die zugrunde liegende Software. In Deutschland lief der Bestandsschutz für Alt-Anbieter nach Paragraf 50 des Kryptomärkteaufsichtsgesetzes bereits zum 31. Dezember 2025 aus, früher als die EU-weite Frist; seit Anfang 2026 dürfen nur noch MiCA-lizenzierte CASP operieren, und die BaFin führt die EU bei der Zahl erteilter Lizenzen an.

Ein Infrastruktur-Token, der Beweisarbeit bezahlt oder Prover belohnt, fällt in eine Grauzone. Er ist meist kein E-Geld- und kein vermögenswertreferenzierter Token im Sinne von MiCA, aber ob er als sonstiger Kryptowert mit Whitepaper-Pflicht gilt oder im Einzelfall als Finanzinstrument einzuordnen ist, hängt an der Ausgestaltung. In den USA ist die Lage ähnlich unklar: Die gemeinsame Auslegung von SEC und CFTC vom März 2026 ordnete zwar Token wie Bitcoin, Ethereum, Solana und XRP als digitale Rohstoffe ein, schwieg aber zu KI-Infrastruktur- und verifiable-compute-Token. Was nicht ausdrücklich eingeordnet ist, bleibt im Einzelfall-Risiko. Anleger sollten das als das lesen, was es ist: regulatorische Offenheit, nicht regulatorische Entwarnung.

Die Token sagen etwas anderes als die Technik

Es gibt eine hartnäckige Lücke zwischen dem, was die Technik liefert, und dem, was die Token wert sind. 2026 ist das Jahr, in dem die Inferenz-Seite real geliefert hat, DeepProve bewies ein ganzes LLM, EigenAI zeigte byte-exakte Reproduzierbarkeit, Phala stemmt Milliarden vertraulicher Token pro Tag. Trotzdem notieren die zugehörigen Beweis-Token fast alle tief unter ihren Höchstständen. Die Zahlen stammen von CoinGecko, Stichtag 17. Oktober 2026.

Eine Nuance ist wichtig: Der einzige Ausreißer nach oben ist PHA, der TEE-nahe Wert, mit rund 78 Prozent Plus in 30 Tagen, während die reinen ZK-Proving-Token kaum zulegten. Das passt zur These dieses Textes, die schnelle, hardware-gestützte Inferenz-Verifikation findet gerade ihren Markt, die teurere kryptografische noch nicht. Auf der Trainings-Seite ist das Bild noch deutlicher: Gensyns Token $AI klebt nahe seinem Allzeittief, was weniger mit der Technik zu tun hat als mit Dilution und der Frage, was ein Infrastruktur-Token wert ist, wenn Kapital wieder etwas kostet. Wer hier investiert, kauft eine Wette auf künftige Nachfrage, nicht einen Anspruch auf heutige Cashflows.

Was das praktisch heißt

Für Entwickler, Anleger und alle, die in Pressemitteilungen das Wort „verifizierbar“ lesen, folgt aus der Zweiteilung eine brauchbare Prüffrage: Beweist das Projekt eine Inferenz oder ein Training? Beweist es eine Inferenz, ist 2026 technisch viel möglich, und man sollte nur nachhaken, welche Methode genutzt wird (ZK, TEE oder ökonomisch) und welches Modell genau bewiesen wird, das volle oder eine quantisierte Annäherung. Beweist es angeblich ein Training, ist Skepsis angebracht; meist läuft es auf Wiederholung und Schiedsverfahren hinaus, und die Herkunft der Daten bleibt ungedeckt.

Die lohnendsten Anwendungen liegen dort, wo eine bewiesene Inferenz unmittelbar Geld oder Vertrauen sichert. Autonome Agenten, die eine Entscheidung belegen, bevor sie Kapital bewegen; Orakel, die eine Modellausgabe an einen Beweis binden; Prognosemärkte, die ihre Abrechnung prüfbar machen. Wofür sich verifizierbare Inferenz on-chain konkret eignet und wofür nicht, zeigt der Überblick zu den Anwendungsfällen. Dass die Nachfrage nach Rechenleistung real ist, lässt sich im Übrigen auch am Verhalten der Bitcoin-Miner ablesen, die ihre Hallen zunehmend für KI-Lasten umrüsten, mit gemischtem Echo an der Börse, wie der Fall Marathon gegen Riot zeigt.

Unterm Strich ist verifiable compute 2026 kein einheitliches Feld, sondern ein Tempo-Unterschied. Die eine Hälfte, die Inferenz, hat die Mauer durchbrochen und sucht Kunden. Die andere, das Training, hat die Mauer noch vor sich und wird von der Regulierung gerade erst an sie herangeschoben. Die Antwort lässt sich beweisen; die Herkunft noch nicht.

Häufig gestellte Fragen

Was ist verifiable compute einfach erklärt?

Verifiable compute bedeutet, dass ein Rechner nicht nur ein Ergebnis liefert, sondern auch einen kompakten Beweis seiner Korrektheit. Der Prüfer muss die Rechnung nicht wiederholen, sondern nur den Beweis kontrollieren. Das Vertrauen verschiebt sich von „vertraue dem Server“ zu „prüfe den Beweis“.

Warum lässt sich eine KI-Inferenz leichter beweisen als ein Training?

Eine Inferenz ist ein einzelner, abgeschlossener Vorwärtslauf von der Eingabe zur Ausgabe. Ein Training besteht aus Millionen Schritten und wirft zusätzlich die Frage nach der Datenherkunft auf, die kein einzelner Rechenbeweis beantwortet. Deshalb ist die Inferenz 2026 nahe an der Produktion, während das Training Forschung bleibt.

Kann zkML inzwischen große Sprachmodelle beweisen?

Ja, in Grenzen. Das System DeepProve von Lagrange Labs hat 2026 nach eigenen Angaben GPT-2 und Gemma-3 vollständig bewiesen, Modelle der Llama-Klasse sind in Arbeit. Möglich wurde das durch Lookups, die teure nichtlineare Operationen billiger machen. Oft wird allerdings eine quantisierte, leicht vereinfachte Modellvariante bewiesen, nicht das volle 32-Bit-Modell.

Was fordert der EU AI Act von KI-Anbietern beim Training?

Anbieter von Allzweck-KI-Modellen müssen nach Artikel 53 eine hinreichend detaillierte Zusammenfassung ihrer Trainingsinhalte nach einer Vorlage des AI Office veröffentlichen. Seit dem 2. August 2026 kann die Kommission das durchsetzen, mit Bußgeldern bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes. Das Gesetz verlangt aber nur die Angabe der Herkunft, beweisen kann es sie nicht.

Sind verifiable-compute-Token wie EIGEN oder PROVE in Deutschland reguliert?

Das Protokoll selbst ist kein beaufsichtigter Finanzdienst, reguliert werden Dienstleister und Token. Nach dem BaFin-Merkblatt erfasst MiCA Emittenten und CASP, nicht die zugrunde liegende Software. Infrastruktur-Token fallen meist in eine Grauzone, und SEC und CFTC schwiegen in ihrer Auslegung vom März 2026 zu solchen KI-Token. Das ist regulatorische Offenheit, keine Entwarnung.

Von Marcus Okafor, Redakteur für Krypto und KI bei HOGE Wire.