K\u00fcnstliche Intelligenz trifft auf Smart Contracts, doch eine Frage bleibt offen: Woher wei\u00df eine Blockchain, dass ein KI-Modell tats\u00e4chlich das berechnet hat, was es behauptet? opML, kurz f\u00fcr Optimistic Machine Learning, gibt darauf eine Antwort, die ohne teure kryptografische Beweise auskommt. Der Ansatz stammt vom Team hinter ORA und \u00fcbertr\u00e4gt die Logik optimistischer Rollups auf maschinelles Lernen. Wir erkl\u00e4ren, wie das Verfahren arbeitet, wo es bereits produktiv l\u00e4uft und was deutsche Anlegerinnen und Anleger dazu wissen sollten.<\/p>\n\n\n\n
opML ist ein Verfahren, um die Ergebnisse von KI-Modellen auf der Blockchain \u00fcberpr\u00fcfbar zu machen, ohne die Berechnung selbst on-chain auszuf\u00fchren. Der Name verr\u00e4t das Prinzip: Ein Ergebnis gilt zun\u00e4chst als korrekt, also optimistisch, kann aber innerhalb einer festgelegten Frist angefochten werden. Stellt sich ein Resultat als falsch heraus, verliert derjenige, der es eingereicht hat, seine hinterlegte Sicherheit. Vorgestellt wurde das Konzept Anfang 2024 in einem Whitepaper von KD Conway, Cathie So, Xiaohang Yu und Kartin Wong<\/a>, das aus dem Umfeld von ORA, vormals Hyper Oracle, stammt.<\/p>\n\n\n\n Die Relevanz ist 2026 sp\u00fcrbar gewachsen. Autonome KI-Agenten beginnen, eigenst\u00e4ndig on-chain zu handeln, Verm\u00f6genswerte zu halten und Zahlungen auszul\u00f6sen. Ant Group stellte im April 2026 mit Anvita eine Plattform f\u00fcr genau solche Agenten<\/a> vor, samt Zahlungen per Stablecoin im Sekundentakt. Sobald Software autonom \u00fcber Geld entscheidet, wird die Frage nach \u00fcberpr\u00fcfbaren KI-Ergebnissen zentral. opML positioniert sich als eine der praktikabelsten Antworten darauf.<\/p>\n\n\n\n Ein modernes Sprachmodell mit mehreren Milliarden Parametern direkt in einem Smart Contract auszuf\u00fchren, ist praktisch unm\u00f6glich. Die Rechenlast w\u00fcrde die Gas-Kosten in absurde H\u00f6hen treiben, und die Speicheranforderungen sprengen jeden Block. Die Berechnung muss also off-chain stattfinden. Damit entsteht eine Vertrauensl\u00fccke: Ein Dienstleister liefert ein Ergebnis, doch die Blockchain hat zun\u00e4chst keine M\u00f6glichkeit, dessen Richtigkeit selbst nachzuvollziehen.<\/p>\n\n\n\n F\u00fcr dieses Problem haben sich zwei Denkschulen herausgebildet. Die eine setzt auf zkML, also auf Zero-Knowledge-Beweise, die mathematisch garantieren, dass eine Berechnung korrekt ausgef\u00fchrt wurde. Die andere setzt auf opML und ersetzt den kryptografischen Beweis durch wirtschaftliche Anreize und eine Einspruchsfrist. Beide Wege haben St\u00e4rken und Schw\u00e4chen, die sich deutlich unterscheiden.<\/p>\n\n\n\n Im Zentrum steht ein interaktives Betrugsbeweis-Verfahren, das stark an optimistische Rollups wie Arbitrum oder Optimism und an das \u00e4ltere Truebit-Konzept erinnert. Der Ablauf l\u00e4sst sich in wenige Schritte gliedern:<\/p>\n\n\n\n M\u00f6glich macht das eine deterministische Fraud-Proof-Maschine, kurz FPVM, die das Modell in einer reproduzierbaren Umgebung ausf\u00fchrt, \u00e4hnlich einer MIPS-VM. Entscheidend f\u00fcr die Kosten ist, dass on-chain nur dieser eine strittige Rechenschritt gepr\u00fcft wird, nicht die gesamte Berechnung. Der unterlegene Teilnehmer verliert seine Sicherheit, was Manipulation unattraktiv macht. Laut Referenzimplementierung auf GitHub<\/a> und dem Whitepaper l\u00e4sst sich auf diese Weise sogar ein 7B-LLaMA-Modell mit rund 26 GB Gr\u00f6\u00dfe auf einem gew\u00f6hnlichen PC ohne dedizierte GPU pr\u00fcfen. Genau diese Gen\u00fcgsamkeit ist der zentrale Vorteil gegen\u00fcber zkML.<\/p>\n\n\n\n Der wichtigste Unterschied liegt in der Natur der Garantie. zkML liefert einen mathematischen Beweis, opML eine wirtschaftliche Wette darauf, dass sich Betrug nicht lohnt. Die folgende Tabelle stellt beide Ans\u00e4tze gegen\u00fcber, wie es auch ORA in seiner Dokumentation tut.<\/p>\n\n\n\nDas Grundproblem: KI-Ergebnisse ohne Vertrauensanker<\/h2>\n\n\n\n
Wie opML funktioniert: das Verifikationsspiel<\/h2>\n\n\n\n
\n
opML gegen zkML: zwei Wege zu verifizierbarer KI<\/h2>\n\n\n\n