K\u00fcnstliche Intelligenz trifft Blockchains an einer unbequemen Stelle: Ein neuronales Netz mit Milliarden Parametern l\u00e4sst sich nicht in einem Smart Contract ausf\u00fchren, und ein Smart Contract kann einem externen Server nicht blind glauben, dass er das richtige Modell korrekt gerechnet hat. opML, kurz f\u00fcr optimistic machine learning, ist eine der vier gro\u00dfen Antworten auf dieses Problem. Statt jede Berechnung teuer zu beweisen, geht opML zun\u00e4chst von Ehrlichkeit aus und l\u00e4sst einen Einspruch nur dann eskalieren, wenn jemand widerspricht. Der Ansatz stammt von Ora Protocol (vormals Hyper Oracle) und borgt sich seine Grundidee direkt bei den Optimistic Rollups, die Ethereum skalieren. Im August 2026 steht opML an einem aufschlussreichen Punkt: Die Technik l\u00e4uft, die Konkurrenz hat aufgeholt, und der zugeh\u00f6rige Token notiert fast 99,9 Prozent unter seinem Hoch. Dieser Text ordnet ein, wie opML funktioniert, wo die Grenzen liegen und was davon f\u00fcr deutschsprachige Entwickler und Anleger z\u00e4hlt.<\/p>
opML steht f\u00fcr optimistic machine learning. Die Idee: Ein Rechenknoten f\u00fchrt ein KI-Modell abseits der Kette aus, ver\u00f6ffentlicht das Ergebnis zusammen mit einer kompakten kryptografischen Zusammenfassung (einem Merkle-Commitment) auf der Blockchain und behauptet, korrekt gerechnet zu haben. Dieses Ergebnis gilt nach Ablauf einer Einspruchsfrist als endg\u00fcltig, es sei denn, ein anderer Teilnehmer widerspricht und weist per Betrugsbeweis nach, dass gepfuscht wurde. Bis zu diesem Widerspruch wird optimistisch von Ehrlichkeit ausgegangen, daher der Name.<\/p>
Der Reiz liegt in den Kosten. Ein gro\u00dfes Sprachmodell wie Llama 3.3 mit 70 Milliarden Parametern l\u00e4sst sich nicht in einem Smart Contract ausf\u00fchren, und es kryptografisch zu beweisen (der Weg von zkML) ist mit heutiger Technik extrem teuer. opML dreht die Logik um: Das reine Rechnen ist billig, nur der Streitfall ist teuer, und Streitf\u00e4lle sind selten. Das Whitepaper von Ora, „opML: Optimistic Machine Learning on Blockchain“ (arXiv, Januar 2024)<\/a>, beschreibt den Ansatz ausdr\u00fccklich als „reminiscent of the optimistic rollup systems“. Wer die Funktionsweise von Arbitrum oder OP Mainnet kennt, kennt damit auch das Grundprinzip von opML.<\/p> „Von Ehrlichkeit ausgehen“ klingt naiv, ist aber ein etabliertes Sicherheitsmodell. Auch die Buchhaltung eines Unternehmens wird nicht bei jeder Buchung von einem Wirtschaftspr\u00fcfer kontrolliert, sondern stichprobenartig und im Verdachtsfall; die Abschreckung liegt in der Pr\u00fcfbarkeit, nicht in der st\u00e4ndigen Pr\u00fcfung. opML \u00fcbertr\u00e4gt dieses Prinzip auf Rechenleistung: Nicht jede Inferenz wird nachgerechnet, aber jede k\u00f6nnte es werden, und ein ertappter Betr\u00fcger verliert seinen Einsatz. Solange die Strafe im Streitfall hoch genug und die Aufdeckung wahrscheinlich genug ist, lohnt sich Betrug nicht. Genau an dieser Rechnung entscheidet sich, ob das Modell in der Praxis tr\u00e4gt oder nur auf dem Papier funktioniert.<\/p> Optimistic Rollups haben Ethereum skaliert, indem sie Transaktionen abseits der Kette b\u00fcndeln, nur eine Zusammenfassung auf Layer 1 schreiben und diese als g\u00fcltig behandeln, solange niemand innerhalb einer Frist einen Betrugsbeweis (fraud proof) einreicht. Bei Arbitrum und OP Mainnet betr\u00e4gt diese Frist \u00fcblicherweise sieben Tage. Das System bleibt sicher, solange mindestens ein ehrlicher W\u00e4chter mitschaut und bereit ist, falsche Behauptungen anzufechten.<\/p> opML \u00fcbertr\u00e4gt genau dieses Muster von der Transaktionsverarbeitung auf die KI-Inferenz. Statt „Habt ihr diese Ethereum-Transaktionen korrekt ausgef\u00fchrt?“ lautet die Frage „Habt ihr dieses neuronale Netz korrekt ausgef\u00fchrt?“. Die Antwort steht auf der Kette, ein Zeitfenster erlaubt Einspruch, und wer widerspricht, muss den Fehler beweisen, nicht blo\u00df behaupten. Der entscheidende Vorteil gegen\u00fcber dem kryptografischen Weg: Im Normalfall, wenn niemand streitet, f\u00e4llt praktisch kein zus\u00e4tzlicher Rechenaufwand an. Das Modell l\u00e4uft einmal, ganz normal, auf normaler Hardware.<\/p> Das Herzst\u00fcck von opML ist \u00e4lter als die Optimistic Rollups. Schon 2017 beschrieben Jason Teutsch und Christian Reitwiessner in ihrem Truebit-Papier „A scalable verification solution for blockchains“<\/a> ein interaktives Verifikationsspiel: Statt eine ganze Berechnung nachzurechnen, grenzen zwei Streitparteien den Konflikt Schritt f\u00fcr Schritt ein, bis nur noch ein einziger, winziger Rechenschritt strittig ist. Diesen einen Schritt kann die Blockchain dann selbst g\u00fcnstig nachvollziehen und den Streit entscheiden.<\/p> Dieses Prinzip der bin\u00e4ren Suche (bisection) durch eine Berechnung ist die intellektuelle Grundlage sowohl der Optimistic Rollups als auch von opML. Ora wendet es auf maschinelles Lernen an: Die Ausf\u00fchrung eines Modells wird in Millionen elementarer Maschinenoperationen zerlegt, und im Streitfall wird genau die eine Operation gesucht, bei der ehrlicher und unehrlicher Knoten voneinander abweichen. Man muss nie das ganze 70-Milliarden-Parameter-Modell auf der Kette nachrechnen, sondern nur einen einzelnen Rechenschritt. Das ist der Trick, der \u00fcberhaupt erst \u00f6konomisch macht, ein solches Modell auf einer Blockchain zu verankern.<\/p> Der Charme dieses Ansatzes liegt in der Asymmetrie. Das Ausf\u00fchren eines Modells ist teuer, das Pr\u00fcfen eines einzelnen strittigen Schritts dagegen billig. Truebit zeigte, dass sich diese Asymmetrie in ein Spiel \u00fcberf\u00fchren l\u00e4sst, bei dem ein Betr\u00fcger im Streit immer verliert, weil die Suche unweigerlich bei der einen manipulierten Operation landet. opML erbt damit eine Eigenschaft, die es von reiner dezentraler Rechenleistung unterscheidet: Andere GPU-Marktpl\u00e4tze vermieten zwar Rechenkapazit\u00e4t, beweisen aber nicht, dass korrekt gerechnet wurde. opML f\u00fcgt genau diese Beweisbarkeit hinzu, ohne das Modell selbst on-chain auszuf\u00fchren.<\/p> Damit ein solcher Streit objektiv entscheidbar ist, braucht opML eine deterministische Ausf\u00fchrungsumgebung, in der jeder denselben Rechenschritt bit-genau reproduzieren kann. Ora nennt sie Fraud Proof Virtual Machine (FPVM). In der einfachsten Variante, dem Ein-Phasen-Protokoll, wird die gesamte Modellausf\u00fchrung in diese eingeschr\u00e4nkte VM gezw\u00e4ngt. Das ist robust und simpel, aber langsam: keine GPU, keine parallele Beschleunigung, jeder Schritt einzeln.<\/p> Die Praxis nutzt daher das Mehr-Phasen-Protokoll. Hier l\u00e4uft die unstrittige Berechnung nativ und schnell, mit GPU und paralleler Verarbeitung; nur der eine bisektierte, strittige Mikroschritt wird in der langsamen VM nachvollzogen. Laut Oras Dokumentation auf GitHub<\/a> senkt das die Komplexit\u00e4t des Merkle-Baums von der Gr\u00f6\u00dfenordnung O(mn) auf O(m+n) und beschleunigt den Prozess „tens to hundreds of times“ gegen\u00fcber dem Ein-Phasen-Verfahren. In den projekteigenen Benchmarks (auf MNIST-Gr\u00f6\u00dfenordnung, einem klassischen Bilddatensatz) liegt eine Inferenz bei rund zwei Sekunden und ein vollst\u00e4ndiger Streitzyklus bei etwa zwei Minuten auf einem lokalen Testnetz.<\/p> Ora berichtet zudem, ein Llama-Modell mit 7 Milliarden Parametern (rund 26 Gigabyte) laufe ohne GPU auf einem gew\u00f6hnlichen PC. Diese Zahl ist eine Eigenangabe des Projekts und wurde nicht unabh\u00e4ngig auditiert; sie stammt aus derselben technischen Beschreibung, die 0x1cc bereits im August 2023 im Optimism-Governance-Forum<\/a> vorstellte, Monate vor dem formalen arXiv-Papier. Wer opML bewertet, sollte projekteigene Benchmarks und unabh\u00e4ngig gepr\u00fcfte Ergebnisse sauber trennen.<\/p> Konkret l\u00e4uft ein Streit so ab: Ehrlicher und angreifender Knoten legen jeweils einen Merkle-Wurzelwert f\u00fcr den Zustand nach jeder Phase der Berechnung vor. Weichen die Wurzeln ab, halbiert das Protokoll den Bereich und fragt nach dem Zwischenzustand in der Mitte. Dieses Halbieren wiederholt sich, bis nur noch ein einzelner Rechenschritt zwischen zwei bekannten Zust\u00e4nden strittig ist. Diesen einen Schritt f\u00fchrt der Smart Contract dann in der FPVM selbst aus und vergleicht das Ergebnis mit den Behauptungen beider Seiten. Wer gelogen hat, steht damit fest, ohne dass die Kette je das ganze Modell berechnet h\u00e4tte. Bei einem Modell mit Milliarden Operationen gen\u00fcgen daf\u00fcr wenige Dutzend Halbierungsrunden.<\/p> Die Sicherheit von opML ruht auf zwei S\u00e4ulen. Erstens dem Challenge-Fenster: Nach Ver\u00f6ffentlichung eines Ergebnisses vergeht eine feste Frist, in der Validatoren die Rechnung nachpr\u00fcfen und anfechten k\u00f6nnen. In Oras Umsetzung l\u00e4uft die opML-Berechnung auf Arbitrum; der Knoten l\u00e4dt das Ergebnis hoch, wartet die Einspruchsfrist ab, und erst danach gilt es als finalisiert. Zweitens der Ein-von-N-Annahme: Das System bleibt sicher, solange mindestens ein ehrlicher, wachsamer Teilnehmer existiert, der bereit ist, ein falsches Ergebnis anzufechten.<\/p> Diese Annahme ist zugleich die gr\u00f6\u00dfte Schwachstelle. Sie funktioniert nur, wenn das Anfechten sich lohnt. Truebit hat daf\u00fcr schon vor Jahren das Verifier’s Dilemma benannt: Wenn Ergebnisse fast immer korrekt sind, hat ein rationaler W\u00e4chter kaum Anreiz, teuer nachzurechnen, denn er findet fast nie einen Fehler und geht meist leer aus. Truebit l\u00f6ste das mit absichtlich eingestreuten Fehlern und einem Jackpot f\u00fcr aufmerksame Pr\u00fcfer. F\u00fcr opML ist in der ver\u00f6ffentlichten Praxis keine gleichwertige, ausgereifte Anreizl\u00f6sung dokumentiert; das ist ein offener Punkt, den Kritiker regelm\u00e4\u00dfig anf\u00fchren. Ohne aktive, gut bezahlte W\u00e4chter ist das Einspruchsfenster nur so gut wie das Vertrauen, dass jemand hinschaut.<\/p> Die L\u00e4nge des Fensters ist eine Gratwanderung. Ein kurzes Fenster liefert schneller Endg\u00fcltigkeit, l\u00e4sst W\u00e4chtern aber weniger Zeit, einen Betrug zu bemerken und anzufechten; ein langes Fenster erh\u00f6ht die Sicherheit, macht opML f\u00fcr interaktive Anwendungen aber unbrauchbar. Optimistic Rollups leben mit sieben Tagen, weil dort Geld auf dem Spiel steht und Sicherheit vorgeht. F\u00fcr ein KI-Orakel, dessen Antwort ein Mensch oder ein anderer Vertrag zeitnah nutzen will, sind sieben Tage undenkbar. Genau dieser Zielkonflikt zwischen schneller Finalit\u00e4t und sicherer Anfechtbarkeit ist der Grund, warum die 2026 diskutierten Hybride ansetzen, das Fenster mit anderen Mitteln zu verk\u00fcrzen.<\/p> Hinter opML steht Ora Protocol, gegr\u00fcndet im September 2022 unter dem Namen Hyper Oracle. Gr\u00fcnder Kartin Wong bringt Infrastruktur-Erfahrung von Google und TikTok mit; als Chief Scientist stie\u00df Cathie So dazu, zuvor zkML-Forscherin bei der Privacy and Scaling Explorations (PSE) Gruppe der Ethereum Foundation. Damit vereint das Team Kompetenz in beiden Verifikationswelten, der optimistischen und der kryptografischen. Im Juni 2024 sammelte Ora nach Angaben von CoinDesk 20 Millionen US-Dollar ein, unter anderem von Polychain, HF0 und HashKey Capital.<\/p> Wong formulierte das Ziel gegen\u00fcber CoinDesk<\/a> knapp: Ora wolle „unlock the design space for AI dapps“, also den Gestaltungsraum f\u00fcr KI-Anwendungen auf der Kette \u00f6ffnen. Der Gedanke dahinter: Erst wenn ein Smart Contract dem Output eines KI-Modells vertrauen kann, ohne ihn selbst nachzurechnen, lassen sich Anwendungen bauen, die KI-Urteile direkt in on-chain-Logik gie\u00dfen, von KI-kuratierten Finanzprodukten bis zu autonomen Agenten. Diese Klammer zwischen Rechnen und Vertrauen ist die eigentliche Wette, die opML eingeht. \u00c4hnliche Ambitionen treiben andere KI-Krypto-Projekte an, etwa Gensyn, das KI-Training beweisbar machen will<\/a>.<\/p> Bemerkenswert ist der Weg des Projekts. Als Hyper Oracle startete das Team mit einem ZK-zentrierten Ansatz, einem programmierbaren zkOracle, das Ereignisse auf der Kette kryptografisch beweisen sollte. Der Schwenk zu opML war eine pragmatische Entscheidung: Gro\u00dfe KI-Modelle lie\u00dfen sich mit Zero-Knowledge-Technik schlicht nicht wirtschaftlich beweisen, wohl aber optimistisch verankern. Neben OAO experimentiert Ora mit einem Konzept namens Initial Model Offering (IMO), das die Einnahmen eines Modells als ERC-20-Token abbildet und damit eine Art handelbare Beteiligung an einem KI-Modell schafft. In der Praxis blieb das Interesse daran gering; es zeigt aber, wie weit die Gestaltungsideen rund um verifizierbare KI reichen.<\/p> Das sichtbarste Produkt ist das Onchain AI Oracle (OAO). Es liegt unter derselben Vertragsadresse auf mehr als einem Dutzend Ketten, darunter Ethereum, Optimism, Arbitrum, Base, Polygon, Linea, Mantle und BSC; Blockworks best\u00e4tigte den Start auf dem Ethereum-Mainnet<\/a>. Der Ablauf ist immer gleich: Ein Nutzervertrag ruft OAO auf, die Anfrage geht an die opML-Knoten, das Ergebnis wird mitsamt Einspruchsfenster ver\u00f6ffentlicht, danach ruft OAO den anfragenden Vertrag per Callback zur\u00fcck. Unterst\u00fctzt werden laut Oras GitHub-Repository<\/a> offene Modelle wie Llama 3.3 70B, QwQ-32B, Qwen2.5-Coder, Mixtral, Gemma, Mistral, Stable Diffusion 3 und 3.5 sowie FLUX.1, dazu propriet\u00e4re Schnittstellen wie GPT-4o und DALL-E. Die Geb\u00fchr pro Aufruf liegt zwischen 0,01 und 1,00 ORA.<\/p> Seit Ende Januar 2025 baut Ora darauf opAgent auf, ein Framework f\u00fcr Onchain Perpetual Agents. Die Idee, wie sie das Unternehmen in einer Mitteilung \u00fcber Decrypt<\/a> beschreibt: autonome digitale Akteure, die nicht \u00fcber einen privaten Schl\u00fcssel, sondern \u00fcber Smart-Contract-Logik gesteuert werden und dauerhaft auf der Kette existieren. opML ist dabei die Br\u00fccke, die jede Handlung eines Agenten (ein Tausch auf einem DEX, ein Transfer, das Ausrollen eines Vertrags) verifizierbar machen soll. Wichtig zur Einordnung: Der Decrypt-Text ist eine vom Projekt gelieferte Mitteilung, kein unabh\u00e4ngig gepr\u00fcfter Nutzungsbericht; belastbare Volumendaten zu opAgent hat Ora bislang nicht offengelegt. Wer sich f\u00fcr die Architektur solcher Agenten-Frameworks interessiert, findet in unserer Analyse zum Eliza-Framework<\/a> die Gegenprobe aus einem konkurrierenden \u00d6kosystem.<\/p> Welche Anwendungen ergeben sich daraus? Denkbar sind KI-kuratierte DeFi-Strategien, bei denen ein Modell Portfoliogewichte vorschl\u00e4gt und der Vorschlag verifizierbar in einen Vertrag flie\u00dft; die Aufl\u00f6sung von Prediction Markets, bei denen ein Modell statt eines menschlichen Komitees \u00fcber den Ausgang eines Ereignisses urteilt; oder verifizierbare Inhalts- und Moderationsfilter, deren Entscheidung nachpr\u00fcfbar sein muss. Auch in der Spielelogik lie\u00dfe sich ein NPC von einem on-chain-verifizierten Modell steuern. Gemeinsam ist diesen F\u00e4llen, dass das Urteil einer KI unmittelbar Werte oder Rechte bewegt, weshalb der blo\u00dfe Zuruf eines zentralen Servers nicht gen\u00fcgt. Ob solche Anwendungen in nennenswertem Volumen entstehen, ist die eigentliche Bew\u00e4hrungsprobe.<\/p> Ein Detail entscheidet \u00fcber die Aussagekraft von opML, und es geht in Marketingfolien gern unter: Der Betrugsbeweis funktioniert nur, wenn ein Anfechter das Ergebnis unabh\u00e4ngig reproduzieren kann. Das setzt offene Gewichte voraus. Bei quelloffenen Modellen wie Llama oder Stable Diffusion kann jeder W\u00e4chter das Modell selbst laden und den strittigen Rechenschritt nachvollziehen; hier greift die optimistische Sicherheit im vollen Sinn.<\/p> Bei geschlossenen APIs wie GPT-4o oder DALL-E ist das nicht m\u00f6glich, denn die Gewichte liegen bei OpenAI. Ein solches Ergebnis kann OAO zwar durchreichen und mit einer Attestierung versehen, aber niemand au\u00dferhalb von OpenAI kann per Betrugsbeweis widerlegen, dass das Modell etwas anderes ausgegeben hat. F\u00fcr geschlossene Modelle ist opML also eher ein Relais mit Vertrauensstempel als ein echter Verifikationsmechanismus. Wer opML nutzt, sollte diese Grenze kennen: Die Garantie ist nur so stark wie die Reproduzierbarkeit des Modells. Das ist kein Bug, sondern eine strukturelle Eigenschaft, die man bei jeder Werbeaussage mitdenken muss.<\/p> opML ist einer von vier Wegen, KI-Berechnungen vertrauensw\u00fcrdig zu machen. Vitalik Buterin hat sie in seinem Essay „The promise and challenges of crypto + AI applications“ (Januar 2024)<\/a> in Kategorien sortiert. Die Kurzfassung: zkML beweist kryptografisch, opML beweist optimistisch per Einspruch, TEEs (Trusted Execution Environments) vertrauen auf abgesicherte Hardware, und krypto-\u00f6konomische Ans\u00e4tze setzen auf Einsatz und Slashing.<\/p>Warum „optimistisch“? Die Anleihe bei den Rollups<\/h2>
Die Truebit-Linie: das Verifikationsspiel als Vorbild<\/h2>
Die Fraud Proof Virtual Machine: Ein-Phasen gegen Mehr-Phasen<\/h2>
Das Challenge-Fenster und die Ein-ehrlicher-W\u00e4chter-Annahme<\/h2>
Ora Protocol: von Hyper Oracle zum Onchain-KI-Orakel<\/h2>
OAO und opAgent: opML im Einsatz<\/h2>
Der Haken bei GPT-4o: was opML wirklich absichert<\/h2>
opML im Vergleich: zkML, TEE und Krypto-\u00d6konomie<\/h2>