{"id":518,"date":"2026-09-10T16:25:40","date_gmt":"2026-09-10T16:25:40","guid":{"rendered":"https:\/\/hoge.gg\/de\/bittensor-2026-ki-training-ohne-rechenzentrum\/"},"modified":"2026-09-10T16:25:40","modified_gmt":"2026-09-10T16:25:40","slug":"bittensor-2026-ki-training-ohne-rechenzentrum","status":"publish","type":"post","link":"https:\/\/hoge.gg\/de\/bittensor-2026-ki-training-ohne-rechenzentrum\/","title":{"rendered":"Bittensor 2026: Kann das Netz KI ohne Rechenzentrum trainieren?"},"content":{"rendered":"

TAO handelt an diesem 10. September 2026 bei rund 207 Euro (etwa 240 US-Dollar), nach einem R\u00fccksetzer von gut sieben Prozent binnen eines Tages, aber immer noch etwa f\u00fcnf Prozent im Plus auf Wochensicht. Die Marktkapitalisierung liegt bei knapp 2,0 Milliarden Euro (rund 2,3 Milliarden US-Dollar), was f\u00fcr Rang 43 unter allen Krypto-Assets reicht, wie die Daten von CoinGecko<\/a> zeigen. Der Kurs bewegt sich seit Wochen im Takt einer einzigen Erz\u00e4hlung: der Hoffnung auf einen US-Spot-ETF. Grayscale und Bitwise haben Antr\u00e4ge laufen, in Europa gibt es bereits ein b\u00f6rsengehandeltes Produkt auf gestaktes TAO, und jeder Kurssprung wird an dieser Zulassungsfrage gemessen.<\/p>

Doch die eigentliche Geschichte von Bittensor entscheidet sich nicht an der B\u00f6rse. Sie entscheidet sich in verstreuten Server-R\u00e4umen auf mehreren Kontinenten, in denen einzelne GPUs an einem gemeinsamen KI-Modell rechnen, ohne dass jemand ein Rechenzentrum besitzt. Am 28. und 29. September l\u00e4dt die OpenTensor Foundation zum Exploit Summit nach Montr\u00e9al, dem nach eigener Darstellung gr\u00f6\u00dften Bittensor-Event des Jahres, wie Coinpedia<\/a> berichtet. Dort treffen sich Subnet-Betreiber, Entwickler und Investoren, und \u00fcber allem schwebt eine Frage, die kein ETF bepreisen kann: Kann ein Netz aus fremden, unzuverl\u00e4ssigen Rechnern etwas leisten, wof\u00fcr OpenAI, Google und Anthropic Milliarden in konzentrierte Rechenzentren stecken?<\/p>

Bittensor ist Teil einer breiteren Welle dezentraler KI, zu der auch Gaming-nahe Projekte wie Eliza<\/a> geh\u00f6ren. 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 l\u00e4sst die Kursfantasie beiseite und schaut auf das, was in den Trainings-Subnetzen tats\u00e4chlich passiert, was es beweist und wo die harten Grenzen liegen.<\/p>

Inferenz ist leicht, Training ist schwer<\/h2>

Um zu verstehen, warum das Trainieren ein so hartes Problem ist, muss man zwei Vorg\u00e4nge trennen, die in der \u00f6ffentlichen Debatte gern verschwimmen. Inferenz bedeutet, ein fertig trainiertes Modell laufen zu lassen, also eine Frage hineinzugeben und eine Antwort herauszuholen. Training bedeutet, das Modell \u00fcberhaupt erst zu bauen: Milliarden von Parametern \u00fcber Wochen und Monate an gewaltigen Textmengen anzupassen, bis das Netz etwas N\u00fctzliches kann.<\/p>

Inferenz ist, technisch gesprochen, peinlich einfach zu verteilen. Jede Anfrage ist unabh\u00e4ngig von der n\u00e4chsten. Man kann eine Million Anfragen auf hundert Maschinen aufteilen, und keine dieser Maschinen muss wissen, was die andere gerade tut. Genau darauf baut das umsatzst\u00e4rkste Bittensor-Subnetz, Chutes (SN64), auf: serverlose Inferenz, die Anfragen \u00fcber viele Anbieter streut. Das funktioniert, und es l\u00e4sst sich mit echtem Umsatz unterlegen.<\/p>

Training ist das genaue Gegenteil. Beim klassischen Training m\u00fcssen alle beteiligten GPUs im Gleichschritt arbeiten. Nach jedem Rechenschritt tauschen sie sogenannte Gradienten aus, also die Information dar\u00fcber, 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 \u00fcber extrem schnelle Direktverbindungen kommunizieren. \u00dcber das offene Internet wird genau dieser st\u00e4ndige Austausch zur Mauer, an der bisher jeder Versuch verteilten Trainings gescheitert ist.<\/p>

Die Bandbreiten-Mauer und warum Kompression alles \u00e4ndert<\/h2>

Die Zahlen machen das Dilemma greifbar. In einem modernen Rechenzentrum reden GPUs \u00fcber 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 Gr\u00f6\u00dfenordnungen weniger. Epoch AI hat vorgerechnet, dass ein Modell im Stil von DeepSeek v3 mit naiver, unkomprimierter Verteilung \u00fcber solche Leitungen rund 5.000 Jahre br\u00e4uchte, wie das Forschungsinstitut in seiner Analyse zum verteilten Training<\/a> darlegt. Das ist keine Optimierungsaufgabe mehr, das ist ein Show-Stopper.<\/p>

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 f\u00fcr sich allein und gleichen sich nur selten ab. Zweitens DeMo (Decoupled Momentum) von Nous Research, das den Kommunikationsaufwand um etwa zwei Gr\u00f6\u00dfenordnungen senkt, indem es nur die wichtigsten Anteile des Gradienten \u00fcbertr\u00e4gt; die Methode ist in einem arXiv-Papier<\/a> dokumentiert. Drittens SparseLoCo, die von den Templar-Entwicklern verfeinerte Variante, die Sparsifizierung (nur die st\u00e4rksten Signale werden gesendet) mit aggressiver 2-Bit-Quantisierung kombiniert.<\/p>

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 m\u00f6glich w\u00e4re. Wichtig zu verstehen: Diese Kompression ist kein Trick, der Rechenarbeit spart. Die GPUs m\u00fcssen weiterhin voll rechnen. Gespart wird ausschlie\u00dflich am Reden zwischen ihnen, und genau daran ist verteiltes Training bisher gescheitert.<\/p>

Covenant-72B: der erste ernsthafte Beweis<\/h2>

Der erste glaubw\u00fcrdige Nachweis, dass ein dezentrales Netz ein konkurrenzf\u00e4higes 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 geh\u00f6rten. Das Ergebnis hei\u00dft Covenant-72B: ein Modell mit rund 72 Milliarden Parametern, trainiert an etwa 1,09 Billionen Token, \u00fcber einen Zeitraum von rund einem halben Jahr bis in den M\u00e4rz 2026 hinein.<\/p>

Entscheidend ist nicht die reine Gr\u00f6\u00dfe, sondern der Vergleich. Nach Auswertungen des Analysedienstes ownyourmind.ai<\/a> erreichte Covenant-72B im verbreiteten Wissenstest MMLU einen Wert von 67,1 und lag damit \u00fcber 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 \u00fcber 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.<\/p>

Der Haken, auf den wir weiter unten zur\u00fcckkommen, hat zwei Seiten. Erstens war die daf\u00fcr n\u00f6tige Hardware alles andere als bescheiden. Und zweitens hat ausgerechnet das Team, das diesen Beweis lieferte, wenige Wochen sp\u00e4ter das Netz unter lautem Protest verlassen. Beides geh\u00f6rt zur Trainings-Story von Bittensor untrennbar dazu.<\/p>

Orion-100B: Macrocosmos hebt den Einsatz<\/h2>

Kaum war Covenant-72B fertig, zog ein anderes Team nach und hob die Latte deutlich h\u00f6her. Macrocosmos, Betreiber gleich mehrerer Subnetze, k\u00fcndigte im Juni 2026 Orion-100B an: einen Trainingslauf f\u00fcr ein Modell mit rund 100 Milliarden Parametern, verteilt \u00fcber das offene Internet. Grundlage ist eine Architektur namens IOTA (Incentivised Orchestrated Training Architecture) im Subnetz 9, deren Ansatz sich technisch deutlich von Covenant unterscheidet.<\/p>

Der Kern von IOTA ist Pipeline-Parallelismus. Statt dass jeder Teilnehmer eine vollst\u00e4ndige Kopie des Modells h\u00e4lt (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 H\u00fcrde f\u00fcr die einzelne Maschine. Die Zwischenergebnisse zwischen den Stufen werden zus\u00e4tzlich stark komprimiert; Macrocosmos gibt an, Aktivierungen von 140 Megabyte auf 2,2 Megabyte einzudampfen. Laut der Ank\u00fcndigung des Teams<\/a> erreicht der Lauf eine Model-FLOP-Auslastung (MFU) von \u00fcber 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.<\/p>

65 Prozent des Rechenzentrums-Tempos \u00fcber das \u00f6ffentliche Internet zu erreichen, w\u00e4re vor zwei Jahren als unm\u00f6glich abgetan worden. Macrocosmos will die Annahmen schrittweise weiter lockern, hin zu heterogener Hardware, Spot-Kapazit\u00e4t und irgendwann sogar Ger\u00e4ten 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<\/a> umtreibt, nur dass es hier nicht ums Rendern von Bildern geht, sondern um das Herz der KI-Wertsch\u00f6pfung.<\/p>

Die Trainings-Subnetze im direkten Vergleich<\/h2>

Beide Flaggschiff-L\u00e4ufe verfolgen dasselbe Ziel mit unterschiedlichen Mitteln. Die folgende Tabelle stellt die zentralen Merkmale gegen\u00fcber, so wie sie von den Teams und unabh\u00e4ngigen Analysten berichtet wurden.<\/p>

Merkmal<\/th>Covenant-72B (SN3 Templar)<\/th>Orion-100B (SN9 IOTA)<\/th><\/tr><\/thead>
Betreiber<\/td>Covenant AI (Ausstieg 9. April 2026)<\/td>Macrocosmos<\/td><\/tr>
Parameter<\/td>rund 72 Milliarden<\/td>rund 100 Milliarden<\/td><\/tr>
Trainingsdaten<\/td>etwa 1,09 Billionen Token<\/td>fr\u00fch im Lauf, laufend<\/td><\/tr>
Kerntechnik<\/td>SparseLoCo (Top-k plus 2-Bit) und Nous DeMo<\/td>IOTA, Pipeline-Parallelismus (16 Stufen, 3 Repliken)<\/td><\/tr>
Kompression<\/td>\u00fcber 100-fach im Datenaustausch<\/td>Aktivierungen 140 MB auf 2,2 MB (ResBM)<\/td><\/tr>
Leistungsmarke<\/td>MMLU 67,1 (vs. LLaMA-2-70B 65,6)<\/td>\u00fcber 30 Prozent MFU, rund 65 Prozent Rechenzentrums-Tempo<\/td><\/tr>
Status<\/td>fertig trainiert, M\u00e4rz 2026<\/td>angek\u00fcndigt Juni 2026, im Ausbau<\/td><\/tr><\/tbody><\/table><\/figure>

Die Tabelle zeigt zwei komplement\u00e4re Philosophien. Templar setzte auf m\u00f6glichst effiziente Datenparallelit\u00e4t mit brutaler Kompression, Macrocosmos auf Pipeline-Parallelit\u00e4t, die das Modell in Scheiben schneidet. F\u00fcr die Frage, ob dezentrales Training skaliert, ist der zweite Ansatz der interessantere, weil er die Hardware-H\u00fcrde pro Teilnehmer senkt, statt sie zu erh\u00f6hen.<\/p>

Wie das Netz Training bezahlt: dTAO, Emissionen und das Emission Gate<\/h2>

Kein Team trainiert ein 100-Milliarden-Parameter-Modell aus Idealismus. Bittensor bezahlt die Arbeit \u00fcber ein Anreizsystem, das man verstehen muss, um die Trainings-Story \u00f6konomisch einzuordnen. Seit der Einf\u00fchrung von dTAO im Februar 2025 hat jedes Subnetz einen eigenen Token, das sogenannte Alpha, mit einem eigenen Liquidit\u00e4tspool. 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 ausgesch\u00fctteten Token flie\u00dfen.<\/p>

Die Emission selbst folgt einem Bitcoin-\u00e4hnlichen Muster. Die H\u00f6chstmenge liegt bei 21 Millionen TAO, und im Dezember 2025 halbierte sich die Aussch\u00fcttung von rund 7.200 auf etwa 3.600 TAO pro Tag, wie unter anderem Fortune<\/a> und die Netzwerkdaten von Taostats<\/a> festhalten. Innerhalb eines Subnetzes wird die Belohnung nach einem festen Schl\u00fcssel 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.<\/p>

Kennzahl<\/th>Wert (Stand 10. September 2026)<\/th><\/tr><\/thead>
Kurs TAO<\/td>rund 207 Euro (etwa 240 US-Dollar)<\/td><\/tr>
Marktkapitalisierung<\/td>knapp 2,0 Mrd. Euro (rund 2,3 Mrd. US-Dollar), Rang 43<\/td><\/tr>
Voll verw\u00e4sserte Bewertung<\/td>rund 4,35 Mrd. Euro (etwa 5,04 Mrd. US-Dollar)<\/td><\/tr>
Umlaufmenge<\/td>rund 9,6 Millionen von max. 21 Millionen TAO<\/td><\/tr>
Emission nach dem Halving<\/td>etwa 3.600 TAO pro Tag (zuvor rund 7.200)<\/td><\/tr>
Verteilung je Subnetz<\/td>18 Prozent Betreiber, 41 Prozent Miner, 41 Prozent Validatoren<\/td><\/tr>
Aktive Subnetze<\/td>128, Ausbau Richtung 256 geplant<\/td><\/tr>
Allzeithoch<\/td>757,60 US-Dollar (rund 654 Euro) am 7. M\u00e4rz 2024<\/td><\/tr><\/tbody><\/table><\/figure>

2026 hat das Protokoll dieses System versch\u00e4rft. Das sogenannte Emission Gate koppelt die Aussch\u00fcttung 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 \u00fcbersteigen den real erwirtschafteten externen Umsatz des Netzes bei Weitem. Analysten beziffern die netzwerkweit klar identifizierbaren externen Einnahmen nur im niedrigen zweistelligen Millionenbereich pro Jahr, w\u00e4hrend 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 eind\u00e4mmen.<\/p>

Das Verifikationsproblem: wie beweist ein Fremder, dass er trainiert hat?<\/h2>

Ein Anreizsystem, das echtes Geld aussch\u00fcttet, l\u00e4dt zum Betrug ein. Und beim Training ist Betrug besonders verlockend, weil die ehrliche Arbeit teuer ist. Ein Miner k\u00f6nnte behaupten, ein Modellst\u00fcck trainiert zu haben, und in Wahrheit Zufallszahlen oder abgeschriebene Werte einreichen. Wie beweist ein v\u00f6llig Fremder, dass er die Rechenarbeit tats\u00e4chlich geleistet hat, ohne dass ihm jemand \u00fcber die Schulter schaut?<\/p>

Das ist das eigentliche Herzst\u00fcck und zugleich die schwerste Nuss. Bittensor beantwortet die Frage \u00fcber den Yuma-Consensus, einen Mechanismus, in dem Validatoren die Beitr\u00e4ge der Miner bewerten und diese Bewertungen stake-gewichtet zu einem Konsens verrechnet werden. Wer stark vom Konsens abweicht, wird beschnitten. Beim Training ist die Pr\u00fcfung deutlich anspruchsvoller als bei der Inferenz, wo man eine Antwort einfach nachrechnen kann. Hier m\u00fcssen 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 f\u00e4lschungssicher und g\u00fcnstig \u00fcberpr\u00fcfbar zu machen.<\/p>

Ein verwandtes Problem ist das Kopieren von Gewichten: Ein fauler Validator k\u00f6nnte einfach die Bewertungen eines flei\u00dfigen abschreiben und trotzdem kassieren. Bittensor begegnet dem mit Commit-Reveal, bei dem Bewertungen zun\u00e4chst verschl\u00fcsselt eingereicht und erst nach einer Zeitsperre (\u00fcber das Drand-Netzwerk) offengelegt werden. Kopierer bekommen so nur veraltete Informationen. Diese Mechanismen sind funktionsf\u00e4hig, aber sie sind auch der Punkt, an dem sich entscheidet, ob das System langfristig ehrlich bleibt oder von Spielern ausgeh\u00f6hlt wird.<\/p>

Der Realit\u00e4ts-Check: das ist keine Hobby-Hardware<\/h2>

Das Wort dezentral weckt ein romantisches Bild: Tausende Bastler, die abends ihren Gaming-PC ans Netz h\u00e4ngen und gemeinsam eine KI bauen. Von dieser Vorstellung ist die Realit\u00e4t 2026 weit entfernt. Sch\u00e4tzungen 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<\/a>, das ist eine Investition auf dem Niveau eines kleinen Rechenzentrums.<\/p>

Dezentrales Training bedeutet heute also nicht laienhafte Beteiligung, sondern ein Netz aus gut kapitalisierten GPU-Betreibern, die geografisch verteilt sind und niemandem gemeinsam geh\u00f6ren. 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 f\u00fcr sp\u00e4tere Orion-Stufen ausruft, ist ein Ziel auf der Roadmap, kein heutiger Zustand.<\/p>

F\u00fcr Anleger ist diese Unterscheidung wichtig. Die Wertsch\u00f6pfung 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 n\u00e4chste Kapitel zeigt.<\/p>

Der Schatten \u00fcber der Story: Covenants Abgang und die Machtfrage<\/h2>

Am 9. April 2026, nur Wochen nach Fertigstellung von Covenant-72B, verlie\u00df 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<\/a> dokumentierte. Gr\u00fcnder Sam Dare warf dem Kernteam vor, das Netz faktisch zentral zu steuern, Emissionen einseitig auszusetzen und Rechte zu entziehen.<\/p>

Dares Worte waren scharf. Das gesamte Versprechen von Bittensor, dass keine einzelne Instanz es kontrolliere, bezeichnete er als „eine L\u00fcge“ (im Original: „That promise is a lie“). F\u00fcr ein Projekt, dessen ganze Erz\u00e4hlung auf Dezentralisierung fu\u00dft, ist das der maximal m\u00f6gliche Vorwurf, und er kam ausgerechnet von dem Team, das den bis dahin st\u00e4rksten technischen Beweis geliefert hatte.<\/p>

Mitgr\u00fcnder Jacob Steeves, in der Community als Const bekannt, reagierte im Juni 2026 mit einer ungew\u00f6hnlich offenen Roadmap. Er r\u00e4umte 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 \u00fcber Dezentralisierung gestellt; nun solle ein 18-Monats-Plan die volle Dezentralisierung bis Dezember 2027 bringen, wie Crypto Briefing<\/a> berichtet. Steeves und Mitgr\u00fcnder Ala Shaabana hatten ihre operativen Rollen bereits im Februar 2026 abgegeben. Ob dieser Fahrplan den Vertrauensschaden repariert, ist die politische Kernfrage, die auch in Montr\u00e9al auf dem Tisch liegen wird.<\/p>

Die Konkurrenz: Token gegen Eigenkapital<\/h2>

Bittensor ist nicht allein mit der Idee, KI-Modelle verteilt zu trainieren. Der spannendste Kontrast l\u00e4uft 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.<\/p>

Das prominenteste ist Prime Intellect. Das Unternehmen hat im Juli 2026 eine Series-A-Runde \u00fcber 130 Millionen US-Dollar (rund 112 Millionen Euro) bei einer Bewertung von etwa einer Milliarde US-Dollar eingesammelt, angef\u00fchrt von Radical Ventures, mit Nvidia, Intel Capital und Dell an Bord, wie TechCrunch<\/a> 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.<\/p>

Projekt<\/th>Ansatz<\/th>Meilenstein<\/th>Finanzierung<\/th><\/tr><\/thead>
Bittensor (Templar, IOTA)<\/td>Token-Anreize, Subnetze<\/td>Covenant-72B, Orion-100B<\/td>TAO liquide, rund 2,0 Mrd. Euro Marktkapitalisierung<\/td><\/tr>
Prime Intellect<\/td>Eigenkapital, Enterprise-Fokus<\/td>INTELLECT-2 (32 Mrd., verteiltes RL)<\/td>130 Mio. US-Dollar Series A, kein Token<\/td><\/tr>
Nous Research<\/td>Psyche-Koordination auf Solana, DeMo\/DisTrO<\/td>Hermes auf verteilter Infrastruktur<\/td>VC-finanziert<\/td><\/tr>
Pluralis<\/td>Protocol Models, den Beitragenden geh\u00f6rende Gewichte<\/td>Protocol Model 8B<\/td>Forschung, VC<\/td><\/tr><\/tbody><\/table><\/figure>

Der Unterschied ist mehr als eine Fu\u00dfnote. Bittensors Token-Modell zieht Kapital und Rechenleistung schnell an, koppelt aber den Erfolg an einen volatilen Kurs und schafft die Emissions-versus-Umsatz-L\u00fccke, die oben beschrieben wurde. Die eigenkapitalfinanzierten Rivalen wachsen langsamer, sind daf\u00fcr aber nicht der Kursfantasie ausgeliefert und k\u00f6nnen 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.<\/p>

Die Decke: wie weit reicht verteiltes Training wirklich?<\/h2>

So beeindruckend Covenant-72B und Orion-100B sind, es lohnt der n\u00fcchterne Blick auf die Gr\u00f6\u00dfenordnungen. Jaime Sevilla, Mitgr\u00fcnder und Chef des Forschungsinstituts Epoch AI, hat die Grenzen des verteilten Trainings vermessen. Sein Befund: Die gr\u00f6\u00dften dezentralen L\u00e4ufe arbeiten mit etwa dem Tausendfachen weniger Rechenleistung als die gr\u00f6\u00dften Modelle der Gegenwart. Das aktivste dezentrale Netz, Covenant AIs Templar, erreichte einen Durchsatz, der rund 300-mal kleiner ist als der der f\u00fchrenden KI-Rechenzentren.<\/p>

Der Trend spricht dennoch f\u00fcr die Dezentralen: Ihre Rechenleistung ist seit 2020 um etwa den Faktor 600.000 gewachsen, also rund 20-fach pro Jahr, w\u00e4hrend 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 gro\u00df und die aufholende Kurve zu jung.<\/p>

F\u00fcr die Bewertung von Bittensor ist das wichtig. Der realistische Preis ist nicht, GPT-5 oder Gemini zu schlagen. Der realistische Preis ist ein leistungsf\u00e4higes, offenes Modell, das keiner einzelnen Firma geh\u00f6rt, dazu spezialisierte Modelle f\u00fcr Nischen, in denen Datenhoheit oder Zensurresistenz z\u00e4hlen. Das kann ein sehr wertvolles Ziel sein. Aber es ist ein anderes Ziel als das, das der Kurs in seinen euphorischen Phasen einzupreisen scheint.<\/p>

Vom Token zur F\u00e4higkeit: ETF, STAO und die Frage der BaFin<\/h2>

Zur\u00fcck zur B\u00f6rse, denn hier klafft die gr\u00f6\u00dfte L\u00fccke zwischen Erz\u00e4hlung 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 angek\u00fcndigt werden, ohne dass der Kurs zuckt, w\u00e4hrend ein SEC-Ger\u00fccht ihn zweistellig bewegt. Diese Entkopplung von Token und F\u00e4higkeit sollte jedem Anleger zu denken geben.<\/p>

Beim ETF selbst ist der Stand ern\u00fcchternd. In den USA ist bis September 2026 kein Spot-ETF auf TAO zugelassen. Grayscale betreibt mit dem Bittensor Trust (GTAO) bislang eine Privatplatzierung f\u00fcr 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 Verw\u00e4sserung entgeht. Europa ist hier weiter: Dort gibt es bereits ein b\u00f6rsengehandeltes Produkt (ETP) auf gestaktes TAO, das die Token einsetzt und die Staking-Ertr\u00e4ge 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<\/a> zeigt; der schwere Teil kommt danach.<\/p>

Regulatorisch f\u00e4llt TAO in Deutschland und der EU unter MiCA als gew\u00f6hnlicher Krypto-Wert, nicht als E-Geld- oder wertreferenzierter Token. Die BaFin beaufsichtigt Dienstleister und Emittenten, also Handelspl\u00e4tze und Verwahrer, nicht das Protokoll selbst; das stellt ihr Merkblatt zu Kryptowerte-Dienstleistungen<\/a> klar. Dass die Aufsicht durchaus durchgreift, hat sie zuletzt im Fall Ethena<\/a> gezeigt. Krypto-Derivate wie Futures auf TAO fallen zus\u00e4tzlich unter MiFID II und damit in die Zust\u00e4ndigkeit der Marktaufsicht. Und weil Bittensor gro\u00dfe KI-Modelle trainiert, ber\u00fchrt es potenziell auch den EU AI Act mit seinen Pflichten f\u00fcr Anbieter von KI-Modellen mit allgemeinem Verwendungszweck. Wer diese Pflichten erf\u00fcllt, wenn es keine einzelne verantwortliche Rechtsperson gibt, ist eine offene und f\u00fcr dezentrale Netze grunds\u00e4tzliche Frage.<\/p>

Fazit: was der Exploit Summit beweisen muss<\/h2>

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 daf\u00fcr, dass die Bandbreiten-Mauer \u00fcberwindbar 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.<\/p>

Zugleich sind die Einschr\u00e4nkungen hart und ehrlich zu benennen. Die Hardware ist kapitalintensiv und keineswegs graswurzelhaft. Die \u00d6konomie h\u00e4ngt am Tropf subventionierter Emissionen, die den realen Umsatz weit \u00fcbersteigen. Die Governance ist umk\u00e4mpft, wie der Abgang von Covenant AI drastisch gezeigt hat. Und die absolute Leistungsspitze bleibt laut Epoch AI in diesem Jahrzehnt au\u00dfer Reichweite. All das l\u00e4sst sich nicht wegjubeln.<\/p>

Was der Exploit Summit in Montr\u00e9al Ende September zeigen muss, ist deshalb nicht der n\u00e4chste Kursausschlag, sondern drei n\u00fcchterne Dinge: dass Produkte tats\u00e4chlich ausgeliefert werden, dass echte Nachfrage die Emissionen zunehmend tr\u00e4gt, und dass der Fahrplan zur Dezentralisierung bis 2027 mehr ist als eine Beruhigungspille nach dem Covenant-Schock. Gelingt das, ist Bittensor die glaubw\u00fcrdigste Wette auf offene, niemandem geh\u00f6rende KI. Gelingt es nicht, bleibt ein technisch beeindruckendes Netz, dessen Token seine eigenen Erfolge nur selten spiegelt.<\/p>

H\u00e4ufig gestellte Fragen<\/h2>

Was ist Bittensor und wof\u00fcr steht der Token TAO?<\/h3>

Bittensor ist ein dezentrales Netzwerk f\u00fcr maschinelle Intelligenz, das aus spezialisierten Subnetzen besteht, in denen Miner Rechenarbeit f\u00fcr KI-Aufgaben wie Inferenz oder Training leisten und Validatoren diese Arbeit bewerten. TAO ist der native Token mit einer H\u00f6chstmenge von 21 Millionen Einheiten; er verg\u00fctet die Teilnehmer \u00fcber Emissionen und dient als Reservew\u00e4hrung f\u00fcr die einzelnen Subnetz-Token, das sogenannte Alpha.<\/p>

Kann Bittensor wirklich KI-Modelle ohne Rechenzentrum trainieren?<\/h3>

Teilweise ja. Projekte wie Covenant-72B (rund 72 Milliarden Parameter) und Orion-100B (rund 100 Milliarden Parameter) haben gezeigt, dass sich gro\u00dfe Modelle \u00fcber das offene Internet verteilt trainieren lassen, m\u00f6glich gemacht durch aggressive Kommunikationskompression. Der Hardware-Einsatz pro Teilnehmer ist allerdings hoch, und die verf\u00fcgbare Rechenleistung liegt laut Epoch AI weit hinter den gro\u00dfen KI-Rechenzentren zur\u00fcck.<\/p>

Was sind Covenant-72B und Orion-100B?<\/h3>

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 \u00fcbertraf. Orion-100B ist ein Trainingslauf mit rund 100 Milliarden Parametern des Teams Macrocosmos im Subnetz IOTA (SN9), der \u00fcber Pipeline-Parallelismus rund 65 Prozent des Tempos eines Rechenzentrums erreicht.<\/p>

Gibt es einen Bittensor-ETF auf TAO?<\/h3>

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 b\u00f6rsengehandeltes Produkt (ETP) auf gestaktes TAO, das die Token einsetzt und die Staking-Ertr\u00e4ge an die Anleger weiterreicht, was ein US-Spot-ETF in der Regel nicht kann.<\/p>

Wie wird Bittensor in Deutschland und der EU reguliert?<\/h3>

Unter MiCA gilt TAO als gew\u00f6hnlicher Krypto-Wert, nicht als E-Geld- oder wertreferenzierter Token. Die BaFin beaufsichtigt Dienstleister und Emittenten wie Handelspl\u00e4tze und Verwahrer, nicht das Protokoll selbst. Krypto-Derivate fallen unter MiFID II, und weil Bittensor gro\u00dfe KI-Modelle trainiert, ber\u00fchrt es zus\u00e4tzlich den EU AI Act mit seinen Pflichten f\u00fcr Modelle mit allgemeinem Verwendungszweck.<\/p>