{"id":614,"date":"2026-09-23T16:28:43","date_gmt":"2026-09-23T16:28:43","guid":{"rendered":"https:\/\/hoge.gg\/de\/verifiable-compute-2026-trilemma-beweisbare-ki\/"},"modified":"2026-09-23T16:28:43","modified_gmt":"2026-09-23T16:28:43","slug":"verifiable-compute-2026-trilemma-beweisbare-ki","status":"publish","type":"post","link":"https:\/\/hoge.gg\/de\/verifiable-compute-2026-trilemma-beweisbare-ki\/","title":{"rendered":"Verifiable Compute 2026: das Trilemma der beweisbaren KI"},"content":{"rendered":"

KI-Modelle laufen heute fast immer in fremden Rechenzentren. Wenn ein autonomer Agent Kapital verschiebt, ein Orakel einen Preis auf die Kette schreibt oder ein Spiel einen KI-Gegner steuert, muss man dem Betreiber glauben, dass wirklich das versprochene Modell gerechnet hat und niemand heimlich ein billigeres eingesetzt oder das Ergebnis nachtr\u00e4glich ver\u00e4ndert hat. Verifiable compute, also beweisbares Rechnen, will genau diesen Vertrauensvorschuss abschaffen. Die Idee ist einfach: Zum Ergebnis kommt ein Nachweis, der sich billig pr\u00fcfen l\u00e4sst. Statt dem Server zu vertrauen, pr\u00fcft man den Beweis.<\/p>

Der Haken liegt in der Physik der Sache. Ein Beweis, der zugleich wasserdicht, blitzschnell und spottbillig ist, existiert nicht. Ein vielbeachtetes Forschungspapier vom Dezember 2025 hat daf\u00fcr einen Namen gepr\u00e4gt: das Verifizierbarkeitstrilemma<\/a>. Es besagt, dass ein dezentrales Inferenzsystem hohe Integrit\u00e4t, niedrige Latenz und niedrige Kosten nicht gleichzeitig erreichen kann. Man bekommt zwei der drei Ecken; die dritte zahlt man immer.<\/p>

2026 ist dieses Trilemma vom akademischen Randthema ins Zentrum der ai-crypto-Debatte ger\u00fcckt. Zero-Knowledge-Systeme beweisen erstmals ganze Sprachmodelle, spezialisierte Hardware tr\u00e4gt t\u00e4glich Milliarden vertraulicher Token, und in der EU greift seit dem 2. August 2026 die Durchsetzung der KI-Verordnung. Gleichzeitig notieren praktisch alle Token, die mit Beweisen Geld verdienen wollen, zwischen 86 und 98 Prozent unter ihren H\u00f6chstst\u00e4nden (Stand 23. September 2026, CoinGecko). Dieser Text erkl\u00e4rt das Trilemma, die vier Wege, es zu umschiffen, und warum die Technik der Bewertung enteilt ist.<\/p>

Was verifiable compute bedeutet, und was nicht<\/h2>

Der Begriff wird oft mit dezentralem Rechnen verwechselt, meint aber etwas anderes. Netzwerke wie Akash oder das GPU-Netz von Render<\/a> vermieten Rechenleistung: Sie verteilen eine Aufgabe an fremde GPUs und liefern das Ergebnis zur\u00fcck. Was sie nicht liefern, ist ein Beweis, dass die Aufgabe ehrlich und korrekt ausgef\u00fchrt wurde. Wer die GPU stellt, k\u00f6nnte ein kleineres Modell laufen lassen, Rechenschritte \u00fcberspringen oder das Ergebnis f\u00e4lschen. Dezentrales Rechnen verteilt also die Last, verlagert das Vertrauen aber nur von einem Anbieter auf viele.<\/p>

Verifiable compute setzt eine Ebene dar\u00fcber an. Zum Ergebnis kommt ein Artefakt, das jede dritte Partei pr\u00fcfen kann, ohne die Berechnung selbst zu wiederholen. Das verschiebt die Vertrauensfrage von „Vertraue dem Server“ zu „Pr\u00fcfe den Beweis“. Ethereum-Miterfinder Vitalik Buterin hat in seinem Aufsatz zur Schnittstelle von Krypto und KI vier Arten beschrieben, wie beide Welten zusammentreffen: KI als Mitspieler in einem Mechanismus, KI als Schnittstelle zur Krypto-Welt, KI als Regel eines Protokolls und KI als Ziel eines Mechanismus. Beweisbares Rechnen ist die Br\u00fccke, die verhindert, dass in all diesen Rollen unkontrollierbare Blackboxen entstehen. Buterin betont zugleich, dass Vorsicht geboten ist, sobald eine KI selbst zur Regel eines Systems wird, in dem echtes Geld steckt.<\/p>

Verwechslungsgefahr besteht auch mit zwei benachbarten Techniken. Fully Homomorphic Encryption (FHE) und Secure Multi-Party Computation (MPC) lassen eine Berechnung auf verschl\u00fcsselten Daten laufen, sagen aber nichts dar\u00fcber, ob das richtige Modell korrekt gerechnet hat. Sie sch\u00fctzen die Vertraulichkeit der Eingaben, nicht die Integrit\u00e4t des Ergebnisses. Verifiable compute beantwortet die zweite Frage; manche Systeme kombinieren beide Ziele, doch es bleiben unterschiedliche Versprechen.<\/p>

Wichtig ist die Abgrenzung, weil die vier gro\u00dfen L\u00f6sungsfamilien unterschiedlich viel Vertrauen verlangen. Manche liefern einen mathematischen Beweis, den nur die Logik tr\u00e4gt. Andere geben eine Hardware-Garantie oder ein wirtschaftliches Versprechen. Der Unterschied entscheidet, wem man am Ende glauben muss, und genau hier setzt das Trilemma an.<\/p>

Das Verifizierbarkeitstrilemma: warum immer eine Ecke fehlt<\/h2>

Wer sich an das Skalierbarkeitstrilemma von Blockchains erinnert (Dezentralit\u00e4t, Sicherheit, Skalierbarkeit, w\u00e4hle zwei), versteht die Struktur sofort. Das Papier Optimistic TEE-Rollups<\/a> \u00fcbertr\u00e4gt dieses Muster auf KI-Inferenz. Die drei Ecken hei\u00dfen hier: Integrit\u00e4t (wie sicher ist der Beweis gegen Betrug), Latenz (wie schnell liegt das gepr\u00fcfte Ergebnis vor) und Kosten (wie teuer ist der Beweis pro Anfrage). Ein System kann h\u00f6chstens zwei davon zugleich optimieren.<\/p>

Der Begriff ist jung: Er stammt aus dem Optimistic-TEE-Rollups-Papier von Ende 2025 und hat sich seither als Ordnungsraster durchgesetzt. Sein Reiz liegt darin, dass er die oft sehr technische Debatte auf eine einzige Frage eindampft, n\u00e4mlich welche Ecke einer konkreten Anwendung wirklich wichtig ist. Wer das beantwortet, hat die halbe Architekturentscheidung bereits getroffen.<\/p>

Das ist keine blo\u00dfe Faustregel, sondern folgt aus der Natur der Verfahren. Ein kryptografischer Beweis liefert maximale Integrit\u00e4t, verlangt aber enormen Rechenaufwand und damit hohe Kosten und Latenz. Eine Hardware-Enklave rechnet fast so schnell wie ungesch\u00fctzt, tauscht Integrit\u00e4t aber gegen die Annahme ein, dass der Chiphersteller vertrauensw\u00fcrdig ist. Ein optimistisches Verfahren ist billig, verlangt aber ein Einspruchsfenster und damit Wartezeit. Jeder Ansatz w\u00e4hlt seine zwei Ecken; die dritte bleibt die offene Flanke.<\/p>

Genau deshalb gibt es nicht die eine L\u00f6sung, sondern einen Baukasten. F\u00fcr ein Schachspiel gegen eine KI, bei dem jeder Zug in Sekunden fallen muss, z\u00e4hlt Latenz mehr als der letzte Rest kryptografischer Strenge. F\u00fcr ein Orakel, das Millionen an DeFi-Kapital absichert, z\u00e4hlt Integrit\u00e4t \u00fcber alles. Die spannende Entwicklung 2026 ist, dass Projekte aufh\u00f6ren, eine einzige Ecke zu verteidigen, und stattdessen mehrere Verfahren kombinieren, um das Trilemma zu umgehen. Bevor wir dorthin kommen, lohnt der Blick auf die vier reinen Ans\u00e4tze.<\/p>

Vier Wege zum Beweis<\/h2>

Vier Familien konkurrieren um die verifizierbare KI. Sie unterscheiden sich nicht darin, ob sie Vertrauen brauchen, sondern worin man vertrauen muss: in Mathematik, in Hardware, in einen ehrlichen Beobachter oder in wirtschaftliche Anreize. Die folgende Tabelle ordnet jeden Ansatz der Ecke zu, die er im Trilemma opfert.<\/p>

Ansatz<\/th>Wie gepr\u00fcft wird<\/th>Vertrauensannahme<\/th>Geopferte Ecke<\/th>Beispiele<\/th><\/tr><\/thead>
zkML (Zero-Knowledge)<\/td>kryptografischer Beweis, ohne Neuberechnung pr\u00fcfbar<\/td>keine, nur die Mathematik<\/td>Kosten und Latenz<\/td>EZKL, Succinct SP1, Boundless, Lagrange DeepProve<\/td><\/tr>
TEE (Confidential Computing)<\/td>Hardware-Attestierung einer abgeschotteten Enklave<\/td>Chiphersteller, kein Seitenkanal<\/td>Integrit\u00e4t (Vertrauensannahme)<\/td>Intel TDX, AMD SEV, NVIDIA H100, Phala<\/td><\/tr>
opML (optimistisch)<\/td>Ergebnis wird ver\u00f6ffentlicht, Einspruchsfenster plus Betrugsbeweis<\/td>mindestens ein ehrlicher W\u00e4chter<\/td>Latenz (Wartezeit)<\/td>Ora Protocol<\/td><\/tr>
krypto-\u00f6konomisch<\/td>Einsatz (Stake) plus Slashing bei Fehlverhalten<\/td>Angriff teurer als der Gewinn<\/td>Integrit\u00e4t (\u00f6konomisch statt mathematisch)<\/td>EigenCloud<\/td><\/tr><\/tbody><\/table><\/figure>

Keiner dieser Wege ist per se besser. Sie sind Werkzeuge f\u00fcr verschiedene Aufgaben, und ihre Grenzen sind exakt die Ecke, die sie im Trilemma aufgeben. Die n\u00e4chsten Abschnitte gehen die drei wichtigsten Spannungen durch.<\/p>

zkML: h\u00f6chste Integrit\u00e4t, h\u00e4rteste Kosten<\/h2>

Zero-Knowledge Machine Learning ist der Goldstandard der Integrit\u00e4t. Der Beweis h\u00e4ngt allein an der Mathematik; wer ihn pr\u00fcft, muss weder der Hardware noch dem Betreiber vertrauen. Der Preis daf\u00fcr ist Rechenaufwand, und zwar ein brutaler. Vitalik Buterin fasst das Problem pr\u00e4zise: Matrixmultiplikationen, der Gro\u00dfteil einer KI-Berechnung, lassen sich mit unter vierfachem Mehraufwand als ZK-SNARK abbilden. Die nichtlinearen Schichten dazwischen (Funktionen wie ReLU oder Softmax) kosten dagegen rund das Zweihundertfache. In seinem Aufsatz<\/a> bringt er die Gr\u00f6\u00dfenordnung auf den Punkt: Einen Ethereum-Block pr\u00fcft ein Client in wenigen hundert Millisekunden, doch einen ZK-SNARK zu erzeugen, der die Korrektheit desselben Blocks belegt, k\u00f6nne Stunden dauern.<\/p>

Lange galt daher als ausgemacht, dass zkML f\u00fcr gro\u00dfe Sprachmodelle unm\u00f6glich sei. Genau diese Mauer ist 2026 gefallen. Lagrange hat mit dem Framework DeepProve nach eigenen Angaben erstmals vollst\u00e4ndige Sprachmodelle wie GPT-2 und Gemma-3 Ende zu Ende bewiesen, mit \u00fcber zw\u00f6lf Millionen erzeugten Beweisen und mehr als drei Millionen verifizierten Inferenzen; die Beweiserzeugung sei rund sechzigmal, die Pr\u00fcfung mehrere hundertmal schneller als der bisherige Stand der Technik. Firmengr\u00fcnder Ismael Hishon-Rezaizadeh formulierte den Anspruch bei der Offenlegung des Codes so: „Wir haben DeepProve nicht gebaut, um verifizierbare KI zu besitzen, sondern damit das niemand muss. KI braucht eine Pr\u00fcfebene, und die sollte offen sein. Heute wird DeepProve zu einem Grundbaustein. Die Blackbox ist offen.“ Die Modellklasse Llama ist laut Lagrange noch in Arbeit, weshalb man die Meldung als Machbarkeitsschritt lesen sollte, nicht als fertiges Produkt f\u00fcr Modelle mit Milliarden Parametern (Lagrange<\/a>).<\/p>

M\u00f6glich wurde der Sprung durch sogenannte Lookups und Sumcheck-Verfahren, die teure nichtlineare Operationen in Nachschlagetabellen verwandeln, statt sie als Schaltkreis abzubilden. Parallel bauen mehrere Teams die Werkzeuge: EZKL wandelt Modelle aus dem ONNX-Format in Beweise, Succinct betreibt mit SP1 eine Zero-Knowledge-Maschine f\u00fcr allgemeinen Code, und der Marktplatz Boundless<\/a> ging im September 2025 auf Base live, aus der RISC-Zero-Schmiede. Boundless-Chef Shiv Shankar beschrieb das Ziel so: „Zum ersten Mal k\u00f6nnen Entwickler auf jeder Chain auf reichlich vorhandene Zero-Knowledge-Rechenleistung zugreifen, um komplexe Anwendungen zu bauen, die \u00fcber \u00d6kosysteme hinweg skalieren, ohne Dezentralit\u00e4t zu opfern.“<\/p>

Bemerkenswert ist, wie stark sich das Angebot organisiert. Boundless verkauft Rechenleistung nicht selbst, sondern vermittelt sie \u00fcber einen Markt, auf dem Prover um Auftr\u00e4ge konkurrieren und \u00fcber einen Mechanismus namens Proof of Verifiable Work nach Menge, Tempo und Komplexit\u00e4t ihrer Beweise entlohnt werden. Succinct hat seine Zero-Knowledge-Maschine SP1 im August 2025 im Mainnet gestartet und sichert nach eigenen Angaben Dutzende Protokolle ab. Der gemeinsame Nenner: Beweise werden zur handelbaren Ware, deren Preis mit besserer Hardware sinkt, sodass Entwickler sie k\u00fcnftig einkaufen k\u00f6nnen, statt eigene Prover zu betreiben.<\/p>

Eine Restschw\u00e4che bleibt. Zero-Knowledge-Schaltkreise rechnen mit ganzen Zahlen, KI-Modelle aber mit Gleitkommazahlen. Elena Burger, Deal Partner bei a16z crypto, benennt die Folge n\u00fcchtern: „Zero-Knowledge-Beweise k\u00f6nnen heute 32-Bit-Gleitkommaoperationen nicht ohne massiven Mehraufwand in das n\u00f6tige arithmetische Schaltkreis-Format bringen.“ Um \u00fcberhaupt beweisbar zu werden, quantisiert man die Modelle auf 8 Bit, und dann sei das gepr\u00fcfte Modell wom\u00f6glich eine grobe N\u00e4herung<\/a> des urspr\u00fcnglich hochwertigeren Modells. Wer maximale Integrit\u00e4t will, zahlt also nicht nur mit Rechenzeit, sondern mitunter mit Modellqualit\u00e4t.<\/p>

So entsteht ein kryptografischer Beweis<\/h2>

Um zu verstehen, warum ein Zero-Knowledge-Beweis so teuer ist, hilft ein Blick auf den Weg vom Modell zum fertigen Beweis. Er verl\u00e4uft in mehreren Schritten, von denen jeder eigene Kosten verursacht.<\/p>

  1. Training und Export.<\/strong> Das fertige Modell wird in ein neutrales Format wie ONNX \u00fcberf\u00fchrt, das die Rechenschritte als Graph beschreibt.<\/li>
  2. Quantisierung.<\/strong> Gleitkommazahlen werden auf ganze Zahlen reduziert, oft auf 8 Bit, weil Zero-Knowledge-Schaltkreise nicht mit Gleitkomma rechnen.<\/li>
  3. Arithmetisierung.<\/strong> Jede Operation des Modells wird in ein System polynomialer Gleichungen \u00fcbersetzt, den eigentlichen Schaltkreis.<\/li>
  4. Zeugenberechnung.<\/strong> F\u00fcr eine konkrete Eingabe werden alle Zwischenwerte bestimmt, der sogenannte Zeuge (witness).<\/li>
  5. Beweiserzeugung.<\/strong> Der Prover verdichtet Schaltkreis und Zeuge zu einem kompakten Beweis; das ist der mit Abstand rechenintensivste Schritt.<\/li>
  6. Ver\u00f6ffentlichung.<\/strong> Beweis und Ergebnis werden bereitgestellt, h\u00e4ufig direkt on-chain.<\/li>
  7. Pr\u00fcfung.<\/strong> Jeder Verifizierer best\u00e4tigt den Beweis in Millisekunden, ohne die Berechnung zu wiederholen.<\/li><\/ol>

    Der Engpass sitzt in Schritt f\u00fcnf. Genau hier greifen die Neuerungen von 2026: Lookups und Sumcheck verlagern teure nichtlineare Operationen aus dem Schaltkreis in Nachschlagetabellen, und spezialisierte Prover-Hardware dr\u00fcckt die Zeit weiter. Bei TEE, opML und krypto-\u00f6konomischen Verfahren entf\u00e4llt Schritt f\u00fcnf ganz; sie sind deshalb schneller und billiger, tauschen die mathematische Garantie aber gegen eine andere Vertrauensannahme ein. Das ist das Trilemma in Prozessform.<\/p>

    TEE: Tempo gegen Vertrauen in den Chiphersteller<\/h2>

    Am anderen Ende des Trilemmas steht das Trusted Execution Environment, kurz TEE. Statt einen mathematischen Beweis zu erzeugen, kapselt die Hardware die Berechnung in einer verschl\u00fcsselten Enklave, zu der selbst der Betreiber keinen Zugang hat, und stellt eine signierte Bescheinigung aus, welche Software mit welchen Daten dort lief. Der gro\u00dfe Vorteil ist Tempo. Der Mehraufwand f\u00fcr vertrauliches Rechnen auf modernen Beschleunigern wie NVIDIAs H100<\/a> liegt f\u00fcr viele KI-Aufgaben im niedrigen einstelligen Prozentbereich, weil nicht die Rechnung selbst, sondern nur der Datentransfer gesch\u00fctzt wird.<\/p>

    Diese Geschwindigkeit erkl\u00e4rt, warum TEE-Ans\u00e4tze 2026 den gr\u00f6\u00dften realen Durchsatz vorweisen. Das Netzwerk Phala<\/a> betreibt vertrauliche KI auf Intel TDX in Kombination mit NVIDIA-GPUs und meldet t\u00e4glich Milliarden verarbeiteter vertraulicher Token; die Prompts der Nutzer bleiben dabei sowohl vor dem Cloud-Anbieter als auch vor Phala selbst verborgen. Auch au\u00dferhalb der Krypto-Welt wird die Technik zum Standard: Apple verankert seinen Dienst Private Cloud Compute inzwischen in ebendieser Hardware-Klasse. Confidential computing ist damit kein Nischenthema mehr, sondern ein Baustein, den die Krypto-Branche fr\u00fch adaptiert hat.<\/p>

    Der Markt f\u00fcr vertrauliche Hardware teilt sich auf mehrere Anbieter auf. Intel liefert mit TDX die verbreitete Server-Variante, AMD mit SEV-SNP eine Alternative, und NVIDIA hat mit der H100-Generation erstmals vertrauliches Rechnen auf die GPU gebracht, wo die eigentliche KI-Last liegt. EigenCompute etwa f\u00fchrt Programme in vertraulichen virtuellen Maschinen auf AMD- oder Intel-Basis aus und legt eine wirtschaftliche Absicherung dar\u00fcber. Diese Vielfalt ist Segen und Fluch zugleich: Sie senkt die Abh\u00e4ngigkeit von einem einzigen Hersteller, vervielfacht aber die Zahl der Parteien, denen man am Ende vertrauen muss.<\/p>

    Der Preis steht schon in der Tabelle: Man vertraut nicht mehr der Mathematik, sondern dem Chiphersteller. Das ist kein theoretisches Risiko. Ende Oktober 2025 zeigten Forscher mit dem Angriff TEE.Fail<\/a>, dass sich mit einem selbstgebauten Aufsatz f\u00fcr unter tausend Dollar Signierschl\u00fcssel aus den Enklaven von Intel, AMD und NVIDIA auslesen lassen. Der Angriff braucht physischen Zugriff auf die Maschine, doch genau das ist das Problem f\u00fcr dezentrale GPU-Netze: Dort ist der Anbieter der Hardware zugleich der potenzielle Angreifer. Ein TEE sch\u00fctzt gegen einen neugierigen Cloud-Betreiber, nicht zwingend gegen einen b\u00f6swilligen Besitzer der Maschine. Integrit\u00e4t ist hier eine Annahme, kein Beweis.<\/p>

    opML und Staking: billig, aber nie beides umsonst<\/h2>

    Zwischen den Extremen liegen zwei pragmatische Ans\u00e4tze, die auf teure Kryptografie verzichten. Optimistic Machine Learning, kurz opML, borgt die Logik der Optimistic Rollups. Ein Anbieter ver\u00f6ffentlicht das Ergebnis und behauptet, es sei korrekt. Es folgt ein Einspruchsfenster, in dem jeder W\u00e4chter das Resultat nachrechnen und im Streitfall einen Betrugsbeweis einreichen kann. Ist niemand widerspruchsberechtigt, gilt das Ergebnis als final. Das ist extrem g\u00fcnstig, denn im Normalfall entstehen gar keine Beweiskosten. Die geopferte Ecke ist die Latenz: Bis das Fenster abl\u00e4uft, ist das Ergebnis nicht endg\u00fcltig, und mindestens ein ehrlicher, wachsamer Beobachter muss existieren. Pioniere wie das Ora Protocol haben dieses Modell auf die Kette gebracht; f\u00fcr Echtzeit-Interaktion wie ein Spiel oder einen Chat ist die Wartezeit allerdings hinderlich.<\/p>

    Die Krux von opML ist die Annahme des ehrlichen W\u00e4chters. Das System ist nur so sicher wie die Wahrscheinlichkeit, dass mindestens ein aufmerksamer Beobachter ein falsches Ergebnis innerhalb des Fensters anficht. In der Praxis m\u00fcssen solche W\u00e4chter daf\u00fcr bezahlt oder anderweitig motiviert werden, sonst schaut im Zweifel niemand hin. Das Verfahren tauscht also nicht nur Latenz gegen Kosten, sondern verlagert einen Teil der Sicherheit in ein Anreizproblem, das sauber gel\u00f6st sein will.<\/p>

    Der vierte Weg ist krypto-\u00f6konomisch. Statt zu beweisen oder zu bezeugen, hinterlegen Betreiber einen Einsatz, der bei Betrug eingezogen wird (Slashing). Die Garantie ist damit wirtschaftlich, nicht mathematisch: Ein Angriff lohnt sich nur, wenn der Gewinn den verlorenen Einsatz \u00fcbersteigt. EigenCloud, hervorgegangen aus dem Restaking-Protokoll EigenLayer, treibt diesen Ansatz am weitesten und will die verifizierbare Cloud der Krypto-Welt werden, abgesichert durch Milliarden an nachverpf\u00e4ndetem Kapital. Verwandt ist die Absicherung dezentraler Betreibernetze, wie sie das gr\u00f6\u00dfte Ethereum-DVT-Netz in seiner Neuauflage SSV 2.0 vorexerziert: Wer sich falsch verh\u00e4lt, verliert Einsatz. Der offensichtliche Einwand lautet, dass \u00f6konomische Sicherheit mit steigendem Angriffswert kippen kann. \u00dcbersteigt die m\u00f6gliche Beute den hinterlegten Einsatz, wird Betrug rational. Deshalb sehen alle ernsthaften Anbieter dieser Kategorie langfristig einen \u00dcbergang zu kryptografischen Beweisen vor.<\/p>

    Das Determinismus-Paradox<\/h2>

    Es gibt eine H\u00fcrde, die alle vier Ans\u00e4tze qu\u00e4lt und selten erkl\u00e4rt wird: Moderne KI-Berechnung ist gar nicht reproduzierbar. Wer denselben Prompt zweimal an dasselbe Modell auf derselben GPU schickt, kann zwei leicht verschiedene Antworten bekommen. Das Papier EigenAI<\/a> benennt die Ursachen: Gleitkomma-Addition ist nicht assoziativ, die Reihenfolge der Rechenschritte auf tausenden parallelen Recheneinheiten variiert, und die B\u00fcndelung mehrerer Anfragen (Batching) ver\u00e4ndert das Ergebnis im letzten Bit. F\u00fcr optimistische und krypto-\u00f6konomische Verfahren ist das fatal, denn sie pr\u00fcfen durch Nachrechnen. Wenn die Nachberechnung nie exakt dasselbe liefert, l\u00e4sst sich Betrug nicht von harmlosem Rauschen unterscheiden.<\/p>

    Die L\u00f6sung ist erzwungener Determinismus. EigenAI beschreibt, wie man mit ma\u00dfgeschneiderten Rechenkernen, festgeschriebenen Treiberversionen und einer kanonischen Reihenfolge der Additionen bit-genaue Wiederholbarkeit erzwingt. \u00dcber zehntausend L\u00e4ufe hinweg h\u00e4tten alle Pr\u00fcfsummen exakt \u00fcbereingestimmt, bei rund 1,8 Prozent zus\u00e4tzlicher Latenz und nahezu voller Rechenleistung. Erst wenn die Berechnung deterministisch ist, wird sie pr\u00fcfbar, und genau das ist die stille Voraussetzung, ohne die opML, Staking und stichprobenartige ZK-Pr\u00fcfungen nicht funktionieren.<\/p>

    F\u00fcr zkML stellt sich dieselbe Anforderung auf anderem Weg. Ein Schaltkreis bildet exakt eine festgelegte Rechenfolge ab, weshalb das Modell vor dem Beweis in eine deterministische, quantisierte Form gebracht werden muss. Determinismus ist damit kein Detail nur der optimistischen Verfahren, sondern die gemeinsame Eintrittskarte f\u00fcr jede Form der Verifikation. Die unbequeme Konsequenz: Ein Modell, das bewiesen werden soll, ist selten bit-genau dasselbe wie das Modell, das ungepr\u00fcft im Rechenzentrum l\u00e4uft.<\/p>

    2026 ist das Jahr der Hybride<\/h2>

    Wenn jeder reine Ansatz eine Ecke des Trilemmas opfert, liegt der Ausweg auf der Hand: kombinieren. Genau das ist die pr\u00e4gende Entwicklung dieses Jahres. Die Architekturen mischen schnelle Hardware f\u00fcr die Vorabfinalit\u00e4t mit optimistischen oder kryptografischen Kontrollen im Hintergrund und routen so um das Trilemma herum, statt eine Ecke zu verlieren.<\/p>

    Hybrid<\/th>Kombination<\/th>Anspruch laut Quelle<\/th>Quelle<\/th><\/tr><\/thead>
    Optimistic TEE-Rollups (OTR)<\/td>H100-TEE plus Betrugsbeweise plus stochastische ZK-Stichproben<\/td>99 Prozent des zentralen Durchsatzes, rund 0,07 USD je Anfrage, Vorabfinalit\u00e4t etwa 500 ms<\/td>arXiv 2512.20176<\/a><\/td><\/tr>
    EigenAI \/ EigenCompute<\/td>deterministische Inferenz plus optimistische Pr\u00fcfung plus Slashing, sp\u00e4ter ZK<\/td>bit-genaue Wiederholbarkeit, rund 1,8 Prozent Latenz-Overhead<\/td>arXiv 2602.00182<\/a><\/td><\/tr>
    Ritual<\/td>modularer Stack aus TEE, ZK und Krypto-\u00d6konomie<\/td>verifizierbare und zugleich vertrauliche Inferenz<\/td>Ritual<\/td><\/tr><\/tbody><\/table><\/figure>

    Der Vorschlag der Optimistic TEE-Rollups zeigt, wie stark der Effekt ist. Die Autoren lassen die Berechnung in einer H100-Enklave laufen, liefern in rund einer halben Sekunde ein vorl\u00e4ufig finales, signiertes Ergebnis und sichern es im Hintergrund durch optimistische Betrugsbeweise sowie zuf\u00e4llige Zero-Knowledge-Stichproben ab, die das Seitenkanal-Risiko der Hardware abfedern. Das Ergebnis laut Papier: rund 99 Prozent des Durchsatzes einer zentralen L\u00f6sung bei etwa 0,07 US-Dollar Mehrkosten pro Anfrage. Zum Vergleich nennen die Autoren einen etwa 1400-fachen Geschwindigkeitsvorsprung gegen\u00fcber reinem zkML; ein Sieben-Milliarden-Parameter-Modell brauche als reiner ZK-Beweis \u00fcber 1200 Sekunden, im Hybrid nur 0,8 Sekunden. Die Sicherheit ist dabei nicht mehr rein kryptografisch, sondern spieltheoretisch: Sie h\u00e4lt, solange mindestens ein ehrlicher Pr\u00fcfer aktiv ist.<\/p>

    EigenCloud geht denselben Weg mit anderer Reihenfolge: erst deterministische, wirtschaftlich abgesicherte Pr\u00fcfung, kryptografische Beweise als sp\u00e4tere Ausbaustufe. Und das Projekt Ritual<\/a> baut die Verfahren als austauschbare Module, sodass sich pro Anwendung die passende Ecke des Trilemmas priorisieren l\u00e4sst. Die Botschaft ist \u00fcberall dieselbe: Die Zukunft der beweisbaren KI ist nicht ein Verfahren, das gewinnt, sondern eine Schichtung, die je nach Bedarf die richtige Balance findet.<\/p>

    Wof\u00fcr man beweisbare KI braucht<\/h2>

    So viel Aufwand lohnt nur, wo eine falsche oder manipulierte KI-Ausgabe echten Schaden anrichtet. Diese Bereiche gibt es, und sie wachsen:<\/p>