opML sollte der bequeme Kompromiss sein. Zu einer Zeit, als kryptografische Beweise f\u00fcr KI-Modelle als praktisch unbezahlbar galten und vertrauliche Hardware nach einem Vertrauensvorschuss an den Chiphersteller klang, bot optimistic Machine Learning einen dritten Weg: Man ver\u00f6ffentlicht das Ergebnis einer KI-Inferenz zusammen mit einer Pr\u00fcfsumme on-chain, behandelt es nach einem Einspruchsfenster als endg\u00fcltig und rechnet nur dann nach, wenn jemand widerspricht. Billiger als ein Zero-Knowledge-Beweis, weniger abh\u00e4ngig von einem Hersteller als ein Trusted Execution Environment. Der pragmatische Mittelweg.<\/p>
Im Herbst 2026 ist von diesem Mittelweg wenig \u00fcbrig, jedenfalls wirtschaftlich. Beide Flanken haben sich bewegt. Auf der einen Seite ist zkML dabei, die Mauer zu durchbrechen, an der es jahrelang scheiterte: die vollst\u00e4ndige Verifikation gro\u00dfer Sprachmodelle. Auf der anderen Seite haben vertrauliche Recheneinheiten (TEEs) den Sprung in echte Produktionslast geschafft, mit Durchs\u00e4tzen, die noch vor einem Jahr utopisch wirkten. opML sitzt dazwischen, und seine eigenen ungel\u00f6sten Probleme, die Latenz des Einspruchsfensters, das Verifier’s Dilemma, die Bit-genaue Reproduzierbarkeit, sind genau dort geblieben, wo sie 2024 waren.<\/p>
Der Markt hat sein Urteil bereits gef\u00e4llt. Der ORA-Token, das native Asset des opML-Pioniers Ora Protocol, wird zum Zeitpunkt dieses Artikels f\u00fcr rund 0,0025 Euro gehandelt, bei einer Marktkapitalisierung von keinen 420.000 Euro und einem Tagesumsatz, der sich im zweistelligen Eurobereich bewegt. Das ist mehr als 99,9 Prozent unter dem Allzeithoch. Die Technik funktioniert; die Bewertung sagt etwas anderes. Dieser Text erkl\u00e4rt, wie opML arbeitet, warum es als Mittelweg gedacht war und weshalb genau dieser Mittelweg 2026 in die Zange geraten ist.<\/p>
opML steht f\u00fcr optimistic Machine Learning, und der Name ist Programm. Das Verfahren wurde formal in einem Paper mit dem Titel „opML: Optimistic Machine Learning on Blockchain“ beschrieben (arXiv 2401.17555<\/a>, ver\u00f6ffentlicht Ende Januar 2024) und ist ausdr\u00fccklich den Optimistic Rollups nachempfunden, wie sie Arbitrum und der OP Stack f\u00fcr allgemeine EVM-Ausf\u00fchrung popul\u00e4r gemacht haben. Das Paper selbst nennt seinen Ansatz „reminiscent of the optimistic rollup systems“. Die Grundidee: Rechenarbeit ist teuer, das Nachpr\u00fcfen von Rechenarbeit ist billig, also verlagert man die Rechnung nach off-chain und macht nur das Nachpr\u00fcfen zur Not on-chain.<\/p> Konkret l\u00e4uft die eigentliche KI-Inferenz, etwa die Antwort eines Sprachmodells auf einen Prompt, au\u00dferhalb der Blockchain. Der Anbieter, in der opML-Sprache der Submitter, ver\u00f6ffentlicht das Ergebnis zusammen mit einer kryptografischen Verpflichtung, \u00fcblicherweise einer Merkle-Wurzel \u00fcber den gesamten Rechenverlauf. Danach beginnt ein Einspruchsfenster. Meldet sich in diesem Zeitraum niemand, gilt das Ergebnis als korrekt und wird endg\u00fcltig. Meldet sich ein Herausforderer, der behauptet, die Rechnung sei falsch, kommt es zum Betrugsbeweis (Fraud Proof).<\/p> „Optimistisch“ hei\u00dft das Verfahren also, weil es im Normalfall davon ausgeht, dass alle ehrlich rechnen, und nur im Streitfall den teuren Pr\u00fcfmechanismus anwirft. Das ist derselbe Handel, den Optimistic Rollups f\u00fcr Transaktionen eingehen; opML \u00fcbertr\u00e4gt ihn auf maschinelles Lernen. Der Reiz liegt auf der Hand: Man muss nicht f\u00fcr jede einzelne Inferenz einen teuren Beweis erzeugen, sondern nur die M\u00f6glichkeit eines Beweises vorhalten. F\u00fcr Anwendungen, bei denen Betrug selten und teuer ist, kann das eine sehr effiziente Wette sein.<\/p> Das Herzst\u00fcck von opML ist die Fraud Proof Virtual Machine (FPVM). Damit ein Streit \u00fcberhaupt entscheidbar ist, muss die umstrittene Rechnung deterministisch und Schritt f\u00fcr Schritt nachvollziehbar sein. Die FPVM ist eine eingeschr\u00e4nkte virtuelle Maschine, in der jeder einzelne Rechenschritt reproduzierbar wiederholt werden kann. Die technische Dokumentation dazu liegt offen auf GitHub<\/a>.<\/p> Die naive Variante, das Single-Phase-Protokoll, spielt im Streitfall die gesamte Rechnung in dieser VM nach. Das ist einfach, aber qu\u00e4lend langsam, weil eine GPU-freie VM ein modernes Modell um Gr\u00f6\u00dfenordnungen langsamer ausf\u00fchrt als spezialisierte Hardware. Deshalb setzt Ora auf ein Multi-Phase-Protokoll: Der unstrittige Teil der Rechnung l\u00e4uft nativ auf GPU beziehungsweise parallel, und nur der eine mikroskopische Schritt, um den tats\u00e4chlich gestritten wird, wird in der VM nachvollzogen. Laut Projektangaben senkt das die Komplexit\u00e4t des Merkle-Baums von O(mn) auf O(m+n) und beschleunigt den Streitfall um das Zigfache gegen\u00fcber dem Single-Phase-Ansatz.<\/p> Wie schnell das in der Praxis ist, h\u00e4ngt stark vom Modell ab. F\u00fcr kleine Netze im MNIST-Ma\u00dfstab nennt Ora in eigenen Tests eine Inferenz von rund zwei Sekunden und einen kompletten Streitzyklus von etwa zwei Minuten auf einem lokalen Testnetz. F\u00fcr gr\u00f6\u00dfere Modelle wirbt das Projekt damit, dass sich ein 7B-Parameter-Modell wie LLaMA (rund 26 Gigabyte) mithilfe einer eigenen, schlanken Bibliothek ohne GPU auf einem gew\u00f6hnlichen PC ausf\u00fchren lasse. Diese Zahlen sind selbst berichtet und nicht unabh\u00e4ngig gepr\u00fcft; sie zeigen aber, worauf opML setzt: nicht auf rohe Geschwindigkeit, sondern auf die Machbarkeit von Verifikation mit minimaler Hardware.<\/p> Gefunden wird dieser eine strittige Schritt \u00fcber ein Bisektionsspiel, das direkt aus der Truebit-Tradition stammt. Jason Teutsch und Christian Reitwiessner beschrieben diese interaktive Verifikation in ihrem Truebit-Paper<\/a> Jahre bevor Optimistic Rollups sie f\u00fcr die allgemeine EVM-Ausf\u00fchrung popul\u00e4r machten; opML wendet dasselbe Muster gezielt auf maschinelles Lernen an. Submitter und Herausforderer grenzen den Streit iterativ ein: Man halbiert die Rechnung, fragt, ob der Zwischenstand nach der H\u00e4lfte stimmt, und je nach Antwort halbiert man die betroffene H\u00e4lfte erneut. Nach logarithmisch vielen Runden bleibt genau ein einzelner Rechenschritt \u00fcbrig, den die Kette dann g\u00fcnstig selbst \u00fcberpr\u00fcfen kann. Der Verlierer verliert seinen Einsatz.<\/p> Das Verfahren ist elegant, aber es hat eine unbequeme Voraussetzung: Die Rechnung muss Bit f\u00fcr Bit reproduzierbar sein. Nur wenn ein ehrlicher Nachrechner exakt dasselbe Ergebnis erh\u00e4lt wie der Submitter, l\u00e4sst sich ein echter Betrug von einer harmlosen Abweichung unterscheiden. Diese Voraussetzung wird sich weiter unten als eine der Achillesfersen von opML erweisen.<\/p> opML als Idee geh\u00f6rt niemandem, aber in der Praxis ist es untrennbar mit Ora Protocol verbunden, dem fr\u00fcheren Hyper Oracle. Das Projekt wurde im September 2022 gegr\u00fcndet; Mitgr\u00fcnder Kartin Wong kam von Google und war zuvor f\u00fcr Infrastruktur bei TikTok verantwortlich. Als Chefwissenschaftlerin stie\u00df Cathie So dazu, eine ehemalige zkML-Forscherin aus der Privacy-and-Scaling-Explorations-Gruppe der Ethereum Foundation, womit das Team sowohl zkML- als auch opML-Kompetenz unter einem Dach hatte.<\/p> Im Juni 2024 sammelte Ora 20 Millionen US-Dollar von Polychain, HF0 und HashKey Capital ein. Gegen\u00fcber CoinDesk<\/a> erkl\u00e4rte Wong, man wolle mit dem Ansatz „unlock the design space for AI dapps“, also den Gestaltungsraum f\u00fcr KI-dApps \u00f6ffnen; die Mittel seien ausdr\u00fccklich daf\u00fcr gedacht, KI-Modelle zu tokenisieren und dezentrale KI ins Ethereum-\u00d6kosystem zu bringen.<\/p> Aus dieser Vision sind mehrere Produkte hervorgegangen. Das OAO (Onchain AI Oracle) ist ein Satz von opML-gesicherten Vertr\u00e4gen mit derselben Adresse \u00fcber gut ein Dutzend Ketten hinweg (Ethereum, Optimism, Arbitrum, Base, Polygon und weitere); eine Anfrage geht an die opML-Knoten, das Ergebnis kommt mit Einspruchsfenster zur\u00fcck und wird per Callback an den anfragenden Vertrag geliefert. opAgent, seit Anfang 2025 live, ist ein Rahmen f\u00fcr perpetuelle On-Chain-Agenten, deren Handlungen \u00fcber opML \u00fcberpr\u00fcfbar werden sollen. Und mit dem Konzept der Initial Model Offering (IMO) hat Ora versucht, die Einnahmen eines Modells selbst zu tokenisieren. Diese Produkte sind technisch real; ob sie Nachfrage finden, ist die eigentliche Frage, und die Antwort des Marktes f\u00e4llt bislang ern\u00fcchternd aus.<\/p> Um zu verstehen, warum opML in die Zange ger\u00e4t, muss man verstehen, warum es \u00fcberhaupt attraktiv war. Die Landschaft der beweisbaren KI kennt grob vier Ans\u00e4tze, und jeder macht einen anderen Kompromiss.<\/p> zkML erzeugt einen kryptografischen Beweis, einen Zero-Knowledge-Beweis, dass ein Modell korrekt gerechnet hat. Das ist mathematisch wasserdicht und braucht kein Vertrauen in irgendjemanden, aber der Aufwand war lange enorm. Vitalik Buterin hat das in seinem Essay \u00fcber Krypto und KI<\/a> n\u00fcchtern beziffert: Matrixmultiplikationen lie\u00dfen sich mit weniger als dem Vierfachen an Aufwand beweisen, die nichtlinearen Schichten eines neuronalen Netzes jedoch kosteten rund das Zweihundertfache, und der ZK-SNARK-Beweis eines einzelnen Ethereum-Blocks k\u00f6nne Stunden dauern. Elena Burger, Deal Partner bei a16z crypto, brachte das Kernproblem auf den Punkt: Zero-Knowledge-Beweise k\u00f6nnten „32-bit floating point operations“ nicht ohne massiven Mehraufwand<\/a> im n\u00f6tigen arithmetischen Schaltkreisformat darstellen, weshalb Modelle f\u00fcr den Beweis auf 8 Bit quantisiert werden m\u00fcssten, eine „crude approximation“ des eigentlichen Modells.<\/p> TEEs (Trusted Execution Environments) gehen den umgekehrten Weg. Statt die Rechnung zu beweisen, f\u00fchren sie sie in einer hardwaregesch\u00fctzten Enklave aus, die per Attestierung best\u00e4tigt, dass genau dieser Code auf genau dieser Hardware lief. Das ist schnell (der Mehraufwand liegt im einstelligen Prozentbereich), aber das Vertrauen verlagert sich auf den Chiphersteller und auf die Annahme, dass die Hardware nicht per Seitenkanal geknackt wird.<\/p> Der crypto-\u00f6konomische Ansatz schlie\u00dflich, Staking plus Slashing, wie ihn EigenLayer beziehungsweise EigenCloud verfolgt, macht Betrug schlicht teurer als den m\u00f6glichen Gewinn, ohne kryptografische Garantie. In diese Aufstellung passte opML als Kompromiss: keine teuren ZK-Beweise, keine harte Hardware-Abh\u00e4ngigkeit, sondern die Wette, dass ein einziger ehrlicher W\u00e4chter gen\u00fcgt, um Betrug aufzudecken. F\u00fcr viele Anwendungen klang das nach dem besten Preis-Leistungs-Verh\u00e4ltnis. Genau diese Rechnung verschiebt sich 2026.<\/p> Der erste Grund liegt bei zkML. Jahrelang galt: Zero-Knowledge-Beweise f\u00fcr gro\u00dfe Modelle sind sch\u00f6n in der Theorie und unbezahlbar in der Praxis. Genau diese Mauer ist ins Wanken geraten.<\/p> Lagrange meldete mit DeepProve das erste produktionsreife zkML-System, das eine vollst\u00e4ndige LLM-Inferenz beweist, und f\u00fchrte als Beleg GPT-2 sowie Gemma-3 an, die Ende zu Ende bewiesen wurden (Modelle der Llama-Klasse sind laut Unternehmen in Arbeit). Die entsprechende Ank\u00fcndigung<\/a> ist n\u00fcchtern einzuordnen: Es ist ein Machbarkeitsnachweis, kein Performance-Report. GPT-2 ist um Gr\u00f6\u00dfenordnungen kleiner als ein modernes Frontier-Modell, und harte Beweiszeit-Kosten f\u00fcr die gro\u00dfen Modelle wurden nicht offengelegt. Trotzdem ist die Botschaft klar: Die Grenze, an der zkML angeblich prinzipiell scheitert, ist keine Wand mehr, sondern eine verschiebbare Front.<\/p> Technisch treibt das vor allem eine Idee: Lookups statt Schaltkreise. Arbeiten wie Jolt Atlas (arXiv 2602.17452<\/a>) \u00fcbertragen die Jolt-zkVM-Architektur von a16z auf ONNX-Tensoroperationen und ersetzen teure arithmetische Schaltkreise f\u00fcr nichtlineare Funktionen wie ReLU oder Softmax durch Nachschlagetabellen. Genau die nichtlinearen Schichten, die Buterin mit dem Zweihundertfachen bezifferte, werden damit deutlich billiger.<\/p> F\u00fcr opML ist das ein Problem, weil sein Hauptargument gegen\u00fcber zkML immer der Preis war. Wenn der ZK-Beweis von unbezahlbar auf lediglich teuer sinkt und weiter f\u00e4llt, schrumpft opMLs Kostenvorsprung, w\u00e4hrend zkMLs Vorteil bestehen bleibt: ein sofort pr\u00fcfbarer Beweis ohne Wartefenster und ohne W\u00e4chter-Annahme. Wer eine harte kryptografische Garantie will, hatte nie einen Grund, opML zu w\u00e4hlen; wer sie sich fr\u00fcher schlicht nicht leisten konnte, bekommt sie langsam in Reichweite. Eine tiefergehende Einordnung der vier Ans\u00e4tze und ihres Trilemmas bietet unsere Analyse zum Trilemma der beweisbaren KI<\/a>.<\/p> Die zweite Flanke ist die Hardware. Wo zkML mit Mathematik gegen opMLs Preis argumentiert, argumentieren TEEs mit Geschwindigkeit gegen opMLs Latenz.<\/p> Phala Network, einer der sichtbarsten Anbieter vertraulicher KI, meldet auf der eigenen Seite<\/a> einen Durchsatz von rund 83 Milliarden vertraulichen Tokens pro Tag (Stand 23. September 2026), gemessen an OpenRouter-Providerdaten, \u00fcber zehn aktive Modelle. Zum Vergleich: Ende August lag dieselbe Kennzahl noch bei rund 24 Milliarden, im Fr\u00fchjahr bei unter drei Milliarden. Das ist echte Produktionslast, kein Testnetz. Die Hardware dahinter, Intel TDX auf CPU-Ebene plus NVIDIA H100, H200 und die Blackwell-Generation mit Confidential Computing, l\u00e4uft laut Phala mit ungef\u00e4hr 5 bis 10 Prozent Mehraufwand, abh\u00e4ngig von Modell und Chip.<\/p> Dieser Mehraufwand ist der springende Punkt. Ein TEE liefert eine Antwort mit Attestierung praktisch in Echtzeit, w\u00e4hrend opML per Konstruktion ein Einspruchsfenster braucht, bevor ein Ergebnis endg\u00fcltig ist. F\u00fcr alles, was interaktiv sein soll, einen Chat-Agenten, einen Handelsbot, ein Spiel, ist das ein entscheidender Unterschied. Dass vertrauliches Rechnen zudem im Mainstream ankommt (Apple betreibt seine Private Cloud Compute inzwischen auf derselben Hardware-Klasse), verst\u00e4rkt den Sog. Auch Projekte wie Ritual bauen ihre gesamte These auf verifizierbarer und vertraulicher Inferenz auf, ein Ansatz, den wir in der Frage ob verifizierbare KI eine eigene Blockchain braucht<\/a> gesondert untersucht haben.<\/p> Der Haken bleibt: TEEs verlangen Vertrauen in den Chiphersteller, und Angriffe wie die 2025 dokumentierte TEE.Fail-Klasse zeigen, dass diese Annahme nicht unverwundbar ist. Aber f\u00fcr latenzsensible Massenanwendungen wiegt das Tempo schwerer als die Reinheit der Vertrauensbasis. Genau dort, wo opML als „billiger als zkML“ antrat, ist TEE als „schneller als opML“ schwer zu schlagen.<\/p> Verst\u00e4rkt wird der Sog dadurch, dass sich die Nachfrage nach beweisbarer KI genau dort b\u00fcndelt, wo TEEs stark sind: bei autonomen Agenten, die in Echtzeit handeln, und bei vertraulichen Anwendungen, die sensible Daten verarbeiten. F\u00fcr einen dezentralen GPU-Marktplatz, auf dem anonyme Anbieter Rechenzeit vermieten, ist die Attestierung zudem ein nat\u00fcrlicher Mechanismus: Sie beweist, was auf fremder Hardware lief, ohne dass ein W\u00e4chter jede einzelne Ausgabe nachrechnen m\u00fcsste. Genau diese Nachrechnung ist bei opML unverzichtbar, und sie skaliert schlecht, wenn Millionen Anfragen pro Tag anfallen.<\/p> Damit sind wir beim Kern der Zange. opMLs strukturelle Schw\u00e4che ist das Einspruchsfenster selbst. Ein Ergebnis ist erst dann sicher endg\u00fcltig, wenn das Fenster ohne erfolgreichen Einspruch verstrichen ist. Verk\u00fcrzt man das Fenster, um schneller zu werden, sinkt die Sicherheit, weil ein ehrlicher W\u00e4chter weniger Zeit hat, einen Betrug zu erkennen; verl\u00e4ngert man es f\u00fcr mehr Sicherheit, wird das System tr\u00e4ge.<\/p> Die Autoren des OTR-Papers (arXiv 2512.20176<\/a>, „Optimistic TEE-Rollups“) formulieren die Kritik unverbl\u00fcmt: Optimistische Ans\u00e4tze „impose prohibitive dispute windows, preventing real-time interactivity“, also erzwingen prohibitive Einspruchsfenster, die Echtzeit-Interaktivit\u00e4t verhindern. Dasselbe Paper pr\u00e4gt den Begriff des Verifizierbarkeits-Trilemmas: Ein dezentrales Inferenzsystem k\u00f6nne hohe Recheninkorrektheit, niedrige Latenz und niedrige Kosten nicht gleichzeitig erreichen. opML opfert die Latenz. Der vorgeschlagene Hybrid des Papers erreicht nach eigenen Angaben 99 Prozent des Durchsatzes eines zentralen Systems bei rund 0,07 US-Dollar Mehrkosten pro Anfrage, gerade indem er das reine Einspruchsverfahren umgeht.<\/p> Die Latenz hat einen Folgeeffekt, der oft \u00fcbersehen wird: Komposabilit\u00e4t. On-Chain-Anwendungen leben davon, dass ein Ergebnis sofort im n\u00e4chsten Vertrag weiterverwendet werden kann. Ein Wert, der erst nach einem mehrmin\u00fctigen oder gar mehrst\u00fcndigen Fenster als endg\u00fcltig gilt, l\u00e4sst sich nicht ohne Weiteres in eine Kette von DeFi-Aktionen einbauen, ohne entweder zu warten oder das Risiko einer sp\u00e4teren R\u00fccknahme zu tragen. F\u00fcr ein Orakel, das eine Kreditlinie absichert oder einen Handel ausl\u00f6st, ist das ein ernstes Problem. Gerade in Feldern wie autonomen KI-Agenten auf Prognosem\u00e4rkten, wo Sekunden z\u00e4hlen, wirkt das Einspruchsfenster wie ein Fremdk\u00f6rper; wie schnell sich dort Bots und Insider bewegen, zeigt unsere Analyse zum gl\u00e4sernen Markt<\/a>.<\/p> Zwei weitere Probleme sind so alt wie opML selbst und 2026 unver\u00e4ndert offen.<\/p> Das erste ist das Verifier’s Dilemma. opMLs Sicherheit h\u00e4ngt an der Annahme, dass mindestens ein ehrlicher W\u00e4chter die ver\u00f6ffentlichten Ergebnisse tats\u00e4chlich nachrechnet. Aber Nachrechnen kostet Ressourcen, und solange alle ehrlich sind, gibt es nie eine Belohnung daf\u00fcr. Ein rein rational handelnder W\u00e4chter spart sich also die Arbeit und vertraut darauf, dass jemand anderes pr\u00fcft, mit dem Ergebnis, dass am Ende wom\u00f6glich niemand pr\u00fcft. Truebit, der geistige Vorl\u00e4ufer, adressierte das mit erzwungenen Fehlern und einem Jackpot als Belohnung; opML hat f\u00fcr dieses Problem bislang keine breit ausgerollte Antwort.<\/p> Das zweite ist die Determinismus-Falle, und sie trifft opML h\u00e4rter als jeden anderen Ansatz. Der Betrugsbeweis funktioniert nur, wenn ein ehrlicher Nachrechner exakt dasselbe Ergebnis Bit f\u00fcr Bit erh\u00e4lt. Moderne LLM-Inferenz auf GPUs ist aber notorisch nicht deterministisch. Das Team von Thinking Machines Lab um Horace He zeigte, wie tief das Problem sitzt: Bei 1.000 Durchl\u00e4ufen desselben Prompts bei Temperatur null<\/a> lieferte ein gro\u00dfes Modell 80 unterschiedliche Ergebnisse; die h\u00e4ufigste Antwort erschien 78 Mal, und die Ausgaben waren nur f\u00fcr die ersten 102 Tokens identisch, bevor sie auseinanderliefen. Ursache ist nicht blo\u00df die Nicht-Assoziativit\u00e4t von Gleitkomma-Additionen, sondern die Batch-Invarianz: Je nach Serverlast variiert die Batch-Gr\u00f6\u00dfe und damit die Reihenfolge der Reduktionen.<\/p> F\u00fcr opML hei\u00dft das: Ohne erzwungene Bit-Reproduzierbarkeit w\u00fcrde ein ehrlicher W\u00e4chter einen ebenso ehrlichen Submitter anfechten, nur weil die GPU anders geb\u00fcndelt hat. Genau deshalb l\u00e4uft die FPVM in einer GPU-freien, deterministischen Umgebung mit einer eigenen, schlanken DNN-Bibliothek. Das l\u00f6st das Problem, aber es ist zugleich der Grund, warum der Streitfall so langsam ist. Determinismus ist f\u00fcr opML kein Detail, sondern zugleich Voraussetzung und Kostentreiber, ein Zielkonflikt, den die schnelleren Nachbarn TEE (die Ausf\u00fchrung wird attestiert, nicht nachgerechnet) so nicht kennen.<\/p> Bemerkenswert ist, dass die gesamte Branche 2026 an diesem Problem arbeitet, nicht nur die Krypto-Welt. Forschungsgruppen und Anbieter haben batch-invariante Kernel vorgelegt, die identische Ausgaben \u00fcber verschiedene Serverlasten hinweg erzwingen, um einen sp\u00fcrbaren, aber vertretbaren Aufschlag beim Durchsatz. Krypto-Projekte greifen das auf: Deterministische Inferenz-Engines sollen die Verifikation auf einen simplen Byte-Vergleich reduzieren, denn wenn jede ehrliche Neuberechnung exakt dieselbe Bytefolge liefert, wird aus einem probabilistischen Abstimmungsproblem eine triviale Gleichheitspr\u00fcfung. F\u00fcr opML w\u00e4re das ein Segen, es verschiebt die Kosten aber nur, es beseitigt sie nicht.<\/p> Zwei letzte Einschr\u00e4nkungen runden das Bild ab.<\/p> Erstens die Privatsph\u00e4re. Damit ein Herausforderer die Rechnung \u00fcberhaupt anfechten kann, muss der gesamte Rechenverlauf \u00f6ffentlich und reproduzierbar sein. opML ist damit von Natur aus transparent, nicht vertraulich. Wer sensible Eingaben verarbeiten will, Gesundheitsdaten, Gesch\u00e4ftsgeheimnisse, Identit\u00e4tsmerkmale, kann das mit reinem opML nicht datenschutzfreundlich tun. Genau hier setzt Oras eigener Hybrid opp\/ai an, der zkML f\u00fcr die Vertraulichkeit mit opML f\u00fcr die Effizienz kombiniert, was zugleich zeigt, dass opML allein die L\u00fccke nicht schlie\u00dft.<\/p> Zweitens die Frage geschlossener Modelle. opMLs Betrugsbeweis funktioniert nur f\u00fcr Modelle, die ein Herausforderer unabh\u00e4ngig nachrechnen kann, also f\u00fcr offene Gewichte wie Llama oder Stable Diffusion. Ein geschlossenes API-Modell wie GPT-4o kann niemand au\u00dfer dem Anbieter reproduzieren; das OAO kann eine solche Antwort zwar durchreichen und attestieren, aber nicht im eigentlichen Sinne per opML absichern. Das ist eine wichtige Nuance, die in Marketingtexten gern verschwimmt: Ein erheblicher Teil der kommerziell relevanten KI l\u00e4uft heute \u00fcber geschlossene APIs, und genau dort greift opMLs Kernmechanismus nicht.<\/p> Die folgende Tabelle fasst zusammen, wo opML zwischen seinen Nachbarn steht. Kein Ansatz gewinnt auf allen Achsen; das ist der Kern des Trilemmas.<\/p>Die Mechanik: Betrugsbeweise, FPVM und die Bisektion<\/h2>
Ora Protocol: vom zkOracle zum opML-Pionier<\/h2>
opMLs Versprechen: der pragmatische Mittelweg<\/h2>
Flanke eins: zkML knackt die LLM-Mauer<\/h2>
Flanke zwei: TEEs gewinnen auf Tempo und Volumen<\/h2>
Das Latenzproblem und die Frage der Komposabilit\u00e4t<\/h2>
Verifier’s Dilemma und die Determinismus-Falle<\/h2>
Die Privatsph\u00e4re-L\u00fccke und geschlossene Modelle<\/h2>
Vier Wege zur beweisbaren KI im Vergleich<\/h2>