Drei Jahre lang war zero-knowledge machine learning, kurz zk-ML, vor allem ein Versprechen: Man k\u00f6nne kryptografisch beweisen, dass ein KI-Modell eine Ausgabe korrekt berechnet hat, ohne das Modell offenzulegen und ohne dass ein Pr\u00fcfer die Rechnung wiederholen muss. 2026 ist aus dem Versprechen ein Werkzeugkasten geworden. Die Beweise f\u00fcr einzelne KI-Inferenzen laufen, sie werden schneller, und im August 2026 sammelte mit Attestable ein neuer Anbieter 20 Millionen US-Dollar ein, um die Ausgaben gro\u00dfer Sprachmodelle nahezu in Echtzeit beweisbar zu machen.<\/p>
Und doch steht jeder Token, der an dieser Infrastruktur h\u00e4ngt, zwischen 86 und \u00fcber 99 Prozent unter seinem Allzeithoch. Die eigentliche Frage des Jahres lautet deshalb nicht mehr „Kann man KI \u00fcberhaupt beweisen?“ (zunehmend lautet die Antwort: ja), sondern: Welches Beweissystem greift man in der Praxis, und welches hat \u00fcberhaupt etwas Laufendes vorzuweisen? Dieser Text ordnet den zk-ML-Werkzeugkasten 2026, von EZKL \u00fcber DeepProve bis zu den Beweis-Marktpl\u00e4tzen, und erkl\u00e4rt, warum die Technik dem Geld weit vorausgeeilt ist.<\/p>
Der Kern von zk-ML ist eine Vertrauensverschiebung. Statt einem Server zu glauben, der behauptet, er habe das richtige Modell korrekt ausgef\u00fchrt, liefert das System neben dem Ergebnis einen kurzen, billig pr\u00fcfbaren Beweis, dass die Rechnung stimmt. Der Pr\u00fcfer muss die Inferenz nicht wiederholen; er pr\u00fcft den Beweis in Millisekunden. Aus „Vertrau dem Betreiber“ wird „Pr\u00fcf die Mathematik“.<\/p>
zk-ML ist dabei nur einer von vier Wegen, KI-Rechnen beweisbar zu machen. Die Alternativen: vertrauensw\u00fcrdige Ausf\u00fchrungsumgebungen (TEE), die auf die Hardware des Chipherstellers setzen; optimistisches machine learning (opML), das ein Ergebnis ver\u00f6ffentlicht und erst bei einem Einspruch per Betrugsbeweis nachrechnet; und krypto\u00f6konomische Ans\u00e4tze, die Einsatz und Slashing hinterlegen. Nur zk-ML beweist und verbirgt zugleich: Weder die Modellgewichte noch die Eingaben m\u00fcssen sichtbar werden. Diese Doppeleigenschaft ist der Grund, warum es trotz hoher Kosten nicht verschwindet.<\/p>
Jahrelang hatte zk-ML allerdings eine harte Grenze: Es funktionierte nur f\u00fcr winzige Modelle, etwa Bildklassifizierer oder kleine neuronale Netze. Ein Transformer mit Milliarden Parametern beweisbar zu machen, galt als undurchf\u00fchrbar. Genau diese Mauer ist 2026 gefallen, und das hat den Werkzeugkasten neu sortiert.<\/p>
Warum war zk-ML so langsam? Die Matrixmultiplikationen, aus denen ein neuronales Netz zum gr\u00f6\u00dften Teil besteht, lassen sich in zero-knowledge-Beweisen vergleichsweise g\u00fcnstig abbilden. Ethereum-Mitgr\u00fcnder Vitalik Buterin beziffert den Mehraufwand daf\u00fcr in seinem Grundlagenessay auf weniger als das Vierfache<\/a>. Das Problem sind die nichtlinearen Funktionen dazwischen (ReLU, Softmax, GELU): F\u00fcr sie steigt der Aufwand laut Buterin auf das rund 200-Fache, und ein kompletter ZK-Beweis eines Ethereum-Blocks kann „Stunden“ dauern.<\/p> Die L\u00f6sung hei\u00dft Lookup-Argumente. Statt eine nichtlineare Funktion als Schaltkreis nachzubauen, schl\u00e4gt man ihr Ergebnis in einer vorberechneten Tabelle nach und beweist nur, dass der Eintrag korrekt ist. Kombiniert mit dem Sumcheck-Protokoll und dem GKR-Verfahren senkt das die Kosten der teuersten Operationen drastisch. Wyatt Benno vom Team ICME Labs bringt es auf den Punkt<\/a>: Lookups „beseitigen die Notwendigkeit der Schaltkreis-Darstellung vollst\u00e4ndig“. In seinem Vergleich beweist ein Lookup-basiertes System eine kleine Inferenz in rund 0,7 Sekunden, wo das \u00e4ltere EZKL vier bis f\u00fcnf Sekunden braucht.<\/p> Es ist dieselbe Beweis-Mathematik, die auch au\u00dferhalb der KI Fahrt aufnimmt, etwa in ZK-Rollups wie Citrea<\/a>, die Bitcoin eine Ausf\u00fchrungsschicht geben wollen. F\u00fcr zk-ML bedeutet der Lookup-Durchbruch, dass pl\u00f6tzlich Werkzeuge relevant werden, die vorher an der Nichtlinearit\u00e4t scheiterten, allen voran die zkVMs.<\/p> Wer 2026 eine KI-Inferenz beweisen will, steht am Anfang vor einer Architekturfrage, die fast alles Weitere bestimmt. Zwei Familien konkurrieren. Die erste sind modellspezifische Compiler: Sie nehmen ein trainiertes Netz im ONNX-Format und \u00fcbersetzen es in einen ma\u00dfgeschneiderten Beweis-Schaltkreis. Das ist eng und f\u00fcr das konkrete Modell schnell, aber man baut den Schaltkreis f\u00fcr jedes neue Modell neu. EZKL und Lagrange DeepProve geh\u00f6ren hierher.<\/p> Die zweite Familie sind zkVMs, zero-knowledge-virtuelle-Maschinen: Sie beweisen die Ausf\u00fchrung eines beliebigen Programms, meist \u00fcber den Befehlssatz RISC-V. Das ist flexibler, weil man jeden Code beweisen kann, nicht nur ein Modell, war aber f\u00fcr machine learning lange zu langsam, bis die Lookups kamen. RISC Zero und Succinct SP1 sind die bekanntesten zkVMs. Und Jolt Atlas ist der Br\u00fcckenschlag: eine zkVM, die gezielt auf die Tensoroperationen von ONNX-Modellen zugeschnitten wurde.<\/p> Die Wahl zwischen Schaltkreis und zkVM entscheidet \u00fcber Entwicklungsaufwand, Beweiszeit und dar\u00fcber, was sich \u00fcberhaupt beweisen l\u00e4sst. Darum lohnt der Blick auf die einzelnen Werkzeuge.<\/p> EZKL vom Team zkonduit ist das Arbeitspferd der Szene. Es nimmt ein ONNX-Modell und erzeugt daraus einen Halo2-Beweis, ohne dass der Entwickler Kryptografie beherrschen muss. Jahrelang war EZKL die Standardbibliothek, an der sich alle anderen messen, und genau das ist 2026 sein Problem: DeepProve wirbt damit, 54- bis 158-mal schnellere Beweise zu erzeugen als EZKL. Die Finanzierung blieb bescheiden, ein Wandeldarlehen \u00fcber rund 3,5 Millionen US-Dollar im Mai 2024.<\/p> Daf\u00fcr hat EZKL etwas, das den meisten Beweissystemen fehlt: einen produktiven Einsatz, bei dem echtes Geld auf dem Spiel steht. Das Projekt OpenGradient nutzt EZKL f\u00fcr ein verifizierbares Geb\u00fchrenmodell<\/a> auf Uniswap V3: Ein KI-Modell setzt die Pool-Geb\u00fchren je nach Volatilit\u00e4t, und der zk-ML-Beweis garantiert, dass das vereinbarte Modell unver\u00e4ndert gerechnet hat und niemand an den Parametern gedreht hat. Es ist eines der wenigen Beispiele, bei denen ein zk-ML-Beweis nicht in einer Demo, sondern in einem laufenden DeFi-Protokoll steckt.<\/p> Der sichtbarste Fortschritt des Jahres tr\u00e4gt den Namen DeepProve. Mit DeepProve-1 bewies Lagrange Labs nach eigenen Angaben als erstes produktionsreifes zk-ML-System die vollst\u00e4ndige Inferenz eines echten gro\u00dfen Sprachmodells von Anfang bis Ende, konkret OpenAIs GPT-2; auch Googles Gemma-3 wurde Ende-zu-Ende bewiesen, ein Modell der Llama-Klasse steckt in der aktiven Entwicklung. Das System setzt auf Sumcheck plus logup-GKR, ist seit Juni 2026 quelloffen und hat nach Lagranges Zahlen \u00fcber zw\u00f6lf Millionen Beweise und mehr als drei Millionen verifizierte Inferenzen erzeugt. Zum Vergleich: GPT-2 hat rund 124 Millionen Parameter, es ist also kein Frontier-Modell, aber die erste vollst\u00e4ndige LLM-Inferenz, die \u00fcberhaupt bewiesen wurde.<\/p> Lagrange-Mitgr\u00fcnder und CEO Ismael Hishon-Rezaizadeh verkn\u00fcpft den Schritt mit einem Grundsatz. Zur Freigabe des Quellcodes erkl\u00e4rte er: „Wir haben DeepProve nicht gebaut, um verifizierbare KI zu besitzen. Wir haben es gebaut, damit es niemand muss … Die Blackbox ist ge\u00f6ffnet.“ Die Nachfrageseite untermauert Lagrange mit einer McKinsey-Zahl<\/a>: 71 Prozent der F\u00fchrungskr\u00e4fte in Unternehmen wollten KI-Systeme nicht skalieren, ohne einen Nachweis ihrer Korrektheit zu haben. Zur Veranschaulichung lief ein \u00f6ffentliches Demo namens Turing Roulette mit \u00fcber 500.000 Teilnehmern und 3,7 Millionen live verifizierten Inferenzen.<\/p> Jolt Atlas ist die technische Wette, dass die Zukunft den zkVMs geh\u00f6rt. Das in einem Fachaufsatz vom Februar 2026<\/a> vorgestellte System der Teams ICME Labs und NovaNet erweitert die von a16z crypto entwickelte Jolt-zkVM um die Tensoroperationen von ONNX-Modellen. Der Trick sind wieder die Lasso-Lookups plus Sumcheck, die die teuren nichtlinearen Schritte aus dem Schaltkreis holen; eine Variante namens BlindFold f\u00fcgt die zero-knowledge-Eigenschaft hinzu, und ein Streaming-Ansatz h\u00e4lt den Speicherbedarf so niedrig, dass sich sogar auf gew\u00f6hnlicher Hardware beweisen l\u00e4sst.<\/p> Dieses Beweisen auf dem Ger\u00e4t ist mehr als ein technisches Detail. Wenn ein Beweis lokal auf dem Rechner oder Telefon des Nutzers entsteht, kann der Dateneigent\u00fcmer selbst nachweisen, dass ein Modell korrekt auf seine Daten angewandt wurde, ohne diese Daten je herzugeben. Dieselbe Idee des lokalen, privatsph\u00e4rewahrenden Beweises steckt auch hinter zero-knowledge-Identit\u00e4tssystemen wie Proof of Human<\/a>. F\u00fcr zk-ML ist das clientseitige Beweisen der Schl\u00fcssel zu allen Anwendungen, bei denen Vertraulichkeit z\u00e4hlt.<\/p> Nicht jeder, der einen Beweis braucht, will selbst einen Prover betreiben. Daraus ist eine eigene Infrastrukturschicht entstanden. Succinct SP1 ist eine allgemeine RISC-V-zkVM, seit August 2025 im Mainnet, mit dem Token PROVE als Einsatz-und-Slashing-Mechanismus; der Code liegt offen auf GitHub<\/a>. RISC Zero liefert eine zweite verbreitete zkVM. Beide lassen sich nutzen, um beliebige Programme zu beweisen, auch ML-Inferenz.<\/p> Dar\u00fcber liegt das Marktplatz-Modell. Boundless, aus dem RISC-Zero-Umfeld, ging im September 2025 im Mainnet auf Base<\/a> live und verkauft Beweis-Rechenleistung protokollagnostisch: Wer einen Beweis braucht, bestellt ihn, Prover liefern ihn gegen Belohnung nach dem Verfahren Proof of Verifiable Work. Boundless-CEO Shiv Shankar fasst den Anspruch so: „Zum ersten Mal k\u00f6nnen Entwickler auf jeder Chain auf reichlich zero-knowledge-Rechenleistung zugreifen, um komplexe Anwendungen zu bauen, die \u00fcber \u00d6kosysteme hinweg skalieren, ohne Dezentralisierung zu opfern.“ Die Rohleistung, die GPUs daf\u00fcr, kommt zunehmend aus DePIN-M\u00e4rkten; der j\u00fcngste Umbau von Akash mit dem Wechsel auf Solana<\/a> zeigt, wie ernst dieser Unterbau genommen wird.<\/p> Dass die Richtung stimmt, zeigt der frischeste Kapitalzufluss der Szene. Im August 2026 schloss das Startup Attestable eine Seed-Runde \u00fcber 20 Millionen US-Dollar<\/a> ab, angef\u00fchrt von Jamin Ball (Altimeter Capital) und Yonatan Mandelbaum (TLV Partners), mit Halcyon Futures und Cerca Partners im R\u00fccken. Gegr\u00fcndet 2025 von Mathematikern mit Stationen bei RAND, StarkWare und Safe Superintelligence, will die Firma eine universelle Pr\u00fcfschicht f\u00fcr KI bauen: Ein Beweis belegt, dass eine Ausgabe von einem freigegebenen Modell mit bestimmten Gewichten, Eingaben und Ausf\u00fchrungsregeln stammt, ohne Parameter oder Nutzerdaten offenzulegen, und zwar mit quantenresistenten Beweisen.<\/p> Spannend sind die Durchsatzzahlen. Attestable beziffert seine (ausdr\u00fccklich als Alpha markierten) Ergebnisse auf rund 53 bis 85 Token pro Sekunde beim Beweisen eines etwa 30 Milliarden Parameter gro\u00dfen Sprachmodells auf einer einzelnen NVIDIA H100, mit einer Pr\u00fcfung in 157 bis 648 Millisekunden auf einem gew\u00f6hnlichen Prozessor und Beweisgr\u00f6\u00dfen zwischen 4,35 und 7,92 MiB. Die Einschr\u00e4nkungen nennt die Firma selbst: ein Kontextfenster von 16.000 Token und ganzzahlig quantisierte Matrixmultiplikationen. Ein 30-Milliarden-Modell zu beweisen ist eine v\u00f6llig andere Liga als GPT-2; dass es \u00fcberhaupt im zweistelligen Token-pro-Sekunde-Bereich gelingt, markiert die aktuelle Grenze des Machbaren.<\/p>Schaltkreise gegen zkVMs: die Grundsatzentscheidung<\/h2>
EZKL: der Ma\u00dfstab mit dem einzigen echten DeFi-Einsatz<\/h2>
Lagrange DeepProve: der erste volle LLM-Beweis<\/h2>
Jolt Atlas und das Beweisen auf dem Ger\u00e4t<\/h2>
zkVMs und Beweis-Marktpl\u00e4tze: SP1, RISC Zero, Boundless<\/h2>
Attestable: ein 30-Milliarden-Modell auf einer einzigen H100<\/h2>