zk-ML 2026: Welches Beweissystem für KI wirklich liefert

Drei Jahre lang war zero-knowledge machine learning, kurz zk-ML, vor allem ein Versprechen: Man könne kryptografisch beweisen, dass ein KI-Modell eine Ausgabe korrekt berechnet hat, ohne das Modell offenzulegen und ohne dass ein Prüfer die Rechnung wiederholen muss. 2026 ist aus dem Versprechen ein Werkzeugkasten geworden. Die Beweise für 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 großer Sprachmodelle nahezu in Echtzeit beweisbar zu machen.

Und doch steht jeder Token, der an dieser Infrastruktur hängt, zwischen 86 und über 99 Prozent unter seinem Allzeithoch. Die eigentliche Frage des Jahres lautet deshalb nicht mehr „Kann man KI überhaupt beweisen?“ (zunehmend lautet die Antwort: ja), sondern: Welches Beweissystem greift man in der Praxis, und welches hat überhaupt etwas Laufendes vorzuweisen? Dieser Text ordnet den zk-ML-Werkzeugkasten 2026, von EZKL über DeepProve bis zu den Beweis-Marktplätzen, und erklärt, warum die Technik dem Geld weit vorausgeeilt ist.

Was zk-ML 2026 wirklich bedeutet

Der Kern von zk-ML ist eine Vertrauensverschiebung. Statt einem Server zu glauben, der behauptet, er habe das richtige Modell korrekt ausgeführt, liefert das System neben dem Ergebnis einen kurzen, billig prüfbaren Beweis, dass die Rechnung stimmt. Der Prüfer muss die Inferenz nicht wiederholen; er prüft den Beweis in Millisekunden. Aus „Vertrau dem Betreiber“ wird „Prüf die Mathematik“.

zk-ML ist dabei nur einer von vier Wegen, KI-Rechnen beweisbar zu machen. Die Alternativen: vertrauenswürdige Ausführungsumgebungen (TEE), die auf die Hardware des Chipherstellers setzen; optimistisches machine learning (opML), das ein Ergebnis veröffentlicht und erst bei einem Einspruch per Betrugsbeweis nachrechnet; und kryptoökonomische Ansätze, die Einsatz und Slashing hinterlegen. Nur zk-ML beweist und verbirgt zugleich: Weder die Modellgewichte noch die Eingaben müssen sichtbar werden. Diese Doppeleigenschaft ist der Grund, warum es trotz hoher Kosten nicht verschwindet.

Jahrelang hatte zk-ML allerdings eine harte Grenze: Es funktionierte nur für winzige Modelle, etwa Bildklassifizierer oder kleine neuronale Netze. Ein Transformer mit Milliarden Parametern beweisbar zu machen, galt als undurchführbar. Genau diese Mauer ist 2026 gefallen, und das hat den Werkzeugkasten neu sortiert.

Lookups: der Durchbruch, der die Werkzeuge neu ordnet

Warum war zk-ML so langsam? Die Matrixmultiplikationen, aus denen ein neuronales Netz zum größten Teil besteht, lassen sich in zero-knowledge-Beweisen vergleichsweise günstig abbilden. Ethereum-Mitgründer Vitalik Buterin beziffert den Mehraufwand dafür in seinem Grundlagenessay auf weniger als das Vierfache. Das Problem sind die nichtlinearen Funktionen dazwischen (ReLU, Softmax, GELU): Für sie steigt der Aufwand laut Buterin auf das rund 200-Fache, und ein kompletter ZK-Beweis eines Ethereum-Blocks kann „Stunden“ dauern.

Die Lösung heißt Lookup-Argumente. Statt eine nichtlineare Funktion als Schaltkreis nachzubauen, schlägt 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: Lookups „beseitigen die Notwendigkeit der Schaltkreis-Darstellung vollständig“. In seinem Vergleich beweist ein Lookup-basiertes System eine kleine Inferenz in rund 0,7 Sekunden, wo das ältere EZKL vier bis fünf Sekunden braucht.

Es ist dieselbe Beweis-Mathematik, die auch außerhalb der KI Fahrt aufnimmt, etwa in ZK-Rollups wie Citrea, die Bitcoin eine Ausführungsschicht geben wollen. Für zk-ML bedeutet der Lookup-Durchbruch, dass plötzlich Werkzeuge relevant werden, die vorher an der Nichtlinearität scheiterten, allen voran die zkVMs.

Schaltkreise gegen zkVMs: die Grundsatzentscheidung

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 übersetzen es in einen maßgeschneiderten Beweis-Schaltkreis. Das ist eng und für das konkrete Modell schnell, aber man baut den Schaltkreis für jedes neue Modell neu. EZKL und Lagrange DeepProve gehören hierher.

Die zweite Familie sind zkVMs, zero-knowledge-virtuelle-Maschinen: Sie beweisen die Ausführung eines beliebigen Programms, meist über den Befehlssatz RISC-V. Das ist flexibler, weil man jeden Code beweisen kann, nicht nur ein Modell, war aber für machine learning lange zu langsam, bis die Lookups kamen. RISC Zero und Succinct SP1 sind die bekanntesten zkVMs. Und Jolt Atlas ist der Brückenschlag: eine zkVM, die gezielt auf die Tensoroperationen von ONNX-Modellen zugeschnitten wurde.

Die Wahl zwischen Schaltkreis und zkVM entscheidet über Entwicklungsaufwand, Beweiszeit und darüber, was sich überhaupt beweisen lässt. Darum lohnt der Blick auf die einzelnen Werkzeuge.

EZKL: der Maßstab mit dem einzigen echten DeFi-Einsatz

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 über rund 3,5 Millionen US-Dollar im Mai 2024.

Dafür hat EZKL etwas, das den meisten Beweissystemen fehlt: einen produktiven Einsatz, bei dem echtes Geld auf dem Spiel steht. Das Projekt OpenGradient nutzt EZKL für ein verifizierbares Gebührenmodell auf Uniswap V3: Ein KI-Modell setzt die Pool-Gebühren je nach Volatilität, und der zk-ML-Beweis garantiert, dass das vereinbarte Modell unverändert 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.

Lagrange DeepProve: der erste volle LLM-Beweis

Der sichtbarste Fortschritt des Jahres trägt den Namen DeepProve. Mit DeepProve-1 bewies Lagrange Labs nach eigenen Angaben als erstes produktionsreifes zk-ML-System die vollständige Inferenz eines echten großen 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 über zwölf 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 vollständige LLM-Inferenz, die überhaupt bewiesen wurde.

Lagrange-Mitgründer und CEO Ismael Hishon-Rezaizadeh verknüpft den Schritt mit einem Grundsatz. Zur Freigabe des Quellcodes erklärte er: „Wir haben DeepProve nicht gebaut, um verifizierbare KI zu besitzen. Wir haben es gebaut, damit es niemand muss … Die Blackbox ist geöffnet.“ Die Nachfrageseite untermauert Lagrange mit einer McKinsey-Zahl: 71 Prozent der Führungskräfte in Unternehmen wollten KI-Systeme nicht skalieren, ohne einen Nachweis ihrer Korrektheit zu haben. Zur Veranschaulichung lief ein öffentliches Demo namens Turing Roulette mit über 500.000 Teilnehmern und 3,7 Millionen live verifizierten Inferenzen.

Jolt Atlas und das Beweisen auf dem Gerät

Jolt Atlas ist die technische Wette, dass die Zukunft den zkVMs gehört. Das in einem Fachaufsatz vom Februar 2026 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 fügt die zero-knowledge-Eigenschaft hinzu, und ein Streaming-Ansatz hält den Speicherbedarf so niedrig, dass sich sogar auf gewöhnlicher Hardware beweisen lässt.

Dieses Beweisen auf dem Gerät ist mehr als ein technisches Detail. Wenn ein Beweis lokal auf dem Rechner oder Telefon des Nutzers entsteht, kann der Dateneigentümer selbst nachweisen, dass ein Modell korrekt auf seine Daten angewandt wurde, ohne diese Daten je herzugeben. Dieselbe Idee des lokalen, privatsphärewahrenden Beweises steckt auch hinter zero-knowledge-Identitätssystemen wie Proof of Human. Für zk-ML ist das clientseitige Beweisen der Schlüssel zu allen Anwendungen, bei denen Vertraulichkeit zählt.

zkVMs und Beweis-Marktplätze: SP1, RISC Zero, Boundless

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. RISC Zero liefert eine zweite verbreitete zkVM. Beide lassen sich nutzen, um beliebige Programme zu beweisen, auch ML-Inferenz.

Darüber liegt das Marktplatz-Modell. Boundless, aus dem RISC-Zero-Umfeld, ging im September 2025 im Mainnet auf Base 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 können Entwickler auf jeder Chain auf reichlich zero-knowledge-Rechenleistung zugreifen, um komplexe Anwendungen zu bauen, die über Ökosysteme hinweg skalieren, ohne Dezentralisierung zu opfern.“ Die Rohleistung, die GPUs dafür, kommt zunehmend aus DePIN-Märkten; der jüngste Umbau von Akash mit dem Wechsel auf Solana zeigt, wie ernst dieser Unterbau genommen wird.

Attestable: ein 30-Milliarden-Modell auf einer einzigen H100

Dass die Richtung stimmt, zeigt der frischeste Kapitalzufluss der Szene. Im August 2026 schloss das Startup Attestable eine Seed-Runde über 20 Millionen US-Dollar ab, angeführt von Jamin Ball (Altimeter Capital) und Yonatan Mandelbaum (TLV Partners), mit Halcyon Futures und Cerca Partners im Rücken. Gegründet 2025 von Mathematikern mit Stationen bei RAND, StarkWare und Safe Superintelligence, will die Firma eine universelle Prüfschicht für KI bauen: Ein Beweis belegt, dass eine Ausgabe von einem freigegebenen Modell mit bestimmten Gewichten, Eingaben und Ausführungsregeln stammt, ohne Parameter oder Nutzerdaten offenzulegen, und zwar mit quantenresistenten Beweisen.

Spannend sind die Durchsatzzahlen. Attestable beziffert seine (ausdrücklich als Alpha markierten) Ergebnisse auf rund 53 bis 85 Token pro Sekunde beim Beweisen eines etwa 30 Milliarden Parameter großen Sprachmodells auf einer einzelnen NVIDIA H100, mit einer Prüfung in 157 bis 648 Millisekunden auf einem gewöhnlichen Prozessor und Beweisgrößen zwischen 4,35 und 7,92 MiB. Die Einschränkungen nennt die Firma selbst: ein Kontextfenster von 16.000 Token und ganzzahlig quantisierte Matrixmultiplikationen. Ein 30-Milliarden-Modell zu beweisen ist eine völlig andere Liga als GPT-2; dass es überhaupt im zweistelligen Token-pro-Sekunde-Bereich gelingt, markiert die aktuelle Grenze des Machbaren.

Die zk-ML-Werkzeuge im direkten Vergleich

Die folgende Übersicht ordnet die wichtigsten Werkzeuge nach Typ, technischer Basis, dem, was sie beweisen, und ihrem Reifegrad Ende 2026. Sie macht sichtbar, was gern untergeht: Zwischen einer quelloffenen Bibliothek, einem Forschungsprototyp und einem laufenden Marktplatz liegen Welten, auch wenn alle unter dem Etikett zk-ML laufen.

Quantisierung: warum zk-ML so aussieht, wie es aussieht

Jedes dieser Werkzeuge stößt an dieselbe physikalische Grenze. Zero-knowledge-Beweise rechnen über endlichen Körpern, also mit ganzen Zahlen modulo einer Primzahl. Die 32-Bit-Fließkommazahlen, mit denen KI-Modelle normalerweise rechnen, passen da nicht ohne Weiteres hinein. Elena Burger, Deal Partner bei a16z crypto, formuliert es in einem viel zitierten Beitrag so: zero-knowledge-Beweise könnten 32-Bit-Fließkommaoperationen heute nicht ohne massiven Mehraufwand in das arithmetische Schaltkreisformat bringen. Die Folge: Die Modelle werden auf 8 Bit quantisiert, und das quantisierte Modell sei, so Burger, eine „grobe Annäherung an das hochwertigere Ausgangsmodell“.

Darin liegt ein echter Zielkonflikt zwischen Genauigkeit und Beweisbarkeit: Bewiesen wird nicht unbedingt das Modell, das produktiv läuft, sondern ein ganzzahliger Stellvertreter. Für ein Spielprotokoll mag das genügen; für eine BaFin-beaufsichtigte Bank, die belegen muss, dass genau ihr Produktivmodell gerechnet hat, ist die Lücke heikel. Die Praxis bestätigt den Befund: Ein Bildmodell der VGG-16-Klasse lässt sich in rund 2,2 Sekunden pro Bild beweisen, ein Sprachmodell wie Llama-3 mit 8 Milliarden Parametern dagegen nur mit grob 150 Sekunden pro Token. Attestables ganzzahlig quantisierte Matrixmultiplikationen und das 16.000-Token-Limit sind nichts anderes als derselbe Kompromiss, nur an der Frontlinie der Sprachmodelle.

Was tatsächlich läuft, und die Giza-Lehre

Trennt man die Demos von der Produktion, bleibt eine kurze, aber echte Liste: das OpenGradient-Gebührenmodell auf Uniswap V3, DeepProve mit seinen zwölf Millionen Beweisen und dem Turing-Roulette-Demo, der Boundless-Marktplatz auf Base. Attestable ist beeindruckend, aber ausdrücklich Alpha, nicht Produktion. Das ist mehr als vor einem Jahr, aber weit entfernt von Breitennutzung.

Die Mahnung der Branche heißt Giza. Das Projekt startete 2023 als reines zk-ML-Haus (mit dem Framework Orion auf Cairo) und hat sich inzwischen zu AgentFi gewandelt; sein Aushängeschild ist heute ARMA, ein autonomer Stablecoin-Renditeagent auf Base, der zwischen Aave, Morpho, Compound und Moonwell umschichtet. Der GIZA-Token notiert bei einer Marktkapitalisierung von rund 74.000 Euro, über 99,9 Prozent unter dem Allzeithoch. Die Lektion, die der Markt daraus zieht: Reines zk-ML ist ein schweres Geschäft. Beweise zu liefern ist das eine; jemanden zu finden, der dafür zahlt, das andere.

Beweise skalieren, die Token nicht

Die auffälligste Kluft des Jahres verläuft zwischen Technik und Kurszettel. Die Beweise werden besser und schneller, doch jeder Token, der an der Beweis-Infrastruktur hängt, liegt tief im Minus. Die folgenden Werte stammen vom 31. Oktober 2026 (Quelle: CoinGecko, Kurse sind volatil).

Zum Maßstab: Bittensor (TAO), der große Name der KI-Krypto-Welt, notiert am selben Tag bei rund 211,78 Euro und einer Marktkapitalisierung von 2,47 Milliarden Euro (Rang 38). Die Beweis-Token spielen in einer anderen, viel kleineren Liga. Wichtig ist eine Einordnung, die in der reinen Kurstabelle untergeht: Die stärksten Werkzeuge brauchen gar keinen Token. EZKL, die DeepProve-Bibliothek und Jolt Atlas sind Software, die ohne eigene Münze läuft; ein Token taucht erst auf der Marktplatz- und Netzwerkebene auf (PROVE, ZKC). Das wirft die unbequeme Frage auf, ob verifizierbares Rechnen überhaupt einen Token braucht, oder ob der Token eher ein Finanzierungsmittel als ein technisches Bauteil ist.

Wer die Beweise kauft: KI-Verordnung, Agenten, DeFi

Wenn die Technik läuft, aber die Token darben, dann hängt alles an der Nachfrage. Sie klärt sich 2026 in drei Bahnen. Erstens die Regulierung: Die Pflichten der EU-KI-Verordnung für Allzweck-KI (GPAI) gelten seit dem 2. August 2025, und seit dem 2. August 2026 kann die Kommission sie durchsetzen, mit Bußgeldern bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Umsatzes. Anbieter müssen eine „hinreichend detaillierte Zusammenfassung“ ihrer Trainingsinhalte veröffentlichen und technische Unterlagen vorhalten. Das Gesetz schreibt vor, Herkunft zu erklären; zk-ML könnte beweisen, dass ein Modell so gerechnet hat, wie erklärt. Genau hier setzt die McKinsey-Zahl an, wonach 71 Prozent der Führungskräfte ohne Korrektheitsnachweis nicht skalieren wollen.

Zweitens die autonomen Agenten: Wenn Software selbstständig handelt, Kapital bewegt oder Verträge abschließt, will die Gegenseite einen Beweis, dass das richtige Modell entschieden hat, bevor gehandelt wird. Es ist derselbe KI-Hunger, der Bitcoin-Miner wie Marathon und Riot in KI-Rechenzentren verwandelt, nur eine Ebene höher. Drittens DeFi, wo Geld auf dem Spiel steht: Ein Modell, das Gebühren oder Liquidationen steuert, muss manipulationssicher sein, wie das OpenGradient-Beispiel zeigt. Der Nachholbedarf ist real: Der Stanford AI Index 2026 zählt 362 KI-Zwischenfälle (plus 55 Prozent), eine Verbreitung von 88 Prozent und einen Transparenzindex, der von 58 auf 40 gefallen ist, 80 von 95 bedeutenden Modellen kamen ohne Trainingscode auf den Markt. Das ist die Lücke, die Beweis und Attestierung schließen sollen.

Regulierung in der DACH-Region: BaFin, MiCA und die Grauzone

Für deutschsprachige Leser gilt eine wichtige Unterscheidung. BaFin und die EU-Verordnung MiCA regulieren Krypto-Dienstleister (CASPs) und Emittenten, nicht das Protokoll oder die Bibliothek selbst; das stellt die BaFin in ihrem Merkblatt zu Kryptowerte-Dienstleistungen (3. Januar 2025) klar. Eine zk-ML-Bibliothek hat insofern nichts zu lizenzieren. In den Blick geraten aber die Token, die Beweis-Netze bezahlen (PROVE, ZKC), und die Dienste, die mit Kundenvermögen hantieren: Sie fallen unter die MiCA-Einordnung (Kryptowert oder doch Finanzinstrument nach MiFID II). In Deutschland endete der Bestandsschutz nach Paragraf 50 des Kryptomärkteaufsichtsgesetzes bereits zum 31. Dezember 2025; seit dem 1. Januar 2026 dürfen nur noch MiCA-lizenzierte CASPs arbeiten, und die BaFin führt mit rund 18 Lizenzen das EU-Feld an.

In den USA ist das Bild lockerer und zugleich unschärfer: Die gemeinsame Auslegung von SEC und CFTC vom März 2026 stufte Token wie Bitcoin, Ethereum, Solana und XRP als digitale Rohstoffe ein, sagte zu KI- und Verifizierungs-Infrastruktur-Token aber nichts, womit diese in einer Grauzone verbleiben, wie der Kurswechsel in der SEC-Durchsetzung 2026 zeigt. Für eine deutsche Bank oder einen Vermögensverwalter ist der naheliegende Nutzen von zk-ML ohnehin ein anderer als oft angenommen: Es liefert Herkunft und Integrität (das richtige Modell hat korrekt gerechnet), nicht Erklärbarkeit (warum es so entschied). Die Blackbox-Sorge, die die BaFin umtreibt, ist ein anderes Problem; beweisbar ist nicht gleich erklärbar.

Häufig gestellte Fragen

Was ist zk-ML in einfachen Worten?

zk-ML (zero-knowledge machine learning) verbindet zero-knowledge-Beweise mit maschinellem Lernen. Ein Anbieter kann damit kryptografisch belegen, dass ein bestimmtes KI-Modell eine Ausgabe korrekt berechnet hat, ohne die Modellgewichte oder die Eingabedaten offenzulegen und ohne dass der Prüfer die Rechnung wiederholen muss.

Welches zk-ML-Werkzeug sollte ich 2026 nutzen?

Für kleine bis mittlere Modelle ist EZKL die etablierte Basislinie und das einzige mit einem laufenden DeFi-Einsatz. Wer volle Sprachmodell-Inferenzen beweisen will, schaut auf Lagrange DeepProve. Wer Beweise nicht selbst erzeugen, sondern beziehen möchte, nutzt zkVMs wie Succinct SP1 oder den Marktplatz Boundless.

Kann zk-ML große Sprachmodelle wie GPT-4 beweisen?

Noch nicht am Frontier-Maßstab. 2026 wurde mit GPT-2 erstmals eine vollständige LLM-Inferenz Ende-zu-Ende bewiesen, und Attestable meldet Alpha-Durchsätze für ein rund 30 Milliarden Parameter großes Modell. Wirklich große Modelle bleiben teuer und erfordern Quantisierung; ein günstiger Beweis für ein Modell der GPT-4-Klasse ist noch nicht in Reichweite.

Warum sind die zk-ML-Token so tief gefallen, obwohl die Technik funktioniert?

Weil Technik und Nachfrage auseinanderlaufen. Die Beweise werden besser, aber es zahlt bislang kaum jemand dafür; zudem brauchen die stärksten Werkzeuge (EZKL, DeepProve, Jolt Atlas) gar keinen Token. Deshalb notieren PROVE, LA, ZKC und GIZA zwischen 86 und über 99 Prozent unter ihren Höchstständen.

Reguliert die BaFin zk-ML?

Nein, nicht das Protokoll oder die Bibliothek selbst. BaFin und MiCA regulieren Krypto-Dienstleister und Emittenten. In den Blick geraten aber die Token, die Beweis-Netze bezahlen, sowie Dienste, die mit Kundenvermögen umgehen; sie können als Kryptowert unter MiCA oder als Finanzinstrument unter MiFID II eingestuft werden.

Marcus Okafor schreibt für HOGE Wire über die Schnittstelle von Krypto und künstlicher Intelligenz.