VanEck's Krypto-KI-Umsatzprognosen bis 2030

Wir präsentieren Szenarien für den Krypto-Umsatz im Bereich künstlicher Intelligenz für 2030, wobei wir von einem Basisszenario von 10,2 Milliarden USD ausgehen. Dabei betonen wir die wichtige Rolle öffentlicher Blockchains, um die Akzeptanz von KI durch wesentliche Funktionen zu fördern.

Bitte beachten Sie, dass VanEck Positionen in den unten beschriebenen digitalen Vermögenswerten haben kann.

Die wichtigsten Punkte:

• Krypto-KI-Umsätze werden in unserem Basisszenario für 2030 voraussichtlich 10,2 Milliarden USD erreichen
• Die Blockchain-Technologie könnte ein entscheidender Faktor für die Einführung von KI und für Fortschritte bei dezentralen KI-Lösungen werden
• Integration mit Kryptoanreizen kann Sicherheit und Effizienz von KI-Modellen verbessern
• Blockchain könnte sich als Lösung für die Herausforderungen der KI-Identitätsprüfung und Datenintegrität erweisen

Es besteht die große Chance, dass öffentliche Blockchains der Schlüssel zu einer breiten Akzeptanz von künstlicher Intelligenz (KI) sind und KI-Anwendungen die Daseinsberechtigung von Kryptowährungen werden. Der Grund dafür ist, dass Krypto wichtige Grundlagen für die KI bietet, wie Transparenz, Unveränderlichkeit, klar definierte Eigentumsverhältnisse und eine gegnerische Testumgebung. Wir glauben, dass diese Eigenschaften entscheidend dazu beitragen werden, dass die KI ihr volles Potenzial entfalten kann. Basierend auf Schätzungen des KI-Wachstums gehen wir in unserem Basisszenario davon aus, dass Krypto-Projekte mit Schwerpunkt KI im Jahr 2030 einen jährlichen Umsatz von 10,2 Milliarden USD erzielen werden. In diesem Beitrag spekulieren wir über die Rolle von Kryptowährungen bei der Einführung von KI und den Wert, den Kryptowährungen aus KI-Transaktionen ziehen werden.

Wir sind der Meinung, dass die besten Anwendungen von Krypto für KI sind:

• Bereitstellung von dezentralen Rechenressourcen
• Modellprüfung, Feinabstimmung und Überprüfung
• Urheberrechtsschutz und Datenintegrität
• KI-Sicherheit
• Identität

Kryptowährungen werden für die KI äußerst nützlich sein, da sie bereits viele der aktuellen und künftigen Herausforderungen der KI lösen. Im Wesentlichen lösen Kryptowährungen Koordinationsprobleme. Krypto verbindet Menschen, Rechenleistung und finanzielle Ressourcen, um Open-Source-Software zu betreiben. Dies wird erreicht, indem Belohnungen in Form von Token, die an den Wert des jeweiligen Netzwerks gebunden sind, denjenigen angeboten werden, die das Netzwerk der jeweiligen Blockchain erstellen, unterstützen und nutzen. Dieses Belohnungssystem kann verwendet werden, um verschiedene Komponenten des KI-Wertsystems aufzubauen. Eine wichtige Auswirkung der Integration von Kryptowährung und KI liegt in der Nutzung von Kryptowährungsanreizen zur Entwicklung wesentlicher physischer Infrastrukturen wie GPU-Clustern, die dem Training, der Feinabstimmung und der Nutzung generativer Modelle dienen. Da es sich bei Kryptowährungen um eine reziproke Umgebung handelt, in der Kryptowährungen verwendet werden, um ein gewünschtes Nutzerverhalten zu belohnen, ist dies die optimale Grundlage für das Testen und Feintuning von KI-Modellen, um den Output zu optimieren, der einem bestimmten Qualitätsstandard entspricht.

Blockchains bringen auch Transparenz in digitale Eigentumsrechte, was dazu beitragen könnte, einige der Probleme mit Open-Source-Software zu lösen, mit denen KI vor Gericht konfrontiert sein wird, wie der Fall NYTimes gegen OpenAI und Microsoft zeigt. Mit Kryptowährungen können Eigentumsrechte und Urheberrechtsschutz für Dateneigentümer, Modellersteller und Modellnutzer transparent nachgewiesen werden. Diese Transparenz wird sich auch auf die Veröffentlichung mathematischer Beweise für die Wirksamkeit von Modellen in öffentlichen Blockchains erstrecken. Schließlich glauben wir, dass öffentliche Blockchains durch fälschungssichere digitale Signaturen und Datenintegrität dazu beitragen werden, Identifizierungs- und Sicherheitsprobleme zu lösen, die andernfalls die Effizienz von KI beeinträchtigen würden.

Rolle von Kryptowährungen in KI-Unternehmen

Krypto-KI-Umsatzprognose für 2030: Bären-, Basis- und Bullen-Szenarien

Gesamtadressierbarer Markt (Total Addressable Market, TAM) (Milliarden USD)	Bär	Basis	Stier
Generative KI Produktivitätsgewinne 2030 (TAM)	$2,930	$5,851	$8,494
Einführung von KI in Unternehmen 2030	10.00%	33.00%	50.00%
KI für Unternehmen TAM	$293	$1,931	$4,247
KI Stack Value Capture	6.00%	13.00%	20.00%
Gesamtausgaben für KI im Unternehmen	$17.58	$251.00	$849.44
KI-Stack-Anteil (Milliarden USD)	Bärenszenario	Basisszenario	Bullenszenario
Software	50.00%	50.00%	50.00%
KI-Infrastruktur als Dienstleistung	18.90%	18.90%	18.90%
Identität	3.50%	3.50%	3.50%
Sicherheit	8.90%	8.90%	8.90%
AI Stack Jahresumsätze ($B)	Bärenszenario	Basisszenario	Bullenszenario
Software	$8.79	$125.50	$424.72
KI-Infrastruktur als Dienstleistung	$3.32	$47.44	$160.54
Identität	$0.62	$8.78	$29.73
Sicherheit	$1.56	$22.34	$75.60
Krypto-Marktanteil	Bärenszenario	Basisszenario	Bullenszenario
Software	2.50%	5.00%	7.50%
IaaS	2.00%	4.00%	6.00%
Identität	5.00%	10.00%	15.00%
Sicherheit	2.50%	5.00%	7.50%
Krypto-KI-Umsätze ($B)	Bärenszenario	Basisszenario	Bullenszenario
Software	$0.22	$6.27	$31.85
IaaS	$0.07	$1.90	$9.63
Identität	$0.03	$0.88	$4.46
Sicherheit	$0.04	$1.12	$5.67
Gesamte KI-Krypto-Einnahmen 2030	$0.36	$10.17	$51.62

Quellen: Morgan Stanley, Bloomberg Intelligence, VanEck Research, Stand: 29.1.2024. Die Wertentwicklung in der Vergangenheit ist keine Garantie für zukünftige Ergebnisse. Die in diesem Blog vorgestellten Informationen, Bewertungsszenarien und Kursziele sind weder als Finanzberatung noch als Aufforderung zum Handeln, als Kauf- oder Verkaufsempfehlung oder als Prognose für die künftige Entwicklung von KI-Unternehmen gedacht. Die tatsächliche zukünftige Wertentwicklung ist unbekannt und kann erheblich von den hier dargestellten hypothetischen Ergebnissen abweichen. Es kann Risiken oder andere Faktoren geben, die in den dargestellten Szenarien nicht berücksichtigt sind und die Leistung beeinträchtigen können. Dies sind lediglich die Ergebnisse einer Simulation auf der Grundlage unserer Forschung und dienen lediglich der Veranschaulichung. Bitte stellen Sie Ihre eigenen Nachforschungen an und ziehen Sie Ihre eigenen Schlussfolgerungen.

Um den Markt für Krypto-KI zu prognostizieren, schätzen wir zunächst den gesamten adressierbaren Markt (TAM) der kommerziellen Produktivitätssteigerungen, die durch KI ermöglicht werden, und leiten unsere Basis für diese Zahl von den Annahmen von McKinsey für 2022 ab. Anschließend wenden wir Annahmen zum Wirtschafts- und Produktivitätswachstum auf die Zahlen von McKinsey an, um einen TAM von 5,85 Milliarden USD für das Jahr 2030 als Basisszenario zu ermitteln. In diesem Basisszenario gehen wir davon aus, dass die Produktivitätssteigerungen der KI 50 % über dem BIP-Wachstum liegen und das BIP um 3 % wächst. Dann prognostizieren wir die Marktdurchdringung von KI in globalen Unternehmen, die im Basisszenario bei 33 % liegt, und wenden sie auf unser ursprüngliches TAM an, um geschätzte Produktivitätsgewinne von 1,93 Billionen USD für Unternehmen durch KI zu erhalten. Um die Einnahmen aller KI-Unternehmen zu ermitteln, gehen wir davon aus, dass 13 % dieser Produktivitätsgewinne von den KI-Unternehmen als Einnahmen verbucht (oder von den Unternehmenskunden ausgegeben) werden. Wir schätzen den Anteil der KI-Einnahmen anhand des durchschnittlichen Anteils der Einnahmen an den Arbeitskosten der S&P 500-Unternehmen und gehen davon aus, dass die KI-Ausgaben ähnlich hoch sein dürften. Im nächsten Teil unserer Analyse verwenden wir Prognosen von Bloomberg Intelligence über die Verteilung des KI-Wertes, um zu Schätzungen der jährlichen Einnahmen der einzelnen KI-Unternehmenskohorten zu gelangen. Schließlich verwenden wir spezifische Schätzungen des Krypto-Marktanteils für jedes dieser KI-Unternehmen, um die endgültige Zahl für jeden Fall und jeden Markt zu ermitteln.

Wir stellen uns eine Zukunft vor, in der dezentralisierte KI-Modelle, die aus öffentlichen Repos erstellt werden, für jeden erdenklichen Anwendungsfall nutzbar gemacht werden. Und in vielen Fällen sind diese Open-Source-Modelle den zentralisierten KI-Entwicklungen überlegen. Diese Einschätzung beruht auf der Annahme, dass Open-Source-Gemeinschaften Hobbykreative und Enthusiasten zusammenbringen, die auf einzigartige Weise motiviert sind, Dinge zu verbessern. Wir haben bereits erlebt, wie Open-Source-Internetprojekte traditionelle Unternehmen erschüttert haben. Die prominentesten Beispiele für dieses Phänomen sind Wikipedia, das das Ende des kommerziellen Lexikongeschäfts eingeläutet hat, und Twitter, das die Nachrichtenmedien revolutioniert hat. Diese Open-Source-Gemeinschaften sind dort erfolgreich, wo herkömmliche Unternehmen scheitern, weil Open-Source-Gruppen Menschen koordinieren und motivieren, durch eine Kombination aus sozialem Einfluss, Ideologie und Gruppenzusammenhalt Werte zu schaffen. Kurz gesagt, diese Open-Source-Gemeinschaften sind erfolgreich, weil sich ihre Mitglieder engagieren.

Die Integration von Open-Source-KI-Modellen mit Krypto-Anreizen vergrössert den Einfluss dieser aufstrebenden Gemeinschaften und gibt ihnen die finanziellen Möglichkeiten, die notwendige Infrastruktur für die Gewinnung neuer Teilnehmer zu schaffen. Die Anwendung dieser Prämisse auf KI wird eine faszinierende Kombination aus Leidenschaft und finanziellen Mitteln sein. KI-Modelle werden in Wettbewerben mit Krypto-Anreizen getestet, wodurch eine Landschaft entsteht, in der die Bewertung von Modellen zum Benchmarking wird. In diesem Umfeld gehen die effizientesten Modelle und Bewertungskriterien als Sieger hervor, da der Wert eines jeden Modells ausdrücklich quantifiziert wird. Daher gehen wir in unserem Basisszenario davon aus, dass KI-Modelle, die über die Blockchain produziert werden, 5 % des gesamten Umsatzes mit KI-Software ausmachen werden. Diese Schätzung umfasst Hardware, Software, Dienstleistungen, Werbung, Spiele und mehr und spiegelt einen Wandel in der Arbeitsweise vieler Unternehmen wider. Wir gehen davon aus, dass dies etwa die Hälfte des Gesamtumsatzes mit KI-Software ausmachen wird, also etwa 125,50 Milliarden USD. Der von uns erwartete Marktanteil von 5 % für Open-Source-Modelle entspricht somit einem Umsatz von 6.27 Milliarden USD für Krypto-Token-gestützte KI-Modelle.

Wir gehen davon aus, dass der TAM für die Bereitstellung von Rechenleistung – oder KI-Infrastruktur als Dienstleistung – für Feinabstimmung, Training und Inferenz im Jahr 2030 47,44 Milliarden USD erreichen könnte. In dem Maße, in dem die breite Akzeptanz von KI zu einem integralen Bestandteil vieler Funktionen der Weltwirtschaft wird, kann die Bereitstellung von Rechen- und Speicherleistung als öffentliche Dienstleistung betrachtet werden, ähnlich wie die Stromerzeugung und -verteilung. Bei dieser Dynamik wird die grosse Mehrheit der “Grundlast” von GPU-Cloud-Hyperscalern wie Amazon und Google kommen, und ihr Marktanteil wird sich einer Pareto-Verteilung von 80 % annähern. Wir sehen Blockchain-verteilte Backend-Serverinfrastrukturen, die auf spezifische Bedürfnisse zugeschnitten sind und bei hoher Netzwerknachfrage als „Peaking”-Anbieter fungieren. Für Hersteller maßgeschneiderter KI-Modelle bieten Anbieter von Krypto-Speichern und -Computern Vorteile wie die Bereitstellung von On-Demand-Diensten, kürzere SLA-Lock-in-Perioden, individuellere Rechenumgebungen und eine höhere Latenzempfindlichkeit. Darüber hinaus können dezentrale GPUs nahtlos in dezentrale KI-Modelle innerhalb von Smart Contracts integriert werden, was erlaubnisfreie Anwendungsfälle ermöglicht, bei denen KI-Agenten ihren eigenen Rechenbedarf skalieren. Wenn man sich Blockchain-GPUs als das Uber/Lyft-Äquivalent der KI-Recheninfrastruktur vorstellt, gehen wir davon aus, dass die von Blockchain bereitgestellten Rechen- und Speicherkapazitäten 20 % des Nicht-Hyperscaler-Marktes für KI-Infrastruktur ausmachen und im Jahr 2030 einen Umsatz von 1,90 Milliarden USD generieren werden.

Die Definition von “Identität” im Zusammenhang mit KI-Agenten und -Modellen durch nachweisbare Menschlichkeit in der Kette kann als Sybil-Abwehrmechanismus für die Computernetze der Welt betrachtet werden. Wir können die Kosten für diesen Dienst abschätzen, indem wir die Ausgaben für die Verteidigung verschiedener Blockchain-Netzwerke untersuchen. Im Jahr 2023 beliefen sich diese Kosten für Bitcoin, Ethereum und Solana auf etwa 1,71 %, 4,3 % bzw. 5,57 % des Wertes des jeweiligen Netzwerks bei inflationären Ausgaben. Vorsichtige Schätzungen gehen davon aus, dass Identity etwa 3.5 % des KI-Marktes ausmachen dürfte. Bei einem TAM von 125.5 Milliarden USD für KI-Software entspricht dies einem jährlichen Umsatz von 8.78 Milliarden USD. Da wir glauben, dass Kryptowährungen eine optimale Lösung für Identitätsprobleme bieten, gehen wir davon aus, dass sie einen Marktanteil von 10 % an diesem Endmarkt haben werden, was einem jährlichen Umsatz von etwa 878 Millionen USD entspricht.

Die KI-Sicherheit wird sich als eine weitere wichtige Komponente von KI-Geräten erweisen, wobei eine grundlegende Anforderung darin besteht, zu überprüfen, ob das richtige Modell mit unverfälschten, relevanten und aktuellen Daten ausgeführt wird. Mit der Ausweitung der KI auf Anwendungen, bei denen Menschenleben auf dem Spiel stehen, wie selbstfahrende Autos, Fabrikroboter und Gesundheitssysteme, wird die Fehlertoleranz minimal. Die Notwendigkeit, bei Unfällen zur Rechenschaft gezogen zu werden, wird einen Versicherungsmarkt vorantreiben, der konkrete Sicherheitsnachweise verlangt. Öffentliche Blockchains sind ideal, um diese Funktion zu erfüllen, da sie „Sicherheitsnachweise” in unveränderlichen Ledgern veröffentlichen können, die für jedermann einsehbar sind. Dieses Geschäft kann als eine Art Compliance für Finanzinstitute betrachtet werden. Angesichts der Tatsache, dass US-amerikanische Geschäfts- und Investmentbanken Einnahmen in Höhe von 660 Milliarden USD generieren und gleichzeitig 58,75 Milliarden USD für Compliance-Kosten ausgeben (8,9 % der Einnahmen), gehen wir davon aus, dass KI-Sicherheit etwa 22,34 Milliarden USD der 251 Milliarden USD KI-TAM ausmachen sollte. Trotz des Potenzials von Kryptowährungen, die Sicherheit von KI zu erhöhen, glauben wir angesichts des Fokus der US-Regierung auf KI, dass der Grossteil der Compliance für KI zentralisiert sein wird. Daher schätzen wir, dass Kryptowährungen etwa 5 % dieses Marktes ausmachen werden, was etwa 1,12 Milliarden USD entspricht.

Organisation von dezentralen Rechenressourcen

Kryptowährungen können ihre erheblichen sozialen und finanziellen Koordinationsvorteile nutzen, um den Zugang zu Rechenleistung zu demokratisieren und so die aktuellen Herausforderungen der KI-Entwicklung zu bewältigen. Neben den hohen Kosten und dem begrenzten Zugang zu hochwertigen GPUs haben die Entwickler von KI-Modellen derzeit noch mit anderen Problemen zu kämpfen. Dazu gehören die Abhängigkeit von einem bestimmten Anbieter, Sicherheitsbedenken, die begrenzte Verfügbarkeit von Rechenleistung, schlechte Latenzzeiten und geografische Beschränkungen („Geofencing“) aufgrund nationaler Gesetze.

Die Fähigkeit von Kryptowährungen, den Bedarf der KI an GPUs zu decken, beruht auf ihrer Fähigkeit, Ressourcen durch Token-Anreize zu bündeln. Der Wert des Bitcoin-Netzwerks von 850 Milliarden USD in Token und 20 Milliarden USD in Aktienwerten zeigt diese Fähigkeit. Somit besteht sowohl für die derzeitigen Bitcoin-Miner als auch für vielversprechende dezentrale GPU-Marktplätze das Potenzial, durch die Bereitstellung dezentraler Rechenleistung einen erheblichen Mehrwert für KI zu schaffen.

Eine hilfreiche Analogie für das Verständnis der Bereitstellung von GPUs durch Blockchain ist das Geschäft der Stromerzeugung. Vereinfacht gesagt gibt es Unternehmen, die große, teure Kraftwerke betreiben, die kontinuierlich Strom erzeugen, um die Nachfrage im Stromnetz zu decken. Diese “Grundlast”-Kraftwerke haben eine konstante Nachfrage, erfordern aber erhebliche Investitionen für den Bau, was zu relativ niedrigen, aber garantierten Kapitalrenditen führt. Neben den Grundlastkraftwerken gibt es noch eine weitere Kategorie von Kraftwerken, die sogenannten Spitzenlastkraftwerke. Diese Unternehmen liefern Strom, wenn die Nachfrage nach Strom die Möglichkeiten der Grundlasterzeugung übersteigt. Es handelt sich dabei um eine teure Energieerzeugung in kleinem Maßstab, die strategisch in der Nähe der Nachfrage nach dieser Energie positioniert ist Wir gehen davon aus, dass sich eine ähnliche Dynamik im Bereich „Compute-on-demand” entwickeln wird.

Diversifizierung von Bitcoin-Minern in Richtung KI

Bitcoin und andere Proof-of-Work-Kryptowährungen haben mit KI einen hohen Energiebedarf gemeinsam. Diese Energie muss erzeugt, beschafft, transportiert und in nutzbare Elektrizität umgewandelt werden, um Mining Rigs und Compute Clusters zu betreiben. Diese Lieferkette erfordert von den Minern erhebliche Investitionen in Kraftwerke, Stromabnahmeverträge, Netzinfrastruktur und Rechenzentren. Die monetären Anreize, die sich aus dem Mining von PoW-Kryptowährungen ergeben, haben zur Entstehung vieler weltweit verteilter Bitcoin-Miner geführt, die Energie- und Stromrechte und eine integrierte Netzarchitektur besitzen. Ein großer Teil dieser Energie stammt aus kostengünstigeren, kohlenstoffintensiven Quellen, die von der Gesellschaft gemieden werden. Das überzeugendste Wertangebot, das Bitcoin-Miner machen können, ist daher eine kostengünstigere Energieinfrastruktur für den Betrieb der KI-Backend-Infrastruktur.

Hyperscale-Computing-Anbieter wie AWS und Microsoft haben die Strategie verfolgt, in vertikal integrierte Prozesse zu investieren und ihre eigenen Energie-Ökosysteme aufzubauen. Big Tech ist in die Vorstufe vorgedrungen, entwickelt sein eigenes Silizium und erzeugt seine eigene Energie, größtenteils aus erneuerbaren Quellen. Rechenzentren verbrauchen heute zwei Drittel der erneuerbaren Energie, die Unternehmen in den USA zur Verfügung steht. Sowohl Microsoft als auch Amazon haben sich verpflichtet, bis 2025 100 % ihrer Energie aus erneuerbaren Quellen zu beziehen. Wenn jedoch, wie einige vermuten, der prognostizierte Rechenbedarf die Erwartungen übertrifft, könnte sich der Strombedarf von KI-zentrierten Rechenzentren bis 2027 verdoppeln und die Investitionskosten könnten sich verdreifachen. Schon jetzt zahlt Big Tech 0.06-0.10 $/kWh für Strom, was viel teurer ist als das, was konkurrierende Bitcoin-Miner im Allgemeinen zahlen (0.03-0.05 $/kWh). Wenn die Nachfrage nach Energie durch KI die derzeitigen Infrastrukturpläne von Big Tech übersteigt, könnte sich der Stromkostenvorteil der Bitcoin-Miner gegenüber den Hyperscalern erheblich vervielfachen. Miner werden zunehmend von KI-Geschäften mit höheren Margen angezogen, die mit der Bereitstellung von GPUs verbunden sind. Im Oktober berichtete Hive, dass seine HPC- und KI-Aktivitäten pro Megawatt 15-mal mehr Umsatz generieren als das Bitcoin-Mining. Andere Bitcoin-Miner, die die KI-Chance nutzen, sind Hut 8 und Applied Digital.

Die Bitcoin-Miner sind auf diesem neuen Markt gewachsen, was zur Diversifizierung der Einnahmen und zur Stärkung der Quartalsergebnisse beigetragen hat. In der Analystenkonferenz von Hut 8 für das dritte Quartal 2023 erklärte CEO Jaime Leverton: “In unserem HPC-Geschäft haben wir im dritten Quartal mit neuen Kunden und Wachstum bei bestehenden Kunden eine gewisse Dynamik geschaffen. Letzte Woche haben wir unseren On-Demand-Cloud-Service für Kunden eingeführt, die HPC-Dienste von unseren GPUs mit Kubernetes-basierten Anwendungen benötigen, die künstliche Intelligenz, maschinelles Lernen, visuelle Effekte und Rendering-Workloads unterstützen können. Dieser Service gibt unseren Kunden die Kontrolle in die Hand und verkürzt die Bereitstellungszeit von Tagen auf Minuten, was besonders für diejenigen interessant ist, die kurzfristige HPC-Projekte planen. Im dritten Quartal 2023 erzielte Hut 8 mit HPC-Diensten einen Umsatz von 4,5 Millionen USD, was mehr als 25 % des Unternehmensumsatzes in diesem Zeitraum entspricht. Die steigende Nachfrage nach HPC-Diensten und neuen Angeboten dürfte zum künftigen Wachstum dieses Geschäftsbereichs beitragen, und angesichts der bevorstehenden Halbierung des Bitcoin könnte der HPC-Umsatz je nach Marktbedingungen bald den des Mining übersteigen.

Auch wenn ihr Betrieb vielversprechend klingt, könnten Bitcoin-Miner, die auf KI umsteigen, aufgrund mangelnder Fähigkeiten beim Bau von Rechenzentren oder der Unfähigkeit, die Stromversorgung zu skalieren, ins Straucheln geraten. Diese Miner könnten auch auf Herausforderungen bei den Betriebskosten stoßen, die sich aus den Kosten für die Einstellung neuer, auf Rechenzentren spezialisierter Vertriebsmitarbeiter ergeben. Darüber hinaus verfügen die derzeitigen Mining-Operationen nicht über ausreichende Netzwerklatenz oder -bandbreite, da sie aufgrund ihrer Optimierung für billige Energie an abgelegenen Orten angesiedelt sind, an denen es häufig keine Hochgeschwindigkeits-Glasfaserverbindungen gibt.

Implementierung einer dezentralen Cloud für KI

Wir sehen auch eine lange Reihe von Krypto-Projekten mit Schwerpunkt auf Rechenleistung, die einen kleinen, aber wichtigen Teil des Marktes für KI-Server-Ressourcen einnehmen werden. Diese Unternehmen werden Rechencluster ausserhalb von Hyperscalern koordinieren, um ein auf die Bedürfnisse von KI-Entwicklern zugeschnittenes Nutzenversprechen zu bieten. Zu den Vorteilen der dezentralisierten Rechenleistung gehören Anpassbarkeit, offener Zugang und bessere Vertragsbedingungen. Diese Blockchain-basierten Rechenunternehmen ermöglichen es kleineren KI-Akteuren, die erheblichen Kosten und die allgemeine Nichtverfügbarkeit von High-End-GPUs wie H100 und A100 zu vermeiden. Krypto-KI-Unternehmen werden die Nachfrage befriedigen, indem sie ein Netzwerk physischer Infrastrukturen aufbauen, das auf Krypto-Token-Anreizen basiert, und gleichzeitig geistiges Eigentum anbieten, das die Software-Infrastruktur schafft, um die Nutzung der Rechenleistung für KI-Anwendungen zu optimieren. Blockchain-Computing-Projekte werden zusätzlich zu Krypto-Belohnungen einen Marktplatz-Ansatz verwenden, um kostengünstige Rechenleistung von unabhängigen Rechenzentren, Unternehmen mit überschüssiger Rechenleistung und ehemaligen PoW-Minern zu finden. Zu den Projekten, die dezentralisierte Berechnungen für KI-Modelle anbieten, gehören Akash, Render und io.net.

Tageseinnahmen Akash

Akash Daily Revenue. Quelle: Cloudmos, Stand der Daten: 30.1.2024. Die Wertentwicklung in der Vergangenheit ist keine Garantie für künftige Ergebnisse.

Akash, ein auf Cosmos basierendes Projekt, kann als dezentralisierte „Supercloud” für allgemeine Zwecke betrachtet werden, die CPUs, GPUs, RAM und Speicher anbietet. Tatsächlich handelt es sich um einen zweiseitigen Marktplatz, der die Nutzer von Cloud-Diensten mit den Anbietern verbindet. Die Software von Akash wurde entwickelt, um das Angebot an Rechenleistung mit der Nachfrage zu koordinieren und gleichzeitig die Werkzeuge zu schaffen, die das Training, die Feinabstimmung und den Betrieb von KI-Modellen erleichtern. Akash stellt auch sicher, dass sowohl Käufer als auch Verkäufer auf dem Marktplatz ihre Verpflichtungen ehrlich erfüllen. Akash wird durch seine $AKT-Token koordiniert, mit denen Cloud-Dienste mit einem Rabatt bezahlt werden können. $AKT werden auch als Anreizmechanismus für GPU-Rechenleistungsanbieter und andere Netzwerkteilnehmer ausgegeben. Auf der Angebotsseite hat Akash große Fortschritte beim Hinzufügen von Rechenleistungsanbietern gemacht: Es gibt 65 verschiedene Anbieter auf dem Marktplatz von Akash. Während die Nachfrage nach Rechenleistung bis zum Start der KI-Supercloud von Akash am 31. August 2023 eher gering war, haben Käufer von Rechenleistung nach dem Startdatum 138 000 US-Dollar ausgegeben.

Render, das kürzlich zu Solana migriert wurde, konzentrierte sich zunächst darauf, Künstler mit dezentralen Gruppen zu verbinden, die GPU-Leistung für das Rendering von Bildern und Videos bereitstellen. Render hat jedoch begonnen, seine dezentralisierte GPU-Flotte auf die Befriedigung von Machine-Learning-Workloads zu konzentrieren, um Deep-Learning-Modelle zu unterstützen. Durch den Vorschlag zur Netzwerkerweiterung RNP-004 verfügt Render nun über eine API zur Verbindung mit externen Netzwerken wie io.net, die das Render-GPU-Netzwerk für maschinelles Lernen nutzen. Spätere Vorschläge der Render-Community wurden angenommen, um den Zugriff auf die GPUs über Beam und FEDML zu ermöglichen, um Aufgaben des maschinellen Lernens zu erfüllen. Damit wird Render zu einem dezentralen Vermittler von GPU-Workloads, koordiniert durch $RNDR-Zahlungen an Anbieter und $RNDR-Anreize für Unternehmen, die die Backend-Infrastruktur des Netzwerks betreiben.

Io.net GPU-Preisvergleich. Quelle: Stand: 4.1.2024.

Ein weiteres interessantes Projekt, das auf Solana aufbaut und als DePIN (Decentralized Physical Infrastructure Network) bezeichnet wird, ist io.net. Auch io.net dient der Bereitstellung von GPUs, konzentriert sich aber ausschließlich auf die Anwendung von GPUs zur Unterstützung von KI-Modellen. Io.net fügt seinem Kernstack weitere Dienste hinzu, die über die blosse Koordinierung von Berechnungen hinausgehen. Es behauptet, dass sein System in der Lage ist, alle Komponenten der KI, einschließlich Erstellung, Verwendung und Feinabstimmung, zu verwalten, um die KI-Workloads in seinem Netzwerk zu erleichtern und Probleme zu beheben. Das Projekt greift auch auf andere dezentrale GPU-Netzwerke wie Render und Filecoin sowie auf die eigenen GPUs zurück. Obwohl io.net derzeit keinen Token hat, ist die Einführung eines Tokens für das erste Quartal 2024 geplant.

Überwindung von Engpässen in der dezentralen Datenverarbeitung

Die Nutzung dieser verteilten Rechenleistung bleibt jedoch eine Herausforderung aufgrund der Netzwerkanforderungen, die durch die typischen 633 TB+ an Daten entstehen, die zum Trainieren von Deep Learning-Modellen erforderlich sind. Über den Globus verteilte Computersysteme stellen aufgrund der Latenzzeiten und der unterschiedlichen Computerkapazitäten ebenfalls neue Hindernisse für die Parallelisierung des Modelltrainings dar. Ein Unternehmen, das den Markt für Open-Source-Grundlagenmodelle mit großem Elan angreift, ist Together, das eine dezentrale Cloud zum Hosten von Open-Source-Modellen künstlicher Intelligenz aufbaut. Together versetzt Forscher, Entwickler und Unternehmen in die Lage, künstliche Intelligenz mit Hilfe einer intuitiven Plattform zu nutzen und zu verbessern, die Daten, Modelle und Rechenleistung kombiniert, den Zugang zu künstlicher Intelligenz erweitert und die nächste Generation von Technologieunternehmen unterstützt. In Zusammenarbeit mit führenden akademischen Forschungseinrichtungen hat Together den „Together Research Computer” entwickelt, mit dem die Labs ihre Rechenleistung für die KI-Forschung bündeln können. Das Unternehmen hat auch mit dem Stanford Research Center for Research on Foundational Models (CRFM) zusammengearbeitet, um die Holistic Evaluation of Language Models (HELM) zu entwickeln. HELM ist eine “lebende Benchmark”, die die Transparenz von KI verbessern soll, indem sie einen standardisierten Rahmen für die Bewertung solcher Basismodelle bietet.

Seit der Gründung von Together hat Vipul Ved Prakash, der Gründer des Unternehmens, mehrere Projekte ins Leben gerufen, darunter 1) GPT-JT, ein offenes LLM mit einem 6B-Parametermodell, das über eine Verbindung mit weniger als 1 Gbit/s trainiert wird, 2) OpenChatKit, eine leistungsstarke Open-Source-Basis für die Erstellung von Chatbots für spezielle und allgemeine Zwecke, und 3) RedPajama, ein Projekt zur Erstellung von Open-Source-Modellen als Grundlage für Forschung und kommerzielle Anwendungen. Die Together-Plattform ist ein Basismodell, das aus offenen Modellen auf Commodity-Hardware, einer dezentralen Cloud und einer umfassenden Entwickler-Cloud besteht, die verschiedene Rechenquellen wie Consumer-Miner, Krypto-Mining-Farmen, T2-T4-Cloud-Anbieter und akademische Rechner zusammenführt.

HELM (RAFT) Score

GPT-JT Performance. Quelle: Stand: 4.1.2024.

Wir glauben, dass dezentralisierte und demokratisierte Cloud-Computing-Lösungen wie Together die Kosten für den Aufbau neuer Modelle erheblich senken und damit etablierte Giganten wie Amazon Web Services, Google Cloud und Azure stören und ihnen Konkurrenz machen könnten. Im Vergleich zu AWS Capacity Blocks und AWS p5.48xlarge Instances zu Together-GPU-Clustern, die mit der gleichen Anzahl von H100 SXM5-GPUs konfiguriert sind, kann Together etwa viermal niedrigere Preise als AWS anbieten.

In dem Masse, wie offene LLMs immer präziser werden und sich daher immer mehr durchsetzen, könnte Together zum Industriestandard für Open-Source-Modelle werden, ähnlich wie Red Hat es für Linux war. Zu den Wettbewerbern in diesem Bereich gehören Stability A und HuggingFace als Modellanbieter sowie Gensyn und Coreweave als KI-Cloud-Anbieter.

Verbesserung von KI-Modellen durch Krypto-Anreize

Blockchains und Krypto-Anreize zeigen, dass Netzwerkeffekte und Belohnungen, die an die Größe des Netzwerkeffekts gekoppelt sind, Menschen dazu bringen, nützliche Arbeit zu leisten. Im Kontext des Bitcoin-Minings besteht diese Arbeit darin, das Bitcoin-Netzwerk zu sichern, indem teure Strombanken, technische Arbeitskräfte und ASIC-Maschinen eingesetzt werden. Diese Kombination wirtschaftlicher Ressourcen bietet einen Schutzmechanismus gegen Sybil-Attacken, der wirtschaftliche Angriffe auf Bitcoin verhindert. Im Gegenzug erhalten die Miner, die diese Ressourcen orchestrieren, $BTC. Der grüne Bereich für nützliche KI-Arbeit ist jedoch weitaus größer, und einige Projekte entwickeln bereits KI- und maschinelle Lernmodelle, um diese zu verbessern.

Das primitivste dieser Projekte ist Numerai. Derzeit kann Numerai als dezentralisiertes Data-Science-Turnier betrachtet werden, um die besten Machine-Learning-Modelle zu identifizieren, die die Finanzerträge durch den Aufbau eines Aktienportfolios optimieren. In jeder Periode erhalten anonyme Numerai-Teilnehmer Zugang zu maskierten Rohdaten und werden aufgefordert, diese Daten zu nutzen, um das bestmögliche Aktienportfolio zu erstellen. Um teilzunehmen, werden die Nutzer nicht nur aufgefordert, Prognosen abzugeben, sondern auch NMR-Token hinter die Prognosen ihrer Modelle zu setzen, um den Wert dieser Modelle zu bestätigen. Andere Nutzer können ebenfalls Token auf die Modelle setzen, von denen sie glauben, dass sie am besten abschneiden werden. Die Ergebnisse jedes verwendeten Modells werden dann in einen Algorithmus für maschinelles Lernen eingespeist, um ein Metamodell zu erstellen, das die Investitionsentscheidungen des Hedgefonds Numerai One beeinflusst. Diejenigen Nutzer, die die „Inferenzen” mit den besten Informationskoeffizienten oder der besten Effektivität einreichen, werden mit NMR-Tokens belohnt. Gleichzeitig werden denjenigen, die die schlechtesten Modelle eingereicht haben, Token aberkannt (einbehalten und für die Belohnung der Gewinner verwendet).

Subnets und Anwendungsfälle auf Bittensor. Quelle: Stand: 2.1.2024.

Ein ähnliches Projekt, das die Kernkonzepte von Numerai massiv erweitert, ist Bittensor. Bittensor kann als “Bitcoin für maschinelle Intelligenz” betrachtet werden, da es ein Netzwerk ist, das wirtschaftliche Anreize für KI/ML-Modelle bietet. Dies geschieht durch sogenannte “Miner”, die KI-Modelle erstellen, und “Validierer”, die die Qualität der Ergebnisse dieser Modelle bewerten. Die Architektur von Bittensor besteht aus einem Basisnetz und vielen kleineren Teilnetzen (Subnets). Jedes Teilnetz konzentriert sich auf einen anderen Bereich der maschinellen Intelligenz. Die Miner in diesen Subnets werden von Validatoren befragt, die ihnen verschiedene Fragen stellen, um die Qualität ihrer KI-Modelle zu bewerten.

Die leistungsstärksten Modelle erhalten die höchsten Belohnungen in Form von TAO-Tokens, während die Validatoren für genaue Bewertungen der Miner entschädigt werden. Auf einer höheren Ebene müssen sowohl Validatoren als auch Miner Token einsetzen, um an jedem Subnet teilnehmen zu können, und der Anteil jedes Subnet am gesamten Stake bestimmt, wie viele TAO-Token es aus der gesamten Bittensor-Inflation erhält. Somit hat jeder Miner nicht nur einen Anreiz, sein Modell so zu optimieren, dass er die meisten Belohnungen erhält, sondern auch, sein Modell auf das beste KI-Teilnetz zu konzentrieren. Da sowohl Miner als auch Validatoren über Geldmittel verfügen müssen, um am System teilnehmen zu können, muss jeder von ihnen die Kapitalkostenschwellen überschreiten, andernfalls scheidet er aus dem System aus.

Im Januar 2024 gab es 32 verschiedene Subnetze, die sich jeweils einem bestimmten Bereich des maschinellen Lernens oder der KI widmeten. Subnet 1 ist zum Beispiel ein Text-Prompting-LLM, ähnlich wie ChatGPT. In diesem Subnetz betreiben die Miner verschiedene optimierte Versionen von LLMs, um auf Aufforderungen von Validatoren, die die Qualität der Antworten bewerten, bestmöglich zu reagieren. Im Subnet 8, Taoshi genannt, geben Miner kurzfristige Prognosen für den Preis von Bitcoin und verschiedenen Finanzanlagen ab. Bittensor verfügt auch über Subnetze für die Übersetzung menschlicher Sprache, Speicherung, Audio, Web Scraping, maschinelle Übersetzung und Bilderzeugung. Die Erstellung von Teilnetzen ist genehmigungsfrei, und jeder mit 200 TAO kann ein Teilnetz erstellen. Die Betreiber der Teilnetze sind für die Erstellung der Bewertungs- und Belohnungsmechanismen für die Tätigkeit der einzelnen Teilnetze verantwortlich. Opentensor, die Stiftung hinter Bittensor, betreibt beispielsweise Subnet 1 und hat kürzlich in Zusammenarbeit mit Cerebras ein Modell zur Bewertung der LLM-Outputs der Miner in diesem Subnet veröffentlicht.

Während diese Subnets anfangs alle vollständig durch die inflationären Belohnungen subventioniert werden, muss sich jedes Subnet schließlich wirtschaftlich selbst tragen. Daher müssen sich die Betreiber der Subnets und die Validatoren koordinieren, um Instrumente zu entwickeln, die es externen Nutzern ermöglichen, für den Zugang zu den Diensten der einzelnen Subnets zu bezahlen. Da die inflationären TAO-Belohnungen abnehmen, wird jedes Subnet zunehmend auf externe Einnahmen angewiesen sein, um sich selbst tragen zu können. In diesem wettbewerbsorientierten Umfeld besteht ein direkter wirtschaftlicher Druck, die besten Modelle zu entwickeln, und es gibt Anreize für andere, für diese Modelle gewinnbringende reale Anwendungen zu schaffen. Bittensor erschließt das Potenzial der künstlichen Intelligenz, indem es aufstrebende kleine Unternehmen dabei unterstützt, KI-Modelle zu identifizieren und zu monetarisieren. Wie der bekannte Bittensor-Evangelist MogMachine es ausdrückt, kann man sich diese Dynamik als “darwinistischen Wettbewerb für KI” vorstellen.

Eine weitere interessante Gruppe von Projekten verwendet Krypto, um die Schaffung von KI-Agenten zu fördern. Diese Agenten sind so programmiert, dass sie autonom Aufgaben für Menschen oder andere Computerprogramme ausführen. Diese Einheiten sind im Wesentlichen anpassungsfähige Computerprogramme, die auf die Lösung spezifischer Probleme ausgerichtet sind. Agenten sind ein Sammelbegriff für Chatbots, automatisierte Handelsstrategien, Spielfiguren und sogar Metaverse-Assistenten. Ein bemerkenswertes Projekt in diesem Bereich ist Altered State Machine, eine Plattform zur Erstellung von KI-Agenten, die mit Hilfe von NFTs betrieben und trainiert werden. In Altered State Machine erstellen die Benutzer ihre “Agenten” und “trainieren” sie dann mithilfe von dezentralen GPU-Clustern. Diese Agenten sind für bestimmte Anwendungsfälle optimiert. Ein weiteres Projekt, Fetch.ai, ist eine Plattform für die Erstellung von Agenten, die auf die Bedürfnisse der einzelnen Nutzer zugeschnitten sind. Fetch.ai ist auch ein SaaS-Unternehmen, das die Registrierung und Vermietung oder den Verkauf von Agenten ermöglicht.

Renditen von KI-Token seit 1.1.2023

Quelle: Stand der Daten: 10.01.2024. Die Wertentwicklung in der Vergangenheit ist keine Garantie für künftige Ergebnisse.

Verifizierung durch Zero-Knowledge (zk)-Beweise

2023 war mit der Vorstellung von ChatGPT von OpenAI, LLAMA-2 von Meta und BERT von Google ein herausragendes Jahr für neue KI-Modelle. Aufgrund der vielversprechenden Möglichkeiten des Deep Learning gab es im Juni 2023 mehr als 18.563 KI-Start-ups in den USA. Diese und andere Start-ups haben Tausende neuer grundlegender und verfeinerter Modelle entwickelt. Die Zunahme zahlreicher neuer Unternehmen in einem Bereich, in dem 1 von 4 VC-Dollars in KI-bezogene Unternehmen investiert wird, sollte jedoch Anlass zu ernster Sorge geben.

• Wer hat die einzelnen Modelle tatsächlich erstellt und ist ihr Eigentümer?
• Wurde der Output tatsächlich anhand des angegebenen Modells erzeugt?
• Ist das Modell tatsächlich so wirksam, wie es beworben wird?
• Was war die Datenquelle für jedes Modell und wer ist Eigentümer dieser Daten?
• Wurden durch das Training, die Feinabstimmung und/oder die Ableitung irgendwelche Urheberrechte oder Datenrechte verletzt?

Sowohl Investoren als auch Nutzer dieser Modelle sollten die Gewissheit haben, dass sie diese Fragen beantworten können. Derzeit gibt es viele Benchmarking-Tests für verschiedene Komponenten von LLM-Outputs, wie z.B. HumanEval für die Codegenerierung, Chatbot Arena für LLM-Assistenzaufgaben und ARC Benchmark für LLM-Schlussfolgerungsfähigkeit. Trotz Bemühungen um Modelltransparenz, wie z. B. das Open LLM Leaderbord von Hugging Face, gibt es keinen konkreten Beweis für die Effektivität eines Modells, seine letztendliche Herkunft oder die Quelle seiner Trainings-/Inferenzdaten. Nicht nur können Benchmarks manipuliert werden. Es gibt auch keine Gewissheit, dass ein bestimmtes Modell tatsächlich ausgeführt wurde (im Gegensatz zur Verwendung einer API, die eine Verbindung zu einem anderen Modell herstellt). Und es gibt keine Garantie, dass die Leaderboards selbst ehrlich sind.

Hierin liegt die Vereinigung von öffentlichen Blockchains, KI und einem hochaktuellen Gebiet der Mathematik, den Zero-Knowledge (zk)-Beweisen. zk-Beweise sind eine Anwendung der Kryptografie, die es jemandem ermöglicht, mit mathematischer Sicherheit auf einem gewünschten Niveau zu beweisen, dass eine Aussage, die er über Daten macht, korrekt ist, ohne die zugrunde liegenden Daten jemandem zu offenbaren. Bei den Aussagen kann es sich um einfache Aussagen wie Rangordnungen, aber auch um komplexe mathematische Berechnungen handeln. Zum Beispiel könnte jemand nicht nur beweisen, dass er oder sie das relative Vermögen einer Stichprobe von Personen kennt, ohne dieses Vermögen einer anderen Partei zu offenbaren, sondern er oder sie könnte auch die korrekte Berechnung des Mittelwerts und der Standardabweichung der Gruppe beweisen. Im Wesentlichen kann man beweisen, dass man Daten kennt und/oder auf der Grundlage dieser Daten wahrheitsgemäße Behauptungen aufgestellt hat, ohne die Einzelheiten dieser Daten oder die Art und Weise, wie sie berechnet wurden, offenzulegen. Außerhalb der KI werden zk-Beweise bereits zur Skalierung von Ethereum verwendet, um Transaktionen außerhalb der Kette auf Layer-2-Blockchains zu ermöglichen. Kürzlich wurden zk-Beweise auf Deep-Learning-Modelle angewendet, um Folgendes zu beweisen:

• Bestimmte Daten wurden verwendet, um ein Modell zu generieren oder ein Inferenz-Output zu liefern (auch welche Daten/Quellen nicht verwendet wurden)
• Ein bestimmtes Modell wurde verwendet, um eine Schlussfolgerung zu ziehen
• Eine Inferenzausgabe wurde nicht manipuliert

zk-Beweise können in die öffentlichen, permanenten Blockchains eingestellt und durch Smart Contracts verifiziert werden. Das Ergebnis ist, dass Blockchains wichtige Eigenschaften von KI-Modellen öffentlich und unwiderlegbar nachweisen können. Zwei innovative Projekte, die ZK auf KI anwenden und als Zero-Knowledge Machine Learning (ZKML) bezeichnet werden, sind [Projektname 1] und [Projektname 2]. EZKL verwendet das Proof-System, um zk-snarks zu generieren, eine Art Zero-Knowledge-Proof, der dann auf dem EVM von Ethereum öffentlich verifiziert werden kann. Während die Modellgrößen, die EZKL derzeit beweisen kann, relativ klein sind, etwa 100 Millionen Parameter im Vergleich zu 175 Milliarden bei ChatGPT 4, glaubt der CEO von EZKL, dass es sich eher um ein „technisches Problem” als um eine Frage „technologischer Grenzen” handelt. EZKL glaubt, dass sie die Probleme mit den Beweisen dadurch lösen können, dass sie die Beweise parallel ausführen, um die Speicherbeschränkungen und die Rechenzeit zu verringern. Jason Morton glaubt sogar, dass es eines Tages so einfach sein wird, ein Modell zu verifizieren, wie eine Blockchain-Transaktion zu unterschreiben.

Die Anwendung von ZKML-Beweisen auf KI kann wichtige Probleme der KI-Implementierung lösen, darunter Urheberrechtsfragen und KI-Sicherheit. Wie die jüngste Klage der New York Times gegen Open AI und Microsoft zeigt, wird das Urheberrecht auf Dateneigentum angewendet, und KI-Projekte werden gezwungen sein, ihre Datenquellen nachzuweisen. Die ZKML-Technologie kann eingesetzt werden, um gerichtliche Streitigkeiten über Modelle und Dateneigentum schnell beizulegen. Eine der besten Anwendungen von ZKML besteht darin, dass Daten-/Modellmarktplätze wie Ocean Protocol und SingularityNet die Authentizität und Wirksamkeit ihrer Angebote nachweisen können.

KI-Modelle werden sich schließlich in Bereichen ausbreiten, in denen Genauigkeit und Sicherheit von größter Bedeutung sind. Schätzungen zufolge wird es bis 2027 5.8 Milliarden KI-Edge-Geräte geben, zu denen möglicherweise auch schwere Maschinen, Roboter und autonome Drohnen und Fahrzeuge gehören könnten. Da maschinelle Intelligenz auf Dinge angewendet wird, die Menschen verletzen und töten können, wird es wichtig sein, nachzuweisen, dass ein seriöses Modell auf diesem Gerät mit hochwertigen Daten aus einer zuverlässigen Quelle ausgeführt wurde. Obwohl es wahrscheinlich eine wirtschaftliche und technische Herausforderung sein wird, kontinuierliche Live-Nachweise von diesen Edge-Geräten in der Blockchain zu erstellen und zu veröffentlichen, könnte die Zertifizierung der Modelle bei der Aktivierung oder bei regelmäßigen Veröffentlichungen in der Blockchain praktikabler sein. Zupass, das aus der 0xPARC Foundation hervorgegangen ist, hat jedoch bereits primitive, von „Proof Carrying Data” abgeleitete Beweise erstellt, die es ermöglichen, auf kostengünstige Weise Beweise für Sachverhalte zu erstellen, die sich auf Edge-Geräten befinden. Derzeit betrifft dies die Teilnahme an Veranstaltungen, aber man könnte sich vorstellen, dass dies bald auf andere Bereiche wie Identität oder sogar das Gesundheitswesen übergreift.

Wie gut ist das KI-Modell Ihres Roboterchirurgen?

Robotergestützte Chirurgie. Quelle: Stand: 30.1.2024.

Für Unternehmen, die aufgrund von Fehlfunktionen von Geräten haftbar gemacht werden können, wäre es ideal, wenn sie nachprüfbare Beweise dafür hätten, dass ihr Modell nicht die Ursache für einen kostspieligen Unfall war. Auch aus versicherungstechnischer Sicht kann die Überprüfung und der Nachweis der Verwendung zuverlässiger, auf realistischen Daten trainierter Modelle finanziell notwendig werden. In ähnlicher Weise könnte in einer Welt der KI-Deepfakes die Verwendung von Kameras, Telefonen und Computern, die in der Blockchain verifiziert und zertifiziert sind, zum Standard für die Durchführung verschiedener Aktionen werden. Natürlich sollten die Authentizitäts- und Genauigkeitsnachweise dieser Geräte in öffentlichen, quelloffenen Ledgern veröffentlicht werden, um Manipulation und Betrug zu verhindern.

Trotz des immensen Potenzials dieser Beweise sind sie derzeit durch die Kosten für Gas und den Rechenaufwand begrenzt. Bei den aktuellen ETH-Kursen kostet ein Beweis in der Kette etwa 300.000–500.000 Gas (ca. $35–$58 bei den aktuellen ETH-Kursen). Aus rechnerischer Sicht schätzt Sreeram Kennan von Eigenlayer, dass “eine Beweisberechnung, die 50 Dollar kostet, um auf AWS ausgeführt zu werden, mit der aktuellen ZK-Beweistechnologie ~1 000 000x mehr kosten würde.” Die Konsequenz ist, dass ZK-Beweise, die sich wesentlich schneller entwickelt haben, als man vor einigen Jahren erwartet hat, noch lange nicht für praktische Anwendungsfälle geeignet sind. Angenommen, man ist neugierig auf die Anwendung von ZKML. In diesem Fall können sie an einem dezentralen Gesangswettbewerb teilnehmen, der von einem zertifizierten On-Chain-Smart-Contract-Modell bewertet wird, und ihre Ergebnisse werden für immer in die Blockchain hochgeladen.

Menschlichkeit mit Blockchain-basierter Identität feststellen

Eine wahrscheinliche Folge der weit verbreiteten, fortgeschrittenen maschinellen Intelligenz ist, dass autonome Agenten zu den häufigsten Nutzern des Internets werden. Es ist sehr wahrscheinlich, dass die Entfesselung von KI-Agenten zu Störungen im gesamten Web führen wird, da absichtlich von Bots erzeugter Spam und sogar harmlose aufgabenbasierte Agenten die Netzwerke verstopfen werden („Get Rid of Junk Mail”). Solana verzeichnete einen Datenverkehr von 100 Gigabit pro Sekunde, als Bots um Arbitragemöglichkeiten im Wert von vielleicht 100 000 Dollar konkurrierten. Stellen Sie sich vor, welche Flut von Internetverkehr entstehen wird, wenn KI-Agenten Millionen von Unternehmenswebseiten um Milliarden von Dollar erpressen können. Dies deutet auf ein zukünftiges Internet hin, in dem dem nicht-menschlichen Verkehr Grenzen gesetzt werden. Eine der besten Möglichkeiten, diese Art von Angriffen einzudämmen, ist die Erhebung von Wirtschaftssteuern auf die übermäßige Nutzung billig verfügbarer Ressourcen. Doch wie lässt sich die optimale Höhe von Spam-Gebühren festlegen, und wie lässt sich definieren, was menschlich ist?

Glücklicherweise verfügen Blockchains bereits über einen eingebauten Schutz, um Sybil-Angriffe durch KI-Bots zu verhindern. Eine Kombination aus Zählern für nichtmenschliche Nutzer und Nutzungsgebühren für nichtmenschliche Nutzer wäre eine ideale Implementierung, zusätzlich zu leicht zu besteuernden Berechnungen wie Hashcash, die Bots hemmen würden. Im Hinblick auf den Nachweis der Menschlichkeit haben sich Blockchains seit langem mit der Überwindung der Anonymität auseinandergesetzt, um Aktivitäten wie die unterbesicherte Kreditvergabe und andere reputationsbasierte Aktivitäten zu ermöglichen.

Ein Ansatz zur Verbesserung des Identitätsnachweises ist die Verwendung von JSON-Web-Tokens (JWTs). JWTs sind „0Auth”-Referenzen, ähnlich den „Cookies”, die bei der Anmeldung auf einer Website wie Google erstellt werden. Sie ermöglichen es Ihnen, Ihre Google-Identität nachzuweisen, wenn Sie verschiedene Websites im Internet besuchen, während Sie bei Google angemeldet sind. Mit zKLogin, entwickelt von L1 blockchain Sui, können Nutzer ihre privaten Wallet-Schlüssel und Aktionen mit ihren Google- oder Facebook-Konten verknüpfen, die JWTs generieren. zkP2P erweitert dieses Konzept, indem es JWTs verwendet, um Nutzern den Austausch von Fiat- gegen Kryptowährungen auf der Base Blockchain ohne Genehmigung zu ermöglichen. Dies wird durch die Bestätigung von Peer-to-Peer-Bargeldtransfers über die Venmo-Zahlungsanwendung erreicht, die, wenn sie durch E-Mail-JWTs bestätigt werden, USDC-Token freischalten, die von Smart Contracts gehalten werden. Die Folge beider Projekte ist, dass sie feste Verbindungen zu Identitäten ausserhalb der Kette herstellen. Während zkLogin zum Beispiel Wallet-Adressen mit Google-Identitäten verbindet, ist zkP2P nur für KYC-Nutzer von Venmo verfügbar. Obwohl es beiden an robusten Garantien mangelt, die sie zuverlässig genug für die On-Chain-Identität machen, schaffen sie wichtige Bausteine, die andere nutzen können.

Während viele Projekte versuchen, die menschliche Identität von Blockchain-Nutzern zu bestätigen, ist Worldcoin, gegründet von OpenAI-CEO Sam Altman, das gewagteste. Obwohl es sehr umstritten ist, weil die Nutzer ihre Iris mit der dystopischen „Orb”-Maschine scannen müssen, bewegt sich WorldCoin in Richtung eines unveränderlichen Identitätssystems, das nicht leicht gefälscht oder von maschineller Intelligenz überwältigt werden kann. Denn WorldCoin erzeugt eine verschlüsselte Kennung, die auf dem einzigartigen Augen-„Fingerabdruck” jedes Menschen basiert und deren Einzigartigkeit und Authentizität verifiziert werden kann. Nach der Verifizierung erhält der Nutzer einen digitalen Pass namens World ID auf der Optimism-Blockchain, mit dem er seine Menschlichkeit auf der Blockchain nachweisen kann. Das Wichtigste dabei ist, dass die einzigartige Signatur einer Person niemals offengelegt wird und nicht zurückverfolgt werden kann, da sie verschlüsselt ist. World ID bestätigt lediglich, dass eine Blockchain-Adresse zu einem Menschen gehört. Projekte wie Checkmate verknüpfen bereits World ID mit Profilen in sozialen Medien, um sicherzustellen, dass die Nutzer eindeutig und echt sind. In einem zukünftigen Internet, das von KI beherrscht wird, könnte es alltäglich werden, bei jeder einzelnen Online-Interaktion eindeutig Menschlichkeit zu beweisen. Wenn die Grenzen von Captchas durch KI überwunden werden, können Blockchain-Anwendungen einen kostengünstigen, schnellen und konkreten Identitätsnachweis liefern.

Blockchain-Technologie als Beitrag zur KI

Zweifellos stehen wir erst am Anfang der KI-Revolution. Wenn der Wachstumspfad der maschinellen Intelligenz jedoch den kühnsten Prognosen entsprechen soll, muss die KI zu Höchstleistungen herausgefordert und gleichzeitig ihr Schadenspotenzial gebändigt werden. Wir glauben, dass Krypto die ideale Basis ist, um die fruchtbare, aber potenziell gefährliche Pflanze der künstlichen Intelligenz zu „erziehen”. Das Blockchain-Lösungspaket für KI kann die Leistung der Schöpfer maschineller Intelligenz steigern, indem es ihnen reaktionsschnellere, flexiblere und potenziell billigere dezentralisierte Rechenleistung zur Verfügung stellt. Es schafft auch Anreize für Entwickler, die in der Lage sind, bessere Modelle zu erstellen, und bietet anderen einen wirtschaftlichen Anreiz, aus diesen KI-Modellen nützliche Geschäftsmodelle zu entwickeln. Ebenso wichtig ist, dass die Modellinhaber die Wirksamkeit ihrer Modelle nachweisen können und gleichzeitig zeigen können, dass keine geschützten Datenquellen verwendet wurden. Für KI-Anwender können Kryptoanwendungen bestätigen, dass die von ihnen ausgeführten Modelle den Sicherheitsstandards entsprechen und wahrscheinlich nützlich sind. Für alle anderen könnten Blockchain und Kryptowährungen das Netz aus Strafen und Belohnungen sein, das den Gulliver, zu dem sich die künstliche Intelligenz zweifellos entwickeln wird, bändigt.

Anbieter	Beschreibung	Dienstleistungskategorie	Vollständig verwässerte Marktkapitalisierung (Millionen)	Verwendung
io.net	Dezentrales Computernetzwerk für den Zugriff auf verteilte Cloud-Cluster.	Compute	Serie A abgeschlossen	GPUs auf io.net haben über 17.000 Rechenstunden geleistet und 190.000 Dollar verdient.
Gemeinsam	Dezentrale Cloud-Plattform für Open-Source-KI-Modelle.	Gepoolte Rechenleistung	Serie A abgeschlossen	Forge, der erste Dienst von Together, ist auf dem besten Weg, einen Jahresumsatz von 20 Millionen Dollar zu erreichen.
Worldcoin	Online-Identitätsprojekt von Sam Altman, das die Identität der Benutzer durch Scannen der Iris überprüft.	Identität	$27,508	World App hat in den ersten 6 Monaten 5 Millionen Nutzer angezogen.
Bittensor	Dezentrales Anreiznetzwerk, das die nützlichsten KI-Modelle mit $TAO belohnt.	Modell-Optimierung	$5,677	Bittensor ist auf 80.000 Konten angewachsen und 89 % der umlaufenden $TAO sind gestaked.
Render	Dezentrales GPU-Netzwerk auf Solana, das Rendering und maschinelles Lernen erleichtert.	Compute	$1,558	Das Render-Netzwerk nutzt 600 GPU-Knotenbetreiber, die 1,3 Millionen digitale Objekte gerendert haben.
Akash	Cosmos-basierter dezentraler Supercloud-Marktplatz für CPUs, GPUs, RAM und Speicher.	Compute	$1,103	Akash ermöglicht den GPU-Anbietern im Netz einen täglichen Umsatz von etwa 2000 Dollar.
Hut 8	Miner für digitale Assets und Anbieter von HPC-Infrastruktur.	Compute	$855	Hut 8 erwirtschaftete im 3. Quartal 2023 einen Umsatz von 4.5 Millionen US-Dollar mit seinem HPC-Geschäft.
Fetch.ai	Plattform zur Erstellung, Anpassung und Monetarisierung von KI-Agenten.	Agent Tooling	$780	59.000 Unique Wallets halten $FET.
Applied Digital	Bitcoin-Miner, der KI-Operationen über seine Tochtergesellschaft Sai Computing unterstützt, die einen KI-Cloud-Service hostet.	Compute	$587	Applied Digital hat 400 MW an Kapazität in der Entwicklung, um HPC-Anwendungen zu unterstützen.
Hive	Bitcoin-Schürfer, der HPC-Dienste anbietet.	Compute	$313	Das HPC-Geschäft von Hive verfügte Ende 2023 über 4 800 aktive Grafikprozessoren, und das Ziel sind 38 000 GPU-basierte Karten für den Cloud-Service.
Altered State Machine	Dezentrales Protokoll für das Training und den Handel mit KI-Agenten, das mit NFTs verwendet werden kann.	Agent Tooling	$110	Über 27k einzigartige Wallets mit NFTs, die von Altered State Machine AI Agenten betrieben werden können.

Quelle: VanEck Research, Projekt-Webseiten, Stand: 15.1.24.

Links zu Websites Dritter werden Ihnen als Annehmlichkeit zur Verfügung gestellt. Die Aufnahme solcher Links bedeutet nicht, dass wir den Inhalt oder die Informationen, die auf den verlinkten Websites enthalten oder über diese zugänglich sind, billigen, genehmigen, untersuchen, überprüfen oder überwachen. Indem Sie auf den Link zu einer Nicht-VanEck-Webseite klicken, erkennen Sie an, dass Sie eine Website Dritter betreten, die deren eigenen Bedingungen unterliegt. VanEck übernimmt keine Verantwortung für den Inhalt, die Rechtmäßigkeit des Zugriffs oder die Eignung von Websites Dritter.

Risikofaktoren

• Technologierisiko: Handels- und Transaktionssysteme können gehackt werden oder fehlerhaft funktionieren, was zum Verlust digitaler Vermögenswerte führen kann.
• Regulierungsrisiko: Störungen und Eingriffe können dazu führen, dass digitale Assets illegal werden.
• Risiko des Totalverlustes: Es gibt keine Garantie für die Sicherheit der Verwahrung aufgrund von Hacking-Risiken, Kontrahentenrisiken und Marktrisiken.
• Risiko der extremen Volatilität: Die Handelspreise von digitalen Vermögenswerten können extremen Schwankungen unterliegen.
• Weitere spezifische Risiken von ETN Digital Assets finden Sie auch in der VanEck Crypto Academy.

Offenlegung: VanEck ist an Together über unsere strategische Partnerschaft mit dem Early-Stage Venture Manager Cadenza beteiligt, der freundlicherweise einen Beitrag zum Abschnitt „Überwindung von Engpässen in der dezentralen Datenverarbeitung” beigesteuert hat.

Besonderen Dank an:

Jason Morton, Geschäftsführer von ZKML

Ala Shaabana, Mitbegründerin von Bittensor

Arrash Yasavolian, Gründer des Taoshi Subnet von Bittensor

Greg Osuri, CEO und Gründer von Akash

Richard Liang, CEO von zkP2P

Wichtige Mitglieder des Sui Blockchain-Teams – Sam Blackshear, Nihar Shah, Sina Nader, Alonso Gortari