Dezentrale AGI erklärt: Wie Blockchain KI antreibt (2026)

Dezentralisierte AGI ist die These, dass der Weg zur künstlichen allgemeinen Intelligenz nicht ausschließlich durch drei oder vier Unternehmenslabore mit privaten Rechenzentren verlaufen muss, und dass offene Netzwerke, koordiniert durch Blockchains, dieselben vier Zutaten – Rechenleistung, Daten, Modelle und Kapital – aus einer erlaubnisfreien globalen Versorgungsbasis zusammenstellen können. Dieser Leitfaden ist eine vollständige technische und marktbezogene Kartierung dieser These, wie sie im September 2026 steht.

Die Idee ist nicht mehr rein spekulativ. In den letzten zwei Jahren konvergierten drei unabhängige Forschungslinien. Erstens senkten kommunikationseffiziente Trainingsalgorithmen wie DiLoCo, OpenDiLoCo und DeMo den Bandbreitenbedarf des verteilten Modelltrainings um zwei bis drei Größenordnungen, was das Training ernsthafter Modelle über das öffentliche Internet statt innerhalb eines einzelnen InfiniBand-Fabrics ermöglicht. Zweitens reifte verifizierbare Berechnung: Trusted Execution Environments wurden auf Rechenzentrum-GPUs mit niedrigem einstelligem prozentualem Overhead verfügbar, während optimistische und kryptografische Verifikationsschemata es wirtschaftlich rational machten, einem anonymen GPU-Operator zu vertrauen. Drittens verbesserte sich das krypto-ökonomische Design genug, dass Netzwerke ein unscharfes, subjektives Gut wie Modellqualität statt eines präzisen, objektiven wie einem Hash bepreisen und belohnen können.

Was Sie unten finden werden:

• Eine präzise Definition von dezentralisierter AGI und, ebenso wichtig, was sie nicht ist. Die meisten unter dem AGI-Banner vermarkteten Token bauen keine allgemeine Intelligenz auf; sie bauen eine Schicht des Stacks auf, und die Unterscheidung ist für die Bewertung enorm wichtig.
• Das Makro-Argument, warum 2026 das Jahr ist, in dem dieser Sektor aufgehört hat, ein Narrativ-Trade zu sein und messbaren Umsatz zu generieren begann – angetrieben durch die Inferenzkostenkurve, Energieeinschränkungen bei der Hyperscaler-Expansion und die Explosion von Open-Weight-Modellen.
• Detaillierte Analyse der führenden Netzwerke: Bittensor (TAO), NEAR Protocol (NEAR), die Artificial Superintelligence Alliance (FET), Render (RENDER), Akash (AKT), plus die Compute- und Agent-Schichten auf Ethereum (ETH), Solana (SOL), Cosmos (ATOM) und Arbitrum (ARB).
• Ein technischer Deep Dive zum Verifikationsproblem – dem schwierigsten ungelösten Problem in diesem Bereich – mit Abdeckung von Replikationskonsens, optimistischen Betrugsnachweisen, Zero-Knowledge Machine Learning und vertraulichem Computing.
• Eine Marktanalyse, die zirkulierende Marktkapitalisierung vom tatsächlichen Netzwerkeinsatz trennt, und eine ehrliche Einschätzung der Lücke zwischen beiden.
• Eine Risikokarte über Token-Emissionsökonomik, Subnet-Qualitätsdispersion, regulatorische Exposition unter dem EU AI Act und US-Marktstrukturregeln sowie das existenzielle Wettbewerbsrisiko, dass zentralisierte Labore schlicht schneller vorgehen.
• Ein Ausblick 2026–2030 mit expliziter Wahrscheinlichkeitsrahmung statt Preiszielen.

Ein Hinweis zu den Stimmungsdaten, die diesen Leitfaden begleiten. Unsere Plattform registriert derzeit maximale Konfidenzwerte für ETH, SOL, BNB, ADA, DOGE, XLM, LTC, UNI, APT, ATOM und ARB, mit etwas niedrigeren, aber erhöhten Werten für XRP (92), BTC (91), NEAR (90) und TRX (87). Gleichmäßig gesättigte Stimmung über einen breiten Korb von Large Caps ist selbst ein Signal: Es deutet typischerweise auf einen Markt im breiten Risk-on-Regime hin, nicht auf einen, der feinkörnige Unterscheidungen zwischen Assets macht. In diesem Umfeld neigen thematische Sektoren wie dezentralisierte KI dazu, auf dem Weg nach oben zu outperformen und bei Korrekturen stärker zu fallen, weil das Positioning überfüllt ist und die fundamentalen Anker schwach sind. Lesen Sie die Projektanalyse unten mit diesem Kontext.

Schließlich ein Disziplinhinweis, der sich durch das gesamte Dokument zieht. Der dezentralisierte KI-Sektor hat ein ungewöhnlich hohes Verhältnis von Behauptungen zu verifizierbaren Fakten. Wo immer möglich, unterscheidet dieser Leitfaden zwischen dem, was ein Netzwerk geliefert hat und messbar tut, was es im Forschungsmaßstab demonstriert hat, und was Roadmap bleibt. Zitierte Zahlen sind Näherungswerte und spiegeln Bedingungen von Mitte 2026 wider; alles, was sich täglich bewegt – wie Marktkapitalisierung oder Subnet-Emissionen –, sollte vor jeder Entscheidung gegen Live-Daten geprüft werden.

Beginnen wir mit der Terminologie, denn sie wird routinemäßig missbraucht. Künstliche allgemeine Intelligenz bezeichnet ein System, das im Wesentlichen jede kognitive Aufgabe eines kompetenten Menschen ausführen kann und dabei Wissen domänenübergreifend ohne aufgabenspezifisches Nachtraining überträgt. Im September 2026 existiert kein solches System. Frontier-Modelle aus den großen Laboren sind außergewöhnlich leistungsfähig in Sprache, Code und zunehmend in agentenbasierter Werkzeugnutzung, bleiben aber auf wichtige Weise eng: brüchige Langzeit-Planung, schwaches kontinuierliches Lernen, kein persistentes selbstmodifizierendes Gedächtnis.

Dezentralisierte AGI ist also kein Produkt, das man heute kaufen kann. Es ist eine architektonische Wette mit einem spezifischen Anspruch: dass die Organisationsform, die AGI hervorbringt, ein offenes Netzwerk sein wird, kein geschlossenes Unternehmen, und dass Blockchain-Rails die Koordinationstechnologie sind, die ein solches Netzwerk wirtschaftlich tragfähig macht.

Die vier Inputs und warum sie schwer zu dezentralisieren sind

Jeder Weg zur allgemeinen Intelligenz erfordert vier Inputs, und jeder hat ein eigenes Dezentralisierungsproblem:

• Rechenleistung. Frontier-Trainingsläufe verbrauchen Zehntausende vernetzter Beschleuniger über Monate. Die Einschränkung ist nicht rohe FLOPs, die weltweit aggregiert reichlich vorhanden sind, sondern Interconnect. Die Gradientensynchronisierung beim Standard-Datenparallel-Training verschiebt den vollständigen Parametersatz in jedem Schritt zwischen Knoten. Bei 400 Gbps innerhalb eines Rechenzentrums ist das handhabbar; bei 1 Gbps über Kontinente ist es fatal. Rechenleistung zu dezentralisieren erfordert daher eine Änderung des Algorithmus, nicht nur der Hardware-Beschaffung.
• Daten. Das öffentliche Web wurde als Trainingskorpus weitgehend ausgeschöpft. Die verbleibende Frontier sind proprietäre, persönliche und Echtzeit-Daten: Unternehmensdokumente, Gesundheitsakten, Sensor-Streams, menschliches Präferenz-Feedback. Diese Daten sind hinter Datenschutzgesetzen und kommerziellen Anreizen gesperrt. Ihre Dezentralisierung erfordert Mechanismen, die es Daten ermöglichen, zu einem Modell beizutragen, ohne dass der Beitragende die Kontrolle aufgibt – was auf föderiertes Lernen, sichere Enklaven und schließlich verschlüsselte Berechnung hinweist.
• Modellentwicklung. Forschungstalent ist der knappste Input. Zentralisierte Labore konzentrieren es mit Aktienpaketen. Offene Netzwerke müssen das durch einen glaubwürdigen laufenden Einkommensstrom für Beitragende ersetzen, was Token-Emissionspläne versuchen – mit gemischten Ergebnissen.
• Kapital. Dies ist der einzige Input, den Krypto nativ und gut dezentralisiert. Ein Netzwerk kann Kapital ohne Vorstand, Term Sheet oder Jurisdiktion aufbringen und kontinuierlich an Beitragende verteilen.

Drei unterschiedliche Bedeutungen des Begriffs

Wenn Projekte dezentralisierte AGI sagen, meinen sie gewöhnlich eines von drei sehr verschiedenen Dingen, und ihre Vermischung führt zu schlechter Analyse.

1. Dezentralisierte Infrastruktur für KI. Marktplätze für GPUs, Speicher, Bandbreite und Daten. Render, Akash, io.net, Filecoin und Arweave leben hier. Dies ist ein echtes Geschäft mit echtem Umsatz und im Wesentlichen ohne AGI-Inhalt. Es ist Commodity-Infrastruktur-Arbitrage: Leerlauf-Hardware zu Preisen unterhalb der Hyperscaler-Listenraten. Wertvoll, messbar und im Preis wettbewerbsfähig, nicht in der Intelligenz.

2. Dezentralisierte Produktion von Intelligenz. Netzwerke, die krypto-ökonomische Anreize nutzen, um anonyme Teilnehmer dazu zu bringen, bessere Modelle, bessere Inferenzen oder bessere Vorhersagen zu erzeugen, als sie es allein täten. Bittensor ist das kanonische Beispiel und bleibt das intellektuell anspruchsvollste Design im Bereich. Der Anspruch hier betrifft genuín Intelligenz: ein Marktmechanismus, der kontinuierlich auf Qualität über eine wettbewerbsfähige Population von Minern selektiert. Prime Intellect und Nous Research verfolgen dasselbe Ziel durch offenes kollaboratives Training statt durch token-gewichteten Konsens.

3. Dezentralisiertes Eigentum und Governance von KI. Das Argument, dass, was auch immer AGI wird, sein Eigentum nicht konzentriert sein sollte. NEAR artikuliert dies am deutlichsten mit seinem nutzergesteuerten KI-Framing, ebenso wie die Artificial Superintelligence Alliance. Dies ist teils ein technisches und teils ein politisches Programm.

Die Blockchain ist nicht die Intelligenz

Das häufigste Missverständnis ist, dass die Chain selbst denkt. Das tut sie nicht und kann es nicht: Das Ausführen eines Transformer-Forward-Pass im Konsens wäre absurd teuer und sinnlos langsam. Die Blockchain spielt vier unterstützende Rollen, allesamt Koordinationsrollen: Sie begleicht Zahlungen zwischen Parteien ohne gemeinsame Beziehung und Jurisdiktion, sie zeichnet Commitments auf, sodass Modellgewichte, Datensätze und Ausgaben manipulationssichere Herkunft haben, sie führt den Anreizemechanismus aus, der entscheidet, wer wie viel für geleistete Arbeit erhält, und sie bietet Identität und Reputation, sodass ein Netzwerk ohne KYC einen konsistent nützlichen Beitragenden von einem Trittbrettfahrer unterscheiden kann.

Alles Schwere passiert off-chain. Die Chain ist die Buchhaltungsschicht und das Regelwerk. Das Verständnis davon klärt sofort, welche Chains wichtig sind: Die Anforderung ist günstiges, schnelles, hochdurchsatzfähiges Settlement mit guten Entwicklertools, weshalb ETH-Rollups, SOL und Cosmos SDK-Chains den Sektor dominieren statt irgendeine Chain, die behauptet, KI on-chain zu berechnen.

Drei strukturelle Verschiebungen haben diesen Sektor zwischen 2024 und 2026 von Narrativ zu Substanz gewandelt. Jede ist unabhängig von Krypto-Marktzyklen, was genau der Grund ist, warum sie zählen.

Der Engpass verlagerte sich vom Training zur Inferenz und von Chips zu Energie

Bis 2023 und 2024 war die bindende Einschränkung bei KI die Beschleuniger-Versorgung. Diese Einschränkung lockerte sich bis 2026 erheblich, da aufeinanderfolgende GPU-Generationen in großen Stückzahlen ausgeliefert wurden und sich die Nachfragezusammensetzung verschob. Heute sind die bindenden Einschränkungen elektrische Energie und Netzanschlüsse, sowie in geringerem Maße Speicherbandbreite. Hyperscaler, die Multi-Gigawatt-Stromeinkaufsverträge unterzeichnen und eigene Erzeugungskapazitäten bauen, reagieren auf eine physische Grenze, die Kapital nicht schnell umgehen kann; Anschlusswartelisten auf wichtigen Märkten dauern Jahre.

Dies ist aus einem spezifischen Grund strukturell vorteilhaft für dezentralisierte Rechenleistung. Verteilte Netzwerke aggregieren Energie, die bereits angeschlossen ist: Gaming-GPUs in Wohngebäuden, unterbeschäftigte Racks in Tier-2-Rechenzentren, stillgelegte Kapazitäten an Krypto-Mining-Standorten mit bestehenden Hochkapazitätsanschlüssen und inaktive Unternehmenshardware. Sie brauchen keine neuen Umspannwerke. Wenn die Grenzkosten zentralisierter Kapazität durch den Netzausbau statt durch Silizium bestimmt werden, hat ein Netzwerk, das bestehende Kapazität monetarisiert, einen echten und dauerhaften Kostenvorteil bei den bedienbaren Workloads.

Gleichzeitig verlagerte sich die Workload-Zusammensetzung hin zur Inferenz, und speziell zur Inferenz-Zeit-Reasoning, bei der ein Modell erhebliche Rechenleistung pro Anfrage aufwendet, um Gedankenketten zu generieren und zu bewerten. Inferenz ist weitaus dezentralisierungsfreundlicher als Training: Jede Anfrage ist unabhängig, die Latenztoleranz variiert je nach Anwendung erheblich, und es gibt kein all-reduce. Ein Batch-Job, der über Nacht zehn Millionen Dokumente zusammenfasst, kümmert sich nicht darum, ob er in Virginia oder über vierhundert Consumer-Maschinen läuft – er achtet auf Kosten pro Token. Dies ist der Workload, den dezentralisierte Netzwerke heute mit echtem Preisvorteil bedienen können, und es ist das am schnellsten wachsende Segment der KI-Ausgaben.

Open-Weight-Modelle schlossen die Fähigkeitslücke weit genug, um zu zählen

Die zweite Verschiebung besteht darin, dass kompetente Open-Weight-Modelle abundant wurden. Der Effizienzschock, der Anfang 2025 begann, als eine Reihe offener Veröffentlichungen Reasoning nahe der Frontier zu einem Bruchteil der angenommenen Trainingskosten demonstrierte, veränderte die Sektorstruktur dauerhaft. Bis 2026 gibt es eine tiefe Bank offen lizenzierter Modelle von kleinen On-Device-Größen bis zu großen Mixture-of-Experts-Architekturen, plus ausgereifte Destillations-Pipelines, die Frontier-Fähigkeiten in Modelle komprimieren, die auf einem einzigen Beschleuniger laufen.

Dies ist für dezentralisierte AGI auf eine Weise wichtig, die leicht zu übersehen ist. Ein dezentralisiertes Inferenznetzwerk ist nur nützlich, wenn es etwas Wertvolles zu bedienen hat. Als die besten Modelle geschlossen und API-gesteuert waren, hatte dezentralisiertes Serving nichts zu bieten außer schlechteren Modellen zu niedrigeren Preisen. Wenn Open Weights in Schlagdistanz zu geschlossenen Frontier-Modellen bei den meisten praktischen Aufgaben liegen, kehrt das Wertversprechen sich um: Das Netzwerk bietet vergleichbare Fähigkeiten ohne Anbieterabhängigkeit, ohne von Dritten auferlegte Inhaltsrichtlinien, ohne Datenspeicherung und ohne das Risiko, dass der Endpunkt abgekündigt wird. Open Weights sind das Rohmaterial, das dezentralisiertes Serving zu einem echten Produkt macht.

Regulierung begann, Auditierbarkeit und Herkunft zu belohnen

Die dritte Verschiebung ist regulatorisch. Die Verpflichtungen des EU AI Acts für Allzweckmodelle wurden ab August 2025 schrittweise eingeführt und schufen dokumentierte Anforderungen rund um Trainingsdatenzusammenfassungen, Urheberrechtskonformität und systemische Risikobewertung für große Modelle. Parallele Entwicklungen in den Vereinigten Staaten bewegten die Marktstruktur für digitale Assets in Richtung Klarheit, während sektorale Regeln in Gesundheit und Finanzen den Druck auf Datenresidenz und Modell-Erklärbarkeit weiter erhöhten.

Compliance wird normalerweise als Kostenfaktor für Krypto gerahmt. Hier wirkt sie in die andere Richtung. Anforderungen, zu dokumentieren, welche Daten ein Modell trainiert haben, zu demonstrieren, dass Beitragende zugestimmt haben, Ausgaben zu attribuieren und zu beweisen, dass eine Inferenz von dem Modell stammt, das sie behauptet zu sein – das sind genau die Probleme, die inhaltsadressierter Speicher, on-chain Herkunftsdatensätze und attestierungsbasierte Verifikation nativ lösen. Projekte wie Story Protocol auf der Seite des geistigen Eigentums und Vana auf der Seite des Datenbeitrags existieren, um Trainingsdaten attributierbar zu machen. Ein zentralisiertes Labor muss einen internen Prüfpfad aufbauen und Regulatoren bitten, ihm zu vertrauen. Ein auf öffentlichen Commitments aufgebautes Netzwerk kann einfach auf diese zeigen.

Die Gegenkraft

Ehrlichkeit erfordert die andere Seite. Die Lücke zwischen Frontier-zentralisierter Fähigkeit und allem, was ein dezentralisiertes Netzwerk produziert hat, bleibt groß. Kein offenes Netzwerk hat ein Modell trainiert, das an der Frontier mit den Frontier-Modellen konkurriert. Die größten vollständig dezentralisierten Trainingsläufe, die öffentlich demonstriert wurden – grob in den Zehner-Milliarden von Parametern –, liegen nach Rechenbudget ein bis zwei Größenordnungen unter den größten zentralisierten Läufen. Die Wette des Sektors ist, dass diese Lücke eine Frage der Ingenieurkunst und der Zeit ist und keine fundamentale Mauer. Diese Wette ist noch nicht entschieden, und jeder, der dem Sektor Kapital zuweist, sollte sie als Hypothese halten, nicht als Schlussfolgerung.

Der dezentralisierte KI-Stack hat sich in fünf Schichten stabilisiert. Das Verstehen, wo ein Projekt sitzt, bestimmt, womit es konkurriert, wie verteidigbar es ist und wie sein Token plausibel Wert aufbauen könnte.

Schicht 1: Physische Ressourcen

Rohe GPUs, CPUs, Speicher und Bandbreite, beigetragen von Betreibern, die von Einzelpersonen mit einer einzigen Consumer-Karte bis zu professionellen Rechenzentren mit Racks von Enterprise-Beschleunigern reichen. Die Ökonomik hier ist reine Commodity-Versorgung. Netzwerke konkurrieren auf Auslastungsrate und auf der Reibung beim Onboarding der Versorgung. Die Schlüsselmetrik ist nicht, wie viele GPUs registriert sind, sondern welcher Anteil tatsächlich vermietet und bezahlt wird – eine Zahl, die historisch weit unter den Headline-Kapazitätsansprüchen im gesamten DePIN-Compute-Sektor lag.

Schicht 2: Orchestrierung und Planung

Einen heterogenen Pool in ein nutzbares Cluster verwandeln. Das ist echte, schwierige Ingenieursarbeit: Workloads mit dem richtigen Speicherprofil auf Hardware abstimmen, Node-Fluktuation während des Jobs behandeln, Checkpointing, damit ein ausgefallener Node keinen mehrstündigen Lauf ruiniert, Umgebungen containerisieren, damit ein Job überall identisch läuft, und um Netzwerktopologie herum routen. Akash verwendet eine Reverse-Auktion, bei der Anbieter auf Deployment-Anfragen bieten. io.net clustert geografisch verteilte GPUs in logische Cluster mit einer Ray-basierten Orchestrierungsschicht. Render verwendet ein gestuftes Node-System, das Jobs nach Vertrauen und Hardware-Klasse segmentiert.

Schicht 3: Verifikation

Die schwierigste Schicht, und die, die darüber entscheidet, ob das gesamte Konstrukt Bestand hat. Die Problemstellung ist einfach: Sie haben einem anonymen Betreiber bezahlt, ein Modell auf Ihrer Eingabe auszuführen. Wie wissen Sie, dass er das spezifizierte Modell ehrlich auf der gegebenen Eingabe ausführte, statt gecachte Ausgaben, ein günstigeres kleineres Modell oder Rauschen zurückzugeben? Es gibt vier Antwortkategorien.

• Replikation und Konsens. Mehrere unabhängige Parteien erledigen die Arbeit und vergleichen. Günstig zu konzipieren, teuer in roher Rechenleistung (N-fache Zahlung für ein Ergebnis), anfällig für Kollusion wenn die Replikate koordinieren können. Bittensors Yuma Consensus ist eine ausgefeilte Variante: Validatoren bewerten Miner-Ausgaben unabhängig, und die Belohnung eines Miners leitet sich aus dem stake-gewichteten Konsens dieser Bewertungen ab, mit einem Clipping-Mechanismus, der Validatoren neutralisiert, deren Meinungen zu weit vom gewichteten Median abweichen. Es wandelt ein subjektives Qualitätsurteil in einen Schelling-Punkt um.
• Optimistische Verifikation mit Betrugsnachweisen. Annahme, das Ergebnis ist ehrlich, Hinterlegung einer Kaution, Anfechtungsfenster, in dem jeder Beobachter anfechten und eine Neuberechnung erzwingen kann. Günstig im Normalfall. Erfordert wirtschaftlich motivierte Beobachter, bedeutende Kautionen und einen vertrauenswürdigen Streitbeilegungspfad. Gensyns Ansatz zur Trainingsverifikation baut auf dieser Familie auf und kombiniert probabilistischen Proof-of-Learning mit graphbasierter Eingrenzung, sodass eine Streitigkeit auf eine einzelne divergierende Operation eingegrenzt werden kann, ohne den gesamten Lauf zu wiederholen.
• Kryptografische Verifikation (ZKML). Erzeugung eines Zero-Knowledge-Beweises, dass ein spezifischer Berechnungsgraph auf spezifischen Eingaben ausgeführt wurde. Mathematisch wasserdicht, erfordert das Vertrauen in niemanden. Das Problem ist der Overhead: Das Beweisen eines Transformer-Forward-Pass kostete historisch Größenordnungen mehr als das Ausführen, mit schlechter Skalierung von Beweiszeit und Speicher mit der Modellgröße. Toolchains wie EZKL haben sich erheblich verbessert, und ZKML ist jetzt für kleine Modelle, Klassifikatoren und Entscheidungsschichten praktisch, wo die verifizierte Berechnung weit mehr wert ist als die verbrauchte Rechenleistung. Für die Verifikation großer Sprachmodell-Inferenz im großen Maßstab ist es noch nicht praktisch.
• Hardware-Attestierung (TEE). Ausführen des Workloads innerhalb einer Trusted Execution Environment auf dem Beschleuniger selbst, die eine signierte Attestierung des ausgeführten Codes und der Daten erzeugt. Vertrauliches Computing auf Rechenzentrum-GPUs ist jetzt ausgereift, mit Overhead im niedrigen einstelligen Prozentbereich für die meisten Workloads. Der Trade-off: Sie ersetzen das Vertrauen in den Betreiber durch das Vertrauen in den Siliziumhersteller und seinen Attestierungsservice – ein reales, aber sehr anderes Risiko. Dies ist zum pragmatischen Standard für produktive dezentralisierte Inferenz geworden und steht im Mittelpunkt von NEARs vertraulichem KI-Design.

Schicht 4: Anreize und Mechanismus-Design

Angesichts einer verifizierten Ausgabe: Wer wird wie viel bezahlt? Hier sind Blockchains unverzichtbar, und hier sitzt der Großteil der echten Innovation. Das Designproblem ist, dass Intelligenzqualität subjektiv und mehrdimensional ist. Sie können keine geschlossene Bewertungsfunktion dafür schreiben, ob eine Modellantwort gut ist. Netzwerke verwenden daher entweder objektive Proxies (Verlust auf einem Holdout-Set, Latenz, Uptime), Validator-Bewertung mit Konsens (Bittensor) oder Marktergebnisse (ein Vorhersagenetzwerk, bei dem Genauigkeit durch die Realität bestimmt wird). Jedes hat Schwachstellen: Proxies werden durch Overfitting auf den Benchmark ausgenutzt, Validator-Bewertung kann durch Stake-Konzentration erfasst werden, und Marktergebnisse funktionieren nur wo die Grundwahrheit schließlich eintrifft.

Schicht 5: Anwendungen und Agenten

Die oberste Schicht ist, wo autonome Agenten handeln. Zwei Standards aus 2025–2026 sind relevant: das x402-Muster, das den schlummernden HTTP-402-Statuscode wiederbelebt, damit ein Maschinen-Client für einen API-Aufruf inline mit Stablecoins und ohne Konto zahlen kann, und ERC-8004, das on-chain Registries für Agenten-Identität, Reputation und Validierung spezifiziert, damit ein Agent bewerten kann, ob er einem anderen vertrauen soll, ohne ein zentrales Verzeichnis. Zusammen machen diese den Agenten-zu-Agenten-Handel zur technischen Realität statt zur Präsentationsfolie. Die ungeklärte Frage ist die Nachfrage: Eine Wirtschaft von Agenten, die sich gegenseitig bezahlen, erfordert Agenten, die genug Wert erzeugen, um die Zahlungen zu rechtfertigen – und das bleibt früh.

Im Folgenden eine Bewertung der wichtigen Netzwerke, geordnet nach dem, was sie tatsächlich tun. Zahlen sind Näherungswerte und spiegeln Bedingungen von Mitte 2026 wider.

Bittensor (TAO) – der Intelligenzmarkt

Bittensor ist das konzeptionell anspruchsvollste Projekt im Sektor und das, was einem dezentralisierten AGI-Forschungsprogramm mit funktionierender Wirtschaft am nächsten kommt. Seine Architektur ist eine Root-Chain plus eine wachsende Population von Subnets, jedes ein eigenständiger Wettbewerbsmarkt für eine spezifische Maschinenintelligenzaufgabe. Miner in einem Subnet erzeugen Ausgaben, Validatoren bewerten sie, und Yuma Consensus wandelt stake-gewichtete Validator-Meinungen in Emissionen um. Subnets zählen jetzt in den niedrigen Hunderten und decken Text-Inferenz im großen Maßstab, Bildgenerierung, Protein-Faltung, finanzielle Zeitreihenvorhersage, webmaßstäbige Datenerfassung, dezentralisiertes Pretraining und mehr ab.

Der Übergang zu dynamischem TAO im Februar 2025 war die folgenreichste Änderung des Netzwerks. Jedes Subnet hat jetzt seinen eigenen Alpha-Token mit einem Liquiditätspool gegen TAO, und Emissionen werden gemäß der Marktpreisgestaltung dieser Alpha-Tokens zugeteilt statt durch Root-Validator-Abstimmung. Dies verwandelte die Subnet-Finanzierung in ein kontinuierliches Markt-Referendum: Kapital fließt zu Subnets, die der Markt für wertschöpfend hält. Es ist ein eleganter Mechanismus und auch ein volatiler, da Alpha-Preise dünn und reflexiv sind.

Die Token-Ökonomik spiegelt Bitcoin bewusst wider: ein harter Cap von 21 Millionen, Block-Emissionen, die bei festen Versorgungsmeilensteinen halbiert werden, wobei das erste Halving bereits vergangen ist und nachfolgende Halvings die Emission weit in die Zukunft strecken. TAO hat seit 2024 in einem sehr breiten Band gehandelt, grob zwischen den niedrigen Hunderten und den hohen Siebenhundert Dollar, was einen Markt widerspiegelt, der sich nicht auf eine Bewertung geeinigt hat. Bull Case: Bittensor ist ein erlaubnisfreier Finanzierungs- und Auswahlmechanismus für Maschinenintelligenzforschung mit echtem Produkt-Traction in mehreren Subnets. Bear Case: Qualitätsdispersion über Subnets ist extrem, ein bedeutender Anteil der Emissionen finanziert Aktivitäten ohne externen Kunden, und ein Großteil der historischen TAO-Nachfrage kam von Teilnehmern, die Emissionen anstrebten, nicht von Endbenutzern, die Inferenz kaufen.

NEAR Protocol (NEAR) – nutzergesteuerte KI und Chain-Abstraktion

NEAR ist insofern ungewöhnlich, als sein Gründungsteam einen Mitautor des Transformer-Papers umfasst, und das Projekt hat seit 2024 erhebliche Anstrengungen auf KI umgelenkt. Seine These ist nutzergesteuerte KI: Benutzer sollten die Modelle und Daten kontrollieren, die in ihrem Auftrag handeln, mit Datenschutz, der durch vertrauliche Hardware statt durch Richtlinien durchgesetzt wird. Der praktische Stack kombiniert NEARs fragmentierte Hochdurchsatz-Chain, ein Intents-System, das einem Benutzer ermöglicht, ein gewünschtes Ergebnis auszudrücken und Solver konkurrenzierend mit der Erfüllung über Chains zu beauftragen, sowie vertrauliche Compute-Infrastruktur zum Ausführen von Modellen auf privaten Daten mit Attestierung.

Intents sind das unterschätzte Element. Ein autonomer Agent, der über mehrere Chains hinweg ausführen muss, musste historisch Schlüssel, Gas und Brücken auf jeder verwalten. NEARs Chain-Signaturen und Intents-Architektur komprimieren das in eine einzelne deklarative Anfrage. Das ist Infrastruktur, die Agent-Entwickler tatsächlich brauchen. NEAR trägt einen Sentiment-Wert von 90 auf unserer Plattform, etwas unter der gesättigten Large-Cap-Kohorte, was konsistent mit einem Asset ist, bei dem die fundamentale Geschichte stark ist, der Markt aber noch Ausführungsrisiko einpreist. Risiko: NEAR konkurriert um KI-Entwickler-Mindshare gegen Ethereums Rollup-Ökosystem und Solana, und seine KI-Produkte müssen auf Meritokratie statt auf Chain-Loyalität gewinnen.

Artificial Superintelligence Alliance (FET) – der zusammengeführte Agent-Stack

Die ASI Alliance konsolidierte Fetch.ai, SingularityNET und Ocean Protocol unter dem FET-Ticker im Jahr 2024, später trat CUDOS-Compute hinzu. Die Fusion produzierte den breitesten einzelnen Stack im Sektor: autonome Agenten-Frameworks und ein Agenten-Marktplatz von Fetch, neuro-symbolische KI-Forschung und die OpenCog-Linie von SingularityNET, Datenaustausch-Primitive von Ocean und GPU-Kapazität von CUDOS. Stärke: Vertikale Abdeckung von Compute über Daten bis zu Agenten, plus das längste laufende AGI-Forschungsvermächtnis in Krypto. Schwäche: Zusammengeführte Organisationen tragen Integrationsschulden, und die kombinierte Einheit musste daran arbeiten zu demonstrieren, dass das Ganze die Summe dreier zuvor unabhängiger Gemeinschaften übersteigt. Der Token ist am besten als diversifizierter Index der Agentenwirtschafts-Exposition zu verstehen, nicht als Wette auf einen Mechanismus.

Render (RENDER) – GPU-Rendering expandiert in KI

Render begann als verteiltes GPU-Rendering für 3D-Künstler, migrierte von Ethereum zu Solana und verwendet ein Burn-and-Mint-Gleichgewicht, bei dem Kunden Credits verbrennen und Node-Betreiber Belohnungen geprägt bekommen. Es hat den legitimsten Anspruch im Sektor auf vorhandene Produkt-Markt-Passung: Echte Studios bezahlten für echte Rendering-Jobs, bevor irgendein KI-Narrativ existierte. Seine Expansion in KI-Inferenz- und Diffusions-Workloads nutzt dasselbe Node-Netzwerk. Schlüsselfrage: Rendering und KI-Inferenz haben unterschiedliche Hardware- und Speicherprofile, und die für ersteres optimierten Betreiber sind nicht automatisch bei letzterem wettbewerbsfähig.

Akash (AKT) – die dezentralisierte Cloud

Akash ist eine Cosmos SDK-Chain, die einen Reverse-Auction-Marktplatz für containerisierte Rechenleistung betreibt. Ein Benutzer postet eine Deployment-Spezifikation mit Preisobergrenze; Anbieter bieten nach unten. Es ist das cloud-nativste Design im Sektor, da alles, was in einem Container läuft, auf Akash läuft, und sein GPU-Marktplatz war sein Wachstumsmotor. Stärke: Echte Substituierbarkeit mit Mainstream-Cloud für eine echte Klasse von Workloads, transparente on-chain Lease-Daten. Schwäche: Das Angebot an High-End-Beschleunigern steht im Wettbewerb mit Käufern, die mehr zahlen, und die Auslastung von Premium-Hardware ist die zu beobachtende Metrik.

Offenes kollaboratives Training: Prime Intellect und Nous Research

Keines ist primär eine Token-Geschichte, und beide sind wichtiger als die meisten Token. Prime Intellect demonstrierte global verteiltes Training eines Zehn-Milliarden-Parameter-Modells über Kontinente, gefolgt von einem verteilten Reinforcement-Learning-Lauf in größerem Maßstab, aufgebaut auf kommunikationseffizienten Methoden aus DiLoCo. Nous Research entwickelte den DeMo-Optimierer, der Momentum-Updates entkoppelt, um Inter-Node-Kommunikation drastisch zu reduzieren, und betreibt ein verteiltes Pretraining-Netzwerk mit Koordination auf Solana. Diese Gruppen liefern die empirischen Beweise dafür, dass dezentralisiertes Training überhaupt funktioniert. Wenn die dezentralisierte AGI-These je validiert wird, geschieht das durch Ergebnisse aus Arbeiten dieser Art.

Die unterstützende Besetzung

• Ethereum (ETH) und Arbitrum (ARB): Settlement und das natürliche Zuhause für Agent-Standards einschließlich ERC-8004, plus Restaking-basierte Verifikationsdienste.
• Solana (SOL): Die Durchsatz-Schicht für hochfrequente Agent-Aktivität, DePIN-Bandbreiten- und Datennetzwerke sowie Agent-Token-Launch-Infrastruktur.
• Cosmos (ATOM): Das SDK, das Akash, Allora und mehrere KI-Appchains zugrunde liegt, mit IBC als Interoperabilitätssubstrat.
• Filecoin und Arweave: Verifizierbare Speicherung für Datensätze und Modellgewichte, wesentlich für Herkunftsansprüche.
• Allora: Ein Netzwerk, bei dem Inferenzqualität durch realisierte Ergebnisse beurteilt wird – ein Design, das subjektive Bewertung elegant umgeht.

Wenn Sie nur ein technisches Thema in diesem Sektor verstehen, sollte es dieses sein. Verifikation und Kommunikationseffizienz sind die zwei Mauern zwischen dezentralisierten Netzwerken und ernsthaften KI-Workloads, und jede bedeutende Ingenieursanstrengung im Bereich ist ein Angriff auf eine davon.

Warum verteiltes Training als unmöglich galt

Standard-Datenparallel-Training teilt einen Batch über N Worker auf. Jeder berechnet Gradienten auf seinem Shard, dann führen alle Worker ein all-reduce durch, um Gradienten zu mitteln, dann wendet jeder dasselbe Update an. Das all-reduce bewegt Daten proportional zur Parameteranzahl des Modells, in jedem einzelnen Schritt. Für ein Modell mit Milliarden von Parametern in halber Präzision sind das Gigabytes pro Schritt, tausende Male pro Stunde. Innerhalb eines Rechenzentrums mit Hochbandbreiten-Interconnect ist das ein handhabbarer Bruchteil der Schrittzeit. Über das öffentliche Internet bei typischer Wohn- oder Gewerbebandbreite würde die Kommunikation die Rechenleistung um Größenordnungen dominieren, und der Cluster würde fast die gesamte Zeit auf das Netzwerk warten.

Deshalb hielt die konventionelle Weisheit, dass ernsthaftes Training kolozierte Hardware erforderte. Die konventionelle Weisheit hatte recht über den naiven Algorithmus und falsch über das Problem.

Wie diese Mauer durchbrochen wurde

Drei algorithmische Familien veränderten das Bild:

• Lokales SGD und DiLoCo. Statt jeden Schritt zu synchronisieren, trainieren Worker Hunderte lokaler Schritte unabhängig mit einem inneren Optimierer, synchronisieren dann einen Pseudo-Gradienten, der ihre akkumulierte Abweichung repräsentiert, mit einem äußeren Optimierer. Dies reduziert die Synchronisierungsfrequenz um zwei bis drei Größenordnungen mit bescheidenem Verlust an finaler Modellqualität. Die Open-Source-OpenDiLoCo-Implementierung und ihre Nachfolger machten dies außerhalb eines einzelnen Forschungslabors reproduzierbar.
• Gradientenkomprimierung und Momentum-Entkopplung. Der DeMo-Ansatz nutzt die Beobachtung, dass Momentum erhebliche Redundanz enthält und nur die sich am schnellsten bewegenden Gradientenkomponenten sofort geteilt werden müssen. Durch Entkoppeln und Komprimieren dessen, was die Leitung überquert, sinken die Bandbreitenanforderungen um weitere Größenordnungen – in einigen Konfigurationen genug, um über gewöhnliche Consumer-Verbindungen zu trainieren.
• Asynchrone und fehlertolerante Pipelines. Knoten, die mitten im Lauf beitreten und verlassen – katastrophal für einen synchronen Cluster –, werden durch elastische Gerätenetze, häufiges Checkpointing und Designs behandelt, die Nachzügler tolerieren statt auf sie zu warten.

Der aktuelle Stand der Technik: Dezentralisiertes Training von Modellen in den Zehner-Milliarden von Parametern ist demonstriert und reproduzierbar. Dezentralisiertes Reinforcement-Learning-Post-Training, das kommunikationstoleranter als Pretraining ist, weil die Rollout-Generierung trivial parallelisierbar ist, ist noch weiter fortgeschritten und könnte der Bereich sein, wo dezentralisierte Netzwerke zuerst echten Wettbewerbsvorteil erzielen. Frontier-Maßstabs-Pretraining über das offene Internet bleibt unerreichbar.

Die vier Verifikationsregime im Vergleich

Betrachten Sie die Entscheidung aus der Perspektive eines Netzwerkdesigners. Sie brauchen Verifikation, die günstig genug ist, um Ihren Kostenvorteil nicht zu vernichten, stark genug, dass Betrug unrentabel ist, und allgemein genug, um Ihren Workload-Mix abzudecken.

Replikation kostet ein Vielfaches der Basis-Rechenleistung und gibt probabilistische Sicherheit, die mit der Anzahl der Replikate und der Unabhängigkeit der Replikatoren skaliert. Es funktioniert gut für Aufgaben, bei denen Ausgaben vergleichbar sind, weshalb es für bewertungsbasierte Netzwerke geeignet ist. Es versagt, wo Ausgaben legitim nicht deterministisch sind, da zwei ehrliche Knoten, die dieselbe sampling-basierte Generierung ausführen, unterschiedliche Texte erzeugen und den Vergleich auf semantischer Qualität statt bitweiser Gleichheit erzwingen – genau das subjektive Urteilsproblem, das man zu vermeiden versucht.

Optimistische Schemata kosten im Normalfall nahe null, was ihre große Tugend ist. Die wirtschaftliche Sicherheit ruht auf drei Parametern: die Kautionsgröße im Verhältnis zum Wert des Betrugs, die Länge des Anfechtungsfensters und ob ein rationaler Beobachter existiert, der vom Aufdecken von Betrug profitiert. Wenn einer der drei falsch ist, ist das Schema Theater. Die Subtilität für ML speziell ist, dass Neuberechnung zur Streitbeilegung deterministisch sein muss, was das Pinnen von Fließpunkt-Verhalten, Kernel-Versionen und Hardware-Klassen erfordert, da dasselbe Modell auf zwei verschiedenen Beschleunigergenerationen unterschiedliche Bits erzeugen kann.

ZKML ist das einzige Regime ohne Vertrauensannahme. Der Overhead hat sich dramatisch verringert, bleibt aber das bindende Problem für große Modelle: Die Beweiskosten skalieren mit der Circuit-Größe, und ein großer Transformer-Forward-Pass ist ein enormer Circuit. Das sinnvolle Einsatzmuster in 2026 ist selektiv: Beweisen Sie das kleine, hochwertige Modell, das eine Finanzentscheidung steuert, nicht das große Modell, das Marketing-Texte entwirft. Erwarten Sie weiteren Fortschritt durch bessere Prüfsysteme, Hardware-Beschleunigung und Lookup-Argument-Techniken für nichtlineare Aktivierungen, aber nicht verifizierten Frontier-Inferenz zu Commodity-Preisen in diesem Zyklus.

TEE-Attestierung ist zum praktischen Sieger für produktive Inferenz geworden. Vertrauliche Computing-Modi auf modernen Rechenzentrum-Beschleunigern verschlüsseln den Speicher und erzeugen eine signierte Messung des ausführenden Codes, mit Overhead, der für die meisten Workloads kommerziell irrelevant ist. Sie erhalten Integrität und Vertraulichkeit gleichzeitig, was Enterprise-Käufer tatsächlich wollen. Das ehrliche Caveat: Das Sicherheitsmodell umfasst nun die Attestierungsinfrastruktur des Siliziumherstellers und die historischen Aufzeichnungen von Seitenkanal-Angriffen gegen Enklaventechnologien. Es ist eine Vertrauensreduzierung, keine Vertrauenseliminierung.

Was dies für die Projektbewertung impliziert

Wenn ein Netzwerk verifizierbare KI beansprucht, sind die richtigen Nachfragen: Welches Regime, was kostet es als Prozentsatz des Workloads, was genau wird attestiert (Modellgewichte, Eingabe, Sampling-Parameter, alle drei?), und was passiert wirtschaftlich, wenn die Verifikation scheitert. Projekte, die diese Fragen nicht klar beantworten können, beschreiben eine Aspiration.

Die Marktkapitalisierung des dezentralisierten KI-Sektors und sein Umsatz sind zwei verschiedene Geschichten, und ihre Vermischung ist der häufigste analytische Fehler in diesem Bereich.

Sektorgröße und Zusammensetzung

Je nachdem, wie weit man die Mitgliedschaft definiert, hat der Krypto-KI-Sektor seit Anfang 2024 zwischen grob zwanzig und siebzig Milliarden Dollar in aggregierter Marktkapitalisierung geschwankt. Die breite Spanne spiegelt sowohl echte Volatilität als auch definitorischen Drift wider, da Index-Anbieter periodisch Agent-Tokens, DePIN-Compute und sogar Meme-Assets mit KI-Branding in denselben Eimer gesteckt haben.

Eine nützlichere Zerlegung teilt den Sektor in vier Blöcke:

• Compute und Infrastruktur (Render, Akash, io.net, Aethir, Filecoin-adjacent Speicher): der größte Block nach Anzahl, gekennzeichnet durch messbaren Umsatz, dünne Margen und direkten Preiswettbewerb mit Commodity-Cloud.
• Intelligenznetzwerke (Bittensor und seine Subnet-Alpha-Tokens, Allora): hoher konzeptioneller Wert, hohe Bewertungsmultipla auf bescheidenem externem Umsatz, dominiert von TAO.
• Plattform-Chains mit KI-Thesen (NEAR und die KI-fokussierte Aktivität auf ETH, SOL, ATOM und ARB): Bewertungen primär durch allgemeine Chain-Fundamentaldaten angetrieben, mit dem KI-Narrativ als inkrementellem Multiplikator.
• Agent- und Anwendungstoken: der reflexivste und kurzfristigste Block, in dem 2024–2025 explosive Launch-Aktivität gefolgt von schwerer Attrition sah. Überleben hier ist brutal, und die Grundrate dafür, dass ein einzelner Agent-Token über einen vollen Zyklus Wert behält, ist schlecht.

Die Umsatz-Realitätsprüfung

Hier ist die unbequeme Zahl, die jeder verinnerlichen sollte, der diesem Sektor Kapital zuweist. Der aggregierte annualisierte externe Umsatz über dezentralisierte Compute- und Inferenznetzwerke – Zahlungen von Kunden, die selbst nicht am Belohnungssystem teilnehmen – war historisch ein kleiner Bruchteil eines Prozents der Marktkapitalisierung des Sektors. Selbst die stärksten Performer, wo echter zahlender Bedarf existiert, handeln zu Umsatzmultipla, die für jedes konventionelle Infrastrukturunternehmen außergewöhnlich wären.

Dies ist nicht automatisch verdammend. Frühphasige Netzwerke handeln legitim auf Optionswert, und Token-Emissionen als Wachstumssubvention ist ein anerkanntes Playbook. Aber es diktiert die korrekte analytische Haltung: Verfolgen Sie die Umsatztrajektorie, nicht das Umsatzniveau. Ein Netzwerk, dessen externer, nicht anreizgesteuerter Umsatz von einer kleinen Basis mit hoher Rate wächst, führt aus. Ein Netzwerk, dessen Aktivitätsmetriken flach sind, sobald man belohnungssuchendes Verhalten abzieht, tut es nicht, unabhängig davon, was sein Token macht.

Die Metriken, die Gaming widerstehen: bezahlte GPU-Stunden, bei denen der Zahler keine Emissionen erhält, Wiederholungskunden-Kohorten, Bruttomarge pro Node nach Hardware und Energie, Auslastung von Premium-Hardware-Tiers statt aggregierter registrierter Kapazität. Die routinemäßig manipulierten Metriken: registrierte Nodes, gesamte adressierbare Rechenleistung, Transaktionsanzahl und einzigartige Wallet-Adressen.

Das aktuelle Stimmungsbild lesen

Die Stimmungsdaten zeigen maximale oder nahezu maximale Werte über eine ungewöhnlich breite Gruppe von Large Caps: ETH, SOL, BNB, ADA, DOGE, XLM, LTC, UNI, APT, ATOM und ARB alle bei 100, mit XRP bei 92, BTC bei 91, NEAR bei 90 und TRX bei 87. Mehrere Beobachtungen folgen.

Erstens ist Uniformität Information. Wenn Stimmung über Assets mit völlig unterschiedlichen Fundamentaldaten sättigt – eine Zahlungs-Chain, ein Meme-Asset, ein DeFi-Governance-Token und ein L2 alle identisch gelesen – messen die Werte das Marktregime statt asset-spezifischer Überzeugung. Dieses Regime ist breit risk-on.

Zweitens zeigen thematische Sektoren mit schwachen Bewertungsankern in Risk-on-Regimes das höchste Beta. Dezentralisierte KI hat im Wesentlichen keinen Bewertungsanker, da Discounted-Cash-Flow-Analyse bei aktuellen Umsatzniveaus bedeutungslos ist. Dies erzeugt überproportionale Aufwärtsbeteiligung und gleichermaßen überproportionale Drawdowns, wenn das Regime dreht.

Drittens sind die etwas niedrigeren Werte bei BTC (91) und NEAR (90) beachtenswert. Ein BTC-Wert unter der Alt-Kohorte in einer breiten Rally ist eine klassische Spätphasen-Rotationssignatur. NEAR bei 90, während der breite Large-Cap-Satz bei 100 liegt, deutet darauf hin, dass der Markt seine KI-Positionierung noch nicht vollständig neu bewertet hat – was je nach Lektüre des Produkt-Traction entweder eine Gelegenheit oder ein genauer Abschlag für Ausführungsrisiko ist.

Wachstumstrajektorie-Szenarien

Die nächsten vierundzwanzig Monate als Szenarien statt Prognosen:

• Infrastruktur-Kommoditisierung (wahrscheinlichste). Dezentralisierter Compute erfasst einen bedeutenden, aber unspektakulären Anteil des preissensitiven Batch-Inferenzmarktes. Umsatz wächst stetig, Margen bleiben dünn, Bewertungen konvergieren schrittweise in Richtung Infrastruktur-Multipla. Gewinner sind die Netzwerke mit den niedrigsten Kundenakquisitionskosten und bester Orchestrierungstechnik.
• Intelligenz-Durchbruch. Ein oder mehrere dezentralisierte Netzwerke produziert ein Modell oder eine Fähigkeit, die auf einem wichtigen Benchmark wettbewerbsfähig ist, was die Produktionsthese statt nur die Infrastrukturthese validiert. Dies wäre ein Schrittwechsel für die Sektorbewertung und ist am plausibelsten im Reinforcement-Learning-Post-Training oder in engen spezialisierten Domänen.
• Agentenwirtschafts-Inflexion. Maschine-zu-Maschine-Zahlungen über x402-ähnliche Rails und ERC-8004-ähnliche Reputation erreichen echtes Volumen, was Stablecoin-Settlement-Infrastruktur und die sie hostenden Chains zu den primären Nutznießern macht. In diesem Szenario erfassen ETH, SOL und NEAR mehr Wert als die KI-spezifischen Token.
• Narrativ-Erschöpfung. Zentralisierte Fähigkeiten schreiten schnell und günstig genug voran, dass die dezentralisierte Alternative außerhalb von Zensurresistenz-Nischen nie wirtschaftlich überzeugend ist. Sektor-Multipla komprimieren Richtung der kleinen Umsatzbasis.

Direkter Vergleich ist durch die Tatsache erschwert, dass Projekte unter demselben Banner oft überhaupt nicht konkurrieren. Render und Bittensor sind keine Substitute; eines verkauft GPU-Stunden, das andere führt ein Anreiz-Turnier durch. Die nützlichen Vergleiche passieren innerhalb von Schichten.

Compute-Marktplätze: Akash vs. Render vs. io.net vs. Aethir

Alle vier verkaufen Zugang zu verteilten Beschleunigern und differenzieren sich entlang vier Achsen.

• Workload-Generalität. Akash ist das generalste, da es beliebige Container orchestriert und als Ersatz für Mainstream-Cloud-Compute fungiert statt als Spezialist. Render ist das speziellste, rund um Rendering-Pipelines gebaut mit KI als Erweiterung. io.net liegt dazwischen, zweckgebaut für ML-Clustering. Aethir konzentriert sich auf Enterprise-Grade-GPU-Lieferung sowie Gaming und KI.
• Angebotsqualität. Enterprise-Grade-Beschleuniger in professionellen Rechenzentren mit Hochbandbreiten-Interconnect sind ein grundlegend anderes Produkt als Consumer-Karten auf Wohnverbindungen. Netzwerke, die ersteres aggregieren, können Training und latenz-sensitive Inferenz bedienen; Netzwerke gewichtet zu letzterem sind auf Batch- und Rendering-Arbeit beschränkt. Dieser einzelne Unterschied erklärt den Großteil der Varianz im realisierten Umsatz pro Node.
• Preismechanismus. Akashs Reverse-Auktion entdeckt Preise dynamisch und transparent on-chain. Renders Burn-and-Mint-Gleichgewicht entkoppelt den Preis, den ein Kunde zahlt, vom Spot-Preis des Tokens – besser für die Kundenerfahrung, aber die Token-Wertaufnahme wird indirekt. Marktplatzmodelle mit festen Preiskarten tauschen Preisfindung gegen Vorhersagbarkeit.
• Settlement-Schicht. Cosmos SDK für Akash, Solana für Render und io.net. Dies ist für Endbenutzer weniger wichtig als für die Komposierbarkeit des Netzwerks mit dem Rest von DeFi.

Einschätzung: Diese Schicht wird konsolidieren. Commodity-Märkte mit niedrigen Wechselkosten belohnen Skalierung, und der Gewinner wird dadurch entschieden, welches Netzwerk das Onboarding bestehender Workloads eines Kunden nahezu reibungslos macht – nicht davon, welches die beeindruckendste Kapazitätszahl hat.

Intelligenzproduktion: Bittensor vs. Allora vs. offene Kollaborationen

Bittensors Vorteil ist eine funktionierende Wirtschaft mit Hunderten von Millionen Dollar in Emissionen, die aktiv Tausende unabhängiger Teilnehmer finanzieren, um bei Maschinenintelligenzaufgaben zu konkurrieren. Das ist ein Forschungsfinanzierungsmechanismus in einem Maßstab, dem kein anderes dezentralisiertes System nahekommt. Seine strukturelle Schwäche: Emissionen werden bezahlt unabhängig davon, ob externe Kunden existieren, was bedeutet, dass ein Subnet gut finanziert und kommerziell irrelevant gleichzeitig sein kann. Dynamisches TAO verbesserte dies durch kontinuierliche Marktpreisgestaltung für Subnets, aber Alpha-Märkte sind dünn und können so reflexiv wie informativ sein.

Alloras Design ist philosophisch sauberer für jede Aufgabe, wo die Realität schließlich entscheidet. Wenn das Netzwerk einen Preis oder ein Ereignis vorhersagt, kommt das Ergebnis und die Bewertung ist objektiv. Dies eliminiert die Validator-Subjektivitäts-Angriffsfläche vollständig. Der Trade-off ist der Umfang: Es funktioniert nur, wo Grundwahrheit bevorsteht, was die meisten generativen Aufgaben ausschließt.

Prime Intellect und Nous Research repräsentieren ein drittes Modell: offene kollaborative Forschung ohne token-gewichtetes Turnier. Sie produzieren die stärksten technischen Ergebnisse im Sektor und haben den klarsten Anspruch auf die Weiterentwicklung des Standes der Technik. Ihr Koordinationsproblem ist das entgegengesetzte – exzellente Forschungsausgabe, weniger entwickelte Mechanismen zur nachhaltigen Vergütung von Beitragenden in großem Maßstab.

Plattform-Chains: NEAR vs. Ethereum vs. Solana für KI

NEARs Differenzierung ist die engste Integration zwischen Chain-Level-Primitiven und KI-Anforderungen: Intents für deklarative Cross-Chain-Ausführung, Chain-Signaturen damit ein Agent Konten auf anderen Chains von einem einzigen Konto kontrollieren kann, Sharding für Durchsatz und vertrauliches Computing für private Inferenz. Es ist die Chain, die rund um den Agent-Anwendungsfall konzipiert wurde.

Ethereums Differenzierung ist Schwerkraft. Standards werden auf Ethereum geschrieben und angenommen, weil dort die Entwickler, die Stablecoins und die institutionelle Infrastruktur sind. ERC-8004-Agent-Registries sind genau deshalb wichtig, weil sie Ethereum-Standards sind. Eine Agentenwirtschaft wird erheblichen Wert auf Ethereum und seinen Rollups einschließlich Arbitrum begleichen, unabhängig davon, wo das Computing stattfindet.

Solanas Differenzierung sind Kosten und Durchsatz auf der Transaktionsschicht, was für hochfrequente Agent-Aktivität und für DePIN-Netzwerke, die viele kleine Datensätze schreiben, entscheidend ist. Render, io.net und mehrere Datennetzwerke wählten Solana genau deshalb.

Cosmos, mit ATOM im Zentrum, bleibt das bevorzugte Substrat für Teams, die ihre eigene souveräne Chain mit benutzerdefiniertem Konsens und Anwendungslogik wollen, weshalb Akash, Allora und mehrere KI-Appchains dort gebaut haben.

Der wichtigste Vergleich

Legen Sie die internen Rivalitäten beiseite. Jedes Projekt in diesem Leitfaden konkurriert primär gegen zentralisierte Cloud und zentralisierte Modell-APIs, nicht gegeneinander. Ein Entwickler, der wählt, wo er Inferenz ausführen soll, vergleicht ein dezentralisiertes Netzwerk mit einem Hyperscaler-Endpunkt auf vier Dimensionen: Preis, Latenz, Zuverlässigkeit und Integrationsaufwand. Dezentralisierte Netzwerke gewinnen derzeit entscheidend beim Preis für Batch-Workloads, verlieren bei Latenz für interaktive, verlieren bei Zuverlässigkeits-SLAs und verlieren erheblich beim Integrationsaufwand. Drei dieser vier sind Ingenieursprobleme mit bekannten Lösungen. Die Trajektorie des Sektors hängt davon ab, wie schnell sie gelöst werden.

Ein ausgewogenes Framework zum Nachdenken über Exposition in diesem Sektor, ohne vorzugeben, dass die Unsicherheiten kleiner sind als sie sind.

Die strukturellen Chancen

• Kostenarbitrage mit dauerhafter Quelle. Die Preislücke zwischen dezentralisierten GPU-Stunden und Hyperscaler-Listenraten ist nicht in jedem Fall eine vorübergehende Subvention. Ein Teil ist echt: Das Aggregieren bereits gebauter, bereits verbundener, unterbeschäftigter Hardware hat einen echten Kostenvorteil gegenüber der Finanzierung neuer Rechenzentren und Netzanschlüsse. Wo diese Lücke strukturell statt emissionsfinanziert ist, bleibt sie bestehen.
• Regulatorischer Rückenwind bei Herkunft. Anforderungen zur Dokumentation von Trainingsdaten, Attribuierung von Ausgaben und Nachweis der Modellidentität begünstigen Architekturen mit nativer kryptografischer Herkunft. Dies ist ein langsam wirkender, aber sich steigernder Vorteil.
• Zensurresistenz als echtes Produkt. Eine nicht triviale Menge an Anwendungen kann keine zentralisierten Modell-APIs verwenden – aus Inhaltsrichtliniengründen, jurisdiktionalen Gründen oder weil die Anwendung mit dem Anbieter konkurriert. Diese Nachfrage ist unelastisch und zahlt eine Prämie.
• Agent-Zahlungs-Rails. Wenn Maschine-zu-Maschine-Handel bedeutendes Volumen erreicht, sind Krypto-Rails die einzige Settlement-Schicht, die kontofreie, Sub-Cent, sofortige, programmatische Zahlungen unterstützt. Dies könnte die am meisten unterbewertete Gelegenheit im Sektor sein, und ihre Nutznießer sind Chains und Stablecoin-Infrastruktur statt KI-gebrandeter Token.
• Asymmetrische Auszahlung bei der Produktionsthese. Wenn ein dezentralisiertes Netzwerk jemals wettbewerbsfähige Modell-Fähigkeit demonstriert, wäre die Neubewertung heftig. Dies ist ein niedrig-wahrscheinliches, hoch-magnitude Ergebnis – genau die Art von Exposition, die eine kleine Position statt keine rechtfertigt.

Die Risiken, in grober Reihenfolge der Wichtigkeit

1. Emissionsfinanzierte Aktivität, die sich als Nachfrage tarnt. Die größte analytische Falle. Ein Netzwerk, das Teilnehmer in seinem eigenen Token bezahlt, erzeugt Aktivität, die wie Traktion aussieht und verschwindet, wenn Emissionen fallen. Die Diagnose: Würde eine bestimmte Einheit Aktivität existieren, wenn Emissionen null wären? Für die meisten Netzwerke heute würde ein Großteil davon nicht.

2. Zentralisierte Labore bewegen sich schlicht schneller. Frontier-Labore haben enormes Kapital, die besten Forscher, integrierte Hardware-Beziehungen und die Fähigkeit, Entscheidungen in einem Meeting statt durch ein Governance-Forum zu treffen. Wenn Fähigkeitsfortschritt weiterhin enorme kolozierte Trainingsläufe erfordert, können dezentralisierte Netzwerke möglicherweise nie näher an die Frontier herankommen. Die gesamte Prämisse des Sektors ist, dass dies nicht der Fall ist.

3. Token-Wertaufnahme ist in mehreren Designs unklar. Fragen Sie präzise: Wenn ein Kunde für Inferenz bezahlt, was passiert mit dem Token? Wird er verbrannt, gestaked, verteilt oder ist er lediglich eine Rechnungseinheit, die der Kunde nie berührt, weil er in Stablecoins zahlt? Mehrere prominente Netzwerke haben Token-Ökonomiken, bei denen Nutzungswachstum wenig mechanischen Bedarf an dem Token erzeugt. Das ist nicht fatal, aber es muss eingepreist werden.

4. Qualitätsdispersion und Kapitalfehlallokation innerhalb von Netzwerken. In Multi-Subnet-Architekturen ist die Verteilung der Wertschöpfung extrem schief. Eine Handvoll Subnets erzeugt den Großteil der echten Ausgabe; viele erzeugen wenig externen Wert, während sie weiter Emissionen beziehen. Ein Investor, der den Basis-Token kauft, kauft den Durchschnitt, nicht das Beste.

5. Verifikationsversagen. Wenn ein dezentralisiertes Inferenznetzwerk systematisch beim Zurückgeben günstigerer oder gecachter Ausgaben erwischt wird, wäre der Reputationsschaden sektor-weit und schwerwiegend. Verifikation ist nicht lediglich eine technische Nettigkeit – sie ist die Integritätsgarantie des Produkts.

6. Regulatorische Exposition auf zwei Fronten. KI-Regulierung kann Verpflichtungen auferlegen, die ein erlaubnisfreies Netzwerk strukturell nicht erfüllen kann, wie das Identifizieren, wer ein Modell trainiert hat, oder das On-demand-Entfernen einer Fähigkeit. Separat bleibt die Wertpapier- und Marktstrukturbehandlung von Token, deren Wert von Netzwerkeinsatz abhängt, jurisdiktionsabhängig und unsettled.

7. Hardware-Zyklusrisiko. Dezentralisierte Netzwerke werden überproportional mit Beschleunigern der Vorgängergeneration versorgt. Wenn eine neue Generation einen großen Effizienzsprung liefert, verschlechtern sich die Ökonomiken älterer Hardware scharf, und die Netzwerke, die dieses Angebot halten, sehen Margen komprimieren.

8. Konzentration und Governance-Capture. Stake-gewichtete Mechanismen konzentrieren den Einfluss bei großen Haltern. Wo Validatoren Miner bewerten, kann eine koordinierte Stake-Mehrheit Emissionen zu sich selbst lenken. Netzwerke variieren stark darin, wie ernsthaft sie dies adressiert haben.

Eine praktische Evaluierungs-Checkliste

Bevor Sie eine Ansicht zu einem Projekt bilden, holen Sie konkrete Antworten auf diese:

• Welcher Prozentsatz des Netzwerkeinsatzes kommt von Parteien, die keine Emissionen erhalten?
• Was ist das Verifikationsregime und sein Overhead als Prozentsatz der Workload-Kosten?
• Was ist der Emissionsplan, und wie sieht das Netzwerk bei der halben aktuellen Emissionsrate aus?
• Ist der Token für Transaktionen erforderlich, oder ist er optional und mit Stablecoins umgehbar?
• Was ist die Auslastung auf Premium-Hardware-Tiers, nicht aggregierte registrierte Kapazität?
• Was wurde geliefert gegenüber was auf der Roadmap ist, und wie groß ist die historische Lücke zwischen angekündigten und gelieferten Timelines?
• Wer sind drei namentlich genannte externe Kunden, und wofür bezahlen sie?

Projekte, die alle sieben klar beantworten, sind selten. Diese Seltenheit ist selbst das nützlichste verfügbare Screening-Signal.

Prognosen in diesem Sektor haben eine miserable Erfolgsbilanz, also ist das Folgende als gerichtete Thesen mit explizitem Reasoning und expliziten Möglichkeiten, falsch zu liegen, strukturiert – nicht als Vorhersagen.

2026–2027: die Konsolidierungs- und Beweisphase

These: Die Compute-Marktplatz-Schicht konsolidiert von einem Dutzend glaubwürdiger Netzwerke auf drei oder vier, entschieden durch Orchestrierungsqualität und Enterprise-Integration statt durch Kapazität. Das Differenzierungsmerkmal wird sein, ob ein Kunde bestehende Tooling auf das Netzwerk richten und Workloads ohne Umschreiben ausführen lassen kann. Netzwerke, die maßgeschneiderte Integration erfordern, werden gegenüber denen verlieren, die eine vertraute Schnittstelle bieten.

These: TEE-basierte Verifikation wird zum Produktionsstandard für dezentralisierte Inferenz, mit ZKML beschränkt auf kleine, hochwertige, hochwirksame Modelle. Die Overhead-Ökonomik macht dies nahezu unvermeidlich. Beobachten Sie, wie vertrauliches Computing zur standardmäßig beworbenen Funktion statt zum Premium-Tier wird.

These: Dezentralisiertes Reinforcement-Learning-Post-Training erreicht echte wettbewerbsfähige Parität, bevor dezentralisiertes Pretraining es tut. RL-Rollout-Generierung ist trivial parallelisierbar und latenz-tolerant, was zur dezentralisierten Topologie weit besser passt als Gradientensynchronisierung. Wenn der Sektor in diesem Fenster einen legitimen Fähigkeitsmeilenstein produziert, kommt er am wahrscheinlichsten von hier.

Wie dies falsch liegt: Wenn Enterprise-Käufer schlussfolgern, dass jede Infrastruktur ohne SLA-Backing für die Produktion unbrauchbar ist, findet die Konsolidierung rund um denjenigen statt, der konventionelle vertragliche Garantien anbieten kann – was die zentralisiertesten Teilnehmer im dezentralisierten Sektor begünstigt und die These von innen untergräbt.

2027–2028: der Agentenwirtschaftstest

These: Maschine-zu-Maschine-Zahlungen werden der klarste kommerzielle Erfolg des Sektors und begünstigen allgemeine Chains und Stablecoin-Infrastruktur mehr als KI-spezifische Token. Die technischen Teile – Inline-HTTP-Zahlungsprotokolle, on-chain Agent-Identität und Reputationsregistries, programmierbare Ausgabenlimits – sind bereits spezifiziert und werden geliefert. Was fehlt, sind Agenten, die wertvoll genug sind, dass die Zahlungen es wert sind. Das ist eine Fähigkeitsfrage, und Fähigkeit verbessert sich schnell.

These: Daten werden die umkämpfte Ressource statt Rechenleistung. Da Open-Weight-Modelle Architektur kommoditisieren und öffentliche Web-Daten erschöpfen, werden differenzierte proprietäre Daten der dauerhafte Burggraben. Dies ist strukturell günstig für Netzwerke, die Datenbeitrag unter Datenschutzgarantien anziehen können – der Schnittpunkt von vertraulichem Computing und Token-Anreizen. Erwarten Sie die interessanteste Mechanismus-Designarbeit dieser Periode rund um Daten, nicht Rechenleistung.

Wie dies falsch liegt: Synthetische Datengenerierung könnte sich als gut genug erweisen, dass der proprietäre Daten-Burggraben weit weniger als erwartet zählt, was die These kollabieren lässt.

2028–2030: die strukturelle Frage

Bis zum Ende des Jahrzehnts wird eines von zwei Dingen evident sein.

Szenario A – Dezentralisierung erweist sich als im großen Maßstab lebensfähig. Kommunikationseffizientes Training verbessert sich weiter, Verifikation wird günstig und routinemäßig, und ein dezentralisiertes Netzwerk trainiert oder feinabstimmt ein Modell, das mit zeitgenössischen geschlossenen Modellen in mindestens einer bedeutenden Domäne wettbewerbsfähig ist. Der Sektor bewertet sich dramatisch nach oben und die Zusammensetzung der KI-Infrastrukturausgaben verschiebt sich. In dieser Welt erfassen die Netzwerke, die die Konsolidierung 2026–2027 überlebt und dauerhafte Angebots-Beziehungen aufgebaut haben, enormen Wert.

Szenario B – Dezentralisierung siedelt sich in einer dauerhaften Nische an. Frontier-Fähigkeit bleibt eine Funktion konzentrierten Kapitals und kolozierter Rechenleistung. Dezentralisierte Netzwerke bestehen und sind nützlich, bedienen preis-sensitive Batch-Workloads, zensurresistente Anwendungen, datenschutzbeschränkte Sektoren und den langen Schwanz spezialisierter Modelle. Dies ist ein echtes und dauerhaftes Geschäft, vielleicht ein Milliarden-Dollar-schweres, aber es ist Infrastruktur statt Intelligenz und sollte als solche bewertet werden.

Diese ehrlich abwägend: Szenario B ist nach aktuellem Beweis wahrscheinlicher. Die Fähigkeitslücke ist groß, der Trend beim Frontier-Training geht eher zu mehr Konzentration als zu weniger, und kein dezentralisiertes Netzwerk hat bisher ein Ergebnis demonstriert, das eine Neubewertung erzwingt. Aber Szenario A ist weit davon entfernt, ausgeschlossen zu sein, und der algorithmische Fortschritt bei der Kommunikationseffizienz zwischen 2024 und 2026 war schneller als die meisten informierten Beobachter erwartet hatten. Die rationale Haltung ist Exposition, dimensioniert für Szenario-B-Ökonomik mit Optionswert auf Szenario A.

Spezifische Dinge als Frühindikatoren zu beobachten

• Die größte Parameteranzahl, die vollständig dezentralisiert trainiert wurde, und wie schnell sich diese Zahl bewegt. Wenn sie 2028 noch in den Zehner-Milliarden liegt, ist Szenario B bestätigt.
• Das Verhältnis von externem Umsatz zu Emissionen über den Sektor. Ein steigendes Verhältnis ist der einzelne beste Beweis für echte Produkt-Markt-Passung.
• Ob irgendein bedeutendes Unternehmen öffentlich dezentralisierte Inferenz für eine Produktionsarbeitslast unter seinem eigenen Namen annimmt. Benannte Referenzen verändern Beschaffungsgespräche.
• Verifikations-Overhead als Prozentsatz der Workload-Kosten. Wenn er gegen vernachlässigbar tendiert, wird dezentralisierte Inferenz für eine viel breitere Reihe von Workloads beim Preis dominant.
• Ob Agent-Zahlungsvolumen auf öffentlichen Rails jährlich in die Milliarden wächst. Dies ist on-chain messbar und ist der sauberste verfügbare Proxy für die Agentenwirtschaftsthese.
• Die Richtung der KI-Regulierung zu Modellherkunft und Datenattribution. Strengere Anforderungen begünstigen kryptografische Architekturen.

Dieser letzte Abschnitt ist eine Arbeitsmethode statt Kommentar. Es ist der Prozess, den ein rigoroser Analyst vor der Bildung einer Ansicht zu einem Projekt in diesem Sektor durchlaufen sollte.

Schritt 1: Klassifizieren Sie das Projekt in seine tatsächliche Schicht

Bestimmen Sie vor allem anderen, welche der fünf Stack-Schichten das Projekt tatsächlich besetzt: physische Ressourcen, Orchestrierung, Verifikation, Anreize oder Anwendungen. Marketingmaterialien werden mehrere beanspruchen. Schauen Sie auf die Ingenieurswissenschaft: Was macht die Codebasis tatsächlich, worüber veröffentlicht das Team, woher kommt der Umsatz. Ein Projekt, das GPU-Stunden verkauft, ist ein Infrastrukturunternehmen und sollte gegen Infrastrukturvergleichswerte bewertet werden, egal wie viel AGI in seiner Dokumentation erscheint. Fehlklassifikation ist der Ursprung der meisten schlechten Bewertungsarbeit in diesem Sektor.

Schritt 2: Trennen Sie emissionsgesteuerte Aktivität von organischer Nachfrage

Konstruieren Sie das Kontrafaktische: Wenn Token-Emissionen morgen auf null gingen, welche Aktivität würde fortbestehen? Arbeiten Sie durch jede Teilnehmerkategorie. Node-Betreiber, die Hardware für Emissionen beitragen, würden gehen. Kunden, die Marktpreise für einen benötigten Service zahlen, würden bleiben. Validatoren, die auf Yield staken, würden unstaken. Entwickler, die Produkte mit echten Benutzern bauen, würden weiter machen.

Der Rest – was das Kontrafaktische überlebt – ist das tatsächliche Geschäft des Netzwerks. Alles andere ist Wachstumssubvention, was legitim und oft richtige Strategie ist, aber als Ausgaben statt Umsatz erkannt werden muss. Netzwerke veröffentlichen diese Zerlegung selten. Sie müssen sie oft aus on-chain Daten konstruieren und Zahlungsströme gegen Emissionsverteilungen nach Adresse vergleichen.

Schritt 3: Befragen Sie den Verifikationsanspruch

Stellen Sie die vier Fragen aus dem Technologieabschnitt: Welches Regime, welcher Overhead, was genau wird attestiert, und was ist die wirtschaftliche Konsequenz eines erkannten Versagens. Dann stellen Sie die fünfte Frage, die rigoröse Projekte von Marketing trennt: Wurde schon jemand erwischt und geslasht? Ein Verifikationssystem, das in der Produktion noch nie ausgelöst hat, ist entweder perfekt oder inert – und inert ist weit häufiger. Suchen Sie nach veröffentlichten Vorfallsdaten.

Schritt 4: Verfolgen Sie Token-Wertaufnahme mechanisch

Zeichnen Sie den Fluss eines einzelnen Kunden-Dollars durch das System. Kunde zahlt in welchem Asset? Wenn Stablecoins, wandelt sich irgendwas in den nativen Token um, und ist diese Umwandlung obligatorisch oder eine Bequemlichkeit? Wird ein Teil verbrannt, und ist das Verbrennen proportional zur Nutzung? Werden Node-Betreiber im nativen Token bezahlt, und verkaufen sie ihn sofort, was strukturellen Verkaufsdruck erzeugt, der mit dem Netzwerkwachstum skaliert?

Diese Übung führt überraschend oft zu unbequemen Schlussfolgerungen. Mehrere gut angesehene Netzwerke haben Designs, bei denen Nutzungswachstum netto Token-Angebotsdruck statt Nachfrage erzeugt. Das macht sie nicht zu schlechten Unternehmen; es macht ihre Token zu einem schlechten Ausdruck des Unternehmens.

Schritt 5: Bewerten Sie das Team gegen die Lieferhistorie

Vergleichen Sie angekündigte Timelines mit tatsächlicher Lieferung über die vollständige Geschichte des Projekts, nicht nur aktuelle Quartale. Schauen Sie speziell nach: Funktionen, die angekündigt und still fallen gelassen wurden, Mainnet-Daten, die wiederholt rutschten, und ob technische Behauptungen in Blog-Posts je unabhängig reproduziert wurden. In einem Sektor, wo Behauptungen die Verifikation überholen, ist eine dokumentierte Geschichte des genauen Lieferns dessen, was versprochen wurde, eines der stärksten verfügbaren Signale – und selten genug, um wirklich differenzierend zu sein.

Schritt 6: Dimensionieren Sie die Position nach dem Szenario, nicht der Geschichte

Bestimmen Sie angesichts der Analyse, welches zukünftige Szenario das Projekt braucht, um seine aktuelle Bewertung zu rechtfertigen. Wenn es Szenario A erfordert – Dezentralisierung erweist sich als im Frontier-Maßstab lebensfähig –, dann sollte die Position als niedrig-wahrscheinliche Option dimensioniert werden, unabhängig davon, wie überzeugend das Narrativ ist. Wenn es in Szenario B funktioniert, kann es Kerngewichtung tragen. Die meisten Projekte in diesem Sektor sind für Szenario A eingepreist, während ihre Fundamentaldaten Szenario B beschreiben – das Erkennen dieser Fehlübereinstimmung ist der analytische Vorteil.

Schritt 7: Definieren Sie, was Ihre Meinung ändern würde

Schreiben Sie auf, bevor Sie eine Position einnehmen, die spezifischen Beobachtungen, die die These invalidieren würden: eine Umsatztrajektorie, die zwei aufeinanderfolgende Quartale abflacht, ein Verifikationsversagensvorfall, ein Schlüsselteam-Abgang, eine Emissionsplanänderung, ein Wettbewerber, der dieselbe Fähigkeit zu niedrigeren Kosten liefert. Sektoren, die durch Narrative angetrieben werden, sind genau die Sektoren, wo vorab festgelegte Invalidierungskriterien am meisten zählen, weil das Narrativ einen Grund zum Halten durch jede einzelne Enttäuschung liefern wird.

Das Framework anwenden: eine gearbeitete Zusammenfassung

Das Durchlaufen der sieben Schritte über die wichtigsten Netzwerke produziert eine grobe Taxonomie. Akash und Render klassifizieren klar als Infrastruktur mit echtem externem Umsatz, transparenten Mechaniken und Szenario-B-Lebensfähigkeit. Bittensor klassifiziert als Anreizschicht mit dem ambitioniertesten Mechanismus des Sektors, bedeutendem aber konzentriertem externem Umsatz und einer Bewertung, die erheblichen Szenario-A-Glauben erfordert. NEAR klassifiziert als Plattform-Chain, bei der KI eine inkrementelle These auf allgemeinen Chain-Fundamentaldaten ist, was es in beide Richtungen weniger Beta zum KI-Narrativ macht. FET klassifiziert als diversifizierter Korb über drei Schichten, was das Einzelpunkt-Versagensrisiko reduziert und gleichzeitig die Klarheit einer einzelnen These verdünnt. Prime Intellect und Nous Research klassifizieren als Forschungsprogramme, deren Ergebnisse als Frühindikatoren für den gesamten Sektor verfolgt werden sollten, unabhängig davon, ob es eine Möglichkeit gibt, direkte Exposition einzugehen.

Keine dieser Klassifikationen ist eine Empfehlung. Sie sind das Ergebnis einer Methode, und die Methode ist das Dauerhafte. Projekte ändern sich, Mechanismen werden neu gestaltet, und die Zusammensetzung des Sektors in 2028 wird anders aussehen als heute. Die sieben Schritte werden weiterhin gelten.