Was ist Zero-Knowledge Machine Learning (zkML)?

Zero-knowledge machine learning ist eine kryptographische Technik, die es einer Partei ermöglicht nachzuweisen, dass ein AI-Modell korrekt ausgeführt wurde und ein bestimmtes Ergebnis liefert, ohne die Gewichte des Modells, die Eingabedaten oder Zwischenberechnungen preiszugeben. Sie wandelt eine Korrektheitsbehauptung in ein mathematisches Objekt um, das von jedermann überprüft werden kann.

Das Problem, das dadurch gelöst wird, ist struktureller Natur. Wenn Sie ein gehostetes Modell abfragen, senden Sie Daten an einen Server und erhalten ein Resultat, ohne überprüfen zu können, welches Modell tatsächlich ausgeführt wurde, ob das Ergebnis manipuliert wurde oder ob der Anbieter ein günstigeres Modell untergeschoben hat. Man muss dem Anbieter blind vertrauen, was untragbar ist, wenn das Ergebnis finanzielle, medizinische oder rechtliche Konsequenzen hat.

zkML ersetzt dieses Vertrauen durch Verifizierung. Der Betreiber des Modells generiert parallel zu jeder Inferenz einen prägnanten kryptographischen Proof, der bescheinigt, dass ein spezifisches, festgelegtes Modell eine bestimmte Eingabe verarbeitet hat, um ein bestimmtes Ergebnis zu erzielen. Der Proof enthält keines der Geheimnisse, und dennoch kann ihn jeder Dritte, einschließlich eines Smart Contracts, in Millisekunden validieren.

The asymmetry is what makes it viable. Computation can be expensive while verification stays cheap: a prover may burn GPU hours generating the proof, but the receipt verifies in <1 second. That imbalance is precisely what blockchains need, since onchain resources are scarce and consuming an off-chain AI output otherwise requires trusting an oracle.

Wie funktioniert zkML?

zkML übersetzt den Forward-Pass eines neuronalen Netzwerks in ein System von arithmetischen Bedingungen und weist anschließend nach, dass eine gültige Belegung für diese Bedingungen existiert.

So gelangt ein Modell vom Training zu einem verifizierbaren on-chain-Ergebnis:

1. Training: Der Entwickler trainiert ein Modell konventionell off-chain unter Verwendung proprietärer Daten und Techniken. zkML verändert das Training selbst nicht, und die daraus resultierenden Gewichte bleiben privates geistiges Eigentum.
2. Export: Das fertige Modell wird in ein Standard-Austauschformat exportiert, typischerweise ONNX oder GGUF, welches das Proof-Framework in einen Rechengraphen aus Layern und Operationen parsen kann.
3. Quantisierung: Gleitkommagewichte werden als Festkommazahlen angenähert, da ZK-Schaltkreise über endliche Körper anstelle einer IEEE-754-Arithmetik operieren – ein Schritt, der mit einem geringen Genauigkeitsverlust einhergeht.
4. Kompilierung: Das Framework arithmetisiert den Graphen und wandelt Matrixmultiplikationen, Fconvolutionen und nichtlineare Aktivierungen in Schaltkreise oder Bedingungssysteme um, die von einem Proof-System verarbeitet werden können.
5. Proving: Ein Prover führt die Inferenz aus und generiert einen prägnanten Proof, der bestätigt, dass das Ergebnis aus dem festgelegten Modell und der jeweiligen Eingabe abgeleitet wurde, wobei Systeme wie Halo2, GKR oder Lookup-basierte Argumente zum Einsatz kommen.
6. Verifizierung: Jeder Verifier – sei es ein Smart Contract, ein Prüfer oder das Gerät eines Nutzers – überprüft den zero-knowledge proof anhand öffentlicher Verpflichtungen wie einem Modell-Hash, wodurch die Korrektheit bestätigt wird, ohne Gewichte oder Rohdaten offenzulegen.

Der Schritt der Quantisierung verdient besondere Aufmerksamkeit, da hier kryptographische Strenge auf die Realität des maschinellen Lernens trifft. Die Umwandlung von Arithmetik mit reellen Zahlen in modulare Integer-Arithmetik führt bei Benchmark-Aufgaben zu einem typischen Genauigkeitseinbuße von etwa 0,5 % bis 2 %, ein Kompromiss, den die meisten Anwendungen zugunsten der Beweisbarkeit in Kauf nehmen.

Warum das Erstellen von Proofs so aufwendig ist

Das Kostenproblem ist arithmetischer und nicht nebensächlicher Natur. Die Codierung jeder Multiplikation und Aktivierung in einem neuronalen Netzwerk als Bedingung bläst den Arbeitsaufwand massiv auf, weshalb frühe zkVM-Ansätze Overheads zwischen 100.000 und 1.000.000 Mal der nativen Inferenz verursachten.

Dieser Wert ist stark eingebrochen. Zweckoptimierte Prover, GPU-Beschleunigung und intelligentere Proof-Systeme haben den Mehraufwand in den Bereich des 10.000-Fachen gedrückt, und spezialisierte Frameworks beweisen mittelgroße Modelle mittlerweile in Sekunden statt in Stunden. Nicht die aktuellen absoluten Kosten, sondern die Entwicklungskurve machen diesen Bereich für Investitionen interessant.

Nichtlineare Operationen bleiben das hartnäckige Nadelöhr. Aktivierungsfunktionen wie ReLU und Softmax sowie Attention-Mechanismen in Transformern sind in Floating-Point-Hardware zwar günstig, aber in der Arithmetisierung teuer, weshalb Vision-Modelle weitaus früher beweisbar wurden als Sprachmodelle.

zkML-Frameworks und -Tools im Jahr 2026

Die Tool-Ebene hat sich um eine Handvoll ernstzunehmender Frameworks konsolidiert, die jeweils unterschiedliche Schwerpunkte bei Proof-Systemen und Ziel-Workloads setzen. Dies sind die Projekte, die den aktuellen Stand der Technik definieren:

• DeepProve: Die GKR-basierte Bibliothek von Lagrange, die im Juni 2026 vollständig als Open Source veröffentlicht wurde, erreicht bei der Proof-Generierung eine 54- bis 158-mal schnellere Performance als EZKL und bei der Verifizierung eine bis zu 671-mal schnellere.
• EZKL: Das langjährige Open-Source-Arbeitstier auf Basis von Halo2, das ONNX-Modelle einliest und EVM-kompatible Verifizierer ausgibt, was es zum Standard-Einstiegspunkt für Entwickler ohne kryptografischen Hintergrund macht.
• zkPyTorch: Ein im März 2025 veröffentlichter Polyhedra-Compiler, der sich direkt in den PyTorch-Stack integriert, die Quantisierung automatisch handhabt und das VGG-16-Modell mit 138 Millionen Parametern in rund 2,2 Sekunden beweist.
• JOLT Atlas: Ein von a16z initiierter, auf Lookup-Tabellen basierender Ansatz, der für ML-Operationen angepasst wurde, einfache Schaltungsstrukturen priorisiert und bereits vor dem Einsatz von GPU-Beschleunigung starke Geschwindigkeitsvorteile erzielt.
• ZKTorch: Ein Forschungscompiler, der parallele Proof-Akkumulation nutzt und Berichten zufolge GPT-2 auf identischer Hardware rund sechsmal schneller beweist als frühere universelle zkML-Systeme.
• zkVerify: Eine Verification-as-a-Service-Ebene, die mehrere Proof-Systeme unterstützt und KI-Pipelines die Proof-Prüfung auslagern lässt, anstatt für jedes Modell maßgeschneiderte Verifiziererverträge bereitzustellen.

Der Benchmark, der die Erwartungen veränderte

Der Meilenstein von Lagrange im Juli 2025 hat neu definiert, was als realistisch galt. Dem Team gelang eine vollständige Inferenz von GPT-2, einem Transformer mit 124 Millionen Parametern, womit es das erste produktionsreife Krypto-System ist, das ein gesamtes Sprachmodell von Anfang bis Ende beweist.

Das System wechselte daraufhin von der Demo zur Bereitstellung. Lagrange stellte DeepProve im Juni 2026 als Open Source zur Verfügung, gab über 12 Millionen generierte kryptografische Proofs und mehr als 3 Millionen von Anfang bis Ende verifizierte KI-Inferenzen bekannt und ging Partnerschaften mit IBM, NVIDIA, Qualcomm, Oracle, Intel und AWS ein.

Die Kluft an der technologischen Grenze bleibt dennoch enorm, und niemand behauptet ernsthaft etwas anderes. GPT-2 ist um vier Grössenordnungen kleiner als die heutigen führenden Modelle, weshalb das Beweisen eines modernen Grenzmodells nicht nur teuer, sondern ökonomisch absurd ist, und das erklärte nächste Ziel von Lagrange sind offene Modelle der Llama- und Gemma-Klasse und nicht Modelle an der Spitze der Bestenliste.

Was sich verändert hat, ist eher die Steigung der Kurve als die aktuelle Obergrenze. Das parallelisierte Beweisen über Prover-Cluster, GPU-native Algorithmendesigns und wiederverwendbare Lookup-Tabellen sind die Hebel, die am ehesten den nächsten Grössenordnungs-Sprung ermöglichen und mittelgroße offene Modelle schrittweise in den beweisbaren Bereich ziehen.

zkML-Anwendungsfälle in Krypto

zkML ist vor allem dort von Bedeutung, wo ein KI-Ergebnis finanzielle Konsequenzen hat und die Parteien einander nicht vertrauen können. Diese Anwendungen sind bereits heute live oder stehen kurz vor der Produktion:

• Verifizierbare Agenten: Autonome KI-Agenten, die handeln oder Treasuries verwalten, können jeder Entscheidung nachweisen, dass sie einem offengelegten Modell statt einem heimlich ausgetauschten gefolgt ist, wodurch die Prinzipal-Agent-Lücke geschlossen wird.
• Private Bonitätsprüfung: Ein Kreditprotokoll kann bestätigen, dass der Score eines Kreditnehmers einen Schwellenwert überschreitet, ohne jemals Salden, Transaktionshistorien oder Identitäten einzusehen, da der Proof bestätigt, dass das Modell korrekt ausgeführt wurde.
• Modellherkunft: API-Anbieter können nachweisen, welches Modell eine Anfrage tatsächlich bedient hat, wodurch das heimliche Ersetzen durch ein günstigeres Modell während der Abrechnung eines teuren Modells verhindert wird.
• Dezentrale Inferenz: Netzwerke, die Nodes für die Ausführung von Modellen bezahlen, nutzen zkML, um zu verifizieren, dass Miner die beanspruchte Rechenleistung tatsächlich erbracht haben, wodurch Reputation durch kryptografische Abrechnung ersetzt wird.
• Biometrische Identität: Systeme wie World können Nutzern ermöglichen zu beweisen, dass eine neue biometrische Vorlage aus einer gültigen Registrierung stammt, ohne zentralisierte erneute Verifizierung oder Offenlegung des zugrundeliegenden Scans.
• Inhaltsauthentizität: Medien-Pipelines können Proofs hinzufügen, die belegen, dass ein Asset ein offengelegtes Erkennungsmodell passiert hat, wodurch Regulierungsbehörden einen prüfbaren Pfad erhalten, ohne den proprietären Klassifikator offenzulegen.
• Orakel-Integrität: ML-gestützte Daten-Feeds können nachweisen, dass die Aggregationslogik wie spezifiziert über verschiedene Quellen hinweg ausgeführt wurde, was die bridge zwischen off-chain-Intelligenz und on-chain-Abwicklung stärkt.

Aufstrebende DeFi-Anwendungen

Dezentrale Finanzen sind der natürliche erste Markt, da sie bereits auf gegnerischen Annahmen und Open-Source-Verifizierung basieren. Risikopools, perpetual-Börsen und Kreditmärkte verlangen zunehmend nach KI-gesteuerten Parametern, ohne dass Benutzer einer Blackbox vertrauen müssen.

Das Muster lautet proof-attached automation. Ein KI-Modell optimiert Sicherheitenverhältnisse, liquidation-Schwellenwerte oder dynamische Gebühren, und der zugehörige Proof ermöglicht es den Verträgen des Protokolls zu verifizieren, dass die Parameter aus dem geprüften Modell und nicht von einer willkürlichen Übersteuerung eines Betreibers stammen.

Die DAO-Governance ist eine zweite Grenze, an der ML-basierte Abstimmungsgewichte oder Vorschlagssimulationen validiert werden können, ohne individuelle Bestände offenzulegen. Die einheitliche Logik besteht darin, dass Automatisierung in trustless Systemen nur dann akzeptabel ist, wenn die Automatisierung selbst überprüft werden kann.

Der zkML-Markt und wichtige Projekte

Kapital und Infrastruktur haben sich um einige wenige Akteure konsolidiert, die den verifizierbaren KI-Stack aufbauen. Zu verstehen, wer was tut, verdeutlicht, wo die tatsächliche Aktivität des Sektors liegt:

• Lagrange Labs: Betreibt ein Proving-Netzwerk, in dem Betreiber Staking nutzen, um auf die Proof-Generierung zu bieten, mit einem erstklassigen Betreiberset und DeepProve als wichtigster zkML-Bibliothek für KI-Inferenz.
• Inference Labs: Hat 6,3 Millionen USD von Investoren wie Delphi und Mechanism eingesammelt, um Proof of Inference aufzubauen, ein Protokoll zur Sicherung von KI-Agenten durch kryptografische Verifizierung.
• Bittensor Subnet 2: Das größte dezentrale zkML-Proving-Cluster im Betrieb, das über 160 Millionen zero-knowledge proofs produziert hat und gleichzeitig das Schaltungsdesign und die Prover-Optimierung anreizt.
• Polyhedra: Liefert den zkPyTorch-Compiler und das Expander-Proving-Backend und treibt die Benutzerfreundlichkeitsgrenze voran, damit ML-Ingenieure Proofs ohne kryptografische Expertise generieren können.
• Giza: Konzentriert sich auf den Einsatz verifizierbarer Modelle on-chain und die Unterstützung autonomer Agenten, wobei die Entwicklerzugänglichkeit Vorrang vor reinem Proving-Durchsatz hat.
• EZKL: Verwaltet das am weitesten verbreitete Open-Source-Toolkit, das von Trail of Bits geprüft wurde, und dient als Basislinie, an der sich neuere Prover messen.

Das kommerzielle Bild ist gemischter, als es Bullen oder Bären zugeben. Die Token-Preise für verifizierbare KI haben stark gelitten und mehrere handeln nahe Allzeit-Tiefs, doch allein DeepProve hat über drei Millionen Inferenzen verifiziert und Verteidigungs- und Unternehmenspartner wie Anduril, Lockheed Martin und IBM angezogen, sodass sich echte Nutzung ansammelt, selbst während die öffentlichen Märkte den Sektor abwerten.

Regulierung und der Compliance-Fall für zkML

Regulatorischer Druck ist das stärkste Nicht-Krypto-Argument für verifizierbare KI. Der EU AI Act auferlegt Dokumentations-, Rückverfolgbarkeits- und menschliche Überwachungspflichten für Hochrisikosysteme, und kryptografische Proofs bieten eine Möglichkeit, die Korrektheit nachzuweisen, ohne proprietäre Modelle an Auditoren abtreten zu müssen.

Der Zeitplan hat sich im Jahr 2026 maßgeblich verschoben. EU-Gesetzgeber haben am 7. Mai 2026 eine politische Einigung erzielt, um die schwersten Hochrisikoverpflichtungen zu verschieben, wodurch Anhang-III-Systeme wie Bonitätsbewertung und Rekrutierung auf Dezember 2027 und produktintegrierte Systeme auf August 2028 verschoben werden, während Transparenzpflichten weiterhin im Jahr 2026 greifen.

Diese Verschiebung wirkt sich für zkML in beide Richtungen aus. Sie beseitigt die kurzfristige Compliance-Dringlichkeit, auf die Anbieter gezählt hatten, verschafft der Technologie aber auch Zeit zur Reifung, bevor die Fristen eintreffen, da die Proving-Kosten für wirklich risikoreiche Modelle heute noch unangenehm hoch sind.

Der tiefere Punkt ist, dass Regulierung Beweise anstelle von Behauptungen belohnt. Unabhängig davon, ob das Durchsetzungsdatum 2026 oder 2028 ist, müssen Organisationen letztendlich nachweisen, dass sich ein eingesetztes Modell wie dokumentiert verhalten hat, und mathematischer Beweis ist ein stärkeres Artefakt als eine Richtlinienbescheinigung.

zkML, digitale Identität und die Welle der Altersverifikation

Der größte reale Einsatz von zero-knowledge-Kryptographie findet überhaupt nicht im Krypto-Bereich statt. Er findet in der digitalen Identität statt, angetrieben durch Altersverifikationsmandate, die sich in Europa, UK und darüber hinaus ausbreiten.

Dies ist für zkML wichtig, weil es die Berechtigungs-Schienen, wallet-Infrastruktur und öffentliche Vertrautheit aufbaut, auf die verifizierbare KI letztendlich angewiesen sein wird, auch wenn die beiden Technologien unterschiedliche Probleme lösen.

Die globale ZK-Identitäts-Einführung

Die Europäische Kommission hat am 15. April 2026 eine kostenlose Open-Source-App zur Altersverifikation gelauncht, die auf zero-knowledge-proof-Kryptographie basiert, damit Benutzer nachweisen können, dass sie eine Altersgrenze überschreiten, ohne ihr Geburtsdatum oder ihre Identität preiszugeben. Sieben Mitgliedstaaten, darunter Frankreich, Italien und Spanien, verpflichteten sich zur Integration.

Die Infrastruktur darunter ist noch größer. Die überarbeitete eIDAS-Verordnung verlangt von jedem EU-Mitgliedstaat, bis Ende 2026 ein Digital Identity Wallet bereitzustellen und fördert explizit datenschutzfreundliche Kryptografie, während das britische Online Safety Act und der Digital Services Act den Durchsetzungsdruck liefern, der die Einführung nicht-optional macht.

Die Privatwirtschaft zog parallel dazu mit. Google integrierte die ZK-Altersverifikation in Google Wallet mit Bumble als Startpartner und stellte seine ZKP-Bibliotheken als Open Source zur Verfügung, während Microsoft Research Vega veröffentlichte, ein eigenes zero-knowledge-System für digitale Identitätsnachweise.

Wo zkML tatsächlich hinpasst

Ein wichtiger Unterschied sollte klar ausgesprochen werden, da er häufig verwischt wird. Der Nachweis, dass man über achtzehn ist, anhand eines signierten behördlichen Ausweises erfordert kein neuronales Netz. Es handelt sich also um zero-knowledge-Kryptographie, aber nicht um zkML. Die beiden teilen sich die Mathematik, nicht jedoch den Mechanismus.

Die echte Überschneidung liegt in der Altersabschätzung. Plattformen, die Verifizierungsvorgaben erfüllen müssen, stehen vor der Wahl zwischen einer AI-basierten Schätzung, die zwar die Privatsphäre wahrt, aber Menschen falsch einschätzt, und einem Dokumenten-Upload, der zwar genau ist, aber jeden Dienst in einen Honeypot für behördliche Ausweisdaten verwandelt. Microsoft Research bezeichnet dies als den Dilemma-Konflikt.

zkML ist genau das, was diesen Zielkonflikt auflöst. Ein Modell zur Altersabschätzung kann lokal auf dem Gerät eines Nutzers ausgeführt werden und einen Proof ausgeben, dass das offengelegte Modell auf einem echten Gesichtsscan fehlerfrei ausgeführt wurde. Die Plattform erfährt dadurch lediglich das boolesche Ergebnis, während das Bild, die biometrische Vorlage und die Modellgewichte das Smartphone niemals verlassen.

Chat Control und die Überwachungsdebatte

Dieselbe Kryptographie steht in den umstrittenen europäischen Vorschlägen zu Chat Control im Raum, bei denen die obligatorische Durchsuchung privater Nachrichten mit dem Kinderschutz begründet wurde. Client-seitiges Scanning und zkML versprechen beide eine Verifizierung ohne umfassende Offenlegung von Daten, was das Framing politisch wirksam macht.

Kritiker dieser Rahmenbedingungen argumentieren, dass eine datenschutzfreundliche Verifizierung die Nachfrage danach normalisiert, da ein System, das Nutzer wiederholt zur Offenlegung von Attributen auffordert, den Internetzugang umgestaltet, unabhängig davon, wie wenige Daten ein einzelner Proof preisgibt. Genau aus diesem Grund haben sich digitale Bürgerrechtsgruppen gegen die Verknüpfung von Altersprüfungen mit identity wallets gewehrt.

Für zkML fällt die Lektion unangenehm, aber nützlich aus. Kryptographische Verifizierbarkeit ist ein wahrhaft wirksames Datenschutzwerkzeug, das jedoch zugleich Compliance-Regime begünstigt. Die politische Bedeutung der Technologie hängt somit vollständig davon ab, wofür Institutionen einen Proof verlangen.

zkML im Vergleich zu anderen verifizierbaren AI-Ansätzen

zkML ist nicht der einzige Weg, um AI-Ergebnisse vertrauenswürdig zu machen, und häufig auch nicht der günstigste. Ein Blick auf die Alternativen verdeutlicht, wann sich ein kryptographischer Proof tatsächlich bezahlt macht:

• Trusted Execution Environments: TEEs führen Modelle in sicheren Hardware-Enklaven aus und bestätigen das Ergebnis, was einen weitaus geringeren Overhead bietet, jedoch Vertrauen in den Chiphersteller voraussetzt und anfällig für Seitenkanalangriffe bleibt.
• Optimistische Verifizierung: Systeme gehen davon aus, dass Berechnungen korrekt sind, und verlassen sich darauf, dass Herausforderer diese innerhalb eines Zeitfensters anfechten, was zwar günstig ist, aber Verzögerungen mit sich bringt und von aufmerksamen, ökonomisch motivierten Verifizierern abhängt.
• Konsensbasierte Re-Ausführung: Mehrere Nodes führen dieselbe Inferenz erneut aus und vergleichen die Ergebnisse. Das ist ein unkomplizierter Ansatz, der die Rechenkosten vervielfacht und weder die Privatsphäre der Eingaben noch die der Gewichte wahren kann.
• Vollständig homomorphe Verschlüsselung: FHE rechnet direkt mit verschlüsselten Daten, bietet starken Datenschutz, verursacht jedoch Performance-Overheads, die bei den meisten Workloads im Bereich des maschinellen Lernens inzwischen sogar zkML übertreffen.
• Föderiertes Lernen: Das Training findet lokal statt und es werden lediglich Updates ausgetauscht, wodurch Rohdaten geschützt werden, ohne nachzuweisen, dass ein Teilnehmer ehrlich gerechnet hat. Dies hinterlässt eine Integritätslücke, die zkML schließen kann.

Das wahrscheinlichste Ergebnis wird eher eine Kombination als ein einzelner Gewinner sein. Hybride Stacks, die ZK-Proofs mit verschlüsselter Berechnung koppeln, werden für hochsensible Cloud-Workloads bereits diskutiert, und TEEs könnten den Durchsatz bewältigen, während zkML die entscheidenden Weichenstellungen absichert.

Risiken und Einschränkungen

Die Garantien von zkML sind real, aber das sind seine Grenzen auch. In einem so frühen Stadium zählt eine ehrliche Einschätzung mehr als Enthusiasmus. Zu den Hauptbedenken gehören:

• Kosten-Overhead: Selbst bei etwa dem 10.000-Fachen einer nativen Inferenz bleibt die Beweiserstellung (Proving) für Sprachmodelle der Spitzenklasse viel zu teuer, was zkML auf kleinere, klar definierte Modelle in absehbarer Zukunft beschränkt.
• Genauigkeitsverlust: Die Quantisierung von Gleitkommagewichten in Finite-Feld-Ganzzahlen kostet typischerweise 0,5 % bis 2 % an Genauigkeit. Das ist ein akzeptabler Kompromiss für viele Aufgaben, schließt jedoch präzisionskritische Anwendungen aus.
• Zentralisierung der Prover: Die Erstellung von Proofs hängt zunehmend von GPU-Clustern und spezialisierter Hardware ab, wodurch Fähigkeiten bei kapitalstarken Betreibern konzentriert und die Dezentralisierung untergraben wird, der die Technologie eigentlich dienen soll.
• Implementierungsrisiko: Ein Proof bestätigt lediglich, dass ein Circuit korrekt ausgeführt wurde, und nicht etwa, dass dieser Circuit das gewünschte Modell fehlerfrei abbildet. Fehlerhafte Kompilierungen können daher zu selbstbewusst verifizierter Sinnlosigkeit führen.
• Mangel an Fachkräften: Der Bereich erfordert Personen, die sowohl in der Kryptographie als auch im maschinellen Lernen bewandert sind – eine überschneidende Nische, die die Unternehmensakzeptanz verlangsamt, unabhängig davon, wie gut die zugrundeliegenden Tools werden.
• Abkopplung des Token-Preises: Tokens für verifizierbare AI werden trotz wachsendem Proof-Volumen nahe Allzeittiefs gehandelt. Infrastrukturnutzung und Token-Wert haben sich somit entkoppelt, und Inhaber können nicht davon ausgehen, dass Adaption sich in Preisen niederschlägt.
• Konkurrierende Standards: Leichtere Agent-Trust-Frameworks könnten viele Verifizierungsanforderungen ohne kryptographischen Proof erfüllen und Anwendungsfälle abdecken, die eigentlich für zkML vorgesehen waren.
• Fragmentierung der Standards: Konkurrierende Beweissysteme und inkompatible Toolchains schränken die Interoperabilität ein, und ohne eine Annäherung könnte sich die Akzeptanz auf Ökosysteme aufsplitter, die die Arbeit der jeweils anderen nicht verifizieren können.

Fazit

zkML hat den Sprung von einer wissenschaftlichen Neugier zu funktionierender Infrastruktur geschafft. Eine vollständige GPT-2-Inferenz wurde nachgewiesen, mittelgroße Vision-Modelle beweisen sich in Sekunden, und der Overhead ist in etwa zwei Jahren um zwei Größenordnungen gesunken – eine schnellere Verbesserungskurve als die der allermeisten kryptografischen Primitiven.

Die ehrliche Einschränkung besteht darin, dass die Lücke zwischen dem Beweisbaren und dem Bereitgestellten weiterhin groß ist. Frontier-Modelle sind vier Größenordnungen von der wirtschaftlichen Reichweite entfernt, die Prover-Hardware konzentriert sich auf gut kapitalisierte Betreiber, und die Token des Sektors werden weit unter ihren Erwartungen aus der Finanzierungsära gehandelt, obwohl das Beweisvolumen steigt.

Das strategische Argument stützt sich darauf, wohin sich AI entwickelt, und nicht darauf, wo sie steht. Autonome Agenten beginnen, echtes Kapital zu bewegen, Regulierungsbehörden fordern ein nachweisbares Modellverhalten, und die zero-knowledge-Identitätsschienen, die jetzt in ganz Europa eingeführt werden, normalisieren klammheimlich den kryptografischen Beweis als alltägliche Infrastruktur. Für jeden, der die Konvergenz von AI und Krypto verfolgt, ist zkML die Ebene, auf der diese Bahnen aufeinandertreffen.