Wie dezentrales KI-Training eine neue Anlageklasse für digitale Intelligenz schaffen wird

Frontier AI — die derzeit fortschrittlichsten universellen KI-Systeme in der Entwicklung — wird zu einer der strategisch und wirtschaftlich bedeutendsten Branchen weltweit, bleibt jedoch für die meisten Investoren und Entwickler weitgehend unzugänglich. Die Schulung eines wettbewerbsfähigen KI-Modells, vergleichbar mit denen, die von Privatnutzern häufig verwendet werden, kann heute Hunderte Millionen Dollar kosten, Zehntausende High-End-GPUs erfordern und ein Maß an operativer Raffinesse verlangen, das nur eine Handvoll Unternehmen leisten kann. Für die meisten Investoren, insbesondere Privatinvestoren, gibt es daher keinen direkten Weg, einen Anteil am Sektor der künstlichen Intelligenz zu besitzen.

Diese Einschränkung steht kurz vor der Änderung. Eine neue Generation dezentraler KI-Netzwerke bewegt sich vom Theorie- in den Produktionsmodus. Diese Netzwerke verbinden GPUs aller Art aus der ganzen Welt, von teurer High-End-Hardware über Consumer-Gaming-Rigs bis hin zum M4-Chip Ihres MacBooks, zu einem einzigen Trainingsverbund, der in der Lage ist, große, fortschrittliche Prozesse zu unterstützen. Für die Märkte ist entscheidend, dass diese Infrastruktur mehr leistet als nur die Koordination von Rechenleistung; sie koordiniert auch das Eigentum, indem sie Token an Teilnehmer ausgibt, die Ressourcen beisteuern, wodurch diese einen direkten Anteil an den KI-Modellen erhalten, die sie mitgestalten.

Dezentrales Training stellt einen echten Fortschritt im Stand der Technik dar. Das Training großer Modelle über nicht vertrauenswürdige, heterogene Hardware im offenen Internet galt bis vor Kurzem unter KI-Experten als unmöglich. Prime Intellect hat inzwischen jedoch dezentrale Modelle trainiert, die derzeit im Einsatz sind — eines mit 10 Milliarden Parametern (der schnelle, effiziente Allrounder, der schnell und leistungsfähig für alltägliche Aufgaben ist) und ein weiteres mit 32 Milliarden Parametern (der tiefgründige Denker, der komplexes Denken beherrscht und nuanciertere, anspruchsvollere Ergebnisse liefert).

Gensyn, ein dezentralisiertes Machine-Learning-Protokoll, hat verstärkendes Lernen demonstriert, das onchain verifizierbar ist. Pluralis hat gezeigt, dass das Training großer Modelle mit handelsüblichen GPUs (den Standard-Grafikkarten, die in Gaming-Computern und Verbrauchergeräten verwendet werden, anstelle von teuren Spezialchips) in einem Schwarm ein zunehmend praktikabler dezentraler Ansatz für das groß angelegte Pretraining ist, der grundlegenden Phase, in der KI-Modelle aus massiven Datensätzen lernen, bevor sie für spezifische Aufgaben feinjustiert werden.

Um es klarzustellen: Diese Arbeit ist nicht nur ein Forschungsprojekt – sie findet bereits statt. In dezentralen Trainingsnetzwerken „sitzt“ das Modell nicht in einem einzelnen Rechenzentrum eines Unternehmens. Stattdessen lebt es über das gesamte Netzwerk hinweg. Die Modellparameter sind fragmentiert und verteilt, was bedeutet, dass kein einzelner Teilnehmer das gesamte Asset besitzt. Beitragende stellen GPU-Rechenleistung und Bandbreite bereit und erhalten im Gegenzug Token, die ihren Anteil am resultierenden Modell widerspiegeln. Auf diese Weise dienen die Trainingsbeteiligten nicht nur als Ressourcen, sondern erwerben Beteiligungen und Eigentum an der KI, die sie erschaffen. Dies stellt eine völlig andere Ausrichtung dar als die in zentralisierten AI-Labors.

Hierbei wird die Tokenisierung integraler Bestandteil, der dem Modell eine ökonomische Struktur und einen Marktwert verleiht. Ein tokenisiertes KI-Modell funktioniert wie eine Aktie, wobei die Cashflows die Nachfrage nach dem Modell widerspiegeln. So wie OpenAI und Anthropic Nutzern den API-Zugang in Rechnung stellen, können dies auch dezentrale Netzwerke tun. Das Ergebnis ist eine neue Vermögensart: tokenisierte Intelligenz.

Anstatt in ein großes börsennotiertes Unternehmen zu investieren, das Modelle besitzt, können Anleger direkt Zugang zu Modellen erhalten. Netzwerke werden dies durch verschiedene Strategien umsetzen. Einige Token verleihen hauptsächlich Zugriffsrechte – Vorrang oder garantierte Nutzung der Fähigkeiten des Modells –, während andere explizit einen Anteil am Nettoumsatz nachverfolgen, der generiert wird, wenn Nutzer für die Ausführung von Abfragen über das Modell bezahlen. In beiden Fällen beginnen die Token-Märkte wie ein Aktienmarkt für Modelle zu funktionieren, wobei die Preise Erwartungen hinsichtlich der Qualität, Nachfrage und Nützlichkeit eines Modells widerspiegeln. Für viele Anleger könnte dies der direkteste Weg sein, finanziell am Wachstum der KI teilzuhaben.

Diese Entwicklung erfolgt nicht im luftleeren Raum. Die Tokenisierung dringt bereits in den finanziellen Mainstream vor, mit Plattformen wie Superstate und Securitize (die für 2026 den Börsengang planen), die Fonds und herkömmliche Wertpapiere onchain bringen. Strategien für reale Vermögenswerte sind mittlerweile ein populäres Thema unter Regulierungsbehörden, Vermögensverwaltern und Banken. Tokenisierte KI-Modelle passen natürlich in diese Kategorie: Sie sind digital natives, für jedermann mit Internetzugang unabhängig vom Standort zugänglich, und ihre Kernwirtschaftsaktivität – die Berechnung zur Inferenz, also der Vorgang, Abfragen durch ein trainiertes Modell zu laufen, um Antworten zu erhalten – ist bereits automatisiert und wird durch Software nachvollziehbar gemacht. Unter allen tokenisierten Vermögenswerten könnten kontinuierlich verbesserte KI-Systeme am dynamischsten sein, da Modelle im Laufe der Zeit aufgerüstet, neu trainiert und verbessert werden können.

Dezentrale KI-Netzwerke sind eine natürliche Erweiterung der These, dass Blockchains Gemeinschaften ermöglichen, digitale Vermögenswerte gemeinsam zu finanzieren, zu entwickeln und zu besitzen – auf eine Weise, die zuvor nicht möglich war. Zuerst kam das Geld, dann Finanzkontrakte, anschließend reale Vermögenswerte. KI-Modelle sind die nächste digital native Anlageklasse, die organisiert, besessen und onchain gehandelt wird. Unserer Ansicht nach wird die Schnittstelle von Krypto und KI nicht auf „KI‑thematische Token“ beschränkt sein; sie wird in tatsächlichen Modellumsätzen verankert sein, unterstützt durch messbare Rechenleistung und Nutzung.

Es ist noch früh. Die meisten dezentralen Trainingssysteme befinden sich in aktiver Entwicklung, und viele Token-Designs werden technische, wirtschaftliche oder regulatorische Prüfungen nicht bestehen. Doch die Richtung ist klar: Die dezentralen KI-Trainingsnetzwerke werden sich zu einer liquiden, global koordinierten Ressource entwickeln. KI-Modelle werden durch Token teilbar, besitzbar und handelbar. Mit der Reifung dieser Netzwerke werden Märkte nicht nur Unternehmen bewerten, die Intelligenz aufbauen; sie werden die Intelligenz selbst bewerten.