Tokenisierungs-Illusion: Vitalik hält „KI-Unterstützung für Crypto“ für vielversprechender

Verfasst von: Lao Bai

Nach zwei Jahren meldet sich V wieder auf Twitter. Ich möchte ebenfalls auf die gleiche Analyse von vor zwei Jahren eingehen, denn sogar die Zeit ist identisch – der 10. Februar.

Vor zwei Jahren hatte V神 bereits indirekt angedeutet, dass er unsere damals populären Crypto Helps AI nicht besonders unterstützt. Zu jener Zeit waren die drei dominierenden Trends im Krypto-Bereich die Assetisierung von Rechenleistung, Daten und Modellen. Mein damaliger Forschungsbericht konzentrierte sich auf diese drei Trends und hinterfragte einige beobachtete Phänomene im Primärmarkt. Aus V神s Sicht bevorzugt er jedoch weiterhin AI Helps Crypto.

Er nannte damals einige Beispiele:

AI als Teilnehmer im Spiel;

AI als Spieloberfläche;

AI als Spielregeln;

AI als Spielziel;

In den letzten zwei Jahren haben wir zahlreiche Versuche im Bereich Crypto Helps AI unternommen, doch die Ergebnisse waren gering. Viele Projekte und Sektoren endeten nur mit der Ausgabe eines Tokens, ohne echtes kommerzielles PMF – ich nenne das die „Tokenisierungs-Illusion“.

1. Assetisierung von Rechenleistung – Die meisten können keinen kommerziellen SLA bieten, sind unstabil, fallen häufig aus. Sie können nur einfache mittelgroße Modelle inferenzieren, bedienen meist Edge-Märkte, und die Einnahmen sind nicht an den Token gekoppelt…

2. Assetisierung von Daten – Die Angebotsseite (Privatanwender) ist durch hohe Friktionen und geringe Bereitschaft gekennzeichnet, die Unsicherheit ist hoch. Die Nachfrage (Unternehmen) benötigt strukturierte, kontextabhängige Daten von vertrauenswürdigen, rechtlich verantwortlichen Anbietern. DAO-basierte Web3-Projekte können das kaum liefern.

3. Assetisierung von Modellen – Modelle sind per se keine knappen, sondern replizierbare, feinjustierbare und schnell an Wert verlierende Assets. Sie sind eher Prozesse als Endprodukte. Hugging Face ist eine Plattform für Zusammenarbeit und Verbreitung, eher vergleichbar mit GitHub für ML als einem App Store für Modelle. Daher sind Versuche, Modelle via „Dezentralisierung à la Hugging Face“ zu tokenisieren, meist gescheitert.

Außerdem haben wir in den letzten zwei Jahren verschiedene „verifizierbare Inferenz“ansätze ausprobiert – eine typische Geschichte des „mit dem Hammer nach dem Nagel suchen“. Von ZKML über OPML bis hin zu Gaming Theory und sogar EigenLayer, das seine Restaking-Story in verifizierbare KI umwandelt.

Doch das ähnelt den Entwicklungen im Restaking-Sektor – nur wenige AVS sind bereit, für zusätzliche sichere Verifizierungen dauerhaft zu bezahlen.

Ebenso ist verifizierbare Inferenz meist nur eine Bestätigung von „Dingen, die niemand wirklich verifizieren muss“. Das Bedarfsmodell ist äußerst vage – wer soll hier eigentlich geschützt werden?

Fehlerhafte KI-Ausgaben (Modellfähigkeiten) treten viel häufiger auf als böswillige Manipulationen (Adversarial Attacks). Kürzlich haben wir Sicherheitsvorfälle bei OpenClaw und Moltbook gesehen. Die eigentlichen Probleme liegen in:

Fehlerhafte Strategien bei der Gestaltung

Zu viele Berechtigungen

Unklare Grenzen

Unvorhergesehene Interaktionen zwischen Tools

…

„Modellmanipulation“ oder „Manipulation des Inferenzprozesses“ sind kaum realistische Szenarien.

Letztes Jahr habe ich dieses Diagramm veröffentlicht – vielleicht erinnern sich einige Leser daran.

V神s aktuelle Ansätze sind deutlich ausgereifter als vor zwei Jahren, was auch auf Fortschritte in Privatsphäre, X402, ERC8004, Prediction Markets und anderen Bereichen zurückzuführen ist.

Sein aktueller Rahmen teilt die vier Quadranten in zwei Gruppen: eine Hälfte ist AI Helps Crypto, die andere Crypto Helps AI – im Gegensatz zu vor zwei Jahren, als die Priorität noch klar auf ersterem lag.

Oben links und unten links – Nutzung der Dezentralisierung und Transparenz von Ethereum, um Vertrauen und wirtschaftliche Zusammenarbeit bei AI zu fördern:

1. Vertrauenslose und private AI-Interaktion ermöglichen (Infrastruktur + Überleben): Einsatz von ZK, FHE und ähnlichen Technologien, um Privatsphäre und Verifizierbarkeit bei AI-Interaktionen sicherzustellen (ob das auch Verifizierbarkeit im Sinne von vorher erwähntem verifizierbarem Inferenz ist?).

2. Ethereum als wirtschaftliche Schicht für AI (Infrastruktur + Wohlstand): AI-Agenten sollen durch Ethereum Zahlungen abwickeln, andere Bots rekrutieren, Sicherheiten hinterlegen oder Reputation aufbauen können, um eine dezentrale AI-Architektur zu schaffen, die nicht auf eine einzelne Plattform beschränkt ist.

Rechts oben und rechts unten – Nutzung der KI-Intelligenz, um die Nutzererfahrung, Effizienz und Governance im Krypto-Ökosystem zu verbessern:

3. Cypherpunk-Mountain-Man-Vision mit lokalen LLMs (Einfluss + Überleben): AI als „Schild“ und Schnittstelle für Nutzer. Lokale LLMs können Smart Contracts automatisch prüfen, Transaktionen verifizieren und so die Abhängigkeit von zentralisierten Frontends verringern, um die digitale Souveränität zu sichern.

4. Bessere Märkte und Governance realisieren (Einfluss + Wohlstand): AI soll tief in Prediction Markets und DAO-Governance eingebunden werden. Durch die Verarbeitung großer Datenmengen kann AI menschliche Urteilsfähigkeit erweitern, Entscheidungsprozesse beschleunigen und Probleme wie Aufmerksamkeit, hohe Kosten, Informationsüberflutung und Abstimmungsmüdigkeit lösen.

Früher wollten wir Crypto helfen, AI zu verbessern. V神 steht auf einer anderen Seite. Jetzt treffen wir uns endlich in der Mitte – allerdings scheint das eher mit verschiedenen Tokenisierungsansätzen oder AI Layer1-Ansätzen zu tun zu haben, die wenig mit den vorherigen Themen zu tun haben. Ich hoffe, in zwei Jahren auf einen Rückblick auf diesen Beitrag, der neue Richtungen und Überraschungen offenbart.