AI-Geschäfte nicht profitabel? DeAI-Dämmerung ist bereits sichtbar.

Verfasst von: Zhang Feng

Künstliche Intelligenz (KI) ist zweifellos der heißeste Technologietrend weltweit, und KI-Technologien transformieren Branchen in einem bisher ungekannten Tempo. Doch hinter dem Lärm des Erfolgs verbirgt sich eine grausame Realität: Die Mehrheit der KI-Unternehmen, insbesondere Startups, hat keinen stabilen, nachhaltigen Gewinnweg gefunden. Sie stecken in der Zwickmühle fest, in der technologische Blüte und wirtschaftliche Verluste koexistieren.

Warum “Verluste machen, um Werbung zu machen”?

Die Gewinnproblematik im AI-Geschäft resultiert nicht aus dem Scheitern der Technologie selbst, sondern aus dem zentralisierten Entwicklungsmodell, das zu strukturellen Widersprüchen führt. Konkret lässt es sich auf die folgenden drei Hauptgründe zurückführen:

Extrem zentrale Konzentration: exorbitante Kosten und Oligopol. Die aktuellen Mainstream-AIs, insbesondere große Modelle, sind typische „kapitalintensive“ Industrien. Der Trainings- und Inferenzprozess erfordert massive Mengen an Rechenleistung (GPU), Speicher und Strom. Dies führt zu einer Polarisation: Auf der einen Seite stehen technologieorientierte Giganten mit starkem Kapital (wie Google, Microsoft, OpenAI), die bereit sind, Hunderte von Millionen oder sogar Milliarden Dollar zu investieren; auf der anderen Seite stehen zahlreiche Start-ups, die gezwungen sind, den Großteil ihrer Finanzierung an Cloud-Anbieter abzugeben, um Rechenleistung zu erhalten, was ihre Gewinnmargen stark einschränkt. Dieses Modell hat ein „Rechenleistung-Oligopol“ geschaffen, das die Innovationskraft erstickt. Zum Beispiel war selbst OpenAI in seinen frühen Entwicklungsphasen stark auf die massiven Investitionen von Microsoft und die Azure-Cloud-Ressourcen angewiesen, um die Forschung und den Betrieb von ChatGPT zu unterstützen. Für die überwiegende Mehrheit der Akteure macht die hohe fixe Kostenstruktur es schwierig, eine rentable Skalierung zu erreichen.

Datenkrise: Qualitätsbarrieren und Datenschutzrisiken. Der Treibstoff für KI sind Daten. Zentralisierte KI-Unternehmen stehen oft vor zwei großen Herausforderungen, um qualitativ hochwertige und umfangreiche Trainingsdaten zu erhalten. Erstens sind die Kosten für die Datenerhebung hoch. Ob durch bezahlte Erhebung, Datenannotation oder die Nutzung von Benutzerdaten, es sind erhebliche finanzielle und zeitliche Investitionen erforderlich. Zweitens bestehen erhebliche Risiken in Bezug auf Datenschutz und Compliance. Mit der Verschärfung der globalen Datenschutzgesetze (wie GDPR, CCPA) kann das Sammeln und Verwenden von Daten ohne ausdrückliche Genehmigung der Benutzer jederzeit rechtliche Klagen und hohe Geldstrafen nach sich ziehen. Zum Beispiel hatten mehrere bekannte Technologieunternehmen aufgrund von Datenverwendungsproblemen mit hohen Geldstrafen zu kämpfen. Dies schafft ein Paradoxon: Ohne Daten kann KI nicht entwickelt werden, aber die Beschaffung und Nutzung von Daten gestaltet sich als äußerst schwierig.

Ungleichgewicht in der Wertverteilung: Beitragende und Schöpfer werden von den Erträgen ausgeschlossen. In der aktuellen KI-Ökonomie ist die Wertverteilung äußerst unfair. Das Training von KI-Modellen hängt von den Verhaltensdaten ab, die von unzähligen Nutzern generiert werden, von Inhalten (Texten, Bildern, Code usw.), die von Schöpfern produziert werden, sowie von Open-Source-Code, der von Entwicklern weltweit beigetragen wird. Dennoch können diese zentralen Beitragenden kaum von dem enormen wirtschaftlichen Wert profitieren, den KI-Modelle schaffen. Dies ist nicht nur ein ethisches Problem, sondern auch ein nicht nachhaltiges Geschäftsmodell. Es demotiviert Datenbeitragende und Inhaltsschöpfer und untergräbt langfristig die Grundlage für die kontinuierliche Optimierung und Innovation der KI-Modelle. Ein typischer Fall ist, dass viele Künstler und Schriftsteller KI-Unternehmen beschuldigen, ihre Werke für das Training zu verwenden und damit Profit zu schlagen, ohne jegliche Entschädigung zu bieten, was zu weitreichenden Kontroversen und Rechtsstreitigkeiten geführt hat.

Zwei, neues Gewinnparadigma

DeAI (Dezentralisierte KI) ist keine einzelne Technologie, sondern ein neues Paradigma, das Blockchain, Kryptographie und verteiltes Rechnen integriert. Ziel ist es, durch eine dezentralisierte Herangehensweise die Produktionsverhältnisse der KI neu zu gestalten, um gezielt die oben genannten drei großen Schmerzpunkte zu lösen und Möglichkeiten zur Profitabilität zu eröffnen.

DeAI verteilt die Rechenleistungsnachfrage über ein “Crowdsourcing”-Modell auf ungenutzte Knotenpunkte weltweit (wie Personal Computer, Rechenzentren usw.). Dies ähnelt “Airbnb für GPUs” und bildet einen globalen, wettbewerbsorientierten Markt für Rechenleistung, der die Kosten für Rechenleistung erheblich senken kann. Teilnehmer erhalten Token-Anreize für ihren Beitrag zur Rechenleistung und erreichen so eine optimierte Ressourcenverteilung.

DeAI nutzt Technologien wie “Federated Learning” und “Homomorphic Encryption”, um “Daten unverändert, Modelle beweglich” zu erreichen. Es ist nicht erforderlich, die ursprünglichen Daten an einem Ort zu sammeln, sondern das Modell wird an die verschiedenen Datenquellen verteilt, um lokal zu trainieren, wobei nur die verschlüsselten Parameteraktualisierungen aggregiert werden. Dies schützt grundlegend die Datenprivatsphäre und nutzt gleichzeitig legal und konform den dezentralen Datenwert. Datenbesitzer können selbst entscheiden, ob sie Daten bereitstellen und daraus profitieren möchten.

DeAI hat durch „Token-Ökonomie“ und „Smart Contracts“ ein transparentes und faires Wertverteilungssystem aufgebaut. Datenbeitragsleister, Rechenleistungserbringer, Modellentwickler und sogar Modellnutzer können basierend auf ihrem Beitrag automatisch durch Smart Contracts entsprechende Token-Belohnungen erhalten. Dies verwandelt KI von einer „Black Box“, die von Giganten kontrolliert wird, in eine offene Wirtschaft, die von der Gemeinschaft gemeinsam aufgebaut, verwaltet und geteilt wird.

Drei, Transformation der dreischichtigen Architektur

Die Migration traditioneller zentralisierter KI-Geschäfte zum DeAI-Paradigma erfordert eine systematische Rekonstruktion auf technischer, geschäftlicher und governance Ebene.

(1) Technische Rekonstruktion von zentralisiert zu dezentralisiert

Die Compute-Ebene stützt sich auf dezentrale physische Infrastruktur-Netzwerke (DePIN) Projekte wie Akash Network, Render Network usw., um flexible, kostengünstige verteilte Rechenpools aufzubauen, die traditionelle zentralisierte Cloud-Dienste ersetzen.

Die Datenschicht verwendet föderiertes Lernen als Kerntrainingsrahmen, kombiniert mit kryptografischen Techniken wie homomorpher Verschlüsselung und sicherem Mehrparteiencomputing, um die Datenprivatsphäre und -sicherheit zu gewährleisten. Es wird ein blockchain-basierter Datenmarkt geschaffen, wie Ocean Protocol, um den Handel mit Daten unter den Bedingungen der Eigentumsrechte und Sicherheit zu ermöglichen.

Die Modellebene setzt das trainierte AI-Modell in Form eines „AI Smart Contracts“ auf der Blockchain um, wodurch es transparent, überprüfbar und ohne Erlaubnis abrufbar wird. Jede Nutzung des Modells und die daraus resultierenden Erträge können genau aufgezeichnet und verteilt werden.

(2) Geschäftsumstrukturierung vom Verkaufsservice zur gemeinschaftlichen Ökosystementwicklung

Von SaaS zu DaaS (Data as a Service) und MaaS (Model as a Service) verkaufen Unternehmen nicht mehr nur API-Aufrufe, sondern fungieren als Baumeister eines Ökosystems, indem sie funktionale Token oder Governance-Token ausgeben, um die Community zur Teilnahme am Netzwerkaufbau zu motivieren. Die Einnahmequellen erweitern sich von einer einzigen Servicegebühr auf Token-Wertsteigerungen und Transaktionsgebühren-Dividenden, die durch das Wachstum des ökologischen Wertes entstehen.

Daher wird eine dezentrale Aufgabenplattform aufgebaut, um Aufgaben wie Datenannotation, Modellanpassung und die Entwicklung spezifischer Anwendungsszenarien in Form von “Belohnungen” zu veröffentlichen, die von Mitgliedern der globalen Gemeinschaft übernommen und belohnt werden, was die Betriebskosten erheblich senkt und die Innovationskraft anregt.

(3) Von der Unternehmensstruktur zur Governance-Rekonstruktion von DAOs

Basierend auf der Community-Governance haben die Teilnehmer der Gemeinschaft (Beitragende, Nutzer), die Governance-Token halten, das Recht, über wichtige Entscheidungen abzustimmen, wie z.B. die Richtung der Anpassung von Modellparametern, die Verwendung von Staatskassenmitteln, die Priorität der Entwicklung neuer Funktionen usw. Dies ermöglicht ein echtes „Der Nutzer ist der Eigentümer“.

Basierend auf Offenheit und Transparenz werden alle Codes, Modelle (teilweise Open Source), Transaktionsaufzeichnungen und Governance-Entscheidungen auf der Blockchain festgehalten, um den Prozess öffentlich und transparent zu gestalten und ein vertrauensfreies Zusammenarbeitsverhältnis aufzubauen. Dies ist an sich ein starkes Markenvermögen und eine Vertrauensgarantie.

Als Beispiel für die Transformation von einer traditionellen Logistikdatenplattform zu DeAI liegt das Dilemma der traditionellen Logistikdatenplattform darin, dass sie zwar Daten aus verschiedenen Bereichen wie Seefracht, Landtransport und Lagerung bündelt, die Teilnehmer jedoch aufgrund der Sorge um die Offenlegung von Geschäftsgeheimnissen “nicht bereit sind, zu teilen”, was zu Dateninseln führt und den Wert der Plattform begrenzt. Der Kern der Transformation zu DeAI besteht darin, den Datenwert freizusetzen und faire Anreize zu schaffen, ohne die Rohdaten offenzulegen:

Technisch den Aufbau eines vertrauenswürdigen Rechenzentrums. Die Plattform speichert Daten nicht mehr zentral, sondern transformiert sich in eine blockchain-basierte Koordinationsschicht. Durch den Einsatz von Technologien wie föderiertem Lernen werden KI-Modelle „abgeworfen“ auf die lokalen Server verschiedener Unternehmen (wie Reedereien, Lagerhäuser) zur Schulung, wobei nur die verschlüsselten Parameteraktualisierungen aggregiert werden, um das globale Vorhersagemodell (wie die Ankunftszeit von Frachtschiffen, das Risiko der Überfüllung von Lagerhäusern) gemeinsam zu optimieren, wodurch „Daten unbewegt, Wert bewegt“ wird.

Die Umsetzung von Datenververmögen und Token-Anreizen im Geschäft. Die Ausgabe von plattformbasierten Nutzungs-Punkten, wobei Logistikunternehmen durch die Bereitstellung von Daten (Modellparametern) “Mining” betreiben, um Punktebelohnungen zu erhalten. Die Endkunden (wie z.B. Frachtführer) zahlen Tokens, um hochpräzise “Vorhersageergebnisse” (z.B.: die Pünktlichkeit einer bestimmten Route in der kommenden Woche) abzurufen, anstatt Rohdaten zu kaufen. Die Einnahmen werden automatisch über Smart Contracts an die Datenbeitragsleister verteilt.

In der Governance wird ein Industrie-DAO aufgebaut, bei dem entscheidende Entscheidungen (wie die Entwicklung neuer Funktionen und die Anpassung von Gebühren) gemeinsam von den Token-Inhabern (d.h. den Kernteilnehmern) abgestimmt werden, um die Plattform von einer privat geführten Firma in eine Industrie-Community zu verwandeln.

Die Plattform hat sich von einer zentralisierten Institution, die versucht, Datenvermittlungsgebühren zu erheben, zu einem Nervensystem gewandelt, das die gesamte Logistikbranche gemeinsam aufbaut, gemeinsam verwaltet und gemeinsam teilt. Durch die Lösung des Vertrauensproblems wurde die Effizienz der branchenübergreifenden Zusammenarbeit und die Fähigkeit zur Risikominimierung erheblich gesteigert.

IV. Compliance und Sicherheit

Obwohl die Perspektiven von DeAI vielversprechend sind, befindet sich seine Entwicklung noch in der frühen Phase und steht vor einer Reihe von nicht zu ignorierenden Herausforderungen.

Compliance und rechtliche Unsicherheit. In Bezug auf Datenvorschriften müssen auch bei Modellen wie federated Learning, selbst wenn die Daten nicht bewegt werden, die Anforderungen der GDPR hinsichtlich “Zweckbindung”, “Datenminimierung” und der Benutzerrechte (wie dem Recht auf Vergessenwerden) strikt eingehalten werden. Die Projektträger müssen ein konformes Datenautorisierungs- und Austrittsmechanismus entwerfen.

Im Bereich der Wertpapiergesetzgebung werden die von Projekten ausgegebenen Tokens von Regulierungsbehörden in vielen Ländern (wie der SEC der Vereinigten Staaten) leicht als Wertpapiere eingestuft, was zu strengen regulatorischen Prüfungen führen kann. Wie man rechtliche Risiken bei der Gestaltung von Token-Ökonomiemodellen vermeidet, ist der Schlüssel zum Überleben des Projekts.

Im Hinblick auf die Verantwortung für Inhalte, wer ist verantwortlich, wenn ein auf der Blockchain bereitgestelltes DeAI-Modell schädliche, voreingenommene oder illegale Inhalte erzeugt? Sind es die Entwickler des Modells, die Anbieter von Rechenleistung oder die Inhaber von Governance-Token? Dies bringt neue Herausforderungen für das bestehende Rechtssystem mit sich.

In Bezug auf Sicherheits- und Leistungsherausforderungen könnte die Modellsicherheit, die auf öffentlichen Blockchains bereitgestellt wird, neuen Angriffvektoren ausgesetzt sein, wie etwa der Ausnutzung von Schwachstellen in Smart Contracts oder böswilligen Angriffen auf föderierte Lernsysteme durch Manipulation von Daten.

Leistungsengpässe beziehen sich auf die Transaktionsgeschwindigkeit (TPS) und die Speicherkapazität der Blockchain selbst, die möglicherweise hochfrequente, latenzarme Anfragen für große Modelle nicht unterstützen kann. Dies erfordert eine effektive Kombination von Layer-2-Skalierungslösungen und Off-Chain-Berechnungen.

Die Effizienz der Zusammenarbeit bedeutet, dass verteilte Zusammenarbeit zwar fair ist, aber die Entscheidungs- und Ausführungseffizienz möglicherweise unter der zentralisierten Unternehmen liegt. Wie man ein Gleichgewicht zwischen Effizienz und Fairness findet, ist eine Kunst, die die DAO-Governance weiterhin erkunden muss.

DeAI als eine Revolution der Produktionsverhältnisse hat durch verteilte Technologien, Token-Ökonomie und Gemeinschaftsverwaltung das Potenzial, die Monopole der großen Unternehmen zu brechen, ungenutzte Rechenleistung und Datenwerte weltweit freizusetzen und ein gerechteres, nachhaltigeres und möglicherweise profitableres neues AI-Ökosystem zu schaffen.

Fünf, aktuelle Erkundungsrichtungen

Die aktuelle Entwicklung von KI-Tools ist noch weit davon entfernt, die ideale dezentralisierte künstliche Intelligenz zu erreichen. Derzeit befinden wir uns immer noch in einer frühen Phase, die von zentralisierten Diensten dominiert wird, aber einige Erkundungen haben bereits die zukünftige Richtung aufgezeigt.

Aktuelle Erkundungen und zukünftige Herausforderungen. Obwohl das ideale DeAI noch nicht erreicht ist, gibt es bereits wertvolle Versuche in der Branche, die uns helfen, den zukünftigen Weg und die zu überwindenden Hindernisse klarer zu sehen.

Als Prototyp für die Zusammenarbeit von Multi-Agenten-Systemen. Einige Projekte erkunden den Aufbau einer Umgebung, in der KI-Agenten miteinander kooperieren und gemeinsam evolvieren. Das AMMO-Projekt zielt beispielsweise darauf ab, ein “Symbiose-Netzwerk zwischen Mensch und KI” zu schaffen, dessen entworfenes Multi-Agenten-Framework und RL Gyms-Simulationsumgebung es KI-Agenten ermöglichen, in komplexen Szenarien zu lernen, zu kooperieren und zu konkurrieren. Dies kann als ein Versuch angesehen werden, die grundlegenden Interaktionsregeln der DeAI-Welt zu schaffen.

Ein weiteres Beispiel ist der erste Versuch eines Anreizmodells. In der Vorstellung von DeAI sollten die Benutzer, die Daten beitragen, und die Knoten, die Rechenleistung bereitstellen, eine faire Vergütung erhalten. Einige Projekte versuchen, durch ein auf Krypto basierendes Anreizsystem den Wert direkt an die Beitragenden des Ökosystems umzuverteilen. Natürlich bleibt die Frage, wie dieses Wirtschaftsmodell in großem Maßstab, stabil und fair funktionieren kann, eine große Herausforderung.

Ein weiteres Beispiel für eine autonomere KI: Produkte der Kategorie Deep Research zeigen die starke Autonomie von KI bei spezifischen Aufgaben (wie Informationsbeschaffung und Analyse). Sie können eigenständig planen, mehrstufige Operationen ausführen und Ergebnisse iterativ optimieren. Diese Automatisierungsfähigkeit von Aufgaben ist die Grundlage für das unabhängige Arbeiten von KI-Agenten im zukünftigen DeAI-Netzwerk.

Für AI-Praktiker, die im Roten Meer kämpfen, ist es besser, mutig das neue Blaue Meer DeAI zu umarmen, als sich im alten Paradigma zu verstricken. Dies ist nicht nur ein Wechsel der technischen Richtung, sondern auch eine Neugestaltung der Geschäftsprinzipien – von “Ausbeutung” zu “Anreiz”, von “geschlossen” zu “offen”, von “Monopolgewinnen” zu “inklusiveem Wachstum”.