Ich bin auf dem Weg zur Arbeit am Morgen über einen Post gestolpert: Jemand beschwerte sich, dass er vor einem halben Jahr in einer gewissen Großfirma KI unbedacht eine Produktidee hingeschrieben habe und sie jetzt 1:1 wieder als Fallbeispiel zurückbekommen habe. Im Kommentarbereich wurde am laufenden Band Daten-„Abgreifen“ (ohne zu zahlen/ohne Gegenleistung) geschimpft. Ich hab nicht mitgeschimpft. Als ich dann im Büro war, öffnete ich die Private Inference mit @OpenGradient , um zu sehen, ob das, was es behauptet, nur eine Zusicherung in den AGB ist – oder ob es wirklich eine darunterliegende Mechanik gibt, die diesen Weg dichtmacht. $pivx
Ich habe eine Passage mit klar erkennbaren Fingerprints aus einem erfundenen Businessplan ausgewählt, sie in der Private Inference durch vier unterschiedliche Formulierungen ersetzt und über drei Runden laufen lassen. Zwölf Anfragen, bei jeder Gelegenheit wurden nebenbei Knoten geloggt, um die Protokolle zu sichern, und ich habe geprüft, ob der Prompt im Original wirklich nicht auf die Platte geschrieben wird. Das Ergebnis war konsistent: Auf der Knoten-Seite bleibt nur ein Hash der verschlüsselten Nutzlast und eine einmalige Sitzungskennung zurück; Klartext tauchte niemals außerhalb des TEE-Sandbox-„Enklaves“ (Trusted Execution Environment) auf. In dem Moment, in dem die Daten die Enklave verlassen, wird der Speicher geleert; in den Logs gibt es keine Felder, mit denen sich der Prompt rückwirkend zu einem Trainingsdatensatz zusammensetzen ließe.
In den öffentlichen Diskussionen über Private Inference ist der Blick der meisten Leute fast ausschließlich an dem emotionalen Punkt „nicht abzocken“ festgenagelt. Was OpenGradient jedoch wirklich tut, ist kälter kalkuliert: Es zieht „nicht trainieren“ aus den Nutzervereinbarungen heraus und macht daraus eine physische Route, die gemeinsam durch Hardware und Kryptographie garantiert wird. Das TEE entscheidet, dass Klartext hereinkommt, aber nicht wieder herauskommt. Oblivious HTTP schneidet Identität und Herkunft ab, und die Verification Layer stellt nachträglich signierte, öffentlich überprüfbare Ausführungsbelege aus. Die AGB können geändert werden – diese Route nicht. $SYRUP
Auch die Kennzahlen werden entsprechend verschoben. Ich schaue nicht darauf, wie viele Datenschutz-Prompts OpenGradient abarbeitet, sondern auf eine Abweichung gegen den Konsens: Wie viele Belege können täglich unter einer Prüfung durch Dritte so rekonstruiert werden, dass sie den Ausführungsweg wiedergeben – und dabei beweisen, dass es keinerlei Cache oder Rückfluss gibt. Das eine misst die Popularität, das andere misst, ob diese „Anti-Abzock“-Barriere wirklich tragfähig ist.
Wenn $OPG nur die Gebühr für einmalige Datenschutz-Inference übernimmt, ist es eher ein verschlüsselter Token zur Abrechnung von Bandbreite; aber wenn in Zukunft TEE-Knoten hinterlegt werden, Belege ausgegeben werden, bei Verstößen gepfändet wird, Trainingsdatenabflüsse in einer Schiedsinstanz zusammenlaufen und Benutzerentschädigungen sich darum herum als geschlossener Kreislauf bilden, dann ist es nicht mehr nur Abrechnungs-Token, sondern die Trust-Hinterlegungs-Einheit für genau dieses Anti-Abzock-„Inference“-Netzwerk.
Keine Eile mit Schlussfolgerungen. Es braucht Zeit, „nicht trainieren“ in einen verifizierbaren Pfad zu verwandeln; ich bin bereit, OpenGradient im Mainnet und die später von den beteiligten Integratoren übergebenen Muster weiter zu beobachten. #opg