Was wäre, wenn dein Smartphone mehr könnte, als nur Apps auszuführen, Spiele zu spielen und im Internet zu surfen?
Was wäre, wenn es auch KI-Modelle ausführen und Unternehmen auf der ganzen Welt Rechenleistung bereitstellen könnte?
Genau daran arbeitet Acurast.
In seiner jüngsten technischen Demonstration zeigte Acurast, dass Qwen3.5-9B, ein KI-Modell mit 9 Milliarden Parametern, direkt auf Android-Smartphones mit 16 GB RAM laufen kann.
Und das Interessante daran ist, dass dafür weder ein herkömmlicher GPU-Server noch ein Cloud-Konto oder eine Docker-Umgebung erforderlich ist.
Warum ist das wichtig?
KI entwickelt sich rasant weiter, doch für den Betrieb leistungsstarker KI-Modelle ist in der Regel eine teure Infrastruktur erforderlich.
Unternehmen benötigen Server, GPUs, Strom und Cloud-Dienste, um ihre KI-Workloads zu bewältigen.
Acurast untersucht einen anderen Ansatz: Smartphones als verteilte Rechengeräte zu nutzen.
Anstatt vollständig auf zentralisierte Rechenzentren angewiesen zu sein, können Anwendungen Rechenleistung von mehreren Smartphones nutzen, die über das Acurast-Netzwerk verbunden sind.
Die Zahlen sind interessant
Acurast hat einige echte Testergebnisse veröffentlicht:
Qwen3.5-9B lief auf Android-Smartphones mit 16 GB RAM.
Das Modell begann etwa fünf Minuten nach der Bereitstellung, Anfragen zu bedienen.
Die schnellsten getesteten Smartphones erzeugten mit dem 9B-Modell bis zu 9,3 Token pro Sekunde.
Das kleinere 0.8B-Modell erreichte 92,8 Token pro Sekunde.
Bei einem umfangreicheren Skalierungstest kamen mehr als 100 Smartphones zum Einsatz.
Das sind tatsächliche Testergebnisse aus dem Netzwerk und kein rein theoretisches Konzept.
Wie sieht es mit den Kosten aus?
Auch das ist ein interessanter Aspekt.
Acurast gab für Geräte mit mindestens 12 GB RAM durchschnittliche Marktkosten von etwa 0,57 ACU pro Smartphone und Tag an.
Während des Tests lagen die Kosten für sofortiges Matching bei etwa 1,03 ACU pro Smartphone und Tag.
Zum Zeitpunkt des Tests entsprach das ungefähr 0,05 bis 0,10 US-Dollar.
Das könnte verteiltes mobiles Computing für bestimmte KI-Workloads zu einer interessanten Option machen.
Wo kann diese Technologie eingesetzt werden?
Es gibt mehrere praktische Anwendungsmöglichkeiten:
KI-gestützte Betrugserkennung.
Filterung von Betrugsnachrichten.
Automatisierung des Kundensupports.
Hintergrundprüfungen von Transaktionen.
Ausführung kleinerer KI-Modelle für verschiedene Anwendungen.
Für diese Aufgaben wird nicht immer das leistungsstärkste KI-Modell benötigt. Sie brauchen erschwingliche Rechenleistung, die viele Anfragen bewältigen kann.
Warum Acurast Aufmerksamkeit verdient
An Acurast finde ich besonders interessant, wie das Unternehmen dezentrales Computing angeht.
Das Ziel ist nicht einfach, eine weitere KI-Anwendung zu entwickeln.
Vielmehr wird eine Infrastruktur aufgebaut, in der Smartphones Rechenressourcen zu einem größeren Netzwerk beitragen können.
Der Einsatz von Trusted Execution Environments (TEEs) bietet außerdem eine wichtige zusätzliche Ebene hardwaregestützter Sicherheit und Vertraulichkeit.
Wenn die Nachfrage steigt, kann das Netzwerk weitere Smartphones hinzufügen, statt von einem einzelnen zentralisierten Rechenzentrum abhängig zu sein.
Natürlich sind Smartphones weiterhin durch ihre Hardware, ihren Speicher und ihre Verfügbarkeit eingeschränkt. Das bedeutet nicht, dass sie leistungsstarke GPUs bei jedem KI-Workload ersetzen werden.
Doch es zeigt, dass KI-Computing nicht immer auf herkömmliche Infrastruktur angewiesen sein muss.
Abschließende Gedanken
Wir treten in eine Zeit ein, in der KI und dezentrale Infrastruktur immer stärker miteinander verknüpft werden.
Ein Smartphone in der Tasche könnte möglicherweise Teil eines globalen Computing-Netzwerks werden.
Das ist eine interessante Entwicklung, und Acurast zeigt, wie sie in der Praxis aussehen könnte.
Die größere Frage lautet: Wie viel der zukünftigen KI-Infrastruktur kann von Geräten betrieben werden, die wir bereits besitzen?
Was meint ihr? Kann dezentrales Computing über Smartphones zu einem wichtigen Teil der KI-Branche werden?