The Future of AI Compute Shouldn't Depend on One Provider
Building an AI application is already challenging. Developers also have to think about where their workloads run, how much computing capacity they need, and what happens when their infrastructure choices become limiting.
This is where decentralized compute becomes interesting.
@Fluence is working toward a model where computing resources can be accessed through a decentralized network rather than relying entirely on one centralized provider.
I think this matters because the future of AI shouldn't just be about building bigger models. It should also be about giving developers more choices over the infrastructure powering those models.
More flexibility in compute will make a difference as AI workloads become more demanding.
The infrastructure behind AI deserves just as much attention as the AI itself.
If you're going to NVIDIA GTC DC, don't miss this one.
@Fluence is hosting Blackwell Evening on Dec 1, 5:30 PM - 11 PM, just a 10 minute walk from the main venue. And you don't even need a GTC badge to enter.
It's for GPU buyers, sellers, and operators - talk real B200, B300, and GB300 pricing, availability, and capacity, plus network with people who actually run compute.
Plus: bites, drinks, and great conversation.
Fluence is bridging the gap between decentralized compute and enterprise demand. This is not just an event, it's where the deals happen.
Für dieselbe Rechenleistung ist Fluence: 5,5-mal günstiger als Hetzner 12,4-mal günstiger als DigitalOcean 21-mal günstiger als AWS
Fluence baut einen dezentralen Marktplatz für Rechenleistung auf, auf dem jeder CPU-Leistung anbieten kann und Entwickler nur für das bezahlen, was sie nutzen. Kein Monopolaufschlag. Keine Markensteuer.
AWS, DigitalOcean und Hetzner sind zentralisiert, teuer und werden von wenigen Unternehmen kontrolliert. Fluence ist offen, erlaubnisfrei und wird vom Markt bepreist.
Wenn DePIN erfolgreich sein soll, dann zuerst beim Preis und anschließend bei der Dezentralisierung. Beim Preis ist Fluence bereits führend.
Zahlst du immer noch 53,50 $, obwohl du dieselbe Leistung für 2,54 $ bekommen kannst?
Schreib deine Meinung unten in die Kommentare. Ist dezentrale Rechenleistung das nächste große DePIN-Thema?
Das verändert den Zugang zu GPU-Rechenleistung und deren Preisgestaltung.
Anstelle fester Mietpreise können Teams auf dem neuen Marktplatz unter http://auctions.fluence.ai durch konkurrierende Gebote GPU-Kapazitäten reservieren.
Das Modell ist einfach.
Wer Rechenleistung benötigt, kann seinen Bedarf veröffentlichen und die Gebote der Anbieter vergleichen. Anbieter mit verfügbarer Kapazität können ihr Angebot einstellen. Angenommene Gebote halten den Preis, das SLA, den Mietzeitraum und den vollständigen Gebotsverlauf für den Vertragsabschluss fest.
So entsteht eine echte Preisfindung für Rechenleistung.
Für KI-Entwickler und Unternehmen liegt der Vorteil in der Flexibilität. Es ist nicht nötig, eine komplette GPU-Flotte anzuschaffen, um Nachfragespitzen abzudecken. Kapazitäten lassen sich bei Bedarf sichern und an veränderte Workloads anpassen.
Für Anbieter bedeutet das, dass sie ungenutzte Hardware monetarisieren können, statt sie brachliegen zu lassen.
Traditionelles Eigentum ist sinnvoll, wenn die Auslastung nahezu konstant ist. Bei schwankenden Workloads ist ein wettbewerbsorientierter Auktionsmarktplatz jedoch deutlich kapitaleffizienter.
Fluence macht Rechenleistung zu einer liquiden Ressource, auf die geboten werden kann und die sich reservieren lässt – statt zu einem teuren Vermögenswert, den man besitzen und warten muss.
Auf dem Marktplatz können jetzt Rechenleistungsanfragen veröffentlicht und Kapazitäten angeboten werden.
GPU-Besitz oder Compute mieten: Die tatsächlichen Kosten hängen von der Auslastung ab
Ich denke, einer der größten Fehler, den Unternehmen beim Investieren in KI-Infrastruktur machen können, ist, nur auf den Preis einer GPU zu schauen, ohne zu berücksichtigen, wie oft sie diese tatsächlich nutzen werden.
Der Kauf von Hardware ist sinnvoll, wenn die Auslastung konstant ist. Doch bei schwankender Nachfrage können teure GPUs ungenutzt herumstehen und trotzdem Strom, Kühlung und Wartung erfordern.
Hier wird das Mieten von Rechenleistung interessant.
Mit @Fluence können Unternehmen bei zusätzlichem Kapazitätsbedarf auf GPU-Ressourcen zugreifen, ohne eine ganze Serverflotte kaufen und warten zu müssen.
https://fluence.ai/
Das ist meiner Meinung nach besonders nützlich für KI-Workloads, die in Wellen auftreten. Statt viel Geld zu investieren, um gelegentliche Nachfragespitzen abzufangen, können Unternehmen bei steigendem Workload Rechenleistung mieten.
Auch die Veralterung von Hardware spielt eine Rolle. Die GPU-Technologie entwickelt sich ständig weiter, und durch das Mieten lässt sich der Druck verringern, veraltete Geräte zu besitzen.
Natürlich ist Mieten nicht immer günstiger. Bei einer konstanten Auslastung kann sich der Besitz lohnen. Bei unvorhersehbaren Workloads ist Flexibilität jedoch entscheidend.
Manchmal ist es nicht die klügste Investition, mehr GPUs zu kaufen. Sondern zu wissen, wann man sie tatsächlich braucht.
So senkst du deine Cloud-Kosten mit @Fluence um 60 %
Eine H100 bei AWS/GCP kostet immer noch 3–5 $ pro Stunde. Lässt du sie eine Woche lang trainieren, liegt deine Rechnung bei über 500 $. Einen Monat lang? 2.000 $ oder mehr sind weg. Für die meisten Entwickler ist das nicht tragbar.
So habe ich meine Cloud-Kosten mit Fluence GPU um 60 % gesenkt.
1. Dieselben GPUs, kein Markenaufschlag
Fluence ist live und läuft mit über 1.400 GPUs in 32 Regionen und 71 professionellen Rechenzentren.
Dieselbe Hardware wie bei den großen Cloud-Anbietern: H100, A100, H200. Da Fluence aber ein dezentraler Marktplatz ist, der das weltweite Angebot bündelt, sind die Preise bis zu 60 % niedriger. Kein Markenaufschlag. Einfach pure Rechenleistung.
2. Bezahlung pro Sekunde statt pro Monat
Bei herkömmlichen Cloud-Anbietern bist du an monatliche Rechnungen gebunden. Fluence ist komplett bedarfsgesteuert.
Ich starte eine H100 nur dann, wenn ich trainieren muss, zahle pro Sekunde und schalte sie danach wieder ab. Keine Kosten für Leerlauf. Keine Verschwendung. Allein dadurch spare ich 30–40 %.
3. Entwickelt für KI-Teams im Jahr 2026
Ich nutze es für: - Training und Fine-Tuning - Kostengünstige Inferenz - Skalierung ohne Anfrage nach Enterprise-Credits
Die Einrichtung dauert nur wenige Minuten, alle wichtigen Frameworks werden unterstützt, und dank der mehr als 32 Regionen kannst du deine Anwendungen in der Nähe deiner Nutzer bereitstellen.
2026 zahlen clevere Entwickler nicht zu viel für Cloud-Logos. Sie leiten ihre Rechenlast dorthin, wo es am günstigsten und effizientesten ist.
Genau das habe ich getan. Meine Rechnung sank von 2.100 $/Monat auf unter 850 $.
Ich habe den Q3-Bericht 2026 der @Fluence DAO gelesen, den eponomarev vor 4 Tagen veröffentlicht hat, und ich muss sagen: Genau so sollte eine DAO geführt werden.
Die Gesamtausgaben im Q3 beliefen sich auf gerade einmal 990,000 FLT fürs Staking und 300,000 USD für den Betrieb. Das war’s fürs ganze Quartal. Für 3 Monate Arbeit am Aufbau einer vollständigen KI-Cloud-Plattform ist das unglaublich sparsam. Die meisten Projekte verbrennen so viel in einer Woche.
Und die Treasury ist immer noch prall gefüllt. Die verbleibenden Guthaben betragen 350,198,442 FLT, 1,120,533 USDC und 38,450 USDT, dazu kommen 26,382,052 FLT und $127,433, die für Liquidität im Market-Making bereitgestellt wurden. Mit so einer finanziellen Reichweite können sie jahrelang weiterentwickeln, ohne unter Druck zu stehen, ihre Token zulasten der Holder zu verkaufen.
Sie haben Virtual Private Cloud eingeführt, die private Netzwerke und Sicherheitsgruppen für Bereitstellungen mit mehreren VMs ermöglicht. Das ist Enterprise-Niveau. Außerdem haben sie Shared-CPU-Instanzen ab $2.54/Monat eingeführt – ideal, um Entwickler an Bord zu holen. Hinzu kamen ein browserbasiertes Web-Terminal und aktualisierte Kartenzahlungen, wodurch die UX deutlich reibungsloser wird.
Am spannendsten finde ich x402-Zahlungen. KI-Agenten können jetzt Konten mit USDC auf Base aufladen und CPU- oder GPU-Rechenleistung mieten, ohne sich manuell anmelden zu müssen. Denkt mal darüber nach: Agenten, die ihre eigene Infrastruktur bezahlen.
Dann gibt es noch GPU-Cluster-Auktionen, bei denen für reservierte GPU-Kapazitäten in globalen Rechenzentren wettbewerbsorientiert geboten werden kann. Die Plattform hat bereits Verträge im Wert von $6M, $15.4M und $5.5M für KI-Training und Inferenz vermittelt, darunter 96 H100-Knoten in ganz Asien.
Beim Token blieb die Staking-Rendite mit rund 11,5 % APR konstant. 340k FLT im Juli, 300k im August, 350k im September. Zu Beginn des Q3 betrug das zirkulierende Angebot 342,558,801 FLT, also rund 34,2 %, das freigeschaltete Angebot 487,222,344 FLT, also rund 48,7 %, und das gestakte Angebot 36.6M FLT.
Für mich bestätigt dieser Bericht einfach: niedrige Ausgaben, enormes Entwicklungstempo, GPU-Verträge in Millionenhöhe und eine Treasury, die langfristiges Wachstum finanzieren kann.
Ein weiterer Vertrag über 2,4 Mio. $ für @Fluence. Diesmal mit worldengine__ai, um Inferenz-Workloads für physische KI zu unterstützen.
Und ganz ehrlich: Genau solche Deals machen mich so optimistisch für Fluence.
Alle sind besessen davon, immer größere Modelle zu trainieren. Aber Training ist nur die halbe Geschichte. Was passiert, wenn KI tatsächlich das Rechenzentrum verlassen und in der realen Welt funktionieren muss? Das ist der schwierige Teil. Besonders in der Robotik.
Ein Roboter kann sich keine Verzögerungen leisten. Er darf nicht offline gehen. Er braucht Inferenz, die schnell, zuverlässig und ständig verfügbar ist. Genau hier versagt der Großteil der Infrastruktur.
WorldEngine entwickelt etwas Großes für die gesamte Robotik-Pipeline: Datenerfassung, Modelltraining, Evaluierung und Deployment. Das Unternehmen will physische KI zum Leben erwecken. Und es hat Fluence als Rechenleistungs-Backbone für die Inferenz ausgewählt.
Für mich bestätigt das einfach die These, die ich seit Monaten zu $FLT vertrete. Wenn sich KI vom Digitalen ins Physische bewegt – von Chatbots zu Robotern, von Bildschirmen auf die Straße –, wird die Infrastrukturebene genauso wertvoll wie die Modellebene. Vielleicht sogar noch wertvoller.
Wir reden hier nicht von Hype oder einer Partnerschaft, die nur auf einem Whitepaper beruht. Es geht um 2,4 Mio. $ an echten Einnahmen für echte Workloads. Echte Roboter, echte Inferenz, echte Nachfrage nach dezentraler Rechenleistung.
Jeder neue Deal dieser Art ist ein weiterer Baustein. Mehr echte Workloads, mehr Nachfrage nach Infrastruktur, mehr Nutzen für $FLT.
Fluence will nicht das nächste KI-Modell sein. Fluence will das sein, was ALLE Modelle antreibt. Und das ist eine deutlich größere Wette.
Deshalb verfolge ich diese Partnerschaft sehr aufmerksam.
Ein Konfigurationsausschnitt. Ein @Fluence-API-Schlüssel. Kein lokaler Server, den man installieren oder warten muss.
Das ist im Grunde alles, was nötig ist, um Fluence MCP zum Laufen zu bringen.
• Verbinden Sie Ihren MCP-kompatiblen Coding-Client • Fügen Sie die Konfiguration hinzu • Geben Sie Ihren Fluence-API-Schlüssel ein • Lassen Sie Ihren KI-Agenten mit der Fluence-Compute-Umgebung interagieren
Der MCP-Server ist gehostet, sodass Entwickler sich nicht um das Installieren von Updates oder das Warten einer weiteren Infrastruktur kümmern müssen.
Und sobald alles verbunden ist, bleibt der Workflow innerhalb der Coding-Umgebung. Es gibt kein ständiges Hin- und Herschalten zurück zur Fluence Console.
Das ist wichtig, weil die Akzeptanz bei Entwicklern oft an Reibung scheitert.
Wenn dezentrale Compute-Ressourcen in Tools passen können, die Entwickler bereits nutzen, statt sie darum zu bitten, einen völlig neuen Workflow zu erlernen, wird DePIN deutlich praktikabler.
Ein Konfigurationsausschnitt. Ein @Fluence-API-Schlüssel. Kein lokaler Server zum Installieren oder Warten.
Das ist im Grunde alles, was nötig ist, um Fluence MCP zum Laufen zu bringen.
• Verbinde deinen MCP-kompatiblen Coding-Client • Füge die Konfiguration hinzu • Trage deinen Fluence-API-Schlüssel ein • Lass deinen KI-Agenten mit Fluence-Compute interagieren
Der MCP-Server wird gehostet, sodass Entwickler sich nicht darum kümmern müssen, Updates zu installieren oder eine weitere Infrastrukturkomponente zu warten.
Und sobald alles verbunden ist, bleibt der Workflow innerhalb der Coding-Umgebung. Es gibt kein ständiges Hin- und Herschalten zurück zur Fluence-Konsole.
Das ist wichtig, denn bei der Einführung durch Entwickler kommt es häufig auf Reibung an.
Wenn dezentrale Compute-Ressourcen in Tools passen, die Entwickler bereits nutzen, statt sie darum zu bitten, einen komplett neuen Workflow zu erlernen, wird DePIN deutlich praktikabler.
DePIN wurde bisher größtenteils im Zusammenhang mit dezentraler Infrastruktur diskutiert, aber Fluence fängt jetzt an, die Entwicklererfahrung genauso spannend zu machen.
@Fluence MCP ist jetzt live und das ist wahrscheinlich eine der praktischsten Entwicklungen, die ich vom Projekt gesehen habe.
Dein KI-Agent kann jetzt direkt auf Fluence Rechenleistung starten. Verbinde Cursor, Claude Code, VS Code, Codex oder einen anderen MCP-kompatiblen Client, beschreibe, was du brauchst, und der Agent kann die Rechenarbeit für dich übernehmen.
Das verändert das Gespräch von einfach „dezentrale Rechenleistung“ hin zu dem Ziel, dass dezentrale Rechenleistung für Entwickler leichter nutzbar wird.
Ehrlich gesagt wünsche ich mir, dass mehr Entwickler auf Fluence stoßen und das selbst testen.
DePIN wurde größtenteils im Zusammenhang mit dezentraler Infrastruktur diskutiert, aber Fluence fängt an, die Entwicklererfahrung genauso spannend zu machen.
@Fluence MCP ist jetzt live, und das ist wahrscheinlich eine der praxisnäheren Entwicklungen, die ich vom Projekt gesehen habe.
Dein KI-Agent kann jetzt direkt auf Fluence-Computing starten. Verbinde Cursor, Claude Code, VS Code, Codex oder einen anderen MCP-kompatiblen Client, beschreibe, was du brauchst, und der Agent kann die Computing-Seite für dich übernehmen.
Das verändert das Gespräch von „dezentralem Computing“ hin zu dem, dass dezentrales Computing tatsächlich einfacher für Entwickler nutzbar wird.
Ich wünsche mir ehrlich, dass mehr Entwickler auf Fluence stoßen und es selbst testen. Das fühlt sich wie genau die Art von Infrastruktur an, die mehr Sinn ergibt, sobald man sie wirklich nutzt.
Wenn ich mir $FLT jetzt auf CMC anschaue, sehe ich, dass der Token schon eine ziemlich weite Reise hinter sich hat. Der aktuelle Preis liegt bei etwa $0.0057, während CMC ein Allzeittief von ungefähr $0.00099 im Juli 2026 verzeichnet.
Wenn ich mir FLT also heute anschaue, betrachte ich nicht nur eine Zahl in einem Chart.
Ich hatte das Glück, letztes Jahr ein paar FLT zu bekommen, und das macht es für mich ein wenig spannender, dabei zuzusehen, wie sich das Projekt weiterentwickelt.
Was ich gelernt habe: FLT hat einen Nutzen, der über die bloße Rolle als Token im Zusammenhang mit Fluence hinausgeht.
• Staking: FLT kann gestaked werden, um Rechenressourcen abzusichern, während Teilnehmende Staking-Rewards verdienen können. Fluence hat außerdem Staking auf Ethereum L1 als Teil seines neueren Token-Modells eingeführt.
• Compute-Sicherheit: FLT wird als wirtschaftliche Sicherheitsschicht rund um Rechenressourcen eingesetzt. Anbieter und Staker haben Kapital im Einsatz, was dabei hilft, Verantwortlichkeit für die bereitgestellte Kapazität zu schaffen.
• Governance: Inhaber von FLT können an der @Fluence DAO-Governance teilnehmen, einschließlich Vorschlägen im Zusammenhang mit Treasury-Management und dem Protokoll.
• Cloud-Zahlungen: Kunden können für Compute mit Stablecoins bezahlen, während FLT weiterhin Teil der Staking-, Rewards- und Koordinationsschicht bleibt – und nicht zwingend jeder Kunde FLT für seine Compute-Rechnung verwenden muss.
• Plattform-Einnahmen: Fluence entwickelt Mechanismen, damit FLT-Staker an den Einnahmen teilhaben können, die von der dezentralen Cloud-Plattform generiert werden. Auf der aktuellen Staking-Seite wird die Gewinnbeteiligung neben Staking und Liquidität hervorgehoben.
• KI und GPUs: Das ist wahrscheinlich der Teil, auf den ich jetzt am meisten achte. Fluence sagte im März 2026, dass es den Schwerpunkt stärker auf KI- und GPU-Infrastruktur verlagert. Zu diesem Zeitpunkt gab es 1.400+ GPUs in 32 Regionen und 71 Rechenzentren.
Ich habe letztes Jahr ein paar Token bekommen, und jetzt beobachte ich, wie sich die Rolle des Tokens weiterentwickelt – zusammen mit der Infrastruktur selbst.
Ich werde auf jeden Fall weiter dabei bleiben und mir das bei Fluence ansehen.
Wenn ich mir $FLT jetzt auf CMC ansehe, kann ich erkennen, dass der Token schon eine ziemliche Reise hinter sich hat.
Der aktuelle Preis liegt bei etwa $0,0057, während CMC ein Allzeittief von rund $0,00099 im Juli 2026 verzeichnet.
Wenn ich mir FLT heute anschaue, sehe ich also nicht einfach nur eine Zahl in einem Diagramm.
Ich hatte letztes Jahr das Glück, ein paar FLT zu bekommen – und das macht es für mich ein wenig spannender, dabei zu beobachten, wie sich das Projekt weiterentwickelt.
Was ich gelernt habe, ist, dass FLT einen Nutzen hat, der über die bloße Funktion hinausgeht, der Token zu sein, der mit Fluence verbunden ist.
• Staking: FLT kann gestaket werden, um Rechenressourcen abzusichern, während Teilnehmende Staking-Rewards verdienen können. Fluence hat außerdem Staking auf Ethereum L1 eingeführt – als Teil seines neueren Token-Modells.
• Compute-Sicherheit: FLT wird als wirtschaftliche Sicherheitsschicht um Rechenressourcen eingesetzt. Anbieter und Staker haben Kapital auf dem Spiel, was dabei hilft, Verantwortlichkeit in Bezug auf die bereitgestellte Kapazität zu schaffen.
• Governance: Inhaber von FLT können an der @Fluence DAO-Governance teilnehmen, darunter auch an Vorschlägen, die das Treasury-Management und Upgrades des Protokolls betreffen.
• Cloud-Zahlungen: Kunden können für Rechenleistung mit Stablecoins bezahlen, während FLT weiterhin Teil der Staking-, Reward- und Koordinationsschicht bleibt – statt dass jeder Kunde FLT für seine Compute-Rechnung verwenden muss.
• Plattform-Umsatz: Fluence arbeitet daran, Mechanismen zu entwickeln, damit FLT-Staker an Einnahmen teilhaben können, die durch die dezentrale Cloud-Plattform generiert werden. Auf der aktuellen Staking-Seite wird die Umsatzbeteiligung zusammen mit Staking und Liquidität hervorgehoben.
• KI und GPUs: Das ist wahrscheinlich der Teil, auf den ich derzeit am meisten achte. Fluence sagte im März 2026, dass man den Schwerpunkt stärker auf KI- und GPU-Infrastruktur verlagere – damals mit 1.400+ GPUs in 32 Regionen und 71 Rechenzentren.
Ich habe letztes Jahr ein paar Tokens bekommen, und jetzt beobachte ich, wie sich die Rolle des Tokens weiterentwickelt – zusammen mit der Infrastruktur selbst.
Ich werde auf jeden Fall weiter dabei bleiben, mir das bei Fluence anzusehen.
@Fluence hat offiziell seine Website von Fluence Network zu fluence.ai umgezogen.
Auf den ersten Blick wirkt es wie eine einfache Domain-Änderung, aber dahinter scheint es noch ein wenig mehr zu stecken. Die neue Identität spiegelt die Richtung besser wider, die Fluence eingeschlagen hat – insbesondere im Hinblick auf KI-Infrastruktur und den dezentralen Zugang zu Rechenleistung.
Im Laufe der Zeit hat sich der Fokus über die reine Bereitstellung eines Netzwerks für dezentrales Computing hinaus erweitert. Fluence baut nun rund um GPU- und CPU-Ressourcen, Cloud-Infrastruktur sowie Tools, die Rechenleistung für Entwickler und KI-Workloads zugänglicher machen können.
Eine Einzelheit, die meine Aufmerksamkeit geweckt hat, ist, dass Fluence jetzt Fluence Cloud als Nachfolger von Fluence Network beschreibt. Diese Formulierung lässt den Übergang absichtsvoller wirken – eher als nur eine Rebranding-Maßnahme.
Der Wechsel zu fluence.ai rückt die Ambitionen des Projekts im Bereich KI-Infrastruktur zudem viel deutlicher in den Mittelpunkt seiner Identität.
Eine Domain-Änderung mag unbedeutend erscheinen, aber manchmal zeigen gerade solche kleinen Änderungen, in welche Richtung ein Projekt sein nächstes Kapitel lenkt.
Für Fluence scheint die Ausrichtung zunehmend auf Compute, Cloud-Infrastruktur und die wachsende Nachfrage nach KI-Workloads zentriert zu sein.
Hast du jemals eine Cloud-Rechnung angesehen und dich gefragt, wofür du eigentlich bezahlst?
Gerade für KI-Teams kann Compute zu den größten wiederkehrenden Kosten zählen. Und das Problem liegt nicht immer darin, dass du mehr Infrastruktur brauchst—manchmal zahlst du schlicht Premium-Preise für den Zugang dazu.
@Fluence verfolgt einen anderen Ansatz: Durch die Verbindung von Workloads mit Compute aus einem dezentralen Netzwerk von Anbietern. Die Idee ist, Entwicklern eine weitere Option zu geben, statt sich vollständig auf das traditionelle Cloud-Modell verlassen zu müssen.
Bei rechenintensiven Workloads kann es mehr Flexibilität bei den Infrastrukturkosten bedeuten, wenn man mehr Auswahl hat, woher dieser Compute kommt.
Das Spannende an der Sache ist für mich nicht nur „dezentrale Cloud“.
Es ist die Möglichkeit, den Compute zu bekommen, den du brauchst, ohne automatisch das Preisschema zu akzeptieren, das mit den üblichen Optionen einhergeht.
Ich habe einen Tweet gesehen, in dem gefragt wurde: „Wenn $BTC morgen verschwinden würde, was würde es ersetzen?“
Die meisten Antworten zeigten auf $ETH und andere große Tokens.
Aber ich würde $FLT in die Diskussion werfen.
KI wird zu einem der größten Treiber der Nachfrage nach Rechenleistung – und das macht dezentrale Infrastruktur für mich zunehmend interessant.
In einem aktuellen AMA sprach der Mitgründer von Fluence, Evgeny Ponomarev, über die Vision von Fluence, eine Alternative zu den großen zentralisierten Cloud-Anbietern aufzubauen – beginnend mit KI und mit dem Ziel, zu einer stärker dezentralisierten Compute-Ebene zu gelangen.
Ich sage nicht, dass FLT Bitcoin ersetzt. Ich sage: Wenn KI weiterhin die digitale Wirtschaft neu formt, dann verdient die Infrastruktur, die sie antreibt, mehr Aufmerksamkeit.
$BTC und $ETH haben eine starke Erholung hingelegt: Während BTC in Richtung $87K läuft, durchbricht ETH die Marke von $2.800.
Aus Sicht eines Beobachters ist das Interessante jedoch das, was unter der Bewegung steckt. Sinkende Ölpreise und Renditen von US-Staatsanleihen haben das Risiko-Sentiment verbessert, während Short-Eindeckungen zusätzlichen Schwung geliefert haben.
Als Nächstes lohnt sich zu beobachten, ob frische Spot-Nachfrage BTC und ETH weiter stützen kann, sobald die durch den Squeeze erzwungenen Käufe nachlassen, die es auf BingX gibt. #BTC #ETH
$UNI ist definitiv wieder ins Rampenlicht zurückgekehrt. Aus Sicht eines Beobachters ist an diesem Rallye nicht einfach die Kursbewegung das Interessante.
Das Protokollgebühren-System von Uniswap verknüpft Aktivität mit UNI-Verbrennungen, während Robinhood Chain zu einer wichtigen Quelle für Uniswap-Handelsaktivität geworden ist.
Da UNI bereits deutlich gestiegen ist, lohnt als Nächstes vor allem die Frage, ob Volumen und zugrunde liegende Protokollaktivität die Bewegung weiterhin stützen – und nicht nur die Dynamik. #UNI #DeFi