• Die Ethereum Foundation richtet ein AI-Team ein, das aus der Nachfrage von Projekten im Ökosystem entstanden ist.
  • Der Auftrag umfasst Protokollnähe, Produktentwicklung und das Onboarding traditioneller AI-Teams auf Ethereum.

Die Ethereum Foundation hat ein neues Team für künstliche Intelligenz eingerichtet. Laut Teamleiter Davide Crapis war dieser Schritt nicht Teil der ursprünglichen Roadmap, sondern erfolgte auf ausdrückliche Nachfrage aus Projekten innerhalb des Ökosystems. Es handelt sich nicht um eine Richtungsänderung der Stiftung. Crapis beschreibt die Initiative als einen weiteren Baustein für die langfristige Widerstandsfähigkeit des Protokolls.

Mandat und organisatorische Einbindung

Das Team arbeitet beidseitig an Protokoll und Ökosystem. Auf Protokollebene geht es um Fragestellungen, bei denen AI-Werkzeuge Effizienz und Qualitätssicherung erhöhen können. Dazu zählen Tests und Validierungen von Clients, die Auswertung umfangreicher Telemetriedaten und das Priorisieren von Verbesserungen anhand messbarer Netzwerkmetriken. Auf Ebene des Ökosystems unterstützt das Team Produktentwicklung, Hackathons und Förderprogramme, damit Drittentwickler AI-Anwendungen gezielt auf Ethereum aufsetzen können.

Crapis betont, dass die Rolle des Teams Brücken zwischen Protokollforschung, Core-Client-Entwicklung und Anwendungsbau schlagen soll. Dadurch sollen Entwicklerinnen und Entwickler aus der klassischen AI-Welt klare Anknüpfungspunkte finden. Das umfasst Dokumentation, Referenzprojekte und Schnittstellen, die den Einstieg in Wallets, Indexierung, Verifizierungs-Workflows und Governance-Prozesse erleichtern.

Zielbild für das Onboarding traditioneller AI-Entwickler

Das Team will zeigen, wo Ethereum für AI einen konkreten Mehrwert bietet. Im Mittelpunkt stehen Dezentralisierung, Nachvollziehbarkeit und manipulationssichere Nachweise. Für AI-Modelle und -Dienste adressiert das Protokoll Anforderungen rund um Alignment, Verifikation und Governance. Auf der Praxisebene bedeutet das prüfbare Herkunftsnachweise für Trainingsdaten, reproduzierbare Inferenzpfade und transparente Zugriffsregeln für Modellupdates.

Darüber hinaus prüft die Stiftung, wie AI-gestützte Werkzeuge den gesamten Entwicklungszyklus beschleunigen können. Beispiele sind generative Unterstützung in der Spezifikationsarbeit, Fuzzing mit modellgestützten Testfällen und Anomalieerkennung in Netzwerkmustern. Die Stiftung bleibt dabei in ihrer Rolle neutral. Die Arbeit konzentriert sich auf offene Standards, Referenzimplementierungen und Community-getriebene Experimente, ohne eine Produktstrategie einzelner Anbieter vorzugeben.

Crapis fasst das Ziel zusammen, traditionelle AI-Teams von der Relevanz eines offenen, verifizierbaren Ausführungs- und Governance-Layers zu überzeugen. Wenn Entwickler den Wert dieser Eigenschaften im täglichen Betrieb erkennen, sieht die Stiftung darin einen belastbaren Weg für mehr Qualität und Sicherheit bei AI-Anwendungen auf Ethereum.