Da KI‑Modelle immer mehr Rechenleistung benötigen, suchen Entwickler nach Alternativen zu herkömmlichen Rechenzentren. Zwei von Cointelegraph hervorgehobene Projekte – Acurast und Phase – bauen dezentrale Netzwerke auf, die untätige Smartphones als verteilte Rechenleistung für Aufgaben wie Web‑Scraping, Cybersicherheit und KI‑Inference einsetzen.

Acurasts wachsender Handy‑Pool

Laut Cointelegraph hat Acurast mehr als 335.000 Smartphones an Bord, wobei rund 40.000 Geräte täglich aktiv Rechenleistung bereitstellen. Mitbegründer Alessandro De Carli behauptet, dass das aktive Netzwerk einer Kapazität von etwa 2.340 High‑End‑Rechenzentrum‑Servern entspricht, gemessen am ASUS RS720A‑E11 KI‑Server. Das Netzwerk fokussiert sich auf Workloads, die von der integrierten Hardwaresicherheit der Smartphones profitieren, sowie auf CPU‑intensive Aufgaben, die eine breite geografische Verteilung erfordern.

Phases mobiler Proxy‑Dienst und Preis‑Modell

Phase hat im Oktober 2026 Phase Proxy gestartet, wodurch Handy‑Besitzer Internet‑Konnektivität und Blockchain‑Validierung für KI‑Agenten bereitstellen können. Gründer Kirill Eves erklärt, dass der Service hilft, Daten‑Center‑Rate‑Limiting zu umgehen, indem er den Traffic über private Mobilverbindungen leitet. Phase verlangt 0,5 USDT pro 1.000 Anfragen und 1 GB Traffic und plant die Einführung von Phase Router, das einfache Anfragen dynamisch zu Handy‑basierten Modellen oder externen Anbietern wie OpenAI und Anthropic basierend auf Kosten und Leistung weiterleitet.

Technische und ökonomische Herausforderungen

Branchenbeobachter warnen, dass die Koordination einer globalen Flotte von Handys Hürden mit sich bringt, die in zentralisierten Einrichtungen nicht vorkommen. Eine 2025 von Cointelegraph zitierte Studie zeigte, dass kleine, kontrollierte Smartphone‑Cluster die Cloud‑Leistung bei Bild‑Erkennungs‑Aufgaben erreichen können, doch reale Einsätze müssen mit Akku‑Entladung, Netzwerk‑Variabilität und heterogener Hardware umgehen. Markus Levin von XYO argumentiert, dass dezentrale Netzwerke eher beim Sammeln von Real‑World‑Daten als beim Betrieb großer KI‑Modelle glänzen und betont, dass jede tragfähige Lösung ein bezahltes Problem lösen muss, anstatt auf Token‑Spekulation zu setzen. Acurasts Vergütungsmodell, das Belohnungen nach Geräte‑Uptime, Hardware‑Specs und Nachfrage variiert, spiegelt die Schwierigkeit wider, ein finanziell nachhaltiges Modell zu schaffen.

Ausblick

Künftige Berichte werden die Skalierbarkeit von Acurast‑ und Phase‑Netzwerken verfolgen, wenn sie über Smartphones hinaus auf Desktops und GPUs ausgedehnt werden, die Akzeptanz bei KI‑Entwicklern beobachten, die kosteneffiziente Rechenleistung suchen, und die regulatorische Prüfung rund um dezentrale Verarbeitung und Datenschutz bewerten.