Ethereum-Mitgründer Vitalik Buterin hat ein Selbstexperiment durchgeführt, um zu prüfen, ob KI-Systeme personalisierte Empfehlungen liefern können, ohne dass Nutzer sensible personenbezogene Daten preisgeben müssen. In am 4. Oktober auf X geteilten Beiträgen beschrieb er, wie er seine eigenen Gesundheits- und Reisedaten nutzte, um Ernährungs- und Bewegungsempfehlungen zu generieren, wobei ein lokales Modell die Anfragen an leistungsfähigere entfernte Systeme koordinierte und auf deren Denkfähigkeit und Wissen zurückgriff.

Das Privatsphäre-Setup kombinierte sorgfältig formulierte Prompts, private Zahlungen über zkAPI und Tor-Routing, wobei jede Schicht eine andere Quelle von Identitätspreisgabe abdeckte. Das Experiment betrifft eine alltägliche Exposition bei kommerzieller KI: Bezahlte Dienste können jeden Prompt mit dem zahlenden Konto und dem zugrunde liegenden Netzwerk verknüpfen, sodass sich identifizierende Details ansammeln können, selbst wenn nie ein Name eingegeben wird. Buterin sagte, die Empfehlungen profitierten vom entfernten Input, obwohl die Privatsphäre-Schutzmaßnahmen noch verbesserungswürdig waren. Er berichtete zudem von langsamen Reaktionen und einem Kompromiss zwischen dem Teilen weniger Informationen und dem Erhalt nützlicher Ratschläge.

Drei Privatsphäre-Schichten für KI-Anfragen

Buterin identifizierte seinen lokalen Koordinator als Qwen 3.8 Flash Next, der bei Bedarf Frontier-Modelle aufrief. Eine Skill-Datei leitete diese Aufrufe an und wies das lokale System an, möglichst wenig persönliche Informationen preiszugeben.

Doing a bit of a self-experiment. Goal: use my personal health and travel data to provide personalized diet and exercise recommendations for me, using frontier models but in a way that avoids leaking to them any private information. Strategy: use a local model (Qwen 3.8 Flash… pic.twitter.com/mi38E5jlfN

— vitalik.eth (@VitalikButerin) October 4,2026

Die erste Schicht betraf sowohl die Inhalte der Prompts als auch ihren Schreibstil. Da das lokale Modell die Fragen formulierte, verringerte sich das Risiko, dass entfernte Dienste ihn durch charakteristische Formulierungen oder persönliche Details identifizieren konnten.

Die zweite Schicht betraf Zahlungen, die KI-Anfragen mit einem identifizierbaren Kundekonto verknüpfen können. Dafür nutzte das Experiment zkAPI, ein System, das darauf ausgelegt ist, Zahlungsautorisierung von der Nutzeridentität zu trennen. Zero-Knowledge-Proofs, das zugrunde liegende kryptografische Werkzeug, ermöglichen es einem Dienst, eine Behauptung – etwa dass ein Vault finanziert ist – zu überprüfen, ohne die Daten dahinter zu sehen. Die Ethereum Foundation beschrieb zkAPI in einer Ankündigung vom 1. Oktober als private Nutzungsguthaben für kostenpflichtige Dienste. Nutzer finanzieren einen Vault und autorisieren Ausgaben dann mit Zero-Knowledge-Proofs, statt preiszugeben, welche Einzahlung die Anfragen bezahlt hat. Im Runtime-Key-Modus begrenzen temporäre API-Schlüssel die Ausgaben, während signierte Nutzungsbelege die tatsächliche Abrechnung bestimmen. Der Zahlungsdienst prüft die Finanzierung, ohne die Prompts zu erhalten, die direkt an den KI-Anbieter gehen.

Tor stellte die dritte Schicht bereit und zielte auf Netzwerkinformationen wie IP-Adressen ab. Das etablierte Anonymitätsnetzwerk leitet Traffic über Relays, sodass ein Zieldienst die echte Adresse des Nutzers nicht sehen kann. Buterin griff über ein Tor-umhülltes Kommandozeilen-Tool auf zkAPI zu und kombinierte thereby Zahlungsprivatsphäre mit anonymer Netzwerk-Routing.

Das Design betrachtet diese Schutzmaßnahmen als komplementär, da jede eine andere Route zur Identifizierung abdeckt. Das Entfernen von Namen aus Prompts lässt weiterhin Zahlungsaufzeichnungen oder Netzwerkdetails als potenzielle Verbindungen bestehen. Die Foundation warnte außerdem, dass KI-Anbieter die eingereichten Prompts weiterhin lesen können. Ihre Dokumentation besagt, dass wiederholte persönliche Details, wiederverwendete Gesprächsverläufe und Schreibmuster es ermöglichen können, einzelne Sitzungen miteinander zu verknüpfen.

Geschwindigkeitsgrenzen und Daten-Kompromisse

Buterin berichtete, dass das Experiment Empfehlungen lieferte, die durch das Wissen der Frontier-Modelle verbessert wurden. Er identifizierte jedoch vier Schwächen, die Netzwerkdesign, Anfragekonstruktion, lokale Leistung und die Balance zwischen Privatsphäre und Nützlichkeit betrafen – vier Lücken, die geschlossen werden müssten, bevor ein solches Setup über einen persönlichen Test hinauskommen könnte.

Er argumentierte, dass Tor die Trennung einzelner Anfragen schlecht handhabt und für Zweck möglicherweise unzureichende Privatsphäre bietet. Er schätzte außerdem, dass die Latenz 10- bis 100-mal höher war, als sie sein könnte. Die Skill-Datei benötigte zudem bessere Strategien, um zu entscheiden, welche Informationen entfernte Modelle erhalten sollen, was die Anfragenvorbereitung zu einem weiteren ungelösten Teil des Experiments macht.

Zur lokalen Leistung sagte Buterin, dass das Qwen-Modell auf seinem Setup etwa 20 bis 30 Token pro Sekunde generierte. Er wollte Geschwindigkeiten von über 100 Token pro Sekunde, bevor sich das System bequem schnell anfühlen würde.

Der Privatsphäre-Kompromiss blieb ebenfalls sichtbar: Je mehr Kontext zurückgehalten wurde, desto geringer war die Hilfe der entfernten Modelle. Das deutet darauf hin, dass Zahlungs- und Netzwerk-Schutzmaßnahmen allein die Qualität personalisierter Empfehlungen nicht bewahren können, wenn Anfragen wichtige kontextuelle Details weglassen.

Umfassendere Ethereum-Vision

Das Experiment folgt auf einen Essay vom 27. September, in dem Buterin Ethereum als zukünftigen kryptografischen Weltcomputer beschrieb, der Blockchain-Sicherheit mit kryptografischer Privatsphäre, Verifizierung und dezentraler Berechnung außerhalb der Chain verbindet. In diesem Essay bezeichnete er Hegotá, geplant für das nächste Jahr, als den wahrscheinlichsten letzten normalen Fork. Die weitere Entwicklung würde rekursive STARKs, automatisierte formale Verifizierung, optimierten Konsens und quantensichere Technologie umfassen. Kryptografische Proof-Durchläufe ziehen sich durch beide Vorhaben: Zero-Knowledge-Proofs handhaben die zkAPI-Zahlungsschicht, während die Roadmap auf rekursive STARKs und formale Verifizierung im Protokollmaßstab verweist.

Er nannte außerdem PeerDAS als frühen Schritt in Richtung dieser umfassenderen Architektur. Das angestrebte Ergebnis ist eine günstigere, skalierbarere und privatre computation, gesichert durch moderne Kryptografie. Mit Hegotá, geplant für das nächste Jahr, steht dieser Fork als der nächstgelegene Checkpunkt, um zu beobachten, wie sich die kryptografischen Komponenten der Roadmap entwickeln.