Verifiable Federated AI Infrastructure

Walter Kurz; Michel Malara; Velimir Dedić

doi:10.5281/zenodo.21704873

Zusammenfassung

Zentralisierte AI-Infrastruktur skaliert, steht aber im Konflikt mit Latenz-, Auditierbarkeits- und Energierestriktionen. Dieses Paper setzt sich zum Ziel, eine Federated AI Infrastructure zu spezifizieren und zu analysieren, die mit regulatorischen und ESG-Verpflichtungen vereinbar und zugleich für private Betriebe finanzierbar bleibt. Das Design trennt zentralisiertes Training von dezentraler Inferenz und Speicherung über fünf Knotenklassen (μ, S, M, L, XL), koordiniert durch einen verifizierbaren Orchestrator und einen Permissioned-DAG mit asynchroner byzantinischer Fehlertoleranz. Ein Anreizmodell verbindet einen grössenneutralen Availability Floor mit gestuften Workload-Prämien und begrenzten Multiplikatoren für die Erreichung von Servicelevels, für ESG-Leistung und gegen Konzentration. Die formale Optimierung umfasst die Wahl der Investierenden, überlastungsbewusstes Routing und Politikinstrumente und liefert Gleichgewichtsbedingungen für die Teilnahme gemischter Klassen. Die Compliance wird am Schweizer Regime entwickelt, einschliesslich der Token-zu-Fiat-Konversion über einen regulierten Emittenten unter FINMA oder einer gleichwertigen nationalen Behörde, sowie der Ausrichtung an EU-Rahmenwerken wie DSGVO und ISO 27001. Die Ergebnisse deuten auf eine robuste gemischte Flotte hin, in der L- und XL-Knoten sich auf durchsatzintensive Inferenz und Ledger-Validierung spezialisieren, während μ- bis M-Knoten Edge-Inferenz, Speicherung und fortlaufende DAG-Beteiligung tragen. Antikonzentrationsterme und ESG-adjustierte Preisbildung erhalten die Vielfalt ohne wesentliche Effizienzeinbusse. Die Umsetzung stützt sich auf vertrauenswürdiges Metering, On-Chain-Attestierungen und an beobachteten Warteschlangen kalibrierte Posted Prices. Die Limitationen betreffen die Parameteridentifikation, die Messgüte und die jurisdiktionsspezifische Zulassung.

Schlagwörter:

dezentrales Rechenzentrum
AI
Federated AI Infrastructure
ESG
ESG-bewusstes Compute
Nash-Gleichgewicht
digitale Souveränität
Schweizer Datenregulierung
tokenisierte Infrastruktur
verifizierbare AI-Dienste

Einleitung

Künstliche Intelligenz wird derzeit beschleunigt über alle Sektoren der Weltwirtschaft hinweg eingeführt. Grossskalige Modelle kommen in der industriellen Optimierung, bei Finanzdienstleistungen, in der öffentlichen Verwaltung und in nationaler Infrastruktur zum Einsatz. Regierungen, akademische Institutionen und private Akteure investieren umfangreich in AI-Rechenkapazität, was zu einem raschen Ausbau von Hyperscale-Rechenzentren und Trainingsinfrastruktur führt. Die Internationale Energieagentur prognostiziert, dass sich der weltweite Strombedarf von Rechenzentren bis 2030 mehr als verdoppeln und rund 945 TWh erreichen wird, mit AI-optimierten Workloads als wesentlichem Treiber. Rechenzentren machen bereits 1 bis 2 Prozent des weltweiten Stromverbrauchs aus (International Energy Agency 2025).

Diese Expansion wird von geopolitischen und ökonomischen Zwängen getrieben, kollidiert aber mit ökologischen, sozialen und governancebezogenen Zielen. AI-Infrastruktur benötigt erhebliche Energiemengen, erzeugt bedeutende Abwärme und konzentriert Flächennutzung und Ressourcenkontrolle, häufig ohne Abstimmung mit den lokalen Energiebedingungen oder Nachhaltigkeitszielen. Forschung des MIT berichtet, dass der Strombedarf nordamerikanischer Rechenzentren zwischen 2022 und 2023 von 2 688 auf 5 341 MW gestiegen ist. Allein die Kühlsysteme verbrauchen rund 2 Liter Wasser je genutzter kWh (Olivetti and Bashir 2025). Der CO₂-Fussabdruck des Trainings grosser Sprachmodelle kann 500 Tonnen überschreiten, und bis 2035 könnten die jährlichen AI-bezogenen Emissionen 18 bis 246 Millionen Tonnen erreichen (Wikipedia contributors 2025a).

Die heutige Rechenzentrumspraxis stellt Performance und zentrale Kontrolle über Energieeffizienz, Auditierbarkeit und regulatorische Dezentralisierung. Dieser Ansatz wirft strukturelle Fragen für eine ESG-konforme digitale Infrastruktur auf. Eine aktuelle Studie zu nachhaltigem Cloud Computing prognostiziert, dass Rechenzentren bis 2025 ohne Korrektur bis zu 20 Prozent des weltweiten Strombedarfs und 5,5 Prozent der Gesamtemissionen ausmachen könnten (Buyya et al. 2023). Das Fehlen standardisierter Berichtsrahmen begrenzt die Transparenz und schränkt die regulatorische Aufsicht ein (Federation of American Scientists 2025).

Vor der kommerziellen Freigabe von ChatGPT im November 2022 hatten sich die heute führenden Unternehmen des AI-Sektors öffentlich zu ESG-Zielen bekannt. Google hatte Mitte der 2000er-Jahre operative Klimaneutralität erreicht und stellte seine Rechenzentren bis 2017 auf 100 Prozent erneuerbare Energie um. Microsoft war seit 2012 klimaneutral. Amazon startete 2019 seinen Climate Pledge mit dem Ziel von Netto-Null-Emissionen bis 2040 und vollständiger Versorgung aus erneuerbarer Energie bis 2030 (John 2024; staff 2021; Wikipedia contributors 2025c).

Seit Ende 2022 haben sich die Unternehmensstrategien auf die rasche Skalierung generativer Modellfähigkeiten verschoben, wobei Performance und Marktkontrolle Vorrang vor Nachhaltigkeit erhielten. Allein Microsoft berichtete einen Anstieg des AI-bezogenen Energiebedarfs um 168 Prozent sowie einen Emissionsanstieg von 23 bis 29 Prozent seit 2020 (Windows Central 2025; Associated Press 2025). Branchengespräche bestätigen, dass die meisten Organisationen bei der AI-Einführung operative Effizienz vor die Minderung ökologischer Risiken stellten, bei begrenzter Einhaltung von Nachhaltigkeitsstandards (al. 2025). Ökonomische Studien zeigen, dass die Kapitalallokation in AI längerfristige ESG-Investitionen verdrängt hat (Sustainability) 2024).

Dieses Paper reagiert auf diese strukturellen Grenzen mit einem dezentralen Infrastrukturmodell für den Einsatz und die Governance von AI. Das System besteht aus einer Föderation modularer Rechenzentren, verteilt über das Schweizer Staatsgebiet, ausgelegt auf Inferenzausführung, Smart-Contract-Automatisierung, dezentrale Speicherung und ESG-bewusste Orchestrierung. Die Koordination erfolgt über formale Anreize innerhalb eines tokenisierten und auditierbaren Rahmens statt über zentrale Kontroll- oder Durchsetzungslogik.

Die Schweiz bietet für ein solches Modell eine glaubwürdige institutionelle und regulatorische Grundlage. Das revidierte Bundesgesetz über den Datenschutz (DSG), in Kraft seit dem 1. September 2023, stimmt in zentralen Bestimmungen mit der DSGVO der Europäischen Union überein, darunter Privacy by Design und by Default, erweiterte Betroffenenrechte und extraterritoriale Anwendung (Swiss Confederation 2023; Law 2023; Piper 2023). Es ermöglicht internationale Datentransfers über Angemessenheitsbeschlüsse und Standardvertragsklauseln (Chambers and Partners 2025), und seine Anwendbarkeit auf AI-gestützte Verarbeitung wurde vom Eidgenössischen Datenschutz- und Öffentlichkeitsbeauftragten bestätigt (FDPIC 2025; Project 2025). Die Schweizer Jurisdiktion profitiert vom EU-Angemessenheitsstatus und von der Konformität mit ISO 27001, was die formale Messung von Infrastrukturleistung und Energieverbrauch für die ESG-Auditierbarkeit erlaubt (Society 2025). Regulierungsrahmen einschliesslich DSG, FIDLEG und FINMA tragen zusätzlich die souveräne Governance dezentraler Infrastruktur und grenzüberschreitender Rechenleistung unter rechtlich stabilen Bedingungen (Swiss Financial Market Supervisory Authority (FINMA) 2024; contributors 2025).

Beitrag

Die bestehende Forschung behandelt die relevanten Elemente isoliert, nämlich Architektur für Edge-AI, Marktmechanismen für Rechenleistung, carbon-aware Scheduling, verifizierbares Metering und Permissioned Consensus. Dieses Paper führt diese Stränge zu einer einzigen, politikorientierten Infrastruktur zusammen, mit zulässigkeitsgetriebener Zuweisung, korridorbegrenzter Preisbildung, einem begrenzten, auf Attestierungen gestützten ESG-Multiplikator und einer Nash-Gleichgewichtsanalyse für heterogene Knotenklassen unter jurisdiktionellen Restriktionen.

Das Paper führt eine dezentrale AI-Infrastruktur ein, die modulares Systemdesign, tokenisierte Marktkoordination, ESG-Instrumentierung und formale Optimierung vereint. Der Beitrag umfasst fünf zusammenhängende Dimensionen.

Die Systemarchitektur definiert eine föderierte AI-Cloud aus physisch verteilten Rechenzentren, verankert durch eine zentrale Trainingsanlage hoher Dichte und gestützt durch ein landesweites Netz von Inferenz- und Speicherknoten. Der Einsatz folgt fünf Klassen (μ, S, M, L, XL) mit standardisierten Hardwarehüllen, Energieintegrationsschnittstellen und Orchestrierungsprotokollen. Als Betreiber kommen Gemeinden, Genossenschaften, akademische Institutionen und private Akteure infrage. Training und Inferenz sind funktional entkoppelt, um regulatorische Nachvollziehbarkeit, jurisdiktionelle Kontrolle und operative Skalierbarkeit zu ermöglichen.

Die Marktkoordination erfolgt über einen Posted-Price-Marktplatz mit einem Dual-Token-Mechanismus für Rechenzuteilung und Energieausgleich. Korridorbegrenzte Preise, ein grössenneutraler Availability Floor und gedeckelte Multiplikatoren für SLO-Performance, ESG und Diversität richten die Anreize aus und begrenzen zugleich die Volatilität. Das Task-Routing folgt einer dezentralen Optimierung mit durchgesetzter Zulässigkeit bei Latenz und Bandbreite, und die Abrechnung erfolgt über Smart Contracts, die Servicelevel und verifizierbare Auszahlungsbedingungen kodieren.

ESG ist ein bindendes ökonomisches Signal. Zeitgestempelte und geolokalisierte Messungen von Quellenmix, rPUE und Energie-zu-Arbeit fliessen in einen maschinell verifizierbaren ESG-Score ein, der für Routing-Bias und begrenzte Multiplikatoren genutzt wird. Ein Smart-Contract-Kohlenstoffmodul verbindet IIoT-Ereignisse mit der Ausgabe und Stilllegung von Gutschriften, ermöglicht kohlenstoffadjustierte Preisbildung und verhindert Doppelzählung über On-Chain-Provenienz.

Governance und Compliance sind im Systementwurf von vornherein angelegt. Der Orchestrator setzt Datenlokalisierung und Zugriffsrichtlinien durch, und der Rücknahmepfad des Tokens ist so strukturiert, dass er sich an Schweizer und EU-Regime ausrichtet, indem die Rücknahme über einen regulierten Emittenten mit getrennt gehaltenen Reserven und dokumentierten Verfahren geführt wird. Die Aussagen bleiben auf der Ebene der beabsichtigten Ausrichtung und behaupten keinen formalen Zertifizierungsstatus.

Die formale Analyse spezifiziert die Optimierung auf Knotenebene unter Latenz, Energieverfügbarkeit, ESG-Pflichten und Token-Ökonomie. Jedes Rechenzentrum maximiert eine lokale Nutzenfunktion unter verifizierbaren Restriktionen. Unter begrenzten Multiplikatoren, Preiskorridoren und warteschlangenreaktiven Aufschlägen sind die besten Antworten monoton, und für die Compute- und Energie-Teilmärkte existiert ein Nash-Gleichgewicht. Das erlaubt die Simulation dezentraler Dynamik und eine reproduzierbare Analyse über heterogene rechtliche und geografische Umgebungen hinweg.

Das Modell ermöglicht offene Teilnahme und dezentrales Eigentum. Städte, Dörfer und Einzelpersonen können zertifizierte Kapazität beisteuern und Erlöse erhalten, die über IIoT-basierte Messung und Smart-Contract-Logik verteilt werden. Das Schweizer Einsatzszenario dient als regulatorischer Prototyp, dessen Parameter sich an Jurisdiktionen anpassen lassen, die eine ESG-bewusste und souveränitätswahrende Infrastruktur verlangen.

Systemarchitektur

Die Systemarchitektur umfasst zwei voneinander abhängige Schichten. Die funktionale Architektur definiert die logischen Rollen und Interaktionen der Systemkomponenten. Die Infrastrukturtopologie spezifiziert den physischen Einsatz über Jurisdiktionen und Betriebsumgebungen hinweg.

Funktionale Architektur

Die funktionale Architektur besteht aus vier interoperablen Domänen: AI-Compute (A, CMP), dezentrale Datenspeicherung (B, STR), Distributed-Ledger-Infrastruktur (C, DLT) und Orchestrierung (D, ORC). Diese Komponenten sind funktional entkoppelt, um Modularität, jurisdiktionelle Trennung und operative Unabhängigkeit über heterogene regulatorische Kontexte hinweg zu sichern. Das Zusammenspiel und die Trennung dieser Domänen zeigt Abbildung 1.

AI-Compute (A, CMP) gliedert sich in zwei Subdomänen: zentralisiertes Training (A1, TRN) und dezentrale Inferenz (A2, INF). Das Training konzentriert sich in einer Anlage hoher Dichte, optimiert für die Entwicklung grosser Modelle einschliesslich Pretraining, Fine-Tuning und Reinforcement-Workflows. Die Inferenz wird über geografisch verteilte Knoten in fünf standardisierten Klassen ausgeführt, konfiguriert für Energieintegration, regulatorische Eingrenzung und latenzeffizienten Betrieb. Die Trennung von Training und Inferenz ermöglicht Auditierbarkeit, verringert Latenz-Externalitäten und erlaubt eine granulare Kontrolle der Workload-Verteilung. Dezentrale Datenspeicherung (B, STR) wird von Knoten bereitgestellt, die unter zertifizierten Kapazitäts-, Standort- und Verfügbarkeitsrestriktionen arbeiten. Daten werden verschlüsselt, partitioniert und im Einklang mit Anforderungen an Datenresidenz und Zugriffsgovernance verteilt. Die logische Trennung von der Compute-Infrastruktur verhindert unbefugte Inferenz und ermöglicht die unabhängige Prüfung des Speicherbetriebs. Die Distributed-Ledger-Infrastruktur (C, DLT) führt verifizierbaren Vertragszustand, Token-Abrechnung und Koordinationslogik. Sie hält Routing-Anweisungen, ESG-Scoring-Metriken und die Einhaltung von Servicelevels unter formalen Konsensbedingungen fest. Smart Contracts werden in dieser Schicht ausgeführt, um die Durchsetzung zu isolieren, die Koordinationslast zu senken und souveräne Governance unter mehrjurisdiktionellen Restriktionen zu ermöglichen. Die Systemorchestrierung (D, ORC) ist als verifizierbare Kontrollschicht umgesetzt, die mit den Compute-, Storage- und Ledger-Domänen verbunden ist. Sie steuert Aufgabenplanung, Knotenregistrierung, Ressourcenermittlung und Fehlerisolierung. Diese Schicht setzt Konsistenz auf Protokollebene über dezentrale Abläufe hinweg durch und wahrt Kohärenz, Auditierbarkeit und regulatorische Nachvollziehbarkeit unter funktionaler Trennung.

Das Zusammenspiel dieser Domänen ist in Gleichung 1 formalisiert.

\begin{align} \label{eq:system-coordination} \mathcal{F} &: (A2, B, C) \xrightarrow{D} \mathcal{O} \\ \text{s.t.} \quad & A = A1 \cup A2,\quad A1 \cap A2 = \emptyset,\quad D \perp (A1) \nonumber \end{align}

(1)

1Koordination über die getrennten Systemdomänen

Die Funktion $\mathcal{F}$ bildet die operativen Domänen, bestehend aus dezentraler Inferenz ( $A2$ ), Storage ( $B$ ) und Ledger-Infrastruktur ( $C$ ), auf einen systemweiten Betriebszustand $\mathcal{O}$ ab, gesteuert durch die Orchestrierungsschicht ( $D$ ). Die Orchestrierung wirkt als verifizierbare Kontrollschnittstelle, die Konsistenz auf Protokollebene durchsetzt und Auditierbarkeit über ansonsten entkoppelte Domänen hinweg sichert. Zentralisiertes Training ( $A1$ ) ist von dieser Koordinationslogik ausgenommen, was seine eigenständige Rolle in der Entwicklung grosser Modelle abbildet. Der Ausdruck $A = A1 \cup A2$ mit $A1 \cap A2 = \emptyset$ formalisiert die architektonische Trennung von Training und Inferenz. Die Orthogonalitätsbedingung $D \perp (A1)$ besagt, dass die Orchestrierung unabhängig von der Trainingsanlage arbeitet.

Infrastrukturtopologie

Wir schlagen eine physisch verteilte Federated AI Infrastructure vor, strukturiert als jurisdiktionell begrenztes System interoperabler Knotentypen. Die Topologie bildet regulatorische Trennung, funktionale Unabhängigkeit und operative Skalierbarkeit über die nationale Infrastruktur hinweg ab. Das Modell ist auf souveränen Einsatz ausgelegt und ermöglicht die Integration dezentraler AI-Workloads, vertragsbasierter Koordination und ESG-auditierbarer Ressourcengovernance. Die Beziehung zwischen funktionalen Domänen und Knotentypen zeigt Abbildung 1.

Die Infrastruktur besteht aus drei Knotentypen mit jeweils eigenen Rollen in der Systemarchitektur. Knotentyp I entspricht der zentralisierten AI-Trainingsanlage (A1, TRN) und stellt die für Pretraining und Modellverfeinerung erforderliche Rechenleistung hoher Dichte bereit. Knotentyp II setzt die Orchestrierungsschicht (D, ORC) um und verantwortet Koordination, Routing und Vertragslogik. Beide Typen sind zentrale Komponenten und in jeder Instanz des nationalen Systems erforderlich. Sie bilden den operativen Kern der Architektur und werden typischerweise in kontrollierten Umgebungen mit hoher Compliance betrieben.

Der Distributed Ledger ist als Permissioned-Konsortial-DAG (Directed Acyclic Graph) mit einem leaderless asynchronen byzantinisch fehlertoleranten (aBFT) Konsensprotokoll umgesetzt. Master-DAG-Knoten, zuständig für Transaktionsfinalität, Ordnung und domänenübergreifende Validierung, sind in Typ II integriert. DAG-Knoten auf Ausführungsebene, die Vertragsausführung und lokale Validierung übernehmen, sind über die Typ-III-Infrastruktur verteilt.

Knotentyp III umfasst alle dezentralen Infrastrukturelemente, einschliesslich Inferenzknoten (A2, INF), Datenspeicherung (B, STR) und operativer Ledger-Komponenten (C, DLT). Diese Knoten unterscheiden sich in ihrer physischen Kapazität und werden in fünf standardisierten Grössen eingesetzt: Micro (μ), Small (S), Medium (M), Large (L) und Extra-Large (XL). Während Typ I und II in Anzahl und Funktion fest sind, sind Typ-III-Knoten in Menge und Konfiguration variabel. Ihre Verteilung hängt von den Investitionsentscheidungen der Stakeholder, der lokalen Energieverfügbarkeit, regulatorischen Anreizen und ESG-Zielen ab. Diese Modularität erlaubt es jeder Jurisdiktion, ihr Infrastrukturlayout an nationalen Prioritäten auszurichten und dabei Interoperabilität und funktionale Symmetrie im System zu wahren.

DAG-basierte Konsensprotokolle ermöglichen effiziente, leaderless asynchrone byzantinische Fehlertoleranz mit hohem Durchsatz und Fairness. Ein System baut auf DAG-Rider und Narwhal/Tusk auf und verbindet einen Kommunikations-DAG mit synchroner Fast-Path-Optimierung, um Atomic Broadcast ohne zusätzliche Konsensrunden zu erreichen (Spiegelman et al. 2022). Eine aktuelle Übersichtsarbeit ordnet DAG-basierte Distributed-Ledger-Technologien in verfügbarkeits- und konsistenzorientierte Designs ein und analysiert Abwägungen bei Finalität, Fehlertoleranz und Fairness (Raikwar et al. 2025). Ein weiterer Rahmen implementiert Permissioned-asynchronen DAG-Konsens mit logischer Zeitordnung und leaderless praktischem BFT über Konsortialteilnehmende hinweg (Choi et al. 2018). FAII setzt einen Permissioned-Konsortial-DAG mit leaderless asynchronem BFT ein und integriert Orchestrierungsknoten zur Durchsetzung der Finalität, was Durchsatz und Fehlerresilienz unter partieller Synchronie erhält.

Die systemweite Infrastruktur lässt sich als Tupel über Knotentypen und Domänenzuordnungen formalisieren, wie in Gleichung 2 gezeigt.

\begin{align} \label{eq:infrastructure-mapping} \mathcal{I} &= \big( \mathcal{N}_\text{I}, \mathcal{N}_\text{II}, \mathcal{N}_\text{III} \big) \\ \text{s.t.} \quad \mathcal{N}_\text{I} &\mapsto A1, \nonumber \\ \mathcal{N}_\text{II} &\mapsto D,\ \text{and master nodes of } C, \nonumber \\ \mathcal{N}_\text{III} &\mapsto \{A2,\ B,\ C\setminus C^*\},\quad C^* \subset C. \nonumber \end{align}

(2)

2Die Infrastruktur als Tupel von Knotentypen

Die Infrastruktur wird als Tupel $\mathcal{I} = \big( \mathcal{N}_\text{I}, \mathcal{N}_\text{II}, \mathcal{N}_\text{III} \big)$ formalisiert, wobei $\mathcal{N}_\text{I}$ , $\mathcal{N}_\text{II}$ und $\mathcal{N}_\text{III}$ die Mengen der eingesetzten Knoten von Typ I, II und III bezeichnen. Jede Menge ist ihrer zugehörigen funktionalen Domäne zugeordnet. Typ-I-Knoten setzen zentralisiertes AI-Training um und sind der Subdomäne $A1$ zugeordnet. Typ-II-Knoten setzen die Orchestrierung $D$ um und beherbergen die Master-Knoten $C^* \subset C$ der Distributed-Ledger-Infrastruktur. Typ-III-Knoten tragen dezentrale Inferenz $A2$ , dezentrale Datenspeicherung $B$ und die übrige DAG-Infrastruktur $C \setminus C^*$ , wobei $C \setminus C^*$ die Ledger-Knoten auf Ausführungsebene bezeichnet, die nicht Typ II zugeordnet sind. Dieser Formalismus erfasst Infrastrukturlayout und Domänentrennung in einer systemweiten Sicht.

Während Knotentyp I und II in jedem nationalen Einsatz der Federated AI Infrastructure als Einzelinstanzen bereitgestellt werden, muss ihr physisches Design skalierbare Kapazität tragen. Das umfasst vertikale Erweiterung über modulare Upgrades und, wo erforderlich, horizontale Replikation auf Standortebene. In der Planungs- und ersten Einsatzphase muss ihre Dimensionierung die erwartete Verbreitung des Systems, die erwarteten Inferenz- und Koordinationslasten sowie jurisdiktionsspezifische Restriktionen bei nachhaltiger und nicht erneuerbarer Netzenergie, gemeinhin als graue Energie bezeichnet, abbilden. Beide Knotentypen unterliegen einer oberen Kapazitätsgrenze, bestimmt durch die am Standort maximal zuteilbare Energie, um Netzüberlastung zu vermeiden, die lokale Infrastruktur stabil zu halten und ESG-konforme Einsatzstrategien zu ermöglichen. Kapazität bezeichnet in diesem Zusammenhang das aggregierte technische Potenzial eines Knotens, seine zugewiesene Funktion über ein definiertes Intervall unter Nennbedingungen zu erbringen. Für Knotentyp I meint dies den dauerhaften Fliesskomma-Durchsatz (FLOPS) oder Trainings-Token pro Tag, Metriken, die in der Kapazitätsplanung des Hochleistungsrechnens üblich sind (RAND Corporation 2024; Wikipedia contributors 2025b). Für Knotentyp II entspricht Kapazität dem Durchsatz der Orchestrierungsschicht, ausgedrückt als Operationen pro Sekunde oder validierte Kontrollzustandsübergänge pro Sekunde, im Einklang mit Benchmarks aus Orchestrierungs- und Container-Management-Frameworks (Straesser et al. 2023; G et al. 2023). In beiden Fällen ist die Kapazität eine Funktion von Hardwarekonfiguration, Effizienz des Software-Stacks, Stromversorgung, thermischer Auslegung und Einhaltung betrieblicher Lastzyklen. Sie bildet die Grundlage für Skalierungsentscheidungen, Energiebudgetierung und Servicelevel-Schätzung in der Infrastrukturplanung (TierPoint 2023; RAND Corporation 2024). Die zugehörigen Dimensionierungsrestriktionen für Knotentyp I und II sind in den Gleichungen 3 und Gl. 3 formalisiert.

\begin{align} \text{Type I capacity:} \quad & C_{\text{TRN}} \in [C_{\text{min}}^{\text{TRN}}, C_{\text{max}}^{\text{TRN}}(E_{\text{avail}}^{\text{TRN}})] \label{eq:type1-scaling} \\ \text{Type II capacity:} \quad & C_{\text{ORC}} \in [C_{\text{min}}^{\text{ORC}}, C_{\text{max}}^{\text{ORC}}(E_{\text{avail}}^{\text{ORC}})] \label{eq:type2-scaling} \end{align}

(3)

3Dimensionierungsrestriktionen für trainingsfähige Knoten

Dabei bezeichnen $C_{\text{TRN}}$ und $C_{\text{ORC}}$ die installierten Kapazitäten der zentralen Trainingsanlage (Typ I) beziehungsweise des Orchestrierungsknotens (Typ II). Jede Kapazität muss eine funktionale Mindestschwelle $C_{\text{min}}^{\cdot}$ überschreiten und zugleich innerhalb einer jurisdiktionsspezifischen Obergrenze $C_{\text{max}}^{\cdot}(E_{\text{avail}}^{\cdot})$ bleiben, bestimmt durch die dauerhaft zuteilbare Energie. Das umfasst sowohl erneuerbare Quellen als auch übergangsweise graue Energie, die für AI-Infrastruktur vorgesehen ist. Diese Restriktionen sichern die Einhaltung der Energieregulierung und verhindern eine Destabilisierung der lokalen Versorgung während des Einsatzes. Die gesamte installierte Kapazität der Typ-III-Infrastruktur ergibt sich aus Anzahl und Klasse der eingesetzten dezentralen Knoten. Jeder Knoten gehört einer von fünf standardisierten Klassen an: Micro, Small (S), Medium (M), Large (L) und Extra-Large (XL). Die Knotenkapazität ist je Klasse fest. Stakeholder skalieren das System durch Replikation von Knoten innerhalb jeder Klasse. Die zugehörige Dimensionierungsrestriktion und die Definitionen auf Klassenebene sind in den Gleichungen 4 und Gl. 4 formalisiert.

\begin{align} \text{Type III capacity:} \quad & C_{\text{III}} \in [C_{\text{min}}^{\text{III}}, C_{\text{max}}^{\text{III}}(E_{\text{avail}}^{\text{III}})] \label{eq:type3-scaling} \\ \text{Class capacities:} \quad & \begin{aligned}[t] C_{\mu} &= n_{\mu} \cdot c_{\mu}, \quad C_{\text{S}} = n_{\text{S}} \cdot c_{\text{S}}, \quad C_{\text{M}} = n_{\text{M}} \cdot c_{\text{M}}, \\ C_{\text{L}} &= n_{\text{L}} \cdot c_{\text{L}}, \quad C_{\text{XL}} = n_{\text{XL}} \cdot c_{\text{XL}}, \quad C_{\text{III}} = C_{\mu} + C_{\text{S}} + C_{\text{M}} + C_{\text{L}} + C_{\text{XL}} \end{aligned} \label{eq:type3-components} \end{align}

(4)

4Dimensionierungsrestriktionen für replizierte Klassenknoten

Dabei bezeichnet $C_{\text{III}}$ die gesamte installierte Kapazität der Typ-III-Infrastruktur. Die Untergrenze $C_{\text{min}}^{\text{III}}$ entspricht dem minimal tragfähigen Betrieb. Die Obergrenze $C_{\text{max}}^{\text{III}}(E_{\text{avail}}^{\text{III}})$ bildet die maximal zulässige Kapazität unter ESG-konformer Energiezuteilung ab. Die Komponenten auf Klassenebene sind über feste Knotenkapazitäten $c_{i}$ und die Anzahl eingesetzter Knoten $n_{i}$ für jede Klasse $i \in \{\mu, \text{S}, \text{M}, \text{L}, \text{XL}\}$ definiert.

Anders als Knotentyp I und II, die über Kapazitätserweiterung innerhalb einer festen Knoteninstanz skalieren, skaliert die Typ-III-Infrastruktur horizontal durch Replikation von Knoten über die definierten Klassen. Jeder Typ-III-Knoten arbeitet mit einer durch seine Klasse festgelegten Kapazität und ist intern nicht erweiterbar.

Wird zusätzliche Kapazität benötigt, können Stakeholder neue Knoten in einer der fünf standardisierten Grössen bereitstellen. Diese Skalierungslogik wahrt die operative Granularität, vereinfacht die Energiebudgetierung und ermöglicht inkrementelle Ausbaustrategien, die auf lokale Restriktionen und die Ressourcen der Stakeholder zugeschnitten sind.

Jede Instanz des Knotentyps III integriert alle operativen Subsysteme, die für dezentrale Teilnahme erforderlich sind, einschliesslich AI-Inferenzausführung (A2, INF), zertifizierter Datenspeicherung (B, STR) und Distributed-Ledger-Betrieb (C, DLT). Dieses zusammengesetzte Design stellt sicher, dass jeder eingesetzte Knoten Inferenzaufgaben eigenständig ausführen, partitionierte und verschlüsselte Daten vorhalten und Smart Contracts innerhalb der Permissioned-DAG-Infrastruktur validieren oder ausführen kann. Die Einbettung aller drei funktionalen Domänen in eine einheitliche physische Einheit ermöglicht modularen Einsatz, lokalisierte Resilienz und Interoperabilität auf Protokollebene über geografisch verteilte Infrastruktur hinweg.

Node Class Functions and Size Differentiation

Das aktuelle Modell definiert Knotentyp III in fünf physischen Grössen: Micro (μ), Small (S), Medium (M), Large (L) und Extra-Large (XL). Jede Knotenklasse integriert den vollständigen operativen Stack, dezentrale Inferenz (A2, INF), Datenspeicherung (B, STR) und Ledger-Funktionen (C, DLT), und ist grundsätzlich berechtigt, jede Systemaufgabe auszuführen. Daraus ergibt sich die Frage, ob die physische Knotengrösse eine funktionale Differenzierung nach sich ziehen sollte oder ob alle Knoten in der Orchestrierungslogik dieselbe Berechtigung behalten sollten.

Zwei Konfigurationen sind möglich. Im uniformen Modell setzen alle Klassen dieselben funktionalen Fähigkeiten um. Die Aufgabenzuteilung bleibt grössenagnostisch, wobei Orchestrierungsentscheidungen allein auf Verfügbarkeit und Compliance beruhen. Dieser Ansatz vereinfacht die Protokolllogik und fördert egalitäre Teilnahme, kann aber suboptimale Ergebnisse erzeugen, besonders wenn kleinen Knoten rechenintensive Inferenz- oder Vertragsausführungslasten zugewiesen werden.

Ein differenziertes Modell weist funktionale Schwerpunkte nach Knotengrösse zu. Micro- und Small-Knoten können latenzarme Edge-Inferenz und lokale Speicherung priorisieren, während L- und XL-Knoten rechenintensiver Inferenz oder durchsatzstarker Ledger-Validierung zugeordnet werden könnten. Diese Konfiguration ermöglicht Leistungsoptimierung, effizientere Energiezuteilung und strukturierte Anreize. Stakeholder könnten Investitionsstufen nach Workload-Beitrag und Monetarisierungslogik wählen. Beide Modelle bieten tragfähige Abwägungen. Uniformität maximiert die Systemredundanz und vereinfacht die Governance. Differenzierung führt ökonomische Signalwirkung und strategische Investitionslogik ein und ermöglicht Workload-Spezialisierung, was Effizienz und Renditen der Stakeholder verbessern kann. Die architektonische Wahl wirkt auf die Aufgabenverteilung ebenso wie auf die Konvergenzeigenschaften dezentraler Koordinationsmodelle wie des Nash-Gleichgewichts unter beschränkten Ressourcen. Um die ökonomische Begründung für Typ-III-Teilnahme und Orchestrierung in der Federated AI Infrastructure zu formalisieren, definieren wir ein Kapazitätszuteilungs- und Servicemodell. Ziel ist es, die Klassenwahl der Investierenden, die orchestrierungsbedingte Workload-Verteilung und das resultierende Gleichgewicht unter Energie-, Zuverlässigkeits- und Compliance-Restriktionen zu charakterisieren.

Die Menge der Typ-III-Klassen sei $\mathcal{C} = \{\mu, \mathrm{S}, \mathrm{M}, \mathrm{L}, \mathrm{XL}\}$ . Für jede Klasse $i \in \mathcal{C}$ bezeichne $n_i \in \mathbb{N}$ die Anzahl eingesetzter Knoten, $c_i > 0$ die feste Kapazität je Knoten und $\Sigma_i = n_i\,\sigma_i$ die effektive Servicekapazität, wobei $\sigma_i > 0$ die verifizierte Servicerate je Knoten ist. Systemaufgaben treffen mit der Rate $\lambda > 0$ ein. Die Orchestrierungsschicht wählt einen Routing-Anteil $\phi_i \in [0,1]$ mit $\sum_{i \in \mathcal{C}} \phi_i = 1$ . Die Klassenauslastung sei definiert als

\begin{align} u_i \;=\; \frac{\phi_i\,\lambda}{\Sigma_i}\,. \label{eq:utilisation} \end{align}

(5)

5Auslastung einer Knotenklasse

Der Servicelevel-Erfolg ist gegeben durch

s_i = s_i(u_i, \tau_i, r_i) \in [0,1]

, wobei

\tau_i

und

r_i

die Latenz- beziehungsweise Zuverlässigkeitsparameter bezeichnen. Die Funktion

s_i(\cdot)

ist nicht steigend in

u_i

und nicht fallend in

\tau_i

und

r_i

. Die von Klasse

i

erbrachte verifizierte Arbeit ist

\begin{align} \mathcal{V}_i \;=\; \phi_i\,\lambda\, s_i(u_i, \tau_i, r_i)\,. \label{eq:verified-work} \end{align}

(6)

6Von einer Klasse erbrachte verifizierte Arbeit

Protokollprämien werden je Einheit verifizierter Arbeit zum Basissatz $p>0$ mit optionalem Klassenmultiplikator $m_i\ge 0$ gezahlt. Der Energieverbrauch der Klasse $i$ zerlegt sich als $e_i=e_i^{\mathrm{idle}}+e_i^{\mathrm{dyn}}(\mathcal{V}_i)$ , wobei $e_i^{\mathrm{dyn}}(\cdot)$ nicht fallend ist. $\kappa_e>0$ bezeichne den effektiven Energiepreis je Einheit bei der Power Usage Effectiveness des Standorts. $o_i\ge 0$ seien die nicht energiebezogenen Betriebskosten, $\kappa_o>0$ der Kostenumrechnungsfaktor, $\delta\ge 0$ die Amortisationsrate und $\mathrm{capex}_i>0$ die klassenspezifische Investition. Pönalen $\ell_i=\ell_i(u_i)\ge 0$ fallen bei SLO-Verletzungen oder Konsensfehlern an und sind nicht fallend in $u_i$ .

Der erwartete Nettoertrag aus dem Betrieb eines Knotens der Klasse $i$ ist

\begin{align} R_i \;=\; p\,m_i\,\mathcal{V}_i \;-\; \kappa_e\,e_i \;-\; \kappa_o\,o_i \;-\; \varphi\,\ell_i \;-\; \delta\,\mathrm{capex}_i\,, \label{eq:return} \end{align}

(7)

7Erwarteter Nettoertrag aus dem Betrieb eines Knotens

wobei

\varphi>0

die Pönalen skaliert. Risikosensitive Investierende mit absolutem Risikoparameter

\rho\ge 0

maximieren den Mittelwert-Varianz-Nutzen

\begin{align} U_i \;=\; \mathbb{E}[R_i] \;-\; \rho\,\mathrm{Var}(R_i)\,. \label{eq:mean-variance} \end{align}

(8)

8Mittelwert-Varianz-Nutzen für risikosensitive Investierende

Jeder Knoten unterliegt Standortrestriktionen für Energie, Bandbreite, Verfügbarkeit, Zertifizierung und Kohlenstoff

\begin{align} e_i \le E_{\mathrm{loc}},\qquad b_i \le B_{\mathrm{loc}},\qquad a_i \ge a_{\min},\qquad \theta_i \in \Theta_{\mathrm{cert}},\qquad \mathrm{CO2}_i \le \Gamma_{\mathrm{cap}}\,. \label{eq:local-constraints} \end{align}

(9)

9Standortgrenzen für Energie, Bandbreite und Zertifizierung

Aufgaben können Mindestanforderungen an die Hardware stellen.

\chi_i\in\{0,1\}

bezeichne die Berechtigung für eine gegebene Aufgabenklasse, mit

\chi_i=1

, falls Klasse

i

die Anforderung erfüllt. Die verifizierte Arbeit in Gl. 6 ist dann bedingt auf

\chi_i=1

zu verstehen.

Bei gegebener Orchestrierungs-Policy $\phi=(\phi_i)_{i\in\mathcal{C}}$ , Prämien $(p,m_i)$ und eingesetztem Angebot $n=(n_i)_{i\in\mathcal{C}}$ wählen gewinnmaximierende, risikosensitive Stakeholder eine Klasse $i\in\mathcal{C}$ , um

\begin{align} \max_{i\in\mathcal{C}}\quad & U_i \quad \text{s.t.}\quad \text{(5)}\text{--}\text{(9)}\,. \label{eq:investor-problem} \end{align}

(10)

10Die Wahl der Knotenklasse durch die Investierenden

zu maximieren. Risikoneutrales Verhalten ergibt sich, indem

\rho=0

in Gl. 8 gesetzt wird.

Die Orchestrierungsschicht setzt $\phi$ und die Preisinstrumente $(p,m_i)$ , um politische Ziele unter Zulässigkeit und Marktausgleich zu erreichen. Die Wohlfahrt sei die verifizierte Arbeit abzüglich Energie und Externalitäten, mit optionaler Diversitätsregularisierung zur Vermeidung von Konzentration. Für ein Gewicht $\eta\ge 0$ auf Konzentration und einen konvexen Regularisierer $\Psi(\phi)$ definiere

\begin{align} \max_{\phi,(p,m_i)}\quad & \underbrace{\sum_{i\in\mathcal{C}} \big(p\,m_i\,\mathcal{V}_i - \kappa_e\,e_i \big)}_{\text{net verified work}} \;-\; \eta\,\Psi(\phi) \\ \text{s.t.}\quad & \sum_{i\in\mathcal{C}}\phi_i = 1,\quad \phi_i \ge 0,\quad \text{(5)--(9)},\quad \text{eligibility } \chi_i=1\ \text{when required}\,. \label{eq:orchestrator-problem} \end{align}

(11)

11Das Routing- und Prämienproblem des Orchestrators

Eine gängige Wahl ist

\Psi(\phi)=\sum_{i}\phi_i^2

, was Konzentration bestraft und die Dezentralisierung wahrt.

Routing-Anteile wirken über Gl. 5 auf die Überlastung. Für ein gegebenes $i$ sei $s_i(u_i,\tau_i,r_i)$ stetig differenzierbar und streng fallend in $u_i$ auf $[0,1)$ . Die marginale verifizierte Arbeit bezüglich $\phi_i$ ist

\begin{align} \frac{\partial \mathcal{V}_i}{\partial \phi_i} \;=\; \lambda\,s_i(u_i,\tau_i,r_i) \;+\; \phi_i\,\lambda\,\frac{\partial s_i}{\partial u_i}\,\frac{\partial u_i}{\partial \phi_i} \;=\; \lambda\,s_i \;+\; \phi_i\,\lambda\,\frac{\partial s_i}{\partial u_i}\,\frac{\lambda}{\Sigma_i}\,, \label{eq:marginal-verified} \end{align}

(12)

12Marginale verifizierte Arbeit bei steigendem Routing-Anteil

was streng kleiner als

\lambda\,s_i

ist, wenn

\partial s_i/\partial u_i<0

. Überlastung verringert den Grenzertrag zusätzlichen Routings zu gesättigten Klassen.

Ein Gleichgewicht ist ein Tupel $(\phi^\star,(p^\star,m^\star_i),n^\star)$ , sodass bei gegebenem $(\phi^\star,(p^\star,m^\star_i))$ die Klassenwahl jedes Stakeholders Gl. 10 löst und zum Angebotsvektor $n^\star$ führt. Bei gegebenem $n^\star$ liefert das Orchestrierungsproblem Gl. 11 das Ergebnis $\phi^\star,(p^\star,m^\star_i)$ . Freier Marktzutritt oder Teilnahmebedingungen lassen sich als $U_i\ge 0$ für aktive Klassen und $U_i\le 0$ sonst auferlegen.

Der Ertragsausgleich je Kapital- oder Energieeinheit unter grössenneutraler Orchestrierung setzt strenge Annahmen voraus. $\bar R_i$ bezeichne den Ertrag je Kapitaleinheit $K_i$ oder je Energieeinheit $\mathcal{E}_i$ . Angenommen, $m_i=1$ gilt für alle $i$ , $s_i(\cdot)\equiv \bar s$ ist unabhängig von $i$ , $e_i^{\mathrm{dyn}}(\mathcal{V}_i)=\alpha\,\mathcal{V}_i$ mit einem gemeinsamen $\alpha>0$ , $o_i$ und $\mathrm{capex}_i$ sind linear in der Kapazität mit gemeinsamen Koeffizienten, und es bestehen keine diskreten Berechtigungsrestriktionen. Dann gilt

\begin{align} \bar R_i \;=\; \frac{R_i}{K_i}\;\; \text{or} \;\; \frac{R_i}{\mathcal{E}_i} \;=\; \text{constant across } i \quad \Longleftrightarrow \quad \frac{\phi_i\,\lambda}{\Sigma_i}=\text{constant across } i\,, \label{eq:equalisation} \end{align}

(13)

13Wann sich die Erträge je Einheit über die Klassen ausgleichen

was nach Gl. 5 eine gleiche Auslastung

u_i

über die Klassen hinweg erfordert. Jede Abweichung von linearen Kosten, identischen Erfolgswahrscheinlichkeiten oder gleicher Auslastung bricht den Ausgleich. Skaleneffekte bei den Investitionsausgaben, klassenspezifische PUE, Berechtigungsschwellen und nicht lineare Pönalen

\ell_i(u_i)

erzeugen dauerhafte Keile in

\bar R_i

.

Die Prämiensensitivität gegenüber dem Energiepreis erfüllt

\begin{align} \frac{\partial R_i}{\partial \kappa_e} \;=\; -\,e_i \;<\; 0\,, \qquad \frac{\partial R_i}{\partial p} \;=\; m_i\,\mathcal{V}_i \;>\; 0\,. \label{eq:comparative-statics} \end{align}

(14)

14Wie der Ertrag mit Energiepreis und Prämie variiert

Überlastung senkt die Grenzerträge über

\partial R_i/\partial \phi_i = p\,m_i\,\partial \mathcal{V}_i/\partial \phi_i - \kappa_e\,\partial e_i/\partial \phi_i - \varphi\,\partial \ell_i/\partial \phi_i

, wobei

\partial \mathcal{V}_i/\partial \phi_i

durch Gl. 12 gegeben ist. Risikoaversion mindert die Attraktivität einer Klasse gemäss

\begin{align} \frac{\partial U_i}{\partial \rho} \;=\; -\,\mathrm{Var}(R_i) \;\le\; 0\,, \label{eq:risk} \end{align}

(15)

15Risikoaversion mindert die Attraktivität einer Klasse

was die Teilnahme von Klassen mit volatilen Prämien oder Energiekosten wegverlagert.

Grössenneutrale Preisbildung mit $m_i\equiv 1$ und $\eta=0$ in Gl. 11 kann dennoch eine effektive Grössenverzerrung erzeugen, wenn $s_i(\cdot)$ , $\mathrm{PUE}_i$ oder $\mathrm{capex}_i$ klassenabhängige Skaleneffekte aufweisen. Um politische Ziele für Dezentralisierung, Kohlenstoff oder Latenz zu internalisieren, kann die Orchestrierungsschicht Klassenmultiplikatoren $m_i=m_i(\text{ESG}_i,\tau_i,r_i)$ und einen konvexen Konzentrationsterm mit $\eta>0$ umsetzen. Die Bedingung erster Ordnung für $\phi_i$ erfüllt bei innerer Lösung

\begin{align} p\,m_i\,\frac{\partial \mathcal{V}_i}{\partial \phi_i} \;-\; \kappa_e\,\frac{\partial e_i}{\partial \phi_i} \;-\; \varphi\,\frac{\partial \ell_i}{\partial \phi_i} \;-\; \eta\,\frac{\partial \Psi}{\partial \phi_i} \;=\; \nu\,, \label{eq:KKT-routing} \end{align}

(16)

16Die Routing-Bedingung erster Ordnung

mit

\nu

als Lagrange-Multiplikator auf

\sum_i \phi_i=1

. Klassenspezifische

m_i

sollten nur dort angewandt werden, wo Effizienzgewinne aus Skalierung durch höhere

\partial \mathcal{V}_i/\partial \phi_i

netto der Externalitäten belegt sind. Konzentrationspönalen dämpfen Zentralisierung, ohne Spezialisierung zu untersagen.

Uniforme Berechtigung setzt $\chi_i=1$ für alle Klassen und Aufgaben. Differenzierte Berechtigung beschränkt $\chi_i\in\{0,1\}$ nach Aufgabentyp, um rechenintensive Inferenz oder durchsatzstarke Validierung grösseren Klassen zuzuweisen und zugleich Edge-Inferenz und Speicherpräferenz für kleinere Klassen zu wahren.

$\mathbb{T}$ sei die Menge der Aufgabentypen, und $\phi_{i,t}$ sei das Routing zu Klasse $i$ für Aufgabe $t\in\mathbb{T}$ . Unter Differenzierung wird die Zulässigkeitsmenge um $\phi_{i,t}=0$ reduziert, wenn $\chi_{i,t}=0$ . Die verifizierte Arbeit wird zu $\mathcal{V}_i=\sum_{t\in\mathbb{T}}\phi_{i,t}\,\lambda_t\, s_{i,t}(u_{i,t},\tau_{i,t},r_{i,t})$ , mit klassen- und aufgabenspezifischem Erfolg und Auslastung $u_{i,t}=\phi_{i,t}\lambda_t/\Sigma_i$ . Differenzierung kann die Gesamtwohlfahrt in Gl. 11 erhöhen, wenn der induzierte Anstieg in $\sum_{i,t} p\,m_{i,t}\,\phi_{i,t}\lambda_t s_{i,t}$ die Verluste aus geringerer Redundanz und höheren Marktzutrittsschranken übersteigt.

Das Verhalten der Investierenden wird über Gl. 10 mit Ertrag Gl. 7 und Risiko Gl. 8 erfasst. Die Orchestrierung wählt Routing und Preise über Gl. 11, wobei Überlastungs- und SLO-Effekte über Gl. 5–Gl. 12 eingehen. Der Ertragsausgleich über Klassen hinweg erfordert gleiche Auslastung und lineare, klassenagnostische Technologien wie in Gl. 13. Energiepreise, Risiko und Überlastung treiben die komparative Statik in Gl. 14–Gl. 15. Die Politikinstrumente $m_i$ und $\Psi(\phi)$ setzen Effizienz und Dezentralisierung um, wobei das optimale Routing durch Gl. 16 charakterisiert ist.

Einfach gesagt schickt das System Arbeit an unterschiedlich grosse Knoten und bezahlt für verifizierte Ergebnisse. Gleiche Erträge über die Grössen hinweg würden identische Erfolgsraten, lineare Kosten und gleiche Auslastung erfordern, was selten zutrifft. Grössere Knoten verarbeiten schwere Inferenz- und Ledger-Aufgaben effizienter und haben oft die bessere Energieeffizienz, stossen aber an die Energiegrenzen ihres Standorts und sind bei Verfehlen strenger Serviceziele stärker Pönalen ausgesetzt. Kleinere Knoten sitzen näher an den Nutzenden, reagieren schnell und speichern lokale Daten, doch ihr Ertragspotenzial ist gedeckelt, sofern die Koordination keine Edge-Aufgaben reserviert oder grössenneutrale Preise setzt. Wird Energie teuer oder schwanken die Prämien, wenden sich risikoaverse Investierende kleineren, besser planbaren Rollen zu. Investierende mit Zugang zu günstiger erneuerbarer Energie, starker Bandbreite und Compliance-Bereitschaft bevorzugen Large- oder Extra-Large-Knoten, weil Skalierung den Nettoertrag nach Energie, Betrieb und amortisiertem Kapital verbessert. Ohne Politikmassnahmen ist eine Drift zur Konzentration in grösseren Klassen für Compute und Validierung zu erwarten, mit einer beständigen Schicht kleiner Knoten am Edge, um Latenz- und Lokalitätsbedarf zu decken. Mit Politikmultiplikatoren, die an ESG, Latenzziele und Konzentrationspönalen gebunden sind, konvergiert das System zu einer gemischten Flotte mit anhaltender Teilnahme über alle Klassen. Stakeholder wählen die Klasse, die den erwarteten Nettoertrag nach Energie, Betriebskosten und Pönalen unter lokalen Restriktionen maximiert, was gemeinhin Large- oder Extra-Large-Knoten für gut kapitalisierte Betriebe und Small- oder Medium-Knoten für kapitalbeschränkte oder edge-orientierte Teilnehmende begünstigt.

Vorschlag zu Preisbildung und Berechtigung

Ein einheitlicher Pauschalsatz nach Grösse, Kapazität und Onlinezeit erzeugt adverse Selektion und eine Unterversorgung mit Hochleistungsrollen. Ein rein leistungsgetriebener Tarif birgt das Risiko der Zentralisierung in grossen Klassen und schwacher Edge-Teilnahme. Ein hybrider Mechanismus bringt Effizienz mit Dezentralisierung und ESG-Politik in Einklang. Knoten $j$ in Klasse $i\in\{\mu,\mathrm{S},\mathrm{M},\mathrm{L},\mathrm{XL}\}$ verarbeite die Aufgabentypen $t\in\mathbb{T}$ . Definiere Verfügbarkeit $a_{ij}\in[0,1]$ , verifizierte Arbeit $V_{ij,t}$ , Energie $e_{ij}$ , nicht energiebezogene Betriebskosten $o_{ij}$ und Pönalen $\ell_{ij}$ . $c_i$ bezeichne die feste Kapazitätseinheit je Knoten. Die Auszahlung zerlegt sich in einen grössenneutralen Availability Floor, eine Leistungskomponente mit Politikmultiplikatoren und Abzüge.

\begin{align} P^{\mathrm{base}}_{ij} &= p_0\, a_{ij}\, c_i, \label{eq:base}\\[3pt] P^{\mathrm{perf}}_{ij} &= \sum_{t\in\mathbb{T}} p_t\; m^{\mathrm{ESG}}_{i}\; m^{\mathrm{lat}}_{i,t}\; m^{\mathrm{div}}_{i}\; V_{ij,t}, \label{eq:perf}\\[3pt] \Phi_{ij} &= \kappa_e\, e_{ij} + \kappa_o\, o_{ij} + \varphi\, \ell_{ij}, \label{eq:deductions}\\[3pt] \Pi_{ij} &= P^{\mathrm{base}}_{ij} + P^{\mathrm{perf}}_{ij} - \Phi_{ij}. \label{eq:net} \end{align}

(17)

17Auszahlung geteilt in Availability Floor und Leistung

Der Availability Floor $P^{\mathrm{base}}_{ij}$ vergütet gemessene Betriebszeit und Kapazitätsbereitschaft, ohne die Grösse über die installierte Kapazität hinaus zu bevorzugen. Der Leistungsterm $P^{\mathrm{perf}}_{ij}$ vergütet verifizierte Arbeit zu aufgabenspezifischen Posted Prices $p_t$ , angepasst durch drei transparente Multiplikatoren. Der ESG-Multiplikator $m^{\mathrm{ESG}}_{i}\in[1,\overline{m}_{\mathrm{ESG}}]$ steigt mit dem Anteil erneuerbarer Energie und der zertifizierten Kohlenstoffintensität der Klasse $i$ . Der Latenzmultiplikator $m^{\mathrm{lat}}_{i,t}\in[1,\overline{m}_{\mathrm{lat}}]$ steigt mit der SLO-Schärfe und dem gemessenen Erfolg für den Aufgabentyp $t$ . Der Diversitätsmultiplikator $m^{\mathrm{div}}_{i}$ wirkt der Konzentration entgegen, indem er die Prämien senkt, sobald eine Klasse den Workload dominiert. $s_i$ bezeichne den systemweiten Anteil der von Klasse $i$ ausgeführten verifizierten Arbeit, und $\bar{s}\in(0,1)$ sei eine angestrebte Obergrenze für jede einzelne Klasse. Eine einfache konvexe Form ist

\begin{align} m^{\mathrm{div}}_{i} \;=\; 1 - \eta\, \big(s_i - \bar{s}\big)_+,\qquad (x)_+ := \max\{x,0\}, \qquad \eta\in[0,1). \label{eq:diversity} \end{align}

(18)

18Der Diversitätsmultiplikator gegen Klassendominanz

Abzüge

\Phi_{ij}

internalisieren Energie, Betrieb und Pönalen für SLO- oder Konsensfehler.

Das Task-Routing bleibt standardmässig grössenagnostisch, wahrt aber Edge-Kapazität für latenzsensitive Dienste. Für eine Teilmenge $\mathbb{T}_{\mathrm{edge}}\subseteq\mathbb{T}$ und einen Reserveparameter $\alpha_t\in(0,1]$ gilt

\begin{align} \sum_{i\in\{\mu,\mathrm{S}\}} \phi_{i,t} \;\ge\; \alpha_t \qquad \text{for all } t\in\mathbb{T}_{\mathrm{edge}}, \label{eq:edge-reserve} \end{align}

(19)

19Für latenzsensitive Stufen reservierte Edge-Kapazität

wobei

\phi_{i,t}

die Routing-Anteile der Orchestrierung sind. Posted Prices bauen Überlastung über einen transparenten Aufschlag ab, der an die normalisierte Warteschlangenlänge

q_t\in[0,\infty)

gebunden ist,

\begin{align} p_t \;=\; p_t^{0}\,\big(1 + \gamma_t\, q_t\big), \qquad \gamma_t \ge 0, \label{eq:posted-price} \end{align}

(20)

20Posted Prices bauen Überlastung ab

was die Vergütung nur dort erhöht, wo Knappheit beobachtet und verifiziert wird. Der Vorschlag verzichtet auf klassenspezifische Multiplikatoren, sofern sie nicht durch messbare politische Externalitäten gerechtfertigt sind. Gleichung 17 garantiert allen Investierenden einen planbaren Sockel. Die Gleichungen 17–Gl. 20 richten Auszahlungen an verifizierbarer Leistung, ESG und Dezentralisierungszielen aus, während Gl. 19 die Tragfähigkeit kleiner Klassen für Edge-Workloads wahrt.

Ein einheitliches Pauschalschema ist einfach, aber ineffizient und bei heterogenen Kosten und SLO-Restriktionen anfällig für Fehlzuteilung. Ein hybrider Tarif mit grössenneutralem Availability Floor und massvollen, messbaren Multiplikatoren für ESG, Latenz und Antikonzentration liefert höhere Wohlfahrt und erhält die Vielfalt, ohne grosse Renditelücken zu konstruieren. Zu erwarten ist unter diesem Design eine stabile gemischte Flotte, in der Large- und Extra-Large-Knoten sich auf durchsatzstarke Rollen spezialisieren, sobald sie überlegene verifizierte Arbeit netto Energie und Pönalen nachweisen, während Micro- bis Medium-Knoten Edge-Inferenz und lokale Speicherung über die Reserve und den Latenzmultiplikator tragen. Investierende mit günstiger erneuerbarer Energie und Compliance-Bereitschaft bevorzugen grössere Klassen. Risikoaverse oder bandbreitenbeschränkte Stakeholder bevorzugen kleinere Klassen, gestützt durch den Availability Floor und die Edge-Routing-Garantien.

Gestuftes Token-Modell und workloadgebundene Prämien

Alle Betreiber von Knotentyp III werden über ein einheitliches Token-System vergütet. Token dienen als invariante On-Chain-Recheneinheit und Abrechnungsmass im gesamten System. Wo eine Fiat-Abrechnung erforderlich ist, konvertieren Stakeholder Token in einen fiat-rückzahlbaren Stablecoin, ausgegeben von einer regulierten Einheit unter Aufsicht der FINMA oder der zuständigen nationalen Behörde der Einsatzjurisdiktion, etwa unter einem E-Geld- oder Zahlungsinstitutsregime. Konversion und Rücknahme erfolgen über lizenzierte Handelsplätze oder Abwicklungspartner mit vollständiger KYC- und AML-Compliance und Einhaltung der Travel Rule. Der regulierte Emittent hält getrennte Eins-zu-eins-Reserven mit periodischen Bestätigungen, und die Rücknahme erfolgt zum Nennwert vorbehaltlich Gebühren. Token-Ausgabe, Konversion und Rücknahme auf Protokollebene sind getrennte Aufgaben: Prämien werden on chain an die Betreiber geminted, während der Stablecoin off chain gegen Reserven vom regulierten Emittenten ausgegeben wird. Dieses Design wahrt Compliance-Bereitschaft, Auditierbarkeit und knotenübergreifende Interoperabilität, ohne einen einzigen jurisdiktionellen Monetarisierungspfad vorzuschreiben. Die Menge der Ausführungsstufen sei $\mathbb{T}=\{1,2,3,4\}$ . Jede Stufe $t\in\mathbb{T}$ steht für steigende Rechenintensität, Energieverbrauch und erwartete Dauer und erhält einen Stufenfaktor $\theta_t$ mit $1=\theta_1<\theta_2<\theta_3<\theta_4$ . Betreiber $j$ in Klasse $i\in\{\mu,\mathrm{S},\mathrm{M},\mathrm{L},\mathrm{XL}\}$ verarbeite die verifizierte Arbeit $V_{ij,t}$ für Stufe $t$ . $a_{ij}\in[0,1]$ bezeichne die gemessene Verfügbarkeit, $c_i>0$ die feste Kapazitätseinheit je Knoten, $e_{ij}$ den Energieverbrauch, $o_{ij}$ die nicht energiebezogenen Betriebskosten und $\ell_{ij}$ die Pönalen. $p>0$ sei der Token-Basissatz je Einheit verifizierter Arbeit und $p_0>0$ der Verfügbarkeitssatz. Token-Auszahlungen zerlegen sich in einen grössenneutralen Availability Floor und eine Leistungskomponente mit Politikmultiplikatoren, abzüglich der Abzüge

\begin{align} P^{\mathrm{base}}_{ij} \;=\; p_0\, a_{ij}\, c_i, \qquad P^{\mathrm{perf}}_{ij} \;=\; \sum_{t\in\mathbb{T}} p\,\theta_t\, m^{\mathrm{ESG}}_{ij}\, m^{\mathrm{SLO}}_{ij,t}\, m^{\mathrm{DIV}}_{i}\, V_{ij,t}, \label{eq:token-parts} \\ \Phi_{ij} \;=\; \kappa_e\, e_{ij} \;+\; \kappa_o\, o_{ij} \;+\; \varphi\, \ell_{ij}, \qquad \Pi_{ij} \;=\; P^{\mathrm{base}}_{ij} \;+\; P^{\mathrm{perf}}_{ij} \;-\; \Phi_{ij}. \label{eq:token-net} \end{align}

(21)

21Token-Auszahlung in ihren zwei Komponenten

Der SLO-Multiplikator $m^{\mathrm{SLO}}_{ij,t}$ honoriert zuverlässige, latenzarme Ausführung und skaliert mit dem Erfolg relativ zu einem Stufenziel $\bar s_t$

\begin{align} m^{\mathrm{SLO}}_{ij,t} \;=\; \Big(\tfrac{s_{ij,t}}{\bar s_t}\Big)^{\alpha_t}, \qquad \alpha_t \ge 1, \qquad 0 \le m^{\mathrm{SLO}}_{ij,t} \le \overline{m}_{\mathrm{SLO},t}, \label{eq:slo-mult} \end{align}

(22)

22Der Servicelevel-Multiplikator

wobei

s_{ij,t}\in[0,1]

der verifizierte SLO-Erfolg von Betreiber

j

auf Stufe

t

ist. Der ESG-Multiplikator

m^{\mathrm{ESG}}_{ij}

internalisiert Kohlenstoff und Anteil erneuerbarer Energie

\begin{align} m^{\mathrm{ESG}}_{ij} \;=\; 1 \;+\; \xi\, g(\mathrm{RE}_{ij} - \overline{\mathrm{RE}}), \qquad 0 \le \xi < 1, \qquad 1 \le m^{\mathrm{ESG}}_{ij} \le \overline{m}_{\mathrm{ESG}}, \label{eq:esg-mult} \end{align}

(23)

23Der ESG-Multiplikator auf den Anteil erneuerbarer Energie

mit steigendem und beschränktem

g(\cdot)

, dem zertifizierten Anteil erneuerbarer Energie

\mathrm{RE}_{ij}

und einer Basislinie

\overline{\mathrm{RE}}

. Der Diversitätsmultiplikator senkt die Prämien, wenn eine einzelne Klasse den Anteil verifizierter Arbeit dominiert

\begin{align} m^{\mathrm{DIV}}_{i} \;=\; 1 \;-\; \eta\, \big(s_i - \bar s\big)_+, \qquad s_i \;=\; \frac{\sum_{j,t} V_{ij,t}}{\sum_{k,j,t} V_{kj,t}}, \qquad 0 \le \eta < 1, \label{eq:div-mult} \end{align}

(24)

24Der Diversitätsmultiplikator auf den Anteil verifizierter Arbeit

wobei

\bar s\in(0,1)

die angestrebte Obergrenze des Klassenanteils ist und

(x)_+ := \max\{x,0\}

.

Die Stufenpreise sind veröffentlicht und überlastungsbewusst. $q_t\ge 0$ sei eine normalisierte Warteschlange für Stufe $t$

\begin{align} \theta_t \;=\; \theta_t^{0}\,\big(1 + \gamma_t\, q_t\big), \qquad \gamma_t \ge 0. \label{eq:congestion} \end{align}

(25)

25Überlastungsbewusste Stufenpreise

Deckelungen und Dispersionsrestriktionen verhindern Prämienkonzentration und Fehlrouting

\begin{align} 0 \le \Pi_{ij} \le \overline{E}_{i}, \qquad s_i \le \bar s, \qquad \frac{w_{ij,t}}{W_t} \le \beta_t < 1, \qquad \sum_{j} \mathbb{1}\{w_{ij,t}>0\} \ge d_t, \label{eq:caps-dispersion} \end{align}

(26)

26Deckelungen und Dispersionsgrenzen gegen Konzentration

wobei

w_{ij,t}

der Workload-Anteil der Aufgabenmasse

W_t

ist, der an Betreiber

j

auf Stufe

t

geht,

\beta_t

eine Zuteilungsgrenze je Aufgabe darstellt und

d_t

die Streuung über mindestens

d_t

verschiedene Betreiber auf Stufe

t

erzwingt. Energie- und Leistungsdaten

(e_{ij}, s_{ij,t})

werden durch sicheres Metering und On-Chain-Attestierungen verifiziert; Pönalen

\ell_{ij}

umfassen das Verfehlen von Service Level Objectives (SLO) und Konsensfehler.

Ein flacher, klassenbasierter Tarif ergibt sich als Sonderfall, indem $m^{\mathrm{ESG}}_{ij}=m^{\mathrm{SLO}}_{ij,t}=m^{\mathrm{DIV}}_{i}=1$ , $\gamma_t=0$ gesetzt und Gl. 26 weggelassen wird. Das hybride Design in Gl. 21–Gl. 26 bleibt auf der Basisebene klassenneutral und richtet die Auszahlungen zugleich an verifizierbarer Leistung, Energie-Externalitäten und Dezentralisierung aus.

Unter dem hybriden Design ist eine gemischte Flotte zu erwarten. Large- und Extra-Large-Knoten spezialisieren sich auf höhere Stufen, wenn ihre verifizierte Arbeit netto Energie und Pönalen überlegen ist. Micro- bis Medium-Knoten tragen Edge- und Mittelstufenaufgaben, gestützt durch Availability Floors, Dispersion und Diversitätsanreize. Investierende mit günstiger erneuerbarer Energie und Compliance-Bereitschaft neigen zu grösseren Klassen. Risikoaverse oder bandbreitenbeschränkte Stakeholder bevorzugen kleinere Klassen mit stabilem Verfügbarkeitseinkommen und SLO-Profilen geringer Varianz. Ein rein flaches Schema vereinfacht die Abrechnung, verteilt Arbeit unter heterogenen Kosten und SLO-Restriktionen jedoch fehl, während das hybride Modell auf Basisebene einfach bleibt und über begrenzte Multiplikatoren und Deckelungen Konzentration und Prämienverzerrung verhindert.

Tabelle 1 gibt einen illustrativen Überblick über typische Workloads, indikative SLO und beispielhafte Token-Auszahlungen je validierter Arbeitseinheit. DAG-Operationen stehen allen Typ-III-Knoten offen. Micro-Knoten priorisieren latenzarme Edge-Inferenz und lokale Speicherung, während XL-Knoten sich auf durchsatzstarke Inferenz und Ledger-Validierung konzentrieren, vorbehaltlich Energie- und Bandbreitenverfügbarkeit. Dieser Vorschlag dient als Ausgangspunkt für Verfeinerungen in realen Einsätzen und in künftiger Forschung anhand empirischer Workload-Traces und Energiepreisdaten.

Tabelle 1Illustrative Aufgabenkategorien, zugehörige Serviceziele und Token-Prämienstufen im vorgeschlagenen Anreizmodell.
Aufgabenkategorie	Typisches Beispiel	Indikatives SLO-Ziel	Stufe	Token-Beispiel
Edge-Inferenz	Echtzeit-Inhaltsfilterung nahe an den Nutzenden	Latenz $\le$ 50 ms, Verfügbarkeit 99,0 %	1	1p je Einheit
Lokaler Speicher-Shard	Vorhalten verschlüsselter Datenblöcke mit Verfügbarkeitsnachweis	Abruf $\le$ 150 ms, Verfügbarkeit 99,5 %	2	2p je Einheit
DAG-Validierung und Routing	Ordnung, Finalitätsprüfungen, leichte Vertragsausführung	Durchsatz 5–20 tx/s, Verfügbarkeit 99,9 %	2	2p je Einheit
Interaktive Inferenz	Personalisierte Inferenz für Anwendungen mit Nutzendenfeedback	Latenz $\le$ 200 ms, Verfügbarkeit 99,5 %	3	3p je Einheit
Batch-Inferenz	Batch-Jobs grosser Modelle, Offline-Scoring, Modelldestillation	Abschluss im Zeitfenster, maximierter Durchsatz, Verfügbarkeit 99,5 %	4	4p je Einheit
Durchsatzstarke Ledger-Arbeit	Ausführungsintensive Vertragsvalidierung, Re-Sharding, Audits	Durchsatz $>$ 50 tx/s, Verfügbarkeit 99,9 %	4	4p je Einheit

Hinweis: SLO (Service Level Objective) bezeichnet ein messbares Leistungsziel, das für die Aufgabenvalidierung und die Prämienberechtigung erforderlich ist. Typische SLO umfassen Latenz, Durchsatz und Verfügbarkeit, wie in den Betreiberprotokollen formal spezifiziert.

Typische Knotenrollen Alle Typ-III-Knoten nehmen an DAG-Operationen teil. Micro und Small priorisieren Edge-Inferenz und lokale Speicherung bei stetiger DAG-Beteiligung. Medium hält interaktive Inferenz und Speicherung mit fortlaufender DAG-Arbeit in Balance. Large und XL spezialisieren sich auf Batch-Inferenz und durchsatzstarke DAG-Validierung, vorbehaltlich Energie und Bandbreite am Standort. Die Notation $p$ bezeichnet die Token-Basiseinheit. Die Zahlen sind illustrativ und in der Produktion zu kalibrieren.

Die in Tabelle 1 verwendeten Token-Multiplikatoren sind linear und äquidistant $(1p, 2p, 3p, 4p)$ und dienen hier der Veranschaulichung. Dieser lineare Tarif ist ein vereinfachender Platzhalter und bildet nicht lineare Kosten, Überlastungseffekte, SLO-Risiko oder unterschiedliche PUE (Power Usage Effectiveness, das Verhältnis der gesamten Anlagenenergie zur für Compute genutzten Energie) über die Knotenklassen hinweg nicht vollständig ab. Unterschiede in der PUE wirken auf die realen Kosten verifizierter Arbeit und müssen in der Prämienfunktion abgebildet sein. Ein faires und anreizkompatibles Design verlangt in der Regel nicht äquidistante Multiplikatoren, abgeleitet aus beobachteter Leistung und Marktbedingungen, etwa $(1p, 2.221p, 3.476p, 4.333p)$ , sobald sie auf verifizierte Arbeit, Energieintensität und Latenzerfolg kalibriert sind.

Der anfängliche Einsatz kann Ungleichgewichte aufweisen, während Nachfrage, Hardwareeffizienz und Orchestrierungs-Policy sich gemeinsam entwickeln. GPU-Leistung je Watt, Netzkosten und SLO-Pönalen verschieben die relative Ökonomie im Zeitverlauf, weshalb fixe lineare Multiplikatoren Aufgaben falsch bepreisen und das Routing verzerren. Ein datengetriebenes Verfahren, das Multiplikatoren aus Telemetrie und Warteschlangenbeobachtungen schätzt, verbessert die Fairness im vorgeschlagenen Nash-Gleichgewicht, da die Preise dann Überlastung und Risiko internalisieren statt allein Grösse zu belohnen.

Wir schlagen Live-Tests und periodische Optimierung im laufenden Betrieb vor. Stufenmultiplikatoren werden nach veröffentlichtem Zeitplan aus Simulation und realen Workload-Traces aktualisiert, begrenzt durch Änderungsdeckelungen zur Wahrung der Stabilität, etwa eine maximale relative Anpassung je Periode. Aktualisierungen werden on chain vorgeschlagen, vom Konsortium geprüft und per Abstimmung angenommen, und der neue Tarif wird mit Methodik und Validierungsartefakten veröffentlicht. Dieser Governance-Prozess folgt dem Vorbild einer Indexberechnung, sichert Transparenz und erlaubt es der Multiplikatorkurve, mit wachsender Evidenz zur Effizienz zu konvergieren.

Netzgleichgewicht und Koordinationsrestriktionen

Über die rechnerischen, monetären und energieseitigen Gleichgewichte hinaus hängt die operative Machbarkeit einer föderierten AI-Infrastruktur von Restriktionen auf Netzebene ab, die Routing, Latenz und Konnektivität bestimmen. Eine Aufgabe kann auf einem gegebenen Knoten ökonomisch und energetisch optimal sein, muss aber auch physisch innerhalb der Servicelevel-Schwellen lieferbar sein. Damit entsteht eine vierte Gleichgewichtsdimension: das Netzgleichgewicht, definiert durch Topologie, Bandbreite und Latenzeigenschaften des physischen und virtuellen Netzes, das alle teilnehmenden Knoten verbindet. Diese Schicht erfasst die Echtzeit-Tragfähigkeit von Inferenz-, Speicher- und Ledger-Operationen unter dynamischen Routing-Bedingungen. Sie beschränkt das Token-Modell indirekt über die Knotenauswahl und wirkt auf die ESG-Konformität, wenn Umleitungen die Energie-Externalitäten erhöhen. Das Netzgleichgewicht muss in die Orchestrierungslogik integriert werden, um systemische Fehlzuteilung, geografische Unterauslastung und Latenzverletzungen zu verhindern. Sicherheits- und Governance-Gleichgewichte, die adversariale Robustheit und interjurisdiktionelle Koordination betreffen, werden der Vollständigkeit halber genannt, liegen aber ausserhalb des operativen Rahmens dieses Papers. Sie sind künftigen Arbeiten vorbehalten. Das Design der Federated AI Infrastructure erfordert Koordination zwischen heterogenen, eigeninteressierten Stakeholdern. Jeder Akteur, einschliesslich Knotenbetreiber, Energieversorger und Regulierungsstellen, optimiert seine eigene Zielfunktion unter gemeinsamen Protokollen, physischen Restriktionen und Marktinteraktionen. Diese Akteure handeln unabhängig und können strategisch agieren, besonders dort, wo teilweise Compliance, opportunistische Berichterstattung oder selektives Engagement lokalen Vorteil bieten. Stabilität lässt sich nicht ex ante annehmen, sondern muss aus einer Struktur hervorgehen, in der individuelle Anreize mit kollektiver Zulässigkeit übereinstimmen. Diese Bedingung wird über das klassische Nash-Gleichgewicht modelliert, das eine Konfiguration charakterisiert, in der niemand sein Ergebnis durch einseitige Abweichung verbessern kann, gegeben die Strategien der anderen (Osborne and Rubinstein 2004). $\mathcal{P}$ sei die Menge der Teilnehmenden, jeweils mit Strategiemenge $S_i$ und Nutzenfunktion $U_i$ . Ein Strategieprofil $s^* = (s_1^*, s_2^*, \ldots, s_n^*) \in S_1 \times S_2 \times \cdots \times S_n$ bildet genau dann ein Nash-Gleichgewicht, wenn

\begin{align} U_i(s_i^*, s_{-i}^*) \geq U_i(s_i, s_{-i}^*) \quad \forall s_i \in S_i,\ \forall i \in \mathcal{P} \end{align}

(27)

27Die Nash-Gleichgewichtsbedingung

wobei

s_{-i}^*

die Gleichgewichtsstrategien aller übrigen Teilnehmenden bezeichnet.

Diese Gleichgewichtsstruktur bildet den dezentralen Charakter des Systems ab. Sie benötigt keine zentrale Durchsetzung und ist unter rationalem Verhalten stabil, sofern die Systemparameter fest bleiben. Die Verwendung des Nash-Gleichgewichts erfasst hier die strategische Logik föderierter Infrastrukturgovernance, in der die Teilnehmenden individuell rational, teilweise gleichgerichtet und gemeinsam beschränkt sind. Der nächste Abschnitt identifiziert vier operative Domänen, in denen solche Gleichgewichte die Koordinationsergebnisse strukturieren.

Computational equilibrium

Die Rechenschicht der Federated AI Infrastructure erfordert dezentrale Workload-Abstimmung unter rationaler Nutzenmaximierung. Die Orchestrierung weist Inferenzaufgaben anhand von Verfügbarkeit und erklärter Kapazität zu. Jeder Knotenbetrieb verfolgt eine lokale Optimierung unter Energiekosten, Zuverlässigkeitsparametern und physischen Grenzen. Ein Rechengleichgewicht liegt vor, wenn kein Knoten von einer einseitigen Neuzuweisung seines Workloads profitiert, gegeben die netzweite Zuteilung.

$\mathcal{N}$ bezeichne die Menge der Typ-III-Inferenzknoten. Jedem Knoten $i \in \mathcal{N}$ wird ein Workload $w_i \in [0, C_i]$ zugeteilt, wobei $C_i > 0$ seine installierte Verarbeitungskapazität ist. $e_i > 0$ seien seine Energiekosten je Einheit. Die lokale Nutzenfunktion ist gegeben durch $U_i(w_i; C_i, e_i)$ . Die Gleichgewichtsbedingung lautet

\begin{align} U_i(w_i^*; C_i, e_i) \ge U_i(w_i; C_i, e_i) \quad \forall w_i \in [0, C_i],\ \forall i \in \mathcal{N} \end{align}

(28)

28Gleichgewicht in der lokalen Workload-Wahl

wobei

w_i^*

die Gleichgewichtszuweisung ist. Kein Knoten hat einen Anreiz, von

w_i^*

abzuweichen, solange sich die Systemparameter nicht ändern.

Die Notation ist wie folgt. $\mathcal{N}$ ist die Menge der Inferenzknoten. $w_i$ ist der Knoten $i$ zugewiesene Workload, $C_i$ seine installierte Kapazität, $e_i$ seine Energiekosten. $U_i$ bezeichnet den lokalen Nutzen des Knotens, der Aufgabenwert, Kosten und Leistungsabwägungen einbezieht.

Ein Beispiel veranschaulicht dieses Prinzip: Man betrachte drei Knoten, die sich einen Gesamt-Workload von 300 Inferenzeinheiten teilen. Knoten A, gekennzeichnet durch niedrige Energiekosten und hohe Kapazität, verarbeitet 120 Einheiten. Knoten B mit moderaten Kosten übernimmt 100 Einheiten. Knoten C mit höheren Kosten und geringerer Kapazität erhält 80 Einheiten. Kann keiner dieser Knoten seinen Nutzen durch einseitige Anpassung seines Workloads verbessern, befindet sich das System im Gleichgewicht.

Energy equilibrium

Die Energieschicht der Federated AI Infrastructure steuert die Zuteilung von Rechenaufgaben an Knoten, die unter heterogenen Energiequellen arbeiten. Jeder Knotenbetrieb strebt danach, den energieadjustierten Nutzen zu maximieren und dabei Durchsatz, Kosten und ESG-Konformität auszubalancieren. Die Orchestrierung setzt erklärte Energiequellendaten, Smart-Contract-Restriktionen und externe Signale wie Wetter durch, die auf die Verfügbarkeit erneuerbarer Energie wirken. Ein Energiegleichgewicht liegt vor, wenn kein Knoten seinen energienormierten Nutzen durch Änderung seiner erklärten Beschaffung, seines Verbrauchs oder seiner Routing-Strategie verbessern kann, gegeben den Zustand des Netzes.

$\mathcal{N}$ bezeichne die Menge der aktiven Knoten. Für jeden Knoten $i \in \mathcal{N}$ ist das Energiebudget $E_i = E_i^{\text{green}} + E_i^{\text{grey}}$ , mit grünem Anteil $\rho_i = E_i^{\text{green}} / E_i \in [0,1]$ . $\theta_i$ bezeichne das regulatorische Pönalengewicht, das steigt, wenn der grüne Anteil sinkt oder ESG-Restriktionen verletzt werden. $\kappa_i$ sei die auf den Knoten angewandte Emissionsgutschrift, abgeleitet aus verifizierten Marktdaten oder On-Chain-ESG-Scoring. Der Knotennutzen ist gegeben durch $U_i(E_i, \rho_i, \theta_i, \kappa_i)$ , wobei die Orchestrierung $\theta_i$ und $\kappa_i$ in Echtzeit anhand wetterabhängiger grüner Verfügbarkeit und vertragsbasierter Routing-Filter anpasst. Die Gleichgewichtsbedingung lautet

\begin{align} U_i(E_i^*, \rho_i^*, \theta_i, \kappa_i) \ge U_i(E_i, \rho_i, \theta_i, \kappa_i) \quad \forall E_i, \rho_i,\ \forall i \in \mathcal{N} \end{align}

(29)

29Gleichgewicht unter Energie- und Routing-Parametern

wobei

(E_i^*, \rho_i^*)

die Gleichgewichtszuteilung von Energie und Quellenmix ist. Kein Knoten kann seinen adjustierten Nutzen durch Änderung seiner Energiezusammensetzung oder seiner Aufgabenannahmepolitik unter den aktuellen Routing-Restriktionen verbessern.

Die Notation ist wie folgt. $E_i$ ist die dem Knoten $i$ insgesamt verfügbare Energie, $\rho_i$ sein Anteil grüner Energie, $\theta_i$ sein regulatorischer Pönalenparameter und $\kappa_i$ seine Emissionsgutschrift. $U_i$ bildet den Nettonutzen nach Kosten, Compliance und Prämiennormierung ab. Smart Contracts begrenzen Routing-Entscheidungen und ESG-Berechtigung über dynamische Schwellen. Wetter- und Netzsignale beeinflussen die grüne Verfügbarkeit und passen die Orchestrierungsprioritäten entsprechend an.

Zur Veranschaulichung betrachte man Knoten A mit 120 Energieeinheiten, 75 Prozent grün und einer günstigen Emissionsgutschrift. Knoten B hat 100 Einheiten bei geringerem grünem Anteil und ohne Gutschriften. Knoten C stützt sich auf graue Energie, liegt aber in einer Region, in der in den nächsten 24 Stunden ein Windüberschuss erwartet wird. Antizipiert die Orchestrierung, dass Knoten C auf grün wechselt, und weist ihm vorausschauend Aufgaben zu, um von den ESG-Anreizen zu profitieren, und kann kein Knoten seine Stellung durch Änderung der erklärten Energiezusammensetzung oder des Zeitpunkts verbessern, dann befindet sich das System im Gleichgewicht.

Monetary equilibrium

Die monetäre Schicht der Federated AI Infrastructure steuert die tokenbasierte Vergütung für dezentrale Aufgabenausführung. Knotenbetreiber handeln als gewinnorientierte Stakeholder und maximieren die Token-Erträge relativ zu Betriebskosten, Aufgabenschwierigkeit und Zuverlässigkeitsrestriktionen. Die Orchestrierung routet Aufgaben anhand verifizierter Servicelevel-Erfüllung und passt Token-Ströme an Dezentralisierungsziele, ESG-Konformität und beobachtete Leistung an. Ein monetäres Gleichgewicht liegt vor, wenn kein Knotenbetrieb den Netto-Token-Ertrag durch einseitige Änderung von Servicestrategie, Knotenklasse oder erklärter Verfügbarkeit unter der geltenden Prämienstruktur verbessern kann.

$\mathcal{T}$ bezeichne die Token-Prämienfunktion, definiert über Aufgabenstufe $\tau_j \in \{1,2,3,4\}$ , Leistungsscore $\sigma_i \in [0,1]$ und Knotenklassenmultiplikator $\phi_i \in \mathbb{R}_+$ . $C_i$ seien die Kosten je Einheit verifizierter Arbeit am Knoten $i$ , einschliesslich Energieverbrauch, Hardwareabschreibung und Verfügbarkeitspönalen. Der Nettonutzen aus der Aufgabenstufe $\tau_j$ wird ausgedrückt als

\begin{align} U_i^{\text{token}} = \mathcal{T}(\tau_j, \sigma_i, \phi_i) - C_i \end{align}

(30)

30Netto-Token-Nutzen aus einer Aufgabenstufe

Das monetäre Gleichgewicht gilt, wenn

\begin{align} U_i^{\text{token}}(s_i^*) \ge U_i^{\text{token}}(s_i) \quad \forall s_i \in S_i,\ \forall i \in \mathcal{N} \end{align}

(31)

31Die monetäre Gleichgewichtsbedingung

wobei

s_i

die erklärte Servicestrategie des Knotens

i

darstellt, einschliesslich Klasse, Stufenpräferenz und Verfügbarkeitsprofil.

Die Variable $\tau_j$ definiert die zugewiesene Aufgabenstufe. Der Parameter $\sigma_i$ erfasst das verifizierte Leistungsniveau des Knotens $i$ . Der Faktor $\phi_i$ bildet klassenspezifische Multiplikatoren auf Basis der ESG-Ausrichtung oder der Dezentralisierungspolitik des Netzes ab. Der Term $C_i$ bezeichnet die effektiven Stückkosten der verifizierten Aufgabenausführung. Die Prämienfunktion $\mathcal{T}$ aggregiert Stufen-, Leistungs- und Klasseneffekte. Der Strategievektor $s_i$ kodiert die erklärte operative Ausrichtung des Knotens.

Man betrachte den Fall von Knoten A, der in der XL-Klasse mit hoher Verfügbarkeit erneuerbarer Energie und 98 Prozent Betriebszeit arbeitet. Knoten B arbeitet in der Small-Klasse mit gemischtem Energieportfolio und 91 Prozent Verfügbarkeit. Beide erhalten Inferenzaufgaben der Stufe drei. Knoten A erhält aufgrund von Klassen- und Leistungsvorteilen höhere Token-Prämien, trägt aber höhere Kosten. Knoten B bleibt tragfähig, solange er minimale Servicestandards hält und geringe Betriebskosten wahrt. Kann keiner von beiden seinen Nettoertrag durch Wechsel von Klasse, Verfügbarkeit oder Aufgabenschwerpunkt verbessern, befindet sich das System im Gleichgewicht.

Das monetäre Gleichgewicht bringt eigeninteressierte Optimierung mit verifizierbarem Beitrag in Einklang. Es ermöglicht ESG-gewichtete Differenzierung und dezentrale Teilnahme, ohne systemische Prämienasymmetrien einzuführen. Ein robustes Token-Modell, kalibriert auf Leistung und Energieintegrität, sichert die finanzielle Tragfähigkeit heterogener Akteure unter gemeinsamer Orchestrierung.

Network equilibrium

Das Netzgleichgewicht betrifft die räumliche und zeitliche Machbarkeit dezentraler Aufgabenausführung unter Latenz-, Bandbreiten- und Konnektivitätsrestriktionen. Auch wenn rechnerische, monetäre und energetische Bedingungen einen bestimmten Knoten begünstigen, muss die Orchestrierung sicherstellen, dass die Aufgabenlieferung reale Netzschwellen erfüllt. Das System befindet sich im Netzgleichgewicht, wenn keine Aufgabe unter der aktuellen Topologie einem alternativen Knoten mit geringerer Latenz, höherer Verfügbarkeit oder zuverlässigerem Routing zugewiesen werden kann, ohne Servicelevel-Garantien zu verletzen oder benachbarte Zuteilungen zu destabilisieren.

$\delta_{ij}$ bezeichne die Ende-zu-Ende-Latenz zwischen Aufgabenursprung $o_j$ und Knoten $i$ und $\lambda_j$ die durch das Serviceziel der Aufgabe definierte Latenzobergrenze. $\mathcal{R}_i$ bezeichne die aktuelle Routing-Last und $\mathcal{L}_i$ die Netzkapazität des Knotens $i$ . Definiere die binäre Auswahlfunktion $\Pi_j(i) \in \{0,1\}$ , die angibt, ob Aufgabe $j$ dem Knoten $i$ zugewiesen ist. Das Netzgleichgewicht ist erfüllt, wenn

\begin{align} \Pi_j(i^*) = 1 \Rightarrow \begin{cases} \delta_{i^*j} \leq \lambda_j \\ \mathcal{R}_{i^*} \leq \mathcal{L}_{i^*} \end{cases} \quad \text{and} \quad U_{i^*}^{\text{net}} \ge U_k^{\text{net}} \quad \forall k \ne i^*,\ \forall j \end{align}

(32)

32Die Netzgleichgewichtsbedingung für die Aufgabenzuweisung

wobei

i^*

der von der Orchestrierung gewählte Knoten ist und

U_i^{\text{net}}

der restringierte Nutzen aus der Verarbeitung der Aufgabe

j

am Knoten

i

, gegeben Latenz und Last.

Die Notation ist wie folgt definiert. $\delta_{ij}$ ist die beobachtete Latenz zwischen Knoten $i$ und Aufgabe $j$ , $\lambda_j$ die zulässige Latenz für Aufgabe $j$ , $\mathcal{R}_i$ die Routing-Last am Knoten $i$ , $\mathcal{L}_i$ seine Bandbreitenkapazität, $\Pi_j(i)$ die binäre Routing-Entscheidung und $U_i^{\text{net}}$ der Nutzen unter den effektiven Lieferrestriktionen.

Ein Beispiel auf Aufgabenebene veranschaulicht diese Logik. Angenommen, eine latenzsensitive Aufgabe muss innerhalb von 100 ms abgeschlossen sein. Knoten A bietet höheren Token-Ertrag, liegt aber bei 150 ms Latenz. Knoten B, näher gelegen und weniger profitabel, erfüllt die Lieferrestriktion. Wird die Aufgabe an Knoten B geroutet und bietet kein anderer Knoten einen besseren zulässigen Nutzen, dann erfüllt das System das Netzgleichgewicht. Eine Umleitung an Knoten A würde die Latenzrestriktion verletzen, unabhängig von seinem ökonomischen Vorteil.

Dieses Gleichgewicht erzwingt physische Plausibilität in der Orchestrierung. Es verhindert ökonomisch oder energetisch optimale, topologisch aber undurchführbare Zuweisungen. Das Netzgleichgewicht stabilisiert die Latenz, wahrt die Routing-Symmetrie und verankert das föderierte Modell in realen Lieferbedingungen.

ESG in der Federated AI Infrastructure operationalisieren

Die Federated AI Infrastructure (FAII) bringt leistungsstarke AI-Workloads mit verifizierbaren ESG-Kriterien in Einklang. Anders als konventionelle Rechenzentren erfordert FAII dezentrale Koordination über heterogene Knoten hinweg. Damit ESG für Orchestrierung und Token-Zuteilung berechenbar wird, muss die Umweltwirkung über interne, messbare Indikatoren ausgedrückt werden.

AI-Infrastruktur erzeugt Umwelt-Externalitäten vor allem über Stromverbrauch, Kühlaufwand und die Zusammensetzung der Energiequellen. Von diesen erklären Beschaffung und Kühleffizienz den grössten Teil der operativen Varianz (Cao et al. 2021). Externe Metriken wie die nationale Power Usage Effectiveness (PUE), definiert als gesamte Anlagenenergie geteilt durch die für Compute genutzte Energie (Hanstein 2015), oder die netzdurchschnittliche Kohlenstoffintensität sind auf FAII nicht anwendbar, da Aufgaben nur innerhalb der eigenen Infrastruktur zugeteilt werden. Für Koordination und ESG-Scoring werden daher interne Benchmarks wie PUE, Carbon Usage Effectiveness (CUE) und Water Usage Effectiveness (WUE) verwendet (Wilson 2023; LATAM 2023).

Um verifizierbare Vergleiche ohne feste Annahmen zu ermöglichen, definieren wir ein diskretes, internes Scoring-Modell über vier Indikatoren. Erstens bildet das Kohlenstoffquellenprofil den Anteil zertifizierter erneuerbarer oder kohlenstofffreier Energie im Mix eines Knotens ab, gestützt auf Echtzeitberichte und Audit. Zweitens wird die Kühleffizienz als relative PUE (rPUE) gemessen, das Verhältnis der PUE eines Knotens zum FAII-weiten Durchschnitt, was faire Vergleiche über heterogene Infrastruktur hinweg erlaubt. Drittens erfasst die Energie-zu-Arbeit-Effizienz verifizierte Inferenz- oder Validierungsoperationen je Kilowattstunde, normiert nach Aufgabentyp und Knotenklasse. Viertens schätzt der Netz-Externalitätsscore die marginale Belastung des lokalen Stromnetzes anhand von Geolokation und Netzstressdaten. $\mathcal{N}$ sei die Menge der aktiven Knoten, und jeder Knoten $i \in \mathcal{N}$ berichte einen vierdimensionalen ESG-Indikatorvektor:

\begin{align} \mathbf{e}_i = \left( \rho_i,\ \eta_i,\ \varepsilon_i,\ \gamma_i \right), \end{align}

(33)

33Der vierdimensionale ESG-Indikatorvektor

wobei

\rho_i \in [0,1]

der Anteil erneuerbarer Energie,

\eta_i > 0

die relative PUE (rPUE),

\varepsilon_i > 0

das Energie-zu-Arbeit-Verhältnis und

\gamma_i \ge 0

der lokale Netz-Externalitätsscore ist. Ein zusammengesetzter ESG-Leistungsscore berechnet sich als

\begin{align} \text{ESG}_i = \omega_1 \cdot \rho_i + \omega_2 \cdot \left( \frac{1}{\eta_i} \right) + \omega_3 \cdot \varepsilon_i^{-1} + \omega_4 \cdot (1 - \gamma_i), \end{align}

(34)

34Der zusammengesetzte ESG-Leistungsscore

wobei die Gewichte

\omega_j \ge 0

mit

\sum_{j=1}^4 \omega_j = 1

systemseitig definiert sind und die politische Schwerpunktsetzung abbilden. Diese Formulierung begünstigt einen höheren Anteil erneuerbarer Energie, geringeren Kühlaufwand, höhere Effizienz und geringeren Netzstress.

Jedem Knoten wird damit ein zusammengesetzter Score zugewiesen, der seine relative Umweltleistung innerhalb der FAII abbildet. Diese Scores fliessen in Aufgabenplanung, Token-Prämien und Orchestrierungspräferenzen ein. Da alle Indikatoren intern definiert und normiert sind, ermöglichen sie anreizkompatible ökologische Optimierung ohne Rückgriff auf externe Benchmarks oder zentrale Durchsetzung.

Der Anteil erneuerbarer Energie $\rho_i$ bildet zwar den Anteil nicht fossiler Inputs im Energiemix eines Knotens ab, unterscheidet aber nicht zwischen den heterogenen Externalitäten verschiedener erneuerbarer Quellen. Solar, Wind, Wasser, Geothermie und Biomasse unterscheiden sich deutlich in Emissionen, Speicherbedarf und Lebenszyklus-Fussabdruck. Um diese Heterogenität zu erfassen, kann das FAII-Konsortium einen gewichteten Index über zertifizierte Arten erneuerbarer Energie festlegen. Jeder Quelle $s \in \mathcal{S}$ wird ein strategischer Multiplikator $\lambda_s \in [0,1]$ zugewiesen, der ihre relative Erwünschtheit unter ESG-Zielen abbildet. Der adjustierte Anteil erneuerbarer Energie wird zu

\begin{align} \rho_i^{\text{adj}} = \sum_{s \in \mathcal{S}} \lambda_s \cdot \rho_{i,s}, \end{align}

(35)

35Anteil erneuerbarer Energie, adjustiert nach Quellenerwünschtheit

wobei

\rho_{i,s}

der Anteil der Energie aus Quelle

s

im erklärten Energiemix des Knotens

i

ist. Die Gewichte

\lambda_s

werden vom FAII-Governance-Konsortium definiert, können öffentlich überarbeitet werden und stützen sich auf Lebenszyklusanalysen, strategische Unabhängigkeit und politische Prioritäten wie Resilienz oder Dekarbonisierungsziele. Dieser Mechanismus erlaubt eine programmierbare Priorisierung erneuerbarer Quellen bei gleichzeitiger Vergleichbarkeit über heterogene Infrastruktur hinweg.

Die Orchestrierungsschicht nutzt $\rho_i^{\text{adj}}$ als Eingabe für ESG-basiertes Routing und Token-Zuteilung und stellt damit sicher, dass die Qualität der Quelle und nicht allein die Menge in die Entscheidungslogik einfliesst. Tabelle 2 zeigt eine hypothetische Zuordnung von Gewichten allein zur Veranschaulichung. Die tatsächlichen Werte müssen aus einer transparenten Bewertung mit mehreren Anspruchsgruppen abgeleitet werden und dürften über Jurisdiktionen hinweg variieren.

Tabelle 2Illustrativer quellenbasierter Gewichtungsindex für erneuerbare Energieinputs im ESG-adjustierten Scoring. Die endgültigen Werte sind vom FAII-Governance-Konsortium vorzuschlagen und zu ratifizieren.
Energiequelle	Indikative ESG-Merkmale	FAII-Gewicht $\lambda_s$
Solar (Photovoltaik)	Geringe Emissionen, modular, hoch skalierbar	1,00
Wind (onshore)	Geringe Lebenszyklusemissionen, intermittierend, regional variabel	0,95
Wasserkraft	Grundlastfähig, mögliche Wirkung auf Ökosysteme	0,85
Geothermie	Stabil, sauber, aber geografisch begrenzt	0,90
Biomasse	Emissionspositiv, erneuerbar mit Verifikationsaufwand	0,60
Wasserstoff (Elektrolyse)	Sauber bei grüner Stromversorgung, geringer Round-Trip-Wirkungsgrad	0,70
Abfall zu Strom	Kreislaufnutzung, Restemissionen und Überwachungsbedarf	0,40

Hinweis: Die zugewiesenen Gewichte dienen allein der Veranschaulichung. Die endgültigen Werte müssen einer transparenten Bewertung und einer Prüfung durch die Anspruchsgruppen über Jurisdiktionen hinweg unterliegen.

Diese Erweiterung verbessert die Abstimmung zwischen ESG-Zielen und Orchestrierungslogik. Sie wahrt Flexibilität für jurisdiktionelle Unterschiede und bildet strategische politische Ziele ab. Künftige Forschung sollte sich auf die empirische Validierung der Gewichte, auf Lebenszykluswirkungen über Regionen hinweg und auf Resilienzabwägungen unter Nachfrageschwankungen konzentrieren.

ESG-bewusste Orchestrierungslogik und Systembias

Die Systemorchestrierung (D, ORC, Knotentyp II) koordiniert dezentrale Abläufe und setzt die ESG-Politik innerhalb der FAII um. Neben Routing, Aufgabenzuteilung und Protokolldurchsetzung integriert ORC ökologische Präferenzstrukturen in ihre Entscheidungslogik. Dazu gehört ein programmierter Bias hin zu ESG-optimierten Knoten auf Basis von Echtzeit-Leistungsscores.

ORC erhält als Eingabe den zusammengesetzten ESG-Score $\text{ESG}_i$ und seine Komponentenmetriken: adjustierter Anteil erneuerbarer Energie $\rho_i^{\text{adj}}$ , relative Kühleffizienz $\eta_i$ , Energie-zu-Arbeit-Verhältnis $\varepsilon_i$ und lokale Netzwirkung $\gamma_i$ . Diese werden fortlaufend über die IIoT-Schicht aktualisiert und über den Permissioned-DAG validiert. Emissionsgutschriften, Quellenattestierungen und Routing-Ereignisse werden unveränderlich mit Zeitstempel und Geolokation festgehalten, was die Auditierbarkeit sichert. Dieses Design etabliert eine spieltheoretische Rückkopplungsschleife. Knotenbetreiber, die wissen, dass die ESG-Leistung Workload und Token-Zuteilung beeinflusst, haben einen Anreiz, Beschaffung und Infrastruktur anzupassen. Das System konvergiert dadurch ohne zentrale Durchsetzung zu dezentraler ökologischer Optimierung. Diese Dynamik hängt von verifizierbaren Metriken, kohärenten Signalen und synchronisierten Subsystemflüssen ab. Der DAG sichert Nachvollziehbarkeit und Ereignisbindung; ORC überführt die ESG-Eingaben in Aufgabenentscheidungen.

Die Orchestrierungslogik folgt einem restringierten Optimierungsmodell. $\mathcal{T}$ sei der Aufgabenpool, $\mathcal{N}$ die aktiven Knoten. Definiere $\delta_{t,i} \in \{0,1\}$ als Zuweisungsindikator und $\mathcal{S}(t,i) \in \{0,1\}$ als technische Eignung. Dann gilt:

\begin{align} \max_{\delta_{t,i}} \quad & \sum_{t \in \mathcal{T}} \sum_{i \in \mathcal{N}} \delta_{t,i} \cdot \text{ESG}_i \\ \text{s.t.} \quad & \sum_{i \in \mathcal{N}} \delta_{t,i} = 1 \quad \forall t \in \mathcal{T} \\ & \delta_{t,i} \le \mathcal{S}(t,i) \quad \forall t \in \mathcal{T},\ \forall i \in \mathcal{N} \end{align}

(36)

36ESG-maximierende Aufgabenzuweisung

Damit wird jede Aufgabe einem kompatiblen Knoten zugewiesen und zugleich die aggregierte ESG-Ausrichtung maximiert. Der resultierende Verteilungsmechanismus bettet Umweltpolitik unmittelbar in die operative Logik ein und bedient Leistungs- und Governance-Ziele gleichzeitig.

Interne Marktkoordination und begrenzte Preisdynamik

Die Federated AI Infrastructure (FAII) betreibt einen geschlossenen internen Markt für dezentrale Workload-Zuteilung. Jeder Betrieb eines Typ-III-Knotens agiert als Marktteilnehmer und bietet Compute-, Speicher- oder Validierungskapazität gegen tokenbasierte Vergütung an. Token werden bei verifizierbarer Leistungserbringung geminted, wobei der Output nach Leistung, Zuverlässigkeit und ESG-adjustierten Multiplikatoren gewichtet wird. Die interne Preisbildung für Service Level Objectives (SLO) wird dynamisch über dezentrale Angebotslogik bestimmt, begrenzt durch governance-definierte Korridore. $\bar{p}$ bezeichne den systemweiten durchschnittlichen Token-Preis je standardisierter Workload-Einheit. Jeder Knoten $i \in \mathcal{N}_{\text{III}}$ kann ein Angebot zur Aufgabenverarbeitung zu einem effektiven Stückpreis $p_i$ einreichen. Um destabilisierendes Unterbieten oder spekulative Inflation zu verhindern, müssen alle Gebote innerhalb eines begrenzten Korridors um den aktuellen Systemdurchschnitt liegen:

\begin{align} \bar{p} \cdot (1 - \delta^-) \leq p_i \leq \bar{p} \cdot (1 + \delta^+), \end{align}

(37)

37Der begrenzte Preiskorridor für Gebote

wobei

\delta^- \in [0,1)

und

\delta^+ \in [0,1)

governance-definierte Parameter sind, die die zulässige Abweichung nach unten beziehungsweise nach oben abbilden. Diese Restriktion sichert Preisstabilität und verhindert Marktstörungen, lässt aber begrenztes strategisches Verhalten zu.

Knoten mit niedrigeren ESG-Multiplikatoren, etwa wegen suboptimaler Energiebeschaffung oder Kühleffizienz, können durch Preisnachlässe wettbewerbsfähig bleiben. Daraus entsteht eine rationale Abwägung zwischen Investitionen in ESG-Verbesserungen zur Erhöhung der Token-Multiplikatoren und einer Preissenkung innerhalb der Korridorgrenzen, um trotz geringerer Scores Aufgaben anzuziehen. Die Orchestrierungsschicht bewertet bei Routing-Entscheidungen sowohl den adjustierten ESG-Score als auch den erklärten Preis $p_i$ .

$m_i \in [0,1]$ sei der dem Knoten $i$ zugewiesene ESG-basierte Token-Multiplikator. Die effektive Token-Prämie für eine Workload-Einheit ist:

\begin{align} R_i = m_i \cdot p_i, \end{align}

(38)

38Die effektive Token-Prämie für eine Arbeitseinheit

wobei

R_i

der netto vergütete Wert ist. Knoten mit höherer ESG-Leistung schöpfen den vollen Token-Wert zu Basis- oder Premiumpreisen ab. Niedriger bewertete Knoten müssen Abschläge auf ihre Erträge hinnehmen oder ihr ESG-Profil verbessern, um tragfähig zu bleiben.

Diese Preislogik schafft ein selbstregulierendes und anreizkompatibles Umfeld. Sie bettet ökonomischen und ökologischen Wettbewerb in die tokenisierte Infrastruktur der FAII ein, ohne zentrale Optimierung zu verlangen. Strategische Autonomie bleibt gewahrt, während begrenzte Preisrestriktionen Marktfragmentierung und Fehlanreize gegen ESG-Ausrichtung verhindern. Die Schwellenparameter $\delta^-$ und $\delta^+$ sind vom FAII-Governance-Konsortium anpassbar und können auf makroökonomische Verschiebungen, politische Änderungen oder systemweite Koordinationsziele hin revidiert werden.

Diskussion

Die vorgeschlagene Federated AI Infrastructure (FAII) ist eine modulare, dezentrale Architektur für Jurisdiktionen mit Restriktionen bei Energie, Fläche oder Souveränität. Sie trennt Modell-Governance von verteilter Inferenz und Speicherung und koordiniert die Teilnehmenden anschliessend über einen orchestrierten Marktplatz mit Posted Prices, begrenzten Multiplikatoren und auditierbarer Abrechnung. Diese Diskussion interpretiert das Design als geschichtetes Gleichgewicht über Rechen-, Netz-, Monetär- und Energiedomänen hinweg, mit expliziter ESG-Instrumentierung und einer Anbindung an inländische Emissionsgutschriften. Die Marktdynamik ist zweiseitig. Die Nachfrage besteht aus öffentlichen Workloads, regulierten Branchen und zugelassenen Mandanten. Das Angebot besteht aus heterogenen Knotenbetreibern, die als Marktteilnehmer behandelt werden. Der Orchestrator setzt zunächst die Zulässigkeit bei Latenz und Bandbreite durch und räumt anschliessend einen Posted-Price-Markt mit grössenneutralem Availability Floor und kalibrierten Multiplikatoren für SLO-Performance, Energiequalität und Diversität. Überlastung geht über einen normalisierten Warteschlangenterm in die Preise ein, der Manipulationsversuche dämpft und planbare Gesamtkosten für Käufer sowie bankfähige Erlöse für Anbieter stützt. Die Anreizabstimmung wird mit den Mitteln der nichtkooperativen Spieltheorie analysiert. Jeder Betrieb wählt Verfügbarkeit, Aufwand und Energiemix, um den diskontierten Nutzen unter Posted Prices, Multiplikatoren und Pönalen zu maximieren. Unter begrenzten Multiplikatoren, Korridorrestriktionen und reaktiver Überlastungspreisbildung sind die besten Antworten monoton, und es existiert ein Nash-Gleichgewicht, in dem niemand durch einseitige Abweichung gewinnt. Dieses Gleichgewicht erhält den Aufgabenerfolg, begrenzt die Tail-Latenz und verhindert Prämienkonzentration, sofern Dispersionsregeln die Zuteilungsanteile deckeln. ESG ist ein bindendes ökonomisches Signal. Jeder Knoten legt zeit- und ortsgestempelte Attestierungen von Quellenmix, rPUE und Energie-zu-Arbeit vor. Ein zusammengesetzter ESG-Score passt Routing-Priorität und Auszahlungsmultiplikatoren innerhalb expliziter Grenzen an, um die Bezahlbarkeit zu schützen. Die FAII integriert industrielle IoT-Feeds mit einem Smart-Contract-Modul für Emissionsgutschriften, das Gutschriften mit verifizierten Orts- und Zeitmetadaten ausgibt oder stilllegt. Nettopreise und Abrechnungen bilden die Kohlenstoffintensität zum Zeitpunkt und am Ort der Berechnung ab, was Last in emissionsarme Intervalle verschiebt und Nachfrage nach Gutschriften hoher Integrität erzeugt. Beobachtbarkeit und Auditierbarkeit stehen im Zentrum. Das Design setzt eine verifizierbare Offenlegung von Rechennutzung, Energieprovenienz und Netzbedingungen über Attestierungen und Metering voraus, die manipulationsresistent sind und periodischen Audits unterliegen. Streitbeilegung und Parameteränderungen folgen einem festen Takt mit gedeckelter Schrittweite, was Investitionen trägt und zugleich die politische Steuerung erhält. Datenresidenz und sektorale Zugriffskontrollen werden am Orchestrator durchgesetzt, um die jurisdiktionelle Souveränität zu wahren. Die Grenzen des Rahmens sind explizit. Das Sicherheitsgleichgewicht betrifft adversariale Strategien und die Resilienz der Konsens- oder Koordinationsschichten unter byzantinischem Verhalten und erfordert eine eigene formale Modellierung. Das Governance-Gleichgewicht betrifft die Regelsetzung mehrerer Anspruchsgruppen, Vertragsschichtung und Sanktionen bei Falschberichterstattung. Dynamische Schocks, grenzüberschreitende Marktinteraktionen und rasche Regimewechsel liegen ausserhalb der statischen Gleichgewichtsanalyse und sind künftigen dynamischen Modellen vorbehalten.

Die FAII ist bewusst modular, um zu heterogenen Jurisdiktionen zu passen. Die Architektur ermöglicht eine schrittweise Einführung, differenzierte Parameter und politikgetriebene Skalierung, sofern Metering, Korridordurchsetzung und Dispersionsregeln wirksam bleiben. Unter diesen Voraussetzungen kann der Markt die Zuverlässigkeitsziele halten und zugleich den arbeitsgewichteten Anteil verifizierter emissionsarmer Energie erhöhen.

Fazit

Die FAII bietet eine politikkonforme Alternative zur Hyperscale-Zentralisierung für Staaten mit Restriktionen bei Energie, Fläche oder Souveränität. Sie betreibt einen zweiseitigen Markt mit zulässigkeitsgetriebener Zuweisung, einem grössenneutralen Availability Floor und begrenzten Multiplikatoren für Leistung, ESG und Diversität. Die Preise bleiben innerhalb der Korridore und reagieren auf Überlastung, was planbare Käuferkosten und investierbare Anbietererlöse ergibt. Die Betriebe optimieren Verfügbarkeit, Aufwand und Energiemix, und der Marktplatz konvergiert zu einem Nash-Gleichgewicht, in dem einseitige Abweichung unprofitabel ist und die Servicelevels innerhalb der Ziele bleiben. ESG-Informationen sind über auditierte Attestierungen, einen zusammengesetzten Score und eine Smart-Contract-Anbindung an Emissionsgutschriften ökonomisch verankert, sodass Preise und Abrechnungen die ortsspezifische Kohlenstoffintensität abbilden. Der Einsatz erfordert auditierbares Metering, wirksame Korridor- und Dispersionsdurchsetzung sowie eine planmässige Kalibrierung der Parameter. Die Analyse ist statisch und setzt ehrliche Berichterstattung voraus; Sicherheits- und Governance-Gleichgewichte, rasche Nachfrageschocks und grenzüberschreitende Kopplung bleiben künftigen Arbeiten vorbehalten.

Limitationen und weitere Forschung

Mehrere Limitationen begrenzen Reichweite und Generalisierbarkeit des Rahmens.

Erstens sind die Gleichgewichtsformulierungen statisch und abstrahieren von zeitlicher Variabilität bei Knotenverfügbarkeit, Energiebedingungen und regulatorischen Parametern. Im Einsatz kann solche Dynamik Gleichgewichte destabilisieren oder strategisches Timing anreizen. Zeitabhängige spieltheoretische Modelle oder dynamisches Mechanismusdesign würden Robustheit und prognostische Relevanz verbessern.

Zweitens wird die Orchestrierung als logisch zentral, operativ aber verteilt behandelt, während ihr interner Konsens, ihre Fehlerresilienz und ihre Manipulationsanfälligkeit nicht formal modelliert sind. Eine rigorose Analyse der Orchestrierung unter adversarialen oder asynchronen Netzbedingungen ist nötig, um Skalierbarkeit und operative Sicherheit zu belegen.

Drittens nutzt das Prämienmodell begrenzte Multiplikatoren und stilisierte Aufgabenstufen und setzt eine manipulationssichere Verifikation der Arbeit voraus. Verifiable Computation, datenschutzwahrende Leistungsattestierungen und Nachweise der Energieintegrität müssen aufgenommen werden, um Auditierbarkeit zu ermöglichen, ohne proprietäre Hardware- oder Konfigurationsdetails offenzulegen.

Viertens wird Governance auf Protokollebene behandelt und nicht als formale Institution. Die Struktur des Konsortiums einschliesslich Abstimmung, Streitbeilegung, Sanktionierung und die jurisdiktionsübergreifende Durchsetzbarkeit tokendenominierter Prämien und Rücknahmen bleibt unspezifiziert. Diese Merkmale sind für die Einführung entscheidend und erfordern eine eigene rechtlich-ökonomische Modellierung.

Fünftens werden Messfehler und Datenqualität bei ESG-Eingaben nur teilweise behandelt. Fehler bei Quellenzuordnung, rPUE-Messung, zeitabhängiger Kohlenstoffintensität und Provenienz von Emissionsgutschriften können Routing und Auszahlungen verzerren. Die statistische Behandlung von Unsicherheit, Modelle adversarialer Berichterstattung und eine robuste Kalibrierung der Multiplikatoren bleiben künftigen Arbeiten vorbehalten.

Sechstens liegen Datenschutz-, Compliance- und Marktmachtrestriktionen ausserhalb des Rahmens. Wechselwirkungen mit Datenschutzregimen, sektoralen Beschaffungsregeln, der finanzmarktrechtlichen Regulierung der Token-Rücknahme sowie Schutzvorkehrungen gegen Kollusion oder Dominanz grosser Betriebe bedürfen einer formalen Behandlung.

Die weitere Forschung verläuft entlang von fünf Strängen. Erstens formale zeitvariable Gleichgewichtsmodelle mit stochastischer Verfügbarkeit und Lerndynamik für Preise, Multiplikatoren und beste Antworten. Zweitens Orchestrierungsresilienz und Fehlertoleranz unter heterogener Teilnahme, einschliesslich byzantinischen Verhaltens und partieller Synchronie. Drittens Anreizdesign unter variablen Energiepreisen, stochastischer ESG-Verfügbarkeit und endogener Überlastung, mit robusten Kalibrierungsmethoden unter Unsicherheit. Viertens formale Governance-Primitive innerhalb der FAII, die Abstimmung, Audits, Sanktionen und grenzüberschreitende Durchsetzbarkeit abdecken. Fünftens Datenschutz- und Compliance-Erweiterungen, die Verifiable Computation, Zero-Knowledge-Attestierungen und differenzierte Offenlegung in die Metering- und Abrechnungspipeline integrieren.

Literatur

al., Wang et. 2025. How Do Companies Manage the Environmental Sustainability of AI? https://arxiv.org/abs/2505.07317.

Associated Press. 2025. “Trump’s AI Plan Calls for Massive Data Centers with High Energy Needs and Eased Regulation.” AP News. https://www.apnews.com/article/f216660b80f992ae303b348dac0b2f87.

Authority, European Banking. 2024. Guidelines on Redemption Plans Under the Markets in Crypto-Assets Regulation. EBA final guidelines. https://www.eba.europa.eu/activities/single-rulebook/regulatory-activities/asset-referenced-and-e-money-tokens-micar/guidelines-redemption-plans-under-micar.

Baiz, Pedro. 2024. Blockchain and Carbon Markets: Standards Overview. arXiv preprint arXiv:2403.03865. https://doi.org/10.48550/arXiv.2403.03865.

Belen-Saglam, Rahime, Enes Altuncu, Yang Lu, and Shujun Li. 2022. A Systematic Literature Review of the Tension Between the GDPR and Public Blockchain Systems. arXiv preprint arXiv:2210.04541. https://doi.org/10.1016/j.bcra.2023.100129.

Birman, Kenneth et al. 2010. Verifiable Resource Accounting for Cloud Computing Services. ACM workshop. https://citeseerx.ist.psu.edu/document?doi=e9ff49d7b670521597e9ed20945e33791272f9cd.

(blog), Wire. 2025. What the CLOUD Act Really Means for EU Data Sovereignty. Wire blog. https://wire.com/en/blog/cloud-act-eu-data-sovereignty.

Bontekoe, Tariq, Dimka Karastoyanova, Fatih Turkmen, et al. 2023. Verifiable Privacy-Preserving Computing. arXiv preprint arXiv:2309.08248. https://doi.org/10.48550/arXiv.2309.08248.

Boumaiza, Ameni, and Kenza Maher. 2024. Harnessing Blockchain and IoT for Carbon Credit Exchange to Achieve Pollution Reduction Goals. Energies. https://doi.org/10.3390/en17194811.

Buyya, Rajkumar, Shashikant Ilager, and Patricia Arroba. 2023. Energy-Efficiency and Sustainability in New Generation Cloud Computing. https://arxiv.org/abs/2303.10572.

Cao, Zhiwei, Xin Zhou, Han Hu, et al. 2021. Towards a Systematic Survey for Carbon Neutral Data Centers. arXiv preprint arXiv:2110.09284. https://doi.org/10.48550/arXiv.2110.09284.

Chadha, Mohak, Thandayuthapani Subramanian, Eishi Arima, et al. 2023. GreenCourier Carbon‑aware Scheduling for Serverless Functions. arXiv preprint arXiv:2310.20375. https://arxiv.org/abs/2310.20375.

Chambers, and Partners. 2025. Data Protection Privacy 2025 Switzerland Trends and Developments. https://practiceguides.chambers.com/practice-guides/data-protection-privacy-2025/switzerland/trends-and-developments.

Chan, L. T. 2019. Divide and Conquer in Two‑sided Markets a Potential‑game Approach. Boston University working paper. https://questromworld.bu.edu/platformstrategy/wp-content/uploads/sites/49/2019/07/PlatStrat2019_paper_9.pdf.

Chen, Hongbo et al. 2023. A Verified Confidential Computing as a Service Framework. USENIX Security ’23. https://www.usenix.org/system/files/usenixsecurity23-chen-hongbo.pdf.

Choi, Sang-Min, Jiho Park, Quan Nguyen, and Andre Cronje. 2018. Fantom: A Scalable Framework for Asynchronous Distributed Systems. arXiv preprint arXiv:1810.10360. https://doi.org/10.48550/arXiv.1810.10360.

contributors, Securiti AI. 2025. Data Regulations in Switzerland’s Financial Sector. https://securiti.ai/data-regulation-in-switzerland-financial-sector/.

Cramton, P., and R. Geddes. 2015. A Wholesale Market for Road Capacity. Cornell University working paper. https://www.human.cornell.edu/sites/default/files/PAM/CPIP/cramton-geddes-real-time-pricing-of-road-access.pdf.

Dierks, L., and S. Seuken. 2021. Cloud Pricing the Spot Market Strikes Back. Management Science. https://doi.org/10.1287/mnsc.2020.3907.

El‑Zahr, Sawsan, Paul Gunning, and Noa Zilberman. 2023. Exploring the Benefits of Carbon‑aware Routing. University of Oxford tech report. https://eng.ox.ac.uk/media/jwpbeeab/elzahr23benefits.pdf.

EY. 2023. The New EU Markets in Crypto-Assets Regulation MiCAR. EY technical alert. https://www.ey.com/en_gr/technical/tax/tax-alerts/the-new-eu-market-in-crypto-assets-regulation.

FDPIC, Swiss. 2025. Update Current Legislation Directly Applicable to AI. https://www.edoeb.admin.ch/en/update-current-legislation-directly-applicable-ai.

Federation of American Scientists. 2025. Measuring and Standardizing AI’s Energy Footprint. https://fas.org/publication/measuring-and-standardizing-ais-energy-footprint.

G, Bartolomeo, Yosofie M, and Bäurle S et al. 2023. Oakestra Hierarchical Orchestration Framework for Edge Computing. https://www.usenix.org/conference/atc23/presentation/bartolomeo.

Gupta, Shikhar, Frederik Zerzawy, Carl-Friedrich Schleussner, et al. 2024. Systematic Assessment of the Achieved Emission Reductions of Carbon Credits. Nature Communications Earth & Environment. https://doi.org/10.1038/s41467-024-53645-z.

Hanstein, Bernd. 2015. Metrics in IT and Data Centre Technology. https://www.rittal.com/imf/none/5_3644/Rittal_Whitepaper_Metrics_in_IT_and_data_centre_technolog_5_3644/.

Haque, AKM Bahalul, AKM Najmul Islam, Sami Hyrynsalmi, Bilal Naqvi, and Kari Smolander. 2021. GDPR Compliant Blockchains: A Systematic Literature Review. arXiv preprint arXiv:2104.00648. https://doi.org/10.1109/ACCESS.2021.3069877.

International Energy Agency. 2025. AI Is Set to Drive Surging Electricity Demand from Data Centres.

John, Thornhill. 2024. “AI Is a Green Curse as Well as a Blessing.” Financial Times. https://www.ft.com/content/61c05fec-0542...

Lackinger, A. et al. 2024. Inference Load-Aware Orchestration for Hierarchical Federated Learning. arXiv preprint arXiv:2407.16836. https://arxiv.org/abs/2407.16836.

LATAM, Vertiv. 2023. The Search for the Sustainability Triangle PUE, CUE and WUE in Data Center Operations. https://www.vertiv.com/link/01e77e0333144abf8d7c08fc3f8202c6.aspx.

Law, Goodwin. 2023. New Swiss Data Protection Law Aligns with GDPR. https://www.goodwinlaw.com/en/insights/blogs/2023/new-swiss-data-protection-law-will-become-effective-september-1st-2023-what-you-need-to-know.

Lechowicz, Adam, Rohan Shenoy, Noman Bashir, et al. 2025. Carbon‑ and Precedence‑aware Scheduling for Data Processing Clusters. arXiv preprint arXiv:2502.09717. https://arxiv.org/abs/2502.09717.

Li, Chenxing, Yang Yu, Andrew Chi-Chih Yao, Da Zhang, and Xiliang Zhang. 2020. An Authenticated and Secure Accounting System for International Emissions Trading. arXiv preprint arXiv:2011.13954. https://doi.org/10.48550/arXiv.2011.13954.

Lim, W. K. B., N. C. Luong, D. T. Hoang, et al. 2019. Federated Learning in Mobile Edge Networks: A Comprehensive Survey. arXiv preprint arXiv:1909.11875. https://arxiv.org/abs/1909.11875.

Mouradian, C., D. Naboulsi, S. Yangui, et al. 2017. A Comprehensive Survey on Fog Computing: State-of-the-Art and Research Challenges. Computer Communications. https://doi.org/10.1016/j.comcom.2017.08.003.

Olivetti, Elsa A., and Noman Bashir. 2025. Explained: The Climate and Sustainability Implications of Generative AI. https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117.

Osborne, Martin J., and Ariel Rubinstein. 2004. A Course in Game Theory. MIT Press.

Piper, DLA. 2023. Swiss FADP Applies Extraterritorially Akin to GDPR. https://www.dlapiperdataprotection.com/?c=CH&t=law.

Project, CADE. 2025. Switzerland Confirms Existing Data Protection Law Applies to AI Systems. https://cadeproject.org/updates/switzerland-confirms-existing-data-protection-law-applies-to-ai-systems.

Raikwar, Mayank, Nikita Polyanskii, and Sebastian Müller. 2025. Fairness Notions in DAG-Based DLTs. arXiv preprint arXiv:2308.04831. https://doi.org/10.48550/arXiv.2308.04831.

RAND Corporation. 2024. AI’s Power Requirements Under Exponential Growth. https://www.rand.org/pubs/research_reports/RRA3572-1.html.

Rial, Alfredo, and George Danezis. 2016. Privacy‑preserving Smart Metering. Microsoft Research technical report. https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/privacy_in_metering-mainwpes.pdf.

Sato, Susumu. 2022. Competition in Two‑sided Markets an Aggregative‑games Approach. Working draft. https://www.game.kier.kyoto-u.ac.jp/2022/Sato.pdf.

Society, Swiss Information Security. 2025. Adoption of ISO 27001 in Switzerland. https://www.sisg.ch/en/iso-27001-certification-switzerland.

Souza, Abel, Shruti Jasoria, Basundhara Chakrabarty, et al. 2024. CASPER Carbon‑aware Scheduling and Provisioning for Distributed Web Services. arXiv preprint arXiv:2403.14792. https://arxiv.org/abs/2403.14792.

Spiegelman, Alexander, Neil Giridharan, Alberto Sonnino, and Lefteris Kokoris-Kogias. 2022. Bullshark: DAG BFT Protocols Made Practical. arXiv preprint arXiv:2201.05677. https://doi.org/10.48550/arXiv.2201.05677.

staff, Wired. 2021. “Apple Sets Climate Goals for 2030 Joining Amazon and Microsoft.” Wired. https://www.wired.com/story/apple-sets-climate-goals-for-2030.

Straesser, Martin, Jonas Mathiasch, André Bauer, and Samuel Kounev. 2023. “A Systematic Approach for Benchmarking of Container Orchestration Frameworks.” Proceedings of the 2023 ACM/SPEC International Conference on Performance Engineering (ICPE ’23), 187–98. https://doi.org/10.1145/3578244.3583726.

Sustainability), Unknown (MDPI. 2024. “AI Vs ESG Uncovering a Bidirectional Struggle in China.” Sustainability. https://www.mdpi.com/2071-1050/17/9/4238.

Swiss Confederation. 2023. Revised Federal Act on Data Protection Enters into Force 1 September 2023. https://www.kmu.admin.ch/kmu/en/home/facts-and-trends/digitization/data-protection/new-federal-act-on-data-protection-nfadp.html.

Swiss Financial Market Supervisory Authority (FINMA). 2024. Principle-Based and Technology-Neutral Financial Supervision. https://www.finma.ch/en/finma/activities/regulation/.

TierPoint. 2023. Understanding Data Center Capacity Planning & Best Practices. https://www.tierpoint.com/blog/data-center-capacity-planning/.

Wikipedia contributors. 2025a. Environmental Impact of Artificial Intelligence. https://en.wikipedia.org/wiki/Environmental_impact_of_artificial_intelligence.

Wikipedia contributors. 2025b. Supercomputer Performance Measured in FLOPS. https://en.wikipedia.org/wiki/Supercomputer.

Wikipedia contributors. 2025c. Urs Hölzle Environmental Work. https://en.wikipedia.org/wiki/Urs_H%C3%B6lzle.

Wilson, Michael. 2023. Understanding and Calculating Carbon Usage Effectiveness in Data Centers. https://www.nlyte.com/blog/understanding-and-calculating-carbon-usage-effectiveness-cue-in-data-centers/.

Windows Central. 2025. “Microsoft Admits Carbon Emissions Have Soared Due to AI Energy Demand.” Windows Central. https://www.windowscentral.com...

Yao, J., S. Zhang, Y. Yao, et al. 2021. Edge-Cloud Polarization and Collaboration: A Comprehensive Survey for AI. arXiv preprint arXiv:2111.06061. https://arxiv.org/abs/2111.06061.

Zhang, Z., Z. Li, and C. Wu. 2017. Optimal Posted Prices for Online Cloud Resource Allocation. arXiv preprint arXiv:1704.05511. https://arxiv.org/abs/1704.05511.

Verifiable Federated AI Infrastructure

Zusammenfassung

Einleitung

Verwandte Arbeiten

Beitrag

Systemarchitektur

Funktionale Architektur

Infrastrukturtopologie

Node Class Functions and Size Differentiation

Vorschlag zu Preisbildung und Berechtigung

Gestuftes Token-Modell und workloadgebundene Prämien

Netzgleichgewicht und Koordinationsrestriktionen

Computational equilibrium

Energy equilibrium

Monetary equilibrium

Network equilibrium

ESG in der Federated AI Infrastructure operationalisieren

ESG-bewusste Orchestrierungslogik und Systembias

Interne Marktkoordination und begrenzte Preisdynamik

Diskussion

Fazit

Limitationen und weitere Forschung

Literatur