Tether startet dezentrale lokale KI mit Isaac Asimovs Psychohistorie direkt aus Foundation

Tethers zweites Reservevermögen ist Intelligenz

Tethers neues QVAC-Projekt beginnt mit einer ungewöhnlichen Formulierung für ein Stablecoin-Unternehmen. Das Unternehmen beschreibt „QVAC Psy" als eine Familie grundlegender Modelle, die „in den Prinzipien der Psychohistorie verwurzelt" sind.

Der Verweis auf die Psychohistorie entstammt Isaac Asimovs Foundation-Universum, in dem Hari Seldon Mathematik, Statistik und soziale Dynamiken nutzt, um das Verhalten sehr großer Bevölkerungsgruppen vorherzusagen und das dunkle Zeitalter nach dem Zusammenbruch des Galaktischen Imperiums zu verkürzen.

Die Encyclopedia of Science Fiction beschreibt die Asimov'sche Psychohistorie als „Imaginäre Wissenschaft", während Seldons Werk ein Plan ist, der zukünftige Ereignisse vorhersagt und Wissen durch den systemischen Zusammenbruch bewahrt.

Tethers Wortwahl fungiert als Leitbild, verpackt in Science-Fiction-Sprache.

Das Unternehmen hat den größten Stablecoin im Krypto-Bereich aufgebaut, indem es Reserven, Liquidität und Verteilung in eine monetäre Infrastruktur umgewandelt hat. QVAC wendet denselben Instinkt auf Intelligenz an.

Tethers erstes Reservevermögen bleibt die dollarähnliche Verbindlichkeit im Zentrum von USDt. Sein zweites Reservevermögen entwickelt sich zu Rechenleistung, Modellen, Datensätzen und der Fähigkeit, KI außerhalb zentralisierter Clouds zu betreiben.

Von Dollarreserven zu Intelligenzreserven

Tethers Expansion in den KI-Bereich folgt der Mechanik seines Kerngeschäfts. USDt wandelt die Nachfrage nach Offshore-Dollar in einen Reservebestand um, der von kurzlaufenden Staatsinstrumenten dominiert wird.

In seinem Q1-2026-Attestierungsupdate meldete Tether einen Nettogewinn von 1,04 Milliarden USD, einen Reservepuffer von 8,23 Milliarden USD, Token-bezogene Verbindlichkeiten von rund 183 Milliarden USD und ein direktes und indirektes Engagement in US-Schatzwechsel von etwa 141 Milliarden USD. Diese Reservebasis verschafft

Tether wiederkehrende Einnahmen, Bilanzkraft und Spielraum, um aus der operativen Stärke heraus langfristige Infrastrukturwetten zu finanzieren.

CryptoSlate hat bereits verfolgt, wie diese Reserve-Engine die Stablecoin-Größe in strategische Allokation umwandeln kann. Im Januar zeigte Tethers Kauf von 8.888 BTC, wie Zinserträge und Betriebsgewinne in eine wiederkehrende Bitcoin-Nachfrage übersetzt werden können. QVAC überträgt dieselbe Logik auf eine andere Anlageklasse.

Neben Bitcoin, Gold, Startups, Energie, Mining, Kommunikation und anderen Infrastrukturpositionen investiert Tether in Intelligenz selbst. Der Schritt erweitert das Selbstbild des Unternehmens vom Herausgeber privater Dollarliquidität zum Erbauer privater digitaler Infrastruktur.

Die Sprache der „Psychohistorie" passt zu dieser Richtung, weil Tether KI als eine zivilisatorische Schicht und nicht als ein Software-Segment betrachtet. QVACs öffentliche Materialien beschreiben eine „Infinite Stable Intelligence Platform", ein Local-First-System für den „dezentralisierten Geist" und eine Antwort auf zentralisierte KI.

Die QVAC-Vision-Seite argumentiert, dass die Weiterleitung jedes Gedankens über zentralisierte Server zu langsam, fragil und kontrolliert ist, und positioniert QVAC dann als edge-native Grundlage für die Intelligenz, die Nutzer besitzen.

Diese Rahmung spiegelt Tethers breiteres Stablecoin-Angebot wider. Geld sollte sich ohne Erlaubnis bewegen. Daten sollten beim Nutzer bleiben. Intelligenz sollte dort laufen, wo der Nutzer ist.

Der ernsthafteste Anspruch liegt jedoch unter dem Asimov-Verweis. Tether sagt, dass KI dauerhafter wird, wenn sie sich wie resiliente Infrastruktur verhält.

Ein Cloud-Modell kann leistungsfähiger sein, trägt jedoch Anbieterrisiko, Preisrisiko, Richtlinienrisiko, Latenzrisiko und Daten-Routing-Risiko.

Ein lokales Modell gibt einen Teil der Frontier-Fähigkeitskurve auf, im Austausch für Eigentümerschaft, Datenschutz und Kontinuität.

Der Kompromiss ist im Krypto-Bereich vertraut. Self-Custody ist weniger bequem als eine Börse, bis die Börse versagt. Lokale KI ist weniger bequem als ein gehostetes Frontier-Modell, bis das Netzwerk ausfällt, die API sich ändert, das Konto geschlossen wird oder die Daten das Gerät nicht verlassen können.

QVAC ist ein Edge-Stack, der auf ein anderes Rennen ausgerichtet ist

QVACs wesentliches Unterscheidungsmerkmal ist architektonischer Natur. OpenAI, Anthropic, Google DeepMind und xAI konkurrieren um maximale allgemeine Fähigkeiten, Coding, Multimodalität, Long-Context-Reasoning, agentisches Verhalten und Enterprise-Cloud-Distribution.

QVAC zielt auf eine andere Achse ab: Deploybarkeit, Datenschutz, Latenz, Komposierbarkeit und Überleben außerhalb eines einzelnen Anbieters.

Die QVAC-Willkommensdokumentation definiert das Projekt als ein Open-Source-, plattformübergreifendes Ökosystem für Local-First-, Peer-to-Peer-KI-Anwendungen unter Linux, macOS, Windows, Android und iOS. Dieselbe Dokumentation besagt, dass Nutzer LLMs ausführen, Spracherkennung und Retrieval-Augmented Generation durchführen und andere KI-Aufgaben lokal erledigen oder die Inferenz über integrierte P2P-Funktionen an Peers delegieren können.

Das gibt QVAC einen anderen Maßstab als die Frontier-Labs. Frontier-KI optimiert für das stärkste verfügbare allgemeine Modell über einen zentralisierten Dienst. QVAC optimiert dafür, wo Inferenz stattfindet, wer die Laufzeit kontrolliert, welche Daten das Gerät verlassen und ob eine Anwendung weiter betrieben werden kann, wenn zentralisierte Dienste nicht verfügbar sind.

Tethers SDK-Launch im April 2026 beschreibt ein einheitliches Entwicklungskit, das Entwicklern ermöglicht, KI auf jedem Gerät zu erstellen, auszuführen und feinzutunen, mit Anwendungen, die unverändert auf iOS, Android, Windows, macOS und Linux laufen.

Es heißt auch, dass das QVAC-SDK eine einheitliche Abstraktionsschicht über lokale Inferenz-Engines verwendet, einschließlich QVAC Fabric, einem Fork von llama.cpp, sowie Integrationen mit whisper.cpp, Parakeet und Bergamot für Sprache und Übersetzung.

Das ist eher eine Betriebsschicht als ein einzelnes Modell-Release. Das Open-Source-KI-Ökosystem hat bereits leistungsstarke Teile: Llama, Qwen, Mistral, Gemma, DeepSeek, Hugging Face, llama.cpp, Ollama, vLLM, LM Studio und eine lange Reihe lokaler Inferenzprojekte.

QVACs Wette ist, dass Entwickler ein kohärentes Edge-Framework benötigen, das Modell-Laden, Inferenz, Sprache, OCR, Übersetzung, Bildgenerierung, RAG, P2P-Modellverteilung, delegierte Inferenz und lokales Feintuning über eine Schnittstelle verbindet.

QVAC positioniert sich als Verteilungsschicht für Intelligenz, in der Annahme, dass hinreichend gute lokale Modelle weiter verbessert werden.

QVAC Fabric ist das technische Zentrum dieses Anspruchs. Tether sagt, Fabric unterstützt Feintuning auf moderner Consumer-Hardware über Vulkan- und Metal-Backends, einschließlich Android-Geräten mit Qualcomm Adreno oder ARM Mali GPUs, Apple-Silicon-Geräten und Standard-Windows- oder Linux-Setups mit AMD-, Intel- oder NVIDIA-Hardware.

Es beschreibt auch dynamisches Tiling für mobile GPU-Speichergrenzen und einen LoRA-Workflow mit GPU-Beschleunigung und Masked-Loss-Instruction-Tuning.

Wenn dieser Workflow in der externen Entwicklernutzung standhält, wird der Unterschied zu typischen Open-Source-Modell-Releases wesentlich. Die Modellgewichte sind eine Schicht. Lokale Anpassung wird zur nächsten Schicht.

MedPsy ist QVACs erster echter Test

MedPsy gibt QVAC seinen ersten konkreten Beweis auf Modellebene. Der am 07.05. veröffentlichte technische Bericht von Hugging Face präsentiert QVAC MedPsy als eine Familie von rein textbasierten medizinischen und gesundheitsbezogenen Sprachmodellen, die für den Edge-Einsatz mit 1,7 Milliarden und 4 Milliarden Parametern entwickelt wurden.

Der Anspruch ist ehrgeizig: Kleinere Modelle, die durch eine streng kontrollierte medizinische Post-Training-Pipeline trainiert wurden, können größere medizinische Baselines übertreffen und dabei für Laptops, High-End-Mobilgeräte und Smartphone-Klasse-Anwendungen praktikabel bleiben.

QVAC sagt, MedPsy-1.7B erzielt 62,62 Punkte über sieben geschlossene medizinische Benchmarks, über Googles MedGemma-1.5-4B-it mit 51,20, obwohl es weniger als halb so groß ist.

Es heißt auch, MedPsy-4B erzielt 70,54 Punkte, leicht über MedGemma-27B-text-it mit 69,95, während es fast siebenmal kleiner ist.

Bei HealthBench und HealthBench Hard berichtet QVAC von einer größeren Lücke, wobei MedPsy-4B 74,00 und 58,00 Punkte erzielt, gegenüber MedGemma-27B-text-it mit 65,00 und 42,67 unter der im Bericht gezeigten CompassJudger-Evaluation.

Diese Ergebnisse würden, wenn sie unabhängig reproduziert werden, die zentrale QVAC-These stützen: domänenspezifische, edge-skalierte Modelle können in eingeschränkten, hochwertigen Kategorien viel größere Systeme herausfordern.

Das Trainingsrezept zeigt auch, wie QVAC plant zu konkurrieren. Der Bericht sagt, MedPsy verwendet Qwen3-Backbones und wendet dann mehrstufiges überwachtes Feintuning und Reinforcement Learning auf medizinische QA-Aufgaben an.

Es generierte während der Experimente mehr als 30 Millionen synthetische Zeilen, verwendete einen zweistufigen Lehrplan und wählte Baichuan-M3-235B als einziges Teacher-Modell für die Langform-Reasoning-Aufsicht. QVAC stellt auch fest, dass das Trainingskorpus noch nicht veröffentlicht wurde. Dieser Vorbehalt ist zentral.

Die stärksten öffentlichen Benchmark-Ansprüche stammen immer noch von QVAC selbst, und die Trainingsdaten, die zur vollständigen Untersuchung von Kontamination, Abdeckung, Prompt-Konstruktion und Teacher-Einfluss benötigt werden, sind nicht verfügbar.

Der Edge-Aspekt wird bei der Quantisierung schärfer. QVAC sagt, GGUF-Varianten sind für llama.cpp und QVAC SDK veröffentlicht, wobei Q4_K_M die Dateigröße um 69 % reduziert und dabei weniger als einen durchschnittlichen Score-Punkt für beide MedPsy-Größen verliert.

Der Bericht empfiehlt Q4_K_M mit imatrix-Kalibrierung als Größe-Qualität-Kompromiss: 2,72 GB für das 4B-Modell und 1,28 GB für das 1,7B-Modell. Die QVAC-Modelle-FAQ warnt auch, dass MedPsy nur Text, nur Englisch, für Notfälle ungeeignet, anfällig für Halluzination und davon abhängig ist, dass Entwickler die Privatsphäre über die gesamte Anwendungsarchitektur hinweg wahren. Das gibt dem technischen Zentrum seine eigentliche Form.

MedPsy ist vielversprechend, weil die Medizin starke Gründe hat, lokale Inferenz zu bevorzugen. Es bleibt unbewiesen, bis externe Forscher die Benchmark-Leiter reproduzieren und es unter realen klinischen Workflow-Bedingungen testen.

Der ungelöste Kampf ist Komfort versus Kontrolle

Die lokale-versus-Cloud-KI-Debatte wird üblicherweise als Wahl zwischen Datenschutz und Leistung gerahmt. QVAC rahmt sie als Komfort gegen Kontrolle.

Cloud-KI gewinnt bei der Benutzerfreundlichkeit. Der Nutzer öffnet eine App, sendet einen Prompt, erhält eine Antwort und vermeidet die operative Last von Modellgewichten, Gerätespeicher, Quantisierung, Embeddings oder Laufzeitkompatibilität.

Der Anbieter absorbiert die Komplexität. Diese Bequemlichkeit ist mächtig und erklärt, warum zentralisierte KI-Plattformen so schnell skaliert haben. Der Nutzer erhält Frontier-Fähigkeit mit minimalem Setup.

QVAC fordert Entwickler und Nutzer auf, mehr Verantwortung im Austausch für ein anderes Sicherheitsmodell zu übernehmen. Die Belohnung ist lokale Ausführung, Offline-Betrieb, reduzierte Datenexposition, geringere Abhängigkeit vom API-Zugang und ein Weg zu Peer-to-Peer-Inferenz und Modellverteilung.

Tethers SDK-Launch sagt, QVAC-betriebene Apps können in Umgebungen mit geringer Konnektivität weiter funktionieren und dass „wenn das Internet ausfällt, die KI weiter funktioniert". Die QVAC-Ankündigung von 2025 ging weiter und beschrieb KI-Agenten, die direkt auf lokalen Geräten laufen, Peer-to-Peer-Netzwerke für die Gerät-zu-Gerät-Zusammenarbeit und WDK-Integration, die es KI-Agenten ermöglichen würde, in Bitcoin und USDt zu transagieren.

Das ist die vollständige Tether-These: Geld, Rechenleistung und autonome Agenten sollten dasselbe souveräne Designmuster teilen.

Der Dezentralisierungsanspruch ist nicht ganz so unkompliziert, wie manche es sich wünschen würden. QVAC ist auf der Inferenzschicht bedeutsam dezentralisiert, wenn ein Nutzer ein Modell herunterladen, es lokal ausführen und sensible Daten auf dem Gerät behalten kann.

Es ist dezentralisierter als eine gehostete API, weil der Anbieter nicht mehr in jedem Prompt sitzt.

Es fügt auch Peer-to-Peer-Primitive über den Holepunch-Stack hinzu, einschließlich delegierter Inferenz und dezentralisierter Modellverteilung, laut Tethers SDK-Materialien. Das sind wesentliche Designentscheidungen.

Governance ist eine separate Schicht. QVAC wird von Tether finanziert, benannt, koordiniert und gefördert. Die Flaggschiff-Apps, die Modellfamilie, die SDK-Roadmap und die Sprache „Stable Intelligence" stammen alle von einem einzigen Unternehmensträger.

Diese Struktur koexistiert mit dem Local-First-Wertversprechen. Sie schränkt den Dezentralisierungsanspruch auf den Bereich ein, wo die Beweise am stärksten sind.

QVAC dezentralisiert, wo Inferenz stattfinden kann. Das breitere Ökosystem benötigt noch Belege für eine verteilte Kontrolle über Standard-Registries, Release-Channels, Sicherheitskonventionen, Modellaufnahme und langfristige Governance.

Replikation ist die nächste Schwelle

QVACs Glaubwürdigkeit hängt nun von der Replikation ab. Wenn MedPsys Ergebnisse außerhalb von QVACs eigenem Evaluierungsrahmen reproduziert werden, wird Tether ein glaubwürdiges erstes Beispiel seiner Intelligenzreserve-These haben: kleine, offene, lokal einsetzbare Modelle, die mit größeren Cloud-orientierten Systemen in einem sensiblen Bereich konkurrieren können.

Wenn unabhängige Tests die Benchmark-Lücke verkleinern oder umkehren, hat QVAC immer noch ein Infrastrukturargument, während sein Modellanspruch weniger Gewicht trägt. Der breitere Kampf kehrt dann zum ältesten Kompromiss in der Technologie zurück: Komfort konzentriert Macht, während Kontrolle Arbeit auferlegt.

Dort wird das Asimov-Angebot nützlich. Psychohistorie in Foundation befasste sich mit großen Systemen unter Stress. Tethers Version konzentriert sich auf Infrastruktur unter Zentralisierung. Die Sprache ist großartig, und der technische Beweis bleibt früh, aber die Richtung ist kohärent.

Tether nutzt die Cashflows des weltgrößten Stablecoins, um einen KI-Stack aufzubauen, der sich auf lokale Ausführung, Peer-Netzwerke, offene Werkzeuge und edge-skalierte Modelle konzentriert. Es erweitert die Stablecoin-Prämisse von Geld auf Intelligenz.

Die Frage ist nicht mehr, ob ein Stablecoin-Unternehmen es sich leisten kann, KI zu bauen. Tether kann das eindeutig.

Die Frage ist, ob QVAC Modelle und Infrastruktur produzieren kann, die stark genug sind, um Nutzer dazu zu bringen, die Reibung der lokalen Kontrolle zu akzeptieren.

MedPsy ist die erste messbare Schwelle. Unabhängige Replikation wird bestimmen, ob QVACs Psychohistorie-Sprache eine Metapher bleibt oder beginnt, der frühen Betriebslogik eines ernsthaften Edge-KI-Stacks zu ähneln.

Der Beitrag Tether launches decentralized local AI using Isaac Asimov's Psychohistory straight out of Foundation erschien zuerst auf CryptoSlate.