Score

Qu’est-ce que Score ?

Score, également connu sous le nom de sn44 ou Score Vision, est un sous-réseau Bittensor qui applique les incitations d’apprentissage automatique décentralisé à la vision par ordinateur, en commençant par transformer les flux vidéo de football et d’autres sports en données structurées lisibles par machine, telles que les positions des joueurs, le suivi du ballon, la géométrie du terrain, les détections d’objets et le contexte des événements.

Le problème qu’il traite n’est pas le « calcul d’IA » au sens large, mais le goulot d’étranglement plus étroit, et commercialement important, de l’annotation vidéo : convertir de grands volumes de séquences brutes en étiquettes précises, suffisamment vite et à un coût suffisamment bas pour être utiles à l’analyse sportive, à la surveillance de sécurité, aux opérations de retail, à la logistique et à d’autres environnements fortement équipés en caméras.

Son avantage revendiqué réside dans la combinaison du marché d’incitation mineur–validateur de Bittensor avec des méthodes de validation légères, incluant le filtrage de frames, des contrôles de terrain/points clés, des tests de géométrie de type homographie, et une vérification sémantique basée sur CLIP, conçus pour éviter le coût de relancer une inférence de vision complète sur chaque frame soumis.

Le dépôt GitHub du projet décrit Score Vision comme un framework de vision par ordinateur décentralisé, d’abord focalisé sur la reconnaissance de l’état de jeu dans le football, tandis que la page actuelle du sous-réseau Bittensor caractérise sn44 comme un framework dans lequel les mineurs traitent la vidéo localement et les validateurs notent les résultats via des contrôles hybrides visuels et géométriques. (github.com)

Le positionnement de Score sur le marché se comprend mieux comme un sous-réseau applicatif spécialisé de Bittensor, et non comme une blockchain de couche de base ou une large plateforme de smart contracts.

Fin juin 2026, les écrans de marché publics plaçaient Score dans la catégorie mid-cap parmi les tokens de sous-réseaux Bittensor liquides, plutôt que parmi les plus grands réseaux crypto ; le dernier crawl de CoinGecko montrait Score classé dans les bas 500 en termes de capitalisation de marché crypto, tandis que la vue en temps réel des sous-réseaux sur Bittensor.ai montrait un sous-réseau avec un ensemble complet de 256/256 neurones, neuf validateurs, plusieurs milliers de détenteurs visibles sur Taostats, et environ 131 000 TAO équivalents de TVL dans l’instantané du pool du sous-réseau. Ces chiffres doivent être considérés comme des indicateurs de marché et de staking à un instant donné, et non comme des preuves d’une demande durable côté utilisateurs finaux. D’un point de vue plus analytique, l’ampleur de Score reste faible par rapport aux fournisseurs centralisés de vision par ordinateur et aux acteurs historiques de la donnée sportive, mais il est relativement différencié au sein de Bittensor parce qu’il cible un résultat externe mesurable — des modèles de vision et des labels dérivés de la vidéo — plutôt qu’un simple jeu spéculatif d’émissions. (coingecko.com)

Qui a fondé Score et quand ?

Score semble être apparu publiquement en 2024, durant l’expansion post-ChatGPT des narratifs d’infrastructure d’IA et le premier cycle de tokens de sous-réseaux Bittensor.

La présence corporate du projet mentionne Score - Subnet 44 comme fondé en 2024 et basé à New York, tandis que l’enregistrement du sous-réseau Bittensor montre sn44 enregistré on-chain en septembre 2024. L’attribution de la fondation varie légèrement selon les documents publics, mais les noms les plus récurrents sont Maxime Sebti, Tim Kalic et Nigel Grant ; la documentation SIRE identifie Maxime Sebti comme cofondateur et CEO de Score Technologies, Tim Kalic comme cofondateur et CTO, et Nigel Grant comme cofondateur et chief revenue officer, tandis que LinkedIn fait référence à Tim Kalic comme cofondateur et CTO de Score - Subnet 44 et Manako Labs. L’entité opérationnelle est souvent décrite comme Score Technologies ou liée à Vision Research Foundation, Manako Labs devenant ensuite une interface commerciale visible construite au-dessus du sous-réseau. (linkedin.com)

Le narratif du projet a sensiblement évolué depuis le lancement. Les premiers contenus communautaires autour de Score étaient plus proches de la prédiction sportive, de l’analytics sportif et de l’onboarding des communautés de football, alors que le positionnement actuel est plus large : une « couche de vision par ordinateur ouverte et permissionless » capable d’entraîner et d’évaluer de petits modèles de vision spécialisés pour des réseaux de caméras en conditions réelles.

La thèse de reconnaissance de l’état de jeu dans le football reste importante, car les images sportives offrent des données annotées denses et de grande valeur ainsi qu’un marché commercial clair, mais le cadrage plus récent de Manako oriente Score vers des cas d’usage d’IA physique en entreprise, tels que des alertes de zones restreintes, la détection d’objets sur stations-service, la détection véhicule/personne, et le monitoring opérationnel déployé en edge. Cette évolution est stratégiquement rationnelle, car l’analytics purement sportive est un marché de niche avec des acteurs établis, tandis que l’intelligence vidéo d’entreprise est plus vaste, mais elle accroît aussi le risque d’exécution : Score doit prouver qu’il peut se généraliser au-delà du football sans perdre la rigueur de validation qui rendait cohérent le design initial du sous-réseau. (kucoin.com)

Comment fonctionne le réseau Score ?

Score n’exploite pas une blockchain indépendante de type proof-of-work, proof-of-stake ou DAG. Il s’agit d’un sous-réseau applicatif spécifique qui tourne sur Subtensor, la L1 de Bittensor, où le « consensus » pertinent pour Score est le processus Yuma Consensus pondéré par le stake de Bittensor, plutôt qu’un mécanisme autonome de production de blocs. Dans Bittensor, les sous-réseaux sont des places de marché d’incitations : les mineurs exécutent une tâche d’IA définie, les validateurs évaluent la qualité de ce travail, et Yuma Consensus convertit les soumissions de poids des validateurs en émissions pour les mineurs et validateurs.

La documentation Bittensor indique que Yuma Consensus s’exécute on-chain dans Subtensor et calcule les émissions des mineurs et validateurs à partir des classements de performance des mineurs fournis par les validateurs, avec un clipping pondéré par le stake destiné à réduire les notations collusives ou peu fiables. Pour sn44, cela signifie que le modèle de sécurité est en partie hérité de la chaîne Bittensor et en partie dépendant de la capacité des validateurs de Score à distinguer de façon fiable une sortie de vision par ordinateur de haute qualité d’une soumission de mauvaise qualité ou adversariale. (docs.learnbittensor.org)

Techniquement, l’architecture de Score repose sur trois rôles : les mineurs reçoivent des tâches vidéo ou image et exécutent localement la détection d’objets, le suivi ou l’inférence de modèles spécialisés ; les validateurs échantillonnent et notent les sorties des mineurs ; et le propriétaire du sous-réseau maintient la conception des tâches, les paramètres d’incitation et la santé globale du réseau.

L’élément distinctif est l’approche de validation. Au lieu de valider chaque frame via une inférence complète coûteuse, Score utilise des frames filtrés, des contrôles sémantiques, la plausibilité de points clés et de la géométrie du terrain, l’erreur de reprojection, et des métriques de type GS-HOTA pour l’association détection–suivi, afin d’approximer efficacement la qualité.

Les documents plus anciens sur Score mettaient l’accent sur des clips de football, la détection joueur–ballon, l’extraction des lignes du terrain, et des segments de match de 30 secondes ; les documents plus récents mettent l’accent sur la distillation de modèles et des compétences de vision légères, déployables en edge. Ceci est techniquement plausible, mais crée une tension centrale : plus Score s’étend vers des tâches de vision d’entreprise arbitraires, plus il devient difficile de maintenir un régime de validation unique et robuste, et plus le sous-réseau dépend d’une conception soignée de benchmarks plutôt que de l’ajout de mineurs supplémentaires. (github.com)

Quelle est la tokenomics de sn44 ?

sn44 est un token alpha dans le modèle Dynamic TAO de Bittensor, de sorte que sa mécanique d’offre et de valeur diffère de celle d’un ERC-20 classique avec un tableau d’allocation fixe. La FAQ de Dynamic TAO de Bittensor indique que chaque token alpha de sous-réseau a un plafond fixe de 21 millions et suit un calendrier de halving, tandis que la documentation sur les émissions explique que les tokens alpha spécifiques à chaque sous-réseau sont émis aux mineurs, validateurs, stakers et créateurs de sous-réseaux. Fin juin 2026, les pages de marché tierces indiquaient environ 4 à 5 millions de SN44 en circulation et une capitalisation de marché dans la fourchette haute des 30 millions de dollars à la basse des 40 millions de dollars, tandis que l’instantané d’actif fourni par l’utilisateur plaçait la capitalisation d’environ 42,4 millions de dollars et le token dans une fourchette de quelques dollars à un chiffre élevé. Structurellement, sn44 est inflationniste jusqu’à ce que les émissions décroissent via les halvings et que l’offre approche le plafond ; ce n’est pas principalement un modèle de token à burn, même si les coûts d’enregistrement Bittensor et certains mécanismes au niveau du protocole peuvent influencer les flux de TAO/alpha autour de la participation au sous-réseau. docs.learnbittensor.org

L’accumulation de valeur provient de la demande de staking, de l’économie mineur–validateur et de l’évaluation par le marché de la capacité du sous-réseau à produire des sorties de vision par ordinateur utiles. Dans Dynamic TAO, un utilisateur qui stake sur un sous-réseau de minage échange en pratique du TAO contre l’alpha de ce sous-réseau et stake cet alpha auprès d’un validateur ; la valeur à la sortie dépend alors du ratio alpha/TAO dans le pool au moment du unstake. La documentation sur les émissions de Bittensor de juin 2026 est importante, car elle indique que le réseau est revenu à un modèle basé sur les prix pour distribuer les émissions de TAO entre les sous-réseaux, après une période basée sur les flux de novembre 2025 à juin 2026, ce qui signifie que les prix des tokens de sous-réseaux et leurs moyennes mobiles influencent de nouveau la part d’émission.

Pour Score en particulier, l’instantané de fin juin sur Bittensor.ai indiquait une commission propriétaire de 18 % et un partage des émissions entre mineurs, validateurs/stakers et propriétaire, avec un APY de staking affiché très élevé qui doit être interprété comme une sortie d’émissions volatile plutôt qu’un rendement stable. En termes économiques, les détenteurs de sn44 soutiennent un système réflexif : des modèles utiles et une demande externe peuvent justifier des afflux de stake et des émissions, mais des émissions sans demande payante en frais peuvent diluer les détenteurs et récompenser la rotation de capital à court terme plutôt que l’utilité durable du réseau. (docs.learnbittensor.org)

Qui utilise Score ?

La distinction clé se situe entre l’activité du token et l’usage produit. Le volume d’échange on-chain de Score, ses détenteurs, le nombre de validateurs et la TVL de staking montrent que l’actif bénéficie d’une participation de marché, mais ces indicateurs ne prouvent pas que des entreprises ou des équipes sportives paient pour des résultats de vision.

L’utilité réelle se déduit mieux de l’activité de tâches, des benchmarks de modèles, des compétitions de mineurs et des applications commerciales construites sur le sous-réseau. La documentation publique de Score identifie l’analytique sportive, la diffusion, les paris, le scouting et le coaching comme marchés cibles initiaux, tandis que des communications publiques plus récentes décrivent des filières de vision par ordinateur plus larges, telles que la détection de personnes, la détection de véhicules, la détection d’incendies et la surveillance de stations-service.

À la mi‑2026, le schéma d’utilisation le plus crédible n’est pas des utilisateurs particuliers interagissant directement avec sn44, mais des builders utilisant le sous-réseau comme un backend décentralisé de découverte et de distillation de modèles. (github.com)

Le signal d’adoption le plus concret côté entreprises est Manako Labs. En avril 2026, Manako a annoncé une alliance avec PwC France et Maghreb, indiquant que PwC France s’appuierait sur le Business Operations World Model de Manako, propulsé par Score - Subnet 44, pour aider les organisations à transformer leurs réseaux de caméras existants en systèmes d’intelligence opérationnelle. En juin 2026, un article de CryptoBriefing syndiqué par KuCoin a rapporté que Manako avait lancé une plateforme d’agents d’IA de vision alimentée par le Score Subnet 44 de Bittensor, avec une interface no-code, des modèles exécutables sur CPU, du traitement en edge, des alertes Slack, et un investissement annoncé de 1 million de dollars en TaoWeave pour l’expansion en Amérique du Nord. Ce sont des signaux commerciaux significatifs, mais ce ne sont pas la même chose que des revenus audités, une rétention client démontrée ou des métriques de déploiement à l’échelle entreprise. Une lecture sceptique est que Score dispose d’une distribution prometteuse via Manako et des canaux de conseil adjacents à PwC, mais doit encore divulguer des preuves plus solides de clients récurrents, de charges de travail payantes et d’un débit mesuré en heures‑caméra traitées ou en tâches de modèles acceptées. (manako.ai)

Quels sont les risques et les défis pour Score ?

L’exposition réglementaire de Score est indirecte mais réelle. D’après les sources publiques consultées, il ne semble pas exister de procédure active connue engagée par un régulateur spécifiquement contre Score ou sn44, mais sn44 hérite de l’incertitude plus large entourant TAO, les tokens de sous‑réseau Bittensor, le staking et les actifs numériques dont l’émission est le principal moteur. Le formulaire S‑1 du Bittensor Trust déposé par Grayscale évoque explicitement le risque que TAO puisse être considéré comme un titre financier et note que la SEC ou un tribunal pourrait adopter une position contraire, même si le sponsor considère que TAO n’est pas un titre. Cela importe pour sn44 parce que les tokens alpha sont encore plus étroitement liés à l’activité du créateur du sous‑réseau, à la conception des émissions, aux flux de staking et aux attentes concernant l’effort managérial productif. La centralisation est le deuxième risque majeur. La page Bittensor.ai ne montrait que neuf validateurs sur sn44 dans son instantané de fin juin, une part propriétaire de 18 %, les paramètres commit‑reveal et liquid‑alpha désactivés, et une étiquette de santé décrivant le sous‑réseau comme abandonné, tout en indiquant aucune contribution GitHub au cours des 30 jours précédents et un dernier commit environ 200 jours plus tôt. Certains de ces indicateurs peuvent être en retard sur le développement off‑chain, mais les investisseurs institutionnels devraient considérer la concentration des validateurs, la discrétion du propriétaire, la vétusté des dépôts et l’opacité de la gouvernance des tâches comme des éléments importants de due diligence. sec.gov

Le risque concurrentiel est également substantiel. Dans l’analytique sportive, Score est en concurrence économique avec des fournisseurs établis de données et d’analyse vidéo, tels que les prestataires de données sportives de type Opta, les piles d’analytique de clubs, les systèmes de suivi pour la diffusion et les prestataires spécialisés en vision par ordinateur qui n’ont pas besoin d’incitations crypto. Dans la vision d’entreprise, il concurrence les plateformes d’IA cloud, les fournisseurs d’IA en edge, les outils de type Roboflow, les modèles open source et les solutions propriétaires verticales intégrées aux logiciels de sécurité, de retail, de logistique et d’industrie. Le modèle de sous‑réseau décentralisé peut être un avantage en termes de coûts et de découverte de talents s’il permet de sourcer de meilleurs modèles de manière fiable, mais il peut aussi être plus lent à productiser qu’un fournisseur centralisé disposant de boucles de retour client directes, d’accords de niveau de service, d’équipes d’achats et de contrôles de conformité. Le token ajoute une autre menace : si les émissions sont plus attractives que les revenus externes, les mineurs et validateurs peuvent optimiser pour la mécanique de récompense plutôt que pour les résultats clients, créant un écart entre l’activité du sous‑réseau et la production réellement utile économiquement. medium.com

Quelles perspectives d’avenir pour Score ?

Les perspectives de Score dépendent moins de la performance du prix que de sa capacité à convertir une niche technique crédible en une infrastructure commerciale reproductible.

La feuille de route vérifiée dans les documents publics sur GitHub décrivait une séquence 2025 allant de la reconnaissance d’état de jeu et de la validation basée sur VLM jusqu’au déploiement mainnet, la validation avec intervention humaine, des tableaux de bord, la détection d’actions, la génération de légendes d’événements, des API d’intégration, des sports supplémentaires, des outils pour développeurs et des applications inter‑domaines.

À la mi‑2026, le récit public avait évolué vers l’intelligence caméra d’entreprise portée par Manako et la distillation de petits modèles spécifiques à une tâche, tandis que Bittensor lui‑même avait subi d’importants changements de tokénomique, y compris le retour aux émissions basées sur le prix en juin 2026.

Les jalons les plus importants à partir d’ici sont donc pratiques plutôt que promotionnels : relance du développement open source, télémétrie plus claire des validateurs et des mineurs, benchmarks de modèles audités, documentation publique d’API, preuves de charges de travail payantes et cadre de validation robuste pour les tâches non liées au football. (github.com)

L’obstacle structurel est que Score doit prouver que le sous‑réseau est plus qu’une compétition de modèles subventionnée par les émissions.

Si Manako et des applications similaires peuvent, de façon constante, acheminer de véritables problèmes de vision d’entreprise vers sn44, évaluer les résultats des mineurs, déployer des modèles compacts en edge et démontrer des avantages de coût ou de précision par rapport aux outils centralisés, alors Score a un rôle défendable en tant que marché du travail de vision par ordinateur natif à Bittensor. Sinon, l’actif risque d’être valorisé principalement comme un pari à effet de levier sur la spéculation autour des sous‑réseaux Bittensor, avec une séparation limitée entre la liquidité du token et le véritable product‑market fit. Aucune prévision de prix ne se justifie ; la question pertinente est de savoir si sn44 peut maintenir une validation de haute qualité, décentraliser le contrôle et transformer les données caméra en une infrastructure demandée en externe avant que les plateformes centralisées de vision ne comblent l’écart de coût‑efficacité.