Score

Apa itu Score?

Score, juga dikenal sebagai sn44 atau Score Vision, adalah subnet Bittensor yang menerapkan insentif pembelajaran mesin terdesentralisasi pada computer vision, awalnya dengan mengubah siaran sepak bola dan video lainnya menjadi data terstruktur yang dapat dibaca mesin seperti lokasi pemain, pelacakan bola, geometri lapangan, deteksi objek, dan konteks peristiwa.

Masalah yang ditangani bukanlah “komputasi AI” secara umum, melainkan hambatan yang lebih sempit dan bermakna secara komersial yaitu anotasi video: mengonversi volume besar rekaman mentah menjadi label yang akurat dengan cukup cepat dan cukup murah agar berguna untuk analitik olahraga, pemantauan keselamatan, operasi ritel, logistik, dan lingkungan lain yang sarat kamera.

Parit kompetitif yang diklaimnya adalah kombinasi pasar insentif penambang‑validator Bittensor dengan metode validasi yang ringan, termasuk pemfilteran frame, pemeriksaan lapangan/titik kunci, pengujian geometri bergaya homografi, dan verifikasi semantik berbasis CLIP, yang dirancang untuk menghindari biaya menjalankan ulang inferensi visi penuh pada setiap frame yang diajukan.

Repositori GitHub proyek ini menggambarkan Score Vision sebagai kerangka kerja computer vision terdesentralisasi yang berfokus terlebih dahulu pada Game State Recognition dalam sepak bola, sementara halaman subnet Bittensor saat ini mengkarakterisasi sn44 sebagai kerangka kerja di mana penambang memproses video secara lokal dan validator memberi skor hasil melalui pemeriksaan visual dan geometri hibrida. (github.com)

Posisi pasar Score paling tepat dipahami sebagai subnet aplikasi Bittensor yang terspesialisasi, bukan sebagai blockchain lapisan dasar atau platform smart contract yang luas.

Hingga akhir Juni 2026, layar pasar publik menempatkan Score di kisaran mid‑cap di antara token subnet Bittensor yang likuid, bukan di antara jaringan kripto terbesar; crawl terbaru CoinGecko menunjukkan Score berada di peringkat sekitar 500‑an bawah berdasarkan kapitalisasi pasar kripto, sementara tampilan subnet langsung di Bittensor.ai menunjukkan subnet dengan set neuron penuh 256/256, sembilan validator, beberapa ribu pemegang yang terlihat di Taostats, dan sekitar 131.000 TVL ekuivalen TAO dalam snapshot pool subnet. Angka‑angka tersebut harus diperlakukan sebagai indikator pasar dan staking pada satu titik waktu, bukan bukti permintaan pengguna akhir yang berkelanjutan. Secara lebih analitis, skala Score masih kecil dibandingkan vendor computer vision tersentralisasi dan pemain lama data olahraga, tetapi relatif terdeferensiasi di dalam Bittensor karena menargetkan output eksternal yang terukur—model visi dan label yang diturunkan dari video—alih‑alih permainan emisi yang sepenuhnya spekulatif. (coingecko.com)

Siapa yang Mendirikan Score dan Kapan?

Score tampaknya muncul ke publik pada 2024, selama perluasan narasi infrastruktur AI pasca‑ChatGPT dan siklus awal token subnet Bittensor.

Kehadiran perusahaan proyek ini mencantumkan Score - Subnet 44 sebagai didirikan pada 2024 dan berkantor pusat di New York City, sementara catatan subnet Bittensor menunjukkan sn44 terdaftar on‑chain pada September 2024. Atribusi pendiri sedikit bervariasi di berbagai materi publik, tetapi nama yang paling konsisten adalah Maxime Sebti, Tim Kalic, dan Nigel Grant; dokumentasi SIRE mengidentifikasi Maxime Sebti sebagai co‑founder dan CEO Score Technologies, Tim Kalic sebagai co‑founder dan CTO, dan Nigel Grant sebagai co‑founder dan chief revenue officer, sementara referensi LinkedIn menyebut Tim Kalic sebagai co‑founder dan CTO Score - Subnet 44 dan Manako Labs. Entitas operasional sering digambarkan sebagai Score Technologies atau terkait Vision Research Foundation, dengan Manako Labs kemudian menjadi antarmuka komersial yang terlihat yang dibangun di atas subnet. (linkedin.com)

Narasi proyek telah bergeser secara material sejak peluncuran. Materi komunitas awal seputar Score lebih dekat dengan prediksi olahraga, analitik olahraga, dan onboarding komunitas sepak bola, sedangkan posisi saat ini lebih luas: sebuah “lapisan computer vision yang terbuka dan permissionless” yang dapat melatih dan mengevaluasi model visi kecil dan spesifik tugas untuk jaringan kamera di dunia nyata.

Tesis Game State Recognition sepak bola tetap penting karena rekaman olahraga menawarkan data berlabel yang padat dan bernilai tinggi serta pasar komersial yang jelas, tetapi pembingkaian Manako yang lebih baru menggeser Score ke arah kasus penggunaan AI fisik perusahaan seperti peringatan zona terbatas, deteksi objek di SPBU, deteksi kendaraan/orang, dan pemantauan operasional yang dideploy di edge. Evolusi ini secara strategis masuk akal, karena analitik olahraga murni adalah pasar ceruk dengan pemain lama yang kuat, sementara kecerdasan kamera perusahaan lebih besar, namun juga meningkatkan risiko eksekusi: Score harus membuktikan bahwa ia dapat menggeneralisasi melampaui sepak bola tanpa kehilangan ketelitian validasi yang membuat desain subnet awalnya koheren. (kucoin.com)

Bagaimana Cara Kerja Jaringan Score?

Score tidak mengoperasikan blockchain independen proof‑of‑work, proof‑of‑stake, maupun DAG. Ini adalah subnet khusus aplikasi yang berjalan di Subtensor L1 milik Bittensor, di mana “konsensus” yang relevan untuk Score adalah proses Yuma Consensus berbobot staking Bittensor, bukan mekanisme produksi blok yang berdiri sendiri. Dalam Bittensor, subnet adalah pasar insentif: penambang melakukan tugas AI yang didefinisikan, validator mengevaluasi kualitas pekerjaan tersebut, dan Yuma Consensus mengonversi kiriman bobot validator menjadi emisi bagi penambang dan validator.

Dokumentasi Bittensor menyatakan bahwa Yuma Consensus berjalan on‑chain di dalam Subtensor dan menghitung emisi penambang dan validator dari peringkat validator atas kinerja penambang, dengan clipping berbobot staking yang dimaksudkan untuk mengurangi penilaian yang kolusif atau tidak andal. Untuk sn44, itu berarti model keamanannya sebagian diwarisi dari chain Bittensor dan sebagian bergantung pada apakah validator Score dapat secara andal membedakan output computer vision berkualitas tinggi dari kiriman berkualitas rendah atau bersifat adversarial. (docs.learnbittensor.org)

Secara teknis, arsitektur Score adalah sistem tiga peran: penambang menerima tugas video atau gambar dan menjalankan deteksi objek, pelacakan, atau inferensi model khusus secara lokal; validator melakukan sampling dan memberi skor output penambang; dan pemilik subnet menjaga desain tugas, parameter insentif, dan kesehatan jaringan secara keseluruhan.

Fitur khasnya adalah pendekatan validasi. Alih‑alih memvalidasi setiap frame dengan inferensi model penuh yang mahal, Score menggunakan frame yang difilter, pemeriksaan semantik, kelayakan titik kunci dan geometri lapangan, kesalahan reproyeksi, dan metrik asosiasi deteksi bergaya GS‑HOTA untuk mengaproksimasi kualitas secara efisien.

Materi Score sebelumnya menekankan klip sepak bola, deteksi pemain‑bola, ekstraksi garis lapangan, dan segmen pertandingan 30 detik; materi yang lebih baru menekankan distilasi model dan kemampuan visi yang ringan dan dapat dideploy di edge. Ini secara teknis masuk akal, namun menciptakan ketegangan sentral: semakin Score meluas ke tugas visi perusahaan yang sewenang‑wenang, semakin sulit mempertahankan satu rezim validasi yang tangguh, dan semakin subnet bergantung pada desain tolok ukur yang hati‑hati alih‑alih sekadar menambah lebih banyak penambang. (github.com)

Bagaimana Tokenomics sn44?

sn44 adalah token alfa di bawah model Dynamic TAO Bittensor, sehingga mekanisme suplai dan nilainya berbeda dari ERC‑20 konvensional dengan tabel alokasi tetap. FAQ Dynamic TAO Bittensor menyatakan bahwa setiap token alfa subnet memiliki hard cap 21 juta dan mengikuti jadwal halving, sementara dokumentasi emisi menjelaskan bahwa token alfa khusus subnet diterbitkan kepada penambang, validator, staker, dan pencipta subnet. Hingga akhir Juni 2026, halaman pasar pihak ketiga menunjukkan sekitar 4–5 juta SN44 dalam suplai beredar dan kapitalisasi pasar di kisaran 30 juta dolar atas hingga 40 juta dolar bawah, sementara snapshot aset yang disediakan pengguna menempatkan kapitalisasi pasar sekitar 42,4 juta dolar dan token di kisaran beberapa dolar tinggi. Secara struktural, sn44 bersifat inflasioner sampai emisi menurun melalui halving dan suplai mendekati batas; ini bukan terutama model token bakar, meskipun biaya pendaftaran Bittensor dan mekanisme tingkat protokol dapat memengaruhi aliran TAO/alfa di sekitar partisipasi subnet. docs.learnbittensor.org

Penangkapan nilai berasal dari permintaan staking, ekonomi penambang‑validator, dan penilaian pasar apakah subnet menghasilkan output computer vision yang berharga. Dalam Dynamic TAO, pengguna yang melakukan staking ke subnet penambangan pada dasarnya menukar TAO dengan alfa subnet tersebut dan melakukan staking alfa itu ke validator; nilai keluar kemudian bergantung pada rasio pool alfa‑ke‑TAO saat unstaking. Dokumentasi emisi Bittensor Juni 2026 penting karena menyatakan bahwa jaringan telah kembali ke model berbasis harga untuk mendistribusikan emisi TAO di seluruh subnet, setelah periode berbasis arus dari November 2025 hingga Juni 2026, yang berarti harga token subnet dan moving average kembali memengaruhi porsi emisi.

Untuk Score secara khusus, snapshot akhir Juni di Bittensor.ai menunjukkan potongan pemilik sebesar 18% dan emisi dibagi di antara penambang, validator/staker, dan pemilik, dengan APY staking yang ditampilkan sangat tinggi yang harus ditafsirkan sebagai output emisi yang volatil, bukan hasil yang stabil. Dalam istilah ekonomi, pemegang sn44 sedang menanggung sistem yang refleksif: model yang berguna dan permintaan eksternal dapat membenarkan arus masuk staking dan emisi, tetapi emisi tanpa permintaan berbayar dapat mengencerkan pemegang dan memberi imbalan pada rotasi modal jangka pendek alih‑alih utilitas jaringan yang berkelanjutan. (docs.learnbittensor.org)

Siapa yang Menggunakan Score?

Pembedaan kunci adalah antara aktivitas token dan penggunaan produk. Volume perdagangan on‑chain Score, para pemegang, jumlah validator dan staking TVL menunjukkan bahwa aset tersebut memiliki partisipasi pasar, tetapi metrik-metrik itu tidak membuktikan bahwa perusahaan atau tim olahraga membayar untuk output visi.

Kegunaan aktual lebih baik disimpulkan dari aktivitas tugas, tolok ukur (benchmark) model, kompetisi miner, dan aplikasi komersial yang dibangun di atas subnet. Materi publik Score mengidentifikasi analitik olahraga, penyiaran, taruhan, perekrutan/pencarian bakat (scouting), dan pelatihan (coaching) sebagai target pasar awal, sementara komunikasi publik yang lebih baru menggambarkan jalur computer vision yang lebih luas seperti deteksi orang, deteksi kendaraan, deteksi kebakaran, dan pemantauan SPBU.

Per pertengahan 2026, pola penggunaan yang paling kredibel bukanlah pengguna ritel yang berinteraksi langsung dengan sn44, melainkan para builder yang menggunakan subnet sebagai backend terdesentralisasi untuk penemuan model dan distilasi model. (github.com)

Sinyal adopsi paling konkret yang berhadapan langsung dengan perusahaan adalah Manako Labs. Pada April 2026, Manako mengumumkan aliansi dengan PwC France and Maghreb, dengan menyatakan bahwa PwC France akan mengandalkan Business Operations World Model milik Manako yang didukung oleh Score - Subnet 44 untuk membantu organisasi mengubah jaringan kamera yang sudah ada menjadi sistem intelijen operasional. Pada Juni 2026, sebuah artikel CryptoBriefing yang disindikasi oleh KuCoin melaporkan bahwa Manako telah meluncurkan platform agen visi AI yang didukung oleh Bittensor’s Score Subnet 44, dengan antarmuka no-code, model yang bisa dijalankan di CPU, pemrosesan edge, notifikasi Slack, dan investasi TaoWeave sebesar $1 juta yang disebutkan untuk ekspansi di Amerika Utara. Ini adalah sinyal komersial yang bermakna, tetapi tidak sama dengan pendapatan yang diaudit, retensi pelanggan, atau metrik deployment berskala enterprise. Pembacaan yang skeptis adalah bahwa Score memiliki jalur distribusi yang menjanjikan melalui Manako dan kanal advisory yang berdekatan dengan PwC, tetapi masih perlu mengungkapkan bukti yang lebih kuat tentang pelanggan berulang, beban kerja berbayar, dan throughput yang diukur dalam jam-kamera yang diproses atau tugas model yang diterima. (manako.ai)

Apa Saja Risiko dan Tantangan untuk Score?

Eksposur regulasi Score bersifat tidak langsung tetapi nyata. Tidak tampak adanya gugatan regulator aktif yang diketahui secara khusus terhadap Score atau sn44 dalam sumber-sumber publik yang ditinjau, tetapi sn44 mewarisi ketidakpastian yang lebih luas seputar TAO, token subnet Bittensor, staking, dan aset digital berbasis emisi. Dokumen S-1 Bittensor Trust yang diajukan Grayscale secara eksplisit membahas risiko bahwa TAO dapat diperdebatkan sebagai sekuritas dan mencatat bahwa SEC atau pengadilan dapat mengambil pandangan yang bertentangan, bahkan ketika sponsor memandang TAO bukan sebagai sekuritas. Hal itu penting bagi sn44 karena token alpha bahkan lebih erat terkait dengan aktivitas pencipta subnet, desain emisi, aliran staking, dan ekspektasi terhadap upaya manajerial yang produktif. Sentralisasi adalah risiko besar kedua. Halaman Bittensor.ai menunjukkan hanya sembilan validator di sn44 pada cuplikan akhir Juni, potongan kepemilikan pemilik 18%, pengaturan commit-reveal dan liquid-alpha yang dinonaktifkan, serta label kesehatan yang menggambarkan subnet sebagai ditinggalkan, sambil juga menunjukkan tidak ada commit GitHub dalam 30 hari sebelumnya dan commit terakhir sekitar 200 hari sebelumnya. Beberapa label tersebut mungkin tertinggal dari pengembangan off-chain, tetapi investor institusional sebaiknya menganggap konsentrasi validator, diskresi pemilik, repositori yang basi, dan tata kelola tugas yang buram sebagai poin uji tuntas yang material. sec.gov

Risiko kompetitif juga signifikan. Dalam analitik olahraga, Score bersaing secara ekonomis dengan penyedia data dan analisis video mapan seperti vendor data olahraga ala Opta, tumpukan analitik klub, sistem pelacakan siaran, dan penyedia computer vision spesialis yang tidak memerlukan insentif kripto. Dalam visi enterprise, Score bersaing dengan platform AI cloud, vendor edge-AI, tooling ala Roboflow, model open-source, dan solusi vertikal proprietari yang tertanam ke dalam perangkat lunak keamanan, ritel, logistik, dan industri. Model subnet terdesentralisasi bisa menjadi keunggulan biaya dan penemuan talenta jika secara konsisten menghasilkan model yang lebih baik, tetapi juga bisa lebih lambat untuk diproduktkan dibanding vendor terpusat yang memiliki jalur umpan balik pelanggan langsung, perjanjian tingkat layanan, tim pengadaan, dan kontrol kepatuhan. Token menambah ancaman lain: jika emisi lebih menarik daripada pendapatan eksternal, miner dan validator mungkin mengoptimalkan untuk mekanisme reward, bukan hasil bagi pelanggan, sehingga menciptakan kesenjangan antara aktivitas subnet dan output yang berguna secara ekonomis. medium.com

Bagaimana Prospek Masa Depan Score?

Prospek Score kurang bergantung pada kinerja harga dan lebih pada apakah Score dapat mengonversi ceruk teknis yang kredibel menjadi infrastruktur komersial yang berulang.

Roadmap terverifikasi dalam materi GitHub publik menyusun urutan 2025 dari Game State Recognition dan validasi berbasis VLM hingga deployment mainnet, validasi human-in-the-loop, dasbor, action spotting, event captioning, API integrasi, penambahan cabang olahraga, alat pengembang, dan aplikasi lintas domain.

Pada pertengahan 2026, narasi publik telah berkembang ke arah intelijen kamera enterprise bertenaga Manako dan distilasi model kecil yang spesifik tugas, sementara Bittensor sendiri telah mengalami perubahan tokenomik penting, termasuk kembalinya emisi berbasis harga pada Juni 2026.

Tonggak terpenting dari sini karena itu bersifat praktis, bukan promosi: pengembangan open-source yang diperbarui, telemetri validator dan miner yang lebih jelas, tolok ukur model yang diaudit, dokumentasi API publik, bukti beban kerja berbayar, dan kerangka validasi yang kuat untuk tugas non-sepak bola. (github.com)

Hambatan strukturalnya adalah bahwa Score harus membuktikan bahwa subnet ini lebih dari sekadar kompetisi model yang disubsidi emisi.

Jika Manako dan aplikasi serupa dapat secara konsisten menyalurkan masalah visi enterprise nyata ke sn44, mengukur output miner, mendistribusikan model kompak di edge, dan menunjukkan keunggulan biaya atau akurasi dibandingkan tooling terpusat, maka Score memiliki peran yang dapat dipertahankan sebagai pasar tenaga kerja computer vision native-Bittensor. Jika tidak, aset ini berisiko dinilai terutama sebagai taruhan berleverage pada spekulasi subnet Bittensor, dengan pemisahan terbatas antara likuiditas token dan product-market fit yang sebenarnya. Tidak ada prakiraan harga yang layak; pertanyaan yang relevan adalah apakah sn44 dapat mempertahankan validasi berkualitas tinggi, mendesentralisasikan kontrol, dan mengubah data kamera menjadi infrastruktur yang diminati pihak luar sebelum platform visi terpusat menutup kesenjangan efisiensi biaya.