Investor AI Serius Sudah Masuk Bittensor, Inilah Yang Mereka Ketahui

Bittensor (TAO) adalah salah satu proyek paling ambisius secara intelektual di crypto, sebuah blockchain yang mencoba mengubah kecerdasan buatan menjadi pasar komoditas, memberi harga pada kecerdasan mesin melalui insentif token alih-alih kontrak pengadaan korporasi.

Per akhir April 2026, proyek ini memiliki kapitalisasi pasar lebih dari $2,4 miliar, berada di antara 40 aset teratas berdasarkan kapitalisasi pasar, dan jumlah subnetnya telah berkembang dari satu jaringan homogen menjadi lebih dari 60 subnet khusus dalam waktu kurang dari dua tahun.

Namun ambisi dan kapitalisasi pasar bukanlah hal yang sama dengan infrastruktur yang benar‑benar berfungsi. Pertanyaan inti yang terus diajukan peneliti serius adalah apakah desain insentif Bittensor benar‑benar menghasilkan model AI yang lebih baik, atau justru menghasilkan aktivitas farming imbalan yang canggih oleh miner yang belajar memanipulasi sistem penilaian validator. Jawabannya, yang ditarik dari data on‑chain, literatur akademik, dan dokumentasi protokol, lebih bernuansa daripada yang ingin diakui kubu bullish maupun bearish.

TL;DR

Arsitektur subnet Bittensor telah berkembang pesat menjadi lebih dari 60 jaringan khusus, tetapi konsentrasi validator dan opasitas penilaian tetap menjadi risiko struktural bagi kualitas output.

Data on‑chain menunjukkan aliran emisi TAO sangat condong ke sejumlah kecil validator berkepemilikan besar, menciptakan tekanan sentralisasi yang bertentangan dengan tesis pasar terbuka protokol.

Proposal nilai jangka panjang protokol bergantung pada apakah permintaan eksternal terhadap output subnet dapat melampaui perilaku farming imbalan internal, sebuah pertanyaan yang baru mulai terjawab oleh data 2026.

1. Apa Sebenarnya Bittensor Itu, Dan Mengapa Sulit Dikategorikan

Bittensor sulit untuk dikategorikan. Ini bukan token hype crypto AI yang terikat pada satu model atau API. Ini adalah upaya di lapisan protokol untuk membangun pasar terdesentralisasi bagi machine learning, di mana miner menjalankan model AI dan validator menilai output mereka, dengan imbalan TAO didistribusikan menurut kualitas kecerdasan yang dihasilkan.

Makalah fondasional oleh Jacob Steeves dan Ala Shaabana, yang dirilis melalui Opentensor Foundation, menggambarkan sistem ini sebagai “metode machine learning yang memberi imbalan kepada peserta jaringan karena menghasilkan nilai bagi jaringan.” Nilai tersebut dioperasionalkan melalui sistem peringkat sebaya bernama Yuma Consensus, di mana validator menilai output miner dan memberi bobot taruhan pada peringkat mereka untuk menghasilkan skor konsensus.

Mekanisme Yuma Consensus dirancang agar tidak ada satu validator pun yang dapat secara sepihak mengalihkan emisi, tetapi konsentrasi stake di antara kelompok kecil validator menciptakan hasil fungsional yang serupa.

Wawasan arsitektural yang penting adalah bahwa Bittensor sendiri tidak melatih atau meng‑hosting model AI. Ia menciptakan kerangka insentif bagi pihak lain untuk melakukannya, lalu memberi harga pada output di on‑chain. Const Demian, kontributor inti Opentensor, menggambarkan jaringan ini sebagai “marketplace untuk kecerdasan, bukan penyedia kecerdasan.” Pembedaan ini sangat penting ketika menilai apakah sistem ini berfungsi.

Juga Baca: What the Decentralized Web Is, How It Works, and Why It Matters Now

Ledakan Subnet, Angka Di Balik Pertumbuhan

Tanda paling terlihat dari pematangan Bittensor adalah jumlah subnetnya. Jaringan awal diluncurkan sebagai satu ruang homogen tempat semua miner bersaing pada tugas yang sama. Pada November 2023, Opentensor Foundation memperkenalkan kerangka subnet, yang memungkinkan tim mana pun mendaftarkan subnetwork khusus dengan aturan insentif, logika validator, dan definisi tugas miner sendiri.

Pada April 2026, jaringan ini menjamu lebih dari 64 subnet terdaftar. Ini berkisar dari Subnet 1 (text prompting, jaringan asli) hingga jaringan khusus yang mencakup prediksi pelipatan protein, penyediaan penyimpanan, feed data keuangan, penerjemahan terdesentralisasi, peramalan deret waktu, dan pembuatan gambar AI. Setiap subnet beroperasi semi‑otonom, menetapkan kriteria penilaiannya sendiri sambil menarik dari kumpulan emisi TAO bersama yang dialokasikan oleh validator root‑network.

Pendaftaran subnet tumbuh dari 32 menjadi 64 dalam sekitar 12 bulan, laju pelipatan ganda yang melampaui bahkan proyeksi paling optimis dalam dokumen roadmap protokol tahun 2023.

Biaya pendaftaran untuk satu slot subnet ditentukan oleh mekanisme lelang dinamis. Pada puncak permintaan di akhir 2025, pendaftaran slot berbiaya lebih dari 100 TAO per slot, setara kira‑kira $25.000 dengan harga saat itu. Friksi tersebut disengaja: Opentensor Foundation merancangnya untuk menyaring fork berkualitas rendah sambil tetap membuka pintu bagi tim yang benar‑benar memiliki modal. Apakah ini menyaring berdasarkan kualitas atau sekadar berdasarkan modal adalah pertanyaan terpisah yang penting.

Juga Baca: Top Crypto Exchanges Mandate AI Tools, Track Token Use As KPI: Report

Cara Kerja Yuma Consensus Dan Di Mana Ia Dapat Gagal

Yuma Consensus adalah mesin matematis yang mengubah opini validator menjadi imbalan miner. Memahaminya diperlukan untuk menilai apakah output Bittensor mencerminkan kualitas kecerdasan yang nyata atau rentan terhadap manipulasi terkoordinasi.

Setiap validator dalam satu subnet menghasilkan vektor bobot, memberikan skor kepada setiap miner yang dinilainya. Jaringan kemudian mengambil kombinasi berbobot stake dari vektor‑vektor ini untuk menghasilkan peringkat akhir. Algoritma Yuma menerapkan koreksi terinspirasi Shapley value yang menghukum validator yang menyimpang secara berlebihan dari konsensus, sehingga mendorong pelaporan yang jujur. Miner dengan output berperingkat tinggi menerima porsi emisi TAO subnet yang lebih besar.

Koreksi Shapley dalam Yuma Consensus menciptakan ekuilibrium Nash di mana pelaporan jujur secara teoretis dominan, tetapi ekuilibrium ini hanya bertahan ketika stake validator cukup terdistribusi untuk mencegah kolusi di antara pemegang besar.

Literatur teoritis tentang desain mekanisme menunjukkan bahwa mekanisme peer‑prediction seperti Yuma bekerja baik ketika para penilai memiliki sinyal independen dan tidak dapat berkoordinasi. Di Bittensor, kedua kondisi ini berada di bawah tekanan. Stake validator terkonsentrasi, dan sifat publik blockchain berarti validator besar dapat mengamati vektor bobot historis satu sama lain sebelum mengirimkan milik mereka.

Yanislav Malahov, peneliti desain mekanisme independen yang telah menerbitkan komentar tentang arsitektur Bittensor, mencatat bahwa konsentrasi stake adalah risiko struktural terbesar bagi hasil penilaian yang jujur.

Juga Baca: Why Hyperliquid Runs A DEX Without Any Other Blockchain Underneath

Konsentrasi Validator, Masalah Sentralisasi Yang Jarang Dibahas

Data on‑chain dari Taostats menggambarkan distribusi validator yang penting untuk analisis serius. Per April 2026, 10 validator teratas berdasarkan bobot stake mengendalikan sekitar 65% kekuatan voting root network, menurut taostats.io. Tiga validator teratas saja menyumbang sekitar 38% dari total pengaruh berbobot stake atas alokasi emisi subnet.

Konsentrasi ini memiliki konsekuensi langsung. Root validator menentukan porsi emisi TAO total yang diterima masing‑masing subnet, secara efektif bertindak sebagai manajer portofolio bagi seluruh ekosistem. Subnet yang gagal membangun hubungan dengan validator teratas berisiko menerima emisi yang dapat diabaikan terlepas dari kualitas nyata output AI‑nya.

Sepuluh validator teratas mengendalikan sekitar 65% kekuatan voting root‑network di Bittensor, menciptakan dinamika tata kelola yang lebih mirip oligopoli delegated proof‑of‑stake daripada pasar komoditas AI terbuka.

Opentensor Foundation telah mengakui masalah konsentrasi ini dan memperkenalkan mekanisme delegasi “childkey” pada akhir 2025, yang memungkinkan validator besar mendelegasikan penilaian spesifik subnet kepada operator khusus.

Ini sebagian mengatasi bottleneck keahlian (satu validator tidak dapat secara bermakna mengevaluasi output AI di 64 domain teknis berbeda) tetapi tidak menyelesaikan konsentrasi stake yang mendasarinya. Insentif ekonomi bagi validator besar untuk tetap besar bersifat memperkuat diri melalui hasil TAO yang mengompound.

Juga Baca: What Is Bittensor? How TAO Turns AI Models Into A Decentralized Market

Apa Yang Sebenarnya Dihasilkan Subnet

Di luar mekanika token, pertanyaan paling mendasar adalah apa yang sebenarnya dihasilkan subnet Bittensor. Kualitasnya sangat bervariasi tergantung pada kematangan subnet dan desain insentifnya.

Subnet 1, jaringan text prompting asli, telah di‑benchmark terhadap penyedia API komersial. Dalam evaluasi independen yang dipublikasikan di GitHub, output teragregasi subnet ini mencetak skor sebanding dengan model open‑source kelas menengah seperti Mistral 7B tetapi secara konsisten berada di bawah model frontier seperti GPT‑4o atau Claude 3.5 Sonnet pada benchmark penalaran standar.

Ini kurang lebih seperti yang diprediksi desain protokol, yaitu imbalan TAO dikalibrasi terhadap konsensus internal jaringan, bukan terhadap benchmark eksternal, sehingga miner mengoptimalkan untuk persetujuan validator alih‑alih skor MMLU.

Output teks teragregasi Subnet 1 telah di‑benchmark sebanding dengan model kelas Mistral 7B tetapi di bawah API komersial frontier, kesenjangan yang mencerminkan insentif penilaian internal protokol alih‑alih batas fundamental pada kualitas AI terdesentralisasi.

Subnet 9, yang berfokus pada kontribusi data pretrain, mewakili kasus yang secara teknis lebih menarik. Macrocosmos, tim yang menjalankan Subnet 9, telah published metodologi yang menunjukkan bahwa para miner berkontribusi data teks skala-internet yang digunakan untuk melatih model basis publik, dengan reward TAO dialokasikan berdasarkan skor kebaruan dan kualitas data.

Model yang dihasilkan, yang diperbarui secara kontinu di on-chain, merepresentasikan upaya nyata untuk mendesentralisasi pipeline pretraining. Peneliti independen reported pada Q1 2026 bahwa model Subnet 9 telah mencapai skor perplexity yang kompetitif pada benchmark pemodelan bahasa standar, yang menyiratkan bahwa setidaknya beberapa subnet menghasilkan output AI yang bermakna secara teknis.

Also Read: Bittensor's TAO Token And The AI-Crypto Thesis: Where The Network Stands In 2026

The Reward-Farming Problem And How Miners Game The System

Setiap sistem insentif menghadapi optimisasi adversarial, dan Bittensor bukan pengecualian. Masalah reward-farming di Bittensor telah documented secara luas di isu publik GitHub dan diskusi forum protokol.

Vektor serangan utamanya cukup langsung. Karena validator memberi skor pada miner melalui pipeline otomatis, miner yang memahami logika penilaian validator dapat merekayasa output yang memaksimalkan skor tanpa menghasilkan kecerdasan yang benar-benar berguna. Ini mirip dengan praktik SEO gaming yang berfokus mengoptimalkan metrik alih-alih nilai mendasar yang diukur. Di Subnet 1, para peneliti identified kasus di mana miner menyajikan respons cache untuk kueri validator yang sudah dikenal, sepenuhnya melewati langkah inferensi aktual.

Reward-farming melalui penyajian respons cache dan reverse-engineering logika penilaian telah terdokumentasi di beberapa subnet Bittensor, termasuk Subnet 1, dan merepresentasikan serangan langsung terhadap tesis kualitas kecerdasan protokol.

Respons Opentensor Foundation adalah bergerak ke arah keragaman dan randomisasi kueri dalam logika validator, sehingga membuat miner makin sulit melakukan pre-cache jawaban untuk prompt yang dapat diprediksi. Namun ini adalah dinamika perlombaan senjata. Ketika logika validator menjadi lebih kompleks, hambatan untuk partisipasi jujur meningkat, merugikan miner kecil yang tidak memiliki sumber daya engineering untuk mengikuti.

Nucleus.ai, sebuah kelompok riset yang telah published analisis aliran insentif Bittensor, memperkirakan pada awal 2026 bahwa antara 15% hingga 25% emisi Subnet 1 mengalir ke miner yang menunjukkan pola perilaku yang konsisten dengan reward-farming alih-alih inferensi yang nyata. Rentang itu mengandung ketidakpastian, tetapi bahkan batas bawahnya pun sudah material.

Also Read: Tokenomics and Its Importance for Crypto Investors

TAO Tokenomics And The Emission Sustainability Question

Tokenomics TAO secara struktural mirip dengan Bitcoin (BTC) dalam satu hal penting: ada hard cap sebesar 21 juta token, dengan emisi yang berkurang setengah kira-kira setiap empat tahun. Halving TAO pertama terjadi pada Januari 2025, mengurangi emisi per blok dari 1,0 TAO menjadi 0,5 TAO. Per April 2026, sekitar 8,2 juta TAO telah dicetak, mewakili kira-kira 39% dari total suplai.

Dinamika halving menciptakan tekanan deflasioner yang disengaja terhadap biaya partisipasi jaringan dari waktu ke waktu. Miner dan validator awal memperoleh TAO pada tingkat emisi tinggi; peserta di masa depan akan beroperasi di bawah tingkat penerbitan yang lebih rendah. Ini mencerminkan masalah security budget Bitcoin: ketika emisi menurun, protokol harus menghasilkan pendapatan biaya eksternal yang cukup atau apresiasi harga token untuk mempertahankan insentif partisipasi.

Dengan sekitar 39% dari suplai maksimum 21 juta TAO sudah beredar dan emisi berkurang setengah setiap empat tahun, protokol menghadapi pertanyaan security budget jangka panjang yang sama seperti Bitcoin, yang menuntut adanya permintaan eksternal alih-alih murni bergantung pada insentif emisi untuk mempertahankan partisipasi.

Kapitalisasi pasar sebesar $2,4 miliar per akhir April 2026 menyiratkan keyakinan pasar yang signifikan bahwa permintaan eksternal tersebut akan terwujud. Namun gambaran pendapatan saat ini masih tipis. Bittensor tidak mengenakan biaya API untuk konsumsi output subnet dengan cara yang terstandarisasi. Tim subnet individual bisa dan memang memonetisasi output mereka secara eksternal (Macrocosmos di Subnet 9 misalnya memiliki kemitraan enterprise), tetapi token TAO sendiri tidak mengakumulasi biaya dari hubungan komersial tersebut. Tesis tokenomics bersandar pada TAO yang menjadi aset cadangan dari ekonomi AI terdesentralisasi, sebuah argumen sirkular yang bergantung pada adopsi.

Also Read: How Bitcoin Became The World's Purest Macro Asset In 2026

How Bittensor Compares To Other Decentralized AI Approaches

Bittensor tidak beroperasi dalam ruang hampa. Beberapa pendekatan pesaing terhadap AI terdesentralisasi telah muncul, masing-masing dengan asumsi arsitektural berbeda tentang di mana penangkapan nilai seharusnya terjadi.

Ritual, jaringan inferensi AI terdesentralisasi, mengambil pendekatan contract-layer: smart contract dapat memanggil inferensi model AI di on-chain, dengan bukti kriptografis atas eksekusi yang benar. Modulus Labs telah published karya dasar tentang bukti zero-knowledge untuk inferensi jaringan saraf (zkML), sebuah tumpukan teknologi yang dimanfaatkan Ritual. Perbedaan kunci dari Bittensor adalah bahwa sistem berbasis zkML memberikan verifiabilitas kriptografis atas output model, sedangkan Bittensor bergantung pada penilaian berbasis konsensus yang tidak dapat membuktikan bahwa seorang miner menjalankan model tertentu dengan benar.

Gensyn, pesaing lain, berfokus pada komputasi yang dapat diverifikasi untuk pelatihan AI alih-alih inferensi, menggunakan sistem bukti probabilistik untuk memverifikasi bahwa proses pelatihan dijalankan dengan benar. Ini menjawab pertanyaan "apakah miner benar-benar menjalankan modelnya?" yang hanya dijawab secara tidak sempurna oleh mekanisme konsensus Bittensor melalui penilaian perilaku.

Verifiabilitas kriptografis (zkML, optimistic proofs) merepresentasikan jaminan kualitas yang secara fundamental lebih kuat dibanding pendekatan penilaian konsensus Bittensor, tetapi membawa overhead komputasi 10–100x lebih tinggi per inferensi pada biaya pembuatan bukti saat ini.

Trade-off-nya nyata. Pendekatan kriptografis dapat diverifikasi kejujurannya tetapi mahal secara komputasi. Pendekatan konsensus Bittensor murah secara komputasi tetapi hanya jujur secara probabilistik. Untuk tugas inferensi berisiko rendah dalam skala besar, pendekatan Bittensor mungkin pilihan yang lebih pragmatis. Untuk aplikasi berisiko tinggi yang membutuhkan auditability, sistem berbasis zkML memiliki keunggulan struktural. Pasar tampaknya terbagi sesuai hal ini, dengan Bittensor mengejar volume dan keluasan, sementara jaringan zkML menargetkan use case enterprise yang teregulasi.

Also Read: Web3 Identity: All You Need to Know About the Next Big Leap in Blockchain Security

Developer Activity, Ecosystem Funding, And The Builder Pipeline

Salah satu indikator awal yang paling andal untuk kesehatan sebuah protokol adalah aktivitas developer, karena modal spekulatif bisa pergi dalam semalam tetapi momentum engineering butuh waktu untuk dibangun dan waktu untuk mengendur.

Organisasi GitHub Bittensor di seluruh repositori intinya shows aktivitas commit yang konsisten sepanjang 2025 dan awal 2026. Repositori SDK utama 'bittensor' rata-rata mencatat lebih dari 150 commit per bulan hingga Q1 2026, dan 'subtensor' (node blockchain berbasis Rust) menunjukkan pengembangan aktif pada fungsionalitas validator childkey dan peningkatan tata kelola root network.

Laporan developer dari Electric Capital pada 2025 mencatat Bittensor di antara protokol dengan pertumbuhan tahun-ke-tahun tertinggi dalam jumlah developer aktif bulanan di antara proyek blockchain berfokus AI, meskipun angka absolutnya masih sederhana dibandingkan platform smart contract yang sudah mapan.

Data developer Electric Capital 2025 menempatkan Bittensor di antara proyek blockchain berfokus AI dengan pertumbuhan tercepat berdasarkan jumlah developer aktif bulanan, meskipun basis developernya secara absolut masih jauh di bawah Ethereum (ETH) atau Solana (SOL).

Pendanaan ekosistem cukup besar. Opentensor Foundation telah menjalankan beberapa program hibah subnet, mendistribusikan TAO secara langsung ke tim yang membangun subnet baru. Venture capital pihak ketiga juga telah masuk ke lapisan subnet: Multicoin Capital, Pantera Capital, dan Andreessen Horowitz semuanya telah disclosed posisi di proyek-proyek yang berelasi dengan Bittensor. Total modal ventura yang digelontorkan ke ekosistem, baik melalui posisi langsung di TAO maupun pendanaan tim subnet, diperkirakan di atas $150 juta hingga 2025, angka yang mencerminkan keyakinan institusional yang nyata bahkan setelah memperhitungkan premi spekulatif yang menyertai narasi AI pada periode tersebut.

Also Read: Crypto Narratives Of 2026: Where Real Capital Flows — And Where Hype Dies

The Verdict, What The Data Says About Whether It Works

Setelah menelaah arsitektur protokol, data on-chain, aktivitas developer, dan lanskap kompetitif, jawaban jujur terhadap pertanyaan di judul tulisan ini adalah: sebagian, dan secara tidak merata.

Kerangka subnet telah menunjukkan kapasitas nyata untuk mengorganisasi upaya manusia dan sumber daya komputasi di sekitar tugas-tugas AI. Kontribusi pretraining yang dibenchmark secara publik di Subnet 9, jaringan scraping data Dataverse di Subnet 13, dan subnet Oracle yang menyediakan feed data finansial semuanya menunjukkan bahwa tim dapat membangun infrastruktur AI yang bermakna secara teknis di dalam cangkang insentif Bittensor. Protokol ini bukanlah tipuan. Ia menghasilkan kerja komputasi nyata dan output model yang nyata.

Pada saat yang sama, validatorkonsentrasi, praktik reward-farming yang telah terdokumentasi, dan ketiadaan verifikasi output kriptografis bukanlah kelemahan sepele. Itu adalah masalah struktural yang bersifat penopang utama. Mekanisme Konsensus Yuma bekerja sebagaimana dirancang dengan asumsi bahwa validator tersebar dan independen. Asumsi itu saat ini tidak terpenuhi. Angka konsentrasi 10 validator teratas yang menguasai 65% voting power root adalah angka yang harus dikurangi oleh protokol melalui iterasi tata kelola untuk memvalidasi tesis jangka panjangnya.

Angka terpenting dalam masa depan Bittensor bukanlah harga TAO atau jumlah subnet, melainkan laju penurunan konsentrasi stake validator jaringan root, karena metrik tunggal itu menentukan apakah Konsensus Yuma menghasilkan sinyal kualitas AI yang benar-benar autentik atau sekadar alokasi reward yang terkoordinasi.

Pertanyaan tokenomik adalah yang paling tidak pasti secara struktural. Jadwal emisi dengan batas keras yang diadopsi dari Bitcoin berfungsi sebagai anggaran keamanan ketika biaya blok menggantikan emisi seiring waktu, seperti yang terjadi pada Bitcoin.

Bagi Bittensor, mekanisme serupa membutuhkan permintaan eksternal dari perusahaan terhadap output subnet untuk meningkat secara dramatis sebelum halving berikutnya pada 2029 yang akan semakin menekan insentif miner. Permintaan itu ada dalam bentuk prototipe tetapi belum pada skala yang diperlukan untuk menopang jaringan bernilai $2,4 miliar hanya dari pendapatan biaya. Kapitalisasi pasar saat ini sebagian merupakan spekulasi atas permintaan di masa depan, sebagian lagi bertumpu pada premi narasi AI, dan hanya sebagian yang mencerminkan output produktif saat ini.

Kesimpulan

Bittensor merupakan upaya paling serius sejauh ini untuk menerapkan mekanisme insentif ala Bitcoin pada produksi kecerdasan buatan. Arsitektur subnet-nya berkembang lebih cepat daripada yang diprediksi sebagian besar analis, komunitas developernya tumbuh, dan setidaknya sebagian jaringan di dalamnya menghasilkan output AI yang kredibel secara teknis. Posisi kapitalisasi pasar TAO di jajaran 40 besar dan valuasi $2,4 miliar mencerminkan pengakuan institusional yang nyata terhadap ambisi tersebut.

Namun bertumbuh dengan cepat dan bekerja secara andal adalah dua pencapaian yang berbeda. Masalah konsentrasi validator, keberadaan perilaku reward-farming yang telah terdokumentasi, dan pertanyaan yang belum terjawab tentang bagaimana protokol mempertahankan insentif miner setelah halving di masa depan tanpa pendapatan biaya eksternal skala besar, bukanlah kasus pinggiran yang bisa diabaikan.

Semua itu adalah ketegangan desain inti yang belum berhasil diselesaikan oleh Bittensor, meskipun protokol ini telah menciptakan kerangka kerja untuk menanganinya.
Kerangka yang paling intelektual jujur untuk memandang Bittensor pada April 2026 adalah bahwa ini adalah eksperimen langsung dalam produksi AI berbasis pasar yang telah melewati rintangan kredibilitas pertama (ia menghasilkan output nyata dari komputasi nyata) tetapi belum melewati rintangan kedua (ia menghasilkan output yang secara terverifikasi lebih baik atau lebih murah daripada alternatif terpusat pada skala yang cukup untuk membenarkan ekonomi tingkat jaringannya).

Apakah ia akan melewati rintangan kedua dalam dua tahun ke depan akan lebih bergantung pada keputusan rekayasa yang dibuat Yayasan Opentensor terkait desentralisasi validator dan pengaliran pendapatan eksternal, dibandingkan pada siklus narasi AI. Itu adalah pertanyaan yang lebih sempit dan lebih mudah diurai daripada yang disarankan para pengkritik protokol, tetapi juga lebih sulit daripada yang diakui para pendukungnya.