Tre anni fa, Bittensor (TAO) era una curiosità tecnica discussa principalmente nei canali di ricerca sul machine learning e in oscuri forum crypto.
Oggi ha una capitalizzazione di mercato superiore a 2,7 miliardi di dollari, ospita 64 subnet attive e rappresenta probabilmente il tentativo più ambizioso dell’industria blockchain di trasformare la produzione di intelligenza artificiale in una merce di mercato a cui chiunque può partecipare. Il fatto che la maggior parte degli osservatori crypto faccia ancora fatica a spiegare esattamente cosa faccia è, sotto molti aspetti, il punto centrale.
La rete è cresciuta senza un laboratorio di AI centralizzato, senza un data center proprietario e senza una singola entità aziendale di controllo. Invece, funziona su una nuova architettura di incentivi in cui i modelli di machine learning competono tra loro per i TAO appena emessi, con i validatori che ne valutano gli output e assegnano le ricompense di conseguenza.
Questo meccanismo, semplice in teoria e genuinamente complesso in pratica, è ciò che questo articolo disseziona dalle fondamenta.
TL;DR
- Bittensor gestisce un marketplace di AI decentralizzato in cui i modelli di machine learning guadagnano ricompense in TAO in base al valore informativo misurabile che forniscono a una rete di validatori.
- Il protocollo è passato da una singola rete monolitica a 64 subnet specializzate, ognuna focalizzata su un compito di AI distinto, dalla generazione di testo al ripiegamento di proteine fino alla previsione finanziaria.
- Con una capitalizzazione di mercato di 2,7 miliardi di dollari e un volume di trading giornaliero superiore a 260 milioni di dollari, TAO è diventato uno degli asset crypto a tema AI più liquidi, anche se le sue dinamiche di valutazione restano poco comprese dalla maggior parte dei partecipanti al mercato.
Cosa È Davvero Bittensor e Perché È Difficile da Spiegare
Il principale motivo per cui Bittensor rimane poco analizzato è che non rientra facilmente in nessuna categoria crypto esistente. Non è una blockchain layer-1 che compete con Ethereum (ETH) sul throughput delle transazioni. Non è un protocollo DeFi che ottimizza l’efficienza del capitale. Non è una piattaforma NFT né una meme coin. È, nel senso più preciso disponibile, un marketplace decentralizzato per l’intelligenza artificiale, costruito sopra una blockchain substrate.
Il whitepaper originale, scritto da Jacob Robert Steeves e Ala Shaabana e diffuso per la prima volta nel 2021, inquadra il problema centrale con chiarezza brutale. Lo sviluppo dell’AI è dominato da un piccolo numero di aziende integrate verticalmente che controllano simultaneamente dati di training, infrastruttura di calcolo e deployment dei modelli.
Questa concentrazione fa sì che il valore economico prodotto dall’AI affluisca quasi interamente a tali entità. La soluzione proposta da Bittensor è scomporre la filiera produttiva dell’AI in contributi discreti e prezzare ciascuno di essi usando un token nativo di blockchain.
Il whitepaper di Bittensor sostiene esplicitamente che l’intelligenza artificiale, come la banda o il compute, dovrebbe essere trattata come una commodity che i mercati possono prezzare in modo efficiente una volta che esistono i giusti binari di incentivo.
La blockchain substrate usata da Bittensor è costruita con il framework Substrate di Polkadot, che le conferisce un runtime modulare e consente upgrade di governance senza hard fork. I validatori sulla rete eseguono funzioni di scoring per valutare gli output dei miner, che eseguono modelli di machine learning. Il consenso dei validatori determina come i TAO di nuova emissione fluiscono a ciascun partecipante.
In modo cruciale, lo scoring non è arbitrario: i validatori che colludono per premiare modelli scadenti vengono a loro volta penalizzati tramite un meccanismo chiamato yuma consensus, che il team ha descritto formalmente nella documentazione tecnica.
Also Read: Hyperliquid’s HYPE Token Near $41 With $9.7B Market Cap And Active DEX Volume
Il Motore di Yuma Consensus e Come Vengono Pagati i Miner
Comprendere la logica delle ricompense di Bittensor richiede di capire lo yuma consensus, perché è il meccanismo che separa questa rete dai più semplici design proof-of-work o proof-of-stake. La sfida centrale che risolve è questa: se i validatori possono assegnare liberamente pesi ai miner, hanno forti incentivi a colludere con miner specifici e catturare ricompense sproporzionate. Yuma consensus allinea gli incentivi dei validatori rendendo le loro stesse ricompense dipendenti da quanto bene il loro scoring segue la valutazione mediana a livello di rete.
In termini pratici, un validatore che valuta costantemente in alto un miner di bassa qualità si allontanerà molto dalla matrice di pesi mediana su cui la rete converge.
Questo scostamento riduce la quota di emissione del validatore. Il meccanismo formale stabilisce una funzione di penalità in cui l’ampiezza della riduzione della ricompensa cresce con la distanza dal consenso. Ciò crea una pressione autocorrettiva verso una valutazione onesta senza richiedere alcun arbitro centralizzato.
In base allo yuma consensus, i validatori guadagnano meno TAO per ogni unità di distanza con cui le loro assegnazioni di peso deviano dalla matrice di pesi di consenso della rete, legando direttamente il reddito del validatore all’onestà della valutazione.
I miner, al contrario, competono esclusivamente sulla qualità dell’output. Un miner che esegue un modello linguistico su una subnet di generazione di testo riceve una query da un validatore, restituisce una risposta e il validatore assegna un punteggio a tale risposta rispetto al proprio benchmark di qualità interno.
Il punteggio totale che un miner accumula su tutti i validatori determina il suo peso di emissione a ogni blocco. Opentensor Foundation, l’ente non profit che mantiene il core codebase, ha reso open source l’intero stack del protocollo, il che significa che chiunque può ispezionare esattamente come vengono calcolate le emissioni.
Also Read: Bitget CFD Volume Hits $8B Daily As Gold Drives 95% Of Gain
Da Una Rete a 64 Subnet, il Cambiamento di Architettura che Ha Cambiato Tutto
La rete Bittensor originale era una singola subnet focalizzata sull’intelligenza dei modelli linguistici. Ogni miner eseguiva un modello di completamento di testo e i validatori ne valutavano gli output tra loro. Questo design ha funzionato come prova di concetto, ma ha creato un collo di bottiglia critico: la rete poteva ottimizzare solo per un tipo di compito di AI alla volta, e il compito dominante era determinato da chiunque dispiegasse più potenza di calcolo.
L’architettura a subnet, introdotta tramite una serie di proposte di governance a partire dalla fine del 2023, ha ristrutturato tutto in modo fondamentale.
Invece di una singola competizione globale, il protocollo ora supporta fino a 1.024 subnet logicamente indipendenti, ciascuna con il proprio set di validatori, la propria funzione di scoring e la propria allocazione di emissione. Le subnet fanno offerta per una quota dell’emissione globale di TAO tramite un meccanismo di registrazione e gli operatori di subnet definiscono le regole che i loro miner devono seguire.
A maggio 2026, 64 subnet attive sono live sulla mainnet di Bittensor, coprendo compiti che vanno dallo storage decentralizzato e la previsione di serie temporali finanziarie alla previsione della struttura delle proteine e alla generazione distribuita testo-immagine.
Le implicazioni economiche di questo cambiamento sono sostanziali. Ogni subnet è di fatto un micro-mercato per un tipo specifico di intelligenza. La Subnet 1 resta la rete originale di prompting testuale. La Subnet 9, gestita da Macrocosmos, si concentra sulla pre-istruzione collaborativa di grandi modelli linguistici. La Subnet 21, gestita da Omega Labs, aggrega dati multimodali. La diversità dei compiti significa che l’emissione di TAO ora fluisce a un insieme molto più ampio di contributori di AI rispetto a quanto avrebbe mai potuto fare un’architettura a singolo modello. Il rapporto sugli sviluppatori di Electric Capital ha monitorato Bittensor come uno degli ecosistemi di sviluppo in più rapida crescita nel mondo crypto negli ultimi 18 mesi, con i contributor mensili attivi ai repository GitHub del protocollo in aumento di oltre il 200% anno su anno.
Also Read: Pudgy Penguins’ PENGU Token Holds $616M Market Cap Despite 2% Pullback
Tokenomics di TAO e il Programma di Emissione in Stile Bitcoin
Il design del token di Bittensor prende deliberatamente in prestito dall’architettura di offerta di Bitcoin (BTC), e questo parallelo non è cosmetico. TAO ha un hard cap di 21 milioni di token. Il programma di emissione si dimezza approssimativamente ogni quattro anni, con l’ultimo halving avvenuto alla fine del 2025, che ha ridotto l’emissione giornaliera da circa 7.200 TAO al giorno a circa 3.600 TAO al giorno.
Questa traiettoria di offerta deflazionistica è una parte centrale del modo in cui i progettisti del protocollo si aspettano che il token si apprezzi man mano che cresce la domanda di servizi AI.
Al momento della scrittura, TAO è scambiato a circa 282 dollari con una capitalizzazione di mercato circolante di 2,7 miliardi di dollari.
L’offerta totale in circolazione si attesta vicino a 8,9 milioni di TAO, il che significa che è stato coniato circa il 42% dell’offerta massima. Il tasso di emissione post-halving significa che la nuova emissione di TAO è ora abbastanza lenta che anche aumenti modesti della domanda esercitano una pressione al rialzo significativa sul prezzo.
L’emissione post-halving di TAO di circa 3.600 token al giorno significa che la nuova offerta annualizzata che entra nel mercato è inferiore a 370 milioni di dollari ai prezzi attuali, un tasso di emissione relativamente contenuto per un protocollo che genera centinaia di milioni di dollari di volume di trading giornaliero.
L’emissione è suddivisa tra tre categorie di stakeholder. I miner ricevono il 41% dell’emissione di ogni blocco. I validatori ricevono il 41%. Il restante 18% fluisce ai proprietari di subnet che hanno messo in staking TAO per registrare la loro subnet. Questa ripartizione tripartita è progettata per garantire che tutti e tre i ruoli rimangano economicamente sostenibili simultaneamente. Gli operatori di subnet che non riescono ad attrarre miner di qualità non ricevono alcun beneficio di emissione nonostante il loro stake, il che crea un collegamento diretto tra la qualità del mercato di intelligenza che offrono e le ricompense che possono aspettarsi. incentivo a creare task di IA realmente utili invece di subnet vuote che raccolgono commissioni.
Also Read: Toncoin Gains 5% With $3.8B Market Cap While Telegram Ecosystem Activity Expands
How Validators Actually Score AI Output, The Technical Reality
Una delle critiche più comuni a Bittensor da parte degli osservatori tecnici è che il problema del punteggio è difficile. Come fa un validatore a sapere se l’output di un modello linguistico è migliore di un altro senza avere accesso a etichette di verità di base?
Non è una domanda banale, e le diverse subnet del protocollo hanno sviluppato risposte realmente diverse a seconda della natura del task di IA che stanno ottimizzando.
Sulle subnet basate su testo, i validatori usano tipicamente una combinazione di punteggio tramite modello di riferimento e proxy di preferenze umane. Un validatore che esegue la Subnet 1 può inoltrare una query a più miner, raccogliere le risposte, quindi valutarle usando il proprio modello di riferimento interno. I punteggi sono relativi: un miner il cui output è giudicato migliore del miner mediano ottiene un punteggio positivo.
Sulla Subnet 9, che è focalizzata sul pretraining, la validazione è più oggettiva: i validatori valutano se i pesi del modello inviati da un miner migliorano effettivamente la perplexity su un dataset di valutazione tenuto da parte, un benchmark misurabile e riproducibile.
Le subnet focalizzate su output verificabili, come la previsione di strutture proteiche o la generazione di dimostrazioni matematiche, possono usare funzioni di validazione deterministiche, rendendole più resistenti alla collusione fra validatori rispetto alle subnet basate esclusivamente sulla qualità soggettiva del testo.
Altre subnet hanno adottato quella che la community chiama validazione in stile “proof of work”, in cui l’output stesso contiene prove crittografiche dello sforzo computazionale sostenuto. Ciò è particolarmente rilevante per le subnet focalizzate sul training distribuito, dove i miner inviano aggiornamenti di gradiente che i validatori possono verificare siano stati calcolati onestamente usando tecniche tratte dalla verifiable computation research. La diversità dei meccanismi di validazione tra subnet è una caratteristica, non un difetto: consente al protocollo di adattare la propria logica di punteggio alle specifiche proprietà di verifica di ciascun task di IA.
Also Read: Ondo Finance Jumps 13% While Real-World Asset Tokens Regain Momentum
The Competitive Landscape, Who Is Actually Building On Bittensor
Bittensor non opera in isolamento. La più ampia convergenza tra IA e cripto ha prodotto diverse architetture concorrenti, ciascuna con una tesi diversa su come dovrebbe funzionare l’IA decentralizzata. Fetch.ai, SingularityNET e Ocean Protocol si sono fuse nel 2024 per formare l’Artificial Superintelligence Alliance, creando un ecosistema di token combinato con una capitalizzazione di mercato che ha superato brevemente i 3 miliardi di dollari.
Gensyn ha adottato un approccio diverso, concentrandosi esclusivamente sul calcolo verificabile per il training dei modelli piuttosto che costruire un marketplace completo. Render Network continua a dominare il mercato decentralizzato del rendering GPU, sebbene le sue ambizioni in ambito IA restino più limitate.
Ciò che differenzia Bittensor da questi concorrenti è la profondità del meccanismo di incentivo. La maggior parte dei progetti IA-cripto usa le ricompense in token come meccanismo di marketing: pagare gli sviluppatori in token perché costruiscano sulla propria piattaforma. Bittensor usa le ricompense in token come vero e proprio meccanismo di produzione: i token fluiscono direttamente verso i modelli che producono valore misurabile, non verso gli sviluppatori che hanno scritto i modelli. Questa distinzione è enormemente importante per la qualità degli output di IA che la rete può sostenere nel tempo.
A differenza della maggior parte dei progetti IA-cripto che premiano gli sviluppatori per costruire sulla loro piattaforma, Bittensor premia i modelli di IA stessi per la produzione di una qualità di output misurabile, creando una pressione prestazionale continua che i grant agli sviluppatori non possono replicare.
Un’analisi pubblicata su arXiv nel giugno 2025 ha esaminato le proprietà game‑theoretic di diversi design di incentivi per l’IA decentralizzata e ha rilevato che lo yuma consensus di Bittensor produceva il tasso più basso di collusione tra validatori in ambienti simulati rispetto a schemi di allocazione delle ricompense più semplici.
L’articolo ha osservato che l’efficacia del meccanismo dipende in modo critico dall’avere un set di validatori sufficientemente ampio e diversificato, una condizione che la mainnet di Bittensor soddisfa attualmente sulle subnet più grandi ma che potrebbe non essere soddisfatta su quelle più piccole e nascenti.
Also Read: ASTEROID Token Rallies 14% While Retail Traders Chase Space-Themed Meme Coin Narrative
The Staking Economy And How TAO Flows Through The Network
Oltre alla ripartizione delle emissioni tra miner e validatori, Bittensor ha un’economia di staking sofisticata che modella il modo in cui TAO circola attraverso la rete. I validatori devono mettere in staking TAO per ottenere peso di voto nel meccanismo di consenso. L’ammontare in staking determina la quota di emissioni che un validatore può distribuire, il che a sua volta determina quanto quel validatore sia attraente per i miner che cercano di massimizzare le proprie ricompense.
Ciò crea una corsa allo staking che concentra gradualmente il potere dei validatori tra i grandi detentori di TAO.
Per partecipare come delegatore senza gestire un’infrastruttura da validatore, i detentori di TAO possono delegare il proprio stake ai validatori esistenti tramite un meccanismo che la community chiama “hotkey delegation”. I delegatori condividono il reddito da emissioni del validatore in proporzione all’ammontare messo in staking, meno una commissione che i validatori impostano in maniera competitiva. I dati del Taostats explorer mostrano che la delega è cresciuta in modo sostanziale nel corso del 2025 e fino al 2026, con oltre il 65% dei TAO in circolazione ora messi in staking direttamente o tramite delega.
Più del 65% dell’offerta circolante di TAO è attualmente in staking o delegata secondo i dati on‑chain di Taostats, rendendo Bittensor una delle reti con il più alto tasso di partecipazione allo staking tra gli asset cripto top‑50 per capitalizzazione di mercato.
La dinamica di staking influisce anche direttamente sull’economia delle subnet. I proprietari di subnet devono bloccare TAO per registrare la loro subnet e mantenerne lo stato attivo. Se la stake di registrazione di una subnet scende sotto la soglia minima perché il prezzo del token sale mentre l’ammontare assoluto di TAO richiesto rimane fisso, la subnet rischia la deregistrazione.
Questo crea un interessante loop di feedback: l’aumento del prezzo di TAO rende più costoso mantenere le registrazioni delle subnet, il che potrebbe ridurre il numero di subnet attive a meno che il meccanismo di governance non adegui le soglie di conseguenza. La Opentensor Foundation ha indicato che costi di registrazione adattivi sono nella roadmap per il prossimo grande aggiornamento della rete.
Also Read: SkyAI Surges 106% In 24 Hours As AI Token Narrative Pulls Fresh Capital Into The Sector
Real-World Use Cases And Who Is Actually Consuming Bittensor's AI
Una critica legittima che si può muovere a qualsiasi progetto IA‑cripto è la questione del consumo: chi sta effettivamente utilizzando l’IA prodotta da queste reti? Il meccanismo di incentivo è elegante in teoria, ma le ricompense da emissione possono sostenere la produzione anche quando non ci sono utilizzatori finali. Capire se gli output di Bittensor vengono consumati in applicazioni reali è centrale per valutare la sua tesi di accumulo di valore nel lungo periodo.
L’evidenza più chiara di consumo reale proviene dalle subnet con interfacce API esterne. Corcel, una startup costruita sull’infrastruttura di Bittensor, offre una API pubblica che instrada le richieste di inferenza IA verso i miner di Bittensor e addebita ai clienti sia in fiat che in TAO. Corcel ha riportato l’elaborazione di oltre 50 milioni di chiamate API attraverso la rete, servendo clienti che includono sviluppatori indipendenti, piccole startup di IA e istituzioni di ricerca alla ricerca di inferenza competitiva nei costi senza affidarsi all’infrastruttura di OpenAI o Anthropic.
Corcel, il più visibile provider di API esterne di Bittensor, ha riportato oltre 50 milioni di chiamate di inferenza instradate attraverso la rete, fornendo prove concrete che è in corso un consumo di terze parti al di là del semplice farming di emissioni interne su scala significativa.
Lo sforzo collaborativo di pretraining della Subnet 9, gestito da Macrocosmos, ha prodotto pesi di modello scaricabili liberamente che i ricercatori esterni hanno utilizzato in task di fine‑tuning downstream. Questo è un dato significativo perché dimostra che gli output di Bittensor possono raggiungere una soglia di qualità che i ricercatori indipendenti trovano utile, non solo una soglia che soddisfa i validatori interni che ottimizzano per le emissioni di token.
La capacità della rete di sostenere questo livello di qualità esterna man mano che scala su un numero maggiore di subnet sarà una delle questioni empiriche più importanti da monitorare per il resto del 2026.
Also Read: Coinbase's Base Ditches Optimistic Rollups, Bets $12B On ZK Proofs
Risks, Attack Vectors, And The Hard Problems Bittensor Has Not Fully Solved
Nessuna analisi di Bittensor sarebbe completa senza una valutazione rigorosa delle vulnerabilità note del protocollo e dei problemi irrisolti. Ce ne sono diversi, ed è importante enunciarli chiaramente anziché minimizzarli.
Il primo e più persistente è il problema della Legge di Goodhart. Quando una misura diventa un obiettivo, cessa di essere una buona misura. I miner su Bittensor stanno ottimizzando per i punteggi dei validatori, non per produrre IA realmente utile per i consumatori finali.
Sulle subnet in cui il punteggio dei validatori è opaco o mal calibrato, i miner possono imparare a “giocare” la funzione di punteggio senza migliorare la qualità di base del modello. Questo è stato osservato empiricamente su diverse subnet più piccole, dove i miner hanno distribuito modelli che massimizzano il punteggio sulla specifica distribuzione di query usata dai validatori pur comportandosi male su set di test tenuti da parte.
Research onadversarial optimization nei sistemi di IA basati su incentivi, inclusa una pubblicazione del 2024 su arXiv, dimostra che agenti che ottimizzano per segnali di ricompensa proxy apprendono regolarmente comportamenti che soddisfano la metrica senza soddisfare l’obiettivo sottostante, un rischio contro cui i progettisti dei subnet di Bittensor devono difendersi attivamente.
Il secondo grande rischio è la centralizzazione dei validatori. Poiché il peso dei validatori nel consenso scala con il TAO messo in staking, e poiché TAO si è apprezzato in modo significativo, il costo per diventare un validatore significativo è aumentato drasticamente.
I dati di Taostats indicano che i primi 10 validatori per stake controllano una quota sproporzionata del peso di emissione su diversi subnet principali. Se questa concentrazione dovesse continuare, la diversità di prospettive di valutazione che rende il consenso yuma resistente alla collusione potrebbe erodersi nel tempo.
Il terzo rischio è regolamentare. La Securities and Exchange Commission non ha emesso linee guida specifiche sul fatto che TAO costituisca o meno un titolo, ma la struttura del token, in cui detenere TAO genera reddito da emissione tramite staking, condivide caratteristiche con i contratti di investimento che i regolatori hanno preso di mira in precedenti azioni esecutive.
La Opentensor Foundation ha strutturato il protocollo come software open-source piuttosto che come prodotto gestito, il che offre un certo isolamento legale, ma l’ambiente normativo per gli asset cripto collegati all’IA negli Stati Uniti resta realmente incerto in vista del 2026.
Also Read: Trump's WLFI Strikes Back At Justin Sun With Defamation Lawsuit
Andamento del Prezzo, Struttura di Mercato e Tesi d’Investimento su TAO
TAO ha avuto una delle traiettorie di prezzo più interessanti tra gli asset cripto nella top 50 negli ultimi due anni. Da un prezzo inferiore a 50 $ a inizio 2024, il token è salito oltre 700 $ alla fine del 2024 mentre la narrativa sull’IA spingeva contemporaneamente capitale istituzionale e retail nel settore. La successiva correzione ha riportato TAO nella fascia 200–300 $ per gran parte del 2025, e il token si trova attualmente intorno a 282 $ all’inizio di maggio 2026, con un volume di scambio giornaliero superiore a 260 milioni di dollari che indica una notevole profondità di liquidità.
La struttura di mercato attorno a TAO è significativamente diversa rispetto alla maggior parte dei token nella top 50. Poiché oltre il 65% dell’offerta è in staking, il flottante effettivo è piuttosto ridotto. Un afflusso relativamente modesto di pressione d’acquisto può muovere il prezzo bruscamente in entrambe le direzioni.
Questo crea un’elevata volatilità attorno agli eventi macro legati all’IA: quando i principali laboratori di IA annunciano scoperte o quando gli sviluppi normativi minacciano gli incumbent dell’IA centralizzata, TAO tende a muoversi con un’ampiezza amplificata rispetto al mercato cripto nel suo complesso.
Con oltre il 65% dell’offerta di TAO in staking e quindi rimossa dalla circolazione attiva, il flottante liquido effettivo è sufficientemente sottile che 100 milioni di dollari di pressione d’acquisto netta possono produrre movimenti di prezzo a doppia cifra percentuale, un fattore strutturale di volatilità che gli investitori dovrebbero esplicitamente tenere in conto.
La tesi istituzionale su TAO si è evoluta. I primi acquirenti lo hanno inquadrato come una scommessa speculativa sulla convergenza tra narrativa IA e cripto. Il più recente interesse istituzionale, evidenziato dalla comparsa di TAO in diverse documentazioni di fondi cripto e dalle analisi di clustering di wallet on-chain di Nansen, lo inquadra come una quota infrastrutturale in una catena di fornitura di IA decentralizzata che potrebbe rappresentare una concorrenza significativa ai fornitori centralizzati di inferenza man mano che la commoditizzazione dei modelli accelera. Se questa tesi si rivelerà corretta dipende dal fatto che la qualità dell’output della rete continui a migliorare e che il consumo esterno cresca più rapidamente del farming interno delle emissioni. Entrambe le condizioni al momento si muovono nella direzione giusta, anche se nessuna delle due è garantita.
Read Next: LUNC Price Climbs 6.5% While Terra Luna Classic Community Targets Higher Burns
Conclusione
L’emergere di Bittensor come rete da 2,7 miliardi di dollari rappresenta qualcosa di genuinamente nuovo sia nell’industria dell’IA sia nell’ecosistema cripto. Ha costruito un mercato funzionale per l’intelligenza artificiale che opera senza un controllore aziendale, prezza gli output di IA in tempo reale tramite un meccanismo di consenso e distribuisce ricompense economiche ai contributori sulla base delle prestazioni misurabili piuttosto che sulla proprietà azionaria o su contratti di lavoro. Queste proprietà sono architettonicamente significative indipendentemente da ciò che farà il prezzo di TAO nel prossimo trimestre.
L’espansione del protocollo a 64 subnet lo ha trasformato da esperimento su un singolo compito a un mercato di IA diversificato, in cui ogni subnet sviluppa una propria logica di validazione adatta alla natura del suo compito.
Le sfide che restano sono reali: il gioco con la Legge di Goodhart su subnet progettati male, la progressiva centralizzazione dei validatori e una posizione regolamentare irrisolta negli Stati Uniti rappresentano tutti rischi materiali che investitori e sviluppatori dovrebbero valutare con attenzione. Nessuno di questi è unico per Bittensor, ma nessuno è nemmeno banale.
Ciò che la traiettoria di Bittensor fino al 2026 metterà alla prova, in ultima analisi, è se un meccanismo di produzione completamente decentralizzato può sostenere la qualità dell’output di IA su larga scala senza i vantaggi di coordinamento di cui godono i laboratori centralizzati. L’evidenza empirica proveniente dai dati di consumo API di Corcel e dai pesi di modello pubblicamente scaricati di Macrocosmos suggerisce che può raggiungere una soglia di qualità utile. Se potrà raggiungere una soglia di qualità di frontiera, tale da renderlo competitivo con gli output dei laboratori di IA meglio finanziati al mondo, resta la domanda aperta che definirà il prossimo capitolo del protocollo.