Bittensor (TAO) è uno dei progetti più intellettualmente ambiziosi nel mondo crypto, una blockchain che cerca di trasformare l’intelligenza artificiale in un mercato delle commodity, prezzando l’intelligenza delle macchine tramite incentivi in token invece che tramite contratti di fornitura aziendali.
A fine aprile 2026, ha una capitalizzazione di mercato superiore a 2,4 miliardi di dollari, è tra i primi 40 asset per market cap e il numero di subnet è passato da una singola rete omogenea a oltre 60 subnet specializzate in meno di due anni.
Ma ambizione e capitalizzazione non equivalgono a un’infrastruttura che funziona. La domanda centrale a cui i ricercatori seri continuano a tornare è se il modello di incentivi di Bittensor produca effettivamente modelli di AI migliori, o se invece produca sofisticate strategie di farming delle ricompense da parte di miner che hanno imparato a sfruttare il sistema di punteggio dei validatori. La risposta, basata su dati on-chain, letteratura accademica e documentazione del protocollo, è più sfumata di quanto vogliano ammettere sia i rialzisti che i ribassisti.
TL;DR
- L’architettura a subnet di Bittensor è cresciuta rapidamente fino a oltre 60 reti specializzate, ma la concentrazione dei validatori e l’opacità del punteggio restano rischi strutturali per la qualità degli output.
- I dati on-chain mostrano che i flussi di emissione di TAO sono fortemente sbilanciati verso un piccolo numero di validatori con alta posta in gioco, creando una pressione alla centralizzazione che contraddice la tesi di mercato aperto del protocollo.
- Il valore di lungo periodo del protocollo dipende dal fatto che la domanda esterna per gli output delle subnet riesca a superare il comportamento di reward-farming interno, una questione a cui i dati del 2026 iniziano solo ora a dare risposta.
1. Che cos’è davvero Bittensor e perché è difficile da classificare
Bittensor sfugge a una classificazione semplice. Non è un token AI crypto di hype legato a un singolo modello o API. È un tentativo a livello di protocollo di costruire un mercato decentralizzato per il machine learning, in cui i miner eseguono modelli di AI e i validatori ne valutano gli output, con ricompense in TAO distribuite in base alla qualità dell’intelligenza prodotta.
Il paper fondativo di Jacob Steeves e Ala Shaabana, pubblicato tramite la Opentensor Foundation, descrive il sistema come «un metodo di machine learning che ricompensa i partecipanti alla rete per la produzione di valore per la rete». Quel valore è reso operativo tramite un sistema di peer‑ranking chiamato Yuma Consensus, in cui i validatori valutano gli output dei miner e pesano le loro classifiche in base alla posta in gioco per arrivare a un punteggio di consenso.
Il meccanismo di Yuma Consensus è stato progettato in modo che nessun singolo validatore possa reindirizzare unilateralmente le emissioni, ma la concentrazione della posta tra un piccolo gruppo di validatori produce un risultato funzionalmente simile.
L’intuizione architetturale critica è che Bittensor non allena né ospita direttamente modelli di AI. Crea l’impalcatura di incentivi affinché altri lo facciano, quindi prezza gli output on‑chain. Const Demian, contributor core di Opentensor, ha descritto la rete come «un marketplace per l’intelligenza, non un fornitore di intelligenza». Questa distinzione è fondamentale per valutare se il sistema funzioni.
Also Read: What the Decentralized Web Is, How It Works, and Why It Matters Now
L’esplosione delle subnet, i numeri dietro la crescita
Il segno più visibile della maturazione di Bittensor è il numero di subnet. La rete originale è stata lanciata come uno spazio omogeneo in cui tutti i miner competevano sullo stesso task. Nel novembre 2023, la Opentensor Foundation ha introdotto il framework delle subnet, permettendo a qualsiasi team di registrare una subnetwork dedicata con proprie regole di incentivo, logica di validazione e definizioni dei task per i miner.
Ad aprile 2026, la rete ospita oltre 64 subnet registrate. Vanno dalla Subnet 1 (text prompting, la rete originale) a reti specializzate su previsione del folding proteico, fornitura di storage, feed di dati finanziari, traduzione decentralizzata, previsione di serie temporali e generazione di immagini con AI. Ogni subnet opera in modo semi‑autonomo, definendo i propri criteri di punteggio pur attingendo al pool condiviso di emissioni TAO assegnate dai validatori del root‑network.
Le registrazioni di subnet sono cresciute da 32 a 64 in circa 12 mesi, un tasso di raddoppio che ha superato anche le proiezioni più ottimistiche contenute nei documenti di roadmap del protocollo del 2023.
Il costo di registrazione per uno slot di subnet è determinato da un’asta dinamica. Nei picchi di domanda di fine 2025, la registrazione di uno slot costava oltre 100 TAO per slot, equivalenti a circa 25.000 dollari ai prezzi allora prevalenti. Quell’attrito era intenzionale: la Opentensor Foundation l’ha progettato per filtrare i fork di bassa qualità mantenendo però accesso possibile per team davvero capitalizzati. Se filtri sulla qualità o solo sul capitale è una domanda distinta e importante.
Also Read: Top Crypto Exchanges Mandate AI Tools, Track Token Use As KPI: Report
Come funziona Yuma Consensus e dove può rompersi
Yuma Consensus è il motore matematico che converte le opinioni dei validatori in ricompense per i miner. Capirlo è necessario per valutare se gli output di Bittensor riflettano una qualità reale dell’intelligenza o siano suscettibili a manipolazioni coordinate.
Ogni validatore in una subnet produce un vettore di pesi, assegnando punteggi a ogni miner che ha valutato. La rete poi combina questi vettori con un peso proporzionale alla posta in gioco per produrre una classifica finale. L’algoritmo Yuma applica una correzione ispirata al valore di Shapley che penalizza i validatori che si discostano eccessivamente dal consenso, incentivando una segnalazione onesta. I miner i cui output ottengono punteggi elevati ricevono una quota maggiore dell’emissione di TAO della subnet.
La correzione di Shapley in Yuma Consensus crea un equilibrio di Nash in cui la segnalazione onesta è teoricamente dominante, ma l’equilibrio regge solo quando la posta dei validatori è sufficientemente distribuita da prevenire la collusione tra grandi stakeholder.
La letteratura teorica sul mechanism design suggerisce che meccanismi di peer‑prediction come Yuma funzionano bene quando i valutatori hanno segnali indipendenti e non possono coordinarsi. In Bittensor, entrambe le condizioni sono sotto stress. Le poste dei validatori sono concentrate e la natura pubblica della blockchain significa che i grandi validatori possono osservare i vettori di peso storici degli altri prima di inviare i propri.
Yanislav Malahov, ricercatore indipendente di mechanism design che ha pubblicato commenti sull’architettura di Bittensor, ha sottolineato che la concentrazione della posta è il più grande rischio strutturale per esiti di punteggio onesti.
Also Read: Why Hyperliquid Runs A DEX Without Any Other Blockchain Underneath
Concentrazione dei validatori, il problema di centralizzazione di cui nessuno vuole parlare
I dati on‑chain di Taostats mostrano un quadro preciso della distribuzione dei validatori, fondamentale per qualsiasi analisi seria. Ad aprile 2026, i primi 10 validatori per peso della posta controllano circa il 65% del potere di voto del root‑network, secondo taostats.io. I primi 3 validatori da soli rappresentano circa il 38% dell’influenza totale, pesata per la posta, sulle allocazioni di emissione alle subnet.
Questa concentrazione ha conseguenze dirette. I root validator determinano quale quota dell’emissione totale di TAO riceve ciascuna subnet, agendo di fatto come gestori di portafoglio per l’intero ecosistema. Una subnet che non riesce a coltivare relazioni con i validatori principali rischia di ricevere emissioni trascurabili, indipendentemente dalla qualità effettiva dei suoi output di AI.
I primi 10 validatori controllano circa il 65% del potere di voto del root‑network su Bittensor, creando una dinamica di governance più simile a un’oligarchia di delegated proof‑of‑stake che a un mercato aperto di commodity per l’AI.
La Opentensor Foundation ha riconosciuto il problema della concentrazione e ha introdotto, a fine 2025, meccanismi di delega “childkey” che permettono ai grandi validatori di delegare la valutazione specifica delle subnet a sotto‑operatori specializzati.
Questo affronta parzialmente il collo di bottiglia di competenze (un singolo validatore non può valutare in modo significativo output di AI su 64 domini tecnici diversi) ma non risolve la concentrazione sottostante della posta. Gli incentivi economici per cui i grandi validatori restano grandi sono auto‑rinforzanti tramite il rendimento composto dei TAO.
Also Read: What Is Bittensor? How TAO Turns AI Models Into A Decentralized Market
Che cosa producono realmente le subnet
Oltre alla meccanica dei token, la domanda più concreta è che cosa producano effettivamente le subnet di Bittensor. La qualità varia drasticamente in base alla maturità della subnet e al suo design di incentivi.
La Subnet 1, la rete originale di text prompting, è stata valutata rispetto ai provider API commerciali. In valutazioni indipendenti pubblicate su GitHub, gli output aggregati della subnet ottengono punteggi paragonabili a modelli open source di fascia media come Mistral 7B ma costantemente inferiori ai modelli di frontiera come GPT‑4o o Claude 3.5 Sonnet nei benchmark standard di reasoning.
Questo è all’incirca ciò che il design del protocollo lascerebbe prevedere: le ricompense in TAO sono calibrate sul consenso interno della rete, non su benchmark esterni, quindi i miner ottimizzano per l’approvazione dei validatori piuttosto che per i punteggi MMLU.
Gli output testuali aggregati della Subnet 1 sono stati valutati come paragonabili a modelli della classe Mistral 7B ma inferiori alle API commerciali di frontiera, un divario che riflette gli incentivi di punteggio interni al protocollo più che un limite fondamentale sulla qualità dell’AI decentralizzata.
La Subnet 9, focalizzata sul contributo di dati di pre‑training, rappresenta un caso tecnicamente più interessante. Macrocosmos, il team che gestisce la Subnet 9, ha pubblicato metodologia che mostra come i miner contribuiscano con dati testuali a scala internet utilizzati per addestrare un modello base pubblico, con le ricompense in TAO allocate sulla base dell’originalità dei dati e dei punteggi di qualità.
Il modello risultante, aggiornato continuamente on-chain, rappresenta un tentativo autentico di decentralizzare la pipeline di pretraining. Ricercatori indipendenti hanno riportato nel Q1 2026 che il modello della Subnet 9 aveva raggiunto punteggi di perplexity competitivi sui benchmark standard di language modeling, suggerendo che almeno alcune subnet stiano producendo output di AI tecnicamente significativi.
Also Read: Bittensor's TAO Token And The AI-Crypto Thesis: Where The Network Stands In 2026
Il problema del reward-farming e come i miner sfruttano il sistema
Ogni sistema di incentivi affronta ottimizzazioni avversarie, e Bittensor non fa eccezione. Il problema del reward-farming in Bittensor è stato documentato estesamente nelle issue pubbliche su GitHub del protocollo e nelle discussioni del forum.
Il vettore d’attacco principale è semplice. Poiché i validator valutano i miner tramite pipeline automatizzate, i miner che comprendono la logica di valutazione di un validator possono ingegnerizzare output che massimizzano i punteggi senza produrre un’intelligenza realmente utile. Questo è analogo al gaming SEO che ottimizza per la metrica invece che per il valore sottostante misurato. Sulla Subnet 1, i ricercatori hanno identificato casi in cui i miner servivano risposte in cache a query note dei validator, aggirando completamente il passo di inferenza effettivo.
Il reward-farming tramite risposte in cache e reverse engineering della logica di scoring è stato documentato su più subnet di Bittensor, inclusa la Subnet 1, e rappresenta un attacco diretto alla tesi del protocollo sulla qualità dell’intelligenza.
La risposta della Opentensor Foundation è stata quella di muoversi verso una maggiore diversità e randomizzazione delle query nella logica dei validator, rendendo più difficile per i miner pre-cachare risposte a prompt prevedibili. Ma si tratta di una dinamica da corsa agli armamenti. Man mano che la logica dei validator diventa più complessa, la barriera alla partecipazione onesta cresce, svantaggiando i piccoli miner che non dispongono delle risorse ingegneristiche per tenere il passo.
Nucleus.ai, un gruppo di ricerca che ha pubblicato un’analisi dei flussi di incentivi di Bittensor, ha stimato all’inizio del 2026 che tra il 15% e il 25% dell’emissione della Subnet 1 stesse fluendo verso miner che mostravano firme comportamentali coerenti con il reward-farming più che con una vera inferenza. Quel range è incerto, ma anche il limite inferiore è significativo.
Also Read: Tokenomics and Its Importance for Crypto Investors
La tokenomics di TAO e la questione della sostenibilità dell’emissione
La tokenomics di TAO è strutturalmente simile a quella di Bitcoin (BTC) in un aspetto importante: esiste un hard cap di 21 milioni di token, con emissioni che si dimezzano approssimativamente ogni quattro anni. Il primo halving di TAO è avvenuto nel gennaio 2025, riducendo l’emissione per blocco da 1,0 TAO a 0,5 TAO. Ad aprile 2026, circa 8,2 milioni di TAO erano già stati mintati, pari a circa il 39% dell’offerta totale.
La dinamica dell’halving crea una pressione deflazionistica deliberata sui costi di partecipazione alla rete nel tempo. I primi miner e validator hanno acquisito TAO a tassi di emissione elevati; i partecipanti futuri opereranno con un’emissione più bassa. Questo rispecchia il problema del security budget di Bitcoin: con il calo delle emissioni, il protocollo deve generare entrate esterne sufficienti tramite fee o apprezzamento di prezzo del token per mantenere gli incentivi alla partecipazione.
Con circa il 39% dell’offerta hard-capped di 21 milioni di TAO già in circolazione e le emissioni che si dimezzano ogni quattro anni, il protocollo affronta la stessa questione di lungo termine sul security budget di Bitcoin, richiedendo domanda esterna piuttosto che meri incentivi di emissione per sostenere la partecipazione.
La market cap di 2,4 miliardi di dollari alla fine di aprile 2026 implica una notevole fiducia del mercato nel concretizzarsi di quella domanda esterna. Ma il quadro dei ricavi attuali è debole. Bittensor non applica commissioni API per il consumo dell’output delle subnet in modo standardizzato. I singoli team di subnet possono e di fatto monetizzano esternamente i loro output (Macrocosmos della Subnet 9 ha per esempio partnership enterprise), ma il token TAO in sé non cattura commissioni da queste relazioni commerciali. La tesi di tokenomics poggia su TAO che diventa l’asset di riserva di un’economia AI decentralizzata, un argomento circolare che dipende dall’adozione.
Also Read: How Bitcoin Became The World's Purest Macro Asset In 2026
Come Bittensor si confronta con altri approcci di AI decentralizzata
Bittensor non opera nel vuoto. Sono emersi diversi approcci concorrenti all’AI decentralizzata, ciascuno con assunzioni architetturali differenti su dove debba avvenire la cattura di valore.
Ritual, una rete decentralizzata di inferenza AI, adotta un approccio a livello di contratto: gli smart contract possono chiamare inferenze di modelli AI on-chain, con prove crittografiche di esecuzione corretta. Modulus Labs ha pubblicato lavori fondamentali sulle prove a conoscenza zero per l’inferenza di reti neurali (zkML), una stack tecnologica su cui Ritual si basa. La differenza chiave rispetto a Bittensor è che i sistemi basati su zkML forniscono verificabilità crittografica degli output del modello, mentre Bittensor si affida a uno scoring basato sul consenso che non può provare che un miner abbia eseguito correttamente uno specifico modello.
Gensyn, un altro concorrente, si concentra sul compute verificabile per l’addestramento AI piuttosto che per l’inferenza, utilizzando un sistema di prove probabilistiche per verificare che le run di training siano state eseguite correttamente. Questo affronta la domanda “il miner ha davvero eseguito il modello?” a cui il meccanismo di consenso di Bittensor risponde solo in modo imperfetto tramite uno scoring comportamentale.
La verificabilità crittografica (zkML, prove ottimistiche) rappresenta una garanzia di qualità fondamentalmente più forte rispetto all’approccio di scoring per consenso di Bittensor, ma comporta un overhead computazionale 10-100 volte superiore per inferenza ai costi attuali di generazione delle prove.
Il trade-off è reale. Gli approcci crittografici sono verificabilmente onesti ma computazionalmente costosi. L’approccio di consenso di Bittensor è computazionalmente economico ma solo probabilisticamente onesto. Per compiti di inferenza a basso rischio e larga scala, l’approccio di Bittensor può essere la scelta pragmatica. Per applicazioni ad alto rischio che richiedono auditabilità, i sistemi basati su zkML hanno un vantaggio strutturale. Il mercato sembra biforcarsi di conseguenza, con Bittensor che punta su volume e ampiezza mentre le reti zkML mirano a casi d’uso enterprise regolamentati.
Also Read: Web3 Identity: All You Need to Know About the Next Big Leap in Blockchain Security
Attività degli sviluppatori, finanziamento dell’ecosistema e pipeline dei builder
Uno degli indicatori anticipatori più affidabili della salute di un protocollo è l’attività degli sviluppatori, poiché il capitale speculativo può uscire dall’oggi al domani, ma lo slancio ingegneristico richiede tempo per costruirsi e tempo per esaurirsi.
L’organizzazione GitHub di Bittensor, attraverso i suoi repository core, mostra un’attività di commit costante nel 2025 e all’inizio del 2026. Il repository principale dell’SDK “bittensor” ha registrato in media oltre 150 commit al mese nel Q1 2026, e “subtensor” (il nodo blockchain in Rust) ha visto uno sviluppo attivo sulla funzionalità childkey dei validator e sui miglioramenti della governance della root network.
Un report di Electric Capital del 2025 ha indicato Bittensor tra i protocolli con la crescita anno su anno più alta di sviluppatori attivi mensili tra i progetti blockchain incentrati sull’AI, sebbene i numeri assoluti restino modesti rispetto alle piattaforme di smart contract consolidate.
I dati del 2025 di Electric Capital sugli sviluppatori hanno collocato Bittensor tra i progetti blockchain focalizzati sull’AI in più rapida crescita per numero di sviluppatori attivi mensili, anche se la sua base di sviluppatori rimane ben al di sotto di quella di Ethereum (ETH) o Solana (SOL).
Il finanziamento dell’ecosistema è stato sostanziale. La Opentensor Foundation ha gestito diversi programmi di grant per subnet, distribuendo TAO direttamente ai team che costruiscono nuove subnetwork. Anche il venture capital terzo è entrato a livello di subnet: Multicoin Capital, Pantera Capital e Andreessen Horowitz hanno tutti reso pubbliche posizioni in progetti adiacenti a Bittensor. Il capitale di venture complessivo distribuito nell’ecosistema tra posizioni dirette in TAO e finanziamento dei team di subnet è stimato oltre i 150 milioni di dollari fino al 2025, una cifra che riflette una reale convinzione istituzionale anche tenendo conto del premio speculativo che le narrative AI hanno comandato in quel periodo.
Also Read: Crypto Narratives Of 2026: Where Real Capital Flows — And Where Hype Dies
Il verdetto, cosa dicono i dati sul fatto che funzioni davvero
Dopo aver esaminato l’architettura del protocollo, i dati on-chain, l’attività degli sviluppatori e il panorama competitivo, la risposta onesta alla domanda nel titolo di questo articolo è: in parte, e in modo disomogeneo.
Il framework delle subnet ha dimostrato una reale capacità di organizzare lo sforzo umano e le risorse computazionali attorno a compiti di AI. I contributi di pretraining della Subnet 9, benchmarkati pubblicamente, la rete di scraping dati Dataverse della Subnet 13 e le subnet Oracle che forniscono feed di dati finanziari mostrano che i team possono costruire infrastrutture AI tecnicamente significative all’interno dell’involucro di incentivi di Bittensor. Il protocollo non è finto. Sta generando lavoro computazionale reale e output di modelli reali.
Allo stesso tempo, la logica dei validatorconcentrazione, reward-farming documentato e assenza di verifica crittografica degli output non sono debolezze banali. Sono problemi strutturali portanti. Il meccanismo di consenso Yuma funziona come progettato sulla base dell’assunzione di validatori dispersi e indipendenti. Questa assunzione al momento non è soddisfatta. Il dato di concentrazione dei validatori principali, pari al 65% del potere di voto root detenuto dai primi 10, è un numero che il protocollo deve ridurre attraverso iterazioni di governance per convalidare la propria tesi di lungo periodo.
Il numero più importante nel futuro di Bittensor non è il prezzo di TAO o il numero di subnet, ma il tasso con cui diminuisce la concentrazione della stake dei validatori del root network, poiché è questa singola metrica a determinare se lo Yuma Consensus produca veri segnali di qualità dell’AI o un’allocazione di reward coordinata.
La questione della tokenomics è la più strutturalmente incerta. Un programma di emissione a hard cap preso in prestito da Bitcoin funziona come budget di sicurezza quando, nel tempo, le commissioni sui blocchi sostituiscono le emissioni, come è avvenuto per Bitcoin.
Per Bittensor, il meccanismo analogo richiede che la domanda esterna da parte delle imprese per gli output delle subnet cresca in modo drastico prima che il prossimo halving nel 2029 riduca ulteriormente gli incentivi per i miner. Questa domanda esiste in forma prototipale ma non ancora alla scala necessaria per sostenere una rete da 2,4 miliardi di dollari basandosi solo sulle commissioni. L’attuale market cap è in parte una scommessa sulla domanda futura, in parte una scommessa sul premio narrativo dell’AI, e solo in parte un riflesso dell’output produttivo attuale.
Read Next: AI Threats Push Governments Toward Blockchain Infrastructure In 2026, Experts Warn
Conclusione
Bittensor rappresenta il tentativo più serio finora di applicare un meccanismo di incentivi in stile Bitcoin alla produzione di intelligenza artificiale. La sua architettura a subnet ha scalato più velocemente di quanto la maggior parte degli analisti avesse previsto, la sua community di sviluppatori è in crescita e almeno un sottoinsieme significativo delle sue reti sta producendo output di AI tecnicamente credibili. La posizione di TAO nella top 40 per capitalizzazione di mercato e la valutazione di 2,4 miliardi di dollari riflettono un riconoscimento istituzionale genuino di questa ambizione.
Ma crescere rapidamente e funzionare in modo affidabile sono traguardi diversi. Il problema della concentrazione dei validatori, la presenza documentata di comportamenti di reward-farming e la questione irrisolta di come il protocollo possa sostenere gli incentivi per i miner dopo i futuri halving senza ingenti entrate da commissioni esterne non sono casi limite da liquidare con leggerezza.
Sono tensioni di design centrali che Bittensor non ha ancora risolto, anche se ha creato dei framework per affrontarle. L’inquadramento più intellettualmente onesto per Bittensor nell’aprile 2026 è che si tratta di un esperimento live di produzione di AI basata sul mercato che ha superato il primo ostacolo di credibilità (produce output reali da calcolo reale) ma non ha ancora superato il secondo (produce output verificabilmente migliori o più economici rispetto alle alternative centralizzate, su scala sufficiente a giustificare l’economia complessiva della rete).
Se supererà o meno questo secondo ostacolo nei prossimi due anni dipenderà meno dal ciclo narrativo sull’AI e più dalle decisioni ingegneristiche che la Opentensor Foundation prenderà in materia di decentralizzazione dei validatori e instradamento delle entrate esterne. È una questione più ristretta e più trattabile di quanto suggeriscano i critici del protocollo, ma più difficile di quanto ammettano i suoi sostenitori.
Read Next: Bittensor, Fetch.ai, Render Token Explained: Deep Dive Into AI Crypto Utility