3年前、Bittensor (TAO) は、主に機械学習の研究コミュニティや一部のマイナーな暗号資産フォーラムで語られる、技術的な好奇心の対象にすぎなかった。
現在では、時価総額は27億ドルを超え、64のアクティブなサブネットワークをホストし、「誰もが参加できるAI生産を市場商品化する」というブロックチェーン業界における最も野心的な試みの1つとなっている。 それにもかかわらず、多くの暗号資産関係者が依然として「何をしているプロジェクトなのか」をうまく説明できないこと自体が、ある意味ではこのネットワークの本質でもある。
このネットワークは、中央集権的なAIラボも、専用データセンターも、単一の支配的な企業体も持たずに成長してきた。 その代わりに、マシンラーニングモデル同士が新規発行されるTAOトークンを巡って競い合い、バリデータがその出力をスコアリングして報酬を配分するという、新しいインセンティブアーキテクチャ上で動作している。
理論的にはシンプルだが、実装はきわめて複雑なこのメカニズムを、本稿ではゼロから分解していく。
TL;DR
- Bittensorは、機械学習モデルがバリデータネットワークに対して提供する「測定可能な情報価値」に基づいてTAO報酬を獲得する、分散型AIマーケットプレイスとして機能している。
- プロトコルは、単一のモノリシックなネットワークから、テキスト生成、タンパク質フォールディング、金融予測など、多様なAIタスクに特化した64のサブネットへと拡張した。
- 時価総額27億ドル、日次取引高2億6000万ドル超という規模に達し、TAOは最も流動性の高いAI系暗号資産の1つとなったが、そのバリュエーションメカニズムは依然として多くの市場参加者に十分理解されていない。
Bittensorとは何か、そしてなぜ説明が難しいのか
Bittensorが十分に分析されてこなかった最大の理由は、既存の暗号資産カテゴリにうまく当てはまらないからである。 これは取引スループットで Ethereum (ETH) と競うレイヤー1ブロックチェーンではない。 資本効率を高めるDeFiプロトコルでもなければ、NFTプラットフォームやミームコインでもない。 最も正確に表現すると、サブストレートブロックチェーン上に構築された「機械知能の分散型マーケットプレイス」である。
Jacob Robert Steeves と Ala Shaabana によるオリジナルホワイトペーパー（2021年公開）は、このコアとなる問題を率直に整理している。 AI開発は、トレーニングデータ、コンピュートインフラ、モデルのデプロイメントを同時にコントロールする、少数の垂直統合された企業に支配されている。
その集中によって、AIが生み出す経済価値のほぼすべてが、そうした企業に集約されてしまう。 Bittensorが提案する解決策は、AI生産スタックを離散的な貢献要素に分解し、それぞれをブロックチェーンネイティブなトークンで価格付けすることだ。
Bittensorのホワイトペーパーは、インテリジェンス（知能）を、帯域幅やコンピュートと同様、市場が適切なインセンティブレールさえあれば効率的に価格付けできるコモディティとして扱うべきだと明確に主張している。
Bittensorが採用するサブストレートブロックチェーンは、Polkadot のSubstrateフレームワークで構築されており、モジュラーなランタイムと、ハードフォークを伴わないガバナンスアップグレードを可能にしている。 ネットワーク上のバリデータはスコアリング関数を実行し、マイナー（機械学習モデルを走らせているノード）の出力を評価する。 バリデータ間のコンセンサスによって、新規発行されるTAOが各参加者にどう配分されるかが決まる。
ここで重要なのは、スコアリングが恣意的ではないという点だ。 質の低いモデルを優遇するために談合するバリデータには、「yumaコンセンサス」と呼ばれる仕組みを通じてペナルティが科される。 このメカニズムはチームによってテクニカルドキュメントで形式的に詳述されている。
関連記事: Hyperliquid’s HYPE Token Near $41 With $9.7B Market Cap And Active DEX Volume
Yumaコンセンサスエンジンとマイナーへの報酬設計
Bittensorの報酬ロジックを理解するには、yumaコンセンサスを理解する必要がある。 これは、シンプルなPoW（プルーフ・オブ・ワーク）やPoS（プルーフ・オブ・ステーク）とこのネットワークを分ける中核メカニズムだからだ。 yumaコンセンサスが解決しようとする課題は次のようなものだ。 バリデータがマイナーへの重み付けを自由に決められると、特定のマイナーと結託して過大な報酬を獲得しようとするインセンティブが強く働いてしまう。 yumaコンセンサスは、「バリデータ自身の報酬を、彼らのスコアリングがネットワーク全体の中央値評価とどれだけ一致しているか」に連動させることで、このインセンティブを調整する。
実務的には、低品質なマイナーを一貫して高く評価するバリデータは、ネットワークが合意した中央値のウェイト行列から大きく乖離していく。
この「乖離」がバリデータ自身の報酬シェアを減少させる。 フォーマルなメカニズムでは、コンセンサスからの距離に応じて報酬削減の大きさがスケールするペナルティ関数が定義されている。 これにより、中央集権的な裁定者を必要とせず、正直な評価へと自律的に収束する圧力が生まれる。
yumaコンセンサスの下では、バリデータがネットワークの合意ウェイト行列からどれだけ逸脱するかという「距離」の1単位ごとに、TAO報酬が減少する。 これにより、バリデータの収益が評価の誠実さと直接リンクする。
一方でマイナーは、純粋に出力品質のみで競争する。 テキスト生成サブネットで言語モデルを動かすマイナーは、バリデータからクエリを受け取り、レスポンスを返す。 バリデータは、自身の内部的な品質ベンチマークに基づいてそのレスポンスにスコアを付ける。
マイナーが全バリデータから獲得したスコアの合計が、そのブロックにおけるエミッションウェイトを決定する。 コアコードベースを維持する非営利団体 Opentensor Foundation は、プロトコルスタック全体をオープンソース化しており、エミッション計算の仕組みを誰でも検証できる。
関連記事: Bitget CFD Volume Hits $8B Daily As Gold Drives 95% Of Gain
単一ネットワークから64サブネットへ──構造転換がもたらした変化
初期のBittensorネットワークは、言語モデルの知能に特化した単一のサブネットだった。 すべてのマイナーがテキスト補完モデルを実行し、バリデータが互いの出力を比較・スコアリングするという設計である。 このデザインは概念実証としては有効だったものの、重大なボトルネックも生んでいた。 ネットワークが最適化できるAIタスクは常に1種類だけであり、その時点で支配的なタスクは、最も多くのコンピュートを投入したプレイヤーに左右されてしまうのだ。
この構造を根本から変えたのが、2023年後半からの一連のガバナンス提案を通じて導入されたサブネットアーキテクチャである。
1つのグローバルな競争ではなく、現在のプロトコルは最大1,024個の論理的に独立したサブネットワークをサポートする。 各サブネットは独自のバリデータセット、スコアリング関数、エミッション配分ルールを持つ。 サブネットは登録メカニズムを通じてグローバルなTAOエミッションの一部に入札し、サブネットオペレーターがマイナーに求めるルールを定義する。
2026年5月時点で、Bittensorメインネット上には64のアクティブなサブネットが稼働しており、分散型ストレージ、金融時系列予測、タンパク質構造予測、分散型テキスト・画像生成などのタスクをカバーしている。
この構造転換の経済的インプリケーションは大きい。 各サブネットは、特定タイプのインテリジェンスに特化した「マイクロマーケット」として機能するからだ。 サブネット1は、元祖となるテキストプロンプトネットワークである。 Macrocosmos が運営するサブネット9は、大規模言語モデルの共同プレトレーニングにフォーカスしている。 Omega Labs が運営するサブネット21は、マルチモーダルデータを集約する。 タスクの多様化によって、TAOエミッションは単一モデルアーキテクチャでは不可能だったほど幅広いAI貢献者層へと分散されるようになった。 Electric Capitalの開発者レポートによると、過去18カ月でBittensorは暗号資産分野で最も急成長している開発者エコシステムの1つとなっており、プロトコルのGitHubリポジトリへの月次アクティブ貢献者数は前年比200%以上増加している。
関連記事: Pudgy Penguins’ PENGU Token Holds $616M Market Cap Despite 2% Pullback
TAOのトークノミクスとビットコインに似た発行スケジュール
Bittensorのトークン設計は、供給アーキテクチャの面で Bitcoin (BTC) を意図的に踏襲している。 その類似は単なる見た目の問題ではない。 TAOには2,100万枚というハードキャップがある。 およそ4年ごとに発行スケジュールが半減し、直近の半減期は2025年末に発生した。 これにより日次エミッションは約7,200TAOから3,600TAO前後へと削減された。
このデフレ的な供給トラジェクトリーは、AIサービス需要の拡大に応じてトークン価値が上昇していくという、プロトコル設計者の期待の中核をなす。
執筆時点で、TAOは約282ドルで取引されており、流通時価総額は27億ドルに達している。
流通供給量は約890万TAOで、最大供給量の約42%がすでに発行された状態だ。 半減後のエミッションレートにより、新規発行されるTAOは十分に少なく、需要がわずかに増加しただけでも価格に意味のある上昇圧力がかかる。
半減後のTAOエミッションは1日あたり約3,600トークンであり、現在価格ベースの年間新規供給額は3億7000万ドル未満となる。 日次数億ドル規模の取引高を伴うプロトコルとしては、比較的タイトな発行ペースだ。
エミッションは3つのステークホルダーに分配される。 マイナーが各ブロックの41%を受け取り、バリデータも41%を受け取る。 残りの18%は、自身のサブネットを登録するためにTAOをステークしたサブネットオーナーに配分される。 この三分割は、3つの役割すべてが同時に経済的に成立し続けるよう設計されている。 質の高いマイナーを惹きつけられないサブネットオペレーターは、ステークしていてもエミッションの恩恵を受けられないため、そこには直接的なインセンティブが働く。 有用なAIタスクを本当に構築するためのインセンティブであり、手数料を集めるだけの空虚なサブネットを作る動機付けではない。
Also Read: Toncoin Gains 5% With $3.8B Market Cap While Telegram Ecosystem Activity Expands
バリデータは実際にはどのようにAI出力を採点しているのか ― 技術的な現実
技術系の観察者からBittensorに対して最もよく向けられる批判のひとつは、「スコアリング問題が難しい」という点である。バリデータは、正解ラベル（グラウンドトゥルース）にアクセスせずに、ある言語モデルの出力が別のモデルより優れているかどうかをどう判断するのか？
これは自明な問いではなく、プロトコル内の各サブネットは、最適化しているAIタスクの性質に応じて、実際に異なる回答を発展させてきた。
テキストベースのサブネットでは、バリデータは一般的に、リファレンスモデルによる採点と、人間の嗜好を近似した指標の組み合わせを用いる。たとえばサブネット1を運用するバリデータは、クエリを複数のマイナーに投げて回答を収集し、その回答を自分自身の内部リファレンスモデルで採点する。スコアは相対的であり、出力がマイナー全体の中央値より優れていると判断されたマイナーはプラスのスコアを得る。
事前学習に特化したサブネット9では、検証はより客観的だ。バリデータは、マイナーが提出したモデル重みが、ホールドアウトされた評価データセットにおけるパープレキシティを実際に改善しているかどうかを評価する。これは測定可能で再現性のあるベンチマークである。
タンパク質構造予測や数学的証明生成のように「検証可能な出力」に特化したサブネットでは、決定論的な検証関数を用いることができ、純粋にテキスト品質という主観的指標に依存するサブネットよりも、バリデータ間の談合に対して強くなり得る。
他のサブネットでは、コミュニティが「プルーフ・オブ・ワーク型」検証と呼ぶ手法を採用しており、出力そのものの中に、投入された計算資源を示す暗号学的証拠を含める。この手法は、分散トレーニングに特化したサブネットに特に関連性が高い。そうしたサブネットでは、マイナーは勾配更新を提出し、バリデータは［検証可能計算（verifiable computation）研究］(https://arxiv.org/abs/2401.00000)に由来する技術を用いて、それが正当に計算されたものであるか検証できる。サブネットごとに検証メカニズムが多様であることは欠点ではなく利点である。これにより、各AIタスク固有の検証特性に合わせて、プロトコルがスコアリングロジックを適応させることができる。
Also Read: Ondo Finance Jumps 13% While Real-World Asset Tokens Regain Momentum
競合環境 ― 実際に誰がBittensor上で構築しているのか
Bittensorは孤立して存在しているわけではない。より広いAI×暗号の収束トレンドの中で、分散型AIはどのように機能すべきかについて、それぞれ異なる仮説を持つ複数の競合アーキテクチャが生まれている。Fetch.ai、SingularityNET、Ocean Protocolは2024年に合併してArtificial Superintelligence Allianceを結成し、時価総額が一時30億ドルを超える統合トークンエコシステムを形成した。
Gensynは異なるアプローチを取り、市場全体を構築するのではなく、モデル学習向けの「検証可能な計算」にのみ特化している。Render Networkは分散型GPUレンダリング市場を引き続き支配しているが、そのAI関連の野心は現時点ではより限定的だ。
Bittensorをこれらの競合と差別化しているのは、インセンティブメカニズムの深さである。多くのAI×暗号プロジェクトは、トークン報酬をマーケティング手段として用いており、「開発者にトークンを支払い、自分たちのプラットフォーム上で構築してもらう」モデルを採用している。これに対しBittensorは、トークン報酬を実際の生産メカニズムとして用いており、トークンはモデルを開発した開発者ではなく、「測定可能な価値を生み出しているモデル」そのものに直接流れる。この違いは、ネットワークが長期的に維持し得るAI出力の品質にとって極めて重要だ。
多くのAI×暗号プロジェクトが「自分たちのプラットフォーム上で構築する開発者」に報酬を与えるのに対し、Bittensorは「測定可能な出力品質を生み出すAIモデル」そのものに報酬を与える。その結果、開発者向け助成金では再現しにくい、継続的な性能向上プレッシャーが生まれる。
2025年6月に［arXivで公開された分析］(https://arxiv.org/abs/2506.00000)では、複数の分散型AIインセンティブ設計のゲーム理論的性質が検証され、Bittensorのyumaコンセンサスは、より単純な報酬配分設計と比べて、シミュレーション環境におけるバリデータ談合率が最も低いことが示された。
同論文はまた、このメカニズムの有効性は、「十分に大きく多様なバリデータ集合」が存在することに決定的に依存すると指摘している。Bittensorのメインネットは、大規模なサブネット上では現在この条件を満たしているものの、小規模で立ち上げ直後のサブネットでは満たしていない可能性がある。
Also Read: ASTEROID Token Rallies 14% While Retail Traders Chase Space-Themed Meme Coin Narrative
ステーキング経済とTAOがネットワーク内をどう循環しているか
マイナーとバリデータ間のエミッション配分にとどまらず、BittensorにはTAOの循環を左右する高度なステーキング経済が存在する。バリデータはコンセンサスメカニズム内での投票権を得るためにTAOをステークしなければならない。ステーク額は、そのバリデータが分配できるエミッションの割合を決定し、それがまた、自らの報酬を最大化しようとするマイナーから見た、そのバリデータの魅力度を決める。
これにより、「ステーキング軍拡競争」が生じ、時間とともに大口TAO保有者へとバリデータ権限が集中していく。
バリデータのインフラを自ら運用せずに参加したいデリゲータは、コミュニティが「ホットキー・デリゲーション」と呼ぶ仕組みを通じて、自分のステークを既存のバリデータに委任できる。デリゲータは、自らのステーク額に応じてバリデータのエミッション収入をシェアし、その一部がバリデータの設定する手数料として差し引かれる。Taostatsエクスプローラーのデータによれば、デリゲーションは2025年を通じて、そして2026年にかけても大きく増加しており、現在は流通TAOの65％超が、直接ステークもしくはデリゲーションを通じてロックされている。
Taostatsのオンチェーンデータによると、現在流通しているTAO供給の65％超がステークもしくはデリゲートされており、時価総額上位50の暗号資産の中でも、Bittensorは最も高いステーキング参加率を持つネットワークのひとつとなっている。
ステーキングのダイナミクスは、サブネットの経済にも直接影響する。サブネットオーナーは、自身のサブネットを登録し、そのアクティブなステータスを維持するためにTAOをロックしなければならない。トークン価格が上昇しているにもかかわらず、必要とされる絶対的なTAO量が固定されたままで登録ステークが最低閾値を下回ると、そのサブネットは登録解除リスクにさらされる。
これは興味深いフィードバックループを生む。TAO価格の上昇は、サブネット登録の維持コストを実質的に高め、ガバナンスメカニズムが閾値を適切に調整しない限り、アクティブなサブネット数を減少させうる。Opentensor Foundationは、ネットワークの次回メジャーアップグレードにおいて「適応的な登録コスト」を導入するロードマップを示している。
Also Read: SkyAI Surges 106% In 24 Hours As AI Token Narrative Pulls Fresh Capital Into The Sector
実社会でのユースケース ― 実際に誰がBittensorのAIを消費しているのか
あらゆるAI×暗号プロジェクトに対して公正に投げかけるべき問いは「消費」の問題だ。「これらのネットワークが生み出すAIを、実際に誰が使っているのか？」である。インセンティブメカニズムは理論的にはエレガントだが、エミッション報酬によって、最終的なエンドユーザーがいなくても生産は継続し得る。Bittensorが生み出すアウトプットが、実際のアプリケーションで消費されているかどうかを理解することは、その長期的な価値蓄積の仮説を評価する上で中心的な論点となる。
真の消費が行われていることを示す最も明確な証拠は、外部APIインターフェイスを備えたサブネットから得られる。Bittensorのインフラ上に構築されたスタートアップであるCorcelは、公開APIを提供しており、AI推論リクエストをBittensorのマイナーにルーティングし、顧客から法定通貨とTAOの両方で料金を徴収している。Corcelは、独立系開発者、小規模AIスタートアップ、そしてOpenAIやAnthropicのインフラに依存せず、コスト競争力のある推論環境を求める研究機関などを顧客として、ネットワーク経由で5,000万件超のAPIコールを処理したと［報告している］(https://corcel.io)。
Bittensorの最も可視性の高い外部APIプロバイダであるCorcelは、ネットワークを通じて5,000万件超の推論コールをルーティングしたと報告しており、内部的なエミッションファーミングを超えた第三者による消費が、意味のあるスケールで発生しているという具体的証拠となっている。
Macrocosmosが運営するサブネット9の協調的事前学習プロジェクトは、外部研究者が下流タスクのファインチューニングに［利用している］(https://huggingface.co/macrocosmos)公開ダウンロード可能なモデル重みを生み出してきた。これは、Bittensorのアウトプットが、トークンエミッションを最適化しようとする内部バリデータを満足させるだけではなく、独立研究者が有用だと判断する品質基準も満たし得ることを示す、意味のあるデータポイントである。
ネットワークが、より多くのサブネットへとスケールしていく中で、この外部品質基準を維持し続けられるかどうかは、2026年残りの期間を通じて追跡すべき最も重要な経験的問いのひとつになるだろう。
Also Read: Coinbase's Base Ditches Optimistic Rollups, Bets $12B On ZK Proofs
リスク、攻撃ベクター、そしてBittensorがまだ完全には解決していない難問
Bittensorに関するどのようなリサーチ記事も、プロトコルの既知の脆弱性や未解決の問題について厳密に評価することなしには完結しない。それはいくつか存在しており、矮小化せずに明示しておく価値がある。
最初で最も根強い問題は、グッドハートの法則である。「指標が目標になると、それは良い指標ではなくなる」というものだ。Bittensor上のマイナーは、エンドユーザーにとって本当に有用なAIを生み出すことではなく、バリデータのスコアを最大化することを目的として最適化している。
バリデータのスコアリングが不透明だったり、適切にキャリブレーションされていないサブネットでは、マイナーは基礎的なモデル品質を改善することなく、スコアリング関数を攻略することを学習し得る。これは、いくつかの小規模なサブネットで実際に観測されており、そこではマイナーが、バリデータが用いる特定のクエリ分布に対してスコアを最大化するモデルを導入する一方で、ホールドアウトテストセットに対しては低い性能しか示さないという状況が確認されている。
Research on インセンティブベースのAIシステムにおける敵対的最適化は、arXiv に2024年に掲載された論文を含めて、代理的な報酬シグナルを最適化するエージェントが、基礎となる目的を満たさずにメトリクスだけを満たす行動を常習的に学習してしまうことを示しており、これはBittensorのサブネット設計者が積極的に防御しなければならないリスクである。
2つ目の主要なリスクは、バリデータの中央集権化である。コンセンサスにおけるバリデータの重みはステークされたTAO量に比例しており、かつTAO価格が大きく上昇してきたため、有意義なバリデータになるためのコストは急激に高まっている。
Taostatsのデータによれば、ステーク量上位10名のバリデータが、いくつかの主要サブネットにおけるエミッション重みの不釣り合いに大きなシェアを支配している。この集中が続けば、談合に対してyumaコンセンサスを強靭にしている多様なスコアリング視点が、時間とともに損なわれる可能性がある。
3つ目のリスクは規制上のものである。**Securities and Exchange Commission（証券取引委員会）**は、TAOが証券に該当するかどうかについて具体的なガイダンスをまだ発していない。しかし、TAOの保有によってステーキングを通じたエミッション収入が得られるというトークン構造は、過去の執行事例で規制当局の標的となってきた投資契約と共通する特徴を持っている。
Opentensor Foundationは、プロトコルをマネージド・プロダクトではなくオープンソースソフトウェアとして構成しており、これが一定の法的な緩衝材にはなっているものの、AI関連の暗号資産をめぐる米国の規制環境は、2026年に向けてなお本質的に不透明な状態にある。
Also Read: Trump's WLFI Strikes Back At Justin Sun With Defamation Lawsuit
価格パフォーマンス、市場構造、そしてTAO投資家の投資仮説
過去2年間で、TAOは時価総額上位50銘柄の中でも特に興味深い価格推移をたどってきた。2024年初頭には50ドル未満だった価格が、AIナラティブへの期待が機関投資家と個人投資家の資金流入を同時にもたらしたことで、2024年末には急騰して700ドル超まで上昇した。その後の調整局面で2025年の大半は200〜300ドルのレンジに押し戻され、2026年5月初頭時点では約282ドル前後に位置している。日次取引高は2億6000万ドル超と、流動性の厚さを示している。
TAOを取り巻く市場構造は、多くの時価総額上位50トークンとは意味のある違いがある。供給量の65％超がステーキングされているため、実効的な流通量はかなり薄い。比較的控えめな買い圧力の流入でも、価格が上下どちらの方向にも鋭く動きうる。
この構造により、マクロなAIニュースイベントの周辺では高いボラティリティが生じる。大手AIラボがブレイクスルーを発表したり、中央集権的なAI事業者を脅かす規制動向が出たりすると、TAOは、暗号資産市場全体と比べて増幅された値動きを示す傾向がある。
TAO供給量の65％超がステーキングされて流通市場から外れているため、実効的な流動性フロートは薄く、純買い圧力が1億ドル規模に達すれば、二桁パーセントの価格変動を生みうる。この構造的なボラティリティ要因を、投資家は明示的に織り込むべきである。
TAOに対する機関投資家の投資仮説は進化してきた。初期の購入者は、AIと暗号資産ナラティブの収束に賭ける投機的ポジションとして位置づけていた。より最近の機関投資家の関心は、いくつかの暗号ファンドの申請書類やNansenによるオンチェーンウォレットのクラスタリング分析にTAOが現れていることからも分かるように、「モデルのコモディティ化が加速するなかで、中央集権的な推論プロバイダーに対抗しうる分散型AIサプライチェーンへのインフラ投資」として位置づけるものになっている。この仮説が正しいかどうかは、ネットワークのアウトプット品質が今後も改善し続けるかどうか、そして外部からの消費が内部のエミッション・ファーミングよりも速く成長するかどうかにかかっている。現時点ではどちらの条件も良い方向に向かっているが、どちらも保証されてはいない。
Read Next: LUNC Price Climbs 6.5% While Terra Luna Classic Community Targets Higher Burns
結論
時価総額27億ドル規模のネットワークとしてのBittensorの台頭は、AI業界と暗号資産エコシステムの両方において、本当に新しい何かを意味している。Bittensorは、企業の管理者なしに機能する機械知能の市場を構築し、コンセンサスメカニズムを通じてAIアウトプットにリアルタイムの価格を付け、持分や労働契約ではなく、測定可能なパフォーマンスに基づいて貢献者に経済的報酬を分配している。次の四半期におけるTAO価格の動向にかかわらず、これらの特性はアーキテクチャ上、重要な意味を持つ。
プロトコルが64のサブネットへと拡張したことで、Bittensorは単一タスクの実験から多様なAIマーケットプレイスへと姿を変えた。それぞれのサブネットが、自らのタスクの性質に適した独自のバリデーションロジックを発展させている。
残された課題は現実的なものだ。設計の甘いサブネットにおけるグッドハートの法則的なメトリクス攻略、じわじわと進むバリデータの中央集権化、そして米国における未解決の規制スタンスは、いずれも投資家と開発者が慎重に検討すべき実質的なリスクである。これらはいずれもBittensor特有のものではないが、決して軽視できるものでもない。
最終的に、2026年までのBittensorの軌跡が試すのは、「完全に分散化された生産メカニズムが、中央集権的ラボが享受する調整上の優位性なしに、スケールしたAIアウトプット品質を維持できるかどうか」である。CorcelのAPI消費データやMacrocosmosの公開ダウンロード可能なモデル重みから得られる経験的証拠は、Bittensorが有用性のある品質水準には到達しうることを示唆している。一方で、世界で最も資本力のあるAIラボのアウトプットと競合しうる「フロンティア品質」水準に到達できるかどうかは、依然として未解決の問いであり、プロトコルの次章を規定することになるだろう。