Trzy lata temu Bittensor (TAO) był techniczną ciekawostką, o której dyskutowano głównie w kanałach badawczych machine learningu i na niszowych forach kryptowalutowych.
Dziś ma kapitalizację rynkową powyżej 2,7 mld USD, obsługuje 64 aktywne sub‑sieci i jest prawdopodobnie najbardziej ambitną próbą w branży blockchain, aby produkcję sztucznej inteligencji zamienić w towar rynkowy, w którym każdy może uczestniczyć. Fakt, że większość obserwatorów krypto wciąż ma problem, by dokładnie wyjaśnić, czym on jest, jest pod wieloma względami sednem sprawy.
Sieć rozwinęła się bez scentralizowanego laboratorium AI, bez zastrzeżonego centrum danych i bez jednej kontrolującej jednostki korporacyjnej. Zamiast tego działa w oparciu o nowatorską architekturę bodźców, w której modele uczenia maszynowego konkurują ze sobą o nowo wybijane tokeny TAO, a walidatorzy oceniają ich wyniki i odpowiednio przydzielają nagrody.
Ten mechanizm, prosty w teorii i naprawdę złożony w praktyce, jest tym, co ten tekst rozkłada na czynniki pierwsze.
TL;DR
- Bittensor prowadzi zdecentralizowany rynek AI, na którym modele uczenia maszynowego zarabiają TAO w oparciu o mierzalną wartość informacyjną, jaką dostarczają sieci walidatorów.
- Protokół rozwinął się z jednej monolitycznej sieci do 64 wyspecjalizowanych subnetów, z których każdy celuje w odrębne zadanie AI – od generowania tekstu po fałdowanie białek i prognozowanie finansowe.
- Przy kapitalizacji 2,7 mld USD i dziennym wolumenie obrotu przekraczającym 260 mln USD, TAO stał się jednym z najbardziej płynnych kryptoaktywów związanych z AI, choć mechanika jego wyceny pozostaje słabo rozumiana przez większość uczestników rynku.
Czym właściwie jest Bittensor i dlaczego trudno go wyjaśnić
Głównym powodem, dla którego Bittensor pozostaje słabo przeanalizowany, jest to, że nie pasuje on do żadnej istniejącej kategorii krypto. Nie jest blockchainem warstwy 1 konkurującym z Ethereum (ETH) o przepustowość transakcji. Nie jest protokołem DeFi optymalizującym efektywność kapitału. Nie jest platformą NFT ani mem coinem. W najprecyzyjniejszych dostępnych kategoriach jest zdecentralizowanym rynkiem inteligencji maszynowej zbudowanym na blockchainie typu substrate.
Oryginalny whitepaper, napisany przez Jacoba Roberta Steevesa i Alę Shaabanę i po raz pierwszy rozpowszechniony w 2021 r., opisuje główny problem z brutalną jasnością. Rozwój AI jest zdominowany przez niewielką liczbę pionowo zintegrowanych firm, które jednocześnie kontrolują dane treningowe, infrastrukturę obliczeniową i wdrażanie modeli.
To skoncentrowanie powoduje, że wartość ekonomiczna wytwarzana przez AI trafia niemal wyłącznie do tych podmiotów. Proponowanym rozwiązaniem Bittensora jest rozbicie stosu produkcji AI na odrębne wkłady i wycenienie każdego z nich przy użyciu natywnego dla blockchainu tokena.
Whitepaper Bittensora wprost argumentuje, że inteligencję AI, podobnie jak przepustowość czy moc obliczeniową, należy traktować jako towar, który rynki mogą efektywnie wyceniać, gdy tylko powstaną odpowiednie szyny bodźców.
Blockchain substrate, z którego korzysta Bittensor, jest zbudowany przy użyciu frameworka Substrate Polkadota, co zapewnia mu modułowy runtime i pozwala na aktualizacje zarządzania bez twardych forków. Walidatorzy w sieci uruchamiają funkcje oceny wyników górników, którzy prowadzą modele uczenia maszynowego. Konsensus walidatorów określa, jak nowo wybite TAO przepływa do każdego uczestnika.
Kluczowe jest to, że punktacja nie jest arbitralna: walidatorzy, którzy zmówią się, by nagradzać słabe modele, są sami karani za pomocą mechanizmu zwanego konsensusem yuma, który zespół opisał formalnie w dokumentacji technicznej.
Zobacz też: Hyperliquid’s HYPE Token Near $41 With $9.7B Market Cap And Active DEX Volume
Silnik konsensusu Yuma i jak górnicy dostają zapłatę
Zrozumienie logiki nagród w Bittensorze wymaga zrozumienia konsensusu yuma, ponieważ to właśnie ten mechanizm odróżnia tę sieć od prostszych projektów typu proof‑of‑work czy proof‑of‑stake. Główne wyzwanie, które rozwiązuje, brzmi: jeśli walidatorzy mogą dowolnie przypisywać wagi górnikom, mają silną motywację do zmów z konkretnymi górnikami i przechwytywania nieproporcjonalnie dużych nagród. Konsensus yuma wyrównuje bodźce walidatorów, uzależniając ich własne nagrody od tego, jak dobrze ich punktacja pokrywa się z medianową oceną w całej sieci.
W praktyce walidator, który konsekwentnie wysoko ocenia górnika niskiej jakości, będzie dryfował daleko od medianowej macierzy wag, co do której zgadza się sieć.
Ten dryf zmniejsza udział walidatora w emisji. Formalny mechanizm ustanawia funkcję kary, w której skala redukcji nagrody rośnie wraz z odległością od konsensusu. Tworzy to samokorygującą presję na uczciwą ocenę bez potrzeby istnienia scentralizowanego arbitra.
W konsensusie yuma walidatorzy zarabiają mniej TAO za każdą jednostkę odchylenia ich przypisań wag od konsensusowej macierzy wag sieci, bezpośrednio wiążąc ich dochód z uczciwością oceny.
Górnicy natomiast konkurują wyłącznie jakością wyników. Górnik uruchamiający model językowy w subnecie generowania tekstu otrzymuje zapytanie od walidatora, zwraca odpowiedź, a walidator ocenia ją względem swojego wewnętrznego benchmarku jakości.
Łączna liczba punktów uzyskana przez górnika od wszystkich walidatorów określa jego wagę emisji w każdym bloku. Opentensor Foundation, organizacja non‑profit utrzymująca główną bazę kodu, udostępniła cały stos protokołu jako open source, dzięki czemu każdy może sprawdzić dokładnie, jak obliczane są emisje.
Zobacz też: Bitget CFD Volume Hits $8B Daily As Gold Drives 95% Of Gain
Od jednej sieci do 64 subnetów – zmiana architektury, która odmieniła wszystko
Oryginalna sieć Bittensor była pojedynczym subnetem skoncentrowanym na inteligencji modeli językowych. Każdy górnik uruchamiał model uzupełniania tekstu, a walidatorzy oceniali wyniki względem siebie. Ten projekt działał jako proof of concept, ale tworzył krytyczne wąskie gardło: sieć mogła optymalizować tylko jedno zadanie AI naraz, a dominujące zadanie było wyznaczane przez tego, kto wdrożył najwięcej mocy obliczeniowej.
Architektura subnetów, wprowadzona poprzez serię propozycji governance pod koniec 2023 r., fundamentalnie to zmieniła.
Zamiast jednej globalnej konkurencji, protokół obsługuje teraz do 1024 logicznie niezależnych subnetów, z których każdy ma własny zestaw walidatorów, własną funkcję ocen i własną alokację emisji. Subnety licytują się o udział w globalnej emisji TAO poprzez mechanizm rejestracji, a operatorzy subnetów definiują zasady, których ich górnicy muszą przestrzegać.
Na maj 2026 r. w mainnecie Bittensora działa 64 aktywnych subnetów, obejmujących zadania od zdecentralizowanego przechowywania danych i prognoz szeregów czasowych finansów po przewidywanie struktury białek i rozproszone generowanie tekst‑na‑obraz.
Konsekwencje ekonomiczne tej zmiany są znaczące. Każdy subnet jest de facto mikro‑rynkiem dla określonego typu inteligencji. Subnet 1 pozostaje oryginalną siecią podpowiedzi tekstowych. Subnet 9, prowadzony przez Macrocosmos, koncentruje się na wspólnym pretrenowaniu dużych modeli językowych. Subnet 21, prowadzony przez Omega Labs, agreguje dane multimodalne. Różnorodność zadań sprawia, że emisja TAO płynie dziś do znacznie szerszego grona kontrybutorów AI, niż kiedykolwiek umożliwiałaby architektura jednego modelu. Raport deweloperski Electric Capital's developer report śledzi Bittensor jako jeden z najszybciej rosnących ekosystemów deweloperskich w krypto w ciągu ostatnich 18 miesięcy, z miesięczną liczbą aktywnych kontrybutorów do repozytoriów GitHub protokołu rosnącą o ponad 200% rok do roku.
Zobacz też: Pudgy Penguins’ PENGU Token Holds $616M Market Cap Despite 2% Pullback
Tokenomia TAO i harmonogram emisji w stylu Bitcoina
Projekt tokena Bittensora celowo zapożycza elementy z architektury podaży Bitcoina (BTC) i to podobieństwo nie jest powierzchowne. TAO ma twardy limit 21 mln tokenów. Harmonogram emisji zmniejsza się o połowę mniej więcej co cztery lata; ostatnie halving miało miejsce pod koniec 2025 r., redukując dzienną emisję z około 7200 TAO dziennie do około 3600 TAO dziennie.
Ta deflacyjna trajektoria podaży jest kluczową częścią oczekiwań projektantów protokołu, że token będzie zyskiwał na wartości wraz ze wzrostem popytu na usługi AI.
W momencie pisania TAO jest notowany w okolicach 282 USD przy kapitalizacji rynkowej w obiegu na poziomie 2,7 mld USD.
Całkowita podaż w obiegu wynosi około 8,9 mln TAO, co oznacza, że wybito około 42% maksymalnej podaży. Tempo emisji po halvingu oznacza, że nowe wydania TAO są na tyle wolne, że nawet umiarkowany wzrost popytu wywiera istotną presję wzrostową na cenę.
Emisja TAO po halvingu na poziomie około 3600 tokenów dziennie oznacza, że roczna nowa podaż trafiająca na rynek jest mniejsza niż 370 mln USD przy obecnych cenach – to relatywnie ciasny poziom emisji jak na protokół generujący setki milionów dolarów dziennego wolumenu obrotu.
Emisja dzieli się pomiędzy trzy kategorie interesariuszy. Górnicy otrzymują 41% emisji każdego bloku. Walidatorzy otrzymują 41%. Pozostałe 18% trafia do właścicieli subnetów, którzy zastakowali TAO, aby zarejestrować swój subnet. Ten trójstronny podział ma zapewnić, że wszystkie trzy role pozostaną jednocześnie ekonomicznie opłacalne. Operatorzy subnetów, którym nie uda się przyciągnąć jakościowych górników, nie otrzymują żadnych korzyści z emisji mimo swojego stake’u, co tworzy bezpośredni zachętę do budowania faktycznie użytecznych zadań AI zamiast pustych subnetów zbierających opłaty.
Also Read: Toncoin Gains 5% With $3.8B Market Cap While Telegram Ecosystem Activity Expands
Jak walidatorzy faktycznie oceniają wyniki AI, techniczna rzeczywistość
Jedną z najczęstszych krytyk Bittensora ze strony technicznych obserwatorów jest to, że problem oceniania jest trudny. Skąd walidator ma wiedzieć, czy wynik jednego modelu językowego jest lepszy od innego, skoro nie ma dostępu do prawdziwych etykiet (ground truth)?
To nie jest banalne pytanie, a różne subnetworki protokołu wypracowały rzeczywiście odmienne odpowiedzi, zależnie od charakteru zadania AI, które optymalizują.
W subnetach tekstowych walidatorzy zazwyczaj używają kombinacji oceniania przez model referencyjny i proxy ludzkich preferencji. Walidator uruchamiający Subnet 1 może przekazać zapytanie do wielu górników, zebrać odpowiedzi, a następnie ocenić je przy użyciu własnego wewnętrznego modelu referencyjnego. Wyniki są względne: górnik, którego wynik jest oceniony jako lepszy niż mediana, uzyskuje dodatni wynik.
W Subnecie 9, który skupia się na pretrenowaniu, walidacja jest bardziej obiektywna: walidatorzy oceniają, czy wagi modelu przesłane przez górnika faktycznie poprawiają perplexity na wydzielonym zbiorze ewaluacyjnym, co jest mierzalnym i powtarzalnym benchmarkiem.
Subnety skoncentrowane na weryfikowalnych wynikach, takich jak przewidywanie struktury białek czy generowanie dowodów matematycznych, mogą używać deterministycznych funkcji walidacyjnych, co czyni je bardziej odpornymi na zmowę walidatorów niż czysto subiektywne subnetworki oceniające jakość tekstu.
Inne subnetworki przyjęły to, co społeczność nazywa walidacją w stylu „proof of work”, w której sam wynik zawiera kryptograficzny dowód poniesionego nakładu obliczeniowego. Jest to szczególnie istotne dla subnetów skoncentrowanych na rozproszonym trenowaniu, gdzie górnicy przesyłają aktualizacje gradientów, które walidatorzy mogą zweryfikować jako uczciwie obliczone z wykorzystaniem technik zaczerpniętych z badań nad weryfikowalnym obliczaniem. Różnorodność mechanizmów walidacji między subnetami jest zaletą, a nie wadą: pozwala protokołowi dostosować logikę oceniania do specyficznych własności weryfikacyjnych każdego zadania AI.
Also Read: Ondo Finance Jumps 13% While Real-World Asset Tokens Regain Momentum
Konkurencyjny krajobraz, kto faktycznie buduje na Bittensorze
Bittensor nie działa w izolacji. Szersza konwergencja AI–krypto wygenerowała kilka konkurencyjnych architektur, z których każda opiera się na innej tezie dotyczącej tego, jak zdecentralizowane AI powinno funkcjonować. Fetch.ai, SingularityNET i Ocean Protocol połączyły się w 2024 r., tworząc Artificial Superintelligence Alliance i budując wspólny ekosystem tokenów, którego kapitalizacja rynkowa chwilowo przekroczyła 3 miliardy dolarów.
Gensyn obrał inne podejście, koncentrując się wyłącznie na weryfikowalnej mocy obliczeniowej do trenowania modeli, zamiast budować pełny rynek. Render Network nadal dominuje na zdecentralizowanym rynku renderowania GPU, choć jego ambicje w AI pozostają bardziej ograniczone.
To, co odróżnia Bittensora od tych konkurentów, to głębokość mechanizmu motywacyjnego. Większość projektów AI–krypto używa nagród tokenowych jako mechanizmu marketingowego: płać deweloperom w tokenach, aby budowali na naszej platformie. Bittensor używa nagród tokenowych jako właściwego mechanizmu produkcyjnego: tokeny płyną bezpośrednio do modeli, które dostarczają mierzalną wartość, a nie do deweloperów, którzy te modele napisali. Ta różnica ma ogromne znaczenie dla jakości wyników AI, jakie sieć jest w stanie utrzymać w długim okresie.
W przeciwieństwie do większości projektów AI–krypto, które nagradzają deweloperów za budowanie na ich platformie, Bittensor nagradza same modele AI za dostarczanie mierzalnej jakości wyników, tworząc ciągłą presję na wydajność, której granty deweloperskie nie są w stanie odtworzyć.
Czerwcowa analiza z 2025 r. opublikowana na arXiv zbadała własności teorii gier kilku zdecentralizowanych projektów motywacyjnych dla AI i wykazała, że konsensus yuma w Bittensorze generował najniższy poziom zmowy walidatorów w środowiskach symulowanych w porównaniu z prostszymi mechanizmami przydziału nagród.
Autorzy pracy zauważyli, że skuteczność tego mechanizmu krytycznie zależy od wystarczająco dużego i zróżnicowanego zestawu walidatorów – warunku, który główna sieć Bittensora obecnie spełnia w większych subnetach, ale może go nie spełniać w mniejszych, dopiero powstających.
Also Read: ASTEROID Token Rallies 14% While Retail Traders Chase Space-Themed Meme Coin Narrative
Gospodarka stakingu i jak TAO przepływa przez sieć
Poza podziałem emisji między górników a walidatorów, Bittensor ma zaawansowaną gospodarkę stakingu, która kształtuje sposób, w jaki TAO krąży w sieci. Walidatorzy muszą stakować TAO, aby uzyskać wagę głosu w mechanizmie konsensusu. Ilość stakowanych tokenów determinuje proporcję emisji, jaką walidator może rozdysponować, co z kolei wpływa na to, jak atrakcyjny jest dla górników pragnących zmaksymalizować własne nagrody.
Tworzy to wyścig zbrojeń w stakingu, który stopniowo koncentruje władzę walidatorów w rękach dużych posiadaczy TAO.
Aby uczestniczyć jako delegujący bez uruchamiania infrastruktury walidatora, posiadacze TAO mogą delegować swój stake istniejącym walidatorom poprzez mechanizm, który społeczność nazywa „delegacją hotkey”. Delegujący dzielą się przychodami z emisji walidatora proporcjonalnie do stakowanej kwoty, pomniejszonymi o prowizję, którą walidatorzy ustalają w sposób konkurencyjny. Dane z eksploratora Taostats pokazują, że delegacja znacząco wzrosła w 2025 r. i na początku 2026 r., przy czym ponad 65% cyrkulującej podaży TAO jest obecnie stakowane bezpośrednio lub poprzez delegację.
Ponad 65% cyrkulującej podaży TAO jest obecnie stakowane lub delegowane według danych on-chain z Taostats, co czyni Bittensora jedną z sieci z najwyższym udziałem stakowania wśród top 50 aktywów kryptowalutowych według kapitalizacji rynkowej.
Dynamika stakingu wpływa również bezpośrednio na ekonomię subnetów. Właściciele subnetów muszą zablokować TAO, aby zarejestrować swój subnet i utrzymać jego aktywny status. Jeśli stak rejestracyjny subneta spadnie poniżej minimalnego progu, ponieważ cena tokena rośnie, a wymagana bezwzględna ilość TAO pozostaje stała, subnet ryzykuje wyrejestrowanie.
Tworzy to ciekłą pętlę sprzężenia zwrotnego: rosnąca cena TAO sprawia, że utrzymanie rejestracji subnetów staje się droższe, co może zmniejszyć liczbę aktywnych subnetów, chyba że mechanizm zarządzania dostosuje odpowiednio progi. Fundacja Opentensor wskazała, że adaptacyjne koszty rejestracji znajdują się w planach na nastęjną dużą aktualizację sieci.
Also Read: SkyAI Surges 106% In 24 Hours As AI Token Narrative Pulls Fresh Capital Into The Sector
Rzeczywiste przypadki użycia i kto faktycznie konsumuje AI Bittensora
Uzasadnione wyzwanie stawiane wobec każdego projektu AI–krypto dotyczy kwestii konsumpcji: kto faktycznie korzysta z AI wytwarzanej przez te sieci? Mechanizm motywacyjny jest elegancki w teorii, ale nagrody z emisji mogą utrzymywać produkcję nawet wtedy, gdy nie ma końcowego konsumenta. Zrozumienie, czy wyniki Bittensora są wykorzystywane w rzeczywistych zastosowaniach, jest kluczowe dla oceny jego długoterminowej tezy akumulacji wartości.
Najbardziej namacalny dowód faktycznej konsumpcji pochodzi z subnetów posiadających zewnętrzne interfejsy API. Corcel, startup zbudowany na infrastrukturze Bittensora, oferuje publiczne API, które kieruje zapytania inferencyjne AI do górników Bittensora i pobiera opłaty od klientów zarówno w fiacie, jak i w TAO. Corcel zgłosił przetworzenie ponad 50 milionów wywołań API przez sieć, obsługując klientów, wśród których znajdują się niezależni deweloperzy, małe startupy AI oraz instytucje badawcze szukające konkurencyjnych kosztowo inferencji bez polegania na infrastrukturze OpenAI lub Anthropic.
Corcel, najbardziej widoczny zewnętrzny dostawca API Bittensora, zgłosił ponad 50 milionów wywołań inferencyjnych przekierowanych przez sieć, dostarczając namacalny dowód, że zewnętrzna konsumpcja wykraczająca poza wewnętrzne „farmienie” emisji zachodzi na istotną skalę.
Wspólny wysiłek pretrenowania w Subnecie 9, prowadzony przez Macrocosmos, zaowocował publicznie dostępnymi wagami modeli, które zewnętrzni badacze wykorzystali w dalszych zadaniach fine-tuningu. Jest to istotna obserwacja, ponieważ pokazuje, że wyniki Bittensora mogą osiągnąć próg jakości, który niezależni badacze uznają za użyteczny, a nie tylko próg zadowalający wewnętrznych walidatorów optymalizujących pod emisję tokenów.
Zdolność sieci do utrzymania tego zewnętrznego poziomu jakości w miarę skalowania się na kolejne subnety będzie jednym z najważniejszych empirycznych zagadnień do śledzenia w pozostałej części 2026 r.
Also Read: Coinbase's Base Ditches Optimistic Rollups, Bets $12B On ZK Proofs
Ryzyka, wektory ataku i trudne problemy, których Bittensor jeszcze w pełni nie rozwiązał
Żaden materiał badawczy o Bittensorze nie byłby kompletny bez rygorystycznej oceny znanych podatności protokołu i nierozwiązanych problemów. Jest ich kilka i warto je przedstawić wprost, zamiast je minimalizować.
Pierwszym i najbardziej uporczywym jest problem wynikający z prawa Goodharta. Gdy miara staje się celem, przestaje być dobrą miarą. Górnicy w Bittensorze optymalizują pod kątem wyników walidatorów, a nie pod kątem tworzenia AI rzeczywiście użytecznej dla końcowych użytkowników.
W subnetach, w których system oceniania walidatorów jest nieprzejrzysty lub słabo skalibrowany, górnicy mogą nauczyć się „ograć” funkcję oceniania bez poprawy jakości bazowego modelu. Zaobserwowano to empirycznie w kilku mniejszych subnetach, gdzie górnicy wdrożyli modele maksymalizujące wynik na konkretnej dystrybucji zapytań używanych przez walidatorów, a jednocześnie osiągające słabe wyniki na wydzielonych zestawach testowych.
Badania nadadversarial optimization in incentive-based AI systems, including a 2024 paper published on arXiv, demonstrates that agents optimizing for proxy reward signals routinely learn behaviors that satisfy the metric without satisfying the underlying goal, a risk that Bittensor's subnet designers must actively defend against.
Drugim głównym ryzykiem jest centralizacja walidatorów. Ponieważ waga walidatora w konsensusie rośnie wraz ze stakowanym TAO, a wartość TAO znacząco wzrosła, koszt zostania znaczącym walidatorem gwałtownie się podniósł.
Dane z Taostats wskazują, że 10 największych walidatorów pod względem stawki kontroluje nieproporcjonalnie duży udział wagi emisji na kilku głównych subnetach. Jeśli ta koncentracja będzie się utrzymywać, różnorodność perspektyw oceny, która czyni konsensus yuma odpornym na zmowy, może z czasem ulec erozji.
Trzecim ryzykiem są kwestie regulacyjne. Securities and Exchange Commission nie wydała konkretnego stanowiska, czy TAO stanowi papier wartościowy, ale struktura tokena, w której posiadanie TAO przynosi dochód z emisji poprzez staking, dzieli cechy z kontraktami inwestycyjnymi, które regulatorzy wcześniej celowali w działaniach egzekucyjnych.
Fundacja Opentensor ustrukturyzowała protokół jako oprogramowanie open-source, a nie zarządzany produkt, co zapewnia pewien poziom ochrony prawnej, jednak otoczenie regulacyjne dla powiązanych ze sztuczną inteligencją aktywów kryptograficznych w Stanach Zjednoczonych pozostaje realnie niepewne w perspektywie zbliżającego się 2026 roku.
Also Read: Trump's WLFI Strikes Back At Justin Sun With Defamation Lawsuit
Price Performance, Market Structure, And The TAO Investor Thesis
TAO miał jedną z ciekawszych trajektorii cenowych wśród 50 największych aktywów kryptowalutowych w ciągu ostatnich dwóch lat. Z poziomu poniżej 50 USD na początku 2024 roku, token surged powyżej 700 USD pod koniec 2024 roku, gdy narracja wokół AI napędziła jednoczesny napływ kapitału instytucjonalnego i detalicznego do tego sektora. Następna korekta sprowadziła cenę TAO z powrotem do przedziału 200–300 USD przez większą część 2025 roku, a obecnie token znajduje się w okolicach 282 USD na początku maja 2026, przy dziennym wolumenie obrotu przekraczającym 260 mln USD, co wskazuje na znaczną głębokość płynności.
Struktura rynku wokół TAO jest istotnie inna niż w przypadku większości tokenów z czołowej pięćdziesiątki. Ponieważ ponad 65% podaży jest stakowane, efektywnie dostępna podaż w obrocie jest dość cienka. Stosunkowo niewielki napływ presji zakupowej może gwałtownie poruszyć ceną w obie strony.
Powoduje to wysoką zmienność wokół makroinformacji związanych z AI: gdy duże laboratoria AI ogłaszają przełomowe osiągnięcia lub gdy rozwój regulacyjny zagraża scentralizowanym podmiotom z sektora AI, TAO ma tendencję do poruszania się z większą amplitudą niż szerszy rynek kryptowalut.
Z ponad 65% podaży TAO stakowanej i wyłączonej z aktywnego obiegu, efektywnie płynna podaż jest na tyle cienka, że 100 mln USD netto presji zakupowej może wywołać dwucyfrowe ruchy cenowe w ujęciu procentowym – to strukturalny czynnik zmienności, który inwestorzy powinni uwzględniać wprost.
Teza inwestycyjna instytucji wobec TAO ewoluowała. Wczesni nabywcy postrzegali go jako spekulacyjny zakład na konwergencję narracji AI-krypto. Nowsze zainteresowanie instytucjonalne, czego dowodem jest pojawienie się TAO w kilku zgłoszeniach funduszy kryptowalutowych oraz analiza klastrów portfeli on-chain od Nansen, traktuje go jako udział infrastrukturalny w zdecentralizowanym łańcuchu dostaw AI, który może stanowić realną konkurencję dla scentralizowanych dostawców inferencji, gdy komodytyzacja modeli przyspieszy. To, czy ta teza się potwierdzi, zależy od tego, czy jakość wyników sieci będzie nadal rosnąć oraz czy zewnętrzna konsumpcja będzie rosła szybciej niż wewnętrzne „farmienie” emisji. Oba te warunki obecnie rozwijają się w pożądanym kierunku, choć żaden nie jest gwarantowany.
Read Next: LUNC Price Climbs 6.5% While Terra Luna Classic Community Targets Higher Burns
Conclusion
Pojawienie się Bittensora jako sieci o wartości 2,7 mld USD stanowi coś autentycznie nowego zarówno w branży AI, jak i w ekosystemie kryptowalut. Zbudował on funkcjonujący rynek inteligencji maszynowej, który działa bez korporacyjnego kontrolera, wycenia wyniki AI w czasie rzeczywistym za pomocą mechanizmu konsensusu i dystrybuuje nagrody ekonomiczne dla kontrybutorów na podstawie mierzalnej wydajności, a nie własności udziałów czy umów o pracę. Te właściwości są istotne z punktu widzenia architektury, niezależnie od tego, co stanie się z ceną TAO w następnym kwartale.
Rozszerzenie protokołu do 64 subnetów przekształciło go z eksperymentu jednego zadania w zróżnicowany rynek AI, w którym każdy subnet rozwija własną logikę walidacji dostosowaną do charakteru swojego zadania.
Pozostające wyzwania są realne: wykorzystywanie prawa Goodharta na źle zaprojektowanych subnetach, postępująca centralizacja walidatorów oraz nierozstrzygnięta postawa regulacyjna w Stanach Zjednoczonych stanowią istotne ryzyka, które inwestorzy i deweloperzy powinni uważnie rozważyć. Żadne z nich nie jest unikalne dla Bittensora, ale żadne też nie jest trywialne.
To, co ostatecznie przetestuje trajektorię Bittensora do 2026 roku, to pytanie, czy w pełni zdecentralizowany mechanizm produkcji może utrzymać jakość wyników AI na skalę bez przewag koordynacyjnych, którymi dysponują scentralizowane laboratoria. Empiryczne dane z wykorzystania API Corcela oraz publicznie pobieranych wag modeli Macrocosmos sugerują, że sieć może osiągnąć użyteczny próg jakości. Czy zdoła osiągnąć próg jakości czołowej, taki który uczyni ją konkurencyjną wobec wyników najlepiej dofinansowanych laboratoriów AI na świecie, pozostaje otwartym pytaniem, które zdefiniuje kolejny rozdział rozwoju protokołu.