Poważni inwestorzy AI są już w Bittensorze. Oto, co wiedzą

Bittensor (TAO) jest jednym z najbardziej intelektualnie ambitnych projektów w świecie krypto – to blockchain, który próbuje zamienić sztuczną inteligencję w rynek towarowy, wyceniając inteligencję maszynową poprzez zachęty tokenowe, a nie korporacyjne kontrakty na usługi.

Pod koniec kwietnia 2026 r. jego kapitalizacja rynkowa przekracza 2,4 mld USD, plasuje się wśród 40 największych aktywów według kapitalizacji, a liczba subnetów rozrosła się z jednej jednorodnej sieci do ponad 60 wyspecjalizowanych podsieci w niecałe dwa lata.

Ambicja i kapitalizacja nie są jednak tym samym, co działająca infrastruktura. Kluczowe pytanie, do którego wracają poważni badacze, brzmi: czy projektowany system zachęt Bittensora faktycznie prowadzi do powstawania lepszych modeli AI, czy raczej generuje wyrafinowane farmienie nagród przez górników, którzy nauczyli się wykorzystywać system punktacji walidatorów. Odpowiedź, wyprowadzona z danych on-chain, literatury akademickiej i dokumentacji protokołu, jest bardziej zniuansowana, niż chcieliby to przyznać zarówno byki, jak i niedźwiedzie.

TL;DR

Architektura subnetów Bittensora szybko skalowała się do ponad 60 wyspecjalizowanych sieci, ale koncentracja walidatorów i nieprzejrzystość systemu punktacji pozostają strukturalnym ryzykiem dla jakości wyników.

Dane on-chain pokazują, że przepływ emisji TAO jest mocno przekierowany do niewielkiej liczby walidatorów z wysokim stakem, co tworzy presję centralizacyjną sprzeczną z tezą protokołu o otwartym rynku.

Długoterminowa propozycja wartości protokołu zależy od tego, czy zewnętrzny popyt na wyniki subnetów będzie w stanie przewyższyć wewnętrzne farmienie nagród – pytanie, na które dane z 2026 r. dopiero zaczynają odpowiadać.

1. Czym właściwie jest Bittensor i dlaczego trudno go sklasyfikować

Bittensor wymyka się prostym kategoriom. Nie jest to hype’owy token AI powiązany z jednym modelem czy API. To warstwowy protokół, który próbuje zbudować zdecentralizowany rynek dla uczenia maszynowego, gdzie górnicy uruchamiają modele AI, a walidatorzy oceniają ich wyniki, przy czym nagrody w TAO są dystrybuowane proporcjonalnie do jakości wytworzonej inteligencji.

Fundamentalny artykuł Jacoba Steevesa i Ali Shaabany, opublikowany przez Opentensor Foundation, opisuje system jako „metodę uczenia maszynowego, która nagradza uczestników sieci za tworzenie wartości dla sieci”. Ta wartość jest operacjonalizowana poprzez system wzajemnego rangowania o nazwie Yuma Consensus, w którym walidatorzy oceniają wyniki górników i ważoną stakiem agregacją rankingów dochodzą do konsensualnego wyniku.

Mechanizm Yuma Consensus został zaprojektowany tak, aby żaden pojedynczy walidator nie mógł jednostronnie przekierować emisji, ale koncentracja stake’u wśród małej grupy walidatorów tworzy w praktyce podobny efekt.

Krytyczny wgląd architektoniczny jest taki, że Bittensor sam w sobie nie trenuje ani nie hostuje modeli AI. Tworzy ruszt zachęt, by robili to inni, a następnie wycenia wyniki on-chain. Const Demian, kluczowy współtwórca Opentensor, opisał sieć jako „rynek inteligencji, a nie dostawcę inteligencji”. To rozróżnienie ma ogromne znaczenie przy ocenie, czy system działa.

Also Read: What the Decentralized Web Is, How It Works, and Why It Matters Now

Eksplozja subnetów – liczby stojące za wzrostem

Najbardziej widocznym sygnałem dojrzewania Bittensora jest liczba subnetów. Pierwotna sieć wystartowała jako jedna, jednorodna przestrzeń, w której wszyscy górnicy konkurowali na tym samym zadaniu. W listopadzie 2023 r. Opentensor Foundation wprowadziła framework subnetów, pozwalający dowolnemu zespołowi zarejestrować wyspecjalizowaną podsieć z własnymi zasadami zachęt, logiką walidatorów i definicjami zadań dla górników.

Do kwietnia 2026 r. sieć hostuje ponad 64 zarejestrowane subnety. Zakres obejmuje od Subnetu 1 (tekstowe prompting, oryginalna sieć) po wyspecjalizowane sieci zajmujące się przewidywaniem fałdowania białek, świadczeniem usług storage, dostarczaniem danych finansowych, zdecentralizowanym tłumaczeniem, prognozowaniem szeregów czasowych oraz generowaniem obrazów AI. Każdy subnet działa półautonomicznie, ustalając własne kryteria punktacji, jednocześnie korzystając ze wspólnej puli emisji TAO przydzielanej przez walidatorów sieci głównej.

Liczba rejestracji subnetów wzrosła z 32 do 64 w około 12 miesięcy – tempo podwojenia szybsze niż najbardziej optymistyczne prognozy w roadmapie protokołu na 2023 r.

Koszt rejestracji slotu subnetu ustalany jest poprzez dynamiczny mechanizm aukcyjny. W szczycie popytu pod koniec 2025 r. rejestracja kosztowała ponad 100 TAO za slot, czyli około 25 000 USD przy ówczesnych cenach. Ta bariera była zamierzona: Opentensor Foundation zaprojektowała ją tak, aby odfiltrować niskojakościowe forki, pozostawiając wejście otwarte dla rzeczywiście dokapitalizowanych zespołów. Czy filtruje po jakości, czy jedynie po kapitale – to osobne i ważne pytanie.

Also Read: Top Crypto Exchanges Mandate AI Tools, Track Token Use As KPI: Report

Jak działa Yuma Consensus i gdzie może się załamać

Yuma Consensus jest matematycznym silnikiem, który zamienia opinie walidatorów na nagrody dla górników. Zrozumienie go jest konieczne, by ocenić, czy wyniki Bittensora odzwierciedlają rzeczywistą jakość inteligencji, czy są podatne na skoordynowaną manipulację.

Każdy walidator w subnecie tworzy wektor wag, przypisując oceny wszystkim górnikom, których przeanalizował. Sieć następnie bierze ważoną stakiem kombinację tych wektorów, aby otrzymać końcowy ranking. Algorytm Yuma stosuje korektę inspirowaną wartością Shapleya, która karze walidatorów nadmiernie odstających od konsensu, zachęcając do uczciwego raportowania. Górnicy, których wyniki zajmują wysokie pozycje, otrzymują większy udział w emisji TAO danego subnetu.

Korekta Shapleya w Yuma Consensus tworzy równowagę Nasha, w której uczciwe raportowanie jest teoretycznie strategią dominującą, ale równowaga ta utrzymuje się tylko wtedy, gdy stake walidatorów jest na tyle rozproszony, by uniemożliwić zmowę dużych udziałowców.

Literatura teoretyczna z zakresu projektowania mechanizmów sugeruje, że mechanizmy peer-prediction takie jak Yuma działają dobrze, gdy oceniający mają niezależny sygnał i nie mogą się koordynować. W Bittensorze oba te warunki są pod presją. Stake walidatorów jest skoncentrowany, a publiczny charakter blockchaina oznacza, że duzi walidatorzy mogą obserwować swoje historyczne wektory wag przed złożeniem własnych.

Yanislav Malahov, niezależny badacz projektowania mechanizmów, który publikował komentarze na temat architektury Bittensora, zauważył, że koncentracja stake’u jest największym strukturalnym ryzykiem dla uczciwych wyników punktacji.

Also Read: Why Hyperliquid Runs A DEX Without Any Other Blockchain Underneath

Koncentracja walidatorów – problem centralizacji, o którym mało kto chce mówić

Dane on-chain z Taostats pokazują konkretny obraz dystrybucji walidatorów, istotny dla każdej poważnej analizy. W kwietniu 2026 r. 10 największych walidatorów według wagi stake’u kontroluje około 65% mocy głosów sieci głównej, według taostats.io. Trzech największych walidatorów odpowiada za około 38% łącznego, ważonego stake’iem wpływu na alokację emisji między subnetami.

Ta koncentracja ma bezpośrednie konsekwencje. Walidatorzy sieci głównej decydują, jaki udział całkowitej emisji TAO otrzymuje każdy subnet, de facto pełniąc rolę zarządzających portfelem dla całego ekosystemu. Subnet, który nie zbuduje relacji z czołowymi walidatorami, ryzykuje marginalną emisją niezależnie od rzeczywistej jakości swoich wyników AI.

Dziesięciu największych walidatorów kontroluje około 65% mocy głosów sieci głównej Bittensora, tworząc dynamikę zarządzania bardziej przypominającą oligopol delegated proof-of-stake niż otwarty rynek towarowy AI.

Opentensor Foundation przyznała istnienie problemu koncentracji i wprowadziła w końcówce 2025 r. mechanizmy delegacji „childkey”, pozwalające dużym walidatorom delegować specyficzne dla subnetów ocenianie na wyspecjalizowanych sub-operatorów.

To częściowo łagodzi wąskie gardło kompetencyjne (pojedynczy walidator nie jest w stanie sensownie oceniać wyników AI w 64 różnych domenach technicznych), ale nie rozwiązuje podstawowej koncentracji stake’u. Ekonomiczne zachęty dla dużych walidatorów, by pozostawać dużymi, są samowzmacniające poprzez składane zyski z emisji TAO.

Also Read: What Is Bittensor? How TAO Turns AI Models Into A Decentralized Market

Co subnety faktycznie produkują

Poza mechaniką tokenów, najbardziej ugruntowane pytanie brzmi: co subnety Bittensora faktycznie produkują. Jakość dramatycznie różni się w zależności od dojrzałości subnetu i projektu systemu zachęt.

Subnet 1, oryginalna sieć tekstowego promptingu, został zbenchmarkowany względem komercyjnych dostawców API. W niezależnych ewaluacjach opublikowanych na GitHubie zagregowane wyniki subnetu wypadają porównywalnie z otwartoźródłowymi modelami klasy Mistral 7B, ale konsekwentnie poniżej modeli czołowych, takich jak GPT-4o czy Claude 3.5 Sonnet, na standardowych benchmarkach wnioskowania.

To w przybliżeniu to, co sugeruje projekt protokołu: nagrody w TAO są kalibrowane do wewnętrznego konsensusu sieci, a nie do zewnętrznych benchmarków, więc górnicy optymalizują pod aprobatę walidatorów, a nie pod wyniki MMLU.

Zagregowane wyniki tekstowe Subnetu 1 wypadają porównywalnie z modelami klasy Mistral 7B, lecz poniżej czołowych komercyjnych API – luka ta odzwierciedla wewnętrzne zachęty punktacyjne protokołu, a nie fundamentalne ograniczenie jakości zdecentralizowanej AI.

Subnet 9, skupiony na kontrybucji danych do pretreningu, stanowi bardziej technicznie interesujący przypadek. Macrocosmos, zespół zarządzający Subnetem 9, opublikował metodologię pokazującą, że górnicy dostarczają dane tekstowe w skali internetu, które są wykorzystywane do trenowania publicznego modelu bazowego, przy czym nagrody TAO są przydzielane na podstawie nowości danych oraz ocen ich jakości.

Powstały w ten sposób model, aktualizowany w sposób ciągły on-chain, stanowi realną próbę decentralizacji etapu pretrenowania. Niezależni badacze donieśli w pierwszym kwartale 2026 r., że model Subnetu 9 osiągnął konkurencyjne wyniki perplexity na standardowych benchmarkach modelowania językowego, co sugeruje, że przynajmniej niektóre subnety generują technicznie znaczące wyniki AI.

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

Każdy system bodźców mierzy się z optymalizacją w warunkach adversarialnych i Bittensor nie jest tu wyjątkiem. Problem reward-farmingu w Bittensorze został szeroko udokumentowany w publicznych zgłoszeniach na GitHubie protokołu oraz w dyskusjach na forach.

Główny wektor ataku jest prosty. Ponieważ walidatorzy oceniają górników za pomocą zautomatyzowanych pipeline’ów, górnicy, którzy rozumieją logikę punktowania walidatora, mogą projektować wyniki maksymalizujące oceny bez generowania rzeczywiście użytecznej inteligencji. Jest to analogiczne do „gimnastykowania” SEO, polegającego na optymalizacji pod miarę zamiast pod rzeczywistą wartość, którą ta miara ma odzwierciedlać. Na Subnecie 1 badacze zidentyfikowali przypadki, gdy górnicy serwowali zcache’owane odpowiedzi na znane zapytania walidatorów, całkowicie omijając właściwy etap inferencji.

Reward-farming poprzez serwowanie zcache’owanych odpowiedzi oraz inżynierię wsteczną logiki punktowania został udokumentowany na wielu subnetach Bittensora, w tym na Subnecie 1, co stanowi bezpośredni atak na tezę protokołu o jakości inteligencji.

Odpowiedzią Opentensor Foundation było zwiększanie różnorodności zapytań i losowości w logice walidatorów, co utrudnia górnikom pre-cachowanie odpowiedzi na przewidywalne prompty. Jest to jednak dynamika wyścigu zbrojeń. W miarę jak logika walidatorów staje się coraz bardziej złożona, rośnie bariera uczciwego uczestnictwa, stawiając w gorszej pozycji małych górników, którzy nie dysponują wystarczającymi zasobami inżynieryjnymi, by nadążyć.

Nucleus.ai, grupa badawcza, która opublikowała analizę przepływów bodźców w Bittensorze, oszacowała na początku 2026 r., że pomiędzy 15% a 25% emisji Subnetu 1 trafiało do górników wykazujących wzorce zachowań zgodne z reward-farmingiem, a nie z rzeczywistą inferencją. Ten przedział jest obarczony niepewnością, ale nawet jego dolna granica jest istotna.

Also Read: Tokenomics and Its Importance for Crypto Investors

TAO Tokenomics And The Emission Sustainability Question

Tokenomia TAO jest strukturalnie podobna do Bitcoina (BTC) pod jednym istotnym względem: istnieje twardy limit 21 milionów tokenów, a emisja ulega halvingowi mniej więcej co cztery lata. Pierwszy halving TAO miał miejsce w styczniu 2025 r., zmniejszając emisję per blok z 1,0 TAO do 0,5 TAO. Na kwiecień 2026 r. wybito około 8,2 miliona TAO, co stanowi około 39% całkowitej podaży.

Dynamika halvingu tworzy celową presję deflacyjną na koszty uczestnictwa w sieci w czasie. Wcześni górnicy i walidatorzy zdobywali TAO przy wysokich poziomach emisji; przyszli uczestnicy będą działać przy niższej podaży nowych tokenów. Odzwierciedla to problem budżetu bezpieczeństwa Bitcoina: w miarę spadku emisji protokół musi generować wystarczające zewnętrzne przychody z opłat lub wzrost ceny tokena, aby utrzymać bodźce do uczestnictwa.

Przy około 39% z hardcapu 21 milionów TAO już w obiegu i emisji zmniejszającej się o połowę co cztery lata, protokół staje wobec tego samego długoterminowego pytania o budżet bezpieczeństwa co Bitcoin, wymagając zewnętrznego popytu zamiast czystych bodźców emisyjnych do podtrzymania uczestnictwa.

Kapitalizacja rynkowa na poziomie 2,4 mld USD z końca kwietnia 2026 r. implikuje znaczącą wiarę rynku w materializację tego zewnętrznego popytu. Obecny obraz przychodów jest jednak skromny. Bittensor nie pobiera w ustandaryzowany sposób opłat API za konsumpcję wyników subnetów. Poszczególne zespoły subnetów mogą – i faktycznie to robią – monetyzować swoje wyniki na zewnątrz (na przykład Macrocosmos z Subnetu 9 ma partnerstwa korporacyjne), ale sam token TAO nie przechwytuje opłat z tych komercyjnych relacji. Teza tokenomiki opiera się na tym, że TAO stanie się aktywem rezerwowym zdecentralizowanej gospodarki AI, co jest argumentem kolistym, zależnym od adopcji.

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

How Bittensor Compares To Other Decentralized AI Approaches

Bittensor nie funkcjonuje w próżni. Pojawiło się kilka konkurencyjnych podejść do zdecentralizowanej AI, każde z innymi założeniami architektonicznymi co do tego, gdzie powinno następować przechwytywanie wartości.

Ritual, zdecentralizowana sieć inferencji AI, przyjmuje podejście warstwy kontraktowej: smart kontrakty mogą wywoływać inferencje modeli AI on-chain, z kryptograficznymi dowodami poprawnego wykonania. Modulus Labs opublikowało podstawowe prace nad dowodami zerowej wiedzy dla inferencji sieci neuronowych (zkML), stos technologiczny, na którym opiera się Ritual. Kluczową różnicą względem Bittensora jest to, że systemy oparte na zkML zapewniają kryptograficzną weryfikowalność wyników modelu, podczas gdy Bittensor opiera się na konsensusowym punktowaniu, które nie jest w stanie udowodnić, że górnik rzeczywiście poprawnie uruchomił konkretny model.

Gensyn, inny konkurent, koncentruje się na weryfikowalnym obliczaniu na potrzeby trenowania AI, a nie inferencji, wykorzystując probabilistyczny system dowodów do potwierdzania, że przebieg treningu został wykonany poprawnie. Rozwiązuje to problem „czy górnik faktycznie uruchomił model?”, na który mechanizm konsensusu Bittensora odpowiada jedynie w sposób niedoskonały poprzez ocenę behawioralną.

Kryptograficzna weryfikowalność (zkML, dowody optymistyczne) stanowi zasadniczo silniejszą gwarancję jakości niż podejście Bittensora oparte na konsensusowym punktowaniu, ale wiąże się z 10–100x wyższym kosztem obliczeniowym na inferencję przy obecnych kosztach generowania dowodów.

Trade-off jest realny. Podejścia kryptograficzne są weryfikowalnie uczciwe, ale obliczeniowo drogie. Konsensusowe podejście Bittensora jest obliczeniowo tanie, ale tylko probabilistycznie uczciwe. Dla masowych, niskostawkowych zadań inferencji podejście Bittensora może być pragmatycznym wyborem. Dla zastosowań wysokiej wagi, wymagających audytowalności, systemy oparte na zkML mają strukturalną przewagę. Rynek wydaje się dywergować odpowiednio: Bittensor podąża za wolumenem i szerokim zakresem zastosowań, podczas gdy sieci zkML celują w regulowane zastosowania korporacyjne.

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

Jednym z bardziej wiarygodnych wskaźników wyprzedzających kondycję protokołu jest aktywność deweloperska, ponieważ kapitał spekulacyjny może odpłynąć z dnia na dzień, natomiast momentum inżynieryjne potrzebuje czasu, by się zbudować i czasu, by wygasnąć.

Organizacja Bittensora na GitHubie w swoich kluczowych repozytoriach pokazuje stabilną aktywność commitów w 2025 i na początku 2026 r. Główne repozytorium SDK „bittensor” notowało średnio ponad 150 commitów miesięcznie w pierwszym kwartale 2026 r., a „subtensor” (węzeł blockchain napisany w Rust) jest aktywnie rozwijany w obszarze funkcjonalności kluczy potomnych walidatorów oraz ulepszeń zarządzania siecią root.

Raport deweloperski Electric Capital z 2025 r. wymienił Bittensor wśród protokołów o najwyższym rok-do-roku wzroście liczby miesięcznie aktywnych deweloperów wśród projektów blockchainowych zorientowanych na AI, choć wartości bezwzględne pozostają skromne w porównaniu z ugruntowanymi platformami smart kontraktów.

Dane deweloperskie Electric Capital z 2025 r. umieściły Bittensor wśród najszybciej rosnących projektów blockchainowych zorientowanych na AI pod względem liczby miesięcznie aktywnych deweloperów, choć jego bezwzględna baza deweloperska pozostaje znacząco poniżej Ethereum (ETH) czy Solany (SOL).

Finansowanie ekosystemu było znaczące. Opentensor Foundation prowadziła liczne programy grantów subnetowych, dystrybuując TAO bezpośrednio do zespołów budujących nowe podsieci. Na poziomie subnetów pojawił się także zewnętrzny kapitał VC: Multicoin Capital, Pantera Capital oraz Andreessen Horowitz ujawniły pozycje w projektach powiązanych z Bittensorem. Szacuje się, że łączny kapitał venture ulokowany w ekosystemie – poprzez bezpośrednie pozycje w TAO oraz finansowanie zespołów subnetów – przekroczył 150 mln USD do końca 2025 r., co odzwierciedla realne przekonanie instytucjonalne, nawet uwzględniając spekulacyjną premię, jaką w tym okresie cieszyły się narracje AI.

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

The Verdict, What The Data Says About Whether It Works

Po przeanalizowaniu architektury protokołu, danych on-chain, aktywności deweloperskiej oraz krajobrazu konkurencyjnego, uczciwa odpowiedź na pytanie postawione w tytule tego tekstu brzmi: częściowo i nierówno.

Framework subnetów wykazał realną zdolność do organizowania ludzkiego wysiłku i zasobów obliczeniowych wokół zadań AI. Publicznie zbenchmarkowane kontrybucje pretrenowania Subnetu 9, sieć scrapingu danych Dataverse w Subnecie 13 oraz subnety Oracle dostarczające strumienie danych finansowych pokazują, że zespoły są w stanie zbudować technicznie znaczącą infrastrukturę AI wewnątrz skorupy bodźców Bittensora. Protokół nie jest fikcją. Generuje realną pracę obliczeniową i realne wyniki modeli.

Jednocześnie, walidatorkoncentracja, udokumentowane „reward-farming” oraz brak kryptograficznej weryfikacji wyników nie są błahymi słabościami. To kluczowe elementy konstrukcyjne. Mechanizm konsensusu Yuma działa zgodnie z projektem przy założeniu rozproszonych, niezależnych walidatorów. To założenie nie jest obecnie spełnione. Wskaźnik koncentracji – 10 największych walidatorów posiadających 65% mocy głosów w sieci root – to liczba, którą protokół musi obniżyć poprzez iteracje zarządzania (governance), aby potwierdzić swoją długoterminową tezę.

Najważniejszą liczbą w przyszłości Bittensora nie jest cena TAO ani liczba subnetów, lecz tempo spadku koncentracji stake’u walidatorów w sieci root, ponieważ ten pojedynczy parametr determinuje, czy Yuma Consensus generuje rzeczywiste sygnały jakości AI, czy jedynie skoordynowany przydział nagród.

Kwestia tokenomiki jest najbardziej strukturalnie niepewna. Harmonogram emisji z twardym limitem, zapożyczony z Bitcoina, działa jako budżet bezpieczeństwa, gdy opłaty za bloki stopniowo zastępują emisję – tak jak stało się to w Bitcoinie.

W przypadku Bittensora analogiczny mechanizm wymaga, by zewnętrzny popyt przedsiębiorstw na wyniki subnetów wzrósł dramatycznie przed kolejnym halvingiem w 2029 roku, który dodatkowo skompresuje zachęty dla górników. Ten popyt istnieje w formie prototypowej, ale jeszcze nie w skali wymaganej do utrzymania sieci o wartości 2,4 miliarda dolarów wyłącznie z przychodów z opłat. Obecna kapitalizacja rynkowa jest częściowo zakładem na przyszły popyt, częściowo zakładem na premię narracji AI i tylko częściowo odzwierciedleniem bieżącej, produktywnej produkcji.

Wnioski

Bittensor jest jak dotąd najpoważniejszą próbą zastosowania bitcoinowego mechanizmu bodźców do produkcji sztucznej inteligencji. Jego architektura subnetów skalowała się szybciej, niż przewidywało większość analityków, społeczność deweloperów rośnie, a przynajmniej znacząca część jego sieci generuje technicznie wiarygodne wyniki AI. Pozycja TAO w pierwszej czterdziestce pod względem kapitalizacji rynkowej i wycena na poziomie 2,4 miliarda dolarów odzwierciedlają realne instytucjonalne uznanie dla tej ambicji.

Jednak szybki wzrost i niezawodne działanie to różne osiągnięcia. Problem koncentracji walidatorów, udokumentowana obecność zachowań typu reward-farming oraz nierozstrzygnięta kwestia tego, jak protokół utrzyma zachęty dla górników po przyszłych halvingach bez dużej, zewnętrznej bazy przychodów z opłat, nie są przypadkami brzegowymi, które można zignorować.

To podstawowe napięcia projektowe, których Bittensor jeszcze nie rozwiązał, nawet jeśli stworzył ramy do ich adresowania. Najuczciwsze intelektualnie ujęcie Bittensora w kwietniu 2026 roku jest takie, że to działający eksperyment w rynkowej produkcji AI, który przeszedł pierwszy próg wiarygodności (generuje rzeczywiste wyniki z realnego compute’u), ale nie przeszedł jeszcze drugiego (generuje wyniki, które są weryfikowalnie lepsze lub tańsze niż scentralizowane alternatywy, w skali wystarczającej do uzasadnienia jego ekonomiki na poziomie całej sieci).

To, czy w ciągu następnych dwóch lat uda się pokonać ten drugi próg, będzie zależeć mniej od cyklu narracji wokół AI, a bardziej od decyzji inżynieryjnych, które Fundacja Opentensor podejmie w kwestii decentralizacji walidatorów oraz kierowania zewnętrznych przychodów. Jest to kwestia węższa i bardziej uchwytna, niż sugerują krytycy protokołu, ale też trudniejsza, niż przyznają jego zwolennicy.