Три года назад Bittensor (TAO) был техническим курьезом, о котором в основном говорили в исследовательских каналах по машинному обучению и на малоизвестных криптофорумах.
Сегодня его рыночная капитализация превышает $2,7 млрд, он включает 64 активных подсети и, возможно, представляет собой самую амбициозную попытку в блокчейн‑индустрии превратить производство искусственного интеллекта в рыночный товар, в котором может участвовать любой желающий. И то, что большинству наблюдателей на крипторынке до сих пор трудно внятно объяснить, чем именно он занимается, во многом и есть суть происходящего.
Сеть выросла без централизованной AI‑лаборатории, без собственного дата‑центра и без единой управляющей корпорации. Вместо этого она работает на основе новой системы стимулов, где модели машинного обучения соревнуются друг с другом за вновь создаваемые токены TAO, а валидаторы оценивают их выводы и распределяют награды соответственно.
Этот механизм, простой в теории и по‑настоящему сложный на практике, и разбирается в этом материале с нуля.
TL;DR
- Bittensor управляет децентрализованным AI‑маркетплейсом, где модели машинного обучения зарабатывают TAO на основе измеримой информационной ценности, которую они предоставляют сети валидаторов.
- Протокол эволюционировал от одной монолитной сети к 64 специализированным сабнетам, каждый из которых нацелен на отдельную AI‑задачу — от генерации текста до предсказания структуры белков и финансовых рынков.
- При рыночной капитализации $2,7 млрд и суточном объеме торгов свыше $260 млн TAO стал одним из самых ликвидных AI‑токенов в крипте, хотя механика его оценки по‑прежнему слабо понимается участниками рынка.
Что такое Bittensor на самом деле и почему его так сложно объяснить
Главная причина, по которой Bittensor остается недооцененным и слабо проанализированным, — он не вписывается ни в одну привычную криптокатегорию. Это не блокчейн первого уровня, конкурирующий с Ethereum (ETH) по пропускной способности. Это не DeFi‑протокол, оптимизирующий эффективность капитала. Это не NFT‑платформа и не мем‑коин. В наиболее точных терминах это децентрализованный рынок машинного интеллекта, построенный поверх блокчейна на Substrate.
Оригинальный whitepaper, написанный Джейкобом Робертом Стивсом (Jacob Robert Steeves) и Алой Шаабаной (Ala Shaabana) и впервые опубликованный в 2021 году, формулирует ключевую проблему предельно прямо. Развитие AI контролируется небольшим числом вертикально интегрированных компаний, которые одновременно управляют данными для обучения, вычислительной инфраструктурой и развертыванием моделей.
Такая концентрация приводит к тому, что почти вся экономическая стоимость, созданная AI, оседает у этих игроков. Предлагаемое Bittensor решение — декомпозировать производственную цепочку AI на отдельные вклады и оценивать каждый из них с помощью нативного для блокчейна токена.
В whitepaper Bittensor прямо утверждается, что интеллект AI — как и пропускная способность или вычислительные ресурсы — должен рассматриваться как товар, который рынки смогут эффективно оценивать, как только будут созданы правильные стимулы.
Базовый блокчейн Bittensor построен на фреймворке Substrate от Polkadot, что обеспечивает модульный рантайм и позволяет обновлять протокол через ончейн‑управление без хардфорков. Валидаторы в сети запускают функции скоринга, оценивая ответы майнеров, которые запускают модели машинного обучения. Консенсус валидаторов определяет, как новые токены TAO распределяются между участниками.
Принципиально важно, что скоринг не произволен: валидаторы, которые сговариваются и завышают награды слабым моделям, сами штрафуются через механизм yuma consensus, формально описанный в технической документации, которую команда опубликовала.
Также читайте: Hyperliquid’s HYPE Token Near $41 With $9.7B Market Cap And Active DEX Volume
Консенсусный движок Yuma и как майнеры получают вознаграждение
Чтобы понять логику распределения наград в Bittensor, необходимо разобраться в yuma consensus — это механизм, который отличает сеть от более простых схем proof‑of‑work и proof‑of‑stake. Ключевая проблема, которую он решает, такова: если валидаторы могут свободно назначать веса майнерам, у них возникает сильный стимул сговориться с конкретными майнерами и забирать непропорционально большую долю эмиссии. Yuma consensus выравнивает стимулы валидаторов, делая их собственную награду зависимой от того, насколько их оценки совпадают с медианной оценкой всей сети.
На практике валидатор, который стабильно высоко оценивает низкокачественного майнера, будет заметно отклоняться от медианной весовой матрицы, по которой сходится сеть.
Это отклонение уменьшает долю эмиссии, которую получает сам валидатор. Формальный механизм описывает штрафную функцию, в которой размер снижения награды масштабируется с расстоянием от консенсуса. Это создает самокорректирующее давление в сторону честной оценки без необходимости в централизованном арбитре.
В yuma consensus валидаторы зарабатывают меньше TAO за каждую единицу отклонения их весов от консенсусной матрицы сети, напрямую связывая их доход с честностью оценивания.
Майнеры, напротив, соревнуются исключительно качеством вывода. Майнер, запускающий языковую модель в текстовом сабнете, получает запрос от валидатора, возвращает ответ, а валидатор оценивает этот ответ на основе собственной внутренней метрики качества.
Суммарный балл, который майнер набирает по всем валидаторам, определяет его долю эмиссии в каждом блоке. Opentensor Foundation, некоммерческая организация, поддерживающая основной код, открыла исходники всего протокольного стека, так что любой желающий может проверить, как именно рассчитывается эмиссия.
Также читайте: Bitget CFD Volume Hits $8B Daily As Gold Drives 95% Of Gain
От одной сети к 64 сабнетам: архитектурный сдвиг, изменивший все
Изначально сеть Bittensor представляла собой один сабнет, сфокусированный на интеллектах языковых моделей. Каждый майнер запускал модель текстового дополнения, а валидаторы оценивали выводы, сравнивая их между собой. Эта схема работала как proof of concept, но создавала критическое узкое место: сеть могла оптимизироваться только под один тип AI‑задач за раз, и доминирующая задача определялась тем, кто запускал больше всего вычислительных ресурсов.
Архитектура сабнетов, внедренная через серию предложений по управлению, начиная с конца 2023 года, радикально это изменила.
Вместо одного глобального соревнования протокол теперь поддерживает до 1 024 логически независимых подсетей, каждая со своим набором валидаторов, собственной функцией скоринга и собственной долей эмиссии. Сабнеты соревнуются за часть общей эмиссии TAO через механизм регистрации, а операторы сабнетов сами задают правила, которым должны следовать их майнеры.
По состоянию на май 2026 года в основной сети Bittensor работают 64 активных сабнета, покрывающих задачи от децентрализованного хранения и прогнозирования финансовых временных рядов до предсказания структуры белков и распределенной текст‑to‑image генерации.
Экономические последствия этого сдвига значительны. Каждый сабнет — по сути, микрорынок для конкретного вида интеллекта. Сабнет 1 остается оригинальной сетью текст‑промптинга. Сабнет 9, управляемый Macrocosmos, фокусируется на совместном предобучении крупных языковых моделей. Сабнет 21, которым руководит Omega Labs, агрегирует мультимодальные данные. Разнообразие задач означает, что эмиссия TAO теперь распределяется между гораздо более широким кругом AI‑участников, чем могла бы поддержать архитектура с одной моделью. В отчете разработчиков Electric Capital developer report Bittensor отмечается как одна из самых быстрорастущих экосистем разработчиков в крипте за последние 18 месяцев: ежемесячное число активных контрибьюторов в GitHub‑репозитории протокола выросло более чем на 200% в годовом выражении.
Также читайте: Pudgy Penguins’ PENGU Token Holds $616M Market Cap Despite 2% Pullback
Токеномика TAO и биткоиноподобная эмиссия
Дизайн токена Bittensor сознательно заимствует архитектуру предложения у Bitcoin (BTC) — и это сходство не поверхностно. У TAO жесткий лимит в 21 млн токенов. График эмиссии предполагает халвинг примерно раз в четыре года; последний произошел в конце 2025 года и сократил суточный выпуск примерно с 7 200 TAO до около 3 600 TAO в день.
Эта дефляционная траектория предложения — ключевой элемент того, как создатели протокола ожидают роста стоимости токена по мере увеличения спроса на AI‑сервисы.
На момент написания TAO торгуется примерно по $282 при оборотной капитализации в $2,7 млрд.
В обращении находится около 8,9 млн TAO, то есть выпущено приблизительно 42% максимального предложения. Пост‑халвинговый темп эмиссии означает, что выпуск новых TAO достаточно низок, чтобы даже умеренный рост спроса оказывал заметное повышающее давление на цену.
Пост‑халвинговая эмиссия TAO на уровне около 3 600 токенов в день означает, что годовой объем нового предложения на рынок составляет менее $370 млн по текущим ценам — довольно сдержанный темп выпуска для протокола с ежедневным торговым объемом в сотни миллионов долларов.
Эмиссия делится между тремя категориями стейкхолдеров. Майнеры получают 41% каждой блоковой эмиссии. Валидаторы — 41%. Оставшиеся 18% направляются владельцам сабнетов, которые застейкали TAO для регистрации своей подсети. Такое трехстороннее распределение призвано обеспечить экономическую жизнеспособность всех трех ролей одновременно. Операторы сабнетов, которым не удается привлечь качественных майнеров, не получают выгоды от эмиссии, несмотря на свой стейк, что создает прямой стимул... стимулировать создание по-настоящему полезных AI‑задач, а не пустых сабнетов, собирающих комиссии.
Also Read: Toncoin Gains 5% With $3.8B Market Cap While Telegram Ecosystem Activity Expands
Как валидаторы на самом деле оценивают вывод ИИ: техническая реальность
Одно из самых распространённых замечаний технических наблюдателей о Bittensor заключается в том, что задача скоринга сложна. Как валидатору понять, что вывод одной языковой модели лучше, чем другой, не имея доступа к истинным меткам (ground truth)?
Это нетривиальный вопрос, и разные сабнеты протокола выработали по-настоящему разные ответы в зависимости от характера AI‑задачи, которую они оптимизируют.
В текстовых сабнетах валидаторы обычно используют комбинацию оценок эталонной модели и прокси человеческих предпочтений. Валидатор, запускающий Subnet 1, может передать запрос нескольким майнерам, собрать ответы, а затем оценить эти ответы с помощью собственной внутренней эталонной модели. Оценки относительные: майнер, чей вывод признан лучше медианного майнера, получает положительный скор.
В Subnet 9, который фокусируется на предобучении, валидация более объективна: валидаторы оценивают, улучшают ли веса модели, которые отправляет майнер, перплексию на отложенном датасете для оценки — измеряемом и воспроизводимом бенчмарке.
Сабнеты, ориентированные на проверяемые результаты, такие как предсказание структуры белка или генерация математических доказательств, могут использовать детерминированные функции валидации, что делает их более устойчивыми к сговору валидаторов, чем сугубо субъективные текстовые сабнеты, оценивающие качество.
Другие сабнеты приняли то, что сообщество называет валидацией в стиле «proof of work», когда сам вывод содержит криптографические доказательства затраченных вычислительных ресурсов. Это особенно актуально для сабнетов, ориентированных на распределённое обучение, где майнеры отправляют обновления градиентов, которые валидаторы могут проверить на честность вычислений с использованием техник из исследований по проверяемым вычислениям. Разнообразие механизмов валидации в разных сабнетах — это преимущество, а не недостаток: оно позволяет протоколу адаптировать логику скоринга к специфическим верификационным свойствам каждой AI‑задачи.
Also Read: Ondo Finance Jumps 13% While Real-World Asset Tokens Regain Momentum
Конкурентный ландшафт: кто на самом деле строит на Bittensor
Bittensor не существует в изоляции. Более широкая конвергенция AI и крипто породила несколько конкурирующих архитектур, каждая из которых предлагает собственную концепцию того, как должна работать децентрализованная ИИ‑система. Fetch.ai, SingularityNET и Ocean Protocol в 2024 году объединились в Artificial Superintelligence Alliance, создав объединённую токен‑экосистему с рыночной капитализацией, которая кратковременно превышала 3 млрд долларов.
Gensyn выбрал другой подход, сфокусировавшись исключительно на проверяемых вычислениях для обучения моделей, а не на создании полноценного маркетплейса. Render Network по‑прежнему доминирует на рынке децентрализованного GPU‑рендеринга, хотя её амбиции в области ИИ остаются более ограниченными.
Ключевое отличие Bittensor от этих конкурентов — глубина механизма стимулов. Большинство AI‑крипто‑проектов используют токен‑реварды как маркетинговый инструмент: платят разработчикам токенами, чтобы они строили на их платформе. Bittensor использует токен‑реварды как фактический производственный механизм: токены напрямую поступают моделям, которые создают измеримую ценность, а не разработчикам, которые эти модели написали. Это различие имеет огромное значение для качества AI‑выводов, которое сеть способна поддерживать со временем.
В отличие от большинства AI‑крипто‑проектов, которые вознаграждают разработчиков за то, что они строят на их платформе, Bittensor вознаграждает сами AI‑модели за производство измеримого качества вывода, создавая непрерывное давление на производительность, которое гранты разработчикам не в состоянии воспроизвести.
Анализ, опубликованный на arXiv в июне 2025 года, рассмотрел игровые (game‑theoretic) свойства нескольких децентрализованных дизайнов стимулов для ИИ и показал, что yuma‑консенсус Bittensor давал наименьший уровень сговора валидаторов в моделируемых средах по сравнению с более простыми схемами распределения наград.
В работе отмечалось, что эффективность механизма критически зависит от достаточно крупного и разнообразного набора валидаторов — условия, которое mainnet Bittensor в настоящее время выполняет на крупных сабнетах, но может не выполнять на мелких, зарождающихся.
Also Read: ASTEROID Token Rallies 14% While Retail Traders Chase Space-Themed Meme Coin Narrative
Экономика стейкинга и как TAO течёт по сети
Помимо разделения эмиссии между майнерами и валидаторами, в Bittensor существует сложная экономика стейкинга, которая определяет, как TAO циркулирует по сети. Валидаторы должны застейкать TAO, чтобы получить вес голоса в механизме консенсуса. Объём стейка определяет долю эмиссии, которую валидатор может распределять, что, в свою очередь, определяет, насколько этот валидатор привлекателен для майнеров, стремящихся максимизировать собственные награды.
Это создаёт гонку стейкинга, которая постепенно концентрирует власть валидаторов среди крупных держателей TAO.
Чтобы участвовать как делегатор, не запуская инфраструктуру валидатора, держатели TAO могут делегировать свой стейк существующим валидаторам через механизм, который сообщество называет «hotkey delegation». Делегаторы получают долю дохода от эмиссии валидатора пропорционально своему стейку за вычетом комиссии, которую валидаторы устанавливают конкурентно. Данные Taostats explorer показывают, что делегирование существенно выросло в течение 2025 года и в 2026‑м, причём более 65% циркулирующего TAO сейчас застейкано напрямую или через делегирование.
Более 65% циркулирующего предложения TAO в настоящее время застейкано или делегировано согласно ончейн‑данным Taostats, что делает Bittensor одной из сетей с самым высоким уровнем участия в стейкинге среди топ‑50 крипто‑активов по рыночной капитализации.
Динамика стейкинга также напрямую влияет на экономику сабнетов. Владельцы сабнетов должны залочить TAO, чтобы зарегистрировать свой сабнет и поддерживать его активный статус. Если регистрационный стейк сабнета падает ниже минимального порога из‑за роста цены токена при фиксированном требуемом абсолютном количестве TAO, сабнет рискует быть дерегистрированным.
Это создаёт интересную петлю обратной связи: рост цены TAO делает поддержание регистрации сабнетов более дорогим, что может сократить количество активных сабнетов, если механизм управления не скорректирует пороги соответствующим образом. Фонд Opentensor указал, что адаптивные регистрационные издержки находятся в дорожной карте следующего крупного обновления сети.
Also Read: SkyAI Surges 106% In 24 Hours As AI Token Narrative Pulls Fresh Capital Into The Sector
Реальные кейсы использования и кто на самом деле потребляет ИИ Bittensor
Корректный вопрос к любому AI‑крипто‑проекту — это вопрос потребления: кто на самом деле использует ИИ, который производят эти сети? Механизм стимулов элегантен в теории, но эмиссионные награды могут поддерживать производство даже при отсутствии конечного потребителя. Понимание того, используются ли выводы Bittensor в реальных приложениях, имеет ключевое значение для оценки его долгосрочной гипотезы накопления стоимости.
Самые ясные свидетельства реального потребления исходят от сабнетов с внешними API‑интерфейсами. Corcel, стартап, построенный на инфраструктуре Bittensor, предлагает публичный API, который маршрутизирует запросы на инференс ИИ к майнерам Bittensor и берёт плату с клиентов как в фиате, так и в TAO. Corcel сообщил о более чем 50 млн API‑запросов, обработанных через сеть, обслуживая клиентов, среди которых независимые разработчики, маленькие AI‑стартапы и исследовательские институты, ищущие конкурентоспособный по стоимости инференс без зависимости от инфраструктуры OpenAI или Anthropic.
Corcel, самый заметный внешний API‑провайдер Bittensor, сообщил о более чем 50 млн инференс‑запросов, маршрутизированных через сеть, что даёт конкретные доказательства того, что стороннее потребление за пределами внутреннего «фарминга» эмиссии происходит в значимых масштабах.
Совместное усилие по предобучению в Subnet 9, управляемое Macrocosmos, породило открыто доступные веса моделей, которые внешние исследователи использовали в задачах дообучения (fine‑tuning). Это значимый факт, потому что он показывает, что выводы Bittensor могут достигать порога качества, который внешние независимые исследователи считают полезным, а не только порога, удовлетворяющего внутренних валидаторов, оптимизирующих распределение токенов.
Способность сети поддерживать этот внешний уровень качества по мере масштабирования на большее число сабнетов будет одним из важнейших эмпирических вопросов для наблюдения в оставшейся части 2026 года.
Also Read: Coinbase's Base Ditches Optimistic Rollups, Bets $12B On ZK Proofs
Риски, векторы атак и сложные проблемы, которые Bittensor ещё не полностью решил
Ни один исследовательский материал о Bittensor не будет полным без строгой оценки известных уязвимостей протокола и нерешённых проблем. Таких проблем несколько, и их стоит обозначить прямо, а не минимизировать.
Первая и самая устойчивая — проблема закона Гудхарта. Когда показатель становится целью, он перестаёт быть хорошим показателем. Майнеры в Bittensor оптимизируют свои модели под оценки валидаторов, а не под создание ИИ, который действительно полезен конечным потребителям.
В сабнетах, где скоринг валидаторов непрозрачен или плохо откалиброван, майнеры могут научиться «играть» с функцией скоринга, не улучшая базовое качество модели. Это наблюдалось эмпирически на нескольких более мелких сабнетах, где майнеры развёртывали модели, максимизирующие скор на конкретном распределении запросов, которое используют валидаторы, при этом показывая слабые результаты на отложенных тестовых наборах.
Исследования поadversarial 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.
Второй крупный риск — централизация валидаторов. Поскольку вес валидатора в консенсусе масштабируется с объёмом застейканного TAO и, учитывая, что TAO существенно вырос в цене, стоимость получения значимой роли валидатора резко возросла.
Данные Taostats показывают, что топ-10 валидаторов по стейку контролируют непропорционально большую долю эмиссионного веса на нескольких крупных сабнетах. Если такая концентрация сохранится, разнообразие подходов к скорингу, которое делает консенсус yuma устойчивым к сговору, со временем может снизиться.
Третий риск — регуляторный. Комиссия по ценным бумагам и биржам США (SEC) не выпускала конкретных разъяснений относительно того, является ли TAO ценной бумагой, но структура токена, при которой владение TAO приносит доход от эмиссии через стейкинг, обладает чертами инвестиционных контрактов, на которые регуляторы уже нацеливались в прошлых мерах принудительного исполнения.
Фонд Opentensor структурировал протокол как программное обеспечение с открытым исходным кодом, а не как управляемый продукт, что обеспечивает некоторую правовую защиту, однако регуляторная среда для криптоактивов, связанных с ИИ, в Соединённых Штатах по-прежнему остаётся действительно неопределённой на пороге 2026 года.
Also Read: Trump's WLFI Strikes Back At Justin Sun With Defamation Lawsuit
Price Performance, Market Structure, And The TAO Investor Thesis
TAO продемонстрировал одну из самых примечательных ценовых траекторий среди топ-50 криптоактивов за последние два года. С уровня ниже $50 в начале 2024 года токен surged выше $700 к концу 2024 года, когда импульс нарратива об ИИ одновременно привлёк в сектор как институциональный, так и розничный капитал. Последующая коррекция опустила цену TAO обратно в диапазон $200–$300 в течение большей части 2025 года, и в настоящее время токен торгуется около $282 на начало мая 2026 года, при этом суточный объём торгов свыше $260 млн указывает на значительную глубину ликвидности.
Рыночная структура вокруг TAO заметно отличается от большинства токенов из топ-50. Поскольку свыше 65% предложения застейкано, эффективный свободный флоат довольно тонкий. Относительно небольшой приток покупательного спроса может резко сдвинуть цену в любую сторону.
Это создаёт высокую волатильность вокруг макроновостей об ИИ: когда крупные AI-лаборатории объявляют о прорывах или когда регуляторные события угрожают централизованным AI-инкамбентам, TAO, как правило, движется с усиленной амплитудой по сравнению с более широким крипторынком.
При более чем 65% предложения TAO, застейканного и выведенного из активного обращения, эффективный ликвидный флоат настолько тонок, что чистый покупательный спрос в $100 млн может вызвать двузначные процентные движения цены — это структурный драйвер волатильности, который инвесторам следует учитывать явно.
Институциональный тезис для TAO эволюционировал. Ранние покупатели рассматривали его как спекулятивную ставку на конвергенцию нарративов ИИ и крипто. Более свежий институциональный интерес, о чём свидетельствует появление TAO в ряде заявок криптофондов и ончейн-анализ кластеризации кошельков от Nansen, трактует его как инфраструктурную долю в децентрализованной цепочке поставок ИИ, которая может составить серьёзную конкуренцию централизованным провайдерам инференса по мере ускорения коммодитизации моделей. Насколько этот тезис окажется верным, зависит от того, будет ли качество выходов сети продолжать улучшаться и будет ли внешнее потребление расти быстрее, чем внутренний фарминг эмиссии. Оба показателя сейчас движутся в правильном направлении, хотя ни один не гарантирован.
Read Next: LUNC Price Climbs 6.5% While Terra Luna Classic Community Targets Higher Burns
Conclusion
Появление Bittensor как сети с капитализацией $2,7 млрд представляет собой нечто по-настоящему новое как для индустрии ИИ, так и для криптоэкосистемы. Она создала функционирующий рынок машинного интеллекта, который работает без корпоративного контролёра, оценивает выходы ИИ в реальном времени через механизм консенсуса и распределяет экономические вознаграждения среди участников на основе измеримой производительности, а не доли в капитале или трудовых контрактов. Эти свойства архитектурно значимы вне зависимости от того, что произойдёт с ценой TAO в следующем квартале.
Расширение протокола до 64 сабнетов превратило его из эксперимента с одной задачей в диверсифицированный рынок ИИ, где каждый сабнет развивает собственную логику валидации, соответствующую характеру своей задачи.
Оставшиеся вызовы реальны: эксплуатация закона Гудхарта на плохо спроектированных сабнетах, ползучая централизация валидаторов и нерешённая регуляторная позиция в Соединённых Штатах — всё это существенные риски, которые инвесторам и разработчикам следует тщательно взвесить. Ни один из них не уникален для Bittensor, но ни один и не тривиален.
То, что траектория Bittensor до 2026 года в конечном счёте проверит, — может ли полностью децентрализованный механизм производства поддерживать качество выходов ИИ в масштабе без координационных преимуществ, которыми обладают централизованные лаборатории. Эмпирические данные по потреблению API Corcel и публично загружаемым весам моделей Macrocosmos указывают, что сеть способна достичь полезного порогового уровня качества. Останется ли ей по силам достичь фронтирного уровня качества — такого, который сделает её конкурентоспособной по отношению к выходам лучших в мире, наиболее обеспеченных ресурсами AI-лабораторий, — остаётся открытым вопросом, который и определит следующую главу в истории протокола.