Три роки тому Bittensor (TAO) був радше технічною цікавістю, про яку говорили переважно в каналах досліджень машинного навчання та на маловідомих криптофорумах.
Сьогодні його ринкова капіталізація перевищує $2,7 млрд, він хостить 64 активні підмережі та, мабуть, є найамбітнішою в блокчейн‑індустрії спробою перетворити виробництво штучного інтелекту на товарний ринок, у якому будь-хто може взяти участь. Те, що більшість спостерігачів за крипторинком досі насилу можуть пояснити, чим саме він займається, певною мірою і є суттю.
Мережа зросла без централізованої AI‑лабораторії, без приватного дата‑центру та без єдиного корпоративного центру контролю. Натомість вона працює на основі нової системи стимулів, де моделі машинного навчання конкурують одна з одною за новостворені токени TAO, а валідатори оцінюють їхні результати та розподіляють винагороди відповідно.
Цей механізм, простий у теорії й по‑справжньому складний на практиці, і є тим, що в цій статті розбирається «з нуля».
TL;DR
- Bittensor працює як децентралізований AI‑маркетплейс, де моделі машинного навчання заробляють винагороди в TAO залежно від вимірюваної інформаційної цінності, яку вони надають мережі валідаторів.
- Протокол еволюціонував від однієї монолітної мережі до 64 спеціалізованих сабнетів, кожен з яких націлено на окреме AI‑завдання: від генерації тексту до фолдингу білків і фінансового прогнозування.
- За ринкової капіталізації $2,7 млрд і добового торгового обсягу понад $260 млн TAO став одним із найліквідніших AI‑криптоактивів, хоча механіка його оцінки досі погано зрозуміла для більшості учасників ринку.
Що таке Bittensor насправді і чому його важко пояснити
Найбільша причина, чому Bittensor залишається малодослідженим, — він не вписується ні в одну з усталених криптокатегорій. Це не блокчейн рівня 1, який конкурує з Ethereum (ETH) за пропускною здатністю. Це не DeFi‑протокол оптимізації капіталу. Це не NFT‑платформа й не мемкоїн. Найточніше, це децентралізований ринок машинного інтелекту, збудований поверх блокчейну на Substrate.
Оригінальний whitepaper, створений Jacob Robert Steeves та Ala Shaabana і вперше поширений у 2021 році, формулює базову проблему максимально прямо. Розвиток AI домінують кілька вертикально інтегрованих компаній, які одночасно контролюють тренувальні дані, обчислювальну інфраструктуру та розгортання моделей.
Така концентрація означає, що економічна цінність, створювана AI, майже повністю дістається цим компаніям. Запропоноване рішення Bittensor — розкласти стек виробництва AI на окремі внески й оцінювати кожен за допомогою нативного блокчейн‑токена.
У whitepaper Bittensor прямо стверджується, що інтелект AI, як і пропускна здатність чи обчислення, слід трактувати як товар, який ринки можуть ефективно оцінювати, щойно з’являться правильні стимули.
Блокчейн, який використовує Bittensor, побудовано на фреймворку Substrate від Polkadot, що надає модульний рантайм і дозволяє проводити оновлення керування без хардфорків. Валідатори в мережі запускають функції скорингу, щоб оцінювати результати майнерів, які запускають моделі машинного навчання. Консенсус валідаторів визначає, як новостворені TAO розподіляються між учасниками.
Критично важливо, що оцінювання не є довільним: валідатори, які змовляються, щоб винагороджувати слабкі моделі, самі караються через механізм під назвою yuma consensus, який команда формально описала у технічній документації.
Читайте також: Hyperliquid’s HYPE Token Near $41 With $9.7B Market Cap And Active DEX Volume
Движок консенсусу Yuma і як майнери отримують винагороду
Щоб зрозуміти логіку винагород Bittensor, потрібно зрозуміти yuma consensus, адже це механізм, який відрізняє цю мережу від простіших схем proof‑of‑work чи proof‑of‑stake. Базове завдання, яке він розв’язує, таке: якщо валідатори можуть вільно задавати ваги майнерам, у них з’являється сильний стимул змовлятися з окремими майнерами й захоплювати непропорційно великі винагороди. Yuma consensus узгоджує стимули валідаторів, роблячи їхню власну винагороду залежною від того, наскільки добре їхній скоринг збігається з медіанною оцінкою всієї мережі.
На практиці валідатор, який послідовно високо оцінює низькоякісного майнера, відхиляється від медіанної матриці ваг, яку приймає мережа.
Це відхилення зменшує частку емісії, що дістається валідатору. Формальний механізм визначає штрафну функцію, де величина скорочення винагороди масштабується разом із відстанню від консенсусу. Це створює самокоригувальний тиск у бік чесного оцінювання без потреби в централізованому арбітрі.
У yuma consensus валідатори заробляють менше TAO за кожну одиницю відстані, на яку їхні вагові призначення відхиляються від консенсусної матриці ваг мережі, безпосередньо пов’язуючи їхній дохід із чесністю оцінки.
Майнерів, натомість, цікавить лише якість виходу. Майнер, який запускає мовну модель у текстогенераційному сабнеті, отримує запит від валідатора, повертає відповідь, а валідатор оцінює цю відповідь за своїм внутрішнім еталоном якості.
Сукупний бал, який майнер набирає в усіх валідаторів, визначає його емісійну вагу в кожному блоці. Opentensor Foundation, неприбуткова організація, що підтримує базовий код, відкрила увесь протокольний стек, тож будь-хто може перевірити, як саме розраховуються емісії.
Читайте також: Bitget CFD Volume Hits $8B Daily As Gold Drives 95% Of Gain
Від однієї мережі до 64 сабнетів: архітектурний зсув, який усе змінив
Початковий Bittensor був однією підмережею, зосередженою на мовному інтелекті. Кожен майнер запускав модель доповнення тексту, а валідатори оцінювали відповіді одне одного. Цей дизайн працював як proof of concept, але створював критичне «вузьке горло»: мережа могла оптимізувати лише один тип AI‑завдання за раз, і домінувальне завдання визначалося тим, хто розгорнув найбільше обчислювальних ресурсів.
Архітектура сабнетів, запроваджена через низку пропозицій керування наприкінці 2023 року, радикально це змінила.
Замість однієї глобальної конкуренції протокол тепер підтримує до 1 024 логічно незалежних підмереж, кожна з власним набором валідаторів, власною функцією скорингу та власним розподілом емісії. Сабнети змагаються за частку глобальної емісії TAO через механізм реєстрації, а власники сабнетів визначають правила, яких мають дотримуватися їхні майнери.
Станом на травень 2026 року в мейннеті Bittensor працює 64 активні сабнети, що охоплюють завдання від децентралізованого зберігання й фінансового прогнозування часових рядів до передбачення структури білків і розподіленої генерації зображень на основі тексту.
Економічні наслідки цього зсуву суттєві. Кожен сабнет — це по суті мікроринок для певного типу інтелекту. Сабнет 1 залишається оригінальною мережею текстових підказок. Сабнет 9, яким керує Macrocosmos, фокусується на спільному попередньому тренуванні великих мовних моделей. Сабнет 21, який запускає Omega Labs, агрегує мультимодальні дані. Різноманіття завдань означає, що емісія TAO тепер спрямовується до значно ширшого кола учасників AI, ніж це взагалі можливо в архітектурі з однією моделлю. У звіті розробників Electric Capital відстежує Bittensor як одну з найшвидше зростаючих девелоперських екосистем у крипто за останні 18 місяців, із зростанням кількості щомісячно активних контриб’юторів до GitHub‑репозиторіїв протоколу більш ніж на 200% рік до року.
Читайте також: Pudgy Penguins’ PENGU Token Holds $616M Market Cap Despite 2% Pullback
Токеноміка TAO та біткоїноподібний графік емісії
Дизайн токена Bittensor свідомо запозичує елементи з архітектури пропозиції Bitcoin (BTC), і це схожість не поверхова. TAO має жорстке обмеження в 21 мільйон токенів. Емісія зменшується вдвічі приблизно кожні чотири роки; останнє «халвінг» відбулося наприкінці 2025 року, скоротивши денну емісію з приблизно 7 200 TAO до близько 3 600 TAO на день.
Ця дефляційна траєкторія пропозиції — ключовий елемент очікуваного зростання вартості токена зі збільшенням попиту на AI‑послуги.
На момент написання TAO торгується приблизно по $282 з обігом ринкової капіталізації $2,7 млрд.
Загальна пропозиція в обігу становить близько 8,9 млн TAO, тобто приблизно 42% максимальної емісії вже добуто. Пост‑халвінговий темп емісії означає, що випуск нових TAO досить повільний, аби навіть помірне зростання попиту створювало відчутний підвищувальний тиск на ціну.
Пост‑халвінгова емісія TAO на рівні приблизно 3 600 токенів на день означає, що річна пропозиція, яка надходить на ринок, становить менше $370 млн за поточними цінами — відносно жорсткий рівень випуску для протоколу, який генерує сотні мільйонів доларів добового торгового обсягу.
Емісія розподіляється між трьома категоріями стейкхолдерів. Майнери отримують 41% емісії кожного блоку. Валідатори отримують 41%. Решта 18% переходить до власників сабнетів, які застейкали TAO для реєстрації своєї підмережі. Такий тристоронній розподіл покликано забезпечити економічну життєздатність усіх трьох ролей одночасно. Оператори сабнетів, яким не вдається залучити якісних майнерів, не отримують користі від емісії попри свій стейк, що створює прямий… стимул створювати справді корисні AI-завдання, а не порожні сабнети, що лише збирають комісії.
Also Read: Toncoin Gains 5% With $3.8B Market Cap While Telegram Ecosystem Activity Expands
Як валідатори насправді оцінюють AI-вивід: технічна реальність
Одне з найпоширеніших технічних зауважень щодо Bittensor полягає в тому, що задача скорингу є складною. Як валідатору зрозуміти, чи вивід однієї мовної моделі кращий за іншу без доступу до “істинних” міток (ground truth)?
Це не тривіальне питання, і різні сабнети протоколу виробили справді різні відповіді залежно від характеру AI‑завдання, яке вони оптимізують.
На текстових сабнетах валідатори зазвичай використовують комбінацію оцінювання референсною моделлю та проксі людських вподобань. Валідатор, що запускає Subnet 1, може передати запит кільком майнерам, зібрати відповіді, а потім оцінити ці відповіді за допомогою власної внутрішньої референсної моделі. Оцінки є відносними: майнер, чий вивід вважається кращим за медіанного майнера, отримує позитивний бал.
На Subnet 9, який фокусується на претрейнігу, валідація є більш об’єктивною: валідатори оцінюють, чи ваги моделі, які надсилає майнер, реально покращують perplexity на відкладеному датасеті для оцінки — вимірюваному й відтворюваному бенчмарку.
Сабнети, зосереджені на верифікованих виводах, як-от передбачення структури білків або генерація математичних доказів, можуть використовувати детерміністичні функції валідації, що робить їх більш стійкими до змови валідаторів, ніж суто суб’єктивні текстові сабнети, орієнтовані на якість.
Інші сабнети застосували те, що спільнота називає валідацією у стилі "proof of work", де сам вивід містить криптографічні докази витрачених обчислювальних ресурсів. Це особливо актуально для сабнетів, зосереджених на розподіленому навчанні, де майнери надсилають оновлення градієнтів, які валідатори можуть перевірити на чесність обчислення за допомогою методів із verifiable computation research. Різноманіття механізмів валідації між сабнетами є радше перевагою, ніж недоліком: воно дозволяє протоколу адаптувати логіку скорингу до специфічних властивостей верифікації кожного AI‑завдання.
Also Read: Ondo Finance Jumps 13% While Real-World Asset Tokens Regain Momentum
Конкурентний ландшафт: хто насправді будує на Bittensor
Bittensor не працює у вакуумі. Ширша конвергенція AI та крипто призвела до появи кількох конкуруючих архітектур, кожна з власною тезою щодо того, як має працювати децентралізований AI. Fetch.ai, SingularityNET та Ocean Protocol у 2024 році об’єдналися в Artificial Superintelligence Alliance, створивши спільну токен-екосистему з капіталізацією, що на деякий час перевищила $3 млрд.
Gensyn обрав інший підхід, зосередившись виключно на верифікованих обчисленнях для навчання моделей, а не на побудові повноцінного маркетплейсу. Render Network і надалі домінує на ринку децентралізованого GPU‑рендерингу, хоча її AI‑амбіції залишаються більш обмеженими.
Відмінність Bittensor від цих конкурентів полягає в глибині механізму стимулів. Більшість AI‑крипто‑проєктів використовують токен‑нагороди як маркетинговий інструмент: платити розробникам токенами за розробку на їхній платформі. Bittensor використовує токен‑нагороди як власне механізм виробництва: токени напряму надходять до моделей, що створюють вимірювану цінність, а не до розробників, які ці моделі написали. Ця відмінність має величезне значення для якості AI‑виводів, яку мережа може підтримувати в довгостроковій перспективі.
На відміну від більшості AI‑крипто‑проєктів, які винагороджують розробників за розробку на їхній платформі, Bittensor винагороджує самі AI‑моделі за створення вимірюваної якості виводу, формуючи безперервний тиск на продуктивність, який гранти для розробників не здатні відтворити.
Аналіз, опублікований на arXiv у червні 2025 року, розглянув ігрово‑теоретичні властивості кількох децентралізованих AI‑дизайнів стимулів і виявив, що yuma‑консенсус Bittensor демонструє найнижчий рівень змови валідаторів у змодельованих середовищах порівняно з простішими схемами розподілу винагород.
У статті зазначалося, що ефективність механізму критично залежить від наявності достатньо великого й різноманітного набору валідаторів — умови, яку мейннет Bittensor наразі задовольняє на більших сабнетах, але може не задовольняти на менших, щойно запущених.
Also Read: ASTEROID Token Rallies 14% While Retail Traders Chase Space-Themed Meme Coin Narrative
Економіка стекингу і як TAO рухається мережею
Поза розподілом емісії між майнерами та валідаторами, у Bittensor існує розвинена економіка стекингу, яка формує обіг TAO у мережі. Валідатори мають застейкати TAO, щоб отримати вагу голосу в механізмі консенсусу. Обсяг стейку визначає частку емісії, яку валідатор може розподіляти, а отже — й привабливість цього валідатора для майнерів, що прагнуть максимізувати власні винагороди.
Це створює "гонку озброєнь" у стекингу, яка поступово концентрує владу валідаторів у великих власників TAO.
Щоб брати участь як делегатор без запуску валідаторської інфраструктури, власники TAO можуть делегувати свій стейк наявним валідаторам через механізм, який спільнота називає "hotkey delegation". Делегатори отримують частку емісійного доходу валідатора пропорційно до свого стейку за вирахуванням комісії, яку валідатори встановлюють конкурентно. Дані з Taostats explorer показують, що делегування суттєво зросло протягом 2025 року та на початку 2026‑го: понад 65% обігового TAO нині застейкано безпосередньо або через делегування.
Понад 65% обігової пропозиції TAO наразі застейкано або делеговано, згідно з ончейн‑даними Taostats, що робить Bittensor однією з мереж із найвищим рівнем участі в стекингу серед топ‑50 криптоактивів за ринковою капіталізацією.
Динаміка стекингу також безпосередньо впливає на економіку сабнетів. Власники сабнетів мають заблокувати TAO, щоб зареєструвати свій сабнет і підтримувати його активний статус. Якщо реєстраційний стейк сабнета падає нижче мінімального порога через зростання ціни токена (за фіксованої абсолютної вимоги в TAO), сабнет ризикує бути дерегістрованим.
Це створює цікавий зворотний зв’язок: зростання ціни TAO робить утримання реєстрації сабнетів дорожчим, що може зменшити кількість активних сабнетів, якщо механізми управління вчасно не скоригують порогові значення. Фонд Opentensor зазначив, що адаптивні реєстраційні витрати перебувають у дорожній карті наступного великого оновлення мережі.
Also Read: SkyAI Surges 106% In 24 Hours As AI Token Narrative Pulls Fresh Capital Into The Sector
Реальні кейси використання: хто насправді споживає AI Bittensor
Справедливе критичне питання до будь‑якого AI‑крипто‑проєкту — це питання споживання: хто насправді користується AI, який ці мережі продукують? Механізм стимулів елегантний у теорії, але емісійні винагороди можуть підтримувати виробництво навіть за відсутності кінцевого споживача. Розуміння того, чи виводи Bittensor реально споживаються в практичних застосунках, є ключем до оцінки його довгострокової тези щодо акумуляції вартості.
Найочевидніші докази реального споживання надходять від сабнетів із зовнішніми API‑інтерфейсами. Corcel, стартап, побудований на інфраструктурі Bittensor, пропонує публічний API, який маршрутизує AI‑запити інференсу до майнерів Bittensor і стягує плату з клієнтів як у фіаті, так і в TAO. Corcel повідомляє про обробку понад 50 млн API‑запитів через мережу, обслуговуючи клієнтів, серед яких незалежні розробники, невеликі AI‑стартапи та наукові установи, що шукають конкурентний за вартістю інференс без залежності від інфраструктури OpenAI чи Anthropic.
Corcel, найпомітніший зовнішній API‑провайдер Bittensor, повідомив про понад 50 млн викликів інференсу, спрямованих через мережу, що є конкретним доказом того, що стороннє споживання, відмінне від внутрішнього “фармінгу” емісії, відбувається в суттєвих масштабах.
Колаборативний претрейніг Subnet 9, що керується Macrocosmos, дав змогу створити відкрито доступні ваги моделей, які зовнішні дослідники використовували у даунстрім‑задачах тонкого налаштування. Це показовий факт, адже він демонструє, що виводи Bittensor можуть досягати рівня якості, корисного для незалежних дослідників, а не лише задовольняти внутрішніх валідаторів, які оптимізують за емісією токенів.
Здатність мережі зберігати цю зовнішню планку якості в міру масштабування на більшу кількість сабнетів буде одним із найважливіших емпіричних питань для спостереження впродовж решти 2026 року.
Also Read: Coinbase's Base Ditches Optimistic Rollups, Bets $12B On ZK Proofs
Ризики, вектори атак і складні проблеми, які Bittensor ще не розв’язав остаточно
Жоден дослідницький матеріал про Bittensor не буде повним без суворої оцінки відомих вразливостей протоколу та нерозв’язаних проблем. Їх кілька, і їх варто окреслити прямо, а не мінімізувати.
Першою й найбільш стійкою є проблема Закону Гудхарта. Коли міра стає ціллю, вона перестає бути доброю мірою. Майнери в Bittensor оптимізують за оцінками валідаторів, а не за створенням AI, який є справді корисним для кінцевих споживачів.
На сабнетах, де скоринг валідаторів є непрозорим або погано відкаліброваним, майнери можуть навчитися “геймити” функцію оцінювання, не підвищуючи реальної якості моделі. Це спостерігалося емпірично на кількох менших сабнетах, де майнери розгортали моделі, що максимізують бал на конкретному розподілі запитів, які використовують валідатори, але демонструють погані результати на відкладених тестових вибірках.
Research onadversarial optimization в інсентив-орієнтованих AI‑системах, включно з працею 2024 року, опублікованою на arXiv, демонструє, що агенти, які оптимізують проксі-сигнали винагороди, регулярно навчаються поведінки, що задовольняє метрику, але не задовольняє базову ціль — ризик, від якого дизайнерам сабнетів Bittensor необхідно активно захищатися.
Другий основний ризик — це централізація валідаторів. Оскільки вага валідатора в консенсусі масштабується зі стейкнутим TAO, і оскільки TAO суттєво зріс у ціні, вартість входу до кола впливових валідаторів різко зросла.
Дані з Taostats свідчать, що топ‑10 валідаторів за обсягом стейку контролюють непропорційно велику частку ваги емісії на кількох основних сабнетах. Якщо ця концентрація збережеться, різноманітність підходів до скорингу, яка робить yuma‑консенсус стійким до змови, може з часом еродувати.
Третій ризик — регуляторний. Комісія з цінних паперів і бірж США (SEC) не надала конкретних роз’яснень, чи є TAO цінним папером, але структура токена, за якої володіння TAO приносить дохід від емісії через стейкінг, має спільні риси з інвестиційними контрактами, на які регулятори вже спрямовували попередні заходи примусового виконання.
Фундація Opentensor структурувала протокол як програмне забезпечення з відкритим кодом, а не як керований продукт, що забезпечує певну юридичну ізоляцію, проте регуляторне середовище для пов’язаних з AI криптоактивів у США залишається по‑справжньому невизначеним на підході до 2026 року.
Also Read: Trump's WLFI Strikes Back At Justin Sun With Defamation Lawsuit
Динаміка ціни, ринкова структура та інвестиційний кейс TAO
TAO продемонстрував одну з найцікавіших цінових траєкторій серед топ‑50 криптоактивів за останні два роки. Із ціни нижче 50 доларів на початку 2024 року токен зріс вище 700 доларів наприкінці 2024 року, коли наратив навколо AI одночасно залучив до сектора як інституційний, так і роздрібний капітал. Наступна корекція відкотила TAO назад у діапазон 200–300 доларів протягом більшої частини 2025 року, і станом на початок травня 2026 року токен торгується поблизу 282 доларів, із добовим обсягом торгів понад 260 мільйонів доларів, що свідчить про значну глибину ліквідності.
Ринкова структура навколо TAO суттєво відрізняється від більшості токенів із топ‑50. Оскільки понад 65% пропозиції застейкано, ефективний фрі‑флоут є досить тонким. Відносно помірний приплив купівельного тиску може різко зрушити ціну в будь‑який бік.
Це створює високу волатильність навколо макро‑новин у сфері AI: коли великі AI‑лабораторії оголошують прориви або коли регуляторні події загрожують централізованим AI‑гігантам, TAO зазвичай рухається з підсиленою амплітудою порівняно з ширшим крипторинком.
Оскільки понад 65% пропозиції TAO застейкано й виведено з активного обігу, ефективний ліквідний фрі‑флоут є настільки тонким, що 100 мільйонів доларів чистого купівельного тиску можуть спричинити двозначні відсоткові цінові рухи — це структурний драйвер волатильності, який інвесторам слід враховувати явно.
Інституційний інвестиційний кейс для TAO еволюціонував. Ранні покупці розглядали його як спекулятивну ставку на зближення наративів AI та крипто. Нещодавніший інституційний інтерес, підтверджений появою TAO в низці документів криптофондів і ончейн‑аналізом кластерів гаманців від Nansen, трактує його як інфраструктурну частку в децентралізованому ланцюгу постачання AI, який може стати суттєвим конкурентом централізованим провайдерам інференсу в міру прискорення комодитизації моделей. Чи справдиться цей тезис, залежить від того, чи продовжить поліпшуватися якість вихідних даних мережі та чи зростатиме зовнішнє споживання швидше, ніж внутрішній фармінг емісії. Наразі обидві умови рухаються в правильному напрямку, хоча жодна з них не є гарантованою.
Read Next: LUNC Price Climbs 6.5% While Terra Luna Classic Community Targets Higher Burns
Висновок
Поява Bittensor як мережі з капіталізацією 2,7 мільярда доларів є справді новим явищем як для AI‑індустрії, так і для криптоекосистеми. Вона створила функціональний ринок машинного інтелекту, який працює без корпоративного контролера, ціноутворює AI‑вихід у режимі реального часу через механізм консенсусу та розподіляє економічні винагороди учасникам на основі вимірюваних показників ефективності, а не частки в капіталі чи трудових контрактів. Ці властивості є архітектурно значущими незалежно від того, що відбуватиметься з ціною TAO в наступному кварталі.
Розширення протоколу до 64 сабнетів перетворило його з експерименту з однією задачею на різноманітний AI‑маркетплейс, у якому кожен сабнет розвиває власну логіку валідації, пристосовану до природи своєї задачі.
Проблеми, що залишаються, є реальними: геймінг за законом Гудхарта на погано спроєктованих сабнетах, повзуча централізація валідаторів і невизначений регуляторний статус у США — усе це суттєві ризики, які інвесторам і розробникам слід ретельно зважувати. Жоден із них не є унікальним для Bittensor, але жоден не є тривіальним.
Траєкторія Bittensor до 2026 року врешті‑решт перевірить, чи може повністю децентралізований механізм виробництва підтримувати якість AI‑виходів у масштабі без координаційних переваг, якими користуються централізовані лабораторії. Емпіричні дані зі статистики споживання API Corcel та публічно завантажених ваг моделей Macrocosmos свідчать, що мережа може досягти корисного порогу якості. Чи зможе вона досягти фронтирного порогу якості — такого, що зробить її конкурентоспроможною з результатами найкраще забезпечених ресурсами AI‑лабораторій світу, — залишається відкритим питанням, яке й визначить наступний розділ історії протоколу.