Score

什么是 Score？

Score，也被称为 sn44 或 Score Vision，是一个 Bittensor 子网，把去中心化机器学习激励机制应用到计算机视觉领域。它最初的做法是将足球比赛和其他视频流转化为结构化、可机器读取的数据，例如球员位置、球的轨迹、球场几何信息、目标检测结果以及事件上下文等。

它要解决的问题并不是笼统的“AI 计算”，而是更窄且具有商业价值的视频标注瓶颈：如何足够快速且低成本地将大量原始视频素材转换为准确标签，使之真正对体育分析、安全监控、零售运营、物流以及其他摄像头密集场景有用。

项目声称的护城河，是将 Bittensor 的矿工-验证者激励市场，与一套轻量验证方法结合起来，包括帧过滤、球场/关键点检查、类似单应变换（homography）的几何测试，以及基于 CLIP 的语义校验等，用以避免在每一帧提交上都重新跑完整的视觉推理所带来的高成本。

项目的GitHub 仓库把 Score Vision 描述为一个去中心化计算机视觉框架，首先聚焦于足球项目状态识别（Game State Recognition）；而当前的 Bittensor 子网页面则将 sn44 描述为一个框架，在其中矿工本地处理视频，验证者通过混合视觉与几何校验为结果打分。（github.com）

从市场定位来看，Score 更适合作为一个专门化的 Bittensor 应用子网来理解，而不是基础层区块链或广义的智能合约平台。

截至 2026 年 6 月下旬，公开市场数据将 Score 归为流动性较好的 Bittensor 子网代币中的中等市值项目，而非最大的一线加密网络；CoinGecko 的近期爬取数据显示，Score 的市值排名大约在加密货币市值榜 500 名开外，而 Bittensor.ai 的实时子网视图显示，该子网有完整的 256/256 神经元集、9 个验证者，在 Taostats 上可见的持币地址有数千个，且子网池快照中约有 131,000 TAO 等值 TVL。这些数字应被视为某一时间点的市场和质押指标，而不是终端用户需求的持久证据。更严谨地看，相较于中心化计算机视觉服务商和体育数据巨头，Score 的整体规模仍然较小，但在 Bittensor 生态内部，它的差异化程度相对较高，因为它面向的是可度量的外部输出——视觉模型和视频衍生标签——而不是单纯的投机性排放博弈。（coingecko.com）

谁在什么时候创立了 Score？

Score 似乎在 2024 年公开出现，处于 ChatGPT 推出后 AI 基础设施叙事扩张阶段，以及 Bittensor 子网代币早期周期的背景之下。

项目的公司信息显示，Score - Subnet 44 成立于 2024 年，总部位于纽约市，而 Bittensor 子网记录则显示 sn44 于 2024 年 9 月在链上注册。关于创始人的公开说法略有差异，但最一致出现的名字是 Maxime Sebti、Tim Kalic 和 Nigel Grant；SIRE 文档指出，Maxime Sebti 是 Score Technologies 的联合创始人兼 CEO，Tim Kalic 是联合创始人兼 CTO，Nigel Grant 是联合创始人兼首席营收官；而 LinkedIn 上则将 Tim Kalic 标注为 Score - Subnet 44 和 Manako Labs 的联合创始人兼 CTO。运营实体通常被描述为 Score Technologies，或与 Vision Research Foundation 有关联，而 Manako Labs 后来成为构建在该子网上、面向商业的可见接口。（linkedin.com）

自上线以来，项目的叙事发生了实质性变化。早期围绕 Score 的社区素材更偏向于体育预测、体育分析以及足球社区引入；而目前的定位更宽泛：作为一个“开放、无许可的计算机视觉层”，能够为真实世界的摄像网络训练和评估小型、任务特定的视觉模型。

足球 Game State Recognition 这一论点依然重要，因为体育视频素材具有高密度、高价值的标注数据，以及明确的商业市场；但更近期的 Manako 叙事，则将 Score 推向企业级物理 AI 场景，例如限制区域告警、加油站目标检测、车辆/行人检测，以及边缘部署的运营监控等。这一演变在战略上是合理的：纯体育分析是一个有强势 incumbents 的利基市场，而企业级摄像头智能的市场更大；但这同样提升了执行风险：Score 必须证明自己能在不牺牲原始子网设计中验证严谨性的前提下，从足球泛化到更广泛的场景。（kucoin.com）

Score 网络如何运作？

Score 并不运行独立的工作量证明、权益证明或 DAG 区块链。它是运行在 Bittensor Subtensor L1 之上的应用特定子网，其中与 Score 相关的“共识”是 Bittensor 的基于质押权重的 Yuma 共识流程，而不是独立的出块机制。在 Bittensor 中，子网是激励市场：矿工执行特定的 AI 任务，验证者评估工作质量，Yuma 共识则将验证者的加权评分转化为矿工和验证者的排放分配。

Bittensor 文档指出，Yuma 共识在链上（Subtensor 内部）运行，通过验证者对矿工表现的排序，计算出矿工和验证者的排放，并使用基于质押权重的裁剪机制来降低串谋或不可靠评分的影响。对于 sn44 而言，这意味着其安全模型部分继承自 Bittensor 主链，部分则取决于 Score 的验证者能否可靠地区分高质量的计算机视觉输出与低质量或对抗性提交。（docs.learnbittensor.org）

在技术架构上，Score 是一个三角色系统：矿工接收视频或图像任务，在本地运行目标检测、跟踪或特定模型推理；验证者对矿工输出进行抽样并打分；子网所有者负责任务设计、激励参数和整体网络健康维护。

其显著特征在于验证方法。Score 并非用高成本的完整模型推理逐帧验证，而是通过筛选后的帧、语义校验、关键点和球场几何合理性、重投影误差，以及类似 GS-HOTA 的检测-关联指标等，来高效近似质量评估。

早期的 Score 资料强调的是足球片段、球员-足球检测、球场线提取，以及 30 秒比赛片段；而较新的资料则强调模型蒸馏和轻量化、可在边缘部署的视觉技能。这在技术上是可行的，但也带来了核心张力：Score 越是向更泛化的企业视觉任务扩展，就越难维持一个统一而稳健的验证体系，子网也就越依赖于精细的基准设计，而不是简单地增加更多矿工。（github.com）

sn44 的代币经济模型是什么？

sn44 在 Bittensor 的 Dynamic TAO 模型中是一个 alpha 代币，因此其供给和价值机制不同于传统有固定分配表的 ERC-20。Bittensor 的 Dynamic TAO 常见问答指出，每个子网 alpha 代币都有 2100 万的总量上限，并遵循减半（halving）排放计划；而排放文档则解释了子网特定的 alpha 代币如何发放给矿工、验证者、质押者和子网创建者。截至 2026 年 6 月下旬，第三方市场页面显示 SN44 的流通量约为 400–500 万枚，市值大致在 3,000 万美元高位到 4,000 万美元低位之间；用户提供的资产快照则估计市值约为 4,240 万美元，代币价格在个位数美元的高段。从结构上看，在排放通过减半衰减、总供给接近上限之前，sn44 处于通胀状态；它并非以销毁为核心的代币模型，尽管 Bittensor 的注册成本和协议层机制会影响围绕子网参与的 TAO/alpha 流向。docs.learnbittensor.org

价值捕获来自质押需求、矿工-验证者经济关系，以及市场对该子网是否产生有价值的计算机视觉输出的判断。在 Dynamic TAO 中，用户向某个挖矿子网质押时，实质上是用 TAO 兑换该子网的 alpha 代币，并将该 alpha 质押给某个验证者；退出时的价值则取决于解押时 alpha 与 TAO 的池子比率。Bittensor 2026 年 6 月的排放文档值得注意，因为其中提到网络已从 2025 年 11 月到 2026 年 6 月期间的“基于流量（flow-based）”分配，回退到“基于价格”的 TAO 跨子网排放分配模式，也就是说，子网代币价格及其移动平均重新影响排放份额。

针对 Score，Bittensor.ai 在 6 月下旬的快照显示，子网所有者抽成 18%，剩余排放在矿工、验证者/质押者以及所有者之间分配，同时界面上显示的质押 APY 非常高，但应理解为高度波动的排放结果，而非稳定收益。从经济学角度看，sn44 持有者是在为一个“自反系统”提供资金：如果模型有用、外部需求充足，就可以支撑质押流入和排放；但如果缺乏付费需求，仅有排放，则可能稀释持有者，鼓励短期资本轮动，而非构建持久的网络效用。（docs.learnbittensor.org）

谁在使用 Score？

关键要区分的是代币活动与产品使用。Score 的链上交易量、持币地址数， validator 数量和质押 TVL 显示该资产具有市场参与度，但这些指标并不能证明企业或体育团队正在为视觉输出付费。

实际效用更应从任务活动、模型基准测试、矿工竞赛以及在子网之上构建的商业应用中推断。Score 在公开资料中将体育分析、赛事转播、博彩、球探和教练辅助列为初始目标市场，而更近期的公开沟通则描述了更广泛的计算机视觉赛道，例如行人检测、车辆检测、火情检测以及加油站监控。

截至 2026 年中，最可信的使用模式并不是零售用户直接与 sn44 交互，而是构建者将该子网作为一个去中心化的模型发现与模型蒸馏后端来使用。 (github.com)

目前面向企业采用最具体的信号来自 Manako Labs。2026 年 4 月，Manako 宣布与 PwC 法国及马格里布地区结成联盟，称 PwC 法国将依托由 Score - Subnet 44 驱动的 Manako Business Operations World Model，帮助组织将现有摄像头网络转化为运营智能系统。2026 年 6 月，KuCoin 转载的一篇 CryptoBriefing 报道称，Manako 已推出由 Bittensor 的 Score Subnet 44 驱动的视觉 AI Agent 平台，提供零代码界面、可在 CPU 上运行的模型、边缘侧处理、Slack 告警，以及为北美扩张而宣布的 100 万美元 TaoWeave 投资。这些都是有意义的商业信号，但并不等同于经审计的营收、客户留存，或企业级部署指标。一个更审慎的解读是：Score 通过 Manako 以及与 PwC 相邻的咨询渠道拥有颇具前景的分销能力，但仍需要披露更有力的证据来证明其拥有复购客户、付费工作负载，以及以处理摄像头小时数或被接受的模型任务数衡量的吞吐量。 (manako.ai)

Score 面临哪些风险与挑战？

Score 的监管风险是间接但真实存在的。在所查阅的公开资料中，似乎没有发现针对 Score 或 sn44 的已知在案监管诉讼，但 sn44 承继了围绕 TAO、Bittensor 子网代币、质押以及由通胀驱动的数字资产的更广泛不确定性。Grayscale 提交的 Bittensor Trust S-1 招股书明确讨论了 TAO 可能被认定为证券的风险，并指出即便发起方认为 TAO 不是证券，SEC 或法院仍可能持相反观点。这对 sn44 很重要，因为 alpha 代币与子网创建者活动、通胀设计、质押流向以及对富有成效的管理性努力的预期之间的关联更为紧密。中心化是第二大风险。Bittensor.ai 页面在 6 月下旬的快照中显示，sn44 上只有 9 个验证者，18% 的所有者抽成，关闭的提交—揭示（commit-reveal）和 liquid-alpha 设置，以及一个“已被弃用”的健康标签；页面还显示该子网在前 30 天内没有 GitHub 提交，最近一次提交大约在 200 天前。这些标签中有些可能滞后于链下开发，但机构投资者应将验证者集中度、所有者自由裁量权、代码库停滞以及不透明的任务治理，视作实质性的尽调要点。sec.gov

竞争风险同样可观。在体育分析领域，Score 在经济上要与现有的数据及视频分析服务商竞争，例如类似 Opta 的体育数据供应商、俱乐部内部分析技术栈、赛事转播跟踪系统，以及不依赖加密激励的专业计算机视觉服务商。在企业视觉领域，它与云端 AI 平台、边缘 AI 厂商、类似 Roboflow 的工具链、开源模型，以及嵌入安防、零售、物流和工业软件中的专有垂直解决方案展开竞争。如果去中心化子网模型能够稳定地产出更优模型，它可能在成本和人才发掘方面具备优势，但与拥有直接客户反馈闭环、服务级别协议、采购团队和合规控制的中心化厂商相比，它在产品化节奏上也可能更慢。代币又引入了另一重威胁：如果通胀奖励相较外部营收更具吸引力，矿工和验证者可能会围绕奖励机制而非客户结果进行优化，从而在子网活动与经济上有用的输出之间造成鸿沟。medium.com

Score 的未来展望如何？

Score 的前景更取决于其能否将可信的技术细分领域转化为可复用的商业基础设施，而非价格表现。

公开 GitHub 资料中的经认证路线图为 2025 年规划了一条路径：从比赛状态识别和基于 VLM 的验证，到主网上线、人工参与的验证、仪表盘、动作捕捉、事件解说、集成 API、扩展到更多体育项目、开发者工具以及跨领域应用。

到 2026 年中，公开叙事已经向由 Manako 驱动的企业摄像头智能和小型任务特定模型蒸馏推进，而 Bittensor 本身也经历了重要的代币经济变动，包括 2026 年 6 月回归基于价格的通胀发放机制。

因此，从现在起最重要的里程碑更偏向务实而非宣传：焕新的开源开发、更清晰的验证者与矿工遥测数据、经审计的模型基准测试、公开的 API 文档、付费工作负载的证据，以及面向非足球类任务的稳健验证框架。(github.com)

结构性障碍在于 Score 必须证明该子网不只是一个依赖通胀补贴的模型竞赛平台。

如果 Manako 以及类似应用能够持续地将真实的企业视觉问题导入 sn44，对矿工输出进行基准测试，在边缘侧部署紧凑模型，并展示出相较中心化工具的成本或精度优势，那么 Score 就能在 Bittensor 原生的计算机视觉劳动力市场中占据一个可防御的位置。否则，该资产就有可能主要被视为对 Bittensor 子网投机的杠杆押注，其代币流动性与真正的产品—市场匹配之间的区隔有限。没有任何价格预测是合适的；更相关的问题是：sn44 能否在中心化视觉平台缩小成本效率差距之前，维持高质量验证、实现控制权去中心化，并将摄像头数据转化为外部有需求的基础设施。