什么是 Bittensor (TAO)？

Bittensor 是一个开放网络，它向产出人工智能而非消费人工智能的人支付报酬。参与者可以贡献模型、算力或数据，TAO 奖励则根据其他参与者对其输出的有用程度评判来发放。

它的经济模型借鉴自 Bitcoin 并将其应用于机器学习。TAO 的总量上限为 2100 万枚，代码中内置了 halving 机制。2021 年 1 月启动时没有风投配额、预挖或代币销售，这意味着现存的每一枚 TAO 都是通过参与网络赚取的。

工作在 subnets 内部进行。每个子网都是一个独立的市场，专门负责推理、模型训练、算力提供或价格预测等任务，并且每个子网都为自身定义了有价值的工作。目前有 128 个活跃的 subnets，并计划扩展至 256 个。

该网络也已超越理论应用阶段。在第一季度，subnets 产生了约 4300 万美元的 AI 服务收入。Nvidia 的首席执行官公开将 Bittensor 的分布式训练比作 folding@home。与此同时，TAO 在从 2024 年初的高点下跌约三分之二后，交投于 190 美元附近。

Bittensor 是如何工作的？

Bittensor 通过一个评分系统协调四个参与群体，该系统将评判出的质量转化为代币支付。工作通过这些角色进入网络，而奖励则根据表现回流。

1. Subnets

subnet 的功能类似于单一数字商品的独立市场。创建者定义了激励机制：矿工需要产出什么，以及验证者用于对其评分的规则。因此，每个 subnet 都成为了为特定类型的智能定价的独立实验。

每个 subnet 最多支持 256 个参与者名额。一旦这些名额满员，新的注册就会取代表现最差的参与者。subnet 之间的竞争也遵循针对全网上限的同一原则。

2. 矿工

Miners 运行生成 subnet 输出的模型或硬件。在推理子网中，他们响应验证者的查询，并根据质量、延迟和鲁棒性进行评分。训练子网则可能转而奖励梯度、检查点或经过验证的模型改进。

仅靠正常运行时间并不能决定奖励，性能排名才可以。平庸的产出只能获得较少的比例奖励，而持续表现不佳则可能在有新参与者占用名额时导致取消注册。

3. Validators

Validators 查询矿工并根据 subnet 规则对响应评分，然后将这些权重提交到链上。这些分数决定了矿工代币发行量的分配方式，将对质量的主观评估转化为客观支付。

运行验证者需要投入有意义的 stake。Yuma Consensus（玉玛共识）协调验证者之间的分歧，以防止某个不诚实的评分者重定向代币发行。评分过程依赖于验证者的判断，而非计算的密码学证明。验证者保留可配置的 take，并将剩余部分分配给委托人。

4. Stakers 与委托人

希望在不运行基础设施的情况下获得风险敞口的用户可以通过 staking 参与。在 dTAO 机制下，将 TAO staking 到子网中不仅仅是简单的存款。TAO 将进入子网的 liquidity pool 并被兑换为其 alpha 代币。

这种结构带来了一个独特的风险。由于 staker 持有特定子网的资产，即使该子网继续赚取发行奖励，alpha 代币相对于 TAO 的价格仍可能下跌。因此，回报取决于 alpha 的价格以及 yield。

5. 发行与注册

增发（emissions）分两个阶段进行分发。每个区块都会根据跨子网公式向子网池注入 TAO 和 alpha。在每个周期（tempo，大约持续 360 个区块）结束时，累积的奖励会通过 Yuma 共识在各个子网内部进行分发。

注册需要支付 TAO，费用会根据需求动态调整。新参与者会获得一个豁免期，保护其免遭立即剔除（pruning）。一旦该期结束，新的注册将取代处于豁免期之外且增发量最低的节点。

什么是动态 TAO (dTAO)

dTAO 升级于 2025 年 2 月推出，改变了网络决定增发（emissions）去向的方式。此前，64 个根验证者组成了一个委员会，投票决定哪些子网应获得增发，从而在小范围内集中了巨大的影响力。

通过 dTAO，每个子网都会发行一个在自动做市商中与 TAO 配对的 alpha 代币。staking 活动会持续确定 alpha 的价格，进而决定子网在每日增发（emissions）中的份额。因此，资本分配从委员会投票转变为开放市场。

标准子网奖励将 41% 分配给验证者，另外 41% 分配给矿工，剩余 18% 留给子网所有者。截至 3 月，所有 alpha 代币的总市值已达到约 11.2 亿美元，相当于 TAO 自身市值的 27% 左右。

采用伴随着批评。子网经济学规则一再更改，包括净 TAO 运动（net TAO movement）、价格加销毁（price-plus-burn）以及将更多奖励导向排名更高子网的增发关卡（emission gate）。随着参数的变化，拥有真实产品的团队也被取消了注册。

领先的 Bittensor Subnets

subnet 的估值展示了市场对真实需求所在看法的体现。根据 3 月下旬的测算，按市值排名的领先者横跨训练、推理和算力领域：

• τemplar (SN3), ~$134.9M：3 月份完成了 Covenant-72B，这是一个在 70 多个分布式节点上训练的 720 亿参数模型。其算法在不损失准确率的情况下将梯度压缩了 97%。
• Chutes (SN64), ~$132.9M：一个无服务器推理平台，已处理 9.1 万亿个累计代币，日峰值超过 500 亿。通过利用闲置的去中心化算力，其服务定价比 AWS 低约 85%。
• Targon (SN4), ~$91.8M：来自 Manifold Labs 的机密 GPU 算力市场。它筹集了 1050 万美元的 A 轮融资，并将拥有 8.6 万亿用户的应用 Dippy AI 迁移到了去中心化基础设施上。
• Affine (SN120), ~$71.8M：一个强化学习环境，其中只有帕累托前沿（Pareto frontier）上的模型才能获得有意义的奖励。它在 Chutes 上托管自己的模型，而不是复制基础设施。
• Lium (SN51), ~$52.1M：一个 peer-to-peer GPU 市场，接入了 500 多台 Nvidia H100。验证者以编程方式验证硬件规格，而不是依赖提供商的声明。
• Ridges AI (SN62), ~$50.8M：为端到端软件工程任务构建自主智能体，并与集中式编码助手展开直接竞争。

一个开发团队占据了主导地位。Rayon Labs 运营着 Chutes 以及 Gradients (SN56) 和 Nineteen (SN19)。这三个 subnets 合计获得了所有日常 TAO 发行量的约 23.7%。

TAO 代币经济学与 halving

很少有主流代币能像 TAO 这样紧密遵循 Bitcoin 的供应设计。其发行机制包括：

• 硬上限：总供应量固定为 2100 万枚 TAO，其中大约 1100 万枚处于流通中。治理无法增加这一数字。
• halving：第一次 halving 发生在 2025 年 12 月。每日发行量从 7200 枚 TAO 降至 3600 枚，估计将每日抛压减少了 50 万美元。
• 发行分配：在 dTAO 模型下，区块奖励将 41% 分配给矿工，41% 分配给验证者，18% 分配给子网所有者。
• 委托人份额：验证者将其约 82% 的发行奖励传递给将 stake 委托给他们的 TAO 持有者，扣除可配置的 taker 费用。
• 已 staking 供应量：大约 70% 的供应量已被 staking。据报道，机构持仓锁定了额外的一部分，减少了可用于交易的流通浮动筹码。
• 回购与销毁：注册费和未使用的奖励将返回未发行的供应量中。子网所有者还可以永久销毁 alpha，这两种机制都会使下一次 halving 进一步推迟。

价格与机构定位

TAO 交易价格接近 190 美元，市值约为 30 亿美元，较其 2024 年初接近 757 美元的历史高点下跌了大约三分之二。该代币在第一季度回报率为 21.57%，从 230 美元回升并收于 251 美元附近，随后再度走低。

机构资金迅速涌入。据报道，Nvidia 的持仓接近 4.2 亿美元（其中 77% 已 staking），Polychain Capital 的持仓约为 2.0 亿美元。然而，两家公司均未在公开记录中证实这些数字，也没有发布任何链上验证。

受监管的访问权限仍然是悬而未决的催化剂。Grayscale 已申请将其 Bittensor Trust 转换为在 NYSE Arca 上市的现货 ETF，而 Bitwise 也提交了一款竞品。SEC 决定窗口期于 8 月开启。Grayscale 还将其 AI 重点基金中的 TAO 权重提高到了 43.06%。

机构采用与 ETF 问题

与大多数去中心化 AI 项目相比，Bittensor 吸引了更多传统金融的关注。受监管的包装产品至关重要，因为它们决定了养老金和财富资本是否能够持有该资产。

Grayscale 的 Bittensor Trust 以 GTAO 代码交易，其交易价格曾大幅高于净资产价值，这种模式在 Bitcoin 的 ETF 转型之前就已出现。在 6 月底，其最新的申报文件显示持有 46,331 枚 TAO，净资产为 940 万美元。

ETF 的批准远未敲定。TAO 在 CME 等场所没有受监管的 futures 市场。Grayscale 过去也曾放弃与 Cardano、Hedera 和 Polkadot 相关的申请，这使得该 AI crypto 领域的首个 spot ETF 成为一个未知数。

托管基础设施随着这些申报文件的增加而不断完善。BitGo 与 Yuma 合作提供机构级托管和 staking。Kraken 也完成了原生的 dTAO 集成，并计划直接上线 subnet alpha 代币，从而将访问权限扩大到原生 wallet 堆栈之外。

如何使用 Bittensor

参与方式从相对简单的 staking 到运营整个 subnet 不等，每个角色都需要不同程度的投入和技术技能。整个过程从在加密货币交易所购买 TAO 开始。

从最简单到最难，可行的路径包括：

1. Stake TAO：委托给验证者或 stake 到特定的 subnet。两者都可以赚取一部分排放奖励，但选择 subnet 而非根网络也会带来 alpha 价格风险。
2. 购买 alpha 代币：在交易所购买 TAO 并将其转入兼容的 wallet。然后，通过 Taostats 或 wallet 界面将其 swap 为 subnet 的 alpha 代币。
3. 运行矿工：在 subnet 上注册并运行所需的模型或硬件。与其他矿工竞争排放奖励需要 GPU 和持续的优化。
4. 运行验证节点：获取足够的 stake 以运行验证基础设施，然后根据子网的规则对矿工输出进行评分，同时从委托人处赚取抽成。
5. 启动 subnet：创建一个激励机制并支付注册成本，然后吸引矿工和验证者，同时与现有的 subnet 竞争有限的名额。

钱包与密钥管理

Bittensor 为不同的密钥分配了不同的功能。coldkey 用于保护 TAO 余额并保持离线状态。挖矿和验证等主动操作则使用 hotkey，这意味着即使 hotkey 遭到妥协也不会暴露底层持仓。

通过官方浏览器扩展程序支持存储、转账和 staking，而 Talisman 和 SubWallet 则提供了替代方案。任何拥有可观余额的人都应以保护任何自托管钱包相同的严谨态度来保护 coldkey 存储。

开发者与分析工具

对开发者而言，Python SDK 是该网络的主要构建工具。它支持 subnet 创建、参与者注册以及脚本化交互。偏好终端的用户可以使用命令行界面来进行 wallet 创建、密钥管理和 staking。

Taostats 自 2022 年以来一直作为 Bittensor 的区块浏览器运行，跟踪代币释放量和子网性能，以及验证节点排名和税务报告。在评估子网时，净 staking 变动和 liquidity pool 深度比头条市值更重要。

Bittensor 创始人与治理

Jacob Steeves 和 Ala Shaabana 共同创立了 Bittensor 并于 2021 年推出了 mainnet。在学习数学和计算机科学之后，Steeves 曾在 Google 担任软件工程师。自 2015 年以来，他一直从事 Bitcoin 与机器学习交叉领域的工作。

Shaabana 拥有计算机科学博士学位，在联合创立该网络之前曾担任多伦多大学助理教授。两位创始人继续通过 Opentensor Foundation 为协议发展做出贡献，该基金会负责管理协议开发。

在实践中，治理一直备受争议。Covenant AI 运营商退出事件导致代币价格回调了 38%。社区随后在没有中心化干预的情况下恢复了受影响的子网，支持者将这一结果视为韧性的证明，而批评者则看到了集中化风险。

需要了解的风险

Bittensor 将早期 AI 经济学与波动性代币结合在一起，产生了特定而非通用的风险敞口。在投入资金之前，请考虑以下风险：

• Alpha 代币风险：staking 到子网中意味着持有其 alpha 代币。即使子网获得发行奖励，它相对于 TAO 仍可能下跌，因此获得 yield 并不能保证正向回报。
• 规则不稳定性：发行和注册参数屡次发生变化。根据先前规则做出招聘和基础设施决策的团队随后被取消了注册资格。
• 集中化：一个开发团队通过三个子网控制了大约 23.7% 的日常发行量。据报道，机构持仓集中了供应量的另一部分。
• 取消注册：表现不佳的子网和参与者可能会被移除，这意味着无论产品质量如何，建设者都面临失去名额的风险。
• 未经核实的数据：广为流传的机构投资数据既没有 on-chain 确认，也没有公司声明作为支撑。因此，头条资金流入量应被视为报道数据，而非确凿事实。
• 营收规模：约 4300 万美元的季度 AI 服务营收是真实存在的，但相对于 30 亿美元的市值而言仍然较小。因此，估值取决于未来的需求。
• 流动性：较小的 alpha 代币在 automated market maker 中交易，其池可能跌破 100 万美元。大额订单可能会急剧推高价格，且在波动期间退出 liquidity 可能会消失。

最后总结

Bittensor 构建了一个真正独特的生态：一个根据评判质量而非承诺来奖励机器智能的市场。dTAO 扩展了这一模型，将决定哪些 AI 任务获得资金的权力从验证者委员会转移到了资本手中。

有证据表明存在实际使用情况。一个 720 亿参数的模型已在分布式节点之间完成训练，同时处理了数万亿的推理 token，并且企业级应用已迁移到 subnets 上。这些例子表明，网络是在进行实际工作，而不仅仅是发行 token。

可持续性依然是一个悬而未决的问题。规则的变更令开发者感到不安，少数团队占据了绝大部分的 emissions 份额，而且相对于估值而言，季度收入仍然较少。对于任何关注去中心化基础设施的人来说，Bittensor 依然是公开为智能定价的最前沿尝试。ETF 的决定将决定有多少资金能够顺应这一逻辑。