May-akda: @BlazingKevin_ , researcher ng Blockbooster
Ang pagkakaisa ng Web3 at AI ay naglalabas na sa mga unang yugto. Ang pagmamasid ng merkado sa AI crypto sector ay nagmumula sa mga unang "concept hype" patungo sa "fundamentals at teknikal na pagpapatupad." Sa pagbabagong ito, ang mga proyekto na nagpapakita ng malakas na katatagan at teknikal na pagbubuo ay nagrere-reshape sa sistema ng pagbabahagi ng halaga ng merkado.
1 Bittensor ay masisiguro ang pangunahing posisyon
Ang kabuuang market cap ng sektor ng AI cryptocurrency ay kasalukuyang humigit-kumulang $17.46 bilyon, na may 24-oras na trading volume na malapit sa $1.94 bilyon. Sa loob ng sector na ito, ang Bittensor (TAO) ay nasa unang pwesto sa pamamagitan ng halos $3.43 bilyon na market cap. Ito ay nagsisilbi ng halos 19.6% ng buong market share ng AI cryptocurrency sector, nagtatag ng pinakamalakas na posisyon.
Ang direkta na paghahambing sa mga pangunahing kalaban ay nagpapakita ng kanilang ekolohikal na posisyon:
| Competitor | Token | Market cap (bilyon dolyar) | Core positioning | Differential sa TAO |
|---|---|---|---|---|
| Bittensor | TAO | 34.3 | Decentralized AI Incentive Network | |
| NEAR Protocol | NEAR | 14.9 | High-performance L1 public blockchain | General-purpose public blockchain, AI as part of its ecosystem |
| Render Network | RENDER | 8.64 | Decentralized GPU rendering/computation | Pure hashpower infrastructure, no AI quality incentives |
| Fetch.ai (ASI) | FET | 5.33 | Self-hosted AI agent network | Nakatuon sa application layer ng AI, hindi sa pag-train ng base model |
| Akash Network | AKT | 1.26 | Market ng decentralized cloud computing | General-purpose computing power market, no complex AI consensus mechanism |
Pangunahing hadlang sa kompetisyon
Ang pangunahing kompetitibong haligi ng Bittensor ay ang kanyang orihinal na "Proof of Intelligence" network. Ito ay lumalabas sa framework ng pagbibigay ng computing power lamang. Ang network ay naglalagay ng mga kumplikadong incentive mechanism na direktang nagbibigay ng reward sa mga output ng mataas na kalidad na AI models. Ang posisyon na ito ay natatangi sa mga kalaban at sobrang mahirap i-replica.
2 Pagtibay at Pagbabago sa Lojika ng Pagpapahalaga sa Totoong Kakayahan sa Paggawa ng Dugo
Iwan ang malalaking teknikal na pangarap. Ang pagsubok sa kakayahan ng Web3 protocol na lumampas sa bull at bear market ay ang tunay na pagpapalawak ng negosyo at kakayahan nito na kumita.
Sa cryptocurrency market, ipinapakita ng Bittensor ang makabuluhang kakayahan sa pagbuo ng kita. Ayon sa datos ng unang quarter ng 2026, kumita ang Bittensor network ng halos $43 milyon mula sa totoong AI customer (hindi mula sa fake transactions na galing sa token incentives). Ang bilang na ito ay lumampas na sa taunang kita ng maraming tradisyonal na Web3 protocol.
Core Valuation Metrics (as of March 29, 2026):
| Indikator | Halaga | Paglalarawan |
|---|---|---|
| Market Cap | ~$3.42 bilyon | Batay sa isang umiiral na supply na humigit-kumulang sa 10.78M |
| Fully diluted valuation | ~$66.8 bilyon | Batay sa kabuuang suplay na 21M |
| Totoong kita sa Q1 2026 | ~$43,000,000 | Non-token incentives, real AI customers paying |
| Estimated annual income | ~$172 milyon | Linear extrapolation batay sa Q1 data |
| Price-to-Sales Ratio (P/S) | ~20x | Batay sa market cap na nakabatay sa supply / taunang kita |
| FDV/Annualized Income | ~39x | Batay sa FDV/annualized revenue |
| Total market cap ng subnet ecosystem | ~$1.47 bilyon | Total market cap ng dTAO Alpha token |
Karaniwan, ang mga tradisyonal na sentralisadong kumpanya sa AI infrastructure ay may pagsusuri ng 15-25 beses ang hinaharap na kita sa private market. May mataas na liquidity premium, network effects, at mga katangian ng scarcity narrative ang Bittensor. Ang kasalukuyang P/S ratio nito na humigit-kumulang 20 beses ay nasa makatwiran o kahit na nababawasan na antas. Ang kabuuang market cap ng mga token ng subnet sa kanyang ecosystem ay umabot na sa $1.47 bilyon. Ang istrukturang ito ay nagpapalakas sa pagkuha ng halaga ng pangunahing network na TAO.
Ang pagtemo ng 3 SN3
Ang mga financial data ay nagtatag ng pahintulot na mababang halaga ng protokolo. Ang teknikal na pagbubuo sa decentralized training ay buong binuksan ang imahinasyon sa market capitalization nito.
Ang pangunahang drive sa pagtaas ng TAO sa gitna ng pagbaba ay hindi lamang ang paglalaro ng pera. Naging historical breakthrough ang ilalim na teknolohiya. Ang logika ng pagpapahalaga nito ay nagbago nang fundamental mula sa “narrative-driven” patungo sa “product-driven”.
3.1 Pagpapatotoo sa kakayahang magtrabaho nang decentralizado ng Covenant-72B
Noong Marso 10, 2026, ang Bittensor ecosystem subnet na Templar (SN3) at ang koponan sa likod nito, ang Covenant Labs, ay naglathala ng teknikal na ulat sa arXiv. Sinumpa ng koponan ang matagumpay na pagkumpleto ng pre-training ng Covenant-72B large language model. Ito ang pinakamalaking dense architecture model na tinatapos sa isang ganap na decentralize at permissionless internet environment hanggang sa kasalukuyan.
Mayroon itong 72 bilyong parameter at tinuturuan sa 1.1 trilyon na tokens. Nakamit nito ang skor na 67.1 sa MMLU, na may katumbas na pangunahing performance sa Meta's LLaMA-2-70B. Napasobra ng modelo ang bottleneck sa komunikasyong bandwidth sa decentralized training. Ang pagpapakilala sa SparseLoCo algorithm ay naging mahalagang papel. Ang mga node ay kailangan lang magpadala ng 1%-3% ng mga pangunahing gradient components at mag-quantize sa 2-bit, na nagresulta sa higit sa 146x na pagkakompres ng data (na binaba ang 100MB na data sa ilalim ng 1MB). Sa karaniwang internet bandwidth, ang paggamit ng compute ay patuloy na mataas na 94.5%. Ito ay isang mahalagang milestone na nagpapatotoo na ang globally distributed at heterogenous computing power ay makapagbuo ng mga modernong modelo na may komersyal na kakayahang makipagkumpetensya. Tinanggal ng teknikal na solusyong ito ang pagkakasalalay sa mahal InfiniBand专线 at sentralisadong supercomputing clusters.
Ang tagumpay ng Covenant-72B ay agad na nagdulot ng pagkabigla sa tradisyonal na mundo ng AI:
- mataas na pagpapahalaga mula sa co-founder ng Anthropic: Noong Marso 16, ginamit ni Jack Clark ang malawak na pagbanggit sa kanyang研究报告 tungkol sa pagbuo na ito. Ipinakilala niya ito bilang “paghamon sa politikal ekonomiya ng AI sa pamamagitan ng distributed training.” Binigyang-diin niya na ito ay isang teknolohiya na dapat patuloy na masubaybayan, at inaasahan niya na sa hinaharap, ang mga device-side AI ay magiging malawakang gumagamit ng ganitong uri ng decentralized training.
- Ang paghahambing ni Jensen Huang sa “Folding@home”: Noong Marso 20, sa podcast ng All-In VC, ipinakilala ni Chamath sa CEO ng NVIDIA, Jensen Huang, ang mga tagumpay teknikal ng Bittensor. Nagbigay si Huang ng positibong tugon. Ipinahambing niya ito sa “modern-day Folding@home” at sinuportahan ang kahalagahan ng pagkakaisa ng open-source at distributed model.
3.2 SN3: Dalawang pangunahing komponente: Paglutas sa efisiyensiya ng komunikasyon at pagkakasundo ng insentibo
Mga dekada ng mga node na hindi nagkakatiwalaan, may iba’t ibang hardware, at magkakaibang kalidad ng network na nagtatrabaho nang sabay-sabay para sa iisang 72B model. Lutasin ng SN3 ang mga problema sa bandwidth ng komunikasyon at masamang pag-uugali gamit ang dalawang pangunahing komponente:
- SparseLoCo (naglulutas sa efisiyensiya ng komunikasyon): Sa tradisyonal na distributed training, sinasynchronize ang buong gradient sa bawat hakbang. Malaki ang dami ng data. Pinapahintulutan ng SparseLoCo ang bawat node na mag-run ng 30 na hakbang ng lokal na optimisasyon (AdamW). Pagkatapos, i-compress at i-upload ng node ang mga “pseudogradient” na nabuo. Gumagamit ang sistema ng Top-k sparsification (nagpapanatili lamang ng 1%-3% ng mga pangunahing gradient components), error feedback, at 2-bit quantization. Ang prosesong ito ay nagtataguyod ng higit sa 146x na pagkakompres ng data (nagkakompres ng 100 MB na data sa mas mababa sa 1 MB). Sa karaniwang internet (uplink na 110 Mbps, downlink na 500 Mbps), ang paggamit ng compute ay nananatiling 94.5%. Ang bawat round ng komunikasyon ay nagtatagal lamang ng 70 segundo.
- Gauntlet (pagsisiguro ng incentive compatibility): Ang komponenteng ito ay tumatakbo sa Subnet 3 blockchain. Ito ang responsable sa pag-verify ng kalidad ng bawat pseudo-gradient na isumite ng bawat node. Ang sistema ay nagtatasa ng “kung gaano karaming bumaba ang model loss pagkatapos gamitin ang gradient ng node” (LossScore) gamit ang isang maliit na set ng data. Pinupugay din ng sistema kung ang node ay nagtatrabaho sa data na nakalaan sa kanya (upang maiwasan ang pang-aabuso). Sa bawat round ng aggregation, tanging ang gradient ng node na may pinakamataas na score ang pipiliin. Ang mekanismong ito ay lutasin nang masusing ang problema ng “paano maiiwasan ang pagmamaliit ng miners” sa decentralized na mga escenario.
Super leverage ng 4 subnet ecosystem at dTAO mechanism
Ipinakilala ng Bittensor ang dinamikong TAO (dTAO) mechanism noong 2025. Ang mekanismo na ito ay naglalaro ng mahalagang papel bilang “magnifier” sa pagtaas na ito. Pinapayagan ng dTAO ang bawat subnetwork na maglabas ng sariling Alpha token. Ang mga subnetwork ay nagtatayo ng liquidity pool sa TAO gamit ang automated market maker (AMM) mechanism.
4.1 Leverage Effect ng Subnet Token
Sa ilalim ng mekanismo ng dTAO, ang presyo ng subnet token ay diretso na natutukoy ng dami ng TAO reserve na naka-stake sa subnet pool. Ang pagtaas ng halaga ng TAO bilang pambansang pera ay nagdudulot ng pagtaas sa halaga ng pondo sa lahat ng subnet. Samantala, tumataas din ang presyo ng subnet token. Ang malaking pagtaas sa presyo ng subnet token ay nagdudulot ng higit pang spekulatibo at stake na pondo na bumibili ng TAO upang i-lock sa subnet. Sa pamamagitan nito, bumubuo ang sistema ng malakas na positibong feedback loop.
| Core Subnet Token | 30-araw na pagtaas ng presyo | Pangunahing posisyon ng negosyo |
|---|---|---|
| Templar (SN3) | +444% | Distributed pre-training ng malalaking modelo |
| OMEGA Labs | +440% | Multi-modal data collection and mining |
| Level 114 | +280% | - |
| BitQuant | +230% | - |
| Targon | +166% | Computing power and inference services |
Ayon sa datos sa tabla, naaayos ang SN3 (Templar) token ng higit sa 440% sa isang buwan dahil sa direktang pagpapalakas ng Covenant-72B. Nabawasan ang kanyang market cap sa $130 milyon. Nakikita ang epekto ng paggawa ng yaman sa antas ng subnet. Ang kabuuang market cap ng mga token sa subnet ay umabot sa $1.47 bilyon noong huling bahagi ng Marso. Lalong lumampas ang araw-araw na volumen sa $118 milyon. Ang epekto ay nagsilbing “super leverage” na nagpapabalik ng malaking presyur sa pagbili patungo sa pambansang TAO.
4.2 Integrasyon ng vertical ecosystem
Samantalang nagpapatakbo ang Covenant Labs ng SN3, naglalayon sila sa SN39 (Basilica, nakatuon sa computing services) at SN81 (Grail, nakatuon sa reinforcement learning fine-tuning at evaluation). Ang ganitong vertical integration ay nakakapalibot sa buong proseso mula sa pre-training hanggang sa alignment optimization. Ipinapakita ng ganitong paglalayon ang nabuo nang buong pagsasara ng decentralized AI supply chain sa loob ng Bittensor ecosystem.
5 distribution ng chips
Batay sa pinakabagong on-chain data mula sa taostats at CoinMarketCap hanggang Marso 29, 2026, ang kalusugan ng network ng Bittensor ay maaaring masusing suriin sa mga sumusunod na aspeto:
| On-chain metrics | Performance ng data | Mga pagsusuri at mga pananaw |
|---|---|---|
| Staking rate | 68% - 75% ng circulating supply | Ang napakataas na rate ng staking (higit sa 7.34 milyong TAO ang nakalock) ay nagbawas nang malaki sa aktwal na supply sa merkado. Nagkakaroon ng malakas na epekto ng kakulangan sa supply. Ang pagtaas ng presyo ay nakatutulong. |
| Subnet activity | 128 active subnets | Malakas ang ekosistema. Ang mga independiyenteng market cap ng mga top subnet tulad ng Templar (SN3) at Targon (SN4) ay umabot sa maraming milyon dolyar. Patotoo ang data sa tagumpay ng subnet tokens sa ilalim ng dTAO mechanism bilang "leveraged bet". |
| Total market cap ng Alpha token | ~$1.47 bilyon | Lumago ng higit sa 50 beses ang data mula noong ang dTAO ay ipinakilala. Ipinapakita nito ang malaking pagkilala sa ekosistema ng subnet. Patuloy na sinusuportahan ng demand ang mainnet TAO. |
| Degree of Validator Concentration | Ang mga pangunahing verifier ay may pangunahing timbang | Ang tao.bot, Taostats, Opentensor Foundation, at iba pa ay may mataas na timbang. Mayroong isang antas ng sentralisasyon na mayroong obhetibong pagkakaroon. Ang malalim na pagkakabindigan ng mga pangunahing tagapagbuo sa network ay ipinapakita rin. |
| Daily trading volume | Tungkol sa $241 milyon | Ang ratio ng volume sa market cap ay humigit-kumulang 7.03%. Sobrang sapat ang liquidity. Aktibo ang pagtinda sa merkado. Mataas ang partisipasyon ng mga institusyon at mga retail investor. |
| Deploy AI agents within 90 days | 14,500 na mga unit | Ang tunay na paglago ng paggamit sa network ay ipinapakita. Ito ay mahalagang tuntunin para sa pagtukoy ng tunay na pangangailangan. |
Comprehensive on-chain data evaluation:
Ang on-chain data ng Bittensor ay nagpapakita ng mga katangian ng isang napakalakas na ekonomiya. Mataas na staking rate ang naglalock ng liquidity. Totoong kita ang sumusuporta sa fundamentals. Ang dTAO mechanism ay nagpapalakas sa innovation ng subnets. Ang patuloy na pagkakasira sa supply side (kabilang ang halving at mataas na staking) kasama ang patuloy na paglago sa demand side (kabilang ang pagpasok ng mga institusyon at pagpapalakas ng AI narrative) ay bumubuo ng isang napakalakas na price dynamics model.
6 Mga alalahanin sa pagtataya
Mahalagang tandaan na ang transparency ng on-chain data ay pangunahing nakikita sa supply side, habang ang off-chain na katangian ng demand side (totoong bilang ng pagtawag sa AI service) ay nananatiling mahalagang puwang ng impormasyon:
Panganib 1: Ang malaking subsidy sa token ay nagtatago sa totoong gastos sa negosyo. Ang kasalukuyang mababang presyo ng serbisyo ng karamihan sa mga subnet ay malaking nakadepende sa inflation subsidy ng token na TAO. Halimbawa, ang pinakamalaking subnet para sa inference, Chutes (SN64), ay may ratio ng subsidy sa paglabas at panlabas na kita na 22-40:1. Kapag tinanggal ang subsidy ng token, ang totoong presyo ng serbisyo nito ay mas mataas nang malaki kumpara sa mga sentralisadong kalaban. Kumpara sa mga platform tulad ng Together.ai, ang premium ng serbisyo nito ay 1.6 hanggang 3.5 beses. Ang patuloy na pagpapatupad ng mga susunod na halving cycles ay magpapakita nang buo ang kahinaan ng business model na ito.
Panganib 2: Kawalan ng komersyal na paligid ay nagdudulot ng madaling pagkawala ng mga gumagamit. Ang Bittensor network ay pangunahing nag-aalok ng mga open-source model at standardized API. Ang ganitong modelo ay may malaking pagkakaiba sa mga tradisyonal na malalaking cloud provider tulad ng AWS. Ang ecosystem ay lubos na kulang sa proprietary platform, deep enterprise integration, o data flywheel—mga tradisyonal na “locking effect.” Ang migration cost para sa mga developer ay napakababa. Kapag nawala ang token subsidy, ang mga B-end user na sensitibo sa presyo ay mabilis na magkakaroon ng pagkawala. Ang mas muraong sentralisadong compute platform ay madaling makakatanggap ng mga lumalabas na流量.
Panganib 3: Panganib ng pagkakawala ng pagkakaugnay sa pagtataya matapos ang pag-alis ng mga datos na may overstatement: Sa pananaw ng 43 milyong dolyar na kita noong unang kuartal na nabanggit sa nakaraang bahagi, ibinigay ng ilang konservatibong institusyonal na pag-aaral na magkakaibang modelo ng pagsukat. Pagkatapos alisin ang mga transaksyon sa loob ng ekosistema at ang mga subsidy, ang taunang kita ng network ay maaaring bumaba nang malaki hanggang sa saklaw ng 3 milyon hanggang 15 milyong dolyar lamang batay sa totoong pribadong pera na kinokonsidera. Gamit ang totoong batayan ng kita matapos ang “pag-alis ng tubig,” ang aktwal na price-to-sales (P/S) ratio ng network ay maaaring tumaas sa napakataas at mapanganib na antas na 175-400 beses. Ang panganib ng pagbagsak ng bubble sa pagtataya ay may katotohanan.