Ang mga subnets ng Bittensor ay mga espesyalisadong merkado para sa digital na komodidad sa loob ng network ng Bittensor. Bawat subnet ay tumutukoy sa isang gawain, nagbibigay ng pagsasakripisyo sa mga miner na naglalabas ng hiniling na output, at umaasa sa mga validator upang iskor ang gawaing iyon bago ipamahagi ng protokolo ang mga emissions. Ang Targon SN4 ay nagbibigay ng confidential compute, ang Chutes SN64 ay nagde-deploy ng GPU applications, ang iota SN9 ay nagco-coordinate ng distributed model training, at ang Data Universe SN13 ay naglalapit ng social data.
Ang subnet number lamang ay nagpapakita ng kaunting impormasyon tungkol sa kalidad ng produkto. Dapat magkonekta ang isang makabuluhang pagsusuri sa gawain sa patakaran ng pagsusuri, sa patakaran ng pagsusuri sa mga reward ng miner, at sa nagreward na output sa isang panlabas na gumagamit. Ang demand at emissions ng Alpha-token ay maaaring suportahan ang merkado, ngunit hindi isa sa dalawa ang nagpapatotoo na ang nakapalibot na serbisyo ay may mga customer na nagbabayad.
Ang pangunahing network ng Bittensor ay nagbibigay ng komon na koordinasyon at ekonomiya ng token, habang bawat subnet ay nagpapasya kung ano ang dapat gawin ng mga miyembro at paano masusukat ang performance. Ang pagkakahiwalay na ito ay nagpapahintulot sa isang inference network na bigyan ng pagsasala ang latency at kalidad ng model nang hindi pinipilit ang subnet ng pagkolekta ng data na gamitin ang parehong benchmark. Ito ang dahilan kung bakit ang Bittensor ay tumutulad sa isang portfolio ng mga espesyalisadong merkado kaysa sa isang decentralized na chatbot.
Hindi isang hiwalay na blockchain ang isang subnet at hindi ito simpleng isang token na nakalista sa ilalim ng TAO. Ito ay isang operating environment na binuo sa paligid ng isang partikular na komodidad, tulad ng GPU compute, mga tugon ng model, pag-unlad ng pagtuturo, bagong data, mga paunang pagtataya, pagsubok sa seguridad, o mga trahektorya ng agent. Ipakikita ng Bittensor subnet directory kung gaano kalawak ang pagkakaiba ng mga gawain na ito, habang isinasaayos ng decentralized AI project analysis ni AiCryptoCore ang model sa tabi ng mga network na nagkoordinasyon ng compute, data, at inference sa iba’t ibang paraan.
| Komponente | Rol sa loob ng subnet | Ebidensya na nakikita ng isang mananaliksik |
|---|---|---|
| May-ari ng Subnet | Tinutukoy ang gawain at mekanismo ng insentibo | Deskripsyon ng produkto, disenyo ng pagsusuri, pagmamay-ari at mga pagbabago sa parameter |
| Miner | Nagpapagawa ng komodidad o serbisyo | Nakaretrato ang output, available capacity, latency, freshness o benchmark result |
| Validator | Sinusubok ang mga miner at isinumite ang mga timbang | Bilang ng validator, paraan ng pagsusuri, pag-uugali ng timbang at konentrasyon |
| Metagraph | Nagrerecord ng mga kalahok at ugnayan ng subnet sa isang block | UIDs, hotkeys, stake, incentives, trust, dividends at weights |
| dTAO market | Ipinagkakaltas ng subnet ang alpha token nito laban sa TAO | Pool depth, price, volume, stake at emission share |
Karamihan sa mga makabuluhang gawain ay nangyayari offchain. I-record ng Bittensor kung sino ang nakikilahok, paano iskor ng mga validator ang mga miner, at kung paano ipinapamahagi ang mga reward.
- Ang mga validator ay nagpapadala ng gawain na itinakda ng owner ng subnet, tulad ng isang hiling sa pag-infer, pag-check ng hardware o trabaho sa pagkolekta ng data.
- Gagamit ang mga miner ng kanilang sariling modelo, hardware o dataset upang ibalik ang hiniling na resulta.
- Pagsusuri: Ang mga validator ay sinusubok ang resulta gamit ang mga patakaran sa pagsusuri ng subnet at sumusubmit ng mga timbang para sa mga miner na kanilang sinuri.
- Consensus: Ang Yuma Consensus ay nagkakaisa ang mga weights ng validator habang isinasaalang-alang ang stake at pagkakasundo.
- Pagsasaulo: Ang chain ay nagsasalaysay ng mga insentibo ng miner at mga dividend ng validator batay sa resultang pagkakasundo.
Nagbabago ang scoring test batay sa produkto. Targon ay tiniyak ang hardware at execution attestations, habang ang Data Universe ay nag-samples ng mga record para sa autenticidad at freshness. Ang mataas na miner incentive ay nangangahulugan na mabuti ang paggawa ng miner sa ilalim ng mga patakaran ng subnet; hindi ito patotoo na may bumili ng output mula sa isang labas na customer.
| Mga kalahok | Ano ang kanilang ginagawa | Ano ang nagdedetermine sa resulta | Pangunahing panganib |
|---|---|---|---|
| Miner | Nagpapaprodukto ng output ng modelo ng subnet, compute, data o serbisyo | Kalidad ng marka, pagkakaroon, gastos sa pagpapatakbo, ranggo ng UID at mga emisyon ng subnet | Ang mga gastos sa rehistrasyon at kagamitan ay maaaring lalong lumampas sa mga reward |
| Validator | Sinusubok ang mga miner at isinumite ang mga timbang | Tiyak na pagsusuri, tiwala sa validator, mag-stake at pagkakasundo sa consensus | Mababang pagtataya o mababang tiwala ay nagbabawas sa impluwensya at dividends |
| May-ari ng Subnet | Tinutukoy ang gawain at mekanismo ng insentibo | Kahalagahan ng produkto, disenyo ng pagsusuri at kakayahang tarikin ang mga miner at validator | Maliit na kapalit ay nagpaparito sa maling pag-uugali |
| Staker | Nag-aalok ng TAO sa isang subnet at nakakatanggap ng alpha exposure | Paggawa ng presyo ng pool, pangangailangan ng alpha, emisyon at ekonomiks ng validator | Maaaring magkaiba ang returns ng token mula sa pangangailangan ng produkto |
Mas mabigat ang workload kaysa sa ipinapakita ng isang token dashboard. Sa isang nakalipas na Bittensor mining discussion, isang operator ay naglarawan na nagpassa siya ng halos pitong oras araw-araw sa mga unang buwan at nagbayad ng parehong GPU at registration costs.
Ipinahayag ng parehong operator na naglalakbay siya ng tatlong buwan nang walang kita habang natututo ng sistema. Ang isang account na ito ay hindi isang kumpletong pagtataya ng gastos, ngunit ipinapakita nito kung bakit kailangan ng mga posibleng miner isang subnet-specific na budget at performance test, hindi lamang isang screenshot ng APY.
Ang kita ng miner, mga dividend ng validator, at kita ng staker ay sumusukat sa iba’t ibang aktibidad. Ang pagpagsasama nila sa isang headline yield ay nagtatago kung sino ang nagawa ang trabaho, sino ang nag-evaluate nito, at sino ang nag-accept lamang ng eksposur sa token-market.
Mayroong UID at hotkey ang bawat aktibong neuron. Ang metagraph ay nagkakaisa ang mga identidad na iyon kasama ang stake, weights, incentives, trust, at dividends ng subnet sa isang tiyak na block.
Ang metagraph ay makikita:
- Kung ang subnet ay puno na at ilan ang aktibong UID slots.
- Sino ang mga miner na tumatanggap ng makabuluhang insentibo.
- Ano ang mga validator na may pinakamalaking timbang at tiwala.
- Kung ang mga reward at impluwensya ay nakonsentrado sa isang maliit na grupo.
Hindi makikita ng metagraph:
- Kita na binayad ng mga customer labas sa Bittensor.
- Kung nagbigay ba ang API request ng magandang resulta.
- Nadala ang compute, pinanatili ang mga user o paulit-ulit na integrasyon.
- Kung ang pangangailangan sa token ay mula sa paggamit ng produkto o spekulasyon sa merkado.
Ang pagkonsentrado ng mga timbang ng validator ay nangangahulugan na mas kaunting mga aktor ang nakakaapekto sa mga reward ng miner, habang ang pagkonsentrado ng mga insentibo ay nangangahulugan na isang maliit na grupo ang nakakakuha ng karamihan sa mga emisyon. Ang isang empirikal na pagsusuri ng Bittensor noong 2025 ay natuklasan ang malaking pagkonsentrado sa stake at reward, kaya ang malaking bilang ng mga participant ay hindi nagpapatotoo sa decentralization.
Kailangan ng isang kredibleng pagsusuri ng subnet ang parehong mga layer: ang metagraph data para sa panloob na kompetisyon at ang ebidensya ng customer para sa panlabas na pangangailangan. Ang pagkakaiba na ito ay may kaugnayan din sa mas malawak na AI infrastructure crypto market.
Hindi ang mga halimbawa sa ibaba isang pagkakasunod-sunod. Pinili sila dahil bawat isa ay nagpapakita ng ugnayan ng miner at validator sa pamamagitan ng iba’t ibang produkto: lihim na compute, serverless na inference, distributed na model training at pagkolekta ng social-data. Ang mga pangalan, netuids at mga market metrics ay tiniyak noong Agosto 24, 2026; ang subnet assignments at ekonomiks ay maaaring magbago.
| Subnet | Nadala ang produkto | Kontribusyon ng miner | Pokus sa validator |
|---|---|---|---|
| Targon, SN4 | Konsiderasyong lihim na AI compute | Attestadong kapasidad ng GPU at pagsasagawa | Integridad ng hardware at kwalipikadong kapasidad |
| Mga chutes, SN64 | Pag-deploy ng serverless GPU application | Mga GPU instance na naglilingkod sa mga containerized na workload | Kabisaan ng hardware, availability, at pagpapadala ng serbisyo |
| iota, SN9 | Distributed model pretraining | Coordinated training work across GPUs | Maaaring maulit ang pag-unlad at wastong kontribusyon |
| Data Universe, SN13 | Bagong mga dataset sa social media | Nakuhang at naiimbak na mga rekord | Autentisidad, kahulugan, pagkakaiba-iba, at kagustuhan |
Ang Targon ay isinasalin ang hardware attestation sa isang compute product
Targon ay nakatuon sa pribadong compute kaysa sa pangkalahatang pag-renta ng GPU. Ayon sa kanyang public subnet profile, ang mga miner ay gumagamit ng kwalipikadong hardware at execution environments habang ang mga validator ay nag-verify ng mga attestation claims bago makatanggap ng trabaho at reward ang kapasidad. Ang kanyang mekanismo batay sa paligsahan ay nag-uugnay sa emissions sa available na GPU capacity at target pricing, gawaing mas konkretong trabaho para sa miner kaysa sa “magbigay ng AI compute.”
Ang public subnet profile ng Targon ay naglalaman ng attested hardware, mga parameter ng auksiyon, at kwalipikadong kapasidad. Hindi ito inilalathala ang independently verified na volume ng workload, natapos na gastos ng customer, o retention. Ang mga nawawalang pagsusuri ng produkto ay naglalagay ng Targon sa parehong antas ng decentralized GPU network comparison, kung saan mas mahalaga ang delivered workloads kaysa sa listahan ng hardware.
Ang Chutes ay nagpapakilos ng mga GPU para sa minero bilang mga mai-deploy na aplikasyon
Ang Chutes ay nagtatampok ng isang mas aplikasyon-oriented na proporsiyon. Ang kanyang SN64 profile ay naglalarawan ng mga containerized na GPU application na maaaring i-scale sa mga independiyenteng operadong kapasidad, na nagpapahintulot sa mga developer na i-deploy ang mga inference workload nang walang pangangalaga sa isang fixed cluster. Ang mga miner ang nagbibigay ng hardware na nagpapatakbo ng mga aplikasyong iyon; ang platform ang nangangasiwa sa deployment, routing, at paggamit batay sa paggamit.
Ang public profile ng Chutes ay naglalaman ng kanyang deployment model, billing ng GPU runtime, at automatic scaling. Hindi ito nagbibigay ng independently verified na rekord ng mga matagumpay na hiling, cold-start performance, uptime, o nadala na latency. Ito ay ang mga parehong service measurements na ginagamit sa decentralized inference network guide ng AiCryptoCore, at ang alpha price ay hindi ito nagpapalit.
iota ay nagkoordinasyon ng pretraining sa mga hindi maaasahang GPU
iota, na nakikilala bilang SN9 sa kanyang public subnet surface, ay nakatuon sa pipeline-parallel model training sa pamamagitan ng distributed GPU operators. Ang gawain na ito ay iba nang malaki sa pagpapagana ng isang inference request. Ang isang kapaki-pakinabang na resulta ay ang patuloy na pag-unlad sa pagtuturo na nakakaligtas sa variabilidad ng node at nagpapagawa ng reproducible na model checkpoint, hindi lamang ang malaking inventory ng rehistradong hardware.
Ang mga validator ng IOTA ay sumusukat sa kontribusyon sa pagsasanay, hindi lamang sa rehistrasyon ng hardware. Ang public subnet surface ay nagtatukoy sa distributed training architecture, ngunit hindi ito nagtatatag ng kasalukuyang kalidad ng checkpoint, performance sa fault-recovery, o huling kakayahan ng model. Ang mga natapos na training artifacts at maaaring muling ipakita ang mga evaluwasyon ang nagtatatag kung ang koordinadong pagpapatakbo ay nagproduksyon ng isang gamit na model.
Ang Data Universe ay nagbibigay ng mga reward para sa mga bagong at verifiable na rekord
Ipapakita ng Data Universe, SN13, na hindi lagi kailangan ng GPUs ang mga miner ng Bittensor. Ang public subnet profile nito ay naglalarawan kung paano kumokolekta ang mga miner ng data mula sa social media habang ang mga validator ay nagpapalit ng mga rekord at nag-evaluate ng kahusayan, pagkakaiba, kagustuhan, at kredibilidad. Nagbibigay ito sa subnet ng isang masusukat na komodidad: mga rekord na sumasapat sa mga ipinahayag na patakaran sa kalidad.
Ang mga validator ng Data Universe ay nagtatakda kung ang mga sumbitadong rekord ay sumusunod sa mga patakaran ng autentisidad, kahusayan, pagkakaiba-iba, at kagustuhan ng subnet. Ang public subnet profile ay hindi naglalabas ng sariling na-verify na customer retention, gastos ng delivered dataset, o masukat na pagpapabuti sa isang panlabas na model. Kaya mananatiling hiwalay na mga ebidensyang layer ang protocol-valid na data at buyer-valued na data.
Binibigyan ng Dynamic TAO ang bawat subnet ng isang alpha token at isang pool na pinag-uugnay ang alpha sa TAO. Ang pag-stake ng TAO sa isang subnet ay bumabalik ng alpha; ang pag-exit ay binabawi ang trade sa pamamagitan ng pool. Ang market price na lumalabas ay tumutulong sa pagtukoy kung paano ipinapadala ang emissions sa mga subnet, palitan ang isang sistema na mas nakadepende sa isang limitadong set ng validator. Ibinabahagi ng dTAO whitepaper ang ganitong pagpapahalaga sa mga komodidad ng subnet na batay sa merkado.
Ito ay nagiging Bittensor isang market ng mga market at naglalikha ng reflexive na ugnayan sa pagitan ng pangangailangan sa alpha-token, pagkakaloob ng stake, at emissions. Ang paggalaw ng presyo ng alpha ay nag-uugnay sa aktibidad sa subnet market; hindi ito nagtatatag ng pangangailangan ng customer sa pinagmulang produkto. Ang depth ng pool at slippage ang tumutukoy sa executable na halaga ng isang alpha position kaysa sa nakikita lamang na spot price.
Ang pinakamalinaw na pagsusuri ay naghihiwalay sa tatlong signal. Ang product demand ay nagsasalaysay ng mga hiling, customer, at bayad na paggamit. Ang protocol performance ay nagsasalaysay ng output ng miner, pag-scor ng validator, at reliability. Ang market demand ay nagsasalaysay ng alpha price, liquidity, stake, at emissions. Ang isang subnet ay pinakamalakas kapag lahat ng tatlo ay umunlad nang sabay-sabay; hindi dapat gamitin ang isang layer bilang palit sa dalawa pang layer.
Ang isang Bittensor subnet ay kapaki-pakinabang kapag ang mekanismo ng insentibo nito ay patuloy na nagpapalit ng kompetisyon ng mga miner sa isang digital na komodidad na gustong mayroon ng iba. Ipapakita ng Targon, Chutes, iota at Data Universe kung bakit hindi sapat ang isang magkakasunod na “AI subnet” na template: hinihingi nila ang mga kalahok na patunayan ang hardware, magbigay ng mga aplikasyon, palawakin ang pagtuturo o magbigay ng verifiable na data.
Ang pagsasagawa ng pondo at ang presyo ng dTAO ay nagpapakita ng interes ng merkado, ngunit ang matatag na signal ay lumalabas pagkatapos makamit ang reward. Dapat makaraan ang output sa isang independiyenteng pagsubok ng produkto, at kailangan may dahilan ang mga panlabas na gumagamit upang bumalik. Ang pagbabasa sa Bittensor mula sa gawain, sa pagsusuri, hanggang sa pangangailangan ng produkto ay nagbibigay ng mas malinaw na larawan kaysa magsimula sa leaderboard ng subnet.
Ano ang isang Bittensor subnet?
Ang isang Bittensor subnet ay isang espesyalisadong merkado sa loob ng Bittensor kung saan ang mga miner ay gumagawa ng isang tukoy na digital na komodidad at ang mga validator ay nagpapahalaga sa kanilang performance. Ang gawain, paraan ng pag-evaluate, at mekanismo ng insentibo ay espesipiko sa subnet na iyon.
Ano ang pagkakaiba sa pagitan ng TAO at isang subnet alpha token?
Ang TAO ay ang shared network asset. Ang isang alpha token ay nakatutok sa isang subnet’s dTAO pool at nagpapakita ng market activity tungkol sa subnet na iyon. Ang paggalaw ng alpha price ng subnet ay nakakaapekto sa kanyang emission allocation; hindi ito nagtatatag ng product revenue o quality.
Gumagana ba lahat ng Bittensor miners ng AI models sa GPUs?
Hindi. Ang mga kinakailangang kagamitan ay sumusunod sa subnet task. Ang Targon, Chutes, at iota ay nakadepende sa kapasidad ng GPU para sa compute o pagtuturo, habang ang Data Universe ay nagbibigay ng pagsasalaysay para sa pagkolekta at pag-verify ng data nang walang kinakailangang GPU mula sa kanilang mga miner.
Ang subnet na may pinakamataas na emissions ay ang pinakamahusay?
Hindi. Ang mataas na emisyon ay nagpapakita ng malakas na pagkakatanim ng protokolo at suporta ng merkado sa isang nakaraang snapshot. Kailangan din ng isang kompletong pagtataya ang kalidad ng output ng miner, konserntrasyon ng validator, panlabas na paggamit, likuididad ng pool, gastos sa pagpapatakbo at ebidensya na tinatanggap ng mga customer ang serbisyo.
Paalala:
Ang impormasyon na ibinibigay sa AiCryptoCore.com ay para sa edukasyonal at impormatibong layunin lamang at hindi nagtataglay ng financial, investment, o trading na payo. Ang mga investment sa cryptocurrency ay may panganib at maaaring magresulta sa financial na pagkawala. Laging gawin ang iyong sariling pag-aaral at konsultahin ang isang kwalipikadong financial advisor bago gumawa ng anumang desisyon sa investment.