TAO 的 AI 叙事剛獲得了一個更重要的數據點

目前大多數關注 Bittensor 的人，都在關注 AI 叙事。

但我認為他們應該關注更具體的東西：真實的 AI 使用是否正在網路中變得可衡量。

2026 年 9 月 23 日，哈佛大學研究人員與 Chutes 發布了 Chutes —— Bittensor 的 Subnet 64 —— 一年的生產級 LLM 服務數據。

該數據集涵蓋了 61.2 億次請求、9,174 個模型和 314,970 個匿名用戶 ID，代表 2025 年 4 月 11 日至 2026 年 4 月 12 日之間約 35.8 萬億個輸入 token 和 2.52 萬億個輸出 token。

重點不在於新聞標題的規模。

而在於該數據集讓研究人員能夠看到什麼。

流量顯示，生產級 AI 工作負載並非單一大量相同的請求流。用戶與模型的互動具有強烈的時間局部性：同一用戶對同一模型的重複請求中，99% 出現在 15 分鐘內。

這對基礎設施有直接影響。

Chutes 可能透過前綴快取與路由來利用這種局部性，減少重複運算並提升服務效率。研究還發現，快取感知路由可提高 token 命中率，但模擬中引入了 5–7% 的負載不均。

這種權衡容易被忽略。

去中心化 AI 不僅僅是分佈 GPU。一旦使用規模足夠大，協調就成為產品的一部分。

還有另一項值得關注的證據。

DefiLlama 目前記錄 Chutes 在過去 30 天的收入約為 178,694 美元，來源包括無伺服器 AI 計算、訂閱、按需使用、私有實例與贊助推論。

與 Bittensor 整體經濟規模相比，這仍屬微小。

但它改變了問題。

對 TAO 而言，有趣的考驗不再是 AI 需求是否存在，而是生產級使用能否轉化為持續的外部收入、子網層級的回購，最終產生比吸引該活動所需激勵更強的經濟需求。

Bittensor 自身的發行機制在此至關重要，因為 TAO 發行仍是主要激勵來源，自 2025 年 12 月減半後，當前每日發行量約為 3,600 TAO。

因此，權衡變得越來越清晰：

Bittensor 可以補貼 AI 基礎設施以吸引使用，但永續價值要求使用最終能自給自足。

這才是我比任何其他 AI 合作夥伴或新模型公告更應密切關注的指標。

AI 叙事吸引關注，

但由收入支撐的需求，才是最終讓敘事站穩腳跟的東西。$TAO #TAO Price rebounds in AI-driven rally