Bittensor, Надежный лидер в области искусственного интеллекта

Интеграция Web3 и AI выходит за рамки начальной стадии. Внимание рынка к пространству AI в криптовалюте переходит от первоначального “пузыря” к “фундаментальным элементам и внедрению технологий”. В этом переходе проекты, демонстрирующие значительную устойчивость и технологические прорывы, формируют новую рыночную ценность.

1. Bittensor Уверенно подтверждает свою лидирующую позицию Текущая рыночная капитализация области AI в криптовалюте оценивается примерно в 17,46 миллиарда долларов США, с объемом торгов за 24 часа почти 1,94 миллиарда долларов США. В этой области Bittensor (TAO) уверенно занимает лидирующую позицию с рыночной капитализацией около 3,43 миллиарда долларов США. Он занимает почти 19,6% доли рынка всей области AI в криптовалюте, подтверждая свою абсолютную доминирующую позицию. Прямое сравнение с основными конкурентами показывает его уникальную позицию:

Ключевые барьеры для конкуренции Основное конкурентное преимущество Bittensor заключается в его уникальной сети “Доказательство интеллекта”. Она выходит за рамки простого предоставления вычислительной мощности. Эта сеть внедряет сложный механизм стимулирования, напрямую вознаграждая за создание высококачественных моделей AI. Эта уникальная позиция делает его крайне сложным для копирования конкурентами. 2. Подтверждение реальной способности “саморазвития” и переосмысление логики оценки Обходя макро технологические видения, ключ к проверке способности протокола Web3 преодолевать рыночные колебания — это его практическая коммерческая масштабируемость и создание дохода.

На рынке криптовалют Bittensor продемонстрировал редкую способность генерировать реальный доход. Согласно данным за первый квартал 2026 года, сеть Bittensor принесла около 43 миллионов долларов дохода от реальных клиентов AI (без поощрения фальшивых транзакций токенами). Эта сумма превышает годовой доход многих традиционных протоколов Web3. Основные показатели оценки (по состоянию на 29 марта 2026 года):

Традиционно компании инфраструктуры AI с фокусом на рынке частных инвестиций оцениваются в 15-25 раз по прогнозируемому доходу. Bittensor обладает высокой ликвидностью, эффектом сети и историей редкости. Текущий коэффициент P/S около 20 раз находится в разумных пределах или даже недооценен. Общая рыночная капитализация токенов внутри его экосистемы достигла 1,47 миллиарда долларов. Структура этой экосистемы, в свою очередь, способствует привлечению стоимости основной сети TAO. 3. Прорыв SN3 Финансовые данные определили нижнюю границу оценки протокола. Технологические прорывы в области децентрализованного обучения полностью раскрыли потенциал его рыночной капитализации. Ключевая движущая сила недавнего роста TAO — это не просто спекулятивные сделки, а фундаментальные технологические достижения. Произошел исторический прорыв в его базовой технологии. Логика оценки претерпела кардинальные изменения: от “основанной на истории” к “основанной на продукте”. 3.1 Гарантия 72B подтверждает осуществимость децентрализованного обучения 10 марта 2026 года сеть Templar (SN3), дочерняя сеть экосистемы Bittensor, и команда Covenant Labs, стоящая за ней, опубликовали технический отчет на arXiv. В нем сообщается о успешной предварительной тренировке крупномасштабной языковой модели Covenant-72B. Это крупнейшая по архитектуре модель, обученная в полностью децентрализованной и не лицензируемой интернет-среде. Модель обладает 72 миллиардами параметров и обучена на 1,1 триллионе токенов. Ее показатель MMLU достиг 67,1, что сопоставимо с LLaMA-2-70B от Meta. Модель решает узкое место пропускной способности при обучении в децентрализованной среде. Важным является внедрение алгоритма SparseLoCo. Узлы передают только 1-3% ключевых градиентов и используют 2-битную квантованную передачу, достигая сжатия данных более чем в 146 раз (сжимая 100 МБ данных до менее 1 МБ). При обычной интернет-скорости эффективность вычислений остается высокой — 94,5%. Этот рубеж доказывает, что распределенная глобальная вычислительная мощность может создавать передовые модели с коммерческим конкурентным потенциалом. Техническое решение устраняет необходимость в дорогих линиях связи InfiniBand и централизованных суперкомпьютерах. Успех Covenant-72B быстро вызвал ажиотаж в традиционном сообществе искусственного интеллекта: Джек Кларк, соучредитель Anthropic, высоко оценил этот прорыв, широко цитируя его в своем исследовательском отчете 16 марта. Он описал его как “вызов политической экономии AI через децентрализованное обучение”. Он отметил, что это перспективная технология, за которой стоит следить, и предположил, что в будущем AI на устройствах широко применит модели децентрализованного обучения, подобные этим. В качестве примера он привел “Folding@home” Дженсена Хуана: 20 марта в подкасте All-In VC Чамарт представил достижения Bittensor для CEO NVIDIA Дженсена Хуана. Хуан положительно отозвался, сравнив его с “современной версией Folding@home” и подчеркнув необходимость сосуществования открытых и децентрализованных моделей. 3.2 Два ключевых компонента SN3: решение проблем эффективности передачи и совместимости

Десятки недоверяющих друг другу узлов сети с разным оборудованием и качеством сети совместно обучают одинаковую модель 72B. SN3 решает проблемы пропускной способности и вредоносных атак через два основных компонента: SparseLoCo (решает проблему эффективности передачи): Традиционное распределенное обучение требует синхронизации всех градиентов на каждом шаге, что ведет к огромному объему данных. SparseLoCo позволяет каждому узлу выполнять 30 локальных шагов оптимизации (AdamW). Затем узлы сжимают и загружают “фейковые градиенты”. Система использует разреженность Top-k (оставляя только 1-3% ключевых градиентов), ошибочную обратную связь и 2-битную квантованную передачу. Это обеспечивает сжатие данных более чем в 146 раз (сжимая 100 МБ данных до менее 1 МБ). При обычных интернет-скоростях (загрузка 110 Мбит/с, скачивание 500 Мбит/с), система сохраняет использование вычислений на уровне 94,5%. Каждый цикл передачи занимает всего 70 секунд. Gauntlet (решает проблему совместимости и стимулирует): Этот компонент работает на блокчейне Subnet 3. Он отвечает за проверку качества фейковых градиентов, отправляемых каждым узлом. Система использует небольшие объемы данных для оценки “степени снижения потерь модели после использования градиентов узла” (LossScore). Также она проверяет, обучается ли узел на выделенных данных (чтобы предотвратить мошенничество). Каждый цикл собирает градиенты только от узлов с наивысшими баллами. Этот механизм в основном решает проблему “как предотвратить лентяев” в децентрализованных сценариях. 4. Превосходство экосистемы дочерних сетей и механизма dTAO Bittensor запустил механизм Dynamic TAO (dTAO) в 2025 году. Этот механизм играет важную роль в “усилении” роста. dTAO позволяет каждой дочерней сети выпускать свой собственный токен alpha. Эти сети создают ликвидные пулы с TAO через механизм автоматического маркетмейкера (AMM). 4.1 Эффект рычага токена дочерней сети

По механизму dTAO, стоимость токена внутри сети определяется прямо объемом TAO, поставленным в пул этой сети. Когда TAO растет в цене, увеличивается базовая стоимость резервов всех сетей. Стоимость токена сети пассивно увеличивается. Этот скачок стоимости привлекает больше спекулянтов и инвесторов, которые покупают и блокируют TAO внутри сети. В результате формируется мощный положительный цикл обратной связи.

Как видно из таблицы, под влиянием успеха Covenant-72B токен SN3 (Templar) вырос более чем на 440% за месяц, достигнув рыночной капитализации 130 миллионов долларов. Эффект богатства на уровне дочерней сети очевиден. Общая рыночная капитализация токенов дочерних сетей достигла 1,47 миллиарда долларов к концу марта, с ежедневным объемом торгов свыше 118 миллионов долларов. Этот эффект, функционирующий как “суперрычаг”, оказывает огромное давление на покупку TAO. 4.2 Вертикальная интеграция экосистем

Параллельно с работой SN3, Covenant Labs также создала SN39 (Basilica, сосредоточенную на услугах вычислительной мощности), и SN81 (Grail, ориентированную на обучение и оценку после обучения усиленного обучения). Эта вертикальная интеграция охватывает весь процесс — от предварительного обучения до оптимизации соответствия. Стратегия демонстрирует рынку, что полностью закрытая цепочка индустрии децентрализованного AI сформировалась внутри экосистемы Bittensor. 5. Распределение чипов На основе последних данных on-chain из taostats и CoinMarketCap по состоянию на 29 марта 2026 года, состояние сети Bittensor можно оценить по следующим аспектам:

Общая оценка на основе данных on-chain: Данные on-chain Bittensor показывают признаки очень здоровой экономики. Высокий уровень стейкинга помогает закрепить ликвидность. Реальные доходы подтверждают фундаментальные показатели. Механизм dTAO стимулирует инновации дочерних сетей. Постоянное сокращение предложения (включая полумеры и высокий стейкинг), в сочетании с постоянным ростом спроса (включая участие организаций и усиление AI-истории), создает очень выгодную динамическую модель цен. 6. Вопросы оценки Важно отметить, что прозрачность данных on-chain в основном отражает сторону предложения, тогда как внецепочные характеристики спроса (фактический объем вызовов AI-услуг) остаются значительной информационной слепой зоной. Риск 1: Высокие субсидии токенов скрывают реальные бизнес-расходы В настоящее время большинство недорогих сервисов дочерних сетей сильно зависят от инфляционных субсидий токенов TAO. Например, ведущая сеть Chutes (SN64) показывает коэффициент выпуска субсидий по сравнению с внешним доходом в диапазоне 22-40:1. Без учета субсидий стоимость реальных услуг значительно превышает конкурентов. По сравнению с платформами вроде Together.ai, их сервисные сборы выше в 1,6-3,5 раза. Продолжение циклов полумеры и очередных сокращений в будущем полностью выявит уязвимость этой бизнес-модели. Риск 2: Отсутствие устойчивых конкурентных преимуществ ведет к высокой оттоку пользователей Сеть Bittensor в основном предоставляет открытые модели и стандартные API. Эта модель существенно отличается от крупных облачных провайдеров, таких как AWS. Экосистема остро нуждается в собственных платформах, глубокой интеграции с бизнесом или “потоках данных” — традиционных “эффектах блокировки”. Стоимость переключения для разработчиков очень низкая. Когда субсидии токенов постепенно исчезнут, чувствительные к цене B2B-пользователи быстро уйдут. Более дешевые централизованные платформы легко смогут поглотить этот уход. Риск 3: Риск дисбаланса оценки после снижения стоимости данных Что касается доходов в 43 миллиона долларов за первый квартал, некоторые осторожные исследования показывают значительные расхождения в моделях расчетов. Исключая сделки с аффилированными сторонами и субсидии внутри экосистемы, и основываясь только на реально подтвержденных доходах в фиате, годовой доход сети может снизиться до 3-15 миллионов долларов. Используя эти реальные показатели, коэффициент цена/доход (P/S) может резко взлететь до опасных уровней — от 175 до 400 раз. Возможен крах пузыря оценки.