Інвестиційний посібник по підмережі Bittensor: впіймати наступну хвилю AI

01、Огляд ринку: оновлення dTAO викликало сплеск екосистеми

У лютому 2025 року мережа Bittensor завершила знакове оновлення Dynamic TAO (dTAO). Це оновлення перетворило мережу з централізованого управління на ринково орієнтовану модель розподілу ресурсів. Після оновлення кожна підмережа отримала незалежні токени alpha, а володарі TAO можуть вільно обирати об'єкти інвестування, що забезпечило справжній механізм виявлення ринкової вартості.

Дані показують, що оновлення dTAO вивільнило величезний інноваційний потенціал. Лише за кілька місяців кількість підмереж Bittensor зросла з 32 до 118, що становить 269% зростання. Ці підмережі охоплюють усі сегменти AI-індустрії, від базових текстових висновків, генерації зображень до передових методів складання білків і кількісної торгівлі, формуючи наразі найбільш всеосяжну децентралізовану AI-екосистему.

Ринкова продуктивність також вражає. Загальна капіталізація провідної підмережі зросла з 4 мільйонів доларів до 690 мільйонів доларів після оновлення, а річна прибутковість від стейкінгу залишається на стабільному рівні 16-19%. Кожна підмережа розподіляє мережеві стимули відповідно до ринкової ставки стейкінгу TAO, 10 найбільших підмереж займають 51,76% мережевих викидів, що відображає механізм відбору в умовах ринку.

02、Аналіз основної мережі (10 найбільших викидів)

1. Chutes (SN64) - безсерверні обчислення ІІ

Chutes використовує архітектуру "мгновенного запуску", що скорочує час запуску AI-моделей до 200 мілісекунд, підвищуючи ефективність у 10 разів у порівнянні з традиційними хмарними службами. Понад 8000 GPU-нод у всьому світі підтримують основні AI-моделі, обробляючи понад 5 мільйонів запитів на день, з затримкою відповіді, контрольованою в межах 50 мілісекунд.

Модель бізнесу зріла, використовується стратегія безкоштовного додаткового обслуговування для залучення користувачів. Завдяки інтеграції платформи надається обчислювальна підтримка популярних моделей, що приносить доходи з API-викликів. Витратні переваги помітні, на 85% нижче, ніж у деяких хмарних сервісів. Наразі загальне використання токенів перевищує 9042.37B, обслуговується понад 3000 корпоративних клієнтів.

dTAO запустившись, за 9 тижнів досягнув ринкової капіталізації у 100 мільйонів доларів, поточна ринкова капіталізація складає 79 мільйонів, технічний бар'єр глибокий, комерційний прогрес йде успішно, ринкова визнаність досить висока, наразі є лідером підмережі.

2. Celium (SN51) - апаратна оптимізація обчислень

Зосередження на оптимізації обчислень на апаратному рівні. Максимізація ефективності використання апаратного забезпечення через чотири технологічні модулі: планування GPU, апаратну абстракцію, оптимізацію продуктивності та управління енергоефективністю. Підтримка основних апаратних засобів GPU, ціна на 90% нижча, ніж у аналогічних продуктах, ефективність обчислень підвищена на 45%.

Наразі Celium є другою за обсягом викидів підмережою на Bittensor, займаючи 7,28% викидів мережі. Оптимізація апаратного забезпечення є ключовим етапом інфраструктури ШІ, має технологічні бар'єри, тенденція до зростання цін є досить сильною, поточна ринкова капіталізація складає 56M.

3. Targon (SN4) - децентралізована платформа AI-розуміння

Ядро Targon — це TVM (Targon Virtual Machine), безпечна платформа для конфіденційних обчислень, яка підтримує навчання, інференцію та верифікацію AI моделей. TVM використовує передові технології конфіденційних обчислень, щоб забезпечити безпеку та захист приватності всього робочого процесу AI. Система підтримує наскрізне шифрування від апаратного до прикладного рівня, що дозволяє користувачам використовувати потужні AI послуги без витоку даних.

Targon має високий технічний бар'єр, чітка бізнес-модель та стабільні джерела доходу. Наразі запроваджено механізм викупу доходів, всі доходи використовуються для викупу токенів, останній викуп склав 18 тисяч доларів.

4. τemplar (SN3) - AI дослідження та розподілене навчання

Templar є піонером підмережі, яка спеціалізується на розподіленому навчанні великих AI моделей, прагнучи стати "найкращою платформою для навчання моделей у світі". Спільне навчання здійснюється за рахунок ресурсів GPU, внесених глобальними учасниками, з акцентом на спільному навчанні та інноваціях передових моделей, підкреслюючи боротьбу з шахрайством та ефективну співпрацю.

У досягненнях технологій Templar успішно завершив навчання моделі з 1,2B параметрами, пройшовши понад 20 тисяч навчальних циклів, близько 200 GPU брали участь у всьому процесі. У 2024 році буде оновлено механізм верифікації, що підвищить децентралізацію та безпеку; у 2025 році продовжиться просування навчання великих моделей, обсяг параметрів досягне 70B+, показники в стандартних тестах AI будуть відповідати галузевим стандартам.

Технологічні переваги Templar є досить виразними, поточна ринкова капіталізація 35M, займає 4,79% від викидів.

5. Градієнти (SN56) - децентралізоване AI навчання

Рішення проблеми витрат на навчання ШІ за допомогою розподіленого навчання. Інтелектуальна система управління, основана на синхронізації градієнтів, ефективно розподіляє завдання на тисячі GPU. Завершено навчання моделі з 118 трильйонами параметрів, витрати становлять лише 5 доларів на годину, що на 70% дешевше, ніж традиційні хмарні послуги, швидкість навчання на 40% вища за централізовані рішення. Інтерфейс з однією кнопкою знижує бар'єри для використання, вже понад 500 проєктів використовують для тонкої настройки моделей, охоплюючи численні галузі.

Поточна ринкова капіталізація 30M, великий попит на ринку, чіткі технологічні переваги, це одна з підмереж, на яку варто звернути увагу в довгостроковій перспективі.

6. Приватна торгівля (SN8) - фінансова кількісна торгівля

SN8 є децентралізованою платформою для квантової торгівлі та фінансового прогнозування, що базується на штучному інтелекті, який надає торгові сигнали для багатьох активів. Приватна торгова мережа використовує технології машинного навчання для прогнозування фінансових ринків, створюючи багаторівневу архітектуру прогнозних моделей. Її модель прогнозування часових рядів об'єднує передові технології, здатні обробляти складні дані часових рядів. Модуль аналізу ринкових настроїв, аналізуючи соціальні медіа та новинний контент, надає індикатори настроїв як допоміжний сигнал для прогнозування.

На сайті можна побачити дохід та тестування стратегій, які пропонуються різними майнерами. SN8 поєднує AI та блокчейн, пропонуючи інноваційний спосіб торгівлі на фінансових ринках, нинішня ринкова капіталізація складає 27M.

7. Оцінка (SN44) - Спортивний аналіз та оцінка

Система комп'ютерного зору, що спеціалізується на аналізі спортивних відео, знижує витрати на складний відеоаналіз за рахунок легковагих технологій перевірки. Використовує двоступеневу перевірку: виявлення поля та перевірка об'єктів на основі CLIP, що знижує традиційні витрати на маркування тисяч доларів за один матч до 1/10 - 1/100. У співпраці з певною платформою даних, середня точність прогнозів AI-агента складає 70%, колись досягалася точність 100% за один день.

Спортивна індустрія має величезний масштаб, значні технологічні інновації та широкі перспективи ринку. Score є підмережою з чітким напрямком застосування, яка варта уваги.

8. OpenKaito (SN5) - відкритий текстовий висновок

OpenKaito зосереджується на розробці моделей вбудовування тексту, підтримуваних важливими учасниками сфери InfoFi. Як проект з відкритим кодом, що живиться спільнотою, OpenKaito прагне створити високоякісні можливості розуміння та міркування тексту, особливо в галузі інформаційного пошуку та семантичного пошуку.

Ця підмережа все ще перебуває на ранніх стадіях будівництва, основна увага приділяється створенню екосистеми навколо моделей вбудовування тексту. Варто звернути увагу на майбутню інтеграцію нових функцій, яка може суттєво розширити її сфери застосування та базу користувачів.

9. Дані Всесвіту (SN13) - AI дані інфраструктура

Обробка 500 мільйонів рядків даних щодня, загалом понад 55,6 мільярда рядків, підтримує 100 ГБ зберігання. Архітектура DataEntity забезпечує стандартизацію даних, оптимізацію індексів, розподілене зберігання та інші основні функції. Інноваційний механізм голосування "гравітація" реалізує динамічну корекцію ваг.

Дані є нафтою штучного інтелекту, вартість інфраструктури стабільна, екологічна ніша важлива. Як постачальник даних для кількох підмереж, глибока співпраця з іншими проектами втілює вартість інфраструктури.

10. TAOHash (SN14) - PoW обчислювальна потужність майнінгу

TAOHash дозволяє майнерам біткоїнів перенаправляти обчислювальну потужність в мережу Bittensor, отримуючи альфа-токени для стейкингу або торгівлі. Ця модель поєднує традиційний PoW майнінг з AI обчисленнями, надаючи майнерам нові джерела доходу.

Протягом всього кількох тижнів було залучено понад 6EH/s обчислювальної потужності (близько 0,7% від світової обчислювальної потужності), що підтверджує визнання ринку цієї гібридної моделі. Майнери можуть вибирати між традиційним видобутком біткоїнів та отриманням токенів TAOHash, оптимізуючи прибуток відповідно до ринкової ситуації.

03, Аналіз екосистеми

Технічні інновації Bittensor створюють унікальну децентралізовану екосистему штучного інтелекту. Його алгоритм консенсусу забезпечує якість мережі через децентралізовану верифікацію, а механізм ринкового розподілу ресурсів, введений з оновленням dTAO, суттєво підвищує ефективність. Кожна підмережа обладнана механізмом AMM, що реалізує ціновий відкриття між токенами TAO та alpha, така конструкція дозволяє ринковим силам безпосередньо брати участь у розподілі ресурсів штучного інтелекту.

Протокол співпраці між підмережами підтримує розподілену обробку складних AI завдань, створюючи потужний мережевий ефект. Подвійна структура заохочення (випуск TAO та зростання вартості альфа-токенів) забезпечує довгострокову мотивацію для участі, а творці підмереж, майнери, валідатори та стейкери отримують відповідні винагороди, формуючи стійкий економічний замкнутий цикл.

У порівнянні з традиційними централізованими постачальниками послуг штучного інтелекту, Bittensor пропонує справжню децентралізовану альтернативу, що відзначається високою ефективністю витрат. Кілька підмереж демонструють значні переваги в витратах, які походять з підвищення ефективності децентралізованої архітектури. Відкрита екосистема сприяє швидким інноваціям, кількість і якість підмереж постійно зростає, а швидкість інновацій значно перевищує традиційні дослідницькі та розробницькі підрозділи підприємств.

Однак екосистема також стикається з реальними викликами. Технічний бар'єр все ще залишається досить високим, незважаючи на те, що інструменти постійно вдосконалюються, участь у mining та validation все ще вимагає значних технічних знань. Невизначеність регуляторного середовища є ще одним ризиковим фактором, оскільки мережі децентралізованого AI можуть стикатися з різними регуляторними політиками в різних країнах. Традиційні постачальники хмарних послуг не залишаться осторонь і, ймовірно, випустять конкурентні продукти. Зі збільшенням масштабу мережі, підтримка балансу між продуктивністю та децентралізацією також стає важливим випробуванням.

Вибухове зростання індустрії штучного інтелекту надає Bittensor величезні можливості на ринку. Глобальний ринок ШІ, за прогнозами, зросте з 294 мільярдів доларів США у 2025 році до 1,77 трильйона доларів США у 2032 році, зі середньорічним темпом зростання 29%, що створює широкі можливості для розвитку децентралізованої інфраструктури ШІ.

Підтримка розвитку ШІ з боку різних країн створила можливість для децентралізованої інфраструктури ШІ, водночас зростаюча увага до конфіденційності даних та безпеки ШІ підвищила попит на технології, такі як конфіденційні обчислення, що є основними перевагами деяких підмереж. Інтерес інституційних інвесторів до інфраструктури ШІ продовжує зростати, участь відомих установ забезпечує фінансування та ресурсну підтримку для екосистеми.

04, Стратегія інвестування

Інвестиції в підмережу Bittensor вимагають створення систематичної оцінювальної рамки. З технологічної точки зору потрібно оцінити рівень інновацій та глибину бар'єру, технічні можливості команди та здатність до виконання, а також синергію з іншими проектами екосистеми. На ринковому рівні слід проаналізувати розмір цільового ринку та потенціал зростання, конкурентну структуру та диференційовані переваги, прийняття користувачами та мережеві ефекти, а також регуляторне середовище та ризики політики. З фінансової точки зору необхідно звернути увагу на поточний рівень оцінки та історичні показники, частку емісії TAO та тенденції зростання, доцільність дизайну токеноміки, а також ліквідність і глибину торгів.

У конкретному управлінні ризиками диверсифікація інвестицій є основною стратегією. Рекомендується розподілити інвестиції між різними типами підмереж, включаючи інфраструктурні, застосункові та протокольні. Одночасно потрібно коригувати інвестиційну стратегію відповідно до стадії розвитку підмережі: ризики ранніх проектів високі, але потенційна прибутковість велика, зрілі проекти відносно стабільні, але мають обмежений простір для зростання. Ураховуючи, що ліквідність альфа-токенів може бути не такою ж, як у TAO, потрібно розумно планувати пропорції фінансування, зберігаючи необхідний ліквідний буфер.

Подія першого халвінгу в листопаді 2025 року стане важливим ринковим каталізатором. Зменшення емісії підвищить рідкість існуючих підмереж, одночасно можливо усунувши проекти з поганими показниками, що перекроїть економічний ландшафт усієї мережі. Інвестори можуть заздалегідь підготуватися до якісних підмереж, щоб скористатися вікном розподілу перед халвінгом.

У середньостроковій перспективі кількість підмереж очікується, що перевищить 500, охоплюючи всі сегменти AI-індустрії. Зростання корпоративних застосувань сприятиме розвитку підмереж, пов'язаних з конфіденційними обчисленнями та захистом даних, співпраця між підмережами стане більш частою, утворюючи складний ланцюг постачання AI-сервісів. Поступове уточнення регуляторної рамки надасть комплаєнс-підмережам очевидні переваги.

У довгостроковій перспективі Bittensor має потенціал стати важливою складовою глобальної інфраструктури штучного інтелекту, традиційні компанії ШІ можуть перейти на гібридну модель, перемістивши частину бізнесу в децентралізовану мережу. Нові бізнес-моделі та сценарії застосування постійно з'являтимуться, підвищуючи взаємодію з іншими блокчейн-мережами, врешті-решт формуючи більшу децентралізовану екосистему. Цей шлях розвитку