Sei досягнув 6-місячного максимуму — що рухає імпульсом екосистеми?

Анотація: З лютого підмережа досягла швидкого зростання. У цій статті розглядаються важливі підмережі та надаються ключові інвестиційні стратегії.

1. Огляд ринку: Оновлення dTAO викликає екологічний вибух

13 лютого 2025 року мережа Bittensor привітала історичне оновлення Dynamic TAO (dTAO), яке перетворило мережу з централізованої моделі управління на децентралізовану модель розподілу ресурсів, що базується на ринку. Після оновлення кожен підмережа має свій незалежний альфа-токен, що дозволяє тримачам TAO вільно обирати свої цільові інвестиції, що справді реалізує механізм виявлення вартості, орієнтований на ринок.

Дані показують, що оновлення dTAO вивільнило величезну інноваційну життєздатність. Лише за кілька місяців Bittensor виріс з 32 підмереж до 118 активних підмереж, що становить збільшення на 269%. Ці підмережі охоплюють різні підсектори індустрії штучного інтелекту, від базового текстового міркування та генерації зображень до передових процесів складання білків та кількісної торгівлі, формуючи найповнішу децентралізовану екосистему штучного інтелекту на сьогодні.

Ринкова продуктивність також вражаюча. Загальна ринкова капіталізація топових підмереж зросла з 4 мільйонів USD до 690 мільйонів USD, а річні доходи від стейкінгу стабілізувалися на рівні 16-19%. Кожна підмережа розподіляє мережеві інцентиви на основі ринкових ставок стейкінгу TAO, при цьому топ 10 підмереж складають 51.76% мережевих викидів, що відображає механізм виживання найсильніших.

https://taostats.io/subnets

2. Аналіз основної підмережі (Топ 10 викидів)

1. @chutes_ai, Chutes (SN64) - безсерверні обчислення на основі ШІ

Основна цінність: Інновація досвіду розгортання AI моделей і значне зменшення витрат на обчислення.

Chutes впроваджує архітектуру "миттєвого запуску", зменшуючи час запуску AI моделі до 200 мілісекунд, досягаючи в 10 разів вищої ефективності порівняно з традиційними хмарними послугами. З понад 8 000 GPU вузлів по всьому світу, вона підтримує основні моделі від DeepSeek R1 до GPT-4, обробляючи понад 5 мільйонів запитів щодня, при цьому затримка відповіді контролюється в межах 50 мілісекунд.

Бізнес-модель є зрілою, використовуючи стратегію фреміум для залучення користувачів. Через інтеграцію з платформою OpenRouter, Chutes надає підтримку обчислювальної потужності для популярних моделей, таких як DeepSeek V3, генеруючи прибуток з кожного виклику API. Вартісна перевага є значною, вона на 85% нижча, ніж AWS Lambda. Наразі загальне використання токенів перевищує 9042.37B, обслуговуючи понад 3000 корпоративних клієнтів.

dTAO досяг ринкової вартості 100 мільйонів USD через 9 тижнів після запуску, з поточною ринковою вартістю 79M. Він має сильний технологічний бар'єр, плавний процес комерціалізації та високий рівень визнання на ринку, наразі лідирує в підмережі.

https://chutes.ai/app/research

2. @celiumcompute, Celium (SN51) - апаратна оптимізація обчислень

Основна цінність: Оптимізація базового обладнання для підвищення ефективності обчислень AI

Розроблений Datura AI, зосереджений на обчислювальній оптимізації на апаратному рівні. Максимізує ефективність використання апаратного забезпечення за допомогою чотирьох ключових технічних модулів: планування GPU, абстракція апаратного забезпечення, оптимізація продуктивності та управління енергетичною ефективністю. Підтримує весь спектр апаратного забезпечення, включаючи NVIDIA A100/H100, AMD MI200, Intel Xe, з цінами, знижені на 90% в порівнянні з аналогічними продуктами, і покращеною обчислювальною ефективністю на 45%.

https://celiumcompute.ai/

На даний момент Celium є другим за величиною підмережем за викидами на Bittensor, який становить 7,28% мережевих викидів. Оптимізація апаратного забезпечення є ключовим аспектом інфраструктури ШІ, з вираженими зростаючими тенденціями в технічних бар'єрах та підвищеннями цін, наразі оцінюється в 56 млн.

3. @TargonCompute, Targon (SN4) - децентралізована платформа для висновків штучного інтелекту

Основна цінність: Технологія конфіденційних обчислень, що забезпечує конфіденційність даних та безпеку.

Основою Targon є TVM (Targon Virtual Machine), який є безпечною платформою конфіденційних обчислень, що підтримує навчання, висновки та валідацію AI моделей. TVM використовує технології конфіденційних обчислень, такі як Intel TDX та конфіденційні обчислення NVIDIA, щоб забезпечити безпеку та конфіденційність всього робочого процесу AI. Система підтримує шифрування від кінця до кінця від апаратного забезпечення до рівня додатків, що дозволяє користувачам використовувати потужні AI послуги без компрометації даних.

Технологія Таргон має високий поріг, чітку бізнес-модель та стабільне джерело доходу. Наразі була ініційована механіка викупу доходів, при цьому всі доходи використовуються для викупу токенів, а останній викуп склав 18 000 USD.

4. @tplr_ai, τemplar (SN3) - дослідження в галузі штучного інтелекту та розподілене навчання

Основна цінність: Спільне навчання великомасштабних моделей ШІ, зниження порогу навчання.

Templar є передовим підмережевим проектом, присвяченим великомасштабному розподіленому навчанні AI моделей в мережі Bittensor, з місією стати «найкращою платформою для навчання моделей у світі». Він співпрацює у навчанні через ресурси GPU, що надаються глобальними учасниками, зосереджуючись на передовому спільному навчанні моделей та інноваціях, підкреслюючи антишахрайство та ефективну співпрацю.

Щодо технологічних досягнень, Templar успішно завершила навчання моделі з 1,2 мільярда параметрів, пройшовши більше 20 000 циклів навчання, з приблизно 200 GPU, що брали участь у процесі. У 2024 році вона оновить механізм коміт-розкриття для покращення децентралізації валідації та безпеки; у 2025 році вона продовжить просувати навчання великих моделей, з масштабом параметрів, що досягає 70 мільярдів+, демонструючи порівнянні результати з галузевими стандартами у стандартних тестах AI, і отримавши особисте схвалення від засновника Bittensor Конста.

Технологічні переваги Templar досить помітні, з поточною ринковою вартістю 35M, що становить 4,79% від викидів.

5. @gradients_ai, Gradients (SN56) - Децентралізоване навчання ШІ

Основна цінність: Зробити навчання ШІ доступним для ширшої аудиторії, значно знижуючи вартісні бар'єри.

Також розроблений компанією Rayon Labs, він вирішує проблеми витрат на навчання ШІ через розподілене навчання. Інтелектуальна система планування базується на синхронізації градієнтів, ефективно розподіляючи завдання на тисячі GPU. Навчання моделі з 118 трильйонами параметрів було завершено за вартістю всього 5 доларів на годину, що на 70% дешевше, ніж традиційні хмарні послуги, і на 40% швидше, ніж централізовані рішення. Інтерфейс з одним кліком знижує поріг використання, вже понад 500 проектів використовують його для доопрацювання моделей, охоплюючи такі сфери, як охорона здоров'я, фінанси та освіта.

З поточною ринковою вартістю 30 мільйонів, сильною ринковою потребою та чіткими технологічними перевагами, це одна з підмереж, яка заслуговує на довгострокову увагу.

https://x.com/rayon_labs/status/1911932682004496800

6. @taoshiio, Приватна торгівля (SN8) - Фінансова кількісна торгівля

Основна цінність: Трейдингові сигнали з багатьох активів і фінансові прогнози на основі штучного інтелекту

SN8 - це децентралізована платформа кількісної торгівлі та фінансового прогнозування, яка використовує торгові сигнали з кількох активів, що генеруються за допомогою штучного інтелекту. Її власна торгова мережа застосовує технологію машинного навчання для прогнозування фінансових ринків, конструюючи багаторівневу архітектуру прогнозних моделей. Тимчасова прогнозна модель інтегрує технології LSTM та Transformer, здатну обробляти складні часові ряди. Модуль аналізу ринкових настроїв надає індикатори настроїв як допоміжні сигнали для прогнозів, аналізуючи контент соціальних медіа та новин.

На веб-сайті ви можете побачити доходність та бек-тестування стратегій, запропонованих різними майнерами. SN8 поєднує штучний інтелект та блокчейн, щоб запропонувати інноваційний підхід до торгівлі на фінансовому ринку, з поточною капіталізацією ринку 27M.

https://dashboard.taoshi.io/miner/5Fhhc5Uex4XFiY7V3yndpjsPnfKp9F4EhrzWJg7cY6sWhYGS

7. @_scorevision, Score (SN44) - Аналіз та оцінка спорту

Основна цінність: Аналіз спортивного відео, націлений на індустрію футболу в 600 мільярдів доларів

Фреймворк комп'ютерного зору, сфокусований на аналізі спортивних відео, який знижує вартість складного відеоаналізу за допомогою легковагової технології верифікації. Він використовує двоступеневу верифікацію: виявлення поля та інспекцію об'єктів на основі CLIP, зменшуючи традиційні витрати на анотацію з тисяч доларів за матч до 1/10 – 1/100. У співпраці з Data Universe, агенти DKING AI мають середню точність прогнозування 70%, з піковою щоденною точністю 100%.

https://x.com/webuildscore/status/1942893100516401598

Спортивна індустрія є великою за масштабом, з значними технологічними інноваціями та широкими перспективами ринку. Score має чіткий напрямок застосування для підмережі і заслуговує на увагу.

8. @openkaito, OpenKaito (SN5) - Відкрите джерело текстової інференції

Основна цінність: розробка моделей векторного вкладання тексту, оптимізація інформаційного пошуку

OpenKaito зосереджується на розробці моделей вбудовування тексту, підтримуваних Kaito, важливим гравцем у сфері InfoFi. Як спільнота, що керується відкритим кодом, OpenKaito прагне створити високоякісні можливості для розуміння та міркування тексту, особливо в сферах інформаційного пошуку та семантичного пошуку.

Субмережа все ще перебуває на ранній стадії будівництва, головним чином створюючи екосистему навколо моделей вбудовування тексту. Варто зазначити майбутню інтеграцію Yaps, яка може суттєво розширити її сценарії застосування та базу користувачів.

9. @MacrocosmosAI, Data Universe (SN13) - Інфраструктура даних AI

Основна цінність: обробка даних в великих масштабах, постачання даних для навчання ШІ

Обробка 500 мільйонів рядків даних на день, з загальною кількістю понад 55,6 мільярдів рядків, підтримуючи 100 ГБ сховища. Архітектура DataEntity забезпечує основні функції, такі як стандартизація даних, оптимізація індексів та розподілене зберігання. Інноваційний механізм голосування "гравітація" досягає динамічного коригування ваги.

https://www.macrocosmos.ai/sn13/dashboard

Дані є нафтою штучного інтелекту, цінність інфраструктури стабільна, а екологічна ніша є важливою. Як постачальник даних для кількох підмереж, глибока співпраця з проектами, такими як Score, відображає цінність інфраструктури.

10. @taohash, TAOHash (SN14) - потужність майнінгу PoW

Основна цінність: З'єднання традиційного видобутку та обчислень на основі штучного інтелекту, інтеграція ресурсів обчислювальної потужності.

TAOHash дозволяє майнерам Bitcoin перенаправляти свою хешуючу потужність на мережу Bittensor, заробляючи альфа-токени через майнінг для стейкінгу або торгівлі. Ця модель поєднує традиційний PoW майнінг з обчисленнями AI, надаючи майнерам нове джерело доходу.

За кілька тижнів він залучив більше 6 EH/s обчислювальної потужності (приблизно 0,7% від світової обчислювальної потужності), що доводить визнання ринку цієї гібридної моделі. Майнери можуть обирати між традиційним майнінгом Bitcoin та заробітком токенів TAOHash, оптимізуючи свої доходи залежно від умов ринку.

11. @CreatorBid, Creator.Bid - Платформа запуску для екосистеми агентів ШІ

Creator.Bid, хоча й не є підмережою, відіграє важливу coordinating роль в екосистемі Bittensor. Екосистема Creator.Bid побудована на трьох основних стовпах. Модуль Launchpad забезпечує чесні та прозорі послуги запуску AI агентів, пропонуючи безпечну та прозору стартову точку для нових AI агентів через контракти смарт-launch з анти-снайпінгом та механізми кураторства. Модуль Tokenomics об'єднує всю екосистему через токен BID, надаючи агентам стійку модель доходу. Модуль Hub забезпечує потужні сервіси на основі API, включаючи автоматизацію контенту, API соціальних медіа та тонко налаштовані моделі зображень.

Основна інновація платформи полягає в концепції Агентських Ключів. Ці цифрові членські токени дозволяють творцям створювати спільноти навколо AI-агентів і досягати спільної власності. Кожен AI-агент отримує унікальну ідентичність через Службу Імен Агентів (ANS), яка реалізується у формі NFT, що забезпечує неповторний ідентифікатор для кожного агента. Користувачі можуть вводити риси особистості через прості запити, генеруючи повністю функціональних AI-агентів без необхідності знання програмування.

ХочаCreator.Bidпобудована на самій мережі Base, але встановила глибокі партнерські відносини з екосистемою Bittensor. Завдяки роботі TAO Council,Creator.BidЗбираючи провідні підмережі, такі як BitMind (SN34), Dippy (SN11 & SN58), вона стала «координаційним шаром для агентів вирівнювання TAO, підмереж і будівельників».

Цінність цього співпраці полягає в інтеграції переваг різних мереж. Bittensor надає потужні можливості для інференції та навчання ШІ, тоді як Creator.Bid пропонує зручну платформу для створення та запуску агентів. Поєднання двох екосистем дозволяє розробникам використовувати можливості ШІ Bittensor для створення агентів, а потім токенізувати їх та активувати спільноту через Launchpad Creator.Bid.

Співпраця з AI Agent Arena Masa (SN59) ще раз підкреслює цю синергію.Creator.BidНадайте інструмент для створення проксі для арени, що дозволяє користувачам швидко розгортати AI-агентів для участі в змаганнях. Ця модель крос-екосистемної співпраці стає важливою тенденцією в галузі децентралізованого штучного інтелекту.

3. Аналіз екосистеми

Основні переваги технічної архітектури

Технологічні інновації Bittensor створили унікальну децентралізовану екосистему штучного інтелекту. Його алгоритм консенсусу Yuma забезпечує якість мережі через децентралізовану валідацію, тоді як механізм розподілу ресурсів на основі ринку, введений оновленням dTAO, значно підвищує ефективність. Кожен підмережа обладнана механізмом AMM для досягнення відкриття цін між токенами TAO і alpha, що дозволяє ринковим силам безпосередньо брати участь у розподілі ресурсів штучного інтелекту.

Протокол співпраці між підмережами підтримує розподілену обробку складних завдань штучного інтелекту, створюючи потужний мережевий ефект. Подвійна структура стимулів (емісія TAO плюс зростання вартості альфа-токенів) забезпечує довгострокову мотивацію для участі, дозволяючи творцям підмереж, майнерам, валідаторам і стейкерам отримувати відповідні винагороди, формуючи стійкий економічний замкнутий цикл.

Конкурентні переваги та виклики, з якими стикаються

У порівнянні з традиційними централізованими постачальниками послуг штучного інтелекту, Bittensor пропонує справжню децентралізовану альтернативу, яка відзначається високою ефективністю витрат. Кілька підмереж демонструють значні переваги у витратах, при цьому Chutes є на 85% дешевшим за AWS; ця перевага у витратах виникає завдяки ефективності, отриманій від децентралізованої архітектури. Відкрита екосистема сприяє швидким інноваціям, при цьому кількість і якість підмереж постійно покращуються, а темп інновацій значно перевищує традиційні внутрішні дослідження та розробки.

Однак екосистема також стикається з реальними викликами. Технічний поріг залишається високим; незважаючи на постійне вдосконалення інструментів, участь у видобутку та валідації все ще вимагає значних технічних знань. Невизначеність регуляторного середовища є ще одним ризиковим фактором, оскільки децентралізовані AI-мережі можуть стикатися з різними регуляторними політиками в різних країнах. Традиційні постачальники хмарних послуг, такі як AWS та Google Cloud, не залишаться осторонь і, як очікується, запустять конкурентоспроможні продукти. З розширенням мережі підтримка балансу між продуктивністю та децентралізацією також стала важливим випробуванням.

Вибухове зростання індустрії штучного інтелекту надало Bittensor величезні можливості на ринку. Goldman Sachs прогнозує, що глобальні інвестиції в штучний інтелект досягнуть 200 мільярдів доларів до 2025 року, що надасть потужну підтримку попиту на інфраструктуру. Очікується, що глобальний ринок штучного інтелекту зросте з 294 мільярдів доларів у 2025 році до 1,77 трильйона доларів у 2032 році, з середньорічною темпом зростання 29%, створюючи достатньо простору для розвитку децентралізованої інфраструктури штучного інтелекту.

Підтримка політики розвитку ШІ в різних країнах створила можливість для децентралізованої інфраструктури ШІ. Водночас зростаюча увага до конфіденційності даних та безпеки ШІ підвищила попит на такі технології, як конфіденційні обчислення, що є саме тією перевагою, яку мають підмережі, такі як Targon. Інтерес інституційних інвесторів до інфраструктури ШІ продовжує зростати, а участь відомих установ, таких як DCG та Polychain, забезпечує фінансування та ресурсну підтримку для екосистеми.

4. Рамки інвестиційної стратегії

Інвестування в підмережу Bittensor вимагає встановлення систематичної оцінювальної основи. На технічному рівні необхідно дослідити ступінь інновацій та глибину рову, технічну силу та здатність виконання команди, а також синергійні ефекти з іншими проектами в екосистемі. На ринковому рівні важливо проаналізувати розмір цільового ринку та потенціал зростання, конкурентне середовище та переваги диференціації, прийняття користувачами та мережеві ефекти, а також регуляторне середовище та політичні ризики. На фінансовому рівні слід звернути увагу на поточні рівні оцінки та історичну продуктивність, частку емісії TAO та тренди зростання, раціональність дизайну токеноміки, а також ліквідність і глибину торгів.

У специфічному управлінні ризиками диверсифікація є основною стратегією. Рекомендується диверсифікувати інвестиції між різними типами підмереж, включаючи типи інфраструктури (такі як Chutes, Celium), типи додатків (такі як Score, BitMind) та типи протоколів (такі як Targon, Templar). Водночас інвестиційні стратегії повинні коригуватися відповідно до стадії розвитку підмережі; ранні проекти мають високі ризики, але потенційно високі доходи, тоді як зрілі проекти є відносно стабільними, але мають обмежений потенціал зростання. Враховуючи, що ліквідність альфа-токенів може бути не такою високою, як TAO, необхідно розумно організувати співвідношення розподілу коштів та підтримувати необхідний ліквідний буфер.

Перше поділлення у листопаді 2025 року стане важливим каталізатором ринку. Зменшення викидів збільшить дефіцит існуючих підмереж, одночасно потенційно усуваючи малоефективні проекти, змінюючи економічний ландшафт усієї мережі. Інвестори можуть заздалегідь зайняти позицію в якісних підмережах, щоб захопити вікно розподілу перед поділленням.

У середньостроковій перспективі очікується, що кількість підмереж перевищить 500, охоплюючи різні сегменти індустрії ШІ. Зростання підприємницьких застосувань стимулюватиме розвиток підмереж, пов'язаних з конфіденційними обчисленнями та захистом даних, а співпраця між підмережами стане більш частою, формуючи складний ланцюг постачання послуг ШІ. Постепенне уточнення регуляторної бази надасть відповідним підмережам значну перевагу.

У довгостроковій перспективі Bittensor, ймовірно, стане важливою частиною глобальної інфраструктури штучного інтелекту, і традиційні компанії з ШІ можуть прийняти гібридну модель, перемістивши частину своїх операцій до децентралізованих мереж. Нові бізнес-моделі та сценарії застосування продовжуватимуть з'являтися, з покращеною взаємодією з іншими блокчейн-мережами, врешті-решт формуючи більшу децентралізовану екосистему. Цей шлях розвитку подібний до еволюції ранньої інфраструктури інтернету, а інвестори, які зможуть захопити ключові вузли, отримають значні винагороди.

5. Висновок

Екосистема Bittensor представляє нову парадигму в розвитку інфраструктури штучного інтелекту. Через ринково орієнтоване розподіл ресурсів та механізми децентралізованого управління вона забезпечує новий ґрунт для інновацій у сфері штучного інтелекту, демонструючи remarkable інноваційну життєздатність та потенціал зростання. На фоні швидкого розвитку індустрії штучного інтелекту, Bittensor та його підмережна екосистема заслуговують на постійну увагу та глибоке дослідження.

Заява:

1. Ця стаття перепублікована з [BiteyeCN] Авторські права належать оригінальному автору [*основний внесок Biteye[@lviswang] Якщо у вас є якісь заперечення щодо повторного друку, будь ласка, зв'яжіться Команда Gate LearnКоманда обробить це якомога швидше відповідно до відповідних процедур.
2. Застереження: Думки і погляди, висловлені в цій статті, є думками автора і не є інвестиційною порадою.
3. Інші мовні версії статті перекладені командою Gate Learn, якщо не зазначено інше.ГейтУ жодному разі не можна копіювати, поширювати або плагіатити перекладені статті.