Bittensor, Надійний лідер у галузі штучного інтелекту

Впровадження Web3 та AI наразі перебуває на початковій стадії розвитку. Увага ринку до простору криптовалют AI переходить від початкового “піару” до “фундаментальних та технологічних впроваджень”. У цьому перехідному періоді проекти, що демонструють значну стійкість і технологічні прориви, формують нову цінність ринку.

1. Bittensor Зміцнює Лідерські Позиції Поточна ринкова капіталізація сфери AI-криптовалют оцінюється приблизно у 17,46 мільярдів доларів США, з обсягом торгів за 24 години близько 1,94 мільярдів доларів. У цій галузі Bittensor (TAO) стабільно займає провідну позицію з ринковою капіталізацією близько 3,43 мільярдів доларів США. Він займає майже 19,6% частки ринку всього сектору AI-криптовалют, підтверджуючи свою абсолютну домінуючу позицію. Порівняння з основними конкурентами показує його унікальну позицію:

Основні Бар’єри Конкуренції Ключова конкурентна перевага Bittensor полягає у його унікальній мережі “Доказ розуму”. Вона виходить за межі простої обчислювальної потужності. Ця мережа вводить складний механізм стимулювання, безпосередньо винагороджуючи за створення високоякісних моделей AI. Така унікальна позиція ускладнює її копіювання конкурентами. 2. Підтвердження Можливості “Саморозвитку” та Переформатування Логіки Оцінки Відкидаючи макроекономічні технологічні перспективи, ключем до підтвердження здатності протистояти ринковим коливанням Web3-протоколу є його здатність до реального комерційного масштабування та отримання доходу.

На ринку криптовалют Bittensor продемонстрував унікальну здатність генерувати реальний дохід. За даними першого кварталу 2026 року, мережа Bittensor отримала близько 43 мільйонів доларів доходу від реальних клієнтів AI (без заохочень за фальшиві транзакції). Ця сума перевищує річний дохід багатьох традиційних Web3-протоколів. Основні показники оцінки (станом на 29 березня 2026 року):

Традиційно інфраструктурні компанії AI зосереджені на оцінках у діапазоні 15-25 разів від прогнозованого доходу на приватному ринку. Bittensor має високу ліквідність, ефект мережі та історію дефіциту. Поточний коефіцієнт P/S близько 20 разів є цілком обґрунтованим або навіть недооцінений. Загальна ринкова капіталізація токенів у його екосистемі склала 1,47 мільярдів доларів. Структура цієї екосистеми, у свою чергу, сприяє залученню цінності основної мережі TAO. 3. Прорив SN3 Фінансові дані визначили нижню межу оцінки протоколу. Технологічні прориви у децентралізованому навчанні повністю відкрили потенціал його ринкової капіталізації. Ключова рушійна сила недавнього зростання TAO — це не просто спекулятивні операції. Відбулося історичне прорив у базовій технології. Логіка оцінки зазнала кардинальної зміни з “на основі історії” на “на основі продукту”. 3.1 Угода 72B підтверджує життєздатність децентралізованого навчання 10 березня 2026 року Templar (SN3), підмережа екосистеми Bittensor, та команда Covenant Labs, що стоїть за нею, опублікували технічний звіт на arXiv. У ньому повідомляється про успішне попереднє навчання масштабної мовної моделі Covenant-72B. Це найбільша за обсягом архітектура моделі, яка навчалася в цілком децентралізованому та безліцензійному середовищі. Модель має 72 мільярди параметрів і тренувалася на 1,1 трильйона токенів. Її показник MMLU становить 67,1, що відповідає базовій продуктивності LLaMA-2-70B від Meta. Вона подолала вузьке місце пропускної здатності у децентралізованому навчанні. Важливу роль відіграє алгоритм SparseLoCo. Вузли передають лише 1-3% основних компонент градієнта та застосовують 2-бітне квантування, досягаючи стиснення даних понад у 146 разів (зменшення 100MB до менше 1MB). За звичайної швидкості інтернету продуктивність залишається високою — 94,5%. Цей рубіж доводить, що глобальна розподілена обчислювальна потужність може створювати конкурентоспроможні передові моделі. Технічне рішення усуває залежність від дорогих каналів InfiniBand та централізованих суперкомп’ютерних кластерів. Успіх Covenant-72B швидко викликав захоплення у традиційній спільноті штучного інтелекту: Джек Кларк, співзасновник Anthropic, широко похвалив цей прорив у своєму дослідницькому звіті 16 березня. Він описав його як “виклик політичної економії AI через децентралізоване навчання”. Він зазначив, що це технологія, яку варто продовжувати досліджувати, і прогнозує широке застосування моделей децентралізованого навчання у майбутньому. Прикладом є “Folding@home” Дженсена Хуана: 20 березня у подкасті All-In VC Чамарт представив досягнення Bittensor для CEO NVIDIA Дженсена Хуана. Хуан позитивно відгукнувся, порівнявши його з “сучасною версією Folding@home” і підкреслив необхідність існування відкритих та децентралізованих моделей. 3.2 Два ключові компоненти SN3: вирішення проблем ефективності передачі та сумісності

Десятки недовірливих вузлів мережі з різним обладнанням і якістю мережі тренують однакову модель 72B. SN3 вирішує проблеми пропускної здатності та шкідливих атак за допомогою двох основних компонентів: SparseLoCo (вирішує проблему ефективності передачі): Традиційне розподілене навчання вимагає синхронізації всіх градієнтів на кожному кроці, що призводить до величезних обсягів даних. SparseLoCo дозволяє кожному вузлу виконувати 30 локальних кроків оптимізації (AdamW). Потім вузли стискають і завантажують “фейкові градієнти”. Система використовує високий рівень розрідженості Top-k (зберігає лише 1-3% основних компонент градієнта), застосовує помилки зворотного зв’язку та 2-бітне квантування. Це дає стиснення даних понад у 146 разів (зменшення 100MB до менше 1MB). За звичайних умов інтернету (з швидкістю завантаження 110 Мбіт/с і швидкістю скачування 500 Мбіт/с), система підтримує продуктивність 94,5%. Кожен цикл передачі займає лише 70 секунд. Gauntlet (вирішує проблему сумісності та стимулювання): Цей компонент працює у мережі Subnet 3. Він відповідає за перевірку якості фейкових градієнтів, що надсилають вузли. Система використовує невеликий обсяг даних для перевірки “ступеня зниження втрат моделі після використання градієнта вузла” (LossScore). Також вона перевіряє, чи навчається вузол на розподілених даних (щоб запобігти шахрайству). Кожен раунд агрегує градієнти лише від вузла з найвищим балом. Цей механізм фактично вирішує проблему “як запобігти лінивим майнерам” у децентралізованих сценаріях. 4. Велич системи підмереж і механізм dTAO Bittensor запустив механізм Dynamic TAO (dTAO) у 2025 році. Цей механізм відіграє важливу роль у “посиленні” зростання. dTAO дозволяє кожній підмережі випускати власний токен alpha. Підмережі створюють пул ліквідності з TAO через механізм автоматичного маркетмейкера (AMM). 4.1 Ефект мультиплікатора токенів підмереж

За механізмом dTAO, вартість токена підмережі визначається безпосередньо обсягом TAO, що ставиться у стейк у пулі цієї підмережі. Зростання ціни TAO підвищує базову цінність резерву всіх підмереж. Вартість токена підмережі пасивно зростає. Це викликає різкий сплеск ціни токена, що привертає додаткових спекулянтів і інвесторів, які купують TAO і блокують його у підмережі. Таким чином, утворюється потужний позитивний зворотній зв’язок.

Як показано вище, безпосередньо під впливом успіху Covenant-72B, токен SN3 (Templar) зріс більш ніж на 440% за місяць, досягнувши ринкової капіталізації 130 мільйонів доларів. Ефект створює явне багатство на рівні підмережі. Загальна ринкова капіталізація токенів підмереж склала 1,47 мільярдів доларів наприкінці березня, з обсягом щоденних торгів понад 118 мільйонів доларів. Цей ефект, що працює як “супер-леверидж”, створює величезний тиск купівлі TAO. 4.2 Вертикальна інтеграція екосистем

Паралельно з роботою SN3, Covenant Labs також заснували SN39 (Basilica, що зосереджена на сервісах обчислювальної потужності), та SN81 (Grail, що зосереджена на тренуванні та оцінюванні моделей підсиленого навчання). Ця вертикальна інтеграція охоплює весь процес — від попереднього навчання до оптимізації відповідності. Стратегія демонструє ринку, що цілісна закрита ланцюгова модель індустрії децентралізованого AI вже сформована у екосистемі Bittensor. 5. Розподіл Чипів Згідно з новими on-chain даними з taostats і CoinMarketCap станом на 29 березня 2026 року, стан роботи мережі Bittensor можна глибоко оцінити за наступними аспектами:

Загальна оцінка за даними on-chain: Дані on-chain Bittensor демонструють ознаки дуже здорової економіки. Високий рівень стейкінгу допомагає закріпити ліквідність. Реальні доходи підтверджують фундаментальні показники. Механізм dTAO стимулює інновації підмереж. Постійне звуження пропозиції (включно з наполовинками та високим стейкінгом) у поєднанні з постійним зростанням попиту (з участю організацій та посиленням AI-історії) створює дуже вигідну динаміку цін. 6. Стурбованість щодо Оцінки Важливо зазначити, що прозорість даних on-chain переважно відображає сторону пропозиції, тоді як зовнішні характеристики попиту (реальні обсяги викликів AI) залишаються значною інформаційною “темною зоною”. Ризик 1: Високий рівень допомоги токенів приховує реальні бізнес-затрати Зараз більшість низькоцінних сервісів підмереж сильно залежать від інфляційних допомог TAO. Візьмемо приклад мережі Chutes (SN64): рівень емісії допомоги у співвідношенні з зовнішнім доходом сягає 22-40:1. Без урахування допомоги токенів, реальна ціна сервісу значно вища за конкурентів. Порівняно з платформами на кшталт Together.ai, їхні ціни вищі у 1,6–3,5 разів. Подальше зменшення наполовинки у майбутніх циклах може повністю розкрити вразливість цієї бізнес-моделі. Ризик 2: Відсутність сталих конкурентних переваг призводить до високого рівня відтоку користувачів Мережа Bittensor здебільшого пропонує відкритий код і стандартні API. Вона суттєво відрізняється від великих хмарних провайдерів, таких як AWS. Екосистема бракує закритих платформ, глибокої інтеграції з бізнесом або “кільцевих даних” — традиційних “ефектів замикання”. Вартість переходу для розробників дуже низька. Зі зменшенням допомоги токенів, чутливі до цін B2B-користувачі швидко покинуть платформу. Більш дешеві централізовані обчислювальні платформи легко поглинуть цю міграцію. Ризик 3: Ризик дисбалансу оцінки після зниження цінності даних Щодо доходу у 43 мільйони доларів за перший квартал, згаданий вище, деякі дослідження з обережністю пропонують інші моделі обчислень. Вилучаючи транзакції з пов’язаними сторонами та допомогу всередині екосистеми, і враховуючи лише реальні доходи у фіаті, що підтверджені зовнішніми джерелами, річний дохід мережі може знизитися до 3–15 мільйонів доларів. Використовуючи цю зменшену базу доходу, коефіцієнт ціна/дохід (P/S) фактично зросте до надзвичайно небезпечних рівнів — від 175 до 400 разів. Існує високий ризик “пузиря” і різкого обвалу оцінки.