[Decode] 不跟 OpenAI 正面對決：Bittensor 用價格機制建立 64 條 AI 子網生態

Bittensor 以 Alpha 價格作演算法，每 12 秒重算 TAO 排放，把資本與算力灌向最被需要的利基 Subnet，讓數十條可組合的去中心化 AI 微服務首度獲得市場定價——AI 巨頭尚未觸及的長尾使用場景的價值，終於被看見。

先把故事說清楚：Bittensor 是什麼？

當我們談論 AI 與區塊鏈的結合時，Bittensor (TAO) 常是第一個被提及的項目，這絕非偶然，在充斥著概念炒作的加密貨幣領域中， Bittensor 早在 2021 年就開始構建一個真正的去中心化 AI 基礎設施，遠早於當前的 AI 熱潮。

它嘗試解決一個核心問題：如何讓全球 分散的計算資源、AI 模型開發者、以及資本方 在一個公平且高效的生態系統中協作。

.

傳統的 AI 開發往往需要巨額資本投入和集中化的基礎設施，小型開發者很難參與其中，Bittensor 透過區塊鏈的代幣激勵機制，創建了一個任何人都可以貢獻 AI 計算能力、訓練數據或模型的網絡，並根據貢獻獲得相應的代幣獎勵。

Eco-system of Bittensor from @fundstrat

與區塊鏈誕生的背景相雷同，這種模式目的是讓AI有機會去中心化，不只是掌握在科技巨頭的生態系統之中；透過區塊鏈的分散式技術，不僅讓有微小算力的普通個體能參與、同時最大化閒置資源的運用，降低了參與門檻，更重要的是建立了一個價值創造與分配更加公平的 AI 生態系統，嘗試成為一張去中心化 AI 雲，也因此，Bittensor 往往被視為 AI 微服務指數，而非下一個 GPT 大模型的競爭者。

雖然現在 Virtuals 和 Kaito 也在爭奪 AI + 區塊鏈的領導地位，但 Bittensor 的先發優勢和技術深度依然讓它在這個賽道上保持領先。

.

在進入到功能之前，我們先看看 Bittensor 的市場定位與商業模式，以及最重要的問題：憑什麼與 ChatGPT、Gemeni、Claude 競爭?

---

站在巨人肩膀”外”：不是正面對抗，而是生態互補

當前的產業發展情況是 AI 高度中心化，大型科技公司控制著主要的計算資源和數據，Amazon、Google、OpenAI、Meta──的商業模式是雲端規模經濟，砸錢訓練超大模型，走的是「單一巨型模型＋封閉 API」的規模經濟路線，收訂閱費、token 使用費，任務是讓更多創新者能夠參與 AI 開發，並進一步加值其既有的生態體系。

而 Bittensor 的答案是 不做同一個戰場上的競爭，從 STA（Situation-Task-Action）分析框架來看，其行動策略是成為「AI 的基礎設施協調層」，而非直接的模型提供商，追求的是開放生態系統。

Bittensor 不會被中心化 AI 巨頭消滅的核心原因在於，它們解決的是不只是功能面的問題，就像 Linux 沒有被 Windows 消滅一樣，去中心化的開放模式總有其獨特價值；但我們也必須承認風險：

• 運算效率與準確度可能與巨頭有的落差，從而影響用戶使用量與營利

• 亦或是當 AI 巨頭決定大幅降低服務價格或開放更多資源，Bittensor 的競爭優勢可能會受到挑戰。

就像公有雲並未終結自建機房的長尾需求，Bittensor 更像一間「算力與模型的 P2P 服務市集」，殺不死，頂多被併入供應鏈的一環。

.

誰在使用 Bittensor？

參考白皮書內容，主要是三類群體：

1. 無法負擔昂貴 AI 服務的中小型開發者

2. 希望保持數據主權的企業

3. 以及追求去中心化解決方案的 Web3 項目

.

.

Bittensor 的商業模式是？

在區塊鏈領域，要了解一個項目或產品，必須先看它的白皮書 (whitepaper) 並了解代幣經濟學 (Tokenomics) ，弄清楚它的資金來源以及運行模式。

從經濟層面來看，Bittensor 延續了區塊鏈的特性，把舞台切成上百條 垂直利基型的 Subnet，讓應用在各自鏈上開發，並用完全市場化的 代幣激勵機制 來決定資源流向。

首先，我們先了解 Bittensor 的架構，Bittensor 每天會新產出的 TAO 與 Alpha 代幣，用來獎勵給支持區塊鏈運作的礦工、保持區塊鏈安全性的驗證者、以及建立應用的 subnet 擁有人，這是維持生態運作的基礎經濟來源。

1. TAO，是 Bittensor 區塊鏈的原生代幣，主要用途包括：

   1. 質押到驗證者以參與網絡共識和獲得排放獎勵

   2. 在 dTAO 系統中與 Alpha 代幣進行流動性池交換

   3. 網絡治理投票權重

   4. 每日排放 7,200 TAO（每12秒一個區塊，每區塊1 TAO）

2. Alpha，是每條 Subnet 的專屬代幣，具有以下特性：

   1. 該子網絡礦工和驗證者的獎勵代幣

   2. 與 TAO 組成 AMM 流動性池

   3. 市場價格高低決定該子網絡獲得的 TAO 排放比例

   4. 反映市場對該子網絡應用價值的評估

.

接著，在 2025年2月13日 dTAO 升級之前，Bittensor 採用的是中心化驗證者投票系統，64個根網絡驗證者決定各子網絡的獎勵分配，這導致了明顯的權力集中問題。

而在這次關鍵升級後，TAO 把「哪條 Subnet 能拿到多少 TAO」交給市場決定，每條 Subnet 都有一個「Alpha ↔ TAO 流動性池」，使用者可以自由兌換 Alpha ↔ TAO，一旦某條 Subnet 的Alpha 價格越高，便是市場對這條 Subnet 前景的有更好的共識，願意持有更多的 Alpha 代幣，作為資產來支付 Subnet 上的運算服務，進一步，則會讓這條 Subnet 透過 Bittensor 第一點的 TAO 獎勵機制，讓該協議具備更多的資源，加速其飛輪運轉的效率。

舉例：如果 Subnet A 的 Alpha 價格是 2 TAO，Subnet B 只有 0.5 TAO，A 當下就能拿到 4 倍於 B 的 TAO 排放。

Alpha/TAO 流動池的價格越高，就能分到越多 TAO 排放，若 Alpha 價格下滑，相對排放就會被削減，形成「價值→排放→算力→服務品質」的正向飛輪。

.

排放和「商業模式／收費」有什麼關係？

Alpha 並不是直接收入，而是「早期啟動資金」。礦工、驗證者與 Subnet 擁有人因排放而願意上線算力、寫評分程式；當 Subnet 擁有真實用戶後，API 費用便能取代排放成為主要現金流。若 Alpha 價格下滑、排放下降，缺乏市場需求的 Subnet 就會被自動淘汰，讓資源回流高需求場景。

• 對 Subnet 來說 → 等於初創基金
  排放把「尚未盈利的 AI 微服務」先用代幣補貼起來，礦工有動力上線算力、驗證者願意做評分。服務一旦找到真需求，使用者付費就會蓋過排放，形成正向現金流

• 對使用者來說 → 降低早期成本
  因為礦工已拿到排放，Subnet 可以用極低甚至 0 手續費搶佔市場，晚期若排放降低，API 價格再逐步回歸市場成本

• 對投資人來說 → 價值流向指標
  Alpha 漲＝市場認為該 Subnet 的模型最有用；排放自動跟隨 Alpha，投放更多 TAO 流動性，也讓 Alpha 的深度更充裕

.

整體來說我觀察到的三大優勢

1. 需求與排放 1:1 綁定 — Alpha 價格高低即市場真實需求信號，避免「叫好不叫座」

2. 可組合性 — 開發者能把多條 Subnet 串成 Agent Workflow，不受一般模型常遇到的 API Key 配額或地區封鎖限制。

3. 數據 / 貢獻可溯源 —— 訓練數據、模型更新、獎勵分配全部上鏈，降低高敏產業（醫療、金融）的審計成本。

.

Bittensor 是否有實際應用?

目前 Bittensor 生態系統中已經出現了多種實用的子網絡：

• 模型推理服務：如 Omron 子網絡提供分散式推理

• AI 搜索引擎：如 Kaito AI 的加密貨幣搜索服務

• 價格預測：如 Synth 子網絡的金融預測模型

• 去中心化訓練：如 Templar 提供真正的去中心化 AI 訓練

成功案例：Chutes (Subnet 64)

由 Rayon Labs 經營的 Chutes 主打「伺服器無感上線 AI 模型」，目前佔整網 TAO 排放約 13–14%，並已提供 GPT-4o 等模型的一鍵推理服務，在2025年3月的市場高峰期，FDV 一度突破 10 億美元。

這些應用表明 Bittensor 正朝著成為 AI 技術堆疊中的「外包層」發展特別適合長尾垂直場景，可能是商業中，未必賺錢但卻對產業極度重要的場景。

值得注意的是，Bittensor 並非唯一的去中心化 AI 基礎設施項目，Render Network 專注於GPU渲染服務，Akash Network 提供通用去中心化雲服務，但 Bittensor 的獨特之處在於其專門針對 AI 工作負載的激勵機制設計。

.

往後怎麼走？來看看官方路線圖

官方與社群正在推進的重點：

1. 持續擴大跨鏈流動性
   Wrapped Alpha 將登錄以太坊，提高 Subnet 代幣的資金效率與做市深度。

2. DAO 化治理 & 收益分潤
   TAO.BOT 等工具計畫把手續費回流給 DAO 票權持有者，為「Subnet 應用層」鋪收益模型。

3. 原生資料／算力子網
   正在測試的 SN-77 Liquidity、Protein Folding 等子網，瞄準 DeSci 與 DePIN 場景，把鏈下稀缺資源搬上鏈。

特別需要注意的風險包括以下幾個指標

• 代幣通脹壓力：每日 7,200 TAO + 各子網 Alpha 代幣的持續增發

• 缺乏外部收入：目前主要依賴代幣激勵，缺乏實際付費用戶

• 技術債務：去中心化架構可能導致 300ms+ 的推理延遲

• 流動性風險：大多數 Alpha 代幣市值低於 1000 萬美元，滑點巨大

.

Darren TechTalk 觀察

• 閾值體驗：若多重驗證與流動性跳轉無法將推理延遲壓在 300 ms 以下，Web2 開發者很難長期黏著。

• 投機子網：dTAO 雖削弱人為審核，但也讓「先炒 Alpha、賺取價差、後棄坑」的獲利模式更佳容易，監管與社群自淨機制必須加速成熟。

• GPU 成本曲線：去中心化 GPU 市場若跟不上雲端降價步伐，Subnet 推理價格優勢可能被抹平。

.

為什麼仍值得關注

在 AI 敘事最火熱、加密資本最浮躁的 2025，Bittensor 仍堅持把「誰提供了真正被使用的模型」這個問題，交給公開的市場與代幣激勵去回答，當然「這是一個高風險的實驗性項目」，絕非投資建議僅供研究參考。

這是一場「屠龍者能否不成惡龍」的嘗試：如果它成功，我們或將第一次看到去中心化網路在 AI 基礎設施層創造可驗證的效率優勢；如果失敗，也能提供寶貴的數據告訴我們，鏈上激勵究竟哪裡走偏。

---

若有興趣進一步研究，可參考以下連結，推薦數據追蹤工具：

• tao.app：官方數據儀表板

  

• taostats.io：詳細的質押和排放數據

  

• coingecko.com：TAO Alpha 代幣價格追蹤