Bittensor er det største decentraliserede AI-netværk målt på markedsværdi og et af de mest omtalte kryptoprojekter i de seneste to år. I midten af 2026 driver det 128 aktive »undernet«, der hver især udgør et specialiseret marked for en bestemt type AI-arbejde, med en markedsværdi i milliardklassen og en jævn strøm af både institutionelle investeringer og offentlige kontroverser.
Grundidéen: Bittensor er et blockchain-netværk, hvor bidragydere kører maskinlæringsmodeller i undernetværk, validatorer vurderer resultaterne, og netværket fordeler TAO-tokens i forhold til, hvor nyttigt arbejdet er. Det er det, der kommer tættest på en fungerende, token-baseret AI-økonomi i stor skala inden for kryptovaluta, og det står i centrum for den bredere debat om decentraliseret AI.
Lad os straks afklare en ting: Når folk taler om »mining af TAO«, mener de ikke hash-mining som ved Bitcoin. De mener derimod at køre en AI-model og sende dens output til et subnet, hvor validatorer vurderer det, og protokollen udbetaler belønninger.
Hvad er Bittensor?
Bittensor er et decentraliseret netværk, der bruger blockchain-incitamenter til at koordinere arbejde inden for maskinlæring. Bidragydere kører AI-modeller i specialiserede undernet, validatorer vurderer resultaterne, og netværket uddeler TAO-tokens som belønning afhængigt af, hvor nyttigt det pågældende arbejde er.
Projektet blev grundlagt i 2019 af Jacob Steeves og Ala Shaabana og vedligeholdes af den almennyttige organisation Opentensor Foundation. Det nuværende hovednetværk, der hedder Finney, blev lanceret den 20. marts 2023 efter to tidligere versioner. Bittensor er bygget på Substrate, det samme framework som Polkadot bruger, og kører på sin egen specialbyggede blockchain.
Det vigtigste at forstå ved Bittensor er, hvad det ikke er. Det træner ikke en enkelt frontier-model, som OpenAI eller Anthropic gør. Der findes ikke noget "Bittensor LLM". I stedet er netværket en samling af uafhængige undernet, der hver især fokuserer på en anden AI-opgave: LLM-inferens, billedgenerering, forudsigelsesmarkeder, distribueret træning, GPU-beregninger, lyd og søgning. Hvert undernet udgør sin egen lille konkurrence; netværket koordinerer dem.
Det er netop denne struktur, der gør Bittensor til det mest citerede eksempel på »AI på en blockchain« og som er årsagen til det meste af forvirringen omkring, hvad det egentlig gør.
Sådan fungerer Bittensor: Undernet, minere og validatorer
Bittensor-stakken består af fire bevægelige dele, som man let kan forveksle, indtil man har set dem én gang.
Undernet
Et subnet er et selvstændigt undernetværk, der er dedikeret til én bestemt type AI-opgave. Subnet 3 (τemplar) træner store sprogmodeller på en decentraliseret måde. Subnet 64 (Chutes) leverer GPU-regnekraft.
Andre beskæftiger sig med forudsigelsesmarkeder, embeddings, billedgenerering og finansielle signaler. Undernet oprettes ved undernetværksejere, som fastlægger, hvad der regnes for »godt arbejde«, og udarbejder reglerne for pointgivning. Pr. medio 2026 er der 128 aktive undernet, og der er planer om at udvide antallet til 256.
De tre roller
Hvert undernet har tre typer deltagere:
- Minearbejdere Kør AI-modellen og generer resultater: tekst, billeder, forudsigelser – alt efter, hvad undernetværket kræver. Det er AI-minere, ikke hash-minere. Hardwarekravene afhænger af undernetværket.
- Validatorer vurderer minernes output og tildeler point. De sætter TAO på spil for at deltage; deres indflydelse på pointtildelingen er proportional med deres indsats.
- Undernetværksejere oprette og vedligeholde undernetværkets regler, incitamentsstruktur og kodebase.
Yuma-konsensus
Yuma Consensus er Bittensors mekanisme til at omregne validatorernes score til TAO-belønninger. Validatorerne vurderer minerne; netværket sammenfatter vurderingerne vægtet efter validatorernes indsats; belønningerne fordeles proportionalt mellem minere, validatorer og subnet-ejere. Beregningen er udformet således, at validatorer, der handler i ond tro – dvs. dem, hvis score afviger for meget fra konsensus – tjener mindre og med tiden bliver udvandet af de ærlige validatorer.
Token-flow
Der udstedes et fast antal TAO pr. blok. Efter halveringen i december 2025 vil det være 0,5 TAO pr. blok, eller cirka 3.600 TAO om dagen. Udstedelserne fordeles på undernet baseret på markedsdrevne signaler (mere om det nedenfor), og inden for hvert undernet fordeles de mellem minere, validatorer og undernet-ejeren.
TAO, Dynamic TAO og tokenøkonomien
TAO er det indbyggede token i Bittensor-netværket. Det bruges til staking (delegering til validatorer for at opnå en andel af udstedelserne), oprettelse af undernet (undernet-ejere låser TAO for at registrere sig), betaling for AI-tjenester og styring.
Forsyningsplanen er direkte baseret på Bitcoin: et fast loft på 21 millioner TAO med halveringer, der reducerer udledningen til det halve. Bittensors første halvering fandt sted i midten af december 2025, hvor den daglige udstedelse faldt fra ca. 7.200 TAO til 3.600 TAO (0,5 TAO pr. blok).
Den største økonomiske ændring i Bittensors historie fandt sted i februar 2025, da opgraderingen til Dynamic TAO (dTAO) trådte i kraft. Før dTAO var det et råd bestående af 64 validatorer, der afgorde, hvilke undernet der modtog TAO-udstedelser. Efter dTAO har hvert undernet sit eget alfa-token og sin egen likviditetspulje.
Brugere, der ønsker at støtte et subnet, staker TAO i det pågældende subnets pool, modtager til gengæld dets alfa-token og tjener emissioner, der står i forhold til poolens størrelse. Subnets med flere stakede TAO tjener flere emissioner. Kort sagt: dTAO har forvandlet hvert subnet til sin egen mikroøkonomi, hvor TAO befinder sig øverst i hierarkiet.
For realtidsdata om emissioner, staking-afkast og statistikker på undernetniveau, taostats.io er standardkilden.
Hvad Bittensor-undernet egentlig gør
Undernet kan inddeles i en håndfuld overordnede kategorier. Nogle ligner infrastruktur, mens andre i højere grad ligner produkter.
Beregning og distribueret træning
Undernet, der er specialiseret i GPU-beregninger og decentraliseret modeltræning. Det mest fremtrædende eksempel er τemplar (SN3), som trænede Covenant-72B, der i begyndelsen af 2026 var den største fælles fortrænede model på et hvilket som helst decentraliseret netværk. Chutes (SN64) og Targon (SN4) tilbyder GPU-kapacitet til leje til inferens og korte træningsopgaver.
Grundlæggende modeller og store sprogmodeller (LLM’er)
Undernetværk træner og leverer sprogmodeller med åben vægt til inferens. De konkurrerer på outputkvalitet og omkostninger; validatorer sammenligner svarene med bedømmelseskriterier. Økonomisk set fungerer det bedst for mellemstore modeller, hvor decentraliseret levering kan være billigere end centraliserede cloud-priser.
Billede, lyd og multimodal
Generative medier-undernet: billedgenerering, lydsyntese, tale og i stigende grad video. Minere kører diffusions- eller transformermodeller; validatorer vurderer resultaterne ud fra undernettets kvalitetskriterier.
Prognoser, finans og strukturerede signaler
Undernet, der genererer markedsprognoser, sentimentdata, sportsprognoser og strukturerede finansielle signaler. Tydeligere succesmålinger (var prognosen korrekt?) gør vurderingen mere ligetil end ved generative opgaver.
Søgning og hentning
Undernet, der fokuserer på websøgning, embeddings og søgeforsterkede systemer – nyttige som middleware til AI-applikationer, der har brug for nye data. Kvaliteten af undernetene varierer meget. Nogle genererer reelle indtægter og har en god produkt-marked-tilpasning. Andre er i en tidlig fase, spekulative eller tæt på at blive opgivet. dTAO-markedet skal angiveligt afspejle denne forskel, og det gør det til en vis grad, men det skaber også mere markante boom-bust-cyklusser for alfa-tokens.
En ærlig vurdering af Bittensor
Bittensor vækker stærke meninger i begge retninger. Der er tre punkter, som det er værd at holde fast i på én gang.
Hvad der er virkeligt
Bittensor har en fungerende teknisk platform, en emissionsplan baseret på halveringer, en markedsmekanisme (dTAO) til fordeling af belønninger på tværs af subnet og betydelig institutionel opbakning – herunder et langvarigt engagement fra Polychain Capital samt en Grayscale Bittensor Trust (GTAO), hvor der er indgivet en ansøgning til SEC om omdannelse til en spot-ETF. Flere undernet leverer i dag brugbare AI-tjenester og genererer reelle indtægter.
Hvad der er omstridt
Kvaliteten af subnettene varierer meget. Nogle er ægte AI-produkter, mens andre er »emissionsfarme« med minimal produktion. Netværket har også været ramt af alvorlige sikkerhedshændelser: I juli 2024 førte en ondsindet pakke, der blev uploadet til PyPI, til, at der blev stjålet omkring 8 millioner dollars, og at kæden blev standset i 10 dage. I maj 2025 satte et ukontrolleret batch-call-angreb netværket i »sikker tilstand« i to dage. Begge hændelser blev løst, men de indgår i driftshistorikken.
Risikoen forbundet med udtræden af pagten og subnetoperatøren
I april 2026 trak Covenant AI (operatøren af Subnet 3 og holdet bag Covenant-72B-træningskørslen) sig offentligt ud af netværket, solgte omkring 37.000 TAO (ca. 10 millioner dollars) og beskyldte Bittensors ledelse for ensidig kontrol.
En af Bittensors medstiftere afviste offentligt denne karakteristik, og netværket fortsatte med at fungere. Hændelsen udløste et markant kursfald og er stadig det tydeligste eksempel på, hvordan en subnet-operatørs adfærd kan påvirke hele netværket. Bittensor er et af de få kryptoprojekter, der har et brugbart svar på spørgsmålet: »Hvordan ville AI på en blockchain se ud?« Det er også et af de mest volatile.
Konklusion
Bittensor er det klareste svar, kryptomiljøet har frembragt på spørgsmålet »hvordan ville AI på en blockchain se ud« – 128 specialiserede undernet, en halveringsplan i stil med Bitcoin, reelle indtægter fra visse arbejdsopgaver og betydelige institutionelle investeringer i ryggen. Det er også et af de mest omstridte projekter i branchen, med sikkerhedshændelser, udtrædelser blandt undernetværksoperatører og store kvalitetsforskelle. Enhver seriøs analyse af TAO skal tage højde for begge disse aspekter på én gang.
