Bittensor är det största decentraliserade AI-nätverket sett till marknadsvärde och ett av de mest omtalade kryptoprojekten under de senaste två åren. I mitten av 2026 drivs 128 aktiva ”undernät”, vart och ett en specialiserad marknad för en viss typ av AI-arbete, med ett marknadsvärde på flera miljarder och en stadig ström av både institutionella investeringar och offentliga kontroverser.
Grundidén: Bittensor är ett blockkedjenätverk där bidragsgivare kör maskininlärningsmodeller i delnätverk, validerare betygsätter resultaten och nätverket fördelar TAO-tokens i proportion till hur användbart arbetet är. Det är det som i kryptovärlden kommer närmast en fungerande, tokenbaserad AI-ekonomi i stor skala, och det står i centrum för den bredare debatten om decentraliserad AI.
En snabb förtydligande inledningsvis: när folk talar om att ”mining TAO” menar de inte hash-mining i stil med Bitcoin. De menar istället att man kör en AI-modell och skickar dess resultat till ett subnät, där validerare bedömer det och protokollet betalar ut belöningar.
Vad är Bittensor?
Bittensor är ett decentraliserat nätverk som använder incitament baserade på blockkedjeteknik för att samordna arbete inom maskininlärning. Bidragsgivarna kör AI-modeller i specialiserade undernät, validerare betygsätter resultaten och nätverket fördelar TAO-tokens som belöning utifrån hur användbart arbetet är.
Projektet grundades 2019 av Jacob Steeves och Ala Shaabana och drivs av den ideella organisationen Opentensor Foundation. Det nuvarande huvudnätverket, som kallas Finney, lanserades den 20 mars 2023 efter två tidigare versioner. Bittensor är byggt på Substrate, samma ramverk som används av Polkadot, och körs på en egen specialbyggd kedja.
Det viktigaste att förstå om Bittensor är vad det inte är. Det handlar inte om att träna en enda frontier-modell på samma sätt som OpenAI eller Anthropic gör. Det finns inget ”Bittensor LLM”. Istället består nätverket av en samling oberoende delnätverk, där varje delnätverk är inriktat på en annan AI-uppgift: LLM-inferens, bildgenerering, prediktionsmarknader, distribuerad träning, GPU-beräkningar, ljud och sökning. Varje delnätverk utgör en egen miniatyrkonkurrens; nätverket samordnar dem.
Det är just den strukturen som gör Bittensor till det mest omtalade exemplet på ”AI på en blockkedja” – och som ligger till grund för det mesta av förvirringen kring vad det egentligen gör.
Så fungerar Bittensor: Undernät, miners och validerare
Bittensor-stacken består av fyra rörliga delar som är lätta att blanda ihop tills man har sett dem en gång.
Undernät
Ett subnät är ett fristående delnätverk som är inriktat på en viss typ av AI-arbete. Subnät 3 (τemplar) tränar stora språkmodeller på ett decentraliserat sätt. Subnät 64 (Chutes) tillhandahåller GPU-beräkningskapacitet.
Andra hanterar prognosmarknader, inbäddningar, bildgenerering och finansiella signaler. Undernät skapas genom subnätägare, som fastställer vad som räknas som ”bra arbete” och utformar poängsättningsreglerna. I mitten av 2026 fanns det 128 aktiva undernät, och en utökning till 256 planeras.
De tre rollerna
Varje delnät har tre typer av deltagare:
- Gruvarbetare köra AI-modellen och generera resultat: text, bilder, prognoser – vad subnätet än kräver. Det här är AI-miners, inte hash-miners. Hårdvarukraven beror på subnätet.
- Validerare utvärdera gruvarbetarnas resultat och tilldela poäng. De satsar TAO för att delta; deras inflytande över poängsättningen står i proportion till deras insats.
- Ägare av delnät skapa och underhålla subnätets regler, incitamentsstruktur och kodbas.
Yuma-konsensuset
Yuma Consensus är Bittensors mekanism för att omvandla validerarnas poäng till TAO-belöningar. Validerarna betygsätter minarna; nätverket sammanställer betygen viktade efter validerarnas insats; belöningarna fördelas proportionellt mellan minare, validerare och subnätägare. Systemet är utformat så att validerare som agerar i ond tro, det vill säga de vars poäng avviker för mycket från konsensus, tjänar mindre och med tiden späds ut av de ärliga validerarna.
Tokenflöde
Ett fast antal TAO släpps ut per block. Efter halveringen i december 2025 blir det 0,5 TAO per block, eller ungefär 3 600 TAO per dag. Utgivningen fördelas mellan subnät baserat på marknadsdrivna signaler (mer om detta nedan), och inom varje subnät fördelas den mellan miners, validerare och subnätets ägare.
TAO, Dynamic TAO och tokenekonomin
TAO är Bittensor-nätverkets egna token. Det används för staking (att delegera till validerare för att få en andel av utgivningen), skapande av subnät (subnätägare låser in TAO för att registrera sig), betalning för AI-tjänster samt styrning.
Utgivningsschemat är direkt inspirerat av Bitcoin: ett fast tak på 21 miljoner TAO, med halveringar som minskar utgivningen till hälften. Bittensors första halvering ägde rum i mitten av december 2025, vilket minskade den dagliga utgivningen från cirka 7 200 TAO till 3 600 TAO (0,5 TAO per block).
Den största ekonomiska förändringen i Bittensors historia inträffade i februari 2025, när uppgraderingen till Dynamic TAO (dTAO) trädde i kraft. Före dTAO var det ett råd bestående av 64 validerare som avgjorde vilka subnät som skulle tilldelas TAO-utsläpp. Efter dTAO har varje subnät sitt eget alfa-token och sin egen likviditetsreserv.
Användare som vill stödja ett subnät sätter in TAO i det subnätets pool, får i gengäld dess alfa-token och tjänar utdelningar som står i proportion till poolens storlek. Subnät med mer insatt TAO tjänar mer utdelning. I korthet: dTAO har förvandlat varje subnät till en egen mikroekonomi, där TAO står högst upp i hierarkin.
För realtidsdata om utsläpp, avkastning på staking och statistik på subnätnivå, taostats.io är standardkällan.
Vad Bittensor-undernät egentligen gör
Undernät kan delas in i ett fåtal breda kategorier. Vissa liknar infrastruktur, medan andra snarare liknar produkter.
Beräkning och distribuerad träning
Undernätverk inriktade på GPU-beräkningar och decentraliserad modellträning. Det mest framträdande exemplet är τemplar (SN3), som tränade Covenant-72B – den modell som i början av 2026 var den största gemensamt förtränade modellen i något decentraliserat nätverk. Chutes (SN64) och Targon (SN4) erbjuder uthyrbar GPU-kapacitet för inferens och korta träningsuppdrag.
Grundläggande modeller och stora språkmodeller
Subnät som tränar och tillhandahåller öppna språkmodeller för inferens. De konkurrerar om utdatakvalitet och kostnad; validerare jämför svaren mot bedömningskriterier. Ekonomiskt sett fungerar detta bäst för medelstora modeller, där decentraliserad tillhandahållning kan bli billigare än centraliserade molntjänster.
Bild, ljud och multimodal
Subnät för generativa medier: bildgenerering, ljudsyntes, tal och, i allt större utsträckning, video. Deltagarna kör diffusions- eller transformermodeller; validerarna bedömer resultaten utifrån subnätets kvalitetskriterier.
Prognoser, finans och strukturerade signaler
Undernätverk som genererar marknadsprognoser, sentimentdata, sportprognoser och strukturerade finansiella signaler. Tydligare framgångsmått (var prognosen korrekt?) gör bedömningen enklare än vid generativa uppgifter.
Sökning och hämtning
Undernätverk inriktade på webbsökning, inbäddningar och sökförstärkta system – användbara som mellanprogramvara för AI-applikationer som behöver färsk data. Kvaliteten på undernätverken varierar kraftigt. Vissa genererar verkliga intäkter och har en bra produkt-marknadsanpassning. Andra befinner sig i ett tidigt skede, är spekulativa eller nära att överges. dTAO-marknaden är tänkt att synliggöra denna skillnad, och till viss del gör den det, men den skapar också mer utpräglade upp- och nedgångscykler för alfa-tokens.
En ärlig recension av Bittensor
Bittensor väcker starka åsikter i båda riktningarna. Det finns tre aspekter som är värda att beakta samtidigt.
Vad som är verkligt
Bittensor har en fungerande teknisk stack, ett utgivningsschema baserat på halveringar, en marknadsmekanism (dTAO) för fördelning av belöningar mellan subnät samt betydande institutionellt stöd – ett långvarigt engagemang från Polychain Capital och en Grayscale Bittensor Trust (GTAO) där en ansökan om omvandling till en spot-ETF för närvarande behandlas av SEC. Flera delnät levererar redan idag användbara AI-tjänster och genererar verkliga intäkter.
Vad som är omtvistat
Kvaliteten på subnäten varierar kraftigt. Vissa är äkta AI-produkter, medan andra är utsläppsfarmer med minimal produktion. Nätverket har också drabbats av allvarliga säkerhetsincidenter: i juli 2024 ledde ett skadligt paket som laddats upp till PyPI till att cirka 8 miljoner dollar stals och att kedjan stängdes ner i 10 dagar. I maj 2025 tvingades nätverket in i ”säkerhetsläge” i två dagar till följd av en okontrollerad batch-call-attack. Båda incidenterna löstes, men de ingår i driftshistoriken.
Risken för att avtalet sägs upp och risken för subnätoperatören
I april 2026 lämnade Covenant AI (operatör av Subnet 3 och teamet bakom träningsomgången Covenant-72B) nätverket offentligt, sålde cirka 37 000 TAO (cirka 10 miljoner dollar) och anklagade Bittensors ledning för ensidig kontroll.
En av Bittensors grundare bestred offentligt denna beskrivning, och nätverket fortsatte att fungera. Händelsen utlöste ett betydande kursfall och är fortfarande det tydligaste exemplet på hur en delnätoperatörs agerande kan påverka hela nätverket. Bittensor är ett av få kryptoprojekt som har en fungerande lösning på frågan ”hur skulle AI på en blockkedja se ut?”. Det är också ett av de mest volatila.
Slutsats
Bittensor är det tydligaste svaret som kryptovärlden har gett på frågan ”hur skulle AI på en blockkedja se ut” – 128 specialiserade subnät, ett halveringsschema i Bitcoin-stil, verkliga intäkter från vissa arbetsbelastningar och betydande institutionella investeringar i ryggen. Det är också ett av de mest omstridda projekten inom branschen, med säkerhetsincidenter, avhopp bland subnätoperatörer och stora kvalitetsskillnader. Varje seriös analys av TAO måste ta hänsyn till båda dessa aspekter samtidigt.
