作者：Minta

1/n（持续更新）开个帖记录一下 Crypto & AI 的二级思路 Web3 & AI Sector 分层和 Web2 相似，数据层/算力层是最底层的基建，然后依次到模型层、服务层/Agent层，最后到应用层。

2/n 叙事 从叙事角度来说，标准化/同质化程度越低的赛道，出 Alpha 的概率越大。比如算力层，GPU 都是同质的，所以算力类项目方主要在卷玩法/GTM/算力资产衍生品等。 标准化最低的细分赛道分别是：模型层、数据层和 Agent 层。

3/n 模型层 模型层是变量非常大的赛道，一个新模型的出现就可以迅速改变市场格局。比如，OpenAI 的 GPT-4o 为新的人机交互方式带来了无限可能。微软发布的 Phi-3，苹果在 Hugging Face 上发布的 OpenELM 都快速推进了移动端训练的进程。 从二级的角度来说，变量大 = 非共识的机会大 = Alpha 机会大。

4/n 模型层 一个好的模型平台至少具备如下特征： 1. 模型的可组合性：支持兼容多个大模型轮替，而非单个大模型； 2. 需要理解/兼容算力资源的商业逻辑； 3. 监督计算/模型评分 综上，支持调用混合模型库与Tools API，并且能兼容算力资源，才是能跨越牛熊的模型平台。

5/n Bittensor Case 模型层目前的 Top1 毋庸置疑是 Bittensor ，为了打造一个激励层，Bittensor 到底做对了什么？ 简单回顾一下 Bittensor 的 Timeline（不完全统计）： 1. 23年10月前：测试网期间沉淀社区； 2. 23年10月逐步开放子网注册：从第一批 9 个子网，再到 32 个子网；24年5月开始逐步拓展到 64 个子网；

6/n Bittensor Case 3. 跟随生态调整激励模式：从激励的普遍性到通过激励优胜劣汰，比如： (1)减半时间提前，第一次减半从25年调整至23年； (2)Tokenomics调整，子网直接的激励分配比例完全交给市场决定，增加更多维度的博弈； 4. 慢慢形成飞轮效应

7/n Bittensor Case 从二级的角度来看， Bittensor 成功打造的“造富效应”非常关键。 Bittensor 的几个决策拐点都踩上了流动性激增的时间节点。在 23 年 9 月 - 11月期间接连扩充子网数量提供大量买盘；同时，结合其特别的质押机制，快速推动了代币价格的上涨，进而吸引更多的项目注册成为子网，形成良性循环。 所以刻舟求剑，会发现子网注册费用是 $TAO 价格最好的风向标，子网注册峰值和价格峰值总是相继出现。

8/n Bittensor Case 截止到撰稿， Bittensor 前 8 名的 Staking 情况如图。前 8 名 Staker 合计 Staking Rate 为 61.2%，项目总 Staking Rate 为 84.61%。 目前 MC 2.5B ，预估 MC 可以达到 10B+，只需要预测大户的 Staking 情况，即可完成价格预估。

9/n Bittensor 竞品 对 Bittensor 同类型的竞品来说，需要解决进入门槛较高的问题，目前 TAO 的子网注册费仍然不低；并且需要靠强大的 BD 能力短期内铺开大量模型，并同步做好市值管理。 一些早期项目如

@communeaidotorg、@zero1_labs、@arbius_ai等在做类似的事情，如果其生态快速扩张，也许会是不错的入场点位。

10/n Bittensor 竞品 拿 Commune 举例，这是 TAO 生态核心 Builder 的创业项目，和 TAO 相比： 1. Commune 门槛更低，Dev 注册模块更容易； 2. Commune 的激励系统大幅度简化/删减，决策依赖于更简单的投票系统； 总的来说，目前二级没有看到短期内能和 Bittensor 抗衡的项目。

11/n 模型层未发币项目备选@Nimble_Network构建了一个全球性的编排层以实现通用的人工智能操作和全链路访问；@Gatling_X推出了支持计算场景的 EVM；@ritualnet多管齐下，从激励网络，到链接分布式计算设备，模型托管、共享、推理、优化等，再到访问模型的 API 层，以及抗审查和隐私等。