作者： Minta
1/n（持續更新）開篇記錄一下Crypto & AI 的二級思路Web3 & AI Sector 分層和Web2 相似，資料層/算力層是最底層的基建，然後依序到模型層、服務層/ Agent層，最後到應用層。
2/n 敘事從敘事角度來說，標準化/同質化程度越低的賽道，出Alpha 的機率越大。例如算力層，GPU 都是同質的，所以算力類項目方主要在卷玩法/GTM/算力資產衍生品等。標準化最低的細分賽道分別是：模型層、資料層和Agent 層。
3/n 模型層模型層是變數非常大的賽道，新模型的出現可以快速改變市場格局。例如，OpenAI 的GPT-4o 為新的人機互動方式帶來了無限可能。微軟發布的Phi-3，蘋果在Hugging Face 上發布的OpenELM 都快速推進了行動裝置訓練的進程。從二級的角度來說，變數大= 非共識的機會大= Alpha 機會大。
4/n 模型層一個好的模型平台至少具備以下特徵： 1. 模型的可組合性：支援相容多個大模型輪替，而非單一大模型； 2. 需要理解/相容算力資源的商業邏輯； 3. 監督計算/模型評分綜上，支援調用混合模型庫與Tools API，並且能相容於算力資源，才是能跨越牛熊的模型平台。
5/n Bittensor Case 模型層目前的Top1 毋庸置疑是Bittensor ，為了打造一個激勵層，Bittensor 到底做對了什麼？簡單回顧一下Bittensor 的Timeline（不完全統計）： 1. 23年10月前：測試網期間沉澱社區； 2. 23年10月逐步開放子網註冊：從第一批9 個子網，再到32 個子網；24年5月開始逐步拓展到64 個子網路；
6/n Bittensor Case 3. 跟隨生態調整激勵模式：從激勵的普遍性到透過激勵優勝劣汰，例如： (1)減半時間提前，第一次減半從25年調整至23年； (2)Tokenomics調整，子網直接的激勵分配比例完全交給市場決定，增加更多維度的賽局； 4. 慢慢形成飛輪效應
7/n Bittensor Case 從二級的角度來看， Bittensor 成功打造的「造富效應」非常關鍵。 Bittensor 的幾個決策拐點都踩上了流動性激增的時間節點。在23 年9 月- 11月期間接連擴充子網數量提供大量買盤；同時，結合其特別的質押機制，快速推動了代幣價格的上漲，進而吸引更多的項目註冊成為子網，形成良性循環。所以刻舟求劍，會發現子網註冊費用是$TAO價格最好的風向標，子網註冊峰值和價格峰值總是相繼出現。
8/n Bittensor Case 截止到撰稿， Bittensor 前8 名的Staking 情況如圖。前8 名Staker 總計Staking Rate 為61.2%，項目總Staking Rate 為84.61%。目前MC 2.5B ，預估MC 可以達到10B+，只需要預測大戶的Staking 狀況，即可完成價格預估。
9/n Bittensor 競品對Bittensor 同類型的競品來說，需要解決進入門檻較高的問題，目前TAO 的子網註冊費仍然不低；並且需要靠強大的BD 能力短期內鋪開大量模型，並同步做好市值管理。一些早期項目如
@communeaidotorg 、 @zero1_labs 、 @arbius_ai等在做類似的事情，如果其生態快速擴張，也許會是不錯的入場點位。
10/n Bittensor 競品拿Commune 舉例，這是TAO 生態核心Builder 的創業項目，和TAO 相比： 1. Commune 門檻更低，Dev 註冊模組更容易； 2. Commune 的激勵系統大幅度簡化/刪減，決策依賴於更簡單的投票系統； 總的來說，目前二級沒有看到短期內能和Bittensor 抗衡的項目。
11/n 模型層未發幣項目備選@Nimble_Network構建了一個全球性的編排層以實現通用的人工智能操作和全鏈路訪問； @Gatling_X推出了支持計算場景的EVM； @ritualnet多管齊下，從激勵網絡，到連結分散式運算設備，模型託管、共享、推理、最佳化等，再到存取模型的API 層，以及抗審查和隱私等。
