Le subnet di Bittensor sono mercati specializzati di materie prime digitali all’interno della rete Bittensor. Ogni subnet definisce un task, premia i miner che producono l’output richiesto e si affida ai validator per valutare quel lavoro prima che il protocollo distribuisca le emissioni. Gli esempi attuali coprono una gamma ampia di prodotti: Targon (SN4) fornisce confidential compute, Chutes (SN64) distribuisce applicazioni GPU, iota (SN9) coordina il training distribuito di modelli e Data Universe (SN13) raccoglie dati social.

Il solo numero della subnet rivela pochissimo sulla qualità del prodotto. Una revisione significativa deve collegare tre elementi: il task alla regola di scoring, la regola di scoring alle ricompense dei miner e l’output premiato a un utente esterno. La domanda del token alpha di una subnet, insieme alle emissioni, può sostenere quel mercato, ma nessuno dei due dimostra che il servizio sottostante abbia clienti paganti.

Una subnet è un mercato per una singola materia prima digitale

La rete base di Bittensor fornisce coordinamento condiviso ed economia dei token, mentre ogni subnet decide cosa devono produrre i partecipanti e come misurare le prestazioni. Questa separazione consente a una rete di inferenza di premiare la latenza e la qualità del modello senza costringere una subnet di raccolta dati a usare lo stesso benchmark. È il motivo per cui Bittensor assomiglia a un portafoglio di mercati specializzati piuttosto che a un unico chatbot decentralizzato.

Una subnet non è una blockchain separata e non è semplicemente un token quotato sotto TAO. È un ambiente operativo costruito attorno a una particolare materia prima, come il calcolo GPU, le risposte dei modelli, l’avanzamento del training, i dati freschi, le previsioni, i test di sicurezza o le traiettorie degli agenti. La directory delle subnet di Bittensor mostra quanto questi compiti siano ormai vari, mentre l’analisi di AiCryptoCore sui progetti AI decentralizzati colloca questo modello accanto a reti che coordinano in modi diversi calcolo, dati e inferenza.

Il lavoro passa da una richiesta a una ricompensa onchain

La maggior parte del lavoro utile avviene offchain. Ciò che Bittensor registra è chi ha partecipato, come i validator hanno valutato i miner e come sono state distribuite le ricompense.

1. Richiesta — I validator inviano il task definito dal proprietario della subnet, come una richiesta di inferenza, un controllo hardware o un incarico di raccolta dati.
2. Output — I miner usano i propri modelli, hardware o dataset per restituire il risultato richiesto.
3. Valutazione — I validator testano quel risultato usando le regole di scoring della subnet e inviano pesi per i miner che hanno valutato.
4. Consenso — Yuma Consensus combina i pesi dei validator tenendo conto di stake e accordo.
5. Ricompensa — La chain registra gli incentivi dei miner e i dividendi dei validator in base al consenso risultante.

Il test di scoring cambia a seconda del prodotto. Targon verifica hardware e attestazioni di esecuzione, mentre Data Universe campiona i record per autenticità e freschezza. Un elevato incentivo per i miner significa quindi che il miner ha performato bene secondo la regola di quella subnet; non dimostra che un cliente esterno abbia acquistato l’output.

Miner, validator, owner e staker affrontano esiti diversi

Il carico di lavoro può essere molto più pesante di quanto suggerisca una dashboard dei token. In una discussione datata sul mining di Bittensor, un operatore ha descritto di aver trascorso circa sette ore al giorno nei primi mesi, pagando sia i costi GPU sia quelli di registrazione, e di essere rimasto senza profitto per circa tre mesi mentre imparava il sistema. Un singolo resoconto non è una stima rappresentativa dei costi, ma mostra perché i potenziali miner hanno bisogno di un budget operativo e di un test di performance specifici per la subnet, non di uno screenshot dell’APY.

Il profitto dei miner, i dividendi dei validator e i rendimenti degli staker misurano attività diverse. Riunirli in un unico rendimento di riferimento nasconde chi ha svolto il lavoro, chi lo ha valutato e chi ha semplicemente assunto esposizione al mercato dei token.

Il metagraph mostra chi partecipa, non se gli utenti pagano

Ogni neurone attivo ha un UID e un hotkey. Il metagraph combina queste identità con stake, pesi, incentivi, trust e dividendi della subnet in un blocco specifico.

Il metagraph può mostrare:

• Se la subnet è piena e quanti slot UID sono attivi
• Quali miner ricevono incentivi significativi
• Quali validator hanno il maggior peso e trust
• Se ricompense e influenza sono concentrate in un piccolo gruppo

Il metagraph non può mostrare:

• Ricavi pagati da clienti esterni a Bittensor
• Se una richiesta API ha prodotto un risultato utile
• Calcolo erogato, utenti trattenuti o integrazioni ripetute
• Se la domanda di token deriva dall’uso del prodotto o dalla speculazione di mercato

Pesi dei validator concentrati significano che un numero minore di attori influenza le ricompense dei miner, mentre incentivi concentrati significano che un piccolo gruppo cattura la maggior parte delle emissioni. Una analisi empirica del 2025 su Bittensor ha rilevato una forte concentrazione in stake e ricompense, quindi un grande numero di partecipanti non dimostra la decentralizzazione.

Una revisione credibile di una subnet richiede entrambi i livelli: dati del metagraph per la competizione interna ed evidenze dei clienti per la domanda esterna. Questa distinzione vale anche nel più ampio mercato crypto dell’infrastruttura AI.

Quattro subnet mostrano quanto diverso possa essere il lavoro

Gli esempi seguenti non costituiscono una classifica. Sono stati selezionati perché ciascuno rende visibile il rapporto miner-validator attraverso un prodotto diverso: confidential compute, inferenza serverless, training distribuito di modelli e raccolta di dati sociali. Nomi, netuid e metriche di mercato sono stati verificati il 24 agosto 2026; assegnazioni ed economia delle subnet possono cambiare.

Targon trasforma l’attestazione hardware in un prodotto di calcolo

Targon (SN4) si concentra sul confidential compute piuttosto che sul noleggio GPU generico. Secondo il suo profilo pubblico della subnet, i miner operano hardware idoneo e ambienti di esecuzione mentre i validator verificano le attestazioni prima che tale capacità possa ricevere lavoro e ricompense. Il meccanismo basato su asta collega le emissioni alla capacità GPU disponibile e al pricing obiettivo, rendendo il lavoro del miner più concreto di un semplice “fornire AI compute”.

Il profilo pubblico della subnet di Targon documenta hardware attestato, parametri d’asta e capacità idonea, ma non divulga in modo indipendente il volume di lavoro verificato, il costo erogato al cliente o la retention. Queste misurazioni di prodotto mancanti collocano Targon accanto al confronto tra reti GPU decentralizzate, dove i carichi effettivamente erogati contano più dell’hardware elencato.

Chutes impacchetta le GPU dei miner come applicazioni distribuibili

Chutes presenta una proposta più orientata alle applicazioni. Il suo profilo SN64 descrive applicazioni GPU containerizzate che possono scalare su capacità gestite in modo indipendente, consentendo agli sviluppatori di distribuire carichi di inferenza senza gestire un cluster fisso. I miner forniscono l’hardware che esegue tali applicazioni; la piattaforma gestisce distribuzione, routing e funzionamento basato sull’uso.

Il profilo pubblico di Chutes documenta il modello di distribuzione, la tariffazione del runtime GPU e la scalabilità automatica, ma non fornisce un record verificato in modo indipendente di richieste riuscite, prestazioni cold-start, uptime o latenza erogata. Sono le stesse misurazioni di servizio usate nella guida di AiCryptoCore alle reti di inferenza decentralizzate, e il prezzo dell’alpha non le sostituisce.

iota coordina il pretraining su GPU non affidabili

iota, identificata come SN9 nella sua superficie pubblica della subnet, si concentra sul training di modelli in pipeline parallel su operatori GPU distribuiti. Questo compito differisce nettamente dall’erogazione di una singola richiesta di inferenza. Un risultato utile è un progresso di training sostenuto che sopravvive alla variabilità dei nodi e produce un checkpoint del modello riproducibile, non semplicemente un grande inventario di hardware registrato.

i validator di iota misurano il contributo al training e non la sola registrazione hardware. La superficie pubblica della subnet identifica l’architettura di training distribuito, ma non stabilisce la qualità attuale del checkpoint, le prestazioni di recupero dai guasti o la capacità finale del modello. Artefatti di training completati e valutazioni riproducibili stabiliscono se l’esecuzione coordinata abbia prodotto un modello utilizzabile.

Data Universe premia record freschi e verificabili

Data Universe (SN13) mostra che i miner di Bittensor non hanno sempre bisogno di GPU. Il suo profilo pubblico della subnet descrive miner che raccolgono dati dai social media mentre i validator campionano i record e valutano freschezza, unicità, desiderabilità e credibilità. Questo conferisce alla subnet una materia prima misurabile: record che soddisfano regole di qualità dichiarate.

I validator di Data Universe stabiliscono se i record inviati soddisfano le regole di autenticità, freschezza, unicità e desiderabilità della subnet. Il profilo pubblico non divulga retention dei clienti verificata indipendentemente, costo del dataset erogato o miglioramenti misurati per un modello esterno. I dati validi a livello di protocollo e i dati valutati dal compratore rimangono quindi livelli di evidenza separati.

dTAO assegna un prezzo all’attenzione sulla subnet ma non certifica il prodotto

Dynamic TAO assegna a ogni subnet un token alpha e un pool che abbina alpha e TAO. Mettere in staking TAO in una subnet restituisce alpha; l’uscita inverte l’operazione attraverso il pool. Il prezzo di mercato che emerge aiuta a determinare come le emissioni vengono indirizzate tra le subnet, sostituendo un sistema che dipendeva in misura maggiore da un set limitato di validator. Il whitepaper dTAO presenta questo meccanismo come una valutazione guidata dal mercato delle materie prime delle subnet.

Questo rende Bittensor un mercato di mercati e crea un legame riflessivo tra domanda del token alpha, allocazione dello stake ed emissioni. Il movimento del prezzo alpha registra l’attività nel mercato della subnet; non stabilisce la domanda dei clienti per il prodotto sottostante. La profondità del pool e lo slippage determinano il valore eseguibile di una posizione alpha, non il solo prezzo spot visualizzato.

L’analisi più pulita separa tre segnali.

• Domanda di prodotto — richieste, clienti e utilizzo pagato
• Performance del protocollo — output dei miner, scoring dei validator e affidabilità
• Domanda di mercato — prezzo alpha, liquidità, stake ed emissioni

Una subnet è più forte quando tutti e tre migliorano insieme; un livello non dovrebbe essere usato come sostituto degli altri due.

Conclusione

Una subnet di Bittensor è utile quando il suo meccanismo di incentivo trasforma in modo coerente la competizione tra miner in una materia prima digitale desiderata da qualcuno. Targon, Chutes, iota e Data Universe mostrano perché non esista un unico modello di “AI subnet” sufficientemente completo: chiedono ai partecipanti di dimostrare hardware, servire applicazioni, far avanzare il training o fornire dati verificabili.

Le emissioni finanziano quella competizione e il prezzo dTAO misura l’interesse di mercato, ma il segnale duraturo appare dopo che la ricompensa è stata guadagnata. L’output deve superare un test di prodotto indipendente e gli utenti esterni devono avere un motivo per tornare. Leggere Bittensor dal task allo scoring fino alla domanda di prodotto fornisce un quadro molto più chiaro che partire dalla classifica delle subnet.

Domande frequenti

Che cos’è una subnet di Bittensor?

Una subnet di Bittensor è un mercato specializzato all’interno di Bittensor in cui i miner producono una materia prima digitale definita e i validator ne valutano le prestazioni. Il task, il metodo di valutazione e il meccanismo di incentivo sono specifici di quella subnet.

Qual è la differenza tra TAO e un token alpha di subnet?

TAO è l’asset condiviso della rete. Un token alpha appartiene al pool dTAO di una singola subnet e riflette l’attività di mercato attorno a quella subnet. Il prezzo alpha variabile della subnet contribuisce alla sua allocazione delle emissioni; non stabilisce ricavi o qualità del prodotto.

Tutti i miner di Bittensor eseguono modelli AI su GPU?

No. I requisiti hardware seguono il task della subnet. Targon, Chutes e iota dipendono dalla capacità GPU per calcolo o training, mentre Data Universe premia la raccolta e la verifica dei dati senza richiedere una GPU ai suoi miner.

La subnet con le emissioni più alte è la migliore?

No. Emissioni elevate indicano una forte allocazione del protocollo e il sostegno del mercato in un determinato snapshot temporale. Una valutazione completa richiede anche la qualità dell’output dei miner, la concentrazione dei validator, l’uso esterno, la liquidità del pool, i costi operativi e prove che i clienti attribuiscano valore al servizio.

Disclaimer: Le informazioni fornite su AiCryptoCore.com hanno esclusivamente scopi educativi e informativi e non costituiscono consulenza finanziaria, di investimento o di trading. Gli investimenti in criptovalute comportano rischi e possono comportare perdite finanziarie. Effettua sempre le tue ricerche e consulta un consulente finanziario qualificato prima di prendere qualsiasi decisione di investimento.