Bittensor (TAO) met en œuvre l’amélioration d’dTAO afin de aligner les émissions avec les flux de capitaux du sous-réseau AI.

• Bittensor fonctionne comme un marché décentralisé pour l’intelligence artificielle. Il utilise le consensus « Proof of Intelligence » pour récompenser les participants en fonction de la valeur informationnelle des contributions de leur apprentissage automatique.
• L’update récent de Dynamic TAO (dTAO) introduit des allocations de staking et d’émission spécifiques aux sous-réseaux, basées sur les flux de capitaux nets. Cela permet d’établir un mécanisme de distribution des ressources motivé par le marché.
• Cette transformation structurelle garantit que les capitaux se dirigent vers les sous-réseaux qui produisent les résultats d’IA les plus précieux. Cela modifie fondamentalement la manière dont les ressources informatiques sont allouées sur le réseau.
• Les participants institutionnels doivent évaluer les performances des validateurs et la fiabilité de l’infrastructure. En effet, le réseau repose sur une réduction des émissions, plutôt que sur des mesures au niveau du protocole pour améliorer les performances.

Bittensor est un réseau décentralisé et open source qui fonctionne comme un marché pour les technologies de l’intelligence artificielle. Il permet aux utilisateurs d’accéder et de personnaliser les services liés à l’IA, tout en assurant des interactions transparentes entre producteurs et consommateurs. Le réseau est structuré autour de sous-réseaux spécialisés, chacun étant dédié à tâches spécifiques liées à l’IA, comme la génération de texte ou la reconnaissance d’images. Les participants comprennent des miners qui fournissent des ressources informatiques et des modèles, des validateurs qui évaluent la qualité des résultats et attribuent des scores, ainsi que des délégués qui investissent du TAO pour soutenir les validateurs.

Le réseau utilise le mécanisme de consensus Proof of Intelligence (PoI). Ce mécanisme récompense les participants en fonction de la qualité des contributions liées à l’apprentissage automatique, plutôt que sur la quantité de travail computationnel ou les capitaux investis. Une caractéristique importante est le système de consensus Yuma, qui combine les évaluations des validateurs. La mise à jour récente d’dTAO a permis que l’attribution des ressources soit déterminée en fonction de la quantité de TAO investie dans chaque sous-réseau. Cet arrangement permet aux capitaux de se diriger vers les sous-réseaux qui produisent les résultats d’IA les plus valables.

La fonctionnalité de tokenomics de TAO dispose d’une offre limitée à 21 millions de tokens, avec un calendrier de dépréciation similaire à celui du Bitcoin. Une première réduction des tokens a lieu en décembre 2025, ce qui entraîne une diminution de 50 % des tokens produits par bloc. Après cette réduction, 0,5 TAO est créé pour chaque bloc et distribué entre les sous-networks. Dans chaque sous-network, 41 % des tokens sont alloués aux validateurs, 41 % aux mineurs, et 18 % aux propriétaires du sous-network. Selon le modèle dTAO, les parts de tokens distribuées aux sous-networks sont déterminées par le modèle Taoflow, qui attribue plus de tokens aux sous-networks ayant une entrée positive en TAO (staking moins non-staking).

Les options de staking incluent le staking de la racine (Subnet 0), qui permet d’avoir une exposition prudente sans avoir à convertir des TAO en tokens alpha. Il existe également un staking par sous-réseau, qui permet d’avoir une exposition ciblée aux domaines spécifiques liés à l’IA, mais cela entraîne une volatilité des tokens alpha. Les participants institutionnels doivent évaluer les performances des validateurs, les taux de commission et la fiabilité de l’infrastructure. En effet, Bittensor ne dispose pas actuellement de mécanismes de réduction des frais au niveau du protocole ; elle se base plutôt sur une réduction des émissions pour compenser les performances insuffisantes.

Comment l’amélioration de dTAO modifie-t-elle l’allocation des ressources ?

L’upgrade Dynamic TAO (dTAO) représente une évolution importante dans la manière dont Bittensor gère ses ressources décentralisées. Auparavant, la réseau utilisait un modèle de distribution statique qui ne tenait pas pleinement compte des besoins et des utilisations différentes des différents sous-réseaux d’IA. Le modèle dTAO introduit un système d’attribution dynamique, où les parts d’émissions sont déterminées par le modèle Taoflow. Ce dernier attribue des émissions plus importantes aux sous-réseaux qui reçoivent des flux de TAO positifs, ce qui récompense efficacement les sous-réseaux qui attirent davantage de capitaux.

Ce mécanisme crée une corrélation directe entre les flux de capitaux et la distribution des ressources. Les sous-réseaux qui offrent une plus grande valeur informationnelle et utilitaire au réseau attirent davantage de délégués et de validateurs, ce qui entraîne une augmentation des contributions en termes de staking. Par conséquent, ces sous-réseaux reçoivent une part plus importante des données brutes produites par le réseau, renforçant ainsi leur position dans l’écosystème. Cette approche motivée par le marché garantit que les ressources informatiques sont orientées vers les tâches d’IA les plus productives et les plus précieuses.

Le passage à dTAO affecte également le comportement des participants au sein du réseau. Les mineurs et les validateurs sont incités à améliorer la qualité de leurs contributions en matière de machine learning, afin d’attirer davantage de délégués. Les validateurs, en particulier, jouent un rôle crucial dans l’évaluation de la qualité des résultats obtenus et dans l’attribution de scores. Cela influence directement la réputation et l’attractivité des sous-réseaux qu’ils soutiennent. Cela crée ainsi un environnement concurrentiel où la qualité et l’efficacité sont récompensées par des parts plus importantes dans les émissions.

Quelles sont les implications pour la tokenomique et le staking du TAO ?

Les caractéristiques de la tokenomics de TAO sont que l’offre totale est limitée à 21 millions de tokens, avec un calendrier de déflation similaire à celui du Bitcoin. La première réduction de la quantité de tokens a eu lieu en décembre 2025, ce qui a entraîné une diminution de 50 % des tokens produits par bloc. Après cette réduction, 0,5 TAO est créé pour chaque bloc, et distribué entre les sous-réseaux. Cette diminution de la croissance de l’offre, combinée à l’attribution dynamique des tokens dTAO, crée une situation économique complexe pour les détenteurs de tokens.

Les options de staking sur le réseau ont évolué pour inclure à la fois le staking de niveau racine et le staking de sous-réseau. Le staking de niveau racine, également appelé Subnet 0, permet une exposition modérée au réseau, sans que les TAO ne soient convertis en tokens alphas. Cette option est adaptée aux investisseurs qui souhaitent avoir une exposition générale au écosystème Bittensor, sans les fluctuations liées aux différentes domaines d’IA. En revanche, le staking de sous-réseau permet une exposition ciblée à des tâches spécifiques liées à l’IA, permettant aux investisseurs de parier sur le succès de certains modèles ou applications de apprentissage automatique.

Cependant, la staking sur les sous-réseaux introduit une volatilité des tokens alpha. La valeur des tokens alpha sous-jacents peut donc varier en fonction du rendement et de la demande du sous-réseau concerné. Les participants institutionnels doivent évaluer attentivement le rendement des validateurs, les taux de commission et la fiabilité de l’infrastructure avant de investir leur capital. Le réseau ne dispose actuellement pas d’un mécanisme de réduction des émissions au niveau du protocole ; par conséquent, un mauvais rendement des validateurs ou des mineurs est puni par une réduction des émissions, plutôt que par la perte directe des tokens staked. Cette dépendance à la réduction des émissions en tant que mécanisme de punition oblige les investisseurs à surveiller étroitement l’état du réseau et le comportement des validateurs.

L’interaction entre le calendrier de division des ressources, l’attribution dynamique des émissions et les options de placement crée un environnement d’investissement complexe pour TAO. La capacité du réseau à attirer et retenir des capitaux dans les sous-réseaux performants sera un facteur clé pour son succès à long terme. À mesure que l’écosystème se développe, on s’attend à ce que le modèle d’dTAO permette d’améliorer davantage l’alignement des incitations entre développeurs, valides, mineurs et délégués, favorisant ainsi une croissance continue sur le marché de l’IA décentralisée.