Jacob Robert Steeves 揭示 Bittensor 的 AI 挖礦願景：架起經濟學與人工智慧的橋樑

在與區塊鏈行業觀察者的專訪中，Bittensor 創始人 Jacob Robert Steeves 分享了他對將比特幣式挖礦機制應用於人工智慧的看法——這是一種重新定義數位時代分散式計算資源協調方式的新穎方法。這次訪談追溯了 Steeves 從谷歌軟體工程師到開創加密貨幣最雄心壯志的 AI 基礎設施項目之一的非凡旅程。

作為一個開源協議，Bittensor（TAO）以將經濟激勵融入 AI 計算，開創了獨特的市場定位。該網絡運行約128個子網，涵蓋推理、訓練、強化學習和數據服務等領域的競爭。根據2026年3月的最新市場數據，TAO 的交易價格為182.60美元，市值約為17.5億美元。自2021年主網啟動以來，該生態系統已經有了顯著的發展，吸引了來自全球的開發者和計算資源參與。

從谷歌到去中心化 AI 架構的旅程

Jacob Robert Steeves 走上創立 Bittensor 的道路，始於加拿大溫哥華的西蒙弗雷澤大學（Simon Fraser University），他在那裡學習數學與計算機科學。他早期的職業生涯包括在一個 DARPA 承包商公司從事腦-電腦接口芯片的研發，一位關鍵的導師引領他接觸到比特幣和能量計算的概念。“自2015年起，我就深度參與比特幣和人工智慧，”Steeves 解釋道。“這兩個領域本質上是相容的，因為 AI 的核心是反饋循環的研究——反向傳播、遺傳算法、強化學習——而比特幣則代表了第一個可編程的經濟反饋循環。”

他在谷歌的經歷具有轉折性。作為機器學習工程師，Steeves 目睹了開創性的論文《Attention Is All You Need》發表，該論文引入了 Transformer 架構，促使大型語言模型的爆炸性發展。他從前線團隊學習了分散式機器學習的關鍵技術，包括參數伺服器、模型並行和數據並行技術，這些技術後來成為 Bittensor 計算架構的基礎。

儘管在科技巨頭工作享有盛譽，Steeves 選擇追隨自己的願景，於2015年左右在業餘時間開始構思 Bittensor 的基本概念，並於2018年全職投入，2021年推出主網。“在谷歌的經驗讓我了解分散式系統和運行全球規模高效機器學習所需的規模，”他回憶道。“但 Bittensor 與傳統企業 AI 的根本不同在於我們對資源協調的哲學方法。”

Bittensor 的經濟模型：挖礦與機器學習的結合

Bittensor 的核心在於改變計算資源的組織與激勵方式。與傳統的模型堆疊平台僅將模型“堆疊”在一起不同，該協議將可編程的經濟激勵直接融入 AI 學習過程。“提供更有用的推理、訓練或工具的人會獲得更多獎勵，”Steeves 強調。“這與基本的模型堆疊完全不同。”

這一突破在於認識到過去15年的 AI 發展已證明：通過反饋機制——無論是反向傳播還是強化學習——的自適應學習推動了進步。Bittensor 將這一原則付諸實踐，將貨幣和經濟信號直接整合到 AI 發展循環中。市場力量不斷優化供應質量與成本效益。

“去中心化的重要性，”Steeves 解釋，“在於無需許可的進入和抵抗單點故障。任何個人或團隊都可以啟動子網並競爭。良好的供應由激勵放大，差的供應則自然被淘汰。”這種競爭環境確保了持續改進，無需中央門檻。

從用戶角度來看，該模型在多層次運作。開發者可以啟動或加入子網，貢獻模型和計算能力，並根據表現獲得持續激勵。需求方則購買推理、計算能力、自動機器學習或市場預測信號等服務。該平台將傳統的“礦工—獎勵—共識”模式轉變為“有用的 AI 供應—市場獎勵—網絡共識”。

中國團隊引領 Bittensor 子網創新

當被問及首次專程訪問中國討論 Bittensor 的經歷時，Steeves 強調了亞洲開發者參與的重要戰略意義。“中國是全球人工智慧領域增長最快、甚至最具實力的國家之一，”他指出。“當比特幣挖礦合法時，中國的算力佔比超過50%。即使在今天，該地區仍生產全球90%的芯片。我非常尊重中國的技術實力。”

更重要的是，Steeves 觀察到 Bittensor 生態系統內的競爭模式：“在 Bittensor 裡，有一句話，一旦中國礦工進入某個子網，競爭就會變得激烈，甚至導致許多原始參與者退出。這完全在預料之中——中國的競爭強度確實令人震驚。”他認為這是積極的，因為中國大學的嚴格訓練文化和工程卓越與 Bittensor 的競爭-優秀框架自然契合。

中國貢獻的具體證據體現在 Bittensor 的頂級子網項目中。Affine，作為網絡上最大的子網之一，由中國開發者構建，已成為平台上最具競爭力的機制之一。同時，專注於 GPU 資源的 Lium 子網也整合了大量來自亞洲的計算能力。通過這些項目，中國礦工為全球市場提供處理器資源，同時獲得國際計算需求。

“這裡的工程水平非常高，幾乎無人能及，”Steeves 評價中國開發者社群。“我希望促成更多這樣的團隊加入，因為他們對網絡容量和競爭質量的貢獻是無價的。”

去中心化的真正力量：超越聚合

一個常見誤解是將 Bittensor 僅視為“AI 模型聚合器”，但 Steeves 強調要糾正這一點。“Bittensor 的核心是在 AI 學習過程中嵌入可編程激勵——這與單純堆疊模型截然不同，”他堅稱。

Bittensor 與傳統平台的區別不僅在架構上，更在於理念。“所謂的加密貨幣 + AI 只是在將加密貨幣應用於 AI 或將 AI 應用於加密貨幣，這並未觸及我們的核心，”Steeves 解釋。“我們真正做的是利用加密經濟激勵來進行人工智慧研究。這不是為了去中心化而去中心化——而是利用市場信號和競爭來擴展有用的計算。”

這種方法的韌性在2024年底 AWS 發生大規模故障時得到了驗證，許多中心化 AI 服務因此中斷。Bittensor 的分散式架構使其得以持續運行。“這次事件證明了去中心化的價值之一——它提供了對單點故障的韌性，”Steeves 指出。“但也證明了許多所謂的去中心化生態系統並不真正去中心化，因為一些項目在故障後無法恢復。Bittensor 基於資源分配和路由彈性的基本設計，讓我們在持續性和容錯方面具有優勢。”

TAO 的市場地位與五年路線圖

自2023年3月上市以來，TAO 已成為加密經濟基礎設施的重要角色。該代幣生態系統近期展現出強烈的機構信心，TAO 財團完成了1100萬美元的私募融資，吸引了策略顧問 James Altucher 和 Grayscale 母公司 DCG 等投資者。

談及2025年的減半周期——Bittensor 的首次供應縮減事件，Steeves 表示持謹慎態度：“減半對 Bittensor 的唯一影響是供應收緊，但這不會影響網絡的基本激勵機制。仍然會有巨大的經濟激勵促使開發者在平台上建設。”這顯示他對經濟模型可持續性的信心，超越了單純的代幣稀缺機制。

該協議的收入來源正逐步多元化。主要包括推理服務、計算能力、自動機器學習（AutoML）和市場預測信號的銷售。這種多元收入策略類似傳統技術平台，同時保持去中心化治理。

在預測市場方面，Steeves 強調其變革潛力。“我認為 Kalshi 和 Polymarket 是真正的金融科技應用，也是面向大眾的首批應用，”他說。“這非常有意義，並深刻改變人類的工作方式。Bittensor 的預測市場子網代表了去中心化決策基礎設施的下一個前沿。”

五年願景：擴展到數百萬用戶

展望未來，Steeves 描述了一個雄心勃勃但可衡量的目標：將這項技術推廣到數百萬用戶，並真正為全球提供開放的智能服務，同時保持網絡的可持續運行。

“我最希望看到的標語是：我們已將這項技術帶給‘百萬’用戶，並真正為世界提供開放的智能服務，且網絡持續擴展，”他說。目前約有10萬用戶在使用 Bittensor 技術，擴展的路徑在技術上是可行的。

經濟優勢是主要的增長動力。“在許多場景中，我們可以憑藉成本優勢擊敗中心化供應商，尤其是在推理方面，”Steeves 解釋。“想像一下：中心化的 AI 產品可能收取1000美元的訂閱費，但實際價值只有200美元。而 Bittensor 可以提供10美元的訂閱，平台成本約6美元——成本效率高出60%。”

以專注於編碼代理的大型子網 Ridge 為例，全球團隊通過競爭激勵共同優化編碼協助，推動價格下降並提升質量。同樣的經濟機制也適用於其他領域。

“我們的目標是服務全球數十億用戶，”Steeves 表示。“如果中心化的 AI 公司不採用這些底層技術原理，長期來看他們將難以在性能、速度和成本方面追趕。這是我們的根本突破點。”

這與比特幣的成功相呼應。“比特幣之所以能在網絡層面超越主權國家或中心化系統，是因為它採用了正確的技術原理和機制設計，”他指出。儘管承認 Bittensor 尚未在所有領域實現這一點，但他強調在 GPU 推理和預測市場等特定領域，該網絡已經展現出這些優勢。

有趣的是，Steeves 指出許多用戶已在日常生活中受益於 Bittensor 的基礎設施，卻未必意識到。“很多人實際上在日常中使用 Bittensor，卻不知道，”他暗示，這項技術正作為底層基礎設施支援著更高層的應用和服務。

與主要 AI 機構合作的潛力也是另一個成長維度。“是的，有可能，”Steeves 表示與 OpenAI 或中國 AI 公司合作。“這取決於我們的理念是否一致。一些中心化實驗室偏好整合和控制，而我們則強調開放和許可制。”他特別對與 DeepSeek、Kimi 和 Moonshot 等開放思想團隊合作充滿熱情。“如果我們能與他們合作實現真正的去中心化訓練，我們非常歡迎。這只是時間問題：要麼合作，要麼採用我們的去中心化訓練方式。”

這一願景——通過分散式網絡由經濟激勵推動全球人工智慧發展——代表了 Jacob Robert Steeves 對於市場、競爭和經濟機制如何擴展有益技術、服務人類的根本貢獻。