Bittensor向左,Virtuals向右:AI加密项目的两种飞轮范式

marsbit发布于2026-03-26更新于2026-03-26

文章摘要

Bittensor与Virtuals代表了AI加密项目的两种发展范式。Bittensor通过TAO代币排放机制激励子网竞争,吸引高端人才参与基础设施类项目,如计算、推理和药物研发,但进入门槛高、流程复杂,受众偏专业。Virtuals则依托交易量引导资金,智能体团队可低成本启动消费级应用项目,并借助Base链的低门槛和强分发能力快速吸引散户,代币涨幅在市场活跃期表现更突出。两者都通过核心代币(TAO/VIRTUAL)的需求上涨推动生态价值增长,但Bittensor更重基础设施与长期激励,Virtuals更侧重应用层与市场热度捕获。

原文作者:0xJeff

原文编译:AididiaoJP,Foresight News

本文旨在对 Bittensor 子网和 Virtuals 智能体进行简要对比,以帮助理解各自的飞轮机制、差异与相似之处。

一、通过排放机制引导资金与人才 vs 通过交易量引导资金

Bittensor 通过 TAO 排放机制引导子网发展。子网负责引入最具创新性的项目(或具备收入能力的业务),并通过竞争获取每日 3,600 枚 TAO 的份额。

子网还通过其阿尔法代币排放机制引导贡献者(包括执行任务的矿工与验证矿工工作的验证者)。排放机制及跨利益相关方的激励协调机制自项目启动之初即已内嵌。

Virtuals 采用类似 pump.fun 的模式,通过交易量引导发展。高交易活跃度转化为智能体项目资本的累积。智能体团队可利用自有排放机制激励用户参与。

在投机性代币需求高涨的市场周期中,该模式具有显著优势——团队可迅速积累资本,获得产品关注度与市场兴趣,从而推动项目启动与发展。

二、高进入门槛 vs 低进入门槛(针对团队)

在 Bittensor 上启动子网需承担较大投入。当前,获取一个子网席位需 871 枚 TAO(约合 30 万美元),价格根据需求与拍卖机制浮动。这意味着子网团队通常需具备成熟的构想、清晰的规划与扎实的执行能力。

为成功运营子网,所有者需确保所设定的任务或目标有助于其人工智能产品 / 解决方案的研发,同时防范矿工作弊行为,确保验证者有效履行验证职责,并通过商业拓展与客户合作实现收入,还需通过回购机制维护投资者信心。

子网代币价格需保持上涨态势,以吸引更多 TAO 流入,提升子网排放占比,进而吸引更高水平的贡献者参与挖矿。

相较之下,在 Virtuals 上启动人工智能智能体代币的门槛较低,无需初始成本即可启动,便于以较低资本试水新构想。

Virtuals 还设有「60 天计划」,允许创始人在此期间测试新构想并发行代币。若在 60 天内未能找到产品与市场的契合点,相关资金将被收回,投资者可取回部分投入资本。

三、分发能力较弱 vs 分发能力较强

Bittensor 独立运行于基于 Polkadot Substrate 框架构建的区块链上,跨链桥接难度较大,缺乏去中心化金融基础组件,亦未配置如以太坊虚拟机或 Solana 等常见基础设施。

这导致 Bittensor 生态系统的进入门槛较高。此外,相关学习资料中充斥复杂术语,增加了新用户的学习与理解难度。因此,其社区成员多为愿意投入时间深入研究的专业技术人群,散户参与度较低。

相比之下,Virtuals 的理解门槛较低。其团队在市场营销、品牌传播与分发方面表现突出,散户用户可较为直观地理解人工智能智能体、智能体支付及机器人等相关概念。

由于 Virtuals 部署于 Base 链,人工智能智能体代币的购买流程便捷。用户从了解项目、形成看好判断到作出购买决策的时间较短,这也是其在 2024 年底至 2025 年期间迅速普及的重要原因(时间上早于 Bittensor)。

目前,Bittensor 在 Jason、Chamath、Barry Silbert(DCG 与 Yuma)及社区的推动下逐步进入主流视野,关注度有所提升。然而,其子网代币的购买流程仍较为复杂,问题尚未根本解决。

四、TAO/ 子网流动性池 vs VIRTUAL/ 智能体流动性池

Bittensor 与 Virtuals 在流动性池飞轮机制上具有关键相似性。

投资者欲购买子网阿尔法代币,需持有 TAO 方可操作。因此,阿尔法代币需求的上升将推动 TAO 价格上涨。

同样,在 Virtuals 生态中,人工智能智能体代币需求的上升也将推动 VIRTUAL 价格上涨。

若核心代币(TAO 或 VIRTUAL)能够在生态系统内部循环而不外流(例如,各项目方之间通过交易商品与服务实现价值留存),则该机制的优势将更为明显。

五、基础设施导向 vs 应用导向

Bittensor 子网多聚焦于基础设施或资本密集型业务,如去中心化计算、推理、训练、药物研发及量子实验等。

由于 Bittensor 可为优质子网提供每年逾 1000 万美元的资金支持,并吸引高端人才参与,因此其模式适用于推动高难度、高投入的宏大构想。

Virtuals 的智能体团队则多聚焦于应用层与面向消费者的智能体产品。由于智能体代币初始价格较低,若团队能够推出优质的消费级产品,可借助代币的市场热度迅速吸引关注,推动项目发展。

得益于 Virtuals 在分发方面的优势,人工智能智能体代币的飞轮效应在市场极度活跃期(如 2024 年底至 2025 年初)表现出更快的增速与更高的涨幅。

相关问答

QBittensor和Virtuals在引导资金与人才方面采用的主要机制分别是什么?

ABittensor通过TAO排放机制引导子网发展,子网通过竞争获取每日3600枚TAO的份额,并利用阿尔法代币排放机制激励矿工和验证者。Virtuals则采用类似pump.fun的模式,通过交易量引导发展,高交易活跃度转化为智能体项目资本的累积,团队可自行设计的排放机制激励用户参与。

Q在Bittensor和Virtuals上启动项目的门槛有何不同?

A在Bittensor上启动子网需要较高投入,当前获取一个子网席位需约30万美元(871枚TAO),要求团队具备成熟构想和扎实能力。而Virtuals上启动人工智能智能体代币的门槛较低,无需初始成本,还设有60天计划允许测试新构想,失败可部分收回资金。

QBittensor和Virtuals在代币分发能力方面有哪些差异?

ABittensor独立运行于基于Polkadot Substrate的区块链,跨链桥接难,缺乏DeFi基础组件,学习资料复杂,导致进入门槛高,社区多为专业技术人员。Virtuals部署于Base链,购买流程便捷,市场营销和品牌传播突出,概念直观,散户参与度高,分发能力更强。

QBittensor和Virtuals在流动性池飞轮机制上有何相似之处?

A两者在流动性池飞轮机制上相似:购买Bittensor子网阿尔法代币需持有TAO,阿尔法代币需求上升推动TAO价格上涨;购买Virtuals智能体代币需持有VIRTUAL,智能体代币需求上升推动VIRTUAL价格上涨。若核心代币在生态内部循环而不外流,该机制优势更明显。

QBittensor子网和Virtuals智能体在业务聚焦方向上有何不同?

ABittensor子网多聚焦于基础设施或资本密集型业务,如去中心化计算、推理、训练、药物研发和量子实验,适合高难度、高投入的宏大构想。Virtuals智能体团队多聚焦于应用层和面向消费者的智能体产品,借助代币市场热度和分发优势,在活跃市场期增速和涨幅更高。

你可能也喜欢

Deepseek 能否为中国节省 1 万亿美元?

《DeepSeek 能否为中国节省 1 万亿美元?》一文探讨了DeepSeek如何通过技术创新,可能大幅降低中国AI基础设施的建设成本。 核心在于,AI硬件的成本正从计算芯片向昂贵的内存(如HBM)倾斜。DeepSeek通过三方面技术突破,系统性降低了对这类稀缺硬件的依赖: 1. **压缩“记性”**:采用多头潜在注意力(MLA)等技术,将长上下文对话所需的缓存(KV Cache)压缩至原来的极小部分,极大节省显存。 2. **按需唤醒“身体”**:利用混合专家(MoE)模型架构,每次只激活部分参数,并结合智能的存储调度,将多数参数移出昂贵显存。 3. **复用计算结果**:将算过的上下文作为缓存复用,用低成本的内存读取替代高成本的重复计算。 这些技术协同,使DeepSeek V4等模型在长上下文场景下,用同等硬件可能产出数倍的有效Token,等效于大幅提升硬件效率、摊薄单位成本。 文章据此进行推演:到2030年,全球AI硬件投资预计达数万亿美元。若DeepSeek的技术路线能使中国未来AI基建的硬件需求等效减少75%,在日均Token消耗达到数千万亿级的规模时,节省的投资额可能接近1万亿美元(约7万亿元人民币),相当于少建数万座智算中心。 更重要的是,此举将产业价值从受制于人的尖端算力芯片,部分转移至中国已有所突破的存储芯片及系统工程领域,提升了供应链安全性。DeepSeek的意义不在于“消灭硬件”,而在于通过极致优化,降低行业对最昂贵、最稀缺硬件的边际依赖,让AI能力更普惠,重塑未来AI基建的账本。 (注:文中关于万亿节省的具体数字属于基于行业趋势的推演观点。)

marsbit54分钟前

Deepseek 能否为中国节省 1 万亿美元?

marsbit54分钟前

推翻主流治幻觉思路:元认知,才是大模型破幻觉的全新解法

谷歌研究院与特拉维夫大学联合发表论文,提出对抗大模型“幻觉”问题的新思路:与其追求让AI全知全能或过度拒答,不如培养其“元认知”能力,即让模型能够感知并诚实表达自身对每个答案的确信程度。 论文指出,当前主流方法存在局限:一味增加知识覆盖无法穷尽所有事实;而通过大幅拒答来降低错误率则会征收沉重的“实用性税”,牺牲大量本可正确回答的问题。核心原因在于模型缺乏“判别力”,难以精准区分具体问题的对错,导致校准良好但实用性低下。 论文重新定义了“幻觉”:问题不在于AI输出错误信息,而在于其“没有资格确定却以确定的语气给出错误信息”。因此,解决路径应是实现“忠实不确定性”——让AI语言表达的确信度与其内部状态的真实确信度对齐。这比消灭所有错误更可行,是一个依赖内部信号的闭环问题。 在AI代理(Agent)时代,元认知更为关键。没有它,Agent在调用外部工具(如搜索)时将陷入“盲飞”,无法智能决策何时需要搜索、如何评估信息可信度。 实现元认知面临几大挑战:“自举悖论”涉及用静态数据训练动态能力的困难;“对齐破坏信号”指RLHF等训练可能磨灭模型原有的内部不确定性信号;“因果性评估”则需区分真正的元认知与对其的表演。 论文建议,评估反幻觉方法应超越单一准确率指标,转而分析完整的“实用性-错误率权衡曲线”,并关注其在其他任务上的“附带损伤”。最终目标是让AI学会诚实地沟通其认知状态,从而在保留实用性的同时,将错误信息的危害降至最低,建立可靠信任。

marsbit58分钟前

推翻主流治幻觉思路:元认知,才是大模型破幻觉的全新解法

marsbit58分钟前

交易

现货
合约
活动图片