저자: BlockBooster의 연구원 Kevin
요약:
Bittensor는 dTAO를 통해 서브넷 보상 분배를 고정 비율에서 스테이킹 가중치 결정으로 변경하고, 그중 50%를 유동성 풀에 주입하여 분산형 평가를 통해 고품질 서브넷의 개발을 촉진하는 것을 목표로 합니다.
초기 단계에는 높은 변동성, APY 함정, 역선택이 공존하며, 채굴자 품질 선별, 사용자 인지 임계값, 시장 열 불일치라는 세 가지 주요 모순의 균형을 맞추는 것이 필요합니다.
현재 상위 10개 서브넷 중 하나만 광부들이 오픈 소스 모델을 제출하도록 요구합니다. 나머지 서브넷은 일반적으로 익명 팀과 제품 앵커링 부족과 같은 결함이 있어 Web3 AI 인프라의 병목 현상을 노출합니다.
최종 검증은 TAO 가격과 서브넷 실질적 가치 사이의 긍정적 피드백 확립에 달려 있습니다. 실패는 Web3 AI 트랙이 경량 방향으로 계속 변환되도록 트리거할 수 있습니다.
배경
dTAO의 도입으로 Bittensor의 일일 릴리스 규칙이 재조정됩니다.
이전 규칙: 서브넷 보상은 고정 비율로 분배됩니다. 즉, 검증자에게 41%, 채굴자에게 41%, 서브넷 소유자에게 18%가 분배됩니다. 서브넷에서 방출되는 Tao의 양은 검증 투표에 의해 결정됩니다.
dTAO 이후의 규칙: 이제 새로 발행되는 dTAO 토큰의 50%가 유동성 풀에 추가되고 나머지 50%는 서브넷 참여자의 결정에 따라 검증자, 채굴자 및 서브넷 소유자에게 분배됩니다. 서브넷에서 해제되는 TAO의 양은 서브넷 플레지 가중치에 의해 결정됩니다.
dTAO의 디자인 목표:
dTAO의 주요 목표는 실제 수익 잠재력이 있는 하위 네트워크의 개발을 촉진하고, 실제 사용 사례 애플리케이션의 출현을 자극하며, 이러한 애플리케이션을 적절하게 평가할 수 있도록 하는 것입니다.
분산형 서브넷 평가: 더 이상 소수의 검증자에 의존하지 않으며, dTAO 풀의 동적 가격 책정에 따라 TAO 발행 분배가 결정됩니다. TAO 보유자는 TAO를 스테이킹하여 자신이 믿는 서브넷을 지원할 수 있습니다.
서브넷 용량 증가: 서브넷 용량 제한을 없애면 생태계에서 경쟁과 혁신이 촉진됩니다.
조기 참여 장려: 사용자가 새로운 서브넷에 주의를 기울이도록 동기를 부여하고 전체 생태계가 새로운 서브넷을 평가하도록 동기를 부여할 수 있습니다. 새로운 서브넷으로 일찍 마이그레이션한 검증자는 더 높은 보상을 받을 수 있습니다. 새로운 서브넷으로 조기에 마이그레이션하면 해당 서브넷에 대한 dTAO를 더 낮은 가격으로 구매하게 되며, 이는 향후 더 많은 TAO를 확보할 가능성을 높입니다.
채굴자와 검증자가 고품질 서브넷에 집중하도록 장려합니다. 채굴자와 검증자가 고품질의 새로운 서브넷을 찾도록 더욱 자극합니다. 채굴자의 모델은 오프체인에 배치되고 검증자의 검증도 오프체인입니다. Bittensor 네트워크는 검증자의 평가에 따라 채굴자에게만 보상을 제공합니다. 따라서 Bittensor는 채굴자-검증자 아키텍처를 준수하는 한 다양한 유형 또는 모든 유형의 AI 애플리케이션을 올바르게 평가할 수 있습니다. Bittensor는 AI 애플리케이션을 매우 포괄적으로 지원하여 모든 단계의 참여자가 인센티브를 받고 이를 통해 Bittensor의 가치를 피드백할 수 있습니다.
dTAO 가격 추세에 영향을 미치는 3가지 시나리오 분석
기본 메커니즘 검토
매일 방출되는 TAO와 동일한 양의 dTAO가 유동성 풀에 주입되어 새로운 유동성 풀 매개변수(k 값)를 형성합니다. dTAO의 50%는 유동성 풀에 들어가고 나머지 50%는 가중치에 따라 서브넷 소유자, 검증자, 채굴자에게 분배됩니다. 가중치가 높은 서브넷은 더 큰 TAO 할당 비율을 얻습니다.
시나리오 1: 지분 증가의 긍정적 순환
검증자에게 위임된 TAO가 계속 증가함에 따라 서브넷 가중치도 그에 따라 증가하고, 할당된 채굴자 보상의 비율도 동기적으로 증가합니다. 검증자가 대량의 서브넷 토큰을 구매하는 동기는 두 가지 범주로 나눌 수 있습니다.
단기 차익거래
서브넷 소유자는 검증자 역할을 하며 TAO를 지분 보유(이전 출시 모델 계속)하여 코인 가격을 높입니다. 그러나 dTAO 메커니즘은 이 전략의 확실성을 약화시킵니다.
비이성적인 스테이킹 사용자의 비율이 양질 중심 사용자의 비율보다 높을 때 단기 차익거래가 지속 가능합니다.
오히려 이는 초기 단계에 쌓아둔 토큰의 급격한 가치 하락으로 이어질 수 있으며, 획일적인 해제 메커니즘은 칩 획득에 제한을 줄 수 있으며, 장기적으로 고품질 서브넷에 의해 제거될 수도 있습니다.
가치 포착 논리
실용적인 적용 시나리오를 갖춘 서브넷은 실제 수익을 통해 사용자를 유치합니다. 스테이커는 레버리지된 dTAO 수익을 얻을 뿐만 아니라 추가 스테이킹 수익도 얻어 지속 가능한 성장의 폐쇄 루프를 형성합니다.
시나리오 2: 상대적 정체의 딜레마
서브넷 스테이킹 볼륨이 지속적으로 증가하지만 선두 프로젝트에 뒤처지는 경우, 시장 가치는 꾸준히 증가하지만 수익을 극대화하기 어려울 것입니다. 현재 우리는 다음 사항에 집중해야 합니다.
채굴자의 품질에 따라 상한이 결정됩니다. 오픈소스 모델 인센티브 플랫폼(비훈련 플랫폼)으로서 TAO의 가치는 고품질 모델의 출력과 적용에서 나옵니다. 서브넷 소유자가 선택한 전략적 방향과 광부가 제출한 모델의 품질은 함께 개발 한계를 구성합니다.
팀 역량 매핑 : 최고 마이너는 대부분 서브넷 개발 팀에서 나오며, 마이너의 품질은 실제로 팀의 기술적 강점을 반영합니다.
시나리오 3: 지분 손실의 죽음의 나선
서브넷 지분이 감소하면 악순환(지분 감소 → 수익 감소 → 추가 손실)이 발생하기 쉽습니다. 구체적인 트리거는 다음과 같습니다.
경쟁적 제거
서브넷은 실용적 가치는 있지만 제품 품질이 뒤떨어지고 가중치가 떨어져서 제거되게 되었습니다. 이는 생태계의 건강한 발전을 위한 이상적인 상태이지만 TAO가 "Web3 애플리케이션 인큐베이션 삽"으로서의 가치를 갖고 있다는 징후는 보이지 않습니다.
기대 붕괴 효과
서브넷에 대한 시장의 비관적인 전망으로 인해 투기적 지분 철수가 이루어졌습니다. 일일 채굴량이 감소하기 시작하면 비핵심 채굴자는 더 빨리 손실을 보게 되며, 결국에는 돌이킬 수 없는 하락 추세가 형성됩니다.
잠재적 위험 및 투자 전략
조기 출시 기간 동안의 변동성 위험
높은 변동성 창 기간 : 초기 단계에 출시되는 dTAO 총량은 많지만, 일일 평균 출시량은 일정하여 처음 몇 주 동안 급격한 가격 변동이 발생할 수 있습니다. 이때 루트 네트워크 스테이킹은 기본 소득을 꾸준히 얻을 수 있는 위험 완화 전략이 됩니다.
APY 함정: 높은 APY의 단기적 유혹은 유동성 부족과 서브넷 경쟁력 부족의 장기적 위험을 가릴 수 있습니다.
가중치 게임 메커니즘: 검증자 가중치는 서브넷 dTAO 값 + 루트 네트워크 TAO 플레지(복합 가중치 모델)에 의해 결정됩니다. 서브넷 출시 후 첫 100일 동안 루트 네트워크 스테이킹은 여전히 수익의 확실성이라는 이점을 가지고 있습니다.
밈과 같은 거래 특성: 현재 단계에서 서브넷 스테이킹 행동은 밈코인 투기와 유사한 위험 속성을 갖습니다.
가치 투자와 시장 불일치
생태계 구축의 역설: dTAO 메커니즘은 실용적인 하위 네트워크를 육성하도록 설계되었지만, 그 가치 투자 특성은 다음과 같은 결과를 초래합니다.
높은 시장 교육 비용: 광부/응용 시나리오/팀 배경/수익 모델의 품질을 지속적으로 평가해야 하며 이는 AI 전문가가 아닌 투자자에게 인지적 장벽을 제공합니다.
열 변환이 뒤처짐: 에이전트 토큰과는 대조적으로 서브넷 토큰은 아직 동일한 규모의 시장 합의를 형성하지 못했습니다.
비이성적인 서약의 체계적 위험
역사적 딜레마는 반복됩니다. 사용자가 계속해서 출시량 지표를 맹목적으로 따른다면 다음과 같은 결과가 초래됩니다.
검증자 파워 임대 추구: 기존 메커니즘 하에서 서브넷 자체 투표의 단점 반복
메커니즘 업그레이드 실패: dTAO의 원래 설계 의도를 위반하는 품질 스크리닝 기능
인지적 임계값 요구 사항: 투자자는 서브넷 품질을 평가할 수 있는 능력이 있어야 합니다. 현재 시장 성숙도와 메커니즘 요구 사항 사이에 갭이 있습니다.
투자 타이밍의 게임 이론 딜레마
최상의 개입 기간: 투자 기간은 서브넷이 온라인 상태가 된 후(팀의 역량과 네트워크 잠재력이 눈에 띄는 시점) 몇 개월로 연기해야 하지만, 다음과 같은 과제에 직면합니다.
시장 관심 감소 위험
초기 투자자들의 이탈로 유동성이 위축
성공적인 이중 검증:
TAO 가격 및 서브넷 실질적 가치는 긍정적 피드백을 형성합니다.
검증자는 지속적인 수입을 얻기 위해 TAO를 판매하는 대신 TAO를 보유하기로 선택합니다.
광부들의 품질관리 상실 위험
역선택 문제:
품질 스크리닝 메커니즘 부족: 현재 모델은 광부들의 기여의 질을 효과적으로 구별할 수 없습니다.
불균형한 인센티브 환경: 저품질 광부들의 중재 행동은 고품질 개발자들의 생활 공간을 압박합니다.
생태적 구축의 병목 현상: 오픈소스 모델의 육성 환경은 아직 성숙하지 않아 '나쁜 돈이 좋은 돈을 몰아낸다'는 딜레마에 빠질 수 있다
dTAO 서브넷에 투자하는 것의 세 가지 모순:
핵심 모순:
서브넷이 고품질 채굴 리소스를 유치할 수 있는가?
사용자 평가 시스템은 효과적인가?
사소한 모순:
서브넷에 실제 상용 애플리케이션 시나리오가 있는지 여부
잠재적 위험 요소:
개발팀 정보 공개 및 투명성
수익모델 설계의 합리성
마케팅 실행 능력
외부자본 개입 가능성
토큰 발행 메커니즘 설계
관찰과 기대
오픈소스 모델이 기술 발전의 주류 방향이기는 하지만, 분산형 분야에서는 개발 병목 현상을 극복하기 어려울 수 있습니다.
현재 Bittensor는 업계 리더이지만, dTAO 서브넷 생태계는 여전히 상당한 품질 결함이 있습니다. 위 그림에서 TAO 보상 릴리스 측면에서 상위 10개 서브넷을 분석한 결과, 상위 10개 서브넷 중 하나만 광부에게 오픈 소스 모델을 제출하도록 요구하고 나머지 서브넷의 광부 그룹은 모델 개발과 약한 상관 관계를 가지고 있습니다.
오픈소스 모델 훈련은 기술적 장벽이 매우 높아 Web3 개발자에게 큰 과제로 작용합니다. 채굴자 기반을 유지하기 위해 대부분의 서브넷은 기술적 진입 임계값을 적극적으로 낮추고 모델 오픈 소스 요구 사항을 피하여 토큰 인센티브 풀 공급을 보장합니다.
필수 오픈소스 모델이 아닌 서브넷의 경우에도 생태적 품질은 여전히 우려스러운 수준입니다. 다음 문제는 TOP10 서브넷에서 흔히 발생합니다.
검증 가능한 착륙 제품이 부족합니다
익명의 개발팀은 비례적으로 많은 수를 차지합니다.
dTAO 토큰은 제품 가치에 대한 효과적인 앵커링이 부족합니다.
수익 모델은 시장 설득력이 부족합니다.
dTAO의 기본 디자인 컨셉은 미래지향적이지만, 현재의 Web3 인프라는 이상적인 생태계 구축을 지원하기에 충분하지 않습니다. 이상과 현실 사이의 이러한 불일치는 두 가지 결과를 초래할 수 있습니다.
dTAO 서브넷 평가 시스템을 하향 수정해야 합니다.
Bittensor 오픈소스 모델 플랫폼이 검증되지 않을 경우 Web3 AI 트랙은 Agent 애플리케이션 및 미들웨어 개발과 같은 가벼운 방향으로 전환될 수 있습니다.
