拆解对象 1：Bittensor
1. 它在解决什么问题
Bittensor 想解决的是：AI 能力和数字资源的生产，如何用开放网络进行激励和分配，而不是只由少数中心化 AI 公司控制。
它不是简单地把一个 AI 模型放到链上，而是把不同类型的"数字商品"拆成一个个 subnet。每个 subnet 都可以围绕一种任务建立竞争机制，例如 AI inference、training、compute、storage、金融预测、蛋白质折叠等。Bittensor 官方文档将其描述为一个开放平台，参与者可以生产数字商品，网络通过 TAO 代币根据贡献价值进行激励。
我理解它解决的核心问题是：
AI 生产者很多，但缺少一个开放、可组合、可激励的市场机制，让好的模型、算力或数据服务被持续发现和奖励。
2. AI 部分是什么
Bittensor 的 AI 部分主要体现在 subnet 里的具体任务。每个 subnet 可以定义自己的任务和评分规则，miner 负责产出某类 AI 或数字服务，validator 负责评估 miner 的输出质量。官方文档说明，每个 subnet 是由 miners 和 validators 组成的独立社区，miners 生产商品，validators 评估质量。
也就是说，AI 不一定直接运行在链上，而是在链下执行，链上负责记录身份、激励、权重和奖励分配。
3. Web3 部分是什么
Bittensor 的 Web3 部分主要是 Subtensor 区块链、TAO 激励、staking、validator/miner 机制以及 Yuma Consensus。
根据 Bittensor SDK 仓库说明，Bittensor 中有一条 blockchain，叫做 subtensor，多个 subnet 与这条链交互。subnet 本身更像链下竞争网络，最终通过链上的 Yuma Consensus 决定 TAO 奖励如何分配。
所以它的结构大概是：
AI / 数字服务生产在链下完成
质量评估由 validator 完成
奖励分配和经济协调由链上机制完成
这点和很多"AI 上链"项目不同。Bittensor 不是把模型塞进智能合约，而是用区块链协调 AI 生产网络。
4. 可验证材料
可以验证的材料包括：
官方文档：说明 Bittensor 的 subnet、miner、validator、staking、governance 和 emissions 等机制。
GitHub SDK 仓库：说明开发者可以用 Python SDK 与 Bittensor 生态交互，编写 subnet incentive mechanism、miner、validator，并查询 subtensor。
Subnet 列表和生态数据：官方文档也提到可以通过 TAO.app 浏览 subnets 和 tokenomic data。
5. 我的判断、启发和疑问
我觉得 Bittensor 最值得学习的地方是：它没有把 AI × Web3 简化成"AI 生成内容 + NFT"这种表层组合，而是抓住了一个更底层的问题：如何用去中心化激励机制组织 AI 生产。
它给我的启发是，AI × Web3 项目不一定要把 AI 模型部署到链上。更现实的路径可能是：AI 在链下执行，链上负责激励、结算、声誉、权限和可验证记录。
我的疑问是：不同 subnet 的评价机制是否足够客观？如果 validator 的评分规则被操纵，或者评价标准不够稳定，TAO 激励是否会偏离真实价值？这也是我后续判断类似项目时会重点观察的地方。