从谷歌到去中心化人工智能：Jacob Robert Steeves 如何构建 Bittensor 的激励驱动网络

雅各布·罗伯特·斯蒂夫斯（Jacob Robert Steeves）并非一开始就打算通过区块链彻底改变人工智能。他的旅程始于最不可能的地方——比特币、脑机接口芯片公司以及数学。如今，作为Bittensor（TAO）的创始人，雅各布·罗伯特·斯蒂夫斯站在两项变革性技术的交汇点上，将使比特币革命化的挖矿经济学应用到现代AI的计算挑战中。

离开谷歌的数学家：雅各布的AI与比特币之路

在2018年全职推出Bittensor之前，雅各布在加拿大温哥华的西蒙弗雷泽大学学习数学和计算机科学。毕业后，他曾在为DARPA承包商开发脑机接口芯片的软件工程师岗位工作——这段经历塑造了他对计算和激励系统的基本理解。他的导师，也是公司创始人，是比特币的早期倡导者，向雅各布介绍了“基于能量的计算”和比特币设计中嵌入的热力学原理等概念。

这种早期接触带来了深远的影响。雅各布意识到，AI和比特币有着共同的DNA：两者都通过反馈环路运作。AI通过反向传播、遗传算法和强化学习等反馈驱动的过程进行学习，而比特币在大规模创建了第一个可编程的经济反馈环路。自2015年以来，雅各布一直同时沉浸于这两个领域，认识到它们的自然兼容性，而非表面上的差异。

他在2016年起的谷歌任职，进一步夯实了这份技术基础。作为一名机器学习工程师，雅各布见证了《Attention Is All You Need》——Transformer论文的发表，这篇论文点燃了大型语言模型的指数级扩展。更重要的是，他从谷歌的分布式AI基础设施中吸收了实用知识：参数服务器、模型并行和数据并行技术，这些都对Bittensor的架构至关重要。然而，虽然谷歌提供了许多声望项目，但它无法满足雅各布真正的需求：在网络层面上将去中心化激励应用到AI中。这一认识促使他最初将Bittensor作为一个副项目开发，直到2021年主网启动后，才成为他的全职工作。

挖矿经济学应用于AI：Bittensor的核心创新

Bittensor的核心，实际上是将比特币的挖矿理念直接转化为人工智能。雅各布描述它为“将比特币式的挖矿激励机制”应用于AI计算——但这需要精准理解。Bittensor是一个开源协议，拥有其本地代币TAO，目前运行着大约128个专业子网。每个子网围绕不同的计算任务组织：推理、训练、强化学习、编码代理、存储以及预测/交易信号。

其根本创新不在于模型的简单聚合，而在于将可编程激励直接嵌入到学习过程中。提供更有用的推理、训练或工具的参与者，将获得相应比例的奖励。这形成了一个持续优化的循环：市场信号推动质量提升，表现不佳的供应者会通过经济压力自然被淘汰，而非行政命令。该系统将传统的“矿工奖励共识”范式转变为“有用AI供给-市场奖励-网络共识”。

从实际操作来看，开发者可以启动或加入子网，贡献计算资源和模型，并根据性能指标持续获得激励。需求方可以通过网络购买推理服务、计算能力、AutoML能力或预测信号。整个结构是无许可且透明的，任何全球开发者都可以公平参与。

这代表了与传统AI聚合平台的根本不同——后者仅仅堆叠模型而没有经济优化。雅各布强调，真正的意义远超“加密货币+AI”这个表面词组——他认为这只是肤浅的说法。真正的创新在于利用加密经济激励机制，推动人工智能研究本身，让市场力量不断优化计算质量。

中国开发者与激烈竞争：构建亚洲的AI网络

雅各布决定在2024年底访问中国，反映出一种战略认知：亚洲拥有世界上增长最快、甚至最强大的人工智能生态系统。中国单独生产了90%的半导体芯片。当比特币挖矿合法时，中国控制了全球超过50%的算力。这些数据强调了为什么雅各布不将中国视为边缘参与者，而是Bittensor全球网络的基础设施。

令雅各布印象最深的是中国开发者的技术能力和竞争激烈程度。在Bittensor的子网中，有一种明显的现象：一旦中国矿工进入某个子网，竞争就会迅速变得异常激烈。许多原始参与者选择退出，并非因为技术劣势，而是因为竞争变得极其激烈。雅各布认为这是完全可以预料的——中国的大学体系培养出“世界上最具竞争力的群体之一”。

具体证据也验证了这一点。Bittensor最大子网之一的Affine，完全由中国开发者构建，已成为网络中最复杂的竞争机制之一。另一个提供GPU资源的主要子网Lium，也展示了中国的计算基础设施如何融入Bittensor的无许可市场。许多中国矿工贡献GPU算力（通过显示亚洲来源的IP地址识别），有效地将亚洲的计算资源带入全球市场，通过去中心化基础设施实现。

这些贡献被雅各布视为“非常重要”——不仅仅是技术参与，更是对网络韧性和竞争优化的根本贡献。雅各布直接评价，这些团队的工程水平“极高，几乎无与伦比”。

超越聚合：为何Bittensor本质不同

雅各布直言不讳地指出一个常见误解：有人认为Bittensor是一个“AI模型聚合器”，简单地将现有服务结合起来。这种误解忽视了Bittensor架构的创新。真正的聚合平台只是简单地组合模型，没有持续改进的结构激励。而Bittensor的设计将经济激励直接嵌入到驱动AI学习的反馈环路中。

AI的15年发展轨迹显示，突破性进展始终来自基于反馈和奖励的自适应学习。反向传播、强化学习等基础技术都遵循这一原则。Bittensor的创新在于将加密货币和市场激励机制直接嵌入这些机制中，使实时市场信号优化供给质量和网络效率。

去中心化在这个框架中起到关键作用。无许可进入意味着任何个人或团队都可以启动子网，直接与现有服务竞争。优质供给通过经济激励得到放大，劣质供给则自然被淘汰。节点间的资源分配增强了抗单点故障的能力——这一点在AWS最近发生大规模故障时尤为明显。许多声称去中心化的项目遭遇严重中断，而Bittensor的分布式架构依然正常运行，正是因为它不依赖于中心化的基础设施提供商。

不过，雅各布强调，去中心化只是手段而非目的。其核心动力不是“为了去中心化而去中心化”，而是通过激励驱动的竞争，扩大有用的计算。这一区别至关重要：Bittensor与传统的中心化AI平台竞争，不是出于意识形态偏好，而是凭借更优的技术原语和机制设计。

协议收入、预测市场与五年目标

Bittensor的经济可持续性来自多个协议层面的收入来源。网络通过出售推理服务、计算能力、AutoML能力和提供给预测市场的信号来获利。这种多元化的收入模型避免了对单一用例的过度依赖，同时为网络参与者创造了多条激励渠道。

雅各布特别看好预测市场，视其为突破性应用。像Kalshi和Polymarket这样的平台代表了“真正的金融科技应用”和“首批消费者应用”，真正重塑了人类的决策过程。在Bittensor生态中，专门的子网正在开发预测市场基础设施，展示了协议支持复杂金融应用的能力。

展望未来五年，雅各布的愿景是：让“数百万”用户使用Bittensor技术，同时保持网络的可持续运营。目前，约有10万活跃用户在使用Bittensor。未来的路径不仅在于主导推理服务，还将扩展到应用层——最终目标是服务全球数十亿用户。

这一愿景的经济基础在于成本效率。以编码代理为核心的子网Ridges，展示了这一原则。通过利用全球矿工的分布式优化，网络实现了显著的成本降低：某些情况下，中心化提供商收取每月1000美元的订阅费，但实际价值只有200美元，而网络价格只需10美元，反映出仅6美元的实际成本。这种经济规模效应——在中心化架构中难以实现——使得全球推广和采用成为可能。

雅各布将此类成功类比于比特币：比特币之所以超越中心化系统，不仅仅是出于意识形态，而是采用了更优的技术原语和机制设计。虽然Bittensor尚未在所有领域实现这一优势，但在某些计算领域已验证了这一原则。更重要的是，数百万人每天在无意识中使用Bittensor的服务——网络在应用层面上透明运行。

最终，竞争的核心变成了一个简单的命题：只要Bittensor在性能、速度和成本效益等关键维度保持技术优势，传统的中心化AI提供商就无法根本竞争。反之，若无法保持这些技术优势，整个战略就会变得毫无意义。这一明确的目标——实现真正的技术优势，否则就会失败——定义了雅各布对Bittensor五年发展路径的战略愿景。

市场演变与首次减半周期

截至2026年3月，Bittensor（TAO）反映了任何成功协议固有的市场动态。该代币于2023年3月首次上市，经历了反映更广泛加密货币和AI行业动态的市场周期。目前，TAO的交易价格为197.10美元，市值约为18.9亿美元。这是无许可市场中价格发现的自然过程。

雅各布对2025年首次TAO减半——现已完成——的看法强调供应动态，而非投机叙事。减半会收紧代币供应，但雅各布明确表示，这本身不会改变Bittensor的基本激励机制。开发者的经济激励依然强劲，和代币供应时间表无关。网络的核心价值在于计算的实用性和市场驱动的奖励分配，而非单纯的供应稀缺。

这种理性看法反映了雅各布的工程思维，而非交易者心理。关注点仍在于网络的实用性、开发者激励和竞争优化——这些指标决定了真正的技术采纳，而非投机性代币价格。

亚洲的战略位置：开源AI与去中心化基础设施

雅各布认为，人工智能发展的战略格局正发生决定性转变。中国、新加坡和东亚地区共同引领着他所说的“开源AI革命”。包括DeepSeek在内的顶级开源模型都源自中国团队。香港和新加坡凭借更优越的监管灵活性和资本基础，推动产业化和跨境技术合作。这一地区动态与Bittensor的去中心化模式形成了天然的契合。

除了商业发展，顶尖亚洲高校如北京大学、清华大学在AI学术进步方面也做出了基础性贡献。这种结合——开源模型、工程实现和学术严谨——正是去中心化AI所需要的：透明开发、竞争优化和深厚的技术能力。

超越合作：竞争与技术原语

当被问及与传统AI实验室和大型科技公司合作的可能性时，雅各布保持哲学上的清晰。他认为，与DeepSeek、Kimi和Moonshot等团队的合作自然兼容——这些组织可以在Bittensor上启动子网，通过网络变现模型，同时使用网络提供的服务。而美国的中心化实验室“更倾向于整合和控制”，而非开放和许可参与。

雅各布将此视为技术上的必然，而非对传统AI公司的敌意。要么中心化提供商采纳Bittensor的去中心化训练方法，要么在长期竞争中处于劣势——因为成本结构和性能指标日益偏向激励驱动的分布式计算。最终结果取决于技术执行，而非市场地位或资本优势。