Data publikacji: 23 lipca 2026 · Bitbase Research
Powiązane badania Bitbase na ten temat znajdziesz w publikacji Zdecentralizowana infrastruktura AI.
Streszczenie
„AI-krypto" to najgęściej onarratywiony sektor rynku i jeden z najmniej zdyscyplinowanych w wycenie. Do kwietnia 2026 roku to przecięcie liczyło około 919 śledzonych projektów o łącznej kapitalizacji blisko 22,6 mld dolarów, a dwadzieścia największych tokenów AI trzymało między sobą rzędu 40–60 mld dolarów [1]. Jednak wyrażenie „token AI" opisuje kategorię marketingową, a nie klasę aktywów: zdecentralizowana sieć wynajmu GPU, rynek inferencji, autonomiczny agent on-chain i protokół etykietowania danych nie mają prawie nic wspólnego w tym, jak zarabiają, jak wartość dociera do tokena i jak wygląda uczciwy mnożnik. Traktowanie ich jak jednego koszyka to pierwszy i najdroższy błąd analityczny, i to właśnie ten błąd narracja aktywnie zachęca.
Ten raport zastępuje narrację dyscypliną w trzech ruchach. Po pierwsze, dzieli sektor na cztery podsektory — moc obliczeniową, inferencję, agentów i dane — każdy z odrębnym silnikiem przychodów, a więc z odrębną kotwicą wyceny [1][21]. Po drugie, nalega, by cena była związana z użyciem, a nie z historią, i zakotwicza to naleganie w najstarszym dostępnym narzędziu ilościowym wyceny tokenów — pieniężnym równaniu wymiany MV = PQ, którego centralna lekcja (że to prędkość tokena, a nie głośna adopcja, ustala, ile wartości może wesprzeć sieć danej wielkości) tłumaczy, dlaczego tyle „intensywnie używanych" tokenów AI wciąż spada [9][10][11]. Po trzecie, ponieważ tokeny AI są przytłaczająco subsydiowane emisją, dodaje wskaźnik zrównoważenia zachęt, oddzielający przychód, który sieć naprawdę zarabia, od podaży, którą jedynie drukuje — dokładnie to rozróżnienie, którego sektor mocy DePIN uczył się boleśnie w 2026 roku, przechodząc od kopania tokenów do realnego przepływu gotówki [4][26].
Stawka jest konkretna, bo po raz pierwszy kilka z tych sieci ma realne liczby do wyceny. Podsektor zdecentralizowanej mocy osiągnął około 180–220 mln dolarów przychodu w ujęciu rocznym do pierwszego kwartału 2026, na czele z Render (około 38 mln dolarów miesięcznego przychodu w styczniu 2026 na jakichś 5 600 aktywnych węzłach GPU) i Akash, którego użycie wzrosło o 428% rok do roku przy wykorzystaniu GPU powyżej 80% [4][5][6]. Ulepszenie Bittensora do dynamicznego TAO uczyniło emisję sterowaną rynkowo i zrodziło ponad 120 subnetów wobec 32 rok wcześniej, a sieć zaksięgowała około 43 mln dolarów realnego przychodu z usług AI w pierwszym kwartale 2026 [3]. To są właśnie wejścia, których potrzebuje mnożnik użycia. Jednocześnie podsektor agentów — Virtuals, ai16z, AIXBT i podobne — handluje 55–85% poniżej szczytów przy niemal żadnym powtarzalnym przychodzie, przypominając, że zadaniem frameworku jest rangowanie, nie schlebianie [17]. Wszystko tutaj to analiza edukacyjna, a nie porada inwestycyjna.
Część 1 · Dlaczego „token AI" to błąd kategorialny
Precyzja co do tego, czym token jest, poprzedza wszelki szacunek jego wartości, a etykieta AI to raczej zaciemnia niż ujawnia. Cztery rzeczy, które rynek zalicza do „AI-krypto", to cztery różne biznesy. Sieć mocy jak Render czy Akash wynajmuje cykle GPU: jej przychód to opłata za użycie towaru o realnej cenie, a najbliższy analog to firma infrastruktury chmurowej [5][6][7]. Sieć inferencji lub modeli jak Bittensor płaci uczestnikom za produkcję wyników maszynowej inteligencji i pobiera za ich konsumpcję: jej przychód to prowizja rynku za dostarczoną inteligencję, bliżej biznesu API [3]. Token-agent jak Virtuals czy ai16z reprezentuje autonomiczny program handlujący on-chain: jego „przychód", gdzie istnieje, to opłaty lub wynik z własnej aktywności agenta, a analog jest bliżej funduszu lub oprogramowania niż infrastruktury [17]. Protokół danych jak The Graph czy Grass sprzedaje zindeksowane lub zebrane dane do potoku AI: jego przychód to opłata za zapytanie lub dostęp do danych [1][21].
To nie odcienie jednej rzeczy. Różnią się tym, co sprzedają, kto płaci, jak obronna jest marża i — krytycznie — czy token w ogóle ma jakiekolwiek prawo do tych pieniędzy. Zwinięcie ich w jeden mnożnik „AI" to sposób, w jaki protokół indeksowania danych zarabiający realne opłaty za zapytania ląduje przy tej samej premii narracyjnej co token-agent z publicznością na Twitterze i bez przepływu gotówki. Sławiona korelacja sektora — niemal każdy token grupy w połowie 2026 handluje 55–85% poniżej szczytu bez względu na fundamenty — sama jest dowodem, że rynek wyceniał narrację jako jeden czynnik, a nie wyceniał cztery różne biznesy po ich czterech różnych zaletach [17]. Pierwszy akt analityka to rozwinąć koszyk.
Część 2 · Taksonomia sektora: moc, inferencja, agenci, dane
Taksonomia to kręgosłup frameworku, bo przypisuje każdemu tokenowi właściwe pytanie wyceny, zanim policzy się jakąkolwiek liczbę.
Moc jest najdojrzalsza i najbardziej mierzalna. Zdecentralizowane sieci GPU wynajmują moce renderowania i treningu AI, a wygrywają klientów z prostego, trwałego powodu: podcinają hyperscalerów o 60–90% na porównywalnej cenie na żądanie, przy czym cena inferencji u Render niezależnie oszacowana na około 70% poniżej porównywalnych obliczeń Azure Machine Learning [7]. Popyt jest realny i widoczny on-chain — około 38 mln dolarów styczniowego 2026 miesięcznego przychodu Render, 5 600 aktywnych węzłów i ponad 67 mln łącznie wyrenderowanych klatek; wzrost użycia Akash o 428% rok do roku i wykorzystanie powyżej 80% — i śledzi prawdziwy niedobór makro, bo popyt na moc AI wyprzedza podaż, otwierając dokładnie tę lukę, którą te sieci wypełniają [4][5][6][8]. Moc to miejsce, gdzie mnożniki użycia są najbardziej wiarygodne, bo przychód to opłata za towar o cenie zewnętrznej.
Sieci inferencji i otwartych modeli siedzą warstwę wyżej w stosie. Bittensor to przypadek odniesienia: jego przeprojektowanie dynamicznego TAO (dTAO) w 2025 uczyniło emisję subnetów sterowaną rynkowo i wprowadziło tokeny subnetów, a ekosystem rozszerzył się z 32 do ponad 120 aktywnych subnetów, przekraczając 1,5 mld dolarów łącznej kapitalizacji subnetów i generując około 43 mln dolarów realnego przychodu z usług AI w pierwszym kwartale 2026 [3]. Pytanie wyceny to tutaj stawka rynku za dostarczoną inteligencję, skomplikowana dwupoziomową strukturą tokenów (TAO plus tokeny subnetów), którą analityk musi skonsolidować, a nie liczyć podwójnie.
Agenci są najnowsi i najmniej zakotwiczeni. Virtuals pozwala użytkownikom uruchamiać autonomicznych agentów, ai16z prowadzi DAO zarządzane przez AI, AIXBT generuje sygnały handlowe — naprawdę nowatorskie, ale z przychodem cienkim, niepowtarzalnym lub nieobecnym, a spadki grupy o 55–85% od szczytów dokładnie to odzwierciedlają [17]. Agenci to miejsce, gdzie premia narracyjna jest największa i gdzie framework musi być najbardziej sceptyczny, bo „agent mógłby kiedyś zarobić opłaty" to twierdzenie o zdyskontowanym oczekiwaniu, a nie fakt użycia.
Protokoły danych karmią potok, od którego zależą pozostałe trzy. The Graph indeksuje dane blockchain dla aplikacji; Grass zbiera i trasuje dane webowe do treningu AI [1][21]. Ich przychód to opłata za zapytanie lub dostęp, a pytanie o wartość przypomina biznes infrastruktury danych z taryfikowanym API. Cztery podsektory, postawione obok siebie, dowodzą tego, co skrywa etykieta: jedna narracja, cztery silniki przychodów, cztery mnożniki.
Część 3 · Problem wyceny: równanie wymiany i pułapka prędkości
Gdy tokeny są posortowane, pytanie brzmi, jak wycenić jeden, i tutaj AI-krypto dziedziczy cały nierozwiązany problem wyceny tokenów. Akcje mają wiek teorii zdyskontowanych przepływów pieniężnych i mnożników; większość tokenów nie daje nawet prawa do przepływów, które pomagają generować. Najstarsze poważne narzędzie to pieniężne równanie wymiany MV = PQ, zaimportowane z ilościowej teorii Fishera i zaadaptowane do krypto modelem INET Chrisa Burniske: przekształcone, M = PQ / V, gdzie wartość rynkowa, którą sieć może wesprzeć (M), równa się rozmiarowi gospodarki przechodzącej przez token (PQ) podzielonemu przez prędkość tokena (V) [9][12]. Model dzieli wartość na komponent bieżącej użyteczności (CUV, odzwierciedlający obecne użycie) i komponent zdyskontowanej oczekiwanej użyteczności (DEUV, odzwierciedlający zakład rynku o przyszłe użycie) [9]. Prace empiryczne od tego czasu próbują dopasować tę tożsamość do danych on-chain, a nie zakładać jej wejść, wyostrzając ją z eksperymentu myślowego w coś testowalnego [10].
Tożsamość niesie jedną lekcję dominującą w analizie tokenów AI: prędkość to cichy niszczyciel wartości. Jeśli token jest używany czysto jako środek wymiany — zarobiony przez dostawcę GPU i natychmiast sprzedany za dolary — jego prędkość jest wysoka, a wysokie V zapada M, którą wspiera ta sama PQ [11]. Dlatego „nasza sieć przetworzyła X użycia" samo w sobie nie jest faktem byczym: jeśli każda jednostka użycia przechodzi przez token z wysoką prędkością i wychodzi, zrównoważona wartość rynkowa to ułamek tego przepływu. Tokeny utrzymujące wartość to te, które dają posiadaczom powód, by nie sprzedawać: staking, prawa do opłat, zarządzanie z zębami lub prawdziwa rzadkość wobec popytu — obniżając V i podnosząc M, którą wspiera dana PQ. Stały limit 21 mln i projekt Bittensora z naciskiem na staking to, językiem równania wymiany, mechanizm tłumienia prędkości; token-agent bez stakingu i z czysto wymiennym użyciem to mechanizm maksymalizujący prędkość [3][11]. Framework traktuje prędkość jako wejście pierwszego rzędu, a nie refleksję po fakcie.
Część 4 · Mnożniki użycia: właściwy licznik dla właściwego podsektora
Z poszanowaniem prędkości praktyczne narzędzie to mnożnik użycia — kryptoodpowiednik ceny-do-sprzedaży — ale dyscyplina frameworku brzmi, że mianownik musi pasować do podsektora. Cena-do-sprzedaży, wartość rynkowa do rocznego przychodu z opłat, jest już standardem branżowym dla protokołów zarabiających opłaty, jak porównuje się Ethereum i główne miejsca DeFi, i obnaża, jak droga może być narracja: wycena Uniswap około 5,4 mld dolarów wobec około 26 mln rocznych opłat protokołu implikuje mnożnik przychodu blisko 207×, liczbę wysokowzrostowego aktywu techno dla dojrzałej giełdy [13]. To jest miara, a każdy podsektor AI potrzebuje własnej wersji.
Dla mocy właściwy mianownik to sieciowy przychód z mocy — realne opłaty za czas GPU — bo to opłata za towar o cenie zewnętrznej; mnożnik „cena-do-przychodu-z-mocy" na ~38 mln dolarów miesięcznie Render (~450 mln rocznego run-rate) lub ~180–220 mln sektora to obronna, porównywalna z chmurą liczba [4][5]. Dla inferencji mianownik to przychód rynku za dostarczoną inteligencję (~43 mln realnego przychodu Bittensora za Q1), ale skonsolidowany po TAO i tokenach subnetów, by ta sama aktywność nie była liczona podwójnie [3]. Dla agentów uczciwy mianownik to zwykle bliski zeru powtarzalny przychód, i to jest właśnie odkrycie: mnożnik użycia na token-agent jest często niezdefiniowany lub absurdalny, a framework powinien to powiedzieć, a nie wymyślać liczbę opartą na historii [17]. Dla danych mianownik to opłaty za zapytanie lub dostęp, liczba taryfikowanego API [1][21]. Najczęstszy pojedynczy błąd w wycenie tokenów AI to zapożyczyć mnożnik w stylu mocy, zakotwiczony w realnym, zewnętrznie wycenionym przychodzie, i zastosować go do tokena-agenta, którego „przychód" jest spekulacyjny, co fabrykuje fałszywą równoważność między biznesem chmurowym a narracją.
Część 5 · Wskaźnik zrównoważenia zachęt: realny popyt kontra subsydium emisją
Mnożnik użycia wciąż może zwodzić, bo wiele z tego, co wygląda na popyt w AI-krypto, to subsydium: sieci płacą dostawcom świeżo wybitymi tokenami, by rozruszać podaż, a ta emisja może udawać trakcję. Sektor mocy DePIN cały 2026 mierzył się dokładnie z tym, w szeroko udokumentowanym „zwrocie ku przychodowi" od wzrostu subsydiowanego tokenami do realnego przepływu gotówki biznesu — Akash, io.net i Aethir jawnie pracują nad zastąpieniem kopania tokenów płacącymi klientami [4][26]. Drugie narzędzie frameworku, wskaźnik zrównoważenia zachęt, zbudowano, by przejrzeć subsydium, pytając dla każdej sieci, ile emisji tokena jest pokryte realnym przychodem zewnętrznym, a ile jedynie nadyma podaż, by opłacić własne użycie.
Mechanika ma znaczenie, bo łączy się z akumulacją wartości — najgłębszym problemem całego ćwiczenia. Nawet sieć z realnym przychodem może nie przekazać nic tokenowi: posiadacze często nie mają prawa do przepływów protokołu, chyba że zarządzanie je jawnie przyzna, więc narracja „przychodu" może współistnieć z tokenem, który nic nie łapie [14]. Modele buyback-and-burn i przełącznika opłat próbują domknąć tę lukę, wiążąc niszczenie tokena z dochodem protokołu — aktywacja przez Uniswap swojego przełącznika opłat to przypadek odniesienia tokena zarządzania sięgającego po akumulację wartości [13][14]. Ale akumulacja jest realna tylko, gdy jest netto: protokół skupujący 5% podaży, odblokowując przy tym 10% przez vesting i nagrody stakingowe, wciąż rozwadnia, więc spalanie jest kosmetyczne [15]. Werdykt empiryczny jest otrzeźwiający i wyjaśniający zarazem: w tokenach aktywne mechanizmy akumulacji wartości przewyższają tokeny tylko-zarządzania średnio o około 10 punktów procentowych, ale dominującym driverem zwrotów jest skala przychodu, a nie projekt mechanizmu: protokoły zwracające kapitał przy generowaniu realnego przychodu przewyższają wszystko inne z dużym marginesem, a „wysoka stopa spalania nie zrekompensuje zerowej użyteczności lub spadającego popytu" [15][16]. Wskaźnik więc rangowa sieć wzdłuż dwóch osi naraz: jakości jej realnego, zewnętrznego popytu i zrównoważenia jej emisji wobec tego popytu.
Część 6 · Benchmarking po porównywalnych
Framework dowodzi się, rangując realne nazwy, a 2026 wreszcie dostarczył dość realnego przychodu, by spróbować. Ćwiczenie to przepuścić każdy reprezentatywny token przez te same cztery pytania — który podsektor, jaki mnożnik użycia na właściwym mianowniku, jak solidna ścieżka akumulacji wartości i jak zrównoważona emisja — i dać różnicom wypaść.
Moc wypada najlepiej po jakości popytu: Render i Akash zarabiają zewnętrznie wyceniony przychód śledzący realne użycie AI, więc ich mnożniki użycia coś znaczą, a ich emisja jest coraz bardziej pokrywana przez klientów, a nie kopanie, co jest całym sensem zwrotu sektora ku przychodowi [4][5][6]. Następny krok analityka to nie świętować, lecz sprawdzić netto emisję i ścieżkę akumulacji wartości: realny przychód ze słabym łapaniem przez token wciąż zawodzi. Inferencja na czele z Bittensorem wypada dobrze po realnym przychodzie (~43 mln za Q1) i po tłumieniu prędkości (stały limit 21 mln, nacisk na staking, halving w grudniu 2025 tnący dzienną emisję z 7 200 do 3 600 TAO), ale wymaga ostrożności w konsolidacji struktury TAO-plus-subnety i potwierdzenia, że przychód subnetów jest prawdziwy, a nie wewnątrzekosystemową spekulacją wśród 120+ subnetów [3]. Agenci wypadają najgorzej na każdej znaczącej osi — cienki lub nieobecny powtarzalny przychód, brak kotwicy ceny zewnętrznej i spadki o 55–85% odzwierciedlające przecenę narracji przez rynek ku fundamentom — a wkładem frameworku jest powiedzieć wprost: większość tokenów-agentów to zakłady DEUV ze znikomym CUV, a nie aktywa poparte użyciem [9][17]. Protokoły danych siedzą pośrodku, z realnym, lecz często skromnym wobec wyceny przychodem taryfikowanego API [1][21]. Konkretne rankingi liczą się mniej niż metoda: te same cztery pytania, zastosowane identycznie, oddzielają porównywalny z chmurą biznes mocy od narracyjnego agenta, których jeden mnożnik „AI" wyceniłby jednakowo.
Część 7 · Ograniczenia i uczciwe tryby zawodności
Framework wyceny zdobywa zaufanie, nazywając to, czego nie może. Największe ograniczenie to fakt, że AI-krypto jest wczesna, a aktywa wczesnego etapu są zasadnie zdominowane przez ich zdyskontowaną oczekiwaną użyteczność, nie bieżącą: framework zakotwiczony w obecnym użyciu będzie systematycznie zaniżał sieć, która naprawdę buduje ku wielkiemu przyszłemu popytowi, dokładnie jak ścisły skrining ceny-do-sprzedaży odprawiłby wczesne akcje chmurowe [9]. Wskaźnik to dyscyplina przeciw narracji, a nie kryształowa kula opcjonalności, i należy go czytać jako rangowanie względnej jakości fundamentalnej dziś, a nie werdykt o dziesięcioletnim potencjale sieci.
Cztery dalsze ograniczenia zasługują na tę samą widoczność co sam framework. Jakość danych: on-chain „przychód" można sfałszować — wash-użycie, wewnątrzekosystemowe transakcje wśród własnych subnetów lub agentów projektu i popyt finansowany grantami mogą nadąć mianownik, a ponieważ mnożnik jest uczciwy tylko tak, jak jego liczba przychodu, sieć fabrykująca użycie pokonuje cały aparat [3][26]. Niejednoznaczność praw tokena: nawet gdzie przychód jest realny, token może nie mieć egzekwowalnego prawa do niego, więc silny biznes może siedzieć na bezwartościowym tokenie — pytanie o akumulację wartości to nie przypis, lecz brama [14][15]. Refleksyjność narracji: ponieważ „AI" to skoordynowany czynnik rynkowy, grupa może rosnąć i spadać razem na sentymencie bez względu na fundamenty, które mierzy framework, więc przewaga jest w względnej selekcji wewnątrz sektora, a nie w timingu narracji [1][17]. Pokora modelu: równanie wymiany to tożsamość, nie prognoza — jego wynik zależy całkowicie od założonej prędkości i przyszłej PQ, obu nieobserwowalnych z wyprzedzeniem — więc poważni praktycy traktują każdy szacunek punktowy jako scenariusz, nie cel, a nasz wskaźnik jest celowo porządkowy, a nie precyzyjną ceną [10][11]. Jako lista kontrolna framework wyostrza osąd; jako wyrocznia wyceny rozczaruje.
Wnioski · Od narracji do licznika
AI-krypto nagradza analityka, który odmawia koszyka. Narracja traktuje jeden czynnik; framework traktuje cztery biznesy, każdy z własnym silnikiem przychodów, własnym właściwym mianownikiem, własnym uczciwym mnożnikiem [1][21]. Pod mnożnikiem siedzi równanie wymiany i jego nieubłagana lekcja, że to prędkość, a nie głośne użycie, decyduje, ile wartości może utrzymać sieć danej wielkości — dlatego token potrzebuje powodu, by być trzymanym, a nie tylko używanym [9][11]. Wokół mnożnika siedzi wskaźnik zrównoważenia zachęt, oddzielający przychód, który sieć zarabia, od podaży, którą drukuje, i pytający, czy cokolwiek z niego naprawdę dociera do tokena — brama akumulacji wartości, którą realny biznes wciąż może przegrać [14][15][16]. Między nimi taksonomia sektora zmienia ścianę „tokenów AI" w uporządkowane porównanie: nazwij podsektor, włóż realne użycie do właściwego licznika, stłum premię narracyjną i sprawdź, że emisja jest pokryta popytem, a nie na odwrót.
Głębsze prymitywy, na których wspierają się te osądy — jak projektowane są emisja i vesting tokenów, jak krążący float sieci rozchodzi się z jej w pełni rozwodnioną wartością i jak mechanika łapania opłat i buyback-burn faktycznie kumuluje (lub nie) wartość dla posiadaczy — każdy wart jest zrozumienia sam w sobie, bo wskaźnik jest tak dobry, jak zrozumienie przez czytelnika mechaniki, którą ocenia. Traktuj go jako dyscyplinę rangowania jakości fundamentalnej wewnątrz onarratywionego sektora, nigdy jako prognozę ceny, i zawsze obok popytu i kontekstu rynkowego, którego żaden framework podaży i użycia nie uchwyci.
Źródła
[1] CoinDCX, Top AI (Artificial Intelligence) Crypto Coins in June 2026 (rozmiar sektora, podział na podsektory). coindcx.com
[2] The Motley Fool, "Better AI Crypto: Bittensor (TAO) vs. Render," 06.05.2026. fool.com
[3] TAO Media, The Ultimate Guide to Bittensor 2026 i The Complete Beginner's Guide to Dynamic TAO (dTAO) (subnety, przychód Q1, halving, limit 21M). tao.media
[4] BlockEden.xyz, "DePIN's Revenue Pivot: From Token Subsidies to Real AI Compute Revenue," 12.04.2026. blockeden.xyz
[5] Own Your Mind, Render vs Akash vs io.net 2026: Revenue, Burns & Tokenomics. ownyourmind.ai
[6] BlockEden.xyz, "DePIN's Revenue Reckoning: How Akash, io.net, and Aethir Are Replacing Token Mining with Real Business Cash Flow," 12.03.2026. blockeden.xyz
[7] Securities.io, GPU Rendering Wars: Render Network vs. Akash & AWS (2026); BuildMVPFast, DePIN GPUs for Inference: io.net, Akash vs AWS. securities.io
[8] Yellow.com Research, AI Compute Demand Is Outpacing Supply, And Crypto GPU Networks Are Closing the Gap (2026). yellow.com
[9] Chris Burniske, Cryptoasset Valuations (model INET; MV=PQ; CUV kontra DEUV). medium.com
[10] Improving the Equation of Exchange for Cryptoasset Valuation Using Empirical Data, arXiv 2403.04914. arxiv.org
[11] I. Barbero, Understanding Velocity and Its Effects on MoE Token Dynamics, Coinmonks. medium.com
[12] Eton Venture Services, The Quantity Theory of Money: A Framework for Valuing Crypto Tokens. etonvs.com
[13] Talos, State of the Network: Uniswap Flips the Fee Switch — From Governance Token to Value Accrual (standard P/S; ilustracja UNI 207×). talos.com
[14] FinTech Weekly, Rethinking Token Value: From Subsidized Supply to Sustainable Accrual. fintechweekly.com
[15] Volity, Burn Rate: 2026 Crypto Tokenomics; FinanceFeeds, How Token Buybacks Can Affect Cryptocurrency Prices. volity.io
[16] Novora Research, Which Token Value Accrual Model Works? (aktywna akumulacja +10 p.p.; skala przychodu dominuje). novora.co
[17] OpenAIToolsHub, AI Agent Crypto Tokens — Virtuals, ai16z, AIXBT, and Bittensor Explained (przychód agentów, spadki 55–85%). openaitoolshub.org
[18] Eqvista, Crypto Valuation Metrics — How to Value Crypto? (Daily Active Addresses i metryki użycia). eqvista.com
[19] A. Damodaran, The Dark Side of Valuation oraz prace o cenie-do-sprzedaży i mnożnikach przychodu dla aktywów przedzyskownych, wysokowzrostowych (kotwica metodologiczna dla mnożników użycia).
[20] I. Fisher, The Purchasing Power of Money (1911), źródło równania wymiany MV=PT, tu zaadaptowanego jako MV=PQ.
[21] DEXTools News, Top 5 Crypto AI Projects: Best Artificial Intelligence Tokens (2026) (liderzy mocy/danych, w tym The Graph, Grass, NEAR). dextools.io
[22] Crypto.news, Bittensor (TAO) Price Prediction: What the December Halving Means for TAO in 2026 (mechanika halvingu; uwaga instytucji). crypto.news
[23] CryptoDaily, DeFi Revenue Tokens: Why Fees, Burns and Buybacks Matter More Than TVL, 05.2026. cryptodaily.co.uk
[24] Gate Wiki, What Is Tokenomics: Allocation, Inflation Design, and Governance Utility in 2026. gate.com
[25] Ashley Lannquist, Today's Crypto Asset Valuation Frameworks, Blockchain at Berkeley. medium.com
[26] BlockEden.xyz, Decentralized GPU Networks 2026: How DePIN Is Challenging AWS for the $100B AI Compute Market. blockeden.xyz
Metodologia i ujawnienie: Ten raport syntetyzuje publiczne dane sektorowe o AI-krypto na połowę 2026 (liczba projektów i kapitalizacja [1]; przychód i wykorzystanie zdecentralizowanej mocy dla Render, Akash i io.net [4][5][6][7][8]; subnety Bittensor dTAO, przychód Q1, halving i limit podaży [3][22]; wyniki tokenów-agentów [17]); literaturę wyceny kryptoaktywów (równanie wymiany i model INET [9][12][20], udoskonalenia empiryczne [10], dynamikę prędkości [11] i praktykę ceny-do-sprzedaży [13]); oraz literaturę akumulacji wartości tokena (przełączniki opłat, buyback-burn i rozwodnienie netto po odblokowaniach [14][15][16][23][24]). Taksonomia czterech podsektorów (moc / inferencja / agenci / dane), dopasowanie mnożników użycia i wskaźnik zrównoważenia zachęt to edukacyjne, porządkowe konstrukty analityczne do rangowania względnej jakości fundamentalnej wewnątrz sektora AI-krypto; przytoczone liczby (≈919 projektów i ~22,6 mld dolarów kapitalizacji sektora; ~180–220 mln rocznego przychodu z mocy; Render ~38 mln miesięcznie; Akash +428% r/r i wykorzystanie >80%; Bittensor ~43 mln za Q1 i 120+ subnetów; spadki agentów o 55–85%; ilustracyjne ~207× P/S) pochodzą z cytowanych źródeł i ilustrują framework, a nie prognozują ceny żadnego tokena. Nic tutaj nie jest ratingiem, rekomendacją ani celem cenowym.
Zastrzeżenie: To treść edukacyjna od Bitbase Research, dostarczona wyłącznie w celach informacyjnych. Nie jest to porada inwestycyjna, handlowa, podatkowa ani finansowa. Napisano według stanu na lipiec 2026; sektor AI-krypto, przychody sieci, harmonogramy podaży tokenów i warunki rynkowe zmieniają się nieustannie, więc zawsze opieraj się na najnowszych danych pierwotnych i prowadź własne badania przed jakąkolwiek decyzją.
