Bittensor: si può addestrare l’AI senza data center?

Bittensor nel 2026: la domanda che il prezzo non fa

Nel settembre 2026 quasi tutti guardano lo stesso numero: il prezzo di TAO, il token di Bittensor, che oscilla intorno ai 203 euro (circa 235 dollari) dopo mesi di rally alimentato dalle speranze su un ETF spot americano, secondo i dati di CoinGecko. Con una capitalizzazione vicina ai 2,3 miliardi di euro, il numero 39 tra tutte le cripto-attività, e un tetto massimo di 21 milioni di unità in stile Bitcoin, Bittensor è tornata a essere una delle scommesse più discusse del settore che i mercati chiamano AI crypto.

Ma il prezzo racconta la storia sbagliata, o almeno una storia parziale. La domanda che decide il futuro di Bittensor non è quanto vale TAO oggi: è se una rete di computer sparsi per il mondo, senza un data center centrale, possa davvero fare la cosa più difficile dell’intelligenza artificiale moderna, cioè addestrare da zero grandi modelli. Far girare un modello già pronto (l’inferenza) è relativamente semplice, e Bittensor lo fa da tempo. Addestrarne uno nuovo è tutt’altra impresa.

Questo articolo mette da parte il grafico e affronta la parte tecnica: che cos’è Bittensor, perché l’addestramento distribuito è un problema quasi impossibile, quali modelli la rete ha davvero prodotto nel 2026 (Covenant-72B e Orion-100B), come vengono pagati e verificati i partecipanti, e fin dove questa scommessa può realisticamente arrivare. Con, alla fine, il conto vero di quanto costa l’hardware di consumo che gli slogan amano citare, e uno sguardo alle regole italiane.

Che cos’è Bittensor, in breve

Bittensor è una rete decentralizzata che prova a trasformare la produzione di intelligenza artificiale in un mercato aperto. Al posto di un’unica azienda che possiede i server, addestra i modelli e vende l’accesso, il protocollo coordina migliaia di partecipanti anonimi che competono per fornire un servizio (inferenza, addestramento, dati, previsioni) e vengono ricompensati in proporzione alla qualità del loro contributo.

L’idea non è nuova. Bittensor nasce da una domanda semplice: se sia possibile costruire un mercato in cui l’intelligenza artificiale venga prodotta e prezzata come una materia prima, senza che una sola azienda faccia da gatekeeper. La promessa che ha attirato sviluppatori, miner e capitali è proprio questa, che nessuna singola entità controlli la rete. Tenetela a mente, perché ci torneremo.

La rete è organizzata in subnet, mercati specializzati e indipendenti: uno per l’inferenza dei modelli linguistici, uno per il fine-tuning, uno per l’estrazione di dati, uno per l’addestramento distribuito, e così via. A settembre 2026 i subnet attivi sono 128, con un tetto che il protocollo sta alzando verso quota 256. Dentro ogni subnet ci sono due ruoli principali: i miner, che eseguono il lavoro (per esempio addestrano una porzione di modello), e i validatori, che misurano e votano la qualità di quel lavoro.

Qualche esempio rende l’idea più concreta: ci sono subnet che vendono inferenza di modelli linguistici, altri che estraggono e ripuliscono dati, altri ancora specializzati in previsioni finanziarie, in generazione di immagini o, appunto, nell’addestramento di modelli da zero. Ognuno è un piccolo mercato con le sue regole di valutazione, e il protocollo li mette in competizione per le stesse emissioni: chi convince i validatori di valere di più, incassa di più.

Il collante economico è TAO, il token nativo, e l’organizzazione di riferimento è la Opentensor Foundation, che ha creato il protocollo. I fondatori, Jacob Steeves (noto come Const) e Ala Shaabana, hanno lasciato i ruoli esecutivi a febbraio 2026 restando come contributori: un dettaglio che, come vedremo, è finito al centro di una battaglia molto aspra sulla governance.

Perché l’inferenza è facile e l’addestramento è difficile

Per capire la posta in gioco serve una distinzione che il marketing tende a sfumare: inferenza e addestramento sono due problemi profondamente diversi dal punto di vista dell’ingegneria di rete.

L’inferenza è, in sostanza, senza stato. Una richiesta arriva, un modello già addestrato produce una risposta, la richiesta successiva è indipendente dalla precedente. Si può spezzare il traffico su mille macchine sparse per il pianeta senza che parlino tra loro: è un problema imbarazzantemente parallelo, ideale per una rete decentralizzata. Non a caso i subnet di inferenza di Bittensor, come Chutes, sono tra i più attivi e con più ricavi reali.

L’addestramento è l’opposto. Addestrare un grande modello significa calcolare, a ogni passo, come modificare miliardi di parametri, e poi sincronizzare quelle modifiche (i gradienti) tra tutte le GPU che partecipano, prima di fare il passo successivo. In un data center le schede sono collegate da interconnessioni come NVLink e InfiniBand che spostano centinaia di gigabyte al secondo. Su Internet, tra una casa in Italia e un box in Corea, la banda in upload è di pochi megabit e la latenza è alta. È il muro della banda: il momento in cui i computer smettono di calcolare e restano fermi ad aspettarsi a vicenda.

Un’analogia aiuta. L’inferenza distribuita è come un call center: ogni operatore gestisce una chiamata per conto suo, e si possono aggiungere sedi ovunque senza coordinamento. L’addestramento è come un’orchestra in cui ogni musicista deve restare a tempo con tutti gli altri a ogni battuta: basta che la linea tra due leggii sia lenta perché l’intera esecuzione rallenti. Su Internet, quella linea è quasi sempre lenta.

Quanto è alto quel muro? Jaime Sevilla, amministratore delegato di Epoch AI, ha stimato che, con una tipica connessione domestica da 60 Mbps in upload e i metodi ingenui di parallelismo dei dati, addestrare un modello della scala di DeepSeek-v3 richiederebbe circa 5.000 anni. È questo l’ostacolo che l’addestramento distribuito deve battere per avere senso.

Il muro della banda e i trucchi per aggirarlo

La buona notizia, per Bittensor e per chiunque tenti la stessa strada, è che quel muro non è di cemento armato. Negli ultimi due anni un filone di ricerca ha mostrato che gran parte della comunicazione tra GPU durante l’addestramento è ridondante, e quindi comprimibile.

• DiLoCo (Google DeepMind, 2023): invece di sincronizzare a ogni passo, ogni nodo lavora in autonomia per centinaia di passi e poi condivide un aggiornamento, riducendo la comunicazione di circa 500 volte. Streaming DiLoCo ha poi limato il picco di banda.
• DeMo (Decoupled Momentum, di Nous Research): scompone il momentum e trasmette solo le componenti più importanti dei gradienti, tagliando la comunicazione di circa due ordini di grandezza. È la base di DisTrO, l’ottimizzatore con cui Nous addestra in rete.
• SparseLoCo (del team di Templar, dentro Bittensor): combina la selezione top-k con una quantizzazione a 2 bit per una compressione superiore a 140 volte.
• Quantizzazione: passando dai 32 ai 4 bit dei numeri scambiati si guadagna un ulteriore fattore da 2 a 4.

DeMo è descritto in un paper su arXiv che ne quantifica il risparmio. Messi insieme, questi trucchi trasformano un problema da 5.000 anni in qualcosa che, almeno sulla carta, si misura in mesi. Resta la domanda che conta: funziona davvero su scala reale?

Covenant-72B: la prova che qualcosa si può fare

La risposta più concreta arrivata nel 2026 si chiama Covenant-72B. È un modello linguistico da circa 72 miliardi di parametri, addestrato interamente sul subnet Templar (SN3) di Bittensor da un insieme di partecipanti anonimi coordinati dal team di Covenant AI, che comprendeva anche ricercatori legati al Mila di Montréal. Il training è durato circa sei mesi, dal 12 settembre 2025 al 10 marzo 2026, su circa 1,09 trilioni di token di testo web più una fase finale di rifinitura, con una media di quasi 17 peer collegati per round e picchi oltre i 24, secondo la ricostruzione di ownyourmind.

Il dato che ha fatto notizia è il punteggio: Covenant-72B ha ottenuto 67,1 sul benchmark MMLU, sopra il 65,6 di LLaMA-2-70B, un modello di taglia comparabile addestrato in modo tradizionale da Meta. Non è un risultato da frontiera (i modelli di punta del 2026 sono molto più avanti), ma è la prima volta che un modello di questa scala, costruito da estranei coordinati da un protocollo e non da un’unica azienda dentro un data center, regge il confronto con un riferimento consolidato. La combinazione DeMo più SparseLoCo ha tenuto l’urto della banda per sei mesi di fila.

MMLU, per chi non mastica benchmark, è un test a scelta multipla su decine di materie, dalla storia alla medicina, usato come misura grezza della conoscenza generale di un modello. Battere LLaMA-2-70B non vuol dire aver raggiunto i modelli commerciali di oggi, che su quel test viaggiano molto più in alto, ma dimostra che il metodo distribuito non degrada in modo catastrofico la qualità: il modello che esce dalla rete è utilizzabile, non un giocattolo da laboratorio.

È la dimostrazione che l’addestramento distribuito su Internet non è fantascienza. Ma, come vedremo tra poco, la taglia delle GPU necessarie racconta anche un’altra storia, meno romantica.

Per il resto del settore il segnale è comunque arrivato forte: se un collettivo può addestrare un modello competitivo senza affittare un data center, il monopolio di fatto dei grandi laboratori sull’addestramento non è più una legge di natura. È la stessa scommessa che muove i progetti open-source sui pesi dei modelli, con una differenza sostanziale, cioè un token che finanzia il calcolo e, insieme, invita la speculazione.

Orion-100B: la scommessa di Macrocosmos

Se Covenant-72B ha alzato l’asticella, Orion-100B ha provato a superarla. È il modello da 100 miliardi di parametri annunciato intorno al 2 giugno 2026 da Macrocosmos, il team che gestisce il subnet SN9 di Bittensor con un’architettura chiamata IOTA (Incentivised Orchestrated Training Architecture). L’approccio è diverso da quello di Templar: invece di far girare a ogni miner una copia dell’intero modello, IOTA usa il parallelismo di pipeline, spezzando il modello in sezioni affidate a nodi diversi, come una catena di montaggio.

Nel caso di Orion, secondo il resoconto di Macrocosmos, il modello è distribuito su 16 stadi di pipeline replicati tre volte, su GPU A100 sparse in rete, con un’efficienza di utilizzo dei FLOP (MFU) sopra il 30% e una velocità pari a circa il 65% di quella che si otterrebbe dentro un data center. Il trucco chiave è la compressione delle attivazioni scambiate tra gli stadi, ridotte da 140 megabyte a 2,2 con una tecnica battezzata ResBM. Il team è arrivato a 100 miliardi di parametri dopo un testbed più piccolo e oltre 700 esperimenti, comprimendo il salto finale in circa un mese.

La scelta della pipeline non è un dettaglio. Nel parallelismo dei dati ogni nodo tiene una copia intera del modello e serve una banda enorme per sincronizzare i gradienti; nella pipeline ogni nodo tiene solo una fetta del modello e scambia con i vicini le attivazioni, molto più leggere una volta compresse. È uno dei motivi per cui IOTA riesce a spingersi fino a 100 miliardi di parametri là dove l’approccio a repliche complete si ferma prima.

Il 65% dell’efficienza di un data center, su hardware sparso e connesso via Internet, è un numero notevole. Ma anche qui conviene leggere le note a piè di pagina: le A100 non sono schede da videogioco.

I modelli addestrati fuori dai data center

Il 2026 ha prodotto una manciata di modelli addestrati (in tutto o in parte) senza un data center centrale, dentro e fuori Bittensor. Metterli in fila aiuta a capire a che punto siamo davvero, e a non confondere un prototipo con un prodotto.

La lettura è duplice. Da un lato, la progressione è reale: da modelli da 8-10 miliardi di parametri a run da 72 e 100 miliardi in poco più di un anno. Dall’altro, come vedremo con Epoch AI, siamo ancora circa mille volte sotto la scala dei modelli di frontiera addestrati dai grandi laboratori.

Chi paga chi addestra: subnet, dTAO ed emissioni

Perché qualcuno dovrebbe accendere GPU costose per addestrare un modello che poi è di tutti? La risposta è l’economia a incentivi di Bittensor. A ogni blocco il protocollo emette nuovi TAO e li distribuisce ai partecipanti in base ai voti dei validatori. Dopo il primo halving, avvenuto a dicembre 2025 quando l’offerta emessa ha raggiunto 10,5 milioni di unità, l’emissione è scesa da 1 a 0,5 TAO per blocco, circa 3.600 al giorno, come ha raccontato Fortune. Come Bitcoin, TAO ha un tetto rigido di 21 milioni e halving successivi (il prossimo a 15,75 milioni di unità emesse), un parallelo di scarsità programmata che i lettori del nostro pezzo su come si prevede l’aggiustamento di difficoltà di Bitcoin riconosceranno.

Dentro ogni subnet, le emissioni si dividono con una regola fissa: 18% al proprietario del subnet, 41% ai miner, 41% ai validatori e ai loro delegatori. C’è però una svolta introdotta a febbraio 2025 con dTAO: ogni subnet ha un proprio token alpha e una pool di liquidità, e il prezzo di quel token alpha determina quanta emissione complessiva il subnet riceve. In pratica il mercato, comprando e vendendo gli alpha, vota con i capitali quali subnet meritano più risorse; le ricompense vengono poi pagate proprio in alpha, non direttamente in TAO.

C’è anche un incentivo più passivo: chi possiede TAO può metterlo in staking delegandolo a un validatore e riceverne una quota delle ricompense. A settembre 2026 gran parte dell’offerta risulta vincolata in staking, con rendimenti annui vicini alla doppia cifra, il che spiega perché una fetta rilevante dei TAO non arrivi mai sul mercato. È lo stesso meccanismo che rende gli ETP europei in staking più interessanti di un trust che tiene la moneta ferma.

Il problema della verifica: provare che uno sconosciuto ha davvero addestrato

C’è un buco in questo schema che l’inferenza non ha e l’addestramento sì: come fa un validatore a sapere che un miner ha davvero eseguito il calcolo che dichiara, e non ha inviato numeri casuali o copiato il lavoro di un altro? Nell’inferenza si può controllare l’output. Nell’addestramento, verificare un aggiornamento dei gradienti rifacendo il calcolo costerebbe quanto il calcolo stesso: economicamente insostenibile.

È la differenza tra correggere un compito e correggere un tema mai scritto sotto i propri occhi. Un output di inferenza si può rieseguire e confrontare a una frazione del costo originale; un addestramento durato mesi no. Per questo la ricerca sulle prove di addestramento a basso costo, come TOPLOC, è considerata tanto strategica quanto la compressione della banda: senza una verifica credibile, un mercato aperto dell’addestramento resta esposto a chi bara.

Bittensor affronta il problema su due fronti. Il primo è lo Yuma Consensus, il meccanismo con cui i validatori, pesati per stake, convergono su una valutazione mediana della qualità di ogni miner; i voti troppo distanti dal consenso vengono tagliati, così che manipolare il punteggio richiederebbe una coalizione che controlla la maggioranza dello stake. Il secondo è tecnico: un sistema di commit-reveal introdotto con la versione 7.3.0, che usa la cifratura a tempo di Drand perché i validatori non possano copiarsi i voti a vicenda, e prove di addestramento in stile TOPLOC (la stessa famiglia di tecniche usata da Prime Intellect) che permettono di verificare a basso costo che un modello sia passato per certi stati durante il training.

Nessuno di questi strumenti è perfetto, e la verifica dell’addestramento resta uno dei problemi aperti più difficili dell’intera categoria. È anche il punto su cui insistono i critici quando parlano di emission farming, cioè di subnet che incassano emissioni senza produrre valore reale: un’analisi accademica di Elizabeth Lui e Jiahao Sun, pubblicata su arXiv, ha mostrato che nella pratica le ricompense sono guidate soprattutto dallo stake accumulato più che dalla qualità del contributo.

Hardware di consumo? Il conto vero delle GPU

Qui arriva la doccia fredda. La narrazione popolare dipinge l’addestramento decentralizzato come un ritorno allo spirito di SETI@home: milioni di computer casalinghi che, nei ritagli di tempo, costruiscono insieme un’intelligenza artificiale. La realtà del 2026 è molto più elitaria.

Secondo l’analisi di ownyourmind su Covenant-72B, ogni peer che partecipava al training aveva bisogno di almeno otto GPU della classe B200, per un investimento stimato tra 240.000 e 320.000 dollari a nodo. Orion-100B gira su A100, schede da decine di migliaia di euro l’una. Non è hardware da salotto: è hardware da piccola azienda o da collettivo ben capitalizzato. Il numero medio di peer per round di Covenant, meno di venti, lo conferma: non stiamo parlando di milioni di volontari, ma di una manciata di operatori seri.

Questo apre una domanda che va oltre Bittensor: da dove vengono queste GPU? È lo stesso interrogativo che attraversa gli altri mercati di calcolo decentralizzato, dal marketplace di GPU di Akash alla rete Render, dove la vera scarsità spesso non è la domanda ma l’offerta di schede di fascia alta. L’addestramento distribuito non elimina il costo del silicio: lo ridistribuisce tra più proprietari, il che è una differenza politica ed economica importante, ma non la rivoluzione dal basso che lo slogan lascia immaginare.

Questo non annulla il valore dell’esperimento. Ridistribuire la produzione di modelli tra decine di operatori indipendenti, invece di concentrarla in tre o quattro giganti del cloud, resta un obiettivo serio. Ma conviene chiamarlo con il suo nome: non una democratizzazione universale, bensì un oligopolio più largo e più contendibile di quello di oggi.

Fin dove può arrivare: il tetto di Epoch AI, e i rivali senza token

Ammesso che funzioni, quanto può crescere questa strada? La stima più citata è quella di Jaime Sevilla di Epoch AI. Le run distribuite più grandi del 2026 (INTELLECT-1, Protocol Model 8B di Pluralis, Consilience 40B) usano circa 1.000 volte meno calcolo dei modelli di frontiera addestrati oggi, come Grok 4. Il calcolo dedicato all’addestramento decentralizzato è cresciuto in modo impressionante, circa 20 volte l’anno dal 2020 (un fattore 600.000 complessivo), contro il circa 5 volte l’anno della frontiera. Eppure, avverte Sevilla, il divario è tale che non vedremo le run di addestramento decentralizzato raggiungere la frontiera entro questo decennio, anche ipotizzando un’espansione da 30 a 3.000 volte sul modello di progetti di calcolo volontario come Folding@home.

Vale la pena leggere bene quel numero. Un ritardo di mille volte sul calcolo non significa che i modelli distribuiti siano mille volte peggiori, perché la qualità cresce molto più lentamente della potenza di calcolo. Significa però che, per ora, l’addestramento decentralizzato è bravo a rifare con qualche mese di ritardo ciò che i grandi laboratori hanno già fatto, non a spingersi oltre. È una rincorsa, non un sorpasso.

C’è poi un contrasto strategico che vale la pena notare. I concorrenti più credibili di Bittensor sull’addestramento distribuito non hanno un token. Prime Intellect, che nel maggio 2025 ha realizzato INTELLECT-2 (il primo addestramento con reinforcement learning distribuito su scala globale), ha raccolto 130 milioni di dollari in un round di Serie A a una valutazione intorno al miliardo, guidato da Radical Ventures con la partecipazione tra gli altri di Nvidia, secondo TechCrunch, e dichiara circa 100 milioni di ricavi ricorrenti annui senza alcun token quotato. Nous Research coordina l’addestramento con Psyche e DisTrO; Pluralis costruisce Protocol Models i cui pesi restano di proprietà dei contributori.

Il fatto che i rivali meglio finanziati abbiano scelto l’equity e non un token è, di per sé, un segnale su dove sta il valore tecnologico e dove sta la speculazione.

La governance alla prova: l’addio di Covenant

Il 9 aprile 2026 la parte tecnica e quella politica di Bittensor si sono scontrate frontalmente. Covenant AI, cioè proprio il team dietro Templar e Covenant-72B, ha annunciato l’uscita dalla rete con un atto d’accusa durissimo contro la Opentensor Foundation. Il prezzo di TAO è caduto di circa il 15% in due ore, da 338 a 285 dollari, secondo The Block.

Per chi guarda a TAO come investimento, lo scontro non è gossip da addetti ai lavori. Se il valore di lungo periodo della rete dipende dalla promessa di neutralità (nessun padrone che possa cambiare le regole o spegnere un subnet a piacimento), allora ogni prova che quel controllo esista ancora colpisce la tesi di fondo. Non a caso il mercato ha reagito con un tonfo immediato.

Il fondatore Sam Dare non ha usato giri di parole. La promessa che nessuna singola entità controlli Bittensor, ha scritto, «è una menzogna»; la governance è «teatro della decentralizzazione». Dare accusa Jacob Steeves di mantenere il controllo effettivo su un «triumvirato» e di aver reagito ai conflitti sospendendo le emissioni ai subnet di Covenant, togliendo al team i poteri di moderazione e deprecando infrastruttura in modo unilaterale: «un uomo che non ha mai ceduto il controllo di una rete che dice al mondo di non gestire più».

Steeves, dal canto suo, non ha negato del tutto. Nella sua roadmap di decentralizzazione del 22 giugno 2026 ha ammesso, con parole poi molto citate, che «Bittensor al momento non è un protocollo decentralizzato nel modo in cui lo è Bitcoin. Può esserlo, e lo sarà, ma non lo è ancora», rivendicando la scelta deliberata di privilegiare la velocità di sviluppo nella fase di crescita e fissando l’obiettivo della piena decentralizzazione a dicembre 2027, secondo Crypto Briefing. Che si creda o meno a questa tabella di marcia, è la conferma, dalla voce del cofondatore, che oggi la rete non è ancora ciò che il suo marketing promette.

Token contro capacità: perché il prezzo corre mentre i modelli inseguono

Torniamo al grafico da cui siamo partiti. Nel 2026 il prezzo di TAO si è mosso quasi interamente su fattori finanziari, non tecnici: la speranza di un ETF spot, i flussi istituzionali (Digital Currency Group ha una controllata, Yuma, dedicata a Bittensor) e il clima di rischio dei mercati. È un copione che i lettori del nostro pezzo sulla correlazione tra azioni e crypto conoscono bene: quando comanda il macro, i fondamentali passano in secondo piano, e infatti TAO resta comunque oltre due terzi sotto il suo massimo storico del marzo 2024.

Il paradosso più netto è quello degli ETF. Negli Stati Uniti il veicolo di Grayscale su TAO resta un trust a collocamento privato per investitori accreditati, e le regole fiscali rendono complicato per un ETF spot mettere in staking il sottostante: chi comprasse le quote otterrebbe l’esposizione al prezzo ma non i rendimenti dello staking né gli alpha. In Europa il quadro è rovesciato: l’ETP di Safello sul TAO in staking, quotato tra l’altro a Euronext Paris in euro, mette effettivamente in staking le monete e gira il rendimento agli investitori. Sullo sfondo, la partita regolatoria americana resta aperta: il voto sul CLARITY Act atteso il 15 settembre e il braccio di ferro tra SEC e CFTC decideranno molto del contesto in cui questi prodotti vivranno.

Vale anche l’inverso, ed è la parte scomoda per gli scettici: se anche uno solo di questi subnet trasformasse l’addestramento distribuito in un prodotto con clienti paganti e margini reali, il divario tra prezzo e fondamentali si chiuderebbe dal lato dei fondamentali, non del prezzo. È questa opzione, più che i ricavi di oggi, che il mercato sta comprando; la domanda è quanto a lungo sia disposto ad aspettare.

Il punto di fondo è che, mentre i modelli inseguono la frontiera con un ritardo di mille volte, il token corre su aspettative che con l’addestramento hanno poco a che fare. Non è necessariamente irrazionale (l’opzione su una tecnologia che potrebbe funzionare ha un valore), ma è bene sapere che cosa si sta comprando.

Fisco e regole in Italia: TAO secondo Consob e MiCA

Per un investitore italiano, TAO è a tutti gli effetti una cripto-attività di tipo generico ai sensi di MiCA: non è un token di moneta elettronica (EMT) né un token collegato ad attività (ART), quindi non ricade nelle categorie di stablecoin vigilate da Banca d’Italia. I servizi su TAO (scambio, custodia) vanno offerti da un prestatore autorizzato come CASP, mentre Consob vigila su condotta di mercato e tutela dell’investitore; i derivati su TAO, come futures e perpetui, restano invece strumenti finanziari sotto la MiFID II, sempre di competenza Consob.

In concreto, un residente italiano che compra TAO su un exchange autorizzato non fa nulla di irregolare, ma si assume tre rischi distinti: quello di mercato (il prezzo, molto volatile), quello di custodia (le chiavi, se non si affida a un intermediario vigilato) e quello tecnologico (che la scommessa sull’addestramento non ripaghi). Le regole coprono i primi due; sul terzo, nessuna autorità può fare da rete di sicurezza.

Il quadro italiano è definito dal D.lgs. 129/2024, che designa Consob e Banca d’Italia come autorità competenti, e il periodo transitorio MiCA per gli operatori si è chiuso il 1° luglio 2026. Sul piano fiscale, le plusvalenze da cripto per le persone fisiche sono tassate come redditi diversi, con l’aliquota del 26% e l’aumento verso il 33% dal 2026 a lungo discusso dal legislatore: un dettaglio che vale per TAO come per qualsiasi altra cripto-attività e che conviene verificare con un professionista prima di dichiarare. Vale la pena ricordare che né Consob né MiCA regolano il protocollo Bittensor in sé: la vigilanza colpisce gli intermediari e i prodotti, non il codice che gira sui nodi.

Frequently Asked Questions

Bittensor può addestrare modelli di AI senza data center?

In parte sì. Nel 2026 la rete ha prodotto modelli come Covenant-72B e Orion-100B addestrati da partecipanti sparsi e coordinati dal protocollo, senza un data center unico. Restano però due limiti: servono GPU professionali molto costose e le run distribuite sono ancora circa mille volte più piccole dei modelli di frontiera.

Che cos’è Covenant-72B?

È un modello linguistico da circa 72 miliardi di parametri addestrato sul subnet Templar di Bittensor tra settembre 2025 e marzo 2026. Ha ottenuto 67,1 sul benchmark MMLU, sopra il 65,6 di LLaMA-2-70B, ed è la prova più concreta che l’addestramento distribuito su Internet può reggere il confronto con un modello di taglia simile.

Serve hardware di consumo o professionale per addestrare su Bittensor?

Professionale. Secondo le analisi su Covenant-72B, ogni nodo aveva bisogno di almeno otto GPU di classe B200, per un costo stimato tra 240.000 e 320.000 dollari; Orion-100B gira su A100. Non è hardware da salotto, ma da piccola azienda o collettivo ben capitalizzato.

TAO ha un tetto massimo come Bitcoin?

Sì. TAO ha un tetto rigido di 21 milioni di unità e halving programmati: il primo, a dicembre 2025, ha dimezzato l’emissione da 1 a 0,5 TAO per blocco. A settembre 2026 circolano circa 11,3 milioni di TAO e il prezzo è intorno ai 203 euro.

Come si tassa TAO in Italia?

TAO è una cripto-attività generica ai sensi di MiCA, vigilata tramite i prestatori autorizzati (CASP) sotto Consob, non nel protocollo in sé. Le plusvalenze per le persone fisiche rientrano tra i redditi diversi, con l’aliquota del 26% e l’aumento verso il 33% dal 2026 a lungo discusso; meglio verificare la propria posizione con un professionista.

Marcus Okafor segue AI e mercati cripto per HOGE Wire.