나머지 다섯개 서브넷도 제품과 기술적 성과는 존재한다. 단순한 프로토타입이 아니라는 말이다.
다만 외부 매출이 반복되고, 그 가치가 알파에 남는다는 증거는 아직 상대적으로 부족하다.
1️⃣ Score
- 소개: 기존 카메라 영상을 분석해 스포츠와 산업 현장의 정보를 구조화하는 컴퓨터비전 플랫폼.
- 주요 성과: PwC France와 기업용 Physical AI 배포를 추진하고, 스포츠·주유소·세차장 등 여러 산업에서 컴퓨터비전 제품을 운영.
스포츠, 주유소와 세차장 등 여러 산업에 제품을 적용하고 있으며, 기업용 Physical AI 배포도 추진하고 있다.
사업 가능성은 높지만, 공개된 4,000만 달러 연환산 매출은 현재 실적이 아니라 팀의 목표에 가깝다. 따라서, 실제 계약 매출과 그 매출이 알파 수요로 연결되는 규모를 확인해야 한다.
2️⃣ Ridges
- 소개: 코딩 에이전트들이 실제 소프트웨어 문제를 해결하며 경쟁하는 시장.
- 주요 성과: 코딩 에이전트 벤치마크 SWE-Bench Verified에서 73.6%를 기록해 오픈소스 최고 수준에 도달.
높은 SWE-Bench 성과를 기록했고, 현재 월 29달러 수준의 유료 코딩 제품도 출시했다. 다른 비텐서 서브넷의 저렴한 추론을 활용한다는 점에서 서브넷 간 결합성도 강하다.
그러나 벤치마크와 유료 제품 출시는 시작일 뿐이다. 반복 이용자와 매출 규모, 매출 기반 알파 매입 정책은 아직 충분히 증명되지 않았다.
3️⃣ Vidaio
- 소개: AI를 이용해 영상 압축과 업스케일링을 제공.
- 주요 성과: 기존 방식보다 파일 크기를 최대 80% 줄이면서 영상 품질을 유지하거나 개선하는 압축 모델을 개발.
기업 고객은 법정화폐로 비용을 지불하고, 실제 작업을 처리한 채굴자가 매출 대부분을 받는다. 채굴자가 보상의 일부에 해당하는 알파를 잠그는 AlphaBond 구조도 있어 서비스 사용이 알파 수요로 이어질 수 있다.
다만 운영팀 몫의 매출을 알파 매입, 개발비와 사업 확장 중 어디에 쓸지는 재량에 달려 있다. 또한, 가치 귀속은 존재하지만 Lium이나 Bitcast만큼 자동적이지 않다.
4️⃣ iota
- 소개: 전 세계에 흩어진 GPU를 연결해 대규모 언어모델을 분산 학습시킴.
- 주요 성과: 전 세계 GPU를 연결해 1,000억 파라미터 모델을 분산 학습하고, 데이터센터 효율의 최대 65%를 달성.
Orion-100B를 통해 인터넷 환경에서도 1,000억 파라미터 모델을 학습할 수 있다는 가능성을 보여줬다.
기술적 의미는 크지만 대규모 사전학습은 반복 구매가 어려운 사업이다. 또한, 누가 돈을 내고 모델을 학습시키는지, 매출이 알파에 어떻게 귀속되는지 역시 아직 명확하지 않다. 현재로서는 사업 투자보다 장기 연구개발 베팅에 가깝다.
5️⃣ Engy
- 소개: 소비자 GPU에서 저렴한 AI 추론을 제공하면서, 요청한 모델이 실제로 실행됐는지를 암호학적으로 검증.
- 주요 성과: GLM-5.2 추론을 Together AI보다 입력은 51%, 출력은 66% 저렴하게 제공.
단순히 싸게 추론하는 것이 아니라 저가 모델로 몰래 바꿔치기하지 않았다는 사실까지 증명한다는 점에서 차별화된다.
문제는 제품 가격과 실제 매출은 다르다는 것이다. 현재 유료 사용량, 반복 고객과 매출 기반 알파 매입 구조는 충분히 확인되지 않았다.
** 결론:
1) 이 그룹에서는 Score가 사업화에 가장 가깝다.
2) Vidaio는 알파 락업 구조가 이미 존재하고, Ridges는 유료 제품을 출시했다는 점에서 그다음이다.
3) iota와 Engy는 기술적 성과는 강하지만 투자 자산으로 평가하려면 외부 매출과 알파 가치 귀속의 증거가 더 필요하다.