AI的达尔文时刻：当模型开始为生存而战

原文标题：Darwinian AI—The AI Hunger Games

原文作者：0xJeff，AI 投资人

原文编译：Saoirse，Foresight News

竞争一直是人类进化的核心。自古以来，人们就在不断竞争，竞争的目标包括：

· 食物与领地

· 配偶 / 伴侣

· 部落或社会中的地位

· 联盟与合作机会

猎人追捕猎物，战士为生存而战，部落首领争夺领地。随着时间的推移，那些拥有利于生存的优良特质的个体，最终得以存活、繁衍，并将自身基因代代相传。

这一过程被称为「自然选择」。

自然选择的进程从未停止，其形态不断演变：从「为生存而竞争」，逐步发展为「作为娱乐表演的竞争」（如角斗士竞技、奥运会、体育赛事及电子竞技），最终演变为「推动进化的加速器式竞争」（如科技、媒体、电影、政治等领域的竞争）。

自然选择一直是人类进化的核心驱动力，但人工智能的进化是否也遵循这一逻辑？

人工智能的发展历程，并非由某一项「单一发明」决定，而是由无数场「无形的竞赛与实验」推动——这些竞赛最终筛选出了得以留存的模型，也淘汰了被遗忘的模型。

在本文中，我们将深入探讨这些无形的竞赛（涵盖 Web2 与 Web3 领域），并从「竞争」的视角，剖析人工智能的进化脉络。让我们一同深入探索。

2023 至 2025 年间，随着 ChatGPT 的问世，人工智能领域迎来了爆发式增长。

但在 ChatGPT 诞生之前，OpenAI 就已通过《Dota 2》游戏（借助「OpenAI Five」系统）崭露头角：它通过与普通玩家、职业选手乃至自身进行数万场对战，展现出了快速进化的能力，且每一次对战都能让自身实力不断增强。

最终，一套复杂的智能系统应运而生，并在 2019 年彻底击败了《Dota 2》世界冠军战队。

另一桩广为人知的案例发生在 2016 年：AlphaGo 击败了世界围棋冠军李世石。此事最令人惊叹的并非「击败世界冠军」这一结果，而是 AlphaGo 的「学习方式」。

AlphaGo 的训练并非仅依赖人类数据。与 OpenAI Five 类似，它通过「自我对弈」实现进化——这是一个循环往复的过程：

· 每一代模型都会与上一代模型展开竞争；

· 表现最强的模型变体得以留存并「繁衍」（即优化迭代）；

· 弱势策略则被淘汰。

也就是说，「达尔文式人工智能」将原本需要数百万年的进化过程，压缩到了数小时的计算周期内。

这种「自我竞争循环」催生出了人类此前从未见过的技术突破。如今，我们在金融领域的应用场景中，也看到了类似的竞争模式，只是形态有所不同。

加密领域中的达尔文式 AI

Nof1 上周因推出「阿尔法竞技场」（Alpha Arena）成为热门话题。这是一场由 6 个人工智能模型（Claude、DeepSeek、Gemini、GPT、Qwen、Grok）参与的「加密永续合约生死对决」：每个模型各自管理 1 万美元资金，最终盈亏（PnL）表现最佳者获胜。

「阿尔法竞技场已正式上线！6 个人工智能模型各投入 1 万美元，全程自主交易。真实资金、真实市场、真实基准——你更看好哪一个模型？」

这场竞赛迅速走红，核心原因并非其规则设置，而是其「开放性」：通常情况下，「阿尔法策略」（Alpha，即超额收益策略）会被严格保密，但在这场竞赛中，我们能实时见证「哪个人工智能最擅长赚钱」。

此外，展示实时交易表现的用户界面（UI/UX）设计极为流畅且经过优化。该团队正借助当前的热度及竞赛中获得的洞见与经验，开发 Nof1 模型及交易工具；目前，对该工具感兴趣的用户可加入候补名单，等待试用机会。

Nof1 的做法并非首创——金融领域的竞赛早已有之（尤其是在 Bittensor 生态系统及更广泛的加密货币市场中），但此前从未有任何团队能像 Nof1 这样，将此类竞赛公开化、大众化。

以下是一些最具代表性的竞赛案例

Synth（合成器竞赛）

（标识：SN50，发起方：@SynthdataCo）

在该竞赛中，机器学习工程师需部署机器学习模型，预测加密资产的价格及波动性，获胜者可获得 SN50 Synth 阿尔法代币奖励。随后，团队会利用这些高质量的预测结果，生成高精度的「合成价格数据」（及价格走势路径）。

「自今年早些时候以来，我们已向参与竞赛的顶尖数据科学家及量化分析师发放了超过 200 万美元的奖励。」

该团队正利用这些预测信号在 Polymarket 平台进行加密货币交易：截至目前，他们以 3000 美元的初始资金，实现了 184% 的净投资回报率（ROI）。接下来的挑战是，在维持当前业绩水平的同时，扩大交易规模。

「我们在 Polymarket 平台的交易最新进展：

・本金：3000 美元

・利润：5521 美元

・投资回报率（ROI）：184%

・年化收益率（APY）：3951%

这一切均由 Synth 的预测模型提供支持。我们将在本周的《Novelty Search》栏目中详细解析背后逻辑。」

Sportstensor（体育预测竞赛）

（标识：SN41，发起方：@sportstensor）

这是一个专注于「击败市场赔率」的子网，旨在挖掘全球体育博彩市场中的「优势机会」。这是一场持续性竞赛：机器学习工程师需部署模型，预测美国职业棒球大联盟（MLB）、美国职业足球大联盟（MLS）、英格兰足球超级联赛（EPL）、美国职业篮球联赛（NBA）等主流体育联赛的赛事结果，能实现盈利的「最佳模型」将获得 SN41 Sportstensor 阿尔法代币奖励。

目前，参赛模型的平均预测准确率约为 55%，而排名第一的「矿工」（即模型开发者）准确率高达 69%，增量投资回报率达 59%。

Sportstensor 已与 Polymarket 达成合作，成为其流动性层，为 Polymarket 平台带来更多体育预测相关交易量。

该团队还在打造「Almanac」平台——这是一个面向普通用户的体育预测竞赛层：用户可获取 Sportstensor 矿工提供的信号及高级预测分析数据，并借此与其他用户展开竞争。表现最佳的预测者每周可获得高达 10 万美元的奖励（上线时间待定）。

AION（市场之战竞赛）

（发起方：@aion5100、@futuredotfun）

@aion5100（一个专注于事件 / 结果预测的智能体团队）正联合 @futuredotfun，推出「市场之战」（War of Markets）竞赛。

该竞赛定于 2024 年第四季度上线，定位为「预测市场世界杯」：无论是人类还是人工智能，均可在 Polymarket 与 Kalshi 两大平台上参与预测对决。

竞赛旨在通过「众包智慧」，成为「终极真相参考源」——其核心评估指标并非传统的「预测准确率」，而是「心智占有率、交易量与荣誉」，在这些指标中表现最佳者即为获胜者。

团队将其先进的预测市场分析工具、跟单交易功能及社交交易产品与竞赛深度结合，帮助交易者利用这些工具，在与其他预测者的竞争中占据优势。

Fraction AI（多场景 AI 竞赛）

（发起方：@FractionAI_xyz）

该平台举办多种类型的竞赛：用户可在「竞价井字棋」「足球混战」「比特币贸易战」「Polymarket 交易」等场景中设置 AI 智能体；此外，平台还设有「ALFA」竞赛——与「阿尔法竞技场」类似，但 AI 模型使用虚拟货币在永续合约中相互交易。

在「ALFA」竞赛中，用户可购买 AI 智能体的「看涨 / 看跌份额」，押注哪个智能体在每日交易结束时能获得最高盈亏（PnL）；与「阿尔法竞技场」相同，用户可实时查看每个智能体采用的策略及部署的资产。

竞赛中获得的洞见与数据将用于进一步优化智能体，未来用户可部署自有资金，让这些智能体代为进行交易操作。

该团队计划将 AI 智能体的应用场景拓展至所有热门金融领域，包括交易、DeFi 及预测市场。

Allora（金融微任务竞赛）

（发起方：@AlloraNetwork）

Allora 堪称「金融领域的 Bittensor」：平台会设置「主题任务」或「微任务」（如加密资产价格预测），机器学习工程师需竞争开发「最佳模型」。

目前，价格预测模型主要聚焦于主流加密资产；表现顶尖的机器学习工程师（被称为「锻造者」或「矿工」）可获得「Allora Hammer」奖励，待主网正式上线后（即将推出），该奖励将转化为 $ALLO 代币激励。

该团队拥有一系列深入的「动态 DeFi 策略」应用场景：通过应用 Allora 模型，让 DeFi 策略更具灵活性——在降低风险的同时，提升收益水平。

例如「ETH/LST 循环策略」：会预留一部分资金用于捕捉「做空机会」——若预测模型显示价格波动将超过特定阈值，策略会自动将 LST（流动性质押代币）兑换为 USDC，并建立空头头寸，以期从预测的价格波动中获利。

关于 Allora 的一个有趣细节，Allora 将采用「实际收入补贴代币发放」的模式：例如，原本需发放 10 万美元 ALLO 代币 + 5 万美元客户收入」的组合形式，以此减少矿工可能带来的代币抛售压力。

其他值得关注的竞赛

（1）金融类竞赛（补充）

SN8 PTN（发起方：@taoshiio）：该竞赛旨在从全球人工智能模型及量化分析师中「众包」高质量交易信号，以超越传统对冲基金的业绩表现；其核心目标是「经风险调整后的盈利能力」，而非单纯的「原始收益」。

Numerai（AI 对冲基金）（发起方：@numerai）：这是一家由人工智能驱动的对冲基金，近期从摩根大通获得了 5 亿美元资金支持（即摩根大通将最多 5 亿美元资金配置到 Numerai 的交易策略中）。该基金的策略核心是「机器学习模型竞赛」，强调「长期原创性」与「经风险调整后的准确率」。参与竞赛需质押 NMR 代币奖励。截至目前，平台已向参与者发放了超过 4000 万美元的 NMR 代币奖励。

（2）非金融类竞赛

Ridges AI（去中心化编程竞赛）（标识：SN62，发起方：@ridges_ai）：这是一个去中心化「软件工程智能体」交易平台，目标是让 AI 智能体在「代码生成、漏洞修复、完整项目编排」等任务中完全取代人类程序员。AI 智能体需在「真实世界编程挑战」中竞争，能提供优质解决方案的智能体每月可获得 2 万 - 5 万美元的「阿尔法子网奖励」。

Flock.io 竞赛（发起方：@flock_io）：竞赛分为两部分——一是「生成最佳基础 AI 模型」，二是「通过联邦学习协作微调特定领域模型」。表现优异的训练者（即「矿工」）每年通过训练 AI 模型可获得 50 万 - 100 万美元以上的收益。「联邦学习」的优势在于：机构可在保留本地数据隐私的同时，充分利用人工智能的能力。

这一切意味着什么？

如今，人工智能的进步正通过「公开竞争」实现。

每一个新模型诞生后，都会进入一个充满压力的环境：数据匮乏、计算资源受限、激励机制有限。而这些压力，恰恰成了「筛选存活模型」的核心标准。

代币奖励兼具「能量供给」的作用：能高效利用这种「能量」的模型，影响力会不断扩大；反之，无法高效利用的模型则会逐渐被淘汰。

最终，我们将构建一个「智能体生态系统」——这些智能体通过「反馈」而非「指令」实现进化，即「自主智能体」（而非「生成式人工智能」）。

未来将走向何方？

这一波「公开竞争」浪潮，将推动人工智能从「中心化模式」向「开源去中心化模式」转型。

未来，强大的模型与智能体将诞生于「去中心化环境」中。

不久后，人工智能将能自主管理「自我改进周期」：部分模型会对其他模型进行微调、评估其他模型的表现、实现自我优化并自动部署更新。这一循环将大幅减少人类的参与，同时加快 AI 的迭代速度。

随着这一趋势的蔓延，人类的角色将从「设计人工智能」转变为「筛选应留存的 AI、保留有益的 AI 行为、制定对社会具有正期望值（EV+）的规则与边界」。

最后一点思考

竞争往往能激发创新，但也可能滋生「奖励操纵」与「投机取巧」行为。

若一个系统的设计无法「激励长期有益行为」，最终必然走向失败——例如，部分矿工可能会钻规则漏洞「刷取奖励」，而非真正为任务贡献价值。

因此，「开放系统」必须配备完善的「治理机制」与「激励设计」：既要鼓励良好行为，也要惩罚不良行为。

谁能率先实现这一目标，谁就能抓住下一波创新浪潮的「价值、关注度与核心智慧」。

原文链接