原文標題：Darwinian AI—The AI Hunger Games

原文作者：0xJeff，AI 投資人

原文編譯：Saoirse，Foresight News

競爭一直是人類進化的核心競爭。自古以來，人們就在不斷競爭，競爭的目標包括：

· 食物與領地

· 配偶 / 伴侶

· 部落或社會中的地位

· 聯盟與合作機會

。隨著時間的推移，那些擁有利於生存的優良特質的個體，最終得以存活、繁衍，並將自身基因代代相傳。

這個過程稱為「自然選擇」。

自然選擇的進程從未停止，其形態不斷演變：從「為生存而競爭」，逐步發展為「作為娛樂表演的競爭」（如角斗士競技、奧運會、體育賽事及電子競技），最終演變為「推動進化的加速器式競爭」（如角鬥士科技、媒體、電影、政治賽事等領域的競爭）。

自然選擇一直是人類演化的核心驅動力，但人工智慧的演化是否也遵循這個邏輯？

人工智慧的發展歷程，並非由某一項「單一發明」決定，而是由無數場「無形的競賽與實驗」所推動──這些競賽最終篩選出了得以留存的模型，也淘汰了被遺忘的模型。

在本文中，我們將深入探討這些無形的競賽（涵蓋 Web2 與 Web3 領域），並從「競爭」的視角，剖析人工智慧的演化脈絡。讓我們一同深入探索。

2023 至 2025 年間，隨著 ChatGPT 的問世，人工智慧領域迎來了爆發性成長。

但在 ChatGPT 誕生之前，OpenAI 就已透過《Dota 2》遊戲（借助“OpenAI Five”系統）嶄露頭角：它通過與普通玩家、職業選手乃至自身進行數萬場對戰，展現出了快速進化的能力，且每一次對戰都能讓自身實力不斷增強。

最終，一套複雜的智慧系統應運而生，並在 2019 年徹底擊敗了《Dota 2》世界冠軍戰隊。

另一樁廣為人知的案例發生在 2016 年：AlphaGo 擊敗了世界圍棋冠軍李世石。此事最令人驚嘆的並非「擊敗世界冠軍」這一結果，而是 AlphaGo 的「學習方式」。

AlphaGo 的訓練並非只依賴人類資料。與 OpenAI Five 類似，它透過「自我對弈」來實現演化－這是一個循環往復的過程：

· 每一世代模型都會與上一代模型展開競爭；

· 表現最強的模型變體被留存策略（p.>

·

也就是說，「達爾文式人工智慧」將原本需要數百萬年的進化過程，壓縮到了數小時的計算週期內。

這種「自我競爭循環」催生了人類從未見過的技術突破。現今，我們在金融領域的應用場景中，也看到了類似的競爭模式，只是形態有所不同。

加密領域中的達爾文式 AI

Nof1 上週因推出「阿爾法競技場」（Alpha Arena）成為熱門話題。這是由 6 個人工智慧模型（Claude、DeepSeek、Gemini、GPT、Qwen、Grok）參與的「加密永續合約生死對決」：每個模型各自管理 1 萬美元資金，最終盈虧（PnL）表現最佳者獲勝。

「阿爾法競技場已正式上線！6 個人工智慧模型各投入 1萬美元，全程自主交易。

此外，展示即時交易表現的使用者介面（UI/UX）設計極為流暢且經過最佳化。團隊正藉助目前的熱度及競賽中獲得的洞見與經驗，開發 Nof1 模型及交易工具；目前，對該工具感興趣的用戶可加入候補名單，等待試用機會。

Nof1 的做法並非首創－金融領域的競賽早已有之（尤其是在 Bittensor 生態系統及更廣泛的加密貨幣市場中），但此前從未有任何團隊能像 Nof1 這樣，將此類競賽公開化、大眾化。

以下是一些最具代表性的競賽案例

Synth（合成器競賽）

（識別：SN50，發起方：@SynthdataCo）

在該競賽中，機器學習工程師需部署機器學習模型，預測加密資產的價格及波動性，得獎者可獲得SN50 Synth 阿爾法代幣獎勵。隨後，團隊會利用這些高品質的預測結果，產生高精度的「合成價格資料」（及價格走勢路徑）。

「自今年早些時候以來，我們已向參與競賽的頂尖資料科學家及量化分析師發放了超過 200 萬美元的獎勵。」

預交易目標3000 美元的初始資金，實現了 184% 的淨投資回報率（ROI）。接下來的挑戰是，在維持目前績效水準的同時，擴大交易規模。

「我們在 Polymarket 平台的交易最新進展：

・本金：3000 美元

・本金：3000 美元

<6p>美元

・投資回報率（ROI）：184%

・年化收益率（APY）：3951%

這一切均由《Novelty Synth 的預測模型提供《Novelty Synth》我們將在本週的預測模型提供《Novelty Synth》我們將在本週的預測模型提供。 Search》欄位中詳細解析背後邏輯。這是一場持續性競賽：機器學習工程師需部署模型，預測美國職棒大聯盟（MLB）、美國職業足球大聯盟（MLS）、英格蘭足球超級聯賽（EPL）、美國職業籃球聯賽（NBA）等主流體育聯賽的賽事結果，能實現盈利的“最佳模型”將獲得 SN41 Sportstensor 阿爾法代幣獎勵。

目前，參賽模型的平均預測準確率約為 55%，而排名第一的「礦工」（即模型開發者）準確率高達 69%，增量投資報酬率達 59%。

Sportstensor 已與 Polymarket 達成合作，成為其流動性層，為 Polymarket 平台帶來更多體育預測相關交易量。

團隊也正在打造「Almanac」平台－這是一個針對一般使用者的體育預測競賽層：使用者可取得 Sportstensor 礦工提供的訊號及高級預測資料，並藉此一併與其他使用者展開競爭。表現最佳的預測者每周可獲得高達 10 萬美元的獎勵（上線時間待定）。

AION（市場之戰競賽）

（發起方：@aion5100、@futuredotfun）

@aion5100（一個專注於事件 /市場聯合市場預測之類的智能運動 @Pture， Markets）競賽。

競賽定於 2024 年第四季上線，定位為「預測市場世界盃」：無論是人類或人工智慧，均可在 Polymarket 與 Kalshi 兩大平台上參與預測對決。

競賽旨在透過「眾包智慧」，成為「終極真相參考來源」－其核心評估指標並非傳統的「預測準確率」，而是「心智佔有率、這些量為有率」－其核心評估指標並非傳統的「預測準確率」，而是「心智佔有率、這些量為有率。

團隊將其先進的預測市場分析工具、跟單交易功能及社交交易產品與競賽深度結合，幫助交易者利用這些工具，在與其他預測者的競爭中佔據優勢。

Fraction AI（多場景 AI 競賽）

（發起人：@FractionAI_xyz）

該平台舉辦多種類型的競賽：用戶可在「競價井字棋」「足球混戰」「比特幣貿易戰」「Polymarket 交易」等場景中設定 AI 智能體；此外，平台還設有「ALFA」競賽－與「阿爾法競技場」類似，但 AI 模型使用虛擬貨幣在永續合約中相互交易。

在「ALFA」競賽中，使用者可購買 AI 智能體的「看漲 /看跌份額」，押注哪個智能體在每日交易結束時能獲得最高盈虧（PnL）；與“阿爾法競技場”相同，用戶可實時查看每個智能體採用的策略及部署的資產。

競賽中獲得的洞見與數據將用於進一步優化智能體，未來用戶可部署自有資金，讓這些智能體代為進行交易操作。

團隊計畫將 AI 智能體的應用情境拓展至所有熱門金融領域，包括交易、DeFi 及預測市場。

Allora（金融微任務競賽）

（發起人：@AlloraNetwork）

Allora 堪稱「金融領域的 Bittensor」：平台會設定「主題任務」或「微任務」）。

目前，價格預測模型主要聚焦於主流加密資產；表現頂尖的機器學習工程師（稱為「鍛造者」或「礦工交易」）可待上「Allora Hammer」）獲得「Allora Hammer」將獲得「Allora Hammer」。

團隊擁有一系列深入的「動態 DeFi 策略」應用情境：透過應用 Allora 模型，讓 DeFi 策略更具彈性－在降低風險的同時，提升效益水準。

例如「ETH/LST 循環策略」：會預留一部分資金用於捕捉「做空機會」－若預測模型顯示價格波動將超過特定門檻，策略會自動將 LST（流動性質押代幣）兌換為 USDC，並建立空頭寸，以期從預測的波動中獲利。

關於 Allora 的一個有趣細節，Allora 將採用「實際收入補貼代幣發放」的模式：例如，原本需發放 10 萬美元 ALLO 代幣 + 5 萬美元客戶收入」的組合形式，以此減少礦工可能帶來的代幣拋售壓力。

其他值得關注的競賽

（1）金融類競賽（補充）

SN8 PTN（發起人：@taoshiio）：此競賽旨在從全球人工智慧模型及量化分析師中「眾包」高品質交易訊號，以超越傳統對沖基金的業績表現；其核心目標是「經風險調整後的獲利能力」，而非單純的「原始收益」。

Numerai（AI 對沖基金）（發起人：@numerai）：這是一家由人工智慧驅動的對沖基金，近期從摩根大通獲得了 5 億美元資金支持（即摩根大通將最多 5 億美元資金配置到 Numerai 的交易策略中）。該基金的策略核心是「機器學習模式競賽」，強調「長期原創性」與「經風險調整後的準確率」。參與競賽需質押 NMR 代幣獎勵。截至目前，該平台已向參與者發放了超過 4000 萬美元的 NMR 代幣獎勵。

（2）非金融類競賽

Ridges AI（去中心化程式設計競賽）（識別：SN62，發起人：@ridges_ai）：這是一個去中心化「軟體工程智能體」交易平台，發起人：@ridges_ai）：這是一個去中心化「軟體工程智能體」交易平台，讓 AI 工作程式設定為「任務」等專案。 AI 智能體需在「真實世界編程挑戰」中競爭，能提供優質解決方案的智能體每月可獲得 2 萬 - 5 萬美元的「阿爾法子網獎勵」。

Flock.io 競賽（發起人：@flock_io）：競賽分為兩部分－一是「產生最佳基礎 AI 模式」，二是「透過聯邦學習協作微調特定領域模式」。表現優異的訓練者（即「礦工」）每年透過訓練 AI 模型可獲得 50 萬 - 100 萬美元以上的收益。 「聯邦學習」的優點在於：機構可在保留本地資料隱私的同時，充分利用人工智慧的能力。

這一切代表什麼？

如今，人工智慧的進步正透過「公開競爭」實現。

每一個新模型誕生後，都會進入一個充滿壓力的環境：資料匱乏、運算資源受限、激勵機制有限。而這些壓力，恰恰成了「篩選存活模型」的核心標準。

代幣獎勵兼具「能量供給」的功能：能高效利用這種「能量」的模型，影響力會不斷擴大；反之，無法高效利用的模型則會逐漸被淘汰。

最終，我們將建構一個「智能體生態系」－這些智能體透過「回饋」而非「指令」來實現演化，即「自主智能體」（而非「生成式人工智慧」）。

未來將走向何方？

這一波「公開競爭」浪潮，將推動人工智慧從「中心化模式」轉型為「開源去中心化模式」。

未來，強大的模型與智能體將誕生於「去中心化環境」。

不久後，人工智慧將能自主管理「自我改進週期」：部分模型會對其他模型進行微調、評估其他模型的表現、實現自我最佳化並自動部署更新。這個循環將大幅減少人類的參與，同時加快 AI 的迭代速度。

隨著這一趨勢的蔓延，人類的角色將從「設計人工智慧」轉變為「篩選應留存的 AI、保留有益的 AI 行為、制定對社會具有正期望值（EV+）的規則與邊界」。

最後一點思考

競爭往往能激發創新，但也可能滋生「獎勵操縱」與「投機取巧」行為。

若一個系統的設計無法「激勵長期有益行為」，最終必然走向失敗－－例如，部分礦工可能會鑽規則漏洞「刷取獎勵」，而非真正為任務貢獻價值。

因此，「開放系統」必須配備完善的「治理機制」與「激勵設計」：既鼓勵良好行為，也要懲罰不良行為。

誰能率先實現這一目標，誰能抓住下一波創新浪潮的「價值、關注與核心智慧」。

原文連結

歡迎加入律動 BlockBeats 官方社群：

Telegram 訂閱群：https://t.me/theblockbeats

Telegram 交流群：https://t.me/BlockBeats_App

Twitter 官方帳號：https://twitter.com/BlockBeatsAsia