AI的达尔文时刻：当模型开始为生存而战（转）

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：

8 k+ C5 D3 x. x3 H, @/ e0 O( l· 食物与领地
· 配偶 / 伴侣
2 K2 F: R( {8 r" _8 q0 H* X5 Y· 部落或社会中的地位
· 联盟与合作机会

4 `8 ]# Z* E: O8 ^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。
1 g4 v* [. {3 H% m
7 {4 p, g  I8 n9 j7 K' W这一过程被称为「自然选择」。

6 Q% {+ n, T  t- _, @$ T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、ZZ等领域的竞争）。

5 e. P; _1 @+ o+ l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？

; P4 d, b1 g  O0 {" T" t3 i6 [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。

% S' t6 _1 u7 ?& @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。

4 v6 \3 o9 N" H6 n2023 至 2025 年间，随着 ChatGPT 的问世，人工智能领域迎来了爆发式增长。
3 p( w) m  k8 S) u- i
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。
2 X; }  E% l' f/ i* G
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。
6 P8 L* @4 o4 _
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」。
9 m! p  n) P  k
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：
' K9 u) a" _( _0 y0 \2 F( L
! P; V% q* |2 l( O' n· 每一代模型都会与上一代模型展开竞争；
( `+ E  F7 r- W  s  ~1 ^
0 \) ?9 ^) E2 E6 v· 表现最强的模型变体得以留存并「繁衍」（即优化迭代）；
* d! n1 Z# l8 T" D/ {0 w; x" [
, i# F: \! I$ V/ C' E6 U- R( x· 弱势策略则被淘汰。
/ K7 A3 x5 Y$ G
, {5 \) _) L  e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。
$ K' Q0 Q  A' w2 j+ Q. O
! b) e! k8 T4 e" |  M% {! a' e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。

: a  L. y' u% E" e7 n1 Q加密领域中的达尔文式 AI
* j3 l7 e! |( \- `9 n* {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。
" a* D$ f' ^$ g$ p+ `
; J3 S* P9 m: N9 t+ W) ^; r7 h

「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。
0 p6 M! p# @% k. }1 e  t
' P- {4 E& l% b* |3 r5 L8 pNof1 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。
2 J( _" N! N, c
- B3 ^* A/ e$ X4 Z" H1 N以下是一些最具代表性的竞赛案例
Synth（合成器竞赛）
: a) I7 D" ~6 ]（标识：SN50，发起方：@SynthdataCo）

' o- E7 k$ y% \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）。
, e0 ?0 S5 K: d3 z
「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。
# I: P- m7 \; @0 t, c2 t" B* E! h# N
" ?: H3 R0 N1 Q" o9 A  h. D! }0 @
「我们在 Polymarket 平台的交易最新进展：

・本金：3000 美元

" N: D, k3 V* y% G1 k! r+ @・利润：5521 美元

  P( [: L5 _4 K' k: @/ h・投资回报率（ROI）：184%
9 S4 H; M  f% F& |- e
& s) i# [' s- V・年化收益率（APY）：3951%
4 x! f! N9 g: S7 I
; V0 X0 G% J. S0 ]8 q5 q* Q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）
: Y, e( [4 P4 l  `/ U（标识：SN41，发起方：@sportstensor）

, }$ r' q. K' z( z, l1 ?* M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。
8 ]9 _9 c% ^7 Y) e1 _8 k" M

+ Y9 Y' X# h0 A8 j: U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%。
+ O8 x/ Z$ `0 ]0 B) o/ j* L
: s1 h, Z% q8 L7 B, Q$ YSportstensor 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。
% q7 P9 @5 E7 E; ^" L( a" j3 t
: g  y, Z8 p8 c$ o: P; [, \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）。
3 q, @8 m" f: s7 K  s' A) F' V; m; p
6 l: `# I( x  y; o  nAION（市场之战竞赛）
（发起方：@aion5100、@futuredotfun）
" t+ I, G/ ~4 F- _( c5 w
4 ]% V( N! ^* z; k4 i7 T% l. ^@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。
8 C+ T* a8 ?+ x+ I: m5 @
9 G" F, G+ I8 X6 F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。
: u# O4 V7 v! E" x) ^- a
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。
. ~; D$ _) E7 E( G1 t& o9 [% ^
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。
+ h. F+ ~: w3 V' {3 c/ S$ ?
, m+ R! g# A* p4 [5 UFraction AI（多场景 AI 竞赛）
（发起方：@FractionAI_xyz）

" x5 M/ t( l& i% g) Z% l- K* l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。

( m0 n2 i! k1 _, q. z4 L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。

& U, k/ p6 |6 [2 e# t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。
1 ?! z9 F4 u5 d8 f0 n; _) j
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）
4 ]" P2 \' O, _" p3 K( T
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」。
7 Q3 c7 k3 I! c* m
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。
9 R" @' V- J# F' [
, _% \+ N% N3 d0 N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。

- G' D' Q0 I# i% i7 U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。
" F- w7 G9 B3 ]: d* ?  i
2 B( {# j& K# |. r$ h# m  t6 w其他值得关注的竞赛
; \/ ~( {2 U' B（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。
6 o# j& L1 o+ I6 t6 Z9 o
4 I+ r- ?9 _' w' O& c（2）非金融类竞赛
$ y8 ~. G+ _( t: @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」。
" s- }0 L1 g6 [) g! U- a
0 u" @+ V1 C- _4 x2 pFlock.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。
6 X. d; e: z/ i. v- Y
这一切意味着什么？
3 j% u5 s( y* _$ a如今，人工智能的进步正通过「公开竞争」实现。

# }; ^/ d& z* m, w1 {9 e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。

5 G; e* `# k8 C/ i! _; S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」）。

% E* C+ {/ ^& L* o$ x8 j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。

) G; h5 y% r' ?- N3 ^" v: |+ v: w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。

( m4 L1 E7 ?( i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」。

- w; I, T: }8 _7 C1 q/ O最后一点思考
) _& e* U! P4 ]5 \4 G) j. _$ P, s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。
6 S4 y: ^6 `% p6 R) W# q9 k0 I
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。
. q+ w" u6 g/ c: n' w- ~
9 `# M6 N4 c7 N8 t0 X  S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」。







! _% g3 [& l% O' @! {( O# P) B5 W
2 x9 ^) ~' t% K5 E7 T+ H/ ~

模型无解模式，生存还很遥远的

足球比赛也是搞起来了，不错的坐等好结果的。

是挺好的，也是为数不多能够使用的交易平台

祝福楼主可以盈利啦，有空我要向你指点一下

还行啊，现在我也是用这个交易平台

这个也是能够看看大家推荐的交易平台了的！

足球玩的都是运气，不管心态好不好总是会能赢的。

交易平台一般肯定是会选择能够相信的啊

足球的有些玩法还是可以多看一下的。

足球专家那也就是啥子玩意的都是懂得的

看看你今天的足球赛事这次最终是不是能够成功的收米吧

这次游戏能够赢钱一天的生活费我也满足了。

这个游戏有收获还是最好的结果了呀。

这个交易平台我还实在不了解到的.

足球我只玩单场的比赛，困难的都搞不了。

这个游戏可以自己好好把握，也是很好的。