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：
2 }% r- k% l/ }& H: L2 P0 I
· 食物与领地
+ }6 U6 O9 X% P' |- E: w" \5 p· 配偶 / 伴侣
· 部落或社会中的地位
2 d( v8 u8 E+ C5 s2 U· 联盟与合作机会

# `' I# E# e4 ^6 T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 q: M: H4 E9 Y" e
这一过程被称为「自然选择」。

% s% E2 y) u& |. K' d( D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）。
% w2 i; R( ^* ~  X/ x
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？
+ R6 M9 M( E+ ~8 L% W4 T0 A9 A& H$ {; |
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。
+ B% l" R  N! m) q" _4 C
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。
  W2 Q) I$ H0 [8 }) p4 ^9 j$ f5 C
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。
; ?% f* o% v3 ?7 G+ c2 n
8 T. ]$ u8 j2 [0 I; p3 \) d% Z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。
% N* h0 n; v. y1 \
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。
5 n7 w+ W9 t' B. ]6 M
( G, {, @& c  b0 e. c) h: `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」。
8 P3 y# D  g( _  n
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；

9 h. A, ]1 v- \, J2 j! ~. O9 ~0 w' ]· 表现最强的模型变体得以留存并「繁衍」（即优化迭代）；

9 y8 ]4 @  a* e! v5 L3 l& b· 弱势策略则被淘汰。

3 O4 }7 g1 t# p: D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。
2 X& ~* t! h) h. O
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。
* d' Q& y0 C' @2 R) f

8 v* e; `: q7 G

「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？」

% Y- `, h, K: G8 C8 O% B% V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」。
4 k( L: ]/ I% y. u- |
6 m" _  z2 i0 V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。
! Z' A8 S0 g. o& @5 u7 [
* k9 l' S. S& R0 R. G+ |% u3 r以下是一些最具代表性的竞赛案例
. b  L" M8 c% F) CSynth（合成器竞赛）
% U0 b8 q% l* a1 I$ P& B0 b' y（标识：SN50，发起方：@SynthdataCo）
, x) \( @3 W0 R2 F% ?+ o
4 o, @1 x" |, b3 E) D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）。

( I/ V# C2 B2 |: |$ f4 y4 P「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。」
8 p* r  L* K& P1 K7 P  N+ X
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。
, Q! c1 A" Q9 }

! ?; j9 t; n- O6 b" ~. P) J) V「我们在 Polymarket 平台的交易最新进展：
' j2 Y# o- J3 D: V- k2 A& k
・本金：3000 美元
( M0 c- ~2 N8 F. c4 Y5 k
5 K$ H' v& b% ~1 f: `・利润：5521 美元

/ Q% e" h8 b4 ]* p. f5 R% ]7 d・投资回报率（ROI）：184%

; G4 L* L6 W( g; Z7 _・年化收益率（APY）：3951%

+ m' l' d' |! G- x  F  F/ a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。」
; v* A; P& W$ T6 S# i  y
Sportstensor（体育预测竞赛）
; f: A" a) H: g; x  P（标识：SN41，发起方：@sportstensor）
( f$ T# ?) @: D9 s
8 |8 |+ e; l) g; j# R& [7 E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。
. ^+ R" [! C) a
" f% Y8 S# k* h4 T' G/ g6 X% ]9 Q
2 v# I" Z/ R; ~3 \7 b7 X7 R! L) y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%。
  q3 v0 T# ]- L; Y! @& k8 M
: Z' m, v5 H# ?" `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。

! D# }  R' v7 T3 x" k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）。
8 D2 j1 ^* [7 _( ?! Y) R
AION（市场之战竞赛）
（发起方：@aion5100、@futuredotfun）
( Z( J4 \# w! z" M
5 L8 ~7 h! D* w6 X0 {@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。
6 f. `' R* N" I7 a, S
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。
; O  _% S4 `* c$ |
7 z/ T* ?2 g& L3 W" Z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。

$ q( j! {, R6 \' T6 ^/ }: P: B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。
/ d! y3 l6 w! [. Z
& _3 v$ N5 [% nFraction AI（多场景 AI 竞赛）
( D, _" @& ]! L3 w0 Y（发起方：@FractionAI_xyz）
$ Z- d7 Z% m1 k2 j+ u* V1 Q
. A2 M" A+ n$ b* ]7 D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。
) f' ^/ t0 Q! h' L( U8 T
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。
+ N& W; B5 F! h$ e
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。
& Q* y) M8 q! h
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。
: o& n( u: R" Q! r. Y  i1 x
0 {9 J- w0 ]% \" j. EAllora（金融微任务竞赛）
. C/ Y: \* T) p6 V$ e7 G（发起方：@AlloraNetwork）

+ |/ i+ h0 y" [" yAllora 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」。
' j3 C5 g9 B& {! _8 u3 S% W, z! t
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。

. _7 N% q% B8 A7 s+ k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
  t6 L! U9 @" f* e（1）金融类竞赛（补充）
* F+ }) y1 D( QSN8 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 L- Y& K( g（2）非金融类竞赛
5 ?# G! l& X) w# }1 s) \9 NRidges 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」。

& f% s1 ^  _+ l. c7 _% gFlock.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。
% f! l6 V8 H0 M( ^. L! R9 ]
2 ]1 R/ ?) V" L4 v" W) I& L7 M! L% x这一切意味着什么？
: n$ l  X8 \) c4 m# Y( K4 \如今，人工智能的进步正通过「公开竞争」实现。

6 w8 I" @& c6 W" J; o5 n1 [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。
, z; T) V% D4 \) b$ L& W1 `( S6 w  _
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？
2 |& E& M" G( Z0 N3 c2 x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。
. Y- ], a  x- w5 l
未来，强大的模型与智能体将诞生于「去中心化环境」中。
2 k( j% c& U) ?# @
) Q9 O9 X- |: O% b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」。

6 l8 b) k5 k5 e7 s* @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。
$ \/ C, A9 t+ Q  `4 f1 s
- o8 e7 \. T+ P$ q  |8 y+ W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。

# s. _) S5 b. I( I4 t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」。

/ s6 \9 @8 ^: m9 t, {9 i
: B( d  ~  k3 d8 O



  u& S7 I0 b, `/ ]" P% a& v% k/ C

( n& ?2 w* l1 m0 Q6 a5 k

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。