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：
$ N4 [6 Y: }. }- j  q% z6 x% \  ^
8 V6 x6 k* z- ~· 食物与领地
· 配偶 / 伴侣
1 d* i: D" v; f0 {3 ^· 部落或社会中的地位
& ?$ n7 v4 s+ V% ^$ t5 a0 e0 r- z2 p· 联盟与合作机会

, c: d1 z3 H( N5 [+ H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」。
) S7 D# G2 h6 n8 X5 i* O( c( ~
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）。

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。
1 w+ S5 o7 O- r0 W
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。
9 m5 F* s0 N$ [1 k% {
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。

0 @( Y5 s$ p/ E- g9 ~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」。
: n1 c' I  e+ n4 ^8 J% u6 D9 H
, K5 ^) @! t  F1 J/ ]& uAlphaGo 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；
5 t3 c( ]! e, a& u$ W; i
% I, J3 p& `3 T( `3 r9 S7 B0 K· 表现最强的模型变体得以留存并「繁衍」（即优化迭代）；
* U  G* b# B& X; z4 `! E! c" ]# t
· 弱势策略则被淘汰。

2 [; t5 {( y( r8 s& m) {2 P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。
7 c' R8 \' q5 l' F; A' c8 ^% v
+ o8 @+ Z; h* R6 f2 ?% n3 {9 P! |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。
6 r2 ^# H$ ^/ e2 b+ H- q+ G% t
加密领域中的达尔文式 AI
5 e  p4 e3 a" o' DNof1 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？」

4 R9 N3 N# O6 _) d8 T( u+ m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」。

, c+ h0 i  w) t9 X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 L5 q7 P) `7 P1 o$ T
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）
1 d  r) M! s7 O- t+ w7 X; {; o（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）。

% h9 b/ h, S$ u" Y: g「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。

8 @$ ]4 `! w- L' k/ c' a  w8 F
0 L- e" |$ D7 V+ d「我们在 Polymarket 平台的交易最新进展：

・本金：3000 美元
" s& {6 v- j7 X/ z' h& d
, d" w6 z- z7 i$ J' I7 G6 z% H・利润：5521 美元

・投资回报率（ROI）：184%

, {7 N( o0 u4 m0 q& f! Q6 i・年化收益率（APY）：3951%
( f( y. ?: u9 Q9 I
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。」
5 P. _8 `% p, E( L% e
: @, I) \0 L) k) H/ ?. bSportstensor（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。

% r7 h2 ~3 m1 ~7 ~
* f9 D6 }# M) i( T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%。

5 P+ b( q0 _- M) WSportstensor 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。
" H$ Z0 R) O. J
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）。
9 i3 c& N+ @% N  T% C+ m3 b
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。
  V! K1 J- M& Z
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。
: \1 I8 f/ {- c5 e' P
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。

% v6 c) \. p8 ~) F: m1 x: |! J5 s6 NFraction AI（多场景 AI 竞赛）
, I- c/ I1 g+ _4 }* Q. S/ Z% Z（发起方：@FractionAI_xyz）

% ^) O6 w( `* S8 {" Q  z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。

6 `4 w3 H: @, b  Z: ~9 U2 e$ L# r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。
6 U$ w+ b8 x0 T$ k# l3 ?7 b3 e0 f
* K. ]- W) Y' A- Q8 C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。
6 V: b1 A2 L2 |& u
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。
5 ?0 Y4 T4 {* ]) V; D3 ~5 S" d' ^; N, n9 U
4 t* W1 z( y' {" k8 c& Z: H# TAllora（金融微任务竞赛）
% ~+ e% w  Y& _; ~" Y) N% X. n（发起方：@AlloraNetwork）
/ @3 {; {: P/ ]5 C1 @, D  R8 z. W1 v
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」。

! V: f% W' H% U' C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。

1 j2 M% I0 {7 v, \$ v3 d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。

; t5 d+ ?& t. a- G3 }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。
& d: |$ J& O2 {- m, |8 F
8 p* E: F/ T* y& X/ R0 [4 M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。

6 L0 n" O+ K5 u9 ?- P$ C. Q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」。
9 r) O  Q3 N: u6 r7 C
* T9 C. o8 o' Y; O2 ZNumerai（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。

& K, I$ [( Q% I9 K; U- U  z（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」。
' {  o" S, w# _6 E7 F( R3 m! Q
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。
6 s. |" o0 O: [! \& C# K
; G, m9 _! a5 f, D, ]" r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。
/ ~, f& j1 g7 i
. z: E6 w% H* u' }$ U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。

8 \1 Z9 b( K  x6 z6 K; j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。
- N0 P5 J* p3 _; j, j3 H  v5 M
7 P4 p) |! \% b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」。

- ?! k9 f2 y% Z9 y: Q% Z) ~$ [% x* y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。

7 x$ y2 ]3 _$ C# ]1 H' d( c2 I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。
0 q4 Y8 C7 H6 A' A. R
- }: z4 Q$ y; {3 H/ E& m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」。

" Z) J' R2 ?1 m. d4 j: {* B" i, d




$ T+ d( }, |) r6 F) T3 s" z
; p+ u7 C: ~6 Z) U  S& b
( Z# d! f/ X% _

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。