原文作者：0xJeff

原文編譯：Saoirse，Foresight News

競爭一直是人類演化的核心。自古以來，人們就不斷競爭，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

獵人追捕獵物，戰士為生存而戰，部落首領爭奪領地。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。

這個過程被稱為「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」（如角鬥士競技、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」（如科技、媒體、電影、政治等領域的競爭）。

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炸性成長。

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：它透過與一般玩家、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」實現演化—— 這是一個循環往復的過程：

• 每一代模型都會與上一代模式競爭；
• 表現最強的模型變體得以留存並「繁衍」（即最佳化迭代）；
• 弱勢策略則被淘汰。

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，壓縮到了數小時的運算週期內。

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。這是一場由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。真實資金、真實市場、真實基準—— 你更看好哪一個模型？」

這場競賽迅速走紅，核心原因並非其規則設置，而是其「開放性」：通常情況下，「阿爾法策略」（Alpha，即超額收益策略）會被嚴格保密，但在這場競賽中，我們能實時見證「哪個人工智慧最擅長賺錢」。

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）

（標識：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）。

「自今年稍早以來，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。」

該團隊正利用這些預測訊號在Polymarket 平台進行加密貨幣交易：截至目前，他們以3000 美元的初始資金，實現了184% 的淨投資報酬率（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

・利潤：5521 美元

・投資報酬率（ROI）：184%

・年化報酬率（APY）：3951%

這一切均由Synth 的預測模型提供支援。我們將在本週的《Novelty Search》專欄中詳細解析背後邏輯。 」

Sportstensor（運動預測競賽）

（標識：SN41，發起方：@sportstensor）

這是一個專注於「擊敗市場賠率」的子網，旨在挖掘全球體育博彩市場中的「優勢機會」。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運動預測競賽層：使用者可取得Sportstensor 礦工提供的訊號及進階預測分析數據，並藉此與其他使用者競爭。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/ 結果預測的智能體團隊）正聯合@futuredotfun，推出“市場之戰”（War of Markets）競賽。

該競賽定於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、交易量與榮譽」，在這些指標中表現最佳者即為獲勝者。

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）

（發起方：@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，用戶可購買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。

該團隊計劃將AI 智能體的應用場景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）

（發起方：@AlloraNetwork）

Allora 堪稱「金融領域的Bittensor」：平台會設定「主題任務」或「微任務」（如加密資產價格預測），機器學習工程師需競爭開發「最佳模型」。

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」）可獲得「Allora Hammer」獎勵，待主網正式上線後（即將推出），該獎勵將轉化為$ALLO 代幣激勵。

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 策略更具靈活性－ 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，並建立空頭頭寸，以期從預測的價格波動中獲利。

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）：這是一個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）（標誌：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，目標是讓AI 智能體在「程式碼產生、漏洞修復、完整專案編排」等任務中完全取代人類程式設計師。 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：@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。

這一切意味著什麼？

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「智能體生態系統」－ 這些智能體透過「回饋」而非「指令」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，但也可能滋長「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。

誰能率先實現這個目標，誰就能抓住下一波創新浪潮的「價值、關注與核心智慧」。