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：
· 食物与领地
· 配偶 / 伴侣
· 部落或社会中的地位
· 联盟与合作机会
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。
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、政治等领域的竞争）。
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。
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。
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。
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。
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；
· 表现最强的模型变体得以留存并繁衍（即优化迭代）；
· 弱势策略则被淘汰。
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。
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。
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。
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。
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。
（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）。
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。
我们在 Polymarket 平台的交易最新进展：
・本金：3000 美元
・利润：5521 美元
・投资回报率（ROI）：184%
・年化收益率（APY）：3951%
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。
（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。
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%。
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。
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）。
（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。
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。
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。
（发起方：@FractionAI_xyz）
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。
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。
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。
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。
（发起方：@AlloraNetwork）
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。
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。
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。
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。
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。
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。
如今，人工智能的进步正通过公开竞争实现。
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）。
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。
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。
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。
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。
