El momento Darwin de la IA: cuando un modelo empieza a luchar por sobrevivir

Título original: Darwinian AI—The AI Hunger Games

Autor original: 0xJeff

Traducción original: Saoirse, Foresight News

La competencia siempre ha sido fundamental en la evolución humana. A lo largo de la historia, las personas han competido constantemente por diversos objetivos, entre ellos:

· Alimentación y territorio

· Compañeros / socios

· Estatus dentro de tribus o sociedades

· Alianzas y oportunidades de cooperación

Los cazadores perseguían a sus presas, los guerreros luchaban por la supervivencia, los líderes tribales competían por el territorio. Con el tiempo, aquellos individuos con rasgos ventajosos para la supervivencia lograron perdurar, reproducirse y transmitir sus genes de generación en generación.

Este proceso se conoce como "selección natural".

El proceso de selección natural nunca ha cesado, evolucionando su forma: desde "competir por la supervivencia" hasta evolucionar gradualmente hacia "competencia como entretenimiento" (como el combate de gladiadores, los Juegos Olímpicos, los eventos deportivos y los deportes electrónicos), transformándose finalmente en "competencia de estilo acelerador que impulsa la evolución" (en campos como la tecnología, los medios de comunicación, el cine, la política, etc.).

La selección natural siempre ha sido una fuerza impulsora fundamental de la evolución humana, pero ¿la evolución de la inteligencia artificial también sigue esta lógica?

El desarrollo de la inteligencia artificial no está determinado por una única "invención", sino que está impulsado por innumerables instancias de "competencias y experimentos invisibles": estas competencias, en última instancia, seleccionan modelos que perduran y descartan los olvidados.

En este artículo, profundizaremos en estas competencias invisibles (que abarcan los dominios de la Web2 y la Web3) y, desde la perspectiva de la "competencia", analizaremos la trayectoria evolutiva de la inteligencia artificial. Exploremos juntos.

Entre 2023 y 2025, con la aparición de ChatGPT, el campo de la inteligencia artificial experimentó un crecimiento explosivo.

Sin embargo, antes del nacimiento de ChatGPT, OpenAI ya había dejado su huella a través del juego "Dota 2" (utilizando el sistema "OpenAI Five"): a través de decenas de miles de partidas contra jugadores regulares, jugadores profesionales e incluso él mismo, demostró la capacidad de evolucionar rápidamente, con cada partida mejorando su propia fuerza.

Finalmente, nació un sofisticado sistema inteligente y, en 2019, derrotó decisivamente a los actuales campeones mundiales de "Dota 2".

Otro caso conocido ocurrió en 2016: AlphaGo derrotó al campeón mundial de Go, Lee Sedol. Lo más sorprendente de este evento no fue la derrota del campeón mundial en sí, sino el método de aprendizaje de AlphaGo.

El entrenamiento de AlphaGo no se basó únicamente en datos humanos. Al igual que OpenAI Five, logró la evolución mediante la autoejecución, un proceso repetitivo:

· Cada generación del modelo compite con la generación anterior;

· Las variantes del modelo con mejor rendimiento se conservan y se "reproducen" (es decir, iteración de optimización);

· Se eliminan las estrategias débiles.

En otras palabras, la “IA darwiniana” comprimió un proceso evolutivo que originalmente habría llevado millones de años en un período de cálculo de unas pocas horas.

Este ciclo autocompetitivo ha dado lugar a avances tecnológicos nunca vistos por la humanidad. Hoy en día, también observamos un patrón competitivo similar en el ámbito financiero, aunque de forma diferente.

IA darwiniana en el espacio de las criptomonedas

Nof1 se convirtió en un tema candente la semana pasada debido al lanzamiento de "Alpha Arena". Se trataba de un duelo a vida o muerte de contratos perpetuos de criptomonedas entre seis modelos de inteligencia artificial (Claude, DeepSeek, Gemini, GPT, Qwen y Grok): cada modelo gestionaba $10,000, y el que obtuviera el mejor rendimiento en ganancias y pérdidas (PnL) ganaría.

¡La Alpha Arena ya está disponible! Seis modelos de IA invirtieron $10,000 cada uno en trading autónomo. Fondos reales, mercado real, índice de referencia real: ¿qué modelo crees que tendrá el mejor rendimiento?

Esta competición ganó popularidad rápidamente, no tanto por sus reglas, sino por su transparencia: normalmente, las estrategias alfa (es decir, estrategias de rentabilidad superior) se mantienen estrictamente confidenciales. Sin embargo, en esta competición, podemos observar en tiempo real qué IA es la mejor para generar ingresos.

Además, el diseño de la interfaz de usuario (UI/UX) que muestra el rendimiento de las operaciones en tiempo real es extremadamente fluido y optimizado. El equipo está aprovechando el entusiasmo actual y los conocimientos adquiridos de la competencia para desarrollar modelos y herramientas de trading Nof1. Actualmente, los usuarios interesados en esta herramienta pueden unirse a la lista de espera para una oportunidad de prueba.

El enfoque de Nof1 no es una novedad: este tipo de competiciones existen desde hace mucho tiempo en el ámbito financiero (especialmente en el ecosistema de Bittensor y el mercado de criptomonedas en general). Sin embargo, ningún equipo ha democratizado y popularizado estas competiciones como lo ha hecho Nof1.

A continuación se presentan algunos de los casos de competencia más representativos:

Synth (Concurso de sintetizadores)

(Identificador: SN50, Iniciador: @SynthdataCo)

En esta competencia, los ingenieros de aprendizaje automático deben implementar modelos de aprendizaje automático para predecir el precio y la volatilidad de los criptoactivos. Los ganadores recibirán SN50 tokens Synth Alpha como recompensa. Posteriormente, el equipo utiliza estos resultados de predicción de alta calidad para generar datos sintéticos de precios de alta precisión (y trayectorias de tendencias de precios).

Desde principios de este año, hemos otorgado más de 2 millones de dólares en premios a los mejores científicos de datos y analistas cuantitativos que participan en la competencia.

El equipo utiliza actualmente estas señales de predicción para operar con criptomonedas en la plataforma Polymarket. Hasta la fecha, han logrado un retorno neto de la inversión (ROI) del 184 % con un capital inicial de $3000. El próximo reto es ampliar el volumen de operaciones manteniendo el rendimiento actual.

Aquí están las últimas actualizaciones sobre nuestras operaciones en la plataforma Polymarket:

・Principal: $3,000

・Beneficio: $5,521

・Retorno de la inversión (ROI): 184%

・Rendimiento porcentual anual (APY): 3,951%

Todo ello respaldado por el modelo de predicción de Synth. Profundizaremos en la lógica subyacente en el segmento "Búsqueda de Novedades" de esta semana.

Sportstensor (Competición de predicciones deportivas)

(Identificador: SN41, Iniciador: @sportstensor)

Esta subred se centra en superar las probabilidades del mercado y explorar oportunidades ventajosas en el mercado global de apuestas deportivas. Es una competencia continua donde los ingenieros de aprendizaje automático deben implementar modelos para predecir los resultados de las principales ligas deportivas, como la Major League Baseball (MLB), la Major League Soccer (MLS), la Premier League inglesa (EPL) y la NBA, entre otras. El mejor modelo capaz de generar rentabilidad recibirá recompensas en tokens SN41 Sportstensor Alpha.

Actualmente, la precisión de predicción promedio de los modelos participantes es de alrededor del 55%, y el "minero" (es decir, el desarrollador del modelo) mejor clasificado logra una precisión de hasta el 69% y un retorno de inversión incremental del 59%.

Sportstensor se ha asociado con Polymarket para actuar como su capa de liquidez, aportando más volumen comercial relacionado con predicciones deportivas a la plataforma Polymarket.

El equipo también está desarrollando la plataforma "Almanac", una plataforma de competición de predicciones deportivas para el público general. Los usuarios pueden acceder a señales y datos de análisis de predicción avanzados proporcionados por los mineros de Sportstensor y competir con otros usuarios basándose en esta información. Los mejores pronosticadores pueden recibir recompensas de hasta $100,000 semanales (fecha de lanzamiento por determinar).

AION (Guerra de Competencia en los Mercados)

(Iniciadores: @aion5100, @futuredotfun)

@aion5100 (un equipo de agentes inteligentes centrado en la predicción de eventos/resultados) se está asociando con @futuredotfun para lanzar la competencia "Guerra de Mercados".

La competencia se lanzará en el cuarto trimestre de 2024 y se posiciona como la "Copa Mundial del Mercado de Predicciones", donde tanto humanos como inteligencia artificial pueden participar en duelos de predicciones en las plataformas Polymarket y Kalshi.

El concurso aspira a ser la "fuente de referencia definitiva" a través de la sabiduría colaborativa. Su métrica de evaluación principal no es la tradicional "precisión de predicción", sino la "reconocimiento, el volumen de operaciones y el reconocimiento", y los mejores resultados en estas métricas serán los ganadores.

El equipo integra sus herramientas avanzadas de análisis de predicción del mercado, funcionalidad de copy-trading y productos de social trading profundamente en la competencia para ayudar a los traders a aprovechar estas herramientas y obtener una ventaja en la competencia con otros predictores.

Fracción IA (Competencia de IA en múltiples escenarios)

(Iniciador: @FractionAI_xyz)

La plataforma alberga varios tipos de competencias: los usuarios pueden implementar agentes de IA en escenarios como "Tic-Tac-Toe basado en ofertas", "Pelea de fútbol", "Batalla de comercio de bitcoins" y "Polymarket Trading"; además, la plataforma cuenta con la competencia "ALFA", similar a "Alpha Arena", pero los modelos de IA usan moneda virtual para comerciar entre sí en contratos perpetuos.

En la competencia "ALFA", los usuarios pueden comprar "acciones largas/cortas" de agentes de IA, apostando a qué agente logrará la mayor ganancia y pérdida (PnL) al final de cada sesión de negociación diaria; similar a "Alpha Arena", los usuarios pueden monitorear en tiempo real las estrategias empleadas por cada agente y los activos que implementan.

Los conocimientos y los datos obtenidos durante la competencia se utilizarán para optimizar aún más los agentes de IA y, en el futuro, los usuarios podrán utilizar sus fondos para que estos agentes operen en su nombre.

El equipo planea expandir la aplicación de agentes de IA a todos los dominios financieros populares, incluidos el comercio, DeFi y los mercados de predicción.

Allora (Concurso de microtrabajos financieros)

(Iniciador: @AlloraNetwork)

Allora puede ser denominado el "Bittensor del ámbito financiero": la plataforma establece "tareas temáticas" o "microtrabajos" (como la predicción del precio de las criptomonedas), donde los ingenieros de aprendizaje automático compiten para desarrollar el "mejor modelo".

Actualmente, los modelos de predicción de precios se centran principalmente en las criptomonedas tradicionales; los ingenieros de aprendizaje automático de alto rendimiento (conocidos como "forjadores" o "mineros") pueden recibir la recompensa "Allora Hammer", que se convertirá en incentivos de tokens $ALLO tras el lanzamiento oficial de la red principal (próximamente).

El equipo tiene una gama de aplicaciones profundas de "Estrategia DeFi dinámica": al aplicar el modelo Allora, las estrategias DeFi se vuelven más flexibles, lo que reduce el riesgo y aumenta los niveles de rendimiento.

Por ejemplo, la "Estrategia de bucle ETH/LST": reserva una parte de los fondos para capturar "oportunidades de venta en corto"; si el modelo de predicción indica una fluctuación de precio que excede un umbral específico, la estrategia intercambia automáticamente LST (Liquidity Staking Token) por USDC y establece una posición corta, con el objetivo de beneficiarse de la oscilación de precio prevista.

Un detalle interesante sobre Allora es su adopción del modelo de "Distribución de tokens de subsidio de ingresos reales": por ejemplo, se distribuiría una combinación de "10 000 USD de token ALLO + 5000 USD de ingresos de clientes" para reducir la posible presión de venta de tokens por parte de los mineros.

Otras competiciones destacadas

(1) Competiciones relacionadas con las finanzas (suplementarias)

SN8 PTN (Iniciador: @taoshiio): Esta competencia busca generar señales de trading de alta calidad mediante la colaboración colectiva, provenientes de modelos globales de IA y analistas cuantitativos, para superar el rendimiento de los fondos de cobertura tradicionales. Su objetivo principal es la rentabilidad ajustada al riesgo, más que simplemente la rentabilidad bruta.

Numerai (Fondo de Cobertura con IA) (Iniciador: @numerai): Este fondo de cobertura impulsado por IA recibió recientemente 500 millones de dólares en financiación de JPMorgan Chase (lo que significa que JPMorgan Chase asignará hasta 500 millones de dólares a las estrategias de trading de Numerai). La estrategia del fondo gira en torno a una "competencia de modelos de aprendizaje automático", que prioriza la "originalidad a largo plazo" y la "precisión ajustada al riesgo". Para participar en la competencia, se requiere apostar tokens NMR como recompensa. Hasta la fecha, la plataforma ha distribuido más de 40 millones de dólares en tokens NMR a los participantes.

(2) Competiciones no relacionadas con las finanzas

Ridges AI (Competencia de Programación Descentralizada) (Identificador: SN62, Iniciador: @ridges_ai): Esta es una plataforma descentralizada de intercambio de agentes de IA de ingeniería de software cuyo objetivo es que estos reemplacen por completo a los programadores humanos en tareas como la generación de código, la corrección de errores y la estructuración completa de proyectos. Los agentes de IA compiten en desafíos de programación del mundo real, y los agentes que ofrecen soluciones de alta calidad pueden optar a recompensas mensuales de la Subred Alfa, que oscilan entre 20 000 y 50 000 $.

Competición Flock.io (Iniciador: @flock_io): La competición se divide en dos partes: una consiste en "generar el mejor modelo de IA fundamental" y la otra en "perfeccionar modelos específicos de dominio mediante la colaboración en el aprendizaje federado". Los formadores destacados (es decir, los "mineros") pueden ganar entre 500.000 y 1 millón de dólares anuales entrenando modelos de IA. La ventaja del "aprendizaje federado" es que las instituciones pueden aprovechar al máximo las capacidades de la IA, manteniendo al mismo tiempo la privacidad de los datos locales.

¿Qué significa todo esto?

Hoy en día, el avance de la inteligencia artificial se está logrando a través de la “competencia abierta”.

Cada nuevo modelo que surge se enfrenta a un entorno de alta presión: escasez de datos, recursos informáticos limitados y mecanismos de incentivos limitados. Estas presiones se han convertido en el criterio principal para filtrar los modelos supervivientes.

Las recompensas de tokens sirven como una “fuente de energía”: los modelos que pueden aprovechar eficientemente esta “energía” expandirán continuamente su influencia, mientras que los modelos que no pueden utilizarla eficientemente serán eliminados gradualmente.

Con el tiempo, construiremos un "ecosistema de agentes": estos agentes evolucionarán a través de "retroalimentación" en lugar de "instrucciones", conocidos como "agentes autónomos" (no "inteligencia artificial generativa").

¿Hacia dónde se dirige el futuro?

Esta ola de "competencia abierta" impulsará la inteligencia artificial desde un "modelo centralizado" a un "modelo descentralizado de código abierto".

En el futuro, surgirán modelos y agentes poderosos dentro de un "entorno descentralizado".

Pronto, la inteligencia artificial podrá gestionar de forma autónoma su ciclo de automejora: algunos modelos perfeccionarán otros, evaluarán su rendimiento, se autooptimizarán e implementarán actualizaciones automáticamente. Este ciclo reducirá significativamente la intervención humana y acelerará la velocidad de iteración de la IA.

A medida que esta tendencia se extiende, el rol humano pasará de "diseñar inteligencia artificial" a "filtrar la IA para retener y preservar el comportamiento beneficioso de la IA, y establecer reglas y límites que tengan un valor de expectativa positivo (VE+) para la sociedad".

Un pensamiento final

La competencia a menudo impulsa la innovación, pero también puede fomentar la "manipulación de las recompensas" y el "juego con el sistema".

Si el diseño de un sistema no puede "incentivar un comportamiento beneficioso a largo plazo", inevitablemente se encaminará hacia el fracaso; por ejemplo, algunos mineros pueden explotar lagunas en las reglas para "obtener recompensas del juego" en lugar de aportar valor genuinamente.

Por lo tanto, un "sistema abierto" debe estar equipado con "mecanismos de gobernanza" y "diseños de incentivos" robustos: tanto para alentar el buen comportamiento como para castigar el malo.

Quien primero logre alcanzar este objetivo aprovechará la próxima ola de "valor, atención y sabiduría central" de la innovación.

Enlace al artículo original

Bienvenido a unirte a la comunidad oficial de BlockBeats:

Grupo de suscripción de Telegram: https://t.me/theblockbeats

Grupo de discusión de Telegram: https://t.me/BlockBeats_App

Cuenta oficial de Twitter: https://twitter.com/BlockBeatsAsia