Le moment Darwin de l'IA : quand un modèle commence à lutter pour sa survie

Titre original : Darwinian AI — The AI Hunger Games

Auteur original : 0xJeff

Traduction originale : Saoirse, Foresight News

La compétition a toujours été au cœur de l'évolution humaine. Tout au long de l'histoire, les hommes ont constamment rivalisé pour atteindre divers objectifs, notamment :

· Alimentation et territoire

· Compagnons / partenaires

· Statut au sein des tribus ou des sociétés

· Alliances et opportunités de coopération

Les chasseurs poursuivaient leurs proies, les guerriers luttaient pour leur survie, les chefs tribaux se disputaient le territoire. Au fil du temps, les individus dotés de caractéristiques de survie avantageuses ont pu perdurer, se reproduire et transmettre leurs gènes de génération en génération.

Ce processus est connu sous le nom de « sélection naturelle ».

Le processus de sélection naturelle n'a jamais cessé, évoluant dans sa forme : de la « compétition pour la survie » à l'évolution progressive vers la « compétition comme divertissement » (comme les combats de gladiateurs, les Jeux olympiques, les événements sportifs et les sports électroniques), pour finalement se transformer en « compétition de type accélérateur conduisant à l'évolution » (dans des domaines comme la technologie, les médias, le cinéma, la politique, etc.).

La sélection naturelle a toujours été une force motrice essentielle de l’évolution humaine, mais l’évolution de l’intelligence artificielle suit-elle également cette logique ?

Le développement de l’intelligence artificielle n’est pas déterminé par une seule « invention », mais plutôt motivé par d’innombrables exemples de « compétitions et d’expériences invisibles » – ces compétitions sélectionnent en fin de compte des modèles qui perdurent tout en écartant ceux qui sont oubliés.

Dans cet article, nous explorerons ces compétitions invisibles (englobant les domaines du Web2 et du Web3) et, sous l'angle de la « concurrence », décortiquerons la trajectoire évolutive de l'intelligence artificielle. Explorons-les ensemble.

Entre 2023 et 2025, avec l’émergence de ChatGPT, le domaine de l’intelligence artificielle a connu une croissance explosive.

Cependant, avant la naissance de ChatGPT, OpenAI s'était déjà fait remarquer grâce au jeu « Dota 2 » (en utilisant le système « OpenAI Five ») : à travers des dizaines de milliers de matchs contre des joueurs réguliers, des joueurs professionnels et même contre lui-même, il a démontré sa capacité à évoluer rapidement, chaque match renforçant sa propre force.

Finalement, un système intelligent sophistiqué est né et, en 2019, il a vaincu de manière décisive les champions du monde en titre de « Dota 2 ».

Un autre cas célèbre s'est produit en 2016 : AlphaGo a battu le champion du monde de Go Lee Sedol. L'aspect le plus étonnant de cet événement n'était pas la « défaite du champion du monde » en elle-même, mais la « méthode d'apprentissage » d'AlphaGo.

L'entraînement d'AlphaGo ne reposait pas uniquement sur des données humaines. À l'instar d'OpenAI Five, il a évolué grâce à l'auto-apprentissage, un processus répétitif :

· Chaque génération du modèle est en concurrence avec la génération précédente ;

· Les variantes de modèle les plus performantes sont conservées et « reproduites » (c'est-à-dire itération d'optimisation) ;

· Les stratégies faibles sont éliminées.

En d’autres termes, « l’IA darwinienne » a compressé un processus d’évolution qui aurait initialement pris des millions d’années en une période de calcul de quelques heures.

Cette « boucle d'auto-concurrence » a donné lieu à des avancées technologiques jamais vues auparavant. Aujourd'hui, on observe un modèle concurrentiel similaire dans le secteur financier, quoique sous une forme différente.

L'IA darwinienne dans le domaine des cryptomonnaies

La semaine dernière, Nof1 a fait couler beaucoup d'encre suite au lancement de l'« Alpha Arena ». Il s'agissait d'un « duel à mort de contrats perpétuels de cryptomonnaies » impliquant six modèles d'intelligence artificielle (Claude, DeepSeek, Gemini, GPT, Qwen, Grok) : chaque modèle gérait 10 000 $, et celui qui obtenait la meilleure performance en termes de profits et pertes (PnL) remportait la victoire.

L'Alpha Arena est désormais en ligne ! Six modèles d'IA ont investi chacun 10 000 $ pour un trading autonome. Fonds réels, marché réel, indice de référence réel : quel modèle sera le plus performant selon vous ?

Ce concours a rapidement gagné en popularité, non pas tant pour ses règles que pour son ouverture : les stratégies alpha (c'est-à-dire les stratégies à rendement excédentaire) sont généralement strictement confidentielles. Cependant, dans ce concours, nous pouvons voir en temps réel quelle IA est la plus rentable.

De plus, l'interface utilisateur (UI/UX) affichant les performances de trading en temps réel est extrêmement fluide et optimisée. L'équipe s'appuie sur l'engouement actuel et les connaissances acquises lors de la compétition pour développer les modèles et outils de trading Nof1 ; les utilisateurs intéressés peuvent dès à présent s'inscrire sur la liste d'attente pour un essai.

L'approche de Nof1 n'est pas une nouveauté : de telles compétitions existent depuis longtemps dans le secteur financier (notamment au sein de l'écosystème Bittensor et du marché plus large des cryptomonnaies). Cependant, aucune équipe n'a jamais démocratisé et popularisé de telles compétitions comme Nof1 l'a fait.

Voici quelques-uns des cas de concurrence les plus représentatifs :

Synth (Concours de synthétiseurs)

(Identifiant : SN50, Initiateur : @SynthdataCo)

Dans ce concours, les ingénieurs en apprentissage automatique doivent déployer des modèles d'apprentissage automatique pour prédire le prix et la volatilité des cryptoactifs. Les gagnants recevront des jetons SN50 Synth Alpha. L'équipe exploite ensuite ces résultats de prédiction de haute qualité pour générer des données de prix synthétiques de haute précision (et des trajectoires de prix).

« Depuis le début de l'année, nous avons attribué plus de 2 millions de dollars de récompenses aux meilleurs data scientists et analystes quantitatifs participant au concours. »

L'équipe utilise actuellement ces signaux de prédiction pour trader des cryptomonnaies sur la plateforme Polymarket. À ce jour, elle a réalisé un retour sur investissement net (ROI) de 184 % avec un capital initial de 3 000 $. Le prochain défi consiste à accroître le volume des transactions tout en maintenant la performance actuelle.

« Voici les dernières mises à jour sur nos échanges sur la plateforme Polymarket :

・Capital : 3 000 $

・Bénéfice : 5 521 $

・Retour sur investissement (ROI) : 184 %

・Rendement annuel en pourcentage (APY) : 3 951 %

Tout cela est pris en charge par le modèle de prédiction de Synth. Nous approfondirons la logique sous-jacente dans le segment « Recherche de nouveautés » de cette semaine.

Sportstensor (Concours de pronostics sportifs)

(Identifiant : SN41, Initiateur : @sportstensor)

Il s'agit d'un sous-réseau axé sur la lutte contre les probabilités du marché, visant à explorer les opportunités avantageuses sur le marché mondial des paris sportifs. Il s'agit d'une compétition permanente où les ingénieurs en apprentissage automatique doivent déployer des modèles pour prédire les résultats de grandes ligues sportives telles que la Major League Baseball (MLB), la Major League Soccer (MLS), la Premier League anglaise (EPL) et la National Basketball Association (NBA), entre autres. Le meilleur modèle rentable recevra des récompenses en jetons SN41 Sportstensor Alpha.

Actuellement, la précision moyenne des prédictions des modèles participants est d'environ 55 %, le « mineur » le mieux classé (c'est-à-dire le développeur de modèles) atteignant une précision allant jusqu'à 69 % et un retour sur investissement supplémentaire de 59 %.

Sportstensor s'est associé à Polymarket pour servir de couche de liquidité, apportant davantage de volume de transactions liées aux prédictions sportives à la plateforme Polymarket.

L'équipe développe également la plateforme « Almanac », un système de compétition de pronostics sportifs destiné au grand public. Les utilisateurs peuvent accéder aux signaux et aux données d'analyse de prédiction avancées fournies par les mineurs Sportstensor et rivaliser avec d'autres utilisateurs grâce à ces informations. Les meilleurs prédicteurs peuvent recevoir des récompenses pouvant atteindre 100 000 $ par semaine (date de lancement à déterminer).

AION (Concours de guerre des marchés)

(Initiateurs : @aion5100, @futuredotfun)

@aion5100 (une équipe d'agents intelligents axée sur la prédiction d'événements/résultats) s'associe à @futuredotfun pour lancer le concours « War of Markets ».

La compétition devrait être lancée au quatrième trimestre 2024 et se positionne comme la « Coupe du monde du marché des prédictions », où les humains et l'intelligence artificielle peuvent participer à des duels de prédictions sur les plateformes Polymarket et Kalshi.

Le concours vise à devenir la « source de référence ultime en matière de vérité » grâce à une « connaissance participative ». Son critère d'évaluation principal n'est pas la traditionnelle « précision des prédictions », mais plutôt la notoriété, le volume d'échanges et la réputation, les meilleurs résultats étant couronnés vainqueurs.

L'équipe intègre en profondeur ses outils avancés d'analyse de marché prédictive, sa fonctionnalité de copy-trading et ses produits de trading social dans la concurrence pour aider les traders à tirer parti de ces outils et à gagner un avantage dans la concurrence avec d'autres prédicteurs.

Fraction AI (compétition d'IA multi-scénarios)

(Initiateur : @FractionAI_xyz)

La plateforme héberge différents types de compétitions : les utilisateurs peuvent déployer des agents d'IA dans des scénarios tels que « Tic-Tac-Toe basé sur les enchères », « Soccer Brawl », « Bitcoin Trading Battle » et « Polymarket Trading » ; en outre, la plateforme propose la compétition « ALFA » — similaire à « l'Alpha Arena », mais les modèles d'IA utilisent la monnaie virtuelle pour échanger les uns contre les autres dans des contrats perpétuels.

Dans la compétition « ALFA », les utilisateurs peuvent acheter des « actions longues/courtes » d'agents IA, en pariant sur l'agent qui réalisera le bénéfice et la perte (PnL) les plus élevés à la fin de chaque séance de trading quotidienne ; comme dans « Alpha Arena », les utilisateurs peuvent surveiller en temps réel les stratégies employées par chaque agent et les actifs qu'ils déploient.

Les informations et les données obtenues au cours de la compétition seront utilisées pour optimiser davantage les agents d'IA et, à l'avenir, les utilisateurs pourront déployer leurs fonds pour que ces agents négocient en leur nom.

L'équipe prévoit d'étendre l'application des agents d'IA à tous les domaines financiers populaires, y compris le trading, la DeFi et les marchés de prédiction.

Allora (Concours de micro-travail financier)

(Initiateur : @AlloraNetwork)

Allora peut être qualifié de « Bittensor du domaine financier » : la plateforme met en place des « tâches thématiques » ou « micro-travaux » (comme la prédiction du prix des cryptomonnaies), où les ingénieurs en apprentissage automatique rivalisent pour développer le « meilleur modèle ».

Actuellement, les modèles de prédiction des prix se concentrent principalement sur les crypto-monnaies traditionnelles ; les ingénieurs en apprentissage automatique les plus performants (appelés « Forgers » ou « Miners ») peuvent recevoir la récompense « Allora Hammer », qui sera convertie en incitations en jetons $ALLO lors du lancement officiel du réseau principal (à venir prochainement).

L'équipe dispose d'une gamme d'applications approfondies de « stratégie DeFi dynamique » : en appliquant le modèle Allora, les stratégies DeFi deviennent plus flexibles, réduisant ainsi le risque tout en augmentant les niveaux de rendement.

Par exemple, la « stratégie de boucle ETH/LST » : elle réserve une partie des fonds pour saisir des « opportunités de vente à découvert » — si le modèle de prédiction indique une fluctuation de prix dépassant un seuil spécifique, la stratégie échange automatiquement le LST (Liquidity Staking Token) contre l'USDC et établit une position courte, dans le but de profiter de la variation de prix prévue.

Un détail intéressant à propos d'Allora est son adoption du modèle de « distribution de jetons de subvention aux revenus réels » : par exemple, une combinaison de « 10 000 USD de jetons ALLO + 5 000 USD de revenus clients » serait distribuée pour réduire la pression potentielle de vente de jetons de la part des mineurs.

Autres compétitions notables

（1）Concours liés à la finance (supplémentaire)

SN8 PTN (Initiateur : @taoshiio) : Ce concours vise à collecter des signaux de trading de haute qualité auprès de modèles d'IA et d'analystes quantitatifs internationaux afin de surpasser les performances des fonds spéculatifs traditionnels. Son objectif principal est la rentabilité ajustée au risque, plutôt que le simple rendement brut.

Numerai (Fonds spéculatif IA) (Initiateur : @numerai) : Ce fonds spéculatif basé sur l'IA a récemment reçu un financement de 500 millions de dollars de JPMorgan Chase (ce qui signifie que JPMorgan Chase allouera jusqu'à 500 millions de dollars aux stratégies de trading de Numerai). La stratégie du fonds s'articule autour d'un concours de modèles d'apprentissage automatique, mettant l'accent sur l'originalité à long terme et la précision ajustée au risque. La participation au concours nécessite le jalonnement de jetons NMR en guise de récompense. À ce jour, la plateforme a distribué plus de 40 millions de dollars de jetons NMR aux participants.

（2）Concours non liés à la finance

Ridges AI (Concours de programmation décentralisé) (Identifiant : SN62, Initiateur : @ridges_ai) : Il s’agit d’une plateforme d’échange décentralisée d’« agents d’IA d’ingénierie logicielle » dont l’objectif est de permettre aux agents d’IA de remplacer entièrement les programmeurs humains dans des tâches telles que « la génération de code, la correction de bugs et l’échafaudage complet de projets ». Les agents d’IA s’affrontent dans des « défis de programmation du monde réel », les agents fournissant des solutions de haute qualité étant éligibles à des « récompenses de sous-réseau Alpha » mensuelles allant de 20 000 $ à 50 000 $.

Concours Flock.io (Initiateur : @flock_io) : Le concours est divisé en deux parties : la première consiste à « générer le meilleur modèle d’IA fondamental » et la seconde à « affiner les modèles spécifiques à un domaine grâce à l’apprentissage collaboratif fédéré ». Les formateurs exceptionnels (c’est-à-dire les « mineurs ») peuvent gagner entre 500 000 et 1 million de dollars par an en entraînant des modèles d’IA. L’avantage de l’apprentissage fédéré est que les établissements peuvent exploiter pleinement les capacités de l’IA tout en préservant la confidentialité des données locales.

Que signifie tout cela ?

Aujourd’hui, les progrès de l’intelligence artificielle se font grâce à la « concurrence ouverte ».

Chaque nouveau modèle émerge dans un environnement sous haute pression : rareté des données, ressources informatiques limitées et mécanismes d'incitation contraints. Ces pressions sont devenues les critères fondamentaux pour « filtrer les modèles survivants ».

Les récompenses symboliques servent à la fois de « réserve d’énergie » : les modèles capables d’exploiter efficacement cette « énergie » étendront continuellement leur influence, tandis que les modèles qui ne peuvent pas l’utiliser efficacement seront progressivement éliminés.

Finalement, nous construirons un « écosystème d’agents » — ces agents évolueront grâce au « feedback » plutôt qu’aux « instructions », connus sous le nom d’« agents autonomes » (et non d’« intelligence artificielle générative »).

Où va l’avenir ?

Cette vague de « concurrence ouverte » fera passer l’intelligence artificielle d’un « modèle centralisé » à un « modèle décentralisé open source ».

À l’avenir, des modèles et des agents puissants émergeront dans un « environnement décentralisé ».

Bientôt, l'intelligence artificielle sera capable de gérer de manière autonome son « cycle d'auto-amélioration » : certains modèles affineront d'autres modèles, évalueront leurs performances, s'auto-optimiseront et déploieront automatiquement des mises à jour. Ce cycle réduira considérablement l'intervention humaine tout en accélérant la vitesse d'itération de l'IA.

À mesure que cette tendance se propage, le rôle humain passera de la « conception de l’intelligence artificielle » à la « filtration de l’IA pour la conserver, la préservation du comportement bénéfique de l’IA et l’établissement de règles et de limites qui ont une valeur d’attente positive (EV+) pour la société ».

Une dernière pensée

La concurrence alimente souvent l’innovation, mais peut également favoriser la « manipulation des récompenses » et le « jeu du système ».

Si la conception d’un système ne peut pas « encourager un comportement bénéfique à long terme », il se dirigera inévitablement vers l’échec. Par exemple, certains mineurs peuvent exploiter les failles des règles pour « jouer des récompenses » au lieu d’apporter une réelle valeur ajoutée.

Un « système ouvert » doit donc être doté de « mécanismes de gouvernance » robustes et de « systèmes d’incitation » : à la fois pour encourager les bons comportements et pour punir les mauvais.

Celui qui sera le premier à atteindre cet objectif s’emparera de la prochaine vague de « valeur, d’attention et de sagesse fondamentale » de l’innovation.

Lien vers l'article original

Bienvenue dans la communauté officielle BlockBeats :

Groupe d'abonnement Telegram : https://t.me/theblockbeats

Groupe de discussion Telegram : https://t.me/BlockBeats_App

Compte Twitter officiel : https://twitter.com/BlockBeatsAsia