Darwinian AI — Los Juegos del Hambre de la IA

La competencia ha sido un motor fundamental en la evolución humana. Desde tiempos remotos, las personas compiten por:

• Alimento y territorio
• Parejas/compañeros
• Estatus dentro de la tribu o la sociedad
• Alianzas y cooperación

Los cazadores perseguían presas, los guerreros luchaban por sobrevivir y los líderes tribales disputaban territorios. Aquellos con rasgos útiles para la supervivencia lograban sobrevivir, reproducirse y transmitir sus genes a lo largo del tiempo.

A este proceso se le denomina selección natural.

La selección natural ha evolucionado: de la competencia por sobrevivir ➙ a la competencia como espectáculo/entretenimiento (gladiadores, olimpiadas, deportes y esports) ➙ a la competencia como acelerador evolutivo (tecnología, medios, cine, política, etc.).

La selección natural es un pilar de la evolución humana, pero ¿qué ocurre con la evolución de la IA?

La historia de la IA no trata de una sola invención, sino de innumerables torneos y experimentos invisibles que determinan qué modelos sobreviven y cuáles quedan en el olvido.

En este artículo, exploraremos esos torneos invisibles (en Web2 y Web3) y analizaremos la evolución de la IA bajo la óptica de la competencia.

La IA ha experimentado un auge entre 2023 y 2025 con la aparición de ChatGPT, el chatbot capaz de responder cualquier consulta.

Sin embargo, antes de ChatGPT, OpenAI debutó en Dota 2 (con OpenAI Five), mostrando una evolución vertiginosa al disputar decenas de miles de partidas contra jugadores amateurs, profesionales y contra sí mismo, fortaleciéndose progresivamente.

Finalmente, surgió una inteligencia compleja que aplastó a los campeones mundiales de Dota 2 en 2019.

Otro caso destacado ocurrió en 2016 con AlphaGo, que venció al campeón mundial de Go, Lee Sedol. Lo más relevante no fue la victoria absoluta, sino el proceso de aprendizaje.

AlphaGo no se limitó a entrenar con datos humanos. Al igual que OpenAI Five, evolucionó mediante auto-juego, un proceso recursivo en el que:

• Cada generación del modelo compite contra sus versiones anteriores
• Las variantes más sólidas sobreviven y se reproducen
• Las estrategias débiles desaparecen

En otras palabras, IA darwiniana comprimida en horas de cómputo en vez de millones de años de evolución.

Este ciclo de auto-competencia generó resultados nunca antes vistos.

Actualmente, observamos fenómenos similares en aplicaciones financieras.

IA darwiniana en Crypto

@ the_nof1 fue noticia la semana pasada al presentar Alpha Arena, una competencia en la que seis modelos de IA (Claude, DeepSeek, Gemini, GPT, Qwen, Grok) se enfrentan en un deathmatch de Crypto Perps, gestionando cada uno $10,000. El modelo con el mejor PnL al final, gana.

Alpha Arena está EN VIVO: seis modelos de IA operan $10,000 cada uno, de forma totalmente autónoma. Dinero real. Mercados reales. Referencia real. ¿Por cuál apuestas tu capital? Enlace abajo.

La competencia se viralizó rápidamente, no por la mecánica, sino por su transparencia. El alpha suele ser reservado, pero ahora podemos observar en tiempo real cuál IA genera mejores rendimientos.

La interfaz y experiencia de usuario que muestran el desempeño en tiempo real son sofisticadas y optimizadas. El equipo capitaliza el entusiasmo y los aprendizajes para desarrollar modelos Nof1 y herramientas de trading. La lista de espera está abierta para quienes deseen participar.

Lo que hace Nof1 no es nuevo: siempre han existido competencias financieras, especialmente en el ecosistema Bittensor y el mercado cripto, pero nadie lo había hecho público como Nof1.

Algunas de las competencias más interesantes

Synth

SN50 @ SynthdataCo ingenieros ML compiten para desplegar modelos que predicen el precio y la volatilidad de activos cripto a cambio de incentivos en el token SN50 Synth alpha. El equipo aprovecha las predicciones de alta calidad para generar datos sintéticos de precios y trayectorias de precios de máxima precisión.

Ya se han pagado $2 millones en recompensas a los mejores científicos de datos y quants que participan en la competencia desde principios de este año.

El equipo utiliza estas señales para operar en Polymarket y han logrado un ROI del 184% con un capital inicial de $3,000. El reto siguiente es escalar manteniendo el nivel de desempeño actual.

Sportstensor

SN41 @ sportstensor es una subred diseñada para superar las probabilidades del mercado y descubrir “edges” en el mercado global de apuestas deportivas. Es una competencia continua donde ingenieros ML compiten para desplegar modelos que pronostican resultados de grandes ligas como MLB, MLS, EPL y NBA. El modelo más rentable gana incentivos en el token SN41 Sportstensor alpha.

La precisión promedio ronda el 55%, mientras que el minero líder alcanza el 69% de precisión y un ROI incremental del 59%.

Sportstensor se asocia con Polymarket como capa de liquidez, impulsando el volumen de predicción deportiva hacia Polymarket.

El equipo está desarrollando Almanac, una plataforma de competencia en predicción deportiva para usuarios comunes, donde pueden acceder a señales de los mineros Sportstensor y análisis avanzados para competir contra otros jugadores. El mejor pronosticador puede ganar hasta $100,000 en recompensas semanales. (El lanzamiento está pendiente, pero puedes seguir su X para participar).

AION

@ aion5100 es un equipo de agentes de predicción de eventos/resultados que lanzará @ futuredotfun War of Markets.

Previsto para lanzarse en el cuarto trimestre, War of Markets aspira a ser el “Mundial de los Mercados de Predicción”, donde humanos e IA compiten en batallas de predicción en Polymarket y Kalshi.

El evento busca ser el máximo referente de la verdad mediante sabiduría colectiva, priorizando la participación mental, el volumen de trading y la notoriedad sobre métricas tradicionales de precisión; es decir, el mejor en estos aspectos gana.

El equipo integra sus avanzadas herramientas de análisis de mercados de predicción, copy trading y trading social con la competencia, permitiendo a los traders aprovechar estas soluciones para obtener ventaja frente a otros pronosticadores.

Fraction AI

@ FractionAI_xyz organiza diversas competencias: los usuarios pueden configurar agentes en juegos como Bid Tic Tac Toe, Footbrawl, BTC Tradewars, trading en Polymarket y “ALFA”, donde IA compiten entre sí en perps con dinero virtual (similar a Alpha Arena, pero con dinero virtual).

En ALFA, los usuarios pueden comprar acciones Sí/No de agentes, apostando por cuál tendrá el mayor PnL al final de cada día. Al igual que en Alpha Arena, se puede observar la estrategia y los activos que cada agente despliega.

Los datos e insights se emplean para afinar los agentes, hasta el punto en que los usuarios podrán invertir su propio capital y dejar que los agentes operen por ellos.

El equipo busca desarrollar agentes para todos los casos financieros relevantes: trading, DeFi y mercados de predicción.

Allora

@ AlloraNetwork es una plataforma similar a Bittensor, pero enfocada en casos financieros. Se crean “topics” o microtareas como predicción de precios de activos cripto y los ingenieros ML compiten por crear los mejores modelos.

Los modelos de predicción se centran en activos principales y los mejores ingenieros ML (forjadores o mineros) obtienen recompensas Allora Hammer, que se convertirán en incentivos en el token $ALLO tras el lanzamiento de la mainnet.

El equipo cuenta con una sólida pipeline de estrategias DeFi dinámicas, donde los modelos Allora se emplean para hacer las estrategias más flexibles, reduciendo el riesgo y mejorando los retornos.

Por ejemplo, la estrategia de looping ETH/LST permite reservar parte de los fondos para oportunidades short (si los modelos predictivos detectan un movimiento de precio relevante, la estrategia intercambia LST por USDC y abre una posición short para aprovechar el movimiento previsto).

[Dato relevante: Allora utilizará ingresos reales para subsidiar emisiones; por ejemplo, en vez de pagar $100,000 en incentivos con $ALLO, podrían pagar $50,000 en $ALLO y otros $50,000 con ingresos de clientes, reduciendo la presión de venta de los mineros].

Otras competencias de trading interesantes (de las que hay poca información, pero ofrecen incentivos atractivos):

• SN8 PTN de @ taoshiio busca obtener señales de trading de alta calidad de modelos de IA globales y quants para superar fondos de cobertura tradicionales, priorizando rentabilidad ajustada por riesgo sobre retornos brutos.
• @ numerai es un hedge fund gestionado por IA que recientemente recibió $500 millones de JP Morgan (asignando hasta $500 millones a la estrategia Numerai). Su estrategia se basa en competencias de modelos ML, con énfasis en originalidad y precisión ajustada por riesgo a largo plazo. Se requiere staking de $NMR para participar; los modelos débiles son penalizados (20-100%) y los mejores ganan 2-5x en recompensas $NMR. Más de $40 millones en recompensas NMR han sido distribuidos a los participantes.

Otras competencias interesantes fuera del ámbito financiero:

• SN62 @ ridges_ai es un marketplace de agentes de ingeniería de software descentralizados que buscan reemplazar a los programadores humanos en tareas de generación de código, corrección de errores y orquestación de proyectos completos. Los agentes de IA compiten en desafíos reales de programación y quienes ofrecen soluciones de calidad ganan incentivos mensuales alpha subnet de $20,000 a $50,000.
• @ flock_io organiza competencias para generar los mejores modelos base de IA y colaborar en el ajuste de modelos específicos mediante aprendizaje federado. Los entrenadores (mineros) de alto desempeño pueden ganar más de $500,000 a $1 millón al año entrenando modelos de IA. El aprendizaje federado permite a las organizaciones mantener sus datos locales y privados mientras aprovechan capacidades de IA.

¿Qué implica todo esto?

El avance de la IA ahora se impulsa por competencia abierta.

Cada nuevo modelo enfrenta presión: escasez de datos, recursos de cómputo limitados e incentivos restringidos.

Estas presiones determinan qué sobrevive.

Las recompensas en tokens funcionan como energía: los modelos que la aprovechan eficientemente aumentan su influencia, mientras que los demás desaparecen.

El resultado será un ecosistema de agentes que evolucionan por retroalimentación, no por instrucción; es decir, agentes autónomos en lugar de IA generativa.

¿Qué sigue?

Esta ola de competencia abierta acelerará el cambio de IA centralizada a IA open-source y descentralizada.

Los modelos y agentes más potentes surgirán de entornos descentralizados.

Pronto, la IA gestionará sus propios ciclos de mejora: algunos modelos afinarán a otros, los evaluarán, se auto-mejorarán y desplegarán actualizaciones de forma automática. Este ciclo reducirá la intervención humana y acelerará la iteración.

A medida que esto avance, el rol humano pasará de diseñar la IA a decidir qué IA sobrevive, qué comportamientos conservar y qué reglas y límites establecer para maximizar el valor social.

Una última reflexión

La competencia impulsa la innovación, pero también incentiva la manipulación de recompensas y exploits.

Los sistemas mal diseñados para fomentar comportamientos sostenibles fracasan; es decir, como los mineros que explotan vacíos legales para obtener incentivos en vez de aportar valor real.

Los sistemas abiertos requieren gobernanza y diseño de incentivos sólidos que premien el buen comportamiento y penalicen el negativo.

Quien logre esto primero capturará el valor, la atención y la inteligencia de la próxima ola de innovación.

Nota personal: ¡Gracias por leer! Este artículo es una versión resumida (si quieres mi perspectiva sin filtros, revisa la versión en Substack).

Si te interesa conocer los próximos proyectos DeAI que me entusiasman, revisa la serie The After Hour en mi Substack.

Descargo de responsabilidad: Este documento es solo para fines informativos y de entretenimiento. Las opiniones aquí expresadas no constituyen asesoría ni recomendaciones de inversión. Los lectores deben realizar su propia diligencia considerando sus circunstancias financieras, objetivos de inversión y tolerancia al riesgo (no contemplados en este documento) antes de invertir. Este documento no constituye una oferta ni la solicitud de una oferta para comprar o vender ninguno de los activos mencionados.

Descargo de responsabilidad:

1. Este artículo es una reproducción de [Defi0xJeff]. Todos los derechos de autor pertenecen al autor original []. Si tienes objeciones a esta reproducción, contacta al equipo de Gate Learn para su gestión inmediata.
2. Descargo de responsabilidad: Las opiniones expresadas en este artículo pertenecen exclusivamente al autor y no constituyen asesoría de inversión.
3. Las traducciones a otros idiomas son realizadas por el equipo de Gate Learn. Salvo indicación contraria, está prohibido copiar, distribuir o plagiar los artículos traducidos.