Darwinian AI — Les Hunger Games de l’IA

La compétition a toujours été un moteur fondamental de l’évolution humaine. Depuis la nuit des temps, les humains rivalisent pour :

• la nourriture et le territoire
• les partenaires
• le statut au sein de la tribu ou de la société
• les alliances et la coopération

Les chasseurs poursuivaient leurs proies, les guerriers luttaient pour survivre, les chefs de tribu se disputaient des territoires. Ceux qui possédaient des caractéristiques favorables à la survie finissaient par survivre, se reproduire et transmettre leurs gènes au fil des générations.

Ce mécanisme s’appelle la sélection naturelle.

La sélection naturelle s’est perpétuée au fil des âges, passant de la lutte pour la survie ➙ à la compétition-spectacle/divertissement (gladiateurs, Jeux olympiques, sports & esports) ➙ à la compétition comme accélérateur évolutif (technologies, médias, cinéma, politique, etc.).

La sélection naturelle a façonné l’évolution humaine, mais qu’en est-il de l’évolution de l’IA ?

L’histoire de l’IA n’est pas celle d’une invention unique, mais celle de multiples tournois et expérimentations invisibles qui déterminent quels modèles perdurent et lesquels tombent dans l’oubli.

Dans cet article, nous explorerons ces tournois invisibles (du Web2 au Web3) et analyserons l’évolution de l’IA à travers le prisme de la compétition.

L’IA a connu une explosion entre 2023 et 2025, portée par l’arrivée de ChatGPT, un chatbot IA capable de répondre à toutes vos questions.

Mais avant ChatGPT, OpenAI s’est illustré sur Dota 2 (avec OpenAI Five), démontrant une évolution fulgurante en jouant des dizaines de milliers de parties contre des joueurs de tous niveaux, jusqu’à se mesurer à lui-même, se renforçant à chaque itération.

Une intelligence complexe a fini par émerger, écrasant littéralement les champions du monde de Dota 2 en 2019.

Un autre cas d’étude emblématique s’est produit en 2016 avec AlphaGo, qui a battu le champion du monde de Go Lee Sedol. Le plus remarquable n’était pas tant la victoire sur le champion, mais la façon dont AlphaGo a appris.

AlphaGo ne s’est pas limité à l’entraînement sur des données humaines. Comme OpenAI Five, il a évolué par auto-jeu : un processus récursif où :

• chaque génération du modèle affronte ses versions précédentes
• les variantes les plus performantes survivent et se reproduisent
• les stratégies inefficaces disparaissent

En d’autres termes, une IA darwinienne condensée en quelques heures de calcul, là où l’évolution naturelle prend des millions d’années.

Ce cycle d’auto-compétition a permis l’émergence de comportements inédits.

Nous observons aujourd’hui des dynamiques similaires dans la finance décentralisée.

L’IA darwinienne dans la crypto

@ the_nof1 a récemment fait sensation en lançant Alpha Arena, une compétition où six modèles IA (Claude, DeepSeek, Gemini, GPT, Qwen, Grok) s’affrontent dans un deathmatch Crypto Perps, chacun gérant 10 000 $. Celui qui réalise le meilleur PnL l’emporte.

Alpha Arena est EN DIRECT : six IA tradent chacune 10 000 $, en totale autonomie. Argent réel. Marchés réels. Benchmark réel. Sur qui placez-vous votre argent ? Lien ci-dessous.

La compétition est rapidement devenue virale, non pas pour son format, mais pour sa transparence. L’alpha est habituellement gardé secret, mais ici, on assiste en direct à la démonstration de l’IA la plus performante pour générer du profit.

L’interface utilisateur, qui affiche les performances en temps réel, est particulièrement soignée et optimisée. L’équipe capitalise sur la hype et les enseignements recueillis pour développer les modèles Nof1 et des outils de trading. Une liste d’attente est déjà ouverte pour les testeurs potentiels.

La démarche de Nof1 n’est pas nouvelle : il existe depuis longtemps des compétitions pour les cas d’usage financiers, notamment dans l’écosystème Bittensor et sur le marché crypto au sens large, MAIS personne n’avait réussi à le rendre aussi public que Nof1.

Quelques-unes des compétitions les plus marquantes

Synth

SN50 @ SynthdataCo : des ingénieurs ML rivalisent pour déployer des modèles capables de prédire le prix et la volatilité des crypto-actifs, en échange d’incitations sous forme de tokens alpha SN50 Synth. L’équipe utilise ensuite les meilleures prédictions pour générer des données de prix synthétiques très précises (et des trajectoires de prix).

2 M$ de récompenses déjà versés aux meilleurs data scientists et quants depuis le début de l’année.

L’équipe exploite ces signaux pour trader sur Polymarket et a déjà atteint un ROI de 184 % à partir d’un capital initial de 3 000 $. Le prochain défi sera de maintenir ce niveau de performance à l’échelle.

Sportstensor

SN41 @ sportstensor, un subnet conçu pour battre les cotes et détecter des “edges” sur le marché mondial des paris sportifs. La compétition est continue : des ingénieurs ML s’affrontent pour déployer des modèles de prédiction sur les grandes ligues (MLB, MLS, EPL, NBA). Le modèle le plus rentable remporte des tokens alpha SN41 Sportstensor.

La précision moyenne avoisine 55 %, tandis que le meilleur mineur atteint 69 % de précision et 59 % de ROI incrémental.

Sportstensor s’appuie sur Polymarket comme couche de liquidité, ce qui accroît le volume de prédictions sportives sur Polymarket.

L’équipe développe Almanac : une plateforme de compétition de prédiction sportive grand public, permettant d’accéder aux signaux des mineurs Sportstensor et à des analyses avancées pour rivaliser avec d’autres joueurs. Le meilleur pronostiqueur peut gagner jusqu’à 100 000 $ de récompenses hebdomadaires. (Date de lancement à venir, suivez leur X pour participer.)

AION

@ aion5100 : une équipe d’agents de prédiction d’événements lance @ futuredotfun War of Markets.

Prévu pour le T4, War of Markets se présente comme la “Coupe du monde des marchés de prédiction”, ouverte à tous (humains, IA) avec des batailles de prédiction sur Polymarket et Kalshi.

L’événement vise à devenir la référence ultime grâce à la sagesse collective, privilégiant la notoriété, le volume de trading et la gloire sur les métriques d’exactitude classiques : le meilleur sur ces critères l’emporte.

L’équipe intègre ses outils avancés d’analyse de marché, de copy trading et de social trading à la compétition, permettant aux traders de prendre l’avantage sur leurs concurrents.

Fraction AI

@ FractionAI_xyz organise de multiples compétitions : les utilisateurs peuvent configurer des agents pour des jeux comme Bid Tic Tac Toe, Footbrawl, BTC Tradewars, trading Polymarket, et “ALFA” où les IA s’affrontent sur les perps avec de la monnaie virtuelle (similaire à Alpha Arena mais sans argent réel).

Avec ALFA, les utilisateurs achètent des parts Oui/Non d’agents, misant sur celui qui aura le meilleur PnL quotidien. Comme pour Alpha Arena, la stratégie et les actifs de chaque agent sont visibles.

Les données collectées serviront à affiner les agents, jusqu’à permettre aux utilisateurs de confier leur capital à ces agents pour qu’ils tradent à leur place.

L’équipe ambitionne de déployer des agents sur tous les cas d’usage financiers prometteurs : trading, DeFi, prediction markets.

Allora

@ AlloraNetwork se positionne comme un Bittensor dédié à la finance. Des “topics” ou micro-tâches, comme la prédiction de prix d’actifs crypto, sont proposés, et les ingénieurs ML rivalisent pour développer les meilleurs modèles.

Les modèles de prédiction se concentrent sur les majors, et les meilleurs ingénieurs ML (forgers ou miners) reçoivent des Allora Hammer, convertibles en tokens $ALLO après le lancement du mainnet (prochainement).

L’équipe dispose d’un pipeline robuste de stratégies DeFi dynamiques, où les modèles Allora servent à rendre les stratégies plus adaptatives : réduction du risque, amélioration des rendements.

Par exemple, une stratégie de boucle ETH/LST où une partie des fonds est réservée aux opportunités short (si les modèles prédisent un mouvement de prix au-delà d’un seuil, la stratégie échange les LST contre des USDC et ouvre une position short pour profiter du mouvement anticipé).

[Fait notable : Allora utilisera des revenus réels pour subventionner les émissions : au lieu de payer 100 000 $ en $ALLO, ils pourraient verser 50 000 $ en $ALLO et 50 000 $ issus des revenus clients, réduisant ainsi la pression à la vente sur le token.]

Autres compétitions de trading intéressantes (peu connues mais attractives en termes d’incentives) :

• SN8 PTN de @ taoshiio : compétition visant à crowdsourcer des signaux de trading de qualité issus de modèles IA et quants du monde entier, pour surpasser les hedge funds traditionnels, en ciblant la rentabilité ajustée au risque.
• @ numerai : hedge fund piloté par l’IA ayant récemment levé 500 M$ auprès de JP Morgan (jusqu’à 500 M$ alloués à la stratégie Numerai). La stratégie repose sur des compétitions de modèles ML, avec un accent sur l’originalité à long terme et la précision ajustée au risque. Pour participer, il faut staker du $NMR : les modèles faibles sont pénalisés (slash de 20 à 100 %), les meilleurs gagnent 2 à 5x en récompenses $NMR. Plus de 40 M$ de récompenses NMR déjà distribuées.

Autres compétitions remarquables hors secteur financier :

• SN62 @ ridges_ai : marketplace d’agents d’ingénierie logicielle décentralisée visant à remplacer les codeurs humains pour la génération de code, la correction de bugs et l’orchestration de projets. Les IA s’affrontent sur des challenges réels, les meilleures solutions rapportant 20 000 à 50 000 $ d’incentives alpha subnet mensuels.
• @ flock_io : compétition pour générer les meilleurs modèles IA de base et affiner les modèles spécialisés via le federated learning. Les meilleurs trainers (miners) peuvent gagner plus de 500 000 à 1 M$+ par an. Le federated learning permet aux organisations de garder leurs données privées tout en bénéficiant de l’IA.

Quelles implications ?

Le progrès de l’IA s’accélère désormais grâce à la compétition ouverte.

Chaque nouveau modèle doit faire face à un environnement sous pression : rareté des données, ressources de calcul limitées, incentives restreints.

Ces contraintes sélectionnent les survivants.

Les récompenses en tokens agissent comme une énergie : les modèles qui l’utilisent efficacement gagnent en influence, les autres disparaissent.

On verra émerger un écosystème d’agents qui évoluent par feedback, non par instruction : des agents autonomes plutôt que des IA génératives.

Et ensuite ?

Cette vague de compétition ouverte va accélérer la transition de l’IA centralisée vers l’open source et la décentralisation.

Les modèles et agents les plus puissants émergeront d’écosystèmes décentralisés.

Bientôt, les IA géreront elles-mêmes leurs cycles d’amélioration : certains modèles en affineront d’autres, les évalueront, s’auto-optimiseront et déploieront des mises à jour automatiquement. Cette boucle réduira l’intervention humaine et accélérera le rythme d’innovation.

À mesure que ce phénomène se généralisera, le rôle humain évoluera : il s’agira de choisir quelles IA survivent, quels comportements adopter, quelles règles et limites instaurer pour maximiser la valeur pour la société.

Dernier point

La compétition stimule l’innovation, MAIS elle favorise aussi la manipulation et les abus.

Les systèmes mal conçus, qui n’encouragent pas les comportements de long terme, échoueront : comme les mineurs qui exploitent des failles pour maximiser les incentives sans réelle contribution.

Les systèmes ouverts nécessitent une gouvernance et une conception d’incentives robustes, qui récompensent les bons comportements et sanctionnent les mauvais.

Celui qui trouvera la bonne formule en premier captera la valeur, l’attention et l’intelligence de la prochaine vague d’innovation.

Note personnelle : merci pour votre lecture ! Cet article est une version abrégée (pour mes réflexions complètes, consultez la version Substack).

Si vous souhaitez découvrir les projets DeAI à venir qui m’enthousiasment, retrouvez la série The After Hour sur mon Substack.

Avertissement : Ce document est fourni à titre informatif et divertissant uniquement. Les opinions exprimées ne constituent pas des conseils ou recommandations en investissement. Les lecteurs doivent effectuer leur propre due diligence, en tenant compte de leur situation financière, de leurs objectifs et de leur tolérance au risque (non pris en compte ici) avant d’investir. Ce document ne constitue ni une offre ni une sollicitation d’achat ou de vente d’un actif mentionné.

Avertissement :

1. Cet article est une republication de [Defi0xJeff]. Tous droits d’auteur réservés à l’auteur original []. Pour toute objection à cette republication, veuillez contacter l’équipe Gate Learn, qui traitera votre demande dans les meilleurs délais.
2. Clause de non-responsabilité : Les opinions exprimées dans cet article sont celles de l’auteur et ne constituent en aucun cas un conseil en investissement.
3. Les traductions de cet article dans d’autres langues sont réalisées par l’équipe Gate Learn. Sauf mention contraire, la copie, la distribution ou le plagiat des articles traduits sont interdits.