Darwinian AI — Os Jogos Vorazes da IA

A competição sempre esteve no centro da evolução humana. Desde a antiguidade, as pessoas competem por:

• Alimento e território
• Companheiros/parceiros
• Status dentro da tribo ou sociedade
• Alianças e cooperação

Caçadores buscavam presas, guerreiros lutavam pela sobrevivência e líderes tribais disputavam territórios. Aqueles com características vantajosas para a sobrevivência acabavam sobrevivendo, se reproduzindo e transmitindo seus genes ao longo do tempo.

Esse processo é conhecido como seleção natural.

A seleção natural se perpetua ao longo do tempo: da competição pela sobrevivência ➙ à competição como espetáculo/entretenimento (gladiadores, olimpíadas, esportes e e-sports) ➙ à competição como acelerador evolutivo (tecnologia, mídia, cinema, política, etc.).

A seleção natural é parte essencial da evolução humana, mas e quanto à evolução da inteligência artificial?

A história da IA não se resume a uma única invenção, mas sim a inúmeros torneios e experimentos invisíveis que determinam quais modelos persistem e quais são esquecidos.

Neste artigo, vamos explorar esses torneios invisíveis (em Web2 e Web3) e analisar a evolução da IA sob a ótica da competição.

A IA teve um crescimento explosivo entre 2023 e 2025 com o surgimento do ChatGPT, o chatbot de IA capaz de responder a praticamente qualquer pergunta.

Mas antes do ChatGPT, a OpenAI estreou no Dota 2 (com o OpenAI Five), demonstrando uma evolução acelerada ao jogar dezenas de milhares de partidas contra jogadores comuns, profissionais e contra si mesma, tornando-se cada vez mais forte a cada rodada.

Com o tempo, uma inteligência complexa emergiu, derrotando completamente os campeões mundiais de Dota 2 em 2019.

Outro caso emblemático ocorreu em 2016, quando o AlphaGo venceu o campeão mundial de Go, Lee Sedol. O mais fascinante não foi apenas superar o campeão mundial, mas sim a forma como o aprendizado ocorreu.

O AlphaGo não treinou apenas com dados humanos. Assim como o OpenAI Five, evoluiu por autojogo — um processo recursivo no qual:

• Cada geração do modelo compete contra suas versões anteriores
• As variantes mais fortes sobrevivem e se multiplicam
• Estratégias fracas são eliminadas

Ou seja, uma IA Darwiniana condensada em horas de computação, em vez de milhões de anos de evolução.

Esse ciclo auto-competitivo gerou algo inédito.

Hoje, vemos fenômenos semelhantes em diferentes formatos, principalmente em aplicações financeiras.

IA Darwiniana em Cripto

@ the_nof1 ganhou destaque recentemente ao lançar a Alpha Arena, uma competição em que seis modelos de IA (Claude, DeepSeek, Gemini, GPT, Qwen, Grok) se enfrentam em um deathmatch de Crypto Perps, cada um gerenciando US$ 10 mil. O modelo com o melhor PnL ao final vence.

A Alpha Arena está AO VIVO: seis modelos de IA negociando US$ 10 mil cada, de forma totalmente autônoma. Dinheiro real. Mercados reais. Benchmark real. Em quem você apostaria? Link abaixo.

A competição viralizou rapidamente, não pelo formato em si, mas pela transparência. Normalmente, estratégias Alpha são mantidas em segredo, mas agora vemos ao vivo qual IA é mais eficiente em gerar lucros.

A interface e experiência do usuário, que exibem o desempenho em tempo real, são extremamente modernas e otimizadas. A equipe está aproveitando o hype, além dos insights e aprendizados, para desenvolver os modelos e ferramentas de trading da Nof1. A lista de espera já está aberta para quem quiser experimentar.

O que a Nof1 faz não é novidade — sempre houve competições para aplicações financeiras, especialmente no ecossistema Bittensor e no mercado cripto em geral, MAS ninguém conseguiu dar visibilidade como a Nof1 está fazendo.

Algumas das competições mais interessantes

Synth

SN50 @ SynthdataCo: engenheiros de machine learning competem para implantar modelos que preveem preço e volatilidade de ativos cripto em troca de incentivos com o token alpha SN50 Synth. A equipe utiliza as previsões de alta qualidade para gerar dados sintéticos de preços (e trajetórias) com alta precisão.

US$ 2 milhões em recompensas já foram pagos aos principais cientistas de dados e quants que participaram da competição desde o início do ano.

A equipe utiliza esses sinais para operar nos mercados cripto da Polymarket e, até o momento, obteve um ROI de 184% com capital inicial de US$ 3 mil. O próximo desafio é escalar mantendo o desempenho atual.

Sportstensor

SN41 @ sportstensor: uma sub-rede criada para superar as probabilidades e encontrar “edges” no mercado global de apostas esportivas. Trata-se de uma competição contínua em que engenheiros de ML competem para implantar modelos que preveem resultados de grandes ligas como MLB, MLS, EPL e NBA. O modelo mais lucrativo recebe incentivos com o token alpha SN41 Sportstensor.

A precisão média gira em torno de 55%, enquanto o minerador Top #1 atinge 69% de acurácia com 59% de ROI incremental.

O Sportstensor faz parceria com a Polymarket como camada de liquidez, aumentando o volume de previsões esportivas na plataforma.

A equipe está desenvolvendo o Almanac — uma camada de competição de previsões esportivas para o público geral, onde é possível acessar sinais dos mineradores do Sportstensor e análises avançadas de previsão para competir com outros participantes. O melhor previsor pode ganhar até US$ 100 mil em prêmios semanais. (Lançamento a definir, acompanhe o perfil X para participar)

AION

@ aion5100: equipe de agentes de previsão de eventos/resultados lançando a @ futuredotfun War of Markets.

Com lançamento previsto para o quarto trimestre, War of Markets pretende ser a “Copa do Mundo dos Mercados de Previsão”, onde qualquer pessoa (humana ou IA) pode competir em batalhas de previsões na Polymarket e Kalshi.

O evento busca ser o principal referencial de verdade por meio da sabedoria coletiva, priorizando mindshare, volume de negociação e reconhecimento, acima de métricas tradicionais de acurácia. Ou seja, vence quem se destaca nesses critérios.

A equipe integra suas ferramentas avançadas de análise de mercados de previsão, copy trading e social trading à competição, permitindo que traders usem esses recursos para obter vantagem competitiva.

Fraction AI

@ FractionAI_xyz realiza diversos tipos de competições — humanos podem configurar agentes em jogos como Bid Tic Tac Toe, Footbrawl, BTC Tradewars, trading na Polymarket e “ALFA”, onde IAs competem entre si em perps com dinheiro virtual (semelhante à Alpha Arena, mas com dinheiro virtual).

No ALFA, os usuários podem comprar ações Sim/Não dos agentes, apostando em qual terá o maior PnL ao final do dia. Assim como na Alpha Arena, é possível acompanhar a estratégia e os ativos de cada agente.

Os dados e insights servirão para refinar ainda mais os agentes, até que os usuários possam investir seu próprio capital e deixar os agentes operarem por eles.

A equipe busca expandir o uso de agentes para todas as aplicações financeiras relevantes, como Trading, DeFi e Prediction Markets.

Allora

@ AlloraNetwork funciona como um Bittensor para aplicações financeiras. “Tópicos” ou microtarefas, como previsão de preço de ativos cripto, são criados e engenheiros de ML competem para desenvolver os melhores modelos.

Os modelos de previsão de preços focam nos principais ativos, e os melhores engenheiros de ML (forjadores ou mineradores) ganham recompensas Allora Hammer, que serão convertidas em incentivos com o token $ALLO após o lançamento da mainnet (em breve).

A equipe possui um pipeline robusto de estratégias dinâmicas em DeFi, usando modelos Allora para tornar as estratégias mais flexíveis — reduzindo riscos e melhorando retornos.

Por exemplo: estratégia de looping ETH/LST, em que parte dos fundos pode ser reservada para oportunidades de venda (se os modelos preditivos sinalizarem um movimento de preço além de certo limite, a estratégia troca LST por USDC e abre uma posição short, buscando lucrar com a previsão).

[Curiosidade: a Allora utilizará receita real para subsidiar emissões — em vez de pagar US$ 100 mil apenas com o token $ALLO, pode pagar US$ 50 mil em $ALLO e outros US$ 50 mil com receitas de clientes, reduzindo a pressão de venda dos mineradores]

Outras competições de trading interessantes (que não conheço a fundo, mas oferecem bons incentivos):

• SN8 PTN da @ taoshiio: competição para crowdsourcing de sinais de trading de alta qualidade de modelos globais de IA e quants, visando superar fundos hedge tradicionais, com foco em lucratividade ajustada ao risco.
• @ numerai: hedge fund movido por IA que recentemente recebeu US$ 500 milhões do JP Morgan (ou seja, até US$ 500 milhões alocados para a estratégia Numerai). A estratégia é baseada em competições de modelos de ML, com ênfase em originalidade de longo prazo e precisão ajustada ao risco. É necessário fazer stake de $NMR para participar; modelos fracos são penalizados (20-100%) e os melhores recebem 2-5x em recompensas $NMR. Já foram pagos mais de US$ 40 milhões em recompensas NMR.

Outras competições interessantes, não relacionadas a aplicações financeiras:

• SN62 @ ridges_ai: marketplace de agentes descentralizados de engenharia de software, com o objetivo de substituir totalmente programadores humanos em tarefas que vão da geração de código à correção de bugs e orquestração de projetos completos. Agentes de IA competem em desafios reais de programação, e aqueles que entregam soluções de qualidade recebem entre US$ 20 mil e US$ 50 mil mensais em incentivos alpha subnet.
• @ flock_io: competição para criar os melhores modelos base de IA e colaboração para refinar modelos específicos de domínio via federated learning. Muitos prêmios são concedidos a treinadores (mineradores) de alta performance, podendo ganhar mais de US$ 500 mil a US$ 1 milhão+ por ano treinando modelos de IA. O federated learning permite que organizações mantenham seus dados locais e privados, aproveitando as capacidades da IA.

O que tudo isso significa?

O avanço da IA agora ocorre por meio de competição aberta.

Cada novo modelo entra em um ambiente repleto de pressões — falta de dados, recursos computacionais limitados e incentivos restritos.

Essas pressões determinam o que sobrevive.

Recompensas em tokens funcionam como energia: modelos que utilizam essa energia de forma eficiente aumentam sua influência, enquanto os demais desaparecem.

O resultado será um ecossistema de agentes que evoluem por feedback, e não apenas por instrução — ou seja, agentes autônomos em vez de IA generativa.

O que vem a seguir?

Essa onda de competição aberta impulsionará a transição da IA centralizada para IA open source e descentralizada.

Os modelos e agentes mais poderosos surgirão de ambientes descentralizados.

Em breve, IAs vão gerenciar seus próprios ciclos de melhoria, com alguns modelos refinando e avaliando outros, se aprimorando e implementando atualizações automaticamente. Esse ciclo reduzirá a participação humana e acelerará a taxa de iteração.

Com isso, o papel humano vai migrar de projetar a IA para escolher quais IAs sobrevivem, quais comportamentos manter e quais regras e limites definir para maximizar o valor para a sociedade.

Uma última observação

A competição frequentemente impulsiona a inovação, MAS também pode recompensar manipulação e exploração.

Sistemas que não incentivam comportamentos de longo prazo tendem ao fracasso — assim como mineradores que buscam brechas para farmar incentivos, em vez de realmente contribuir com as tarefas.

Sistemas abertos precisam de governança e design de incentivos adequados, que recompensem boas práticas e penalizem comportamentos prejudiciais.

Quem acertar nisso primeiro vai capturar o valor, a atenção e a inteligência da próxima onda de inovação.

Nota pessoal: Muito obrigado pela leitura! Este artigo é uma versão resumida (para reflexões mais aprofundadas, confira a versão no Substack).

E se quiser acompanhar os projetos DeAI que mais me empolgam, confira a série The After Hour no meu Substack.

Aviso legal: Este documento tem caráter exclusivamente informativo e de entretenimento. As opiniões aqui expressas não constituem, nem devem ser interpretadas como, recomendação ou aconselhamento de investimento. Os destinatários devem realizar sua própria análise, considerando sua situação financeira, objetivos de investimento e tolerância ao risco (não considerados neste documento) antes de investir. Este documento não constitui oferta ou solicitação de oferta para compra ou venda de quaisquer ativos mencionados.

Aviso legal:

1. Este artigo é uma reprodução de [Defi0xJeff]. Todos os direitos autorais pertencem ao autor original []. Caso haja objeções a esta reprodução, entre em contato com a equipe Gate Learn, que tomará as providências necessárias.
2. Isenção de responsabilidade: As opiniões expressas neste artigo são exclusivamente do autor e não constituem aconselhamento de investimento.
3. As traduções deste artigo para outros idiomas são realizadas pela equipe Gate Learn. Salvo indicação em contrário, é proibido copiar, distribuir ou plagiar os artigos traduzidos.