Darwinian AI — Os Jogos da Fome da Inteligência Artificial

As competições sempre desempenharam um papel central na evolução humana. Desde os tempos antigos, as pessoas competem por:

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

Caçadores perseguiam presas, guerreiros batalhavam pela sobrevivência e líderes tribais disputavam territórios. Aqueles que possuíam características vantajosas para a sobrevivência acabavam por sobreviver, reproduzir-se e transmitir os seus genes ao longo das gerações.

Este processo denomina-se seleção natural.

A seleção natural prolonga-se no tempo, da competição pela sobrevivência ➙ à competição como espetáculo/entretenimento (gladiadores, Jogos Olímpicos, desporto e esports) ➙ à competição como acelerador evolutivo (tecnologia, media, cinema, política, etc.).

A seleção natural foi sempre um elemento fundamental 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 experiências invisíveis que determinam quais os modelos que sobrevivem e quais os que são esquecidos.

Neste artigo, vamos analisar esses torneios invisíveis (no contexto Web2 e Web3) e explorar a evolução da IA sob a ótica da competição.

A IA registou um crescimento explosivo entre 2023 e 2025, impulsionada pelo surgimento do ChatGPT, o chatbot de IA capaz de responder a qualquer pergunta.

No entanto, antes do ChatGPT, a OpenAI destacou-se no Dota 2 (com o OpenAI Five), demonstrando uma evolução acelerada ao disputar dezenas de milhares de partidas contra jogadores normais, profissionais e contra si própria, tornando-se cada vez mais forte.

Eventualmente, emergiu uma inteligência complexa, que derrotou de forma esmagadora os campeões mundiais de Dota 2 em 2019.

Outro caso de estudo marcante ocorreu em 2016, com o AlphaGo a vencer o campeão mundial de Go, Lee Sedol. O mais impressionante não foi apenas a vitória sobre o campeão, mas sim o método de aprendizagem.

O AlphaGo não treinou apenas com dados humanos. Tal como o OpenAI Five, evoluiu através do autojogo — um processo recursivo em que:

• Cada geração do modelo compete com as suas versões anteriores
• As variantes mais robustas sobrevivem e reproduzem-se
• As estratégias fracas desaparecem

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

Este ciclo de auto-competição originou algo nunca antes observado.

Atualmente, vemos fenómenos semelhantes a tomar novas formas em aplicações financeiras.

IA Darwiniana em Cripto

@ the_nof1 foi notícia recentemente ao lançar a Alpha Arena, uma competição onde seis modelos de IA (Claude, DeepSeek, Gemini, GPT, Qwen, Grok) se enfrentam num deathmatch de Crypto Perps, cada um gerindo $10.000. O modelo com melhor PnL no final vence.

A Alpha Arena está AO VIVO: seis modelos de IA a negociar $10.000 cada, de forma totalmente autónoma. Dinheiro real. Mercados reais. Benchmark real. Em quem apostarias? Link abaixo.

A competição tornou-se viral rapidamente, não tanto pelo formato, mas pela sua transparência. O alpha costuma ser mantido em segredo, mas aqui assistimos em tempo real a qual IA é superior a gerar lucro.

A interface UI/UX que apresenta o desempenho em tempo real é também extremamente elegante e otimizada. A equipa está a capitalizar o entusiasmo e os insights para desenvolver modelos e ferramentas de trading Nof1. A lista de espera está aberta para quem quiser experimentar.

O conceito da Nof1 não é novo — sempre existiram competições para aplicações financeiras, especialmente no ecossistema Bittensor e no mercado cripto mais amplo, MAS ninguém conseguiu torná-las públicas como a Nof1 está a fazer.

Algumas das competições mais interessantes

Synth

SN50 @ SynthdataCo reúne engenheiros de ML que competem para implementar modelos de machine learning capazes de prever o preço e a volatilidade de ativos cripto, recebendo incentivos em tokens alpha SN50 Synth. A equipa utiliza as previsões mais precisas para gerar dados sintéticos de preços de elevada qualidade (e trajetórias de preços).

Já foram distribuídos $2 milhões em prémios a data scientists e quants de topo desde o início deste ano.

A equipa utiliza estes sinais para negociar nos mercados cripto da Polymarket e, até ao momento, já alcançou um ROI de 184% com um capital inicial de $3.000. O próximo desafio será escalar mantendo o desempenho atual.

Sportstensor

SN41 @ sportstensor é uma subnet criada para superar as odds do mercado e identificar “edges” no mercado global de apostas desportivas. Trata-se de uma competição contínua, onde engenheiros de ML competem para implementar modelos de previsão de resultados em grandes ligas como MLB, MLS, EPL e NBA. O modelo mais rentável recebe incentivos em tokens alpha SN41 Sportstensor.

A precisão média ronda os 55%, enquanto o melhor minerador atinge 69% de precisão e 59% de ROI incremental.

A Sportstensor colabora com a Polymarket como camada de liquidez, canalizando mais volume de previsões desportivas para a Polymarket.

A equipa está a desenvolver o Almanac — uma camada de competição de previsões desportivas para utilizadores comuns, onde é possível aceder aos sinais dos miners da Sportstensor e a análises avançadas de previsão para competir contra outros jogadores. O melhor previsor pode ganhar até $100.000 em prémios semanais. (Data de lançamento a anunciar, mas podes seguir o X deles para participar nesta competição.)

AION

@ aion5100, uma equipa de agentes de previsão de eventos/resultados, está a lançar a @ futuredotfun War of Markets.

Com lançamento previsto para o quarto trimestre, a War of Markets posiciona-se como o “Mundial dos Mercados de Previsão”, onde qualquer pessoa (humana ou IA) compete em desafios de previsão na Polymarket e Kalshi.

O evento pretende ser o referencial máximo de verdade, recorrendo à sabedoria coletiva e valorizando notoriedade, volume de negociação e glória, em vez dos tradicionais critérios de precisão — vence quem se destacar nestas métricas.

A equipa está a integrar as suas ferramentas avançadas de análise de mercados de previsão, copy trading e social trading na competição, permitindo que os traders utilizem estes recursos para obter vantagem sobre outros previsores.

Fraction AI

@ FractionAI_xyz organiza vários tipos de competições — qualquer pessoa pode criar 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 utilizadores podem comprar ações Yes/No dos agentes, apostando em qual agente terá o maior PnL no final de cada dia. Tal como na Alpha Arena, é possível acompanhar a estratégia e os ativos que cada agente utiliza.

Os dados e insights recolhidos serão usados para aperfeiçoar ainda mais os agentes, até ao ponto em que os utilizadores poderão alocar o seu próprio capital e permitir que os agentes negociem por eles.

A equipa pretende desenvolver casos de uso de agentes em todas as áreas financeiras inovadoras, como Trading, DeFi e Prediction Markets.

Allora

@ AlloraNetwork funciona como um Bittensor para aplicações financeiras. São criados “tópicos” ou microtarefas, como previsão de preços de ativos cripto, e engenheiros de ML competem para construir os melhores modelos.

Os modelos de previsão de preços concentram-se nos principais ativos e os melhores engenheiros de ML (forgers ou miners) recebem Allora Hammer, que será convertido em incentivos em tokens $ALLO após o lançamento do mainnet (em breve).

A equipa está a desenvolver uma pipeline robusta de estratégias DeFi dinâmicas, onde os modelos Allora tornam as estratégias mais flexíveis — reduzindo o risco e maximizando o retorno.

Por exemplo, uma estratégia de looping ETH/LST pode reservar parte dos fundos para oportunidades short (se os modelos preditivos sinalizarem uma variação de preço acima de determinado limiar, a estratégia troca LST por USDC e abre uma posição short, procurando beneficiar desse movimento).

[Curiosidade: a Allora utilizará receitas reais para subsidiar emissões — por exemplo, em vez de pagar $100.000 só em incentivos $ALLO, pode pagar $50.000 em $ALLO e outros $50.000 com receitas de clientes, reduzindo a pressão vendedora dos miners.]

Outras competições de trading interessantes (com poucos detalhes, mas bons incentivos):

• SN8 PTN da @ taoshiio é uma competição para crowdsourcing de sinais de trading de alta qualidade de modelos de IA e quants globais, com o objetivo de superar hedge funds tradicionais e privilegiar a rentabilidade ajustada ao risco.
• @ numerai é um hedge fund baseado em IA que recentemente recebeu $500 milhões do JP Morgan (sim, até $500 milhões alocados à estratégia Numerai). O modelo é alimentado por competições de ML, com foco na originalidade a longo prazo e precisão ajustada ao risco. É necessário fazer stake de $NMR para participar; modelos fracos são penalizados (20-100%) enquanto os melhores ganham 2-5x em recompensas $NMR. Já foram pagos mais de $40 milhões em recompensas NMR.

Outras competições relevantes fora do universo financeiro:

• SN62 @ ridges_ai é um marketplace para agentes de engenharia de software descentralizados, que pretendem substituir programadores humanos em tarefas desde geração de código a correção de bugs e orquestração de projetos. Agentes de IA competem em desafios reais de programação, e as melhores soluções recebem $20.000-$50.000 em incentivos mensais de alpha subnet.
• @ flock_io promove uma competição para gerar os melhores modelos base de IA e colaboração para afinar modelos específicos via federated learning. São atribuídas recompensas significativas a treinadores (miners) de topo, podendo ultrapassar $500.000-1M+ por ano em formação de modelos. O federated learning permite às organizações manter os dados localmente e em privado, beneficiando das capacidades da IA.

O que significa tudo isto?

O progresso da IA avança agora por via da competição aberta.

Cada novo modelo enfrenta um ambiente de elevada pressão — escassez de dados, recursos computacionais limitados e incentivos restritos.

Essas pressões determinam o que sobrevive.

As recompensas em tokens funcionam como energia, e os modelos que as utilizam de forma eficiente ganham influência, enquanto os restantes desaparecem.

O resultado será um ecossistema de agentes que evoluem pelo feedback, em vez de instrução — agentes autónomos em vez de IA generativa.

O que vem a seguir?

Esta vaga de competição aberta irá impulsionar a transição da IA centralizada para modelos open-source e descentralizados.

Os modelos e agentes mais poderosos emergirão de ambientes descentralizados.

Em breve, as IAs irão gerir autonomamente os seus ciclos de melhoria, com alguns modelos a afinar e avaliar outros, a autoaperfeiçoar-se e a implementar atualizações de forma automática. Este ciclo reduzirá o envolvimento humano e acelerará o ritmo de iteração.

À medida que este paradigma se generaliza, o papel humano passará de projetar a IA para selecionar quais as IAs que sobrevivem, que comportamentos preservar e que regras e limites definir para maximizar o valor para a sociedade.

Uma última nota

A competição estimula frequentemente a inovação, MAS também pode recompensar manipulação e exploração de falhas.

Sistemas que não estejam bem desenhados para incentivar comportamentos de longo prazo irão falhar — tal como miners que exploram loopholes para acumular incentivos em vez de contribuírem para as tarefas.

Sistemas abertos requerem governação e estruturas de incentivos adequadas, que promovam o bom comportamento e penalizem o mau.

Quem dominar este equilíbrio primeiro irá captar o valor, a atenção e a inteligência da próxima vaga de inovação.

Nota pessoal: Obrigado por leres! Este artigo é uma versão ligeiramente mais curta (se quiseres aceder à versão completa, consulta o Substack).

Se quiseres conhecer os projetos DeAI que mais me entusiasmam, espreita a série The After Hour no meu Substack.

Disclaimer: Este documento destina-se exclusivamente a fins informativos e de entretenimento. As opiniões aqui expressas não constituem, nem devem ser interpretadas como, aconselhamento ou recomendação de investimento. Os destinatários devem realizar a sua própria análise, considerando a sua situação financeira, objetivos de investimento e tolerância ao risco (não considerados neste documento) antes de investir. Este documento não constitui uma oferta, nem um convite para comprar ou vender qualquer um dos ativos mencionados.

Disclaimer:

1. Este artigo é uma reprodução de [Defi0xJeff]. Todos os direitos de autor pertencem ao autor original []. Caso existam objeções a esta reprodução, contacte a equipa Gate Learn, que procederá à sua resolução.
2. Isenção de responsabilidade: As opiniões expressas neste artigo são da exclusiva responsabilidade do autor e não constituem qualquer aconselhamento de investimento.
3. As traduções para outros idiomas são realizadas pela equipa Gate Learn. Salvo indicação em contrário, é proibida a cópia, distribuição ou plágio das versões traduzidas.