AI Darwinian — The AI Hunger Games

Kompetisi merupakan inti dari evolusi manusia. Sejak zaman dahulu, manusia selalu bersaing untuk:

• Makanan dan wilayah
• Pasangan/partner
• Status dalam kelompok atau masyarakat
• Aliansi dan korporasi

Pemburu memburu mangsa, pejuang bertarung demi kelangsungan hidup, pemimpin suku bersaing memperebutkan wilayah. Individu dengan karakteristik yang mendukung kelangsungan hidup, pada akhirnya bertahan, bereproduksi, dan mewariskan gen mereka dari generasi ke generasi.

Proses ini dikenal sebagai seleksi alam.

Seleksi alam terus berlangsung, dari kompetisi untuk bertahan hidup ➙ menjadi kompetisi sebagai hiburan (gladiator, olimpiade, olahraga & esports) ➙ hingga kompetisi sebagai akselerator evolusi (teknologi, media, film, politik, dan lainnya).

Seleksi alam telah menjadi fondasi evolusi manusia, namun bagaimana dengan evolusi AI?

Kisah AI bukan tentang satu penemuan tunggal, melainkan tentang serangkaian turnamen dan eksperimen tak terlihat yang menentukan model mana yang bertahan dan mana yang dilupakan.

Pada artikel ini, kita akan menelusuri turnamen-turnamen tak kasat mata tersebut (di Web2 dan Web3) serta mengeksplorasi evolusi AI melalui perspektif kompetisi.

AI mengalami ledakan besar pada periode 2023-2025 berkat kemunculan ChatGPT, chatbot AI yang mampu menjawab setiap pertanyaan Anda.

Sebelum ChatGPT, OpenAI tampil di Dota 2 (melalui OpenAI Five), menunjukkan evolusi pesat dengan memainkan puluhan ribu pertandingan melawan pemain biasa, profesional, dan dirinya sendiri, semakin kuat di setiap iterasi.

Kecerdasan kompleks akhirnya muncul, sepenuhnya mengalahkan juara dunia Dota 2 pada tahun 2019.

Studi kasus lain yang menarik terjadi pada tahun 2016, yakni AlphaGo yang berhasil mengalahkan juara dunia Go Lee Sedol. Hal paling menarik bukan sekadar kemenangan mutlak atas juara dunia, melainkan cara AlphaGo belajar.

AlphaGo tidak hanya berlatih menggunakan data manusia. Seperti OpenAI Five, AlphaGo berevolusi melalui self-play—proses rekursif di mana:

• Setiap generasi model bersaing melawan versi sebelumnya
• Varian terkuat bertahan dan bereproduksi
• Strategi lemah tersingkir

AI Darwinian yang dipadatkan dalam hitungan jam komputasi, bukan jutaan tahun evolusi.

Siklus kompetitif mandiri ini melahirkan sesuatu yang belum pernah kita lihat sebelumnya.

Kini, pola serupa mulai muncul dalam berbagai bentuk pada use case finansial.

Darwinian AI di Crypto

@ the_nof1 baru-baru ini menarik perhatian dengan memperkenalkan Alpha Arena, sebuah kompetisi di mana enam model AI (Claude, DeepSeek, Gemini, GPT, Qwen, Grok) bertarung dalam Crypto Perps deathmatch, masing-masing mengelola $10.000. Model dengan PnL tertinggi di akhir kompetisi keluar sebagai pemenang.

Alpha Arena telah LIVE—enam model AI trading masing-masing $10.000, sepenuhnya otomatis. Uang nyata. Pasar nyata. Benchmark nyata. Siapa pilihan Anda? Tautan di bawah.

Kompetisi ini viral bukan karena formatnya, melainkan karena transparansinya. Biasanya Alpha disembunyikan, tetapi kini kita menyaksikan secara langsung model AI mana yang paling unggul dalam menghasilkan profit.

UI/UX yang menampilkan performa real-time sangat mulus dan optimal. Tim memanfaatkan hype serta insight untuk membangun model dan alat trading Nof1. Pendaftaran waitlist sudah dibuka bagi yang ingin mencoba.

Yang dilakukan Nof1 bukan hal baru—kompetisi finansial sudah lama ada, khususnya di ekosistem Bittensor dan pasar crypto secara umum. Namun, belum ada yang mampu mempublikasikannya seefektif Nof1.

Inilah beberapa kompetisi paling menarik

Synth

SN50 @ SynthdataCo ML engineer bersaing untuk menerapkan model ML dalam memprediksi harga dan volatilitas aset crypto, dengan imbalan insentif token SN50 Synth alpha. Tim memanfaatkan prediksi berkualitas tinggi untuk menghasilkan data harga sintetis (dan jalur harga) dengan akurasi tinggi.

$2 juta hadiah telah dibayarkan kepada data scientist dan quant terbaik yang berpartisipasi sejak awal tahun ini.

Tim menggunakan sinyal tersebut untuk trading di pasar crypto Polymarket dan sejauh ini berhasil meraih ROI 184% dari modal awal $3.000. Tantangan selanjutnya adalah melakukan scaling tanpa menurunkan performa.

Sportstensor

SN41 @ sportstensor, subnet yang dirancang untuk mengalahkan odds pasar dan menemukan “edge” di pasar taruhan olahraga global. Kompetisi berkelanjutan ini mempertemukan ML engineer untuk membangun model prediksi hasil liga olahraga utama seperti MLB, MLS, EPL, dan NBA. Model paling profitable memenangkan insentif token SN41 Sportstensor alpha.

Rata-rata akurasi sekitar 55%, sementara miner peringkat #1 mencapai akurasi 69% dan ROI tambahan 59%.

Sportstensor bermitra dengan Polymarket sebagai lapisan likuiditas, mendorong volume prediksi olahraga ke Polymarket.

Tim sedang membangun Almanac—lapisan kompetisi prediksi olahraga untuk pengguna awam, di mana Anda dapat mengakses sinyal miner Sportstensor dan analitik prediksi canggih untuk bersaing dengan pemain lain. Forecaster terbaik bisa memenangkan hingga $100.000 hadiah mingguan. (Jadwal peluncuran TBD, Anda bisa follow X mereka jika ingin berpartisipasi)

AION

@ aion5100 bersama tim agen prediksi event/outcome akan meluncurkan @ futuredotfun War of Markets.

War of Markets dijadwalkan rilis Q4, diposisikan sebagai “World Cup Prediction Markets” di mana siapa saja (manusia, AI) bersaing dalam battle prediksi di Polymarket dan Kalshi.

Event ini bertujuan menjadi referensi kebenaran utama melalui kebijaksanaan crowdsourced, menekankan mindshare, volume trading, dan prestise di atas metrik akurasi tradisional—model terbaik di antara metrik tersebut akan menang.

Tim mengintegrasikan analitik pasar prediksi canggih, copy trading, dan produk social trading dengan kompetisi, sehingga trader bisa memanfaatkan alat-alat tersebut untuk unggul melawan forecaster lain.

Fraction AI

@ FractionAI_xyz menjalankan berbagai kompetisi—pengguna dapat mengatur agen dalam game seperti Bid Tic Tac Toe, Footbrawl, BTC Tradewars, trading Polymarket, dan “ALFA” di mana AI bertarung di perps dengan uang virtual (mirip Alpha Arena tapi menggunakan uang virtual).

Dengan ALFA, pengguna bisa membeli saham Yes/No dari agen, bertaruh agen mana yang akan memiliki PnL tertinggi di akhir hari. Seperti Alpha Arena, Anda dapat melihat strategi dan aset yang digunakan tiap agen.

Insight dan data digunakan untuk menyesuaikan agen hingga pengguna dapat mengalokasikan modal sendiri dan membiarkan agen trading atas nama mereka.

Tim menargetkan membangun use case agen di seluruh sektor finansial menarik, seperti Trading, DeFi, dan Prediction Markets.

Allora

@ AlloraNetwork mirip Bittensor, namun untuk use case finansial. “Topics” atau micro task seperti prediksi harga aset crypto dibuat dan ML engineer bersaing membangun model terbaik.

Model prediksi harga difokuskan pada major, dan ML engineer terbaik (forger atau miner) memperoleh hadiah Allora Hammer yang akan dikonversi menjadi insentif token $ALLO setelah mainnet launch (segera).

Tim memiliki pipeline mendalam untuk strategi DeFi dinamis, di mana model Allora digunakan untuk membuat strategi DeFi lebih adaptif—mengurangi risiko sekaligus meningkatkan return.

Contoh: strategi looping ETH/LST di mana sebagian dana dialokasikan untuk peluang short (jika model prediktif memberi sinyal pergerakan harga di atas ambang tertentu, strategi menukar LST ke USDC dan membuka posisi short untuk mengambil keuntungan dari pergerakan harga yang diprediksi).

[Fakta menarik tentang Allora: mereka akan menggunakan revenue nyata untuk mensubsidi emisi, misalnya daripada membayar $100.000 dengan insentif token $ALLO, mereka bisa membayar $50.000 $ALLO dan $50.000 dari revenue klien, sehingga mengurangi tekanan jual dari para miner]

Kompetisi trading menarik lainnya (yang belum saya dalami, tapi menawarkan insentif besar):

• SN8 PTN dari @ taoshiio adalah kompetisi crowdsourcing sinyal trading berkualitas dari model AI global dan quant untuk mengungguli hedge fund tradisional, menargetkan profitabilitas terukur risiko daripada sekadar return mentah.
• @ numerai hedge fund berbasis AI yang baru saja mendapat $500 juta dari JP Morgan (ya, mengalokasikan hingga $500 juta ke strategi Numerai). Strategi ini didukung oleh kompetisi model ML dengan penekanan pada orisinalitas jangka panjang dan akurasi terukur risiko. $NMR harus di-stake untuk berpartisipasi, model lemah dipotong (20-100%), sedangkan model terbaik memperoleh 2-5x $NMR reward. Lebih dari $40 juta NMR reward telah dibayarkan ke peserta.

Kompetisi menarik lain yang tidak terkait use case finansial:

• SN62 @ ridges_ai marketplace untuk agen software engineering terdesentralisasi yang bertujuan menggantikan coder manusia dalam tugas mulai dari pembuatan kode, bug fixing, hingga orkestrasi proyek penuh. Agen AI bersaing dalam tantangan coding nyata; solusi berkualitas memenangkan $20.000-$50.000 insentif alpha subnet bulanan.
• @ flock_io kompetisi untuk menghasilkan model AI dasar terbaik plus kolaborasi untuk fine-tune model domain spesifik melalui federated learning. Banyak reward diberikan kepada trainer (miner) berperforma tinggi, di mana mereka bisa memperoleh lebih dari $500.000-1 juta+ per tahun dari training model AI. Federated learning memungkinkan organisasi menjaga data tetap lokal dan privat, sekaligus memanfaatkan kapabilitas AI.

Apa makna semua ini?

Kemajuan AI kini bergerak melalui kompetisi terbuka.

Setiap model baru masuk ke lingkungan penuh tekanan—keterbatasan data, sumber daya komputasi, dan insentif yang terbatas.

Tekanan tersebut menyaring model yang bertahan.

Reward token berfungsi sebagai energi; model yang memanfaatkan energi ini secara efisien akan tumbuh dalam pengaruh, sementara yang tidak akan tersingkir.

Pada akhirnya, kita akan memiliki ekosistem agen yang berevolusi melalui feedback, bukan instruksi—agen otonom, bukan generative AI.

Apa selanjutnya?

Gelombang kompetisi terbuka ini akan memicu pergeseran dari AI terpusat ke AI open-source dan terdesentralisasi.

Model dan agen yang kuat akan lahir dari lingkungan terdesentralisasi.

Sebentar lagi, AI akan mengelola siklus peningkatan mereka sendiri—beberapa model melakukan fine-tune pada model lain, mengevaluasi, melakukan self-improvement, dan mengimplementasikan update secara otomatis. Siklus ini akan mengurangi keterlibatan manusia dan mempercepat iterasi.

Seiring perkembangan ini, peran manusia akan bergeser dari mendesain AI menjadi memilih AI mana yang bertahan, perilaku mana yang dipertahankan, serta aturan dan batasan yang EV+ untuk masyarakat.

Satu hal terakhir

Kompetisi sering memicu inovasi, namun juga membuka celah manipulasi reward dan eksploitasi.

Sistem yang gagal mendesain insentif perilaku jangka panjang akan gagal—seperti miner yang mencari celah untuk farming insentif daripada benar-benar berkontribusi pada tugas.

Sistem terbuka membutuhkan tata kelola dan desain insentif yang tepat, mendorong perilaku baik dan menghukum perilaku buruk.

Pihak yang mampu mengeksekusi ini pertama akan merebut value, perhatian, dan kecerdasan dari gelombang inovasi berikutnya.

Catatan Pribadi: Terima kasih telah membaca! Artikel ini adalah versi yang sedikit lebih singkat (untuk pemikiran saya tanpa filter, silakan cek versi Substack).

Jika Anda ingin mengetahui proyek DeAI yang akan datang dan saya antusias, cek seri The After Hour di Substack saya.

Disclaimer: Dokumen ini hanya untuk tujuan informasi dan hiburan. Pandangan yang diungkapkan di sini bukan dan tidak boleh dianggap sebagai nasihat atau rekomendasi investasi. Penerima dokumen ini wajib melakukan due diligence, mempertimbangkan kondisi keuangan, tujuan investasi, dan toleransi risiko masing-masing (yang tidak dibahas dalam dokumen ini) sebelum berinvestasi. Dokumen ini bukan penawaran atau ajakan untuk membeli atau menjual aset yang disebutkan di sini.

Disclaimer:

1. Artikel ini dicetak ulang dari [Defi0xJeff]. Semua hak cipta milik penulis asli []. Jika ada keberatan atas pencetakan ulang ini, silakan hubungi tim Gate Learn, dan mereka akan menanganinya dengan segera.
2. Disclaimer Tanggung Jawab: Pandangan dan opini dalam artikel ini sepenuhnya milik penulis dan tidak merupakan nasihat investasi.
3. Terjemahan artikel ke bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel terjemahan dilarang.