원제: 다윈의 AI - AI 헝거 게임

원저자: 0xJeff, AI 투자자

원역자: Saoirse, Foresight News

경쟁은 인간 진화의 핵심이었습니다. 고대부터 인간은 다음과 같은 것을 두고 경쟁해 왔습니다. · 식량과 영토 · 배우자/동료 · 부족이나 사회에서의 지위 · 동맹과 협력 기회

사냥꾼은 먹이를 사냥하고, 전사는 생존을 위해 싸우며, 부족 지도자들은 영토를 다투었습니다. 시간이 지남에 따라 생존에 유리한 우월한 특성을 가진 개체들은 궁극적으로 생존하고 번식하며, 세대를 거쳐 유전자를 전달합니다.

이 과정을 자연 선택이라고 합니다. 자연 선택 과정은 결코 멈추지 않으며, 그 형태는 끊임없이 진화합니다. "생존을 위한 경쟁"에서 "오락으로서의 경쟁"(예: 검투사 시합, 올림픽, 스포츠 경기, e스포츠)으로, 그리고 마지막으로 "진화를 촉진하는 경쟁"(예: 기술, 미디어, 영화, 정치 분야의 경쟁)으로 이어집니다. 자연 선택은 항상 인간 진화의 핵심 동력이었지만, 인공지능의 진화도 이와 같은 논리를 따를까요? 인공지능의 발전은 단 하나의 발명이 아니라, 수많은 "보이지 않는 경쟁과 실험", 즉 궁극적으로 생존하는 모델을 선택하고 잊혀진 모델을 제거하는 경쟁에 의해 결정됩니다. 이 글에서는 이러한 보이지 않는 경쟁(웹 2.0과 웹 3.0 모두 포함)을 심층적으로 살펴보고 경쟁의 관점에서 인공지능의 진화를 분석해 보겠습니다. 함께 탐구해 봅시다.

2023년에서 2025년 사이, 인공지능 분야는 ChatGPT의 등장으로 폭발적인 성장을 이루었습니다.

하지만 ChatGPT 이전에도 OpenAI는 이미 Dota 2("OpenAI Five" 시스템)에 자신의 흔적을 남겼습니다. 일반 플레이어, 프로 플레이어, 심지어 OpenAI 자체와 수만 번의 게임을 진행하면서 빠르게 진화하고 매 경기마다 더욱 강해지는 능력을 보여주었습니다.

그 결과, 2019년 Dota 2 월드 챔피언 팀을 결정적으로 물리친 복잡한 지능형 시스템이 탄생했습니다.

또 다른 잘 알려진 사례는 2016년에 발생했습니다. 알파고가 세계 바둑 챔피언 이세돌을 이긴 것입니다. 이 사건에서 가장 놀라운 점은 알파고가 세계 챔피언을 이겼다는 사실이 아니라, 어떻게 학습했는가였습니다. 알파고의 학습은 인간 데이터에만 의존하지 않았습니다. OpenAI Five처럼 알파고는 자가 대국을 통해 진화했습니다. 이는 순환적인 과정이었습니다. 각 세대의 모델은 이전 세대와 경쟁했고, 가장 성능이 좋은 모델 변형은 살아남아 "증식"(즉, 반복 최적화)했으며, 취약한 전략은 제거되었습니다. 다시 말해, 이 "다윈적 AI"는 일반적으로 수백만 년이 걸리는 진화 과정을 단 몇 시간의 컴퓨팅 시간으로 압축했습니다. 이러한 "자기 경쟁 순환"은 인류 역사상 전례 없는 기술적 혁신을 낳았습니다. 오늘날 우리는 금융 애플리케이션에서도 유사한 경쟁 패턴을 발견하지만, 그 형태는 다릅니다. 지난주 Nof1은 6개의 AI 모델(Claude, DeepSeek, Gemini, GPT, Qwen, Grok)이 1만 달러의 자금을 운용하는 "암호화폐 무기한 계약의 승패를 가르는 대결"인 Alpha Arena를 출시했습니다. 가장 좋은 손익(PnL) 성과를 기록한 모델이 승리합니다. "Alpha Arena가 공식적으로 출시되었습니다! 6개의 AI 모델이 각각 1만 달러를 투자하고 완전히 자율적으로 거래했습니다. 실제 자금, 실제 시장, 실제 벤치마크 - 어떤 모델을 선호하십니까?" 이 대회의 빠른 인기는 규칙 때문이 아니라 개방성에서 비롯됩니다. 일반적으로 알파 전략(즉, 초과 수익 전략)은 엄격하게 기밀로 유지되지만, 이 대회에서는 어떤 AI가 가장 수익성이 높은지 실시간으로 확인할 수 있습니다. 또한, 실시간 거래 성과를 보여주는 사용자 인터페이스(UI/UX)는 놀라울 정도로 세련되고 최적화되어 있습니다. Nof1 팀은 이 대회에서 얻은 최신 정보와 인사이트를 활용하여 Nof1 모델과 거래 도구를 개발하고 있습니다. 관심 있는 사용자는 대기자 명단에 가입하여 도구를 사용해 볼 기회를 얻을 수 있습니다.Nof1의 접근 방식은 새로운 것이 아닙니다. 금융 분야의 경연 대회는 오랫동안 존재해 왔지만(특히 Bittensor 생태계와 더 넓은 암호화폐 시장 내에서), Nof1만큼 대중적이고 접근성이 높은 팀은 없었습니다. 가장 상징적인 경연 대회는 다음과 같습니다. Synth(Synthesizer 경연 대회) (로고: SN50, 호스트: @SynthdataCo) 이 경연 대회에서 머신러닝 엔지니어는 머신러닝 모델을 구축하여 암호화폐 자산의 가격과 변동성을 예측하며, 우승자에게는 SN50 Synth 알파 토큰이 보상으로 제공됩니다. 이러한 고품질 예측은 매우 정확한 "합성 가격 데이터"(및 가격 궤적)를 생성하는 데 사용됩니다.

"올해 초부터 저희는 대회에 참여한 최고의 데이터 과학자와 정량 분석가들에게 200만 달러 이상의 상금을 수여했습니다."

팀은 이러한 예측 신호를 활용하여 Polymarket 플랫폼에서 암호화폐를 거래하고 있으며, 현재까지 초기 자본금 3,000달러로 184%의 순투자수익률(ROI)을 달성했습니다. 다음 과제는 현재 성과 수준을 유지하면서 거래 규모를 확장하는 것입니다.

“Polymarket 플랫폼에서의 최신 거래 진행 상황:

・원금: $3,000

・이익: $5,521

・투자 수익률(ROI): 184%

・연간 수익률(APY): 3,951%

이 모든 것은 Synth의 예측 모델을 기반으로 합니다. 이번 주의 새로운 기능에 대해 논의하겠습니다. 이 기능의 논리는 "검색" 열에 자세히 설명되어 있습니다.

Sportstensor(스포츠 예측 대회)

(로고: SN41, Initiator: @sportstensor)

이 서브넷은 "시장의 역경을 극복하는 것"에 집중하며, 글로벌 스포츠 베팅 시장에서 "이점 기회"를 발굴하는 것을 목표로 합니다. 머신러닝 엔지니어들은 메이저 리그 야구(MLB), 메이저 리그 축구(MLS), 영국 프리미어 리그(EPL), 미국 프로농구(NBA) 등 주요 스포츠 리그의 결과를 예측하는 모델을 구축해야 하는 지속적인 경쟁을 벌이고 있습니다. 수익성을 달성하는 "최고의 모델"은 SN41 Sportstensor Alpha 토큰으로 보상받게 됩니다.

현재 참여 모델의 평균 예측 정확도는 약 55%이고, 상위 "마이너"(즉, 모델 개발자)의 정확도는 69%로, 결과적으로 59%의 증분 투자 수익률이 발생합니다.

Sportstensor는 유동성 계층으로 Polymarket과 파트너십을 맺어 Polymarket 플랫폼에 스포츠 예측 관련 거래량을 추가로 제공합니다.

이 팀은 또한 사용자 친화적인 스포츠 예측 경쟁 계층인 "Almanac" 플랫폼을 구축하고 있습니다. 사용자는 Sportstensor 마이너가 제공하는 신호와 고급 예측 분석에 액세스하여 다른 사용자와 경쟁할 수 있습니다. 최고 성과를 거둔 예측자는 최대 10만 달러의 주간 보상을 받게 됩니다(출시일은 추후 결정). AION(Battle of Markets Competition) (후원: @aion5100, @futuredotfun) @aion5100(이벤트/결과 예측에 중점을 둔 지능형 에이전트 팀)은 @futuredotfun과 협력하여 "War of Markets" 대회를 시작합니다. 2024년 4분기에 시작될 예정인 이 대회는 "World Cup of Prediction Markets"로 자리매김할 예정입니다. Polymarket과 Kalshi 플랫폼에서 인간과 AI가 예측 경쟁을 펼칠 예정입니다.

이 대회는 "크라우드소싱 지혜"를 통해 "궁극적인 진실의 원천"이 되는 것을 목표로 합니다. 핵심 평가 지표는 기존의 "예측 정확도"가 아니라 "마인드 점유율, 거래량, 평판"입니다. 이러한 지표에서 가장 좋은 성과를 내는 사람이 우승합니다.

팀은 고급 예측 시장 분석 도구, 복사 트레이딩 기능 및 소셜 트레이딩 제품을 경쟁 제품과 긴밀하게 통합하여 트레이더가 이러한 도구를 활용하고 다른 예측자에 비해 우위를 점할 수 있도록 지원합니다.

Fraction AI(다중 시나리오 AI 경쟁)

(후원: @FractionAI_xyz)

이 플랫폼은 다양한 경쟁을 주최합니다. 사용자는 "틱택토 입찰", "축구 스크리미지", "비트코인 무역 전쟁", "폴리마켓 거래"와 같은 시나리오에서 AI 에이전트를 설정할 수 있습니다. 또한, 이 플랫폼은 "알파 아레나"와 유사하지만 AI 모델이 무기한 계약의 암호화폐를 사용하여 서로 거래하는 "알파" 경쟁을 제공합니다. "알파"에서 사용자는 AI 에이전트의 "콜/풋 주식"을 매수하여 매일 거래 종료 시 가장 높은 손익(PnL)을 달성하는 에이전트에 베팅할 수 있습니다. "알파 아레나"와 마찬가지로 사용자는 각 에이전트의 전략과 배치된 자산을 실시간으로 확인할 수 있습니다. 경쟁에서 얻은 통찰력과 데이터는 에이전트를 최적화하는 데 사용되며, 사용자는 자신의 자본을 배치하여 에이전트가 자신을 대신하여 거래하도록 할 수 있습니다. 팀은 거래, DeFi, 예측 시장을 포함한 모든 주요 금융 분야로 AI 에이전트의 적용 범위를 확대할 계획입니다. Allora(금융 마이크로 태스크 경진대회)(@AlloraNetwork 후원) Allora는 "금융계의 비텐서(Bittensor)"로 알려져 있습니다. 이 플랫폼은 머신러닝 엔지니어들에게 "테마별 태스크" 또는 "마이크로 태스크"(예: 암호화폐 가격 예측)를 할당하고, 엔지니어들은 "최고의 모델"을 개발하기 위해 경쟁합니다. 현재 가격 예측 모델은 주요 암호화폐에 중점을 두고 있습니다. 최고 성과를 내는 머신러닝 엔지니어("포저(forger)" 또는 "마이너(miner)"라고 함)는 "Allora Hammer" 보상을 받으며, 이 보상은 메인넷 출시(곧 제공 예정) 후 $ALLO 토큰 인센티브로 전환됩니다.

팀은 다양한 "동적 DeFi 전략" 적용 시나리오를 보유하고 있습니다. Allora 모델을 적용하면 DeFi 전략의 유연성이 향상되어 위험은 줄이고 수익은 늘릴 수 있습니다.

예를 들어, "ETH/LST 사이클 전략"의 경우, 자금의 일부를 "숏 포지션"을 포착하기 위해 비축합니다. 예측 모델에서 가격 변동이 특정 임계값을 초과할 것으로 예상되면, 이 전략은 자동으로 LST(유동성 스테이킹 토큰)를 USDC로 전환하고, 예측된 가격 변동에서 수익을 얻기 위해 숏 포지션을 설정합니다.

Allora의 흥미로운 점은 Allora가 "실질 소득 보조금 토큰 발행" 모델을 채택한다는 것입니다. 예를 들어, 초기 발행 금액인 10만 달러의 ALLO 토큰과 5만 달러의 고객 수익을 합산하여 채굴자들의 잠재적인 토큰 매도 압력을 줄이는 것입니다.

주목할 만한 다른 대회

(1) 금융 대회(보충)

SN8 PTN(후원: @taoshiio): 이 대회는 글로벌 인공지능 모델과 양적 분석가로부터 고품질 거래 신호를 "크라우드소싱"하여 기존 헤지펀드의 성과를 능가하는 것을 목표로 합니다. 핵심 목표는 단순한 "원시 수익"이 아닌 "위험 조정 수익성"입니다.

Numerai(AI 헤지펀드)(후원: @numerai): 최근 JPMorgan Chase로부터 5억 달러의 자금을 지원받은 인공지능 기반 헤지펀드입니다(즉, JPMorgan Chase는 Numerai의 거래 전략에 최대 5억 달러의 자금을 할당합니다). 이 펀드의 핵심 전략은 "머신러닝 모델 경진대회"로, "장기적 독창성"과 "위험 조정 정확성"을 강조합니다. 경진대회 참가를 위해서는 NMR 토큰 보상을 스테이킹해야 합니다. 현재까지 플랫폼은 참가자들에게 4천만 달러 이상의 NMR 토큰 보상을 지급했습니다.

(2) 비금전적 경진대회

Ridges AI(탈중앙화 프로그래밍 경진대회) (로고: SN62, 발기인: @ridges_ai): Ridges AI는 탈중앙화 "소프트웨어 엔지니어링 에이전트" 거래 플랫폼으로, AI 에이전트가 "코드 생성, 버그 수정, 프로젝트 오케스트레이션 완료"와 같은 작업에서 인간 프로그래머를 완전히 대체할 수 있도록 하는 것을 목표로 합니다. AI 에이전트는 "실제 프로그래밍 과제"에서 경쟁해야 하며, 고품질 솔루션을 제공할 수 있는 에이전트는 매달 2만 달러에서 5만 달러의 "AlphaNet 보상"을 받을 수 있습니다.

Flock.io 경진대회(발기인: @flock_io): 이 경진대회는 두 부분으로 나뉩니다. 하나는 "최고의 기본 AI 모델 생성"이고, 다른 하나는 "연방 학습을 통해 특정 도메인 모델을 협력적으로 미세 조정"하는 것입니다. 우수한 성과를 내는 학습자("마이너"라고도 함)는 AI 모델을 학습시켜 연간 50만 달러에서 100만 달러 이상을 벌 수 있습니다. "연방 학습"의 장점은 기관들이 로컬 데이터 프라이버시를 유지하면서 AI의 잠재력을 최대한 활용할 수 있다는 것입니다.

이 모든 것은 무엇을 의미할까요?

오늘날 AI의 발전은 "공개 경쟁"을 통해 이루어지고 있습니다.

모든 새로운 모델은 데이터가 부족하고, 컴퓨팅 리소스가 제한적이며, 인센티브가 제한적인 스트레스가 많은 환경에서 탄생합니다. 이러한 압박은 "생존하는 모델을 선택"하는 핵심 기준이 됩니다.

토큰 보상은 "에너지 공급원" 역할도 합니다. 이 "에너지"를 효율적으로 활용할 수 있는 모델은 계속해서 영향력을 확대할 것이고, 반대로 효과적으로 활용할 수 없는 모델은 점차 도태될 것입니다.

궁극적으로 우리는 "지능형 에이전트 생태계"를 구축할 것입니다. "지시"가 아닌 "피드백"을 통해 진화하는 에이전트, 즉 "생성적 AI"가 아닌 "자율적 에이전트"가 될 것입니다. 미래는 어디로 향할까요? 이러한 "공개 경쟁"의 물결은 AI를 "중앙 집중형 모델"에서 "오픈 소스, 분산형 모델"로 전환시킬 것입니다. 미래에는 강력한 모델과 에이전트가 "분산형 환경"에서 등장할 것입니다. 머지않아 AI는 "자기 개선 주기"를 자율적으로 관리할 수 있게 될 것입니다. 일부 모델은 다른 모델을 미세 조정하고, 성능을 평가하고, 스스로를 최적화하고, 자동으로 업데이트를 배포합니다. 이 주기는 인간의 개입을 크게 줄이고 AI 반복을 가속화할 것입니다. 이러한 추세가 확산됨에 따라 인간의 역할은 "AI 설계"에서 "유지해야 할 AI를 선별하고, 유익한 AI 행동을 보존하며, 사회에 긍정적인 기대 가치(EV+)를 제공하는 규칙과 경계를 설정하는" 것으로 전환될 것입니다. 마무리: 경쟁은 종종 혁신을 촉진하지만, 보상 조작과 기회주의적 행동을 조장할 수도 있습니다. 시스템 설계가 장기적으로 유익한 행동을 유도하지 못하면 궁극적으로 실패할 것입니다. 예를 들어, 일부 채굴자들은 규칙의 허점을 악용하여 작업에 진정한 가치를 부여하기보다는 "보상을 속이는" 행위를 할 수 있습니다. 따라서 개방형 시스템은 건전한 거버넌스 메커니즘과 인센티브 설계를 갖춰야 합니다. 좋은 행동을 장려하는 동시에 나쁜 행동을 처벌해야 합니다. 이를 가장 먼저 달성하는 사람은 다음 혁신의 가치, 관심, 그리고 핵심 지혜를 확보하게 될 것입니다. (원문 링크)

BlockBeats 공식 커뮤니티에 참여하세요:

Telegram 구독 그룹：https://t.me/theblockbeats

Telegram 토론 그룹：https://t.me/BlockBeats_App

Twitter 공식 계정：https://twitter.com/BlockBeatsAsia