ชื่อเรื่องต้นฉบับ: Darwinian AI—The AI Hunger Games

ผู้เขียนต้นฉบับ: 0xJeff, AI Investor

ผู้แปลต้นฉบับ: Saoirse, Foresight News

การแข่งขันเป็นหัวใจสำคัญของวิวัฒนาการของมนุษย์ นับตั้งแต่สมัยโบราณ มนุษย์ได้แข่งขันกันเพื่อ: · อาหารและดินแดน · คู่สมรส/เพื่อน · สถานะในชนเผ่าหรือสังคม · พันธมิตรและโอกาสในการร่วมมือกัน

นักล่าล่าเหยื่อ นักรบต่อสู้เพื่อเอาชีวิตรอด และผู้นำเผ่าต่อสู้เพื่อดินแดน เมื่อเวลาผ่านไป บุคคลที่มีคุณสมบัติเหนือกว่าซึ่งเอื้อต่อการอยู่รอดในที่สุดก็จะสามารถอยู่รอด สืบพันธุ์ และถ่ายทอดยีนจากรุ่นสู่รุ่น

กระบวนการนี้เรียกว่าการคัดเลือกโดยธรรมชาติ กระบวนการคัดเลือกตามธรรมชาติไม่เคยสิ้นสุด รูปแบบของมันพัฒนาอย่างต่อเนื่อง ตั้งแต่ "การแข่งขันเพื่อความอยู่รอด" ไปจนถึง "การแข่งขันเพื่อความบันเทิง" (เช่น การแข่งขันกลาดิเอเตอร์ โอลิมปิก กิจกรรมกีฬา และอีสปอร์ต) และสุดท้ายคือ "การแข่งขันเพื่อเร่งวิวัฒนาการ" (เช่น การแข่งขันด้านเทคโนโลยี สื่อ ภาพยนตร์ และการเมือง) การคัดเลือกตามธรรมชาติเป็นแรงผลักดันหลักของวิวัฒนาการมนุษย์มาโดยตลอด แต่วิวัฒนาการของปัญญาประดิษฐ์เป็นไปตามตรรกะเดียวกันนี้หรือไม่? การพัฒนาปัญญาประดิษฐ์ไม่ได้ถูกกำหนดโดยสิ่งประดิษฐ์เพียงชิ้นเดียว แต่ถูกกำหนดโดย "การแข่งขันและการทดลองที่มองไม่เห็น" นับไม่ถ้วน ซึ่งเป็นการแข่งขันที่ท้ายที่สุดแล้วคัดเลือกแบบจำลองที่อยู่รอดและกำจัดแบบจำลองที่ถูกลืมเลือน ในบทความนี้ เราจะเจาะลึกการแข่งขันที่มองไม่เห็นเหล่านี้ (ครอบคลุมทั้ง Web2 และ Web3) และวิเคราะห์วิวัฒนาการของปัญญาประดิษฐ์จากมุมมองของการแข่งขัน มาสำรวจไปพร้อมๆ กัน

ระหว่างปี 2023 ถึง 2025 สาขาปัญญาประดิษฐ์เติบโตอย่างก้าวกระโดดด้วยการถือกำเนิดของ ChatGPT

แต่ก่อน ChatGPT เสียอีก OpenAI ก็ได้สร้างชื่อให้กับเกม Dota 2 ไปแล้ว (ด้วยระบบ "OpenAI Five"): โดยการเล่นเกมนับหมื่นครั้งกับผู้เล่นทั่วไป ผู้เล่นมืออาชีพ และแม้แต่ตัว OpenAI เอง ซึ่งแสดงให้เห็นถึงความสามารถในการพัฒนาอย่างรวดเร็วและแข็งแกร่งขึ้นในแต่ละแมตช์

ผลลัพธ์ที่ได้คือระบบอัจฉริยะที่ซับซ้อนซึ่งสามารถเอาชนะทีมแชมป์โลก Dota 2 ได้อย่างเด็ดขาดในปี 2019

อีกตัวอย่างหนึ่งที่เป็นที่รู้จักกันดีเกิดขึ้นในปี 2016 นั่นคือ AlphaGo เอาชนะ Lee Sedol แชมป์โลกโกะได้ สิ่งที่น่าทึ่งที่สุดไม่ใช่การที่มันเอาชนะแชมป์โลกได้ แต่เป็นการที่ AlphaGo เรียนรู้ได้อย่างไร การฝึกของ AlphaGo ไม่ได้อาศัยข้อมูลของมนุษย์เพียงอย่างเดียว เช่นเดียวกับ OpenAI Five มันพัฒนาผ่านการเล่นด้วยตนเอง ซึ่งเป็นกระบวนการแบบวัฏจักร: โมเดลแต่ละรุ่นจะแข่งขันกับรุ่นก่อนหน้า โมเดลที่มีประสิทธิภาพดีที่สุดจะอยู่รอดและ "ขยายพันธุ์" (เช่น การปรับปรุงประสิทธิภาพซ้ำๆ) กลยุทธ์ที่อ่อนแอกว่าจะถูกกำจัดออกไป กล่าวอีกนัยหนึ่งคือ "AI แบบดาร์วิน" นี้ได้บีบอัดกระบวนการวิวัฒนาการที่ปกติจะใช้เวลาหลายล้านปีให้เหลือเพียงเวลาประมวลผลไม่กี่ชั่วโมง "วัฏจักรการแข่งขันด้วยตนเอง" นี้ได้สร้างความก้าวหน้าทางเทคโนโลยีที่ไม่เคยเกิดขึ้นมาก่อนในประวัติศาสตร์มนุษย์ ปัจจุบัน เราเห็นรูปแบบการแข่งขันที่คล้ายคลึงกันนี้ในแอปพลิเคชันทางการเงิน แม้จะอยู่ในรูปแบบที่แตกต่างกันก็ตาม สัปดาห์ที่แล้ว Nof1 ได้เปิดตัว Alpha Arena ซึ่งเป็น "การแข่งขันสัญญาคริปโตแบบถาวร ชนะหรือแพ้" โดยนำโมเดล AI หกโมเดล (Claude, DeepSeek, Gemini, GPT, Qwen และ Grok) มาแข่งขันกันเพื่อบริหารเงินทุนมูลค่า 10,000 ดอลลาร์สหรัฐฯ โมเดลที่มีผลกำไรขาดทุน (PnL) สูงสุดจะเป็นผู้ชนะ "Alpha Arena เปิดตัวอย่างเป็นทางการแล้ว! โมเดล AI หกโมเดลลงทุน 10,000 ดอลลาร์สหรัฐฯ และซื้อขายแบบอัตโนมัติทั้งหมด เงินจริง ตลาดจริง เกณฑ์มาตรฐานจริง คุณชอบโมเดลไหนมากกว่ากัน?" ความนิยมอย่างรวดเร็วของการแข่งขันไม่ได้มาจากกฎเกณฑ์ แต่มาจากความเปิดกว้าง โดยทั่วไปแล้ว กลยุทธ์อัลฟ่า (เช่น กลยุทธ์ผลตอบแทนส่วนเกิน) จะถูกเก็บเป็นความลับอย่างเคร่งครัด แต่ในการแข่งขันครั้งนี้ เราสามารถเห็นได้แบบเรียลไทม์ว่า AI ตัวใดทำกำไรได้มากที่สุด นอกจากนี้ ส่วนติดต่อผู้ใช้ (UI/UX) ที่แสดงประสิทธิภาพการเทรดแบบเรียลไทม์ยังสวยงามและปรับแต่งมาเป็นอย่างดี ทีมงานกำลังใช้ประโยชน์จากกระแสตอบรับและข้อมูลเชิงลึกที่ได้รับจากการแข่งขันเพื่อพัฒนาโมเดลและเครื่องมือการเทรดของ Nof1 ผู้ใช้ที่สนใจสามารถเข้าร่วมรายชื่อรอเพื่อทดลองใช้เครื่องมือเหล่านี้ได้

แนวทางของ Nof1 ไม่ใช่เรื่องใหม่ การแข่งขันทางการเงินมีมานานแล้ว (โดยเฉพาะอย่างยิ่งในระบบนิเวศ Bittensor และตลาดคริปโตเคอร์เรนซีในวงกว้าง) แต่ยังไม่มีทีมใดที่เปิดเผยและเข้าถึงได้เท่า Nof1 นี่คือการแข่งขันที่โดดเด่นที่สุดบางส่วน: Synth (การแข่งขัน Synthesizer) (โลโก้: SN50, โฮสต์: @SynthdataCo) ในการแข่งขันนี้ วิศวกรแมชชีนเลิร์นนิงจะใช้แบบจำลองแมชชีนเลิร์นนิงเพื่อคาดการณ์ราคาและความผันผวนของสินทรัพย์คริปโต โดยผู้ชนะจะได้รับรางวัลโทเค็น Synth alpha SN50 จากนั้นการคาดการณ์คุณภาพสูงเหล่านี้จะถูกนำมาใช้เพื่อสร้าง "ข้อมูลราคาสังเคราะห์" ที่แม่นยำสูง (และวิถีราคา)

“ตั้งแต่ต้นปีนี้ เราได้มอบเงินรางวัลกว่า 2 ล้านดอลลาร์สหรัฐ ให้กับนักวิทยาศาสตร์ข้อมูลและนักวิเคราะห์เชิงปริมาณชั้นนำที่เข้าร่วมการแข่งขัน”

ทีมงานกำลังใช้สัญญาณการคาดการณ์เหล่านี้ในการซื้อขายคริปโตเคอร์เรนซีบนแพลตฟอร์ม Polymarket โดยจนถึงปัจจุบัน พวกเขาได้รับผลตอบแทนจากการลงทุน (ROI) สุทธิ 184% ด้วยเงินทุนเริ่มต้น 3,000 ดอลลาร์สหรัฐ ความท้าทายต่อไปคือการขยายขนาดการซื้อขายโดยยังคงรักษาระดับประสิทธิภาพในปัจจุบันเอาไว้

“ความคืบหน้าการซื้อขายล่าสุดของเราบนแพลตฟอร์ม Polymarket:

・เงินต้น: $3,000

・กำไร: $5,521

・ผลตอบแทนจากการลงทุน (ROI): 184%

・อัตราผลตอบแทนต่อปี (APY): 3,951%

ทั้งหมดนี้ขับเคลื่อนโดยโมเดลการคาดการณ์ของ Synth เราจะมาพูดถึง Novelty ของสัปดาห์นี้ ตรรกะเบื้องหลังนี้มีรายละเอียดอยู่ในคอลัมน์ "ค้นหา"

Sportstensor (การแข่งขันคาดการณ์กีฬา)

(โลโก้: SN41, ผู้ริเริ่ม: @sportstensor)

นี่คือเครือข่ายย่อยที่มุ่งเน้น "การเอาชนะอัตราต่อรองของตลาด" โดยมีเป้าหมายเพื่อค้นหา "โอกาสที่ได้เปรียบ" ในตลาดการพนันกีฬาระดับโลก นี่คือการแข่งขันที่ดำเนินอยู่: วิศวกรแมชชีนเลิร์นนิงต้องนำแบบจำลองมาใช้เพื่อคาดการณ์ผลการแข่งขันของลีกกีฬาสำคัญๆ เช่น เมเจอร์ลีกเบสบอล (MLB), เมเจอร์ลีกซอกเกอร์ (MLS), พรีเมียร์ลีกอังกฤษ (EPL) และสมาคมบาสเกตบอลแห่งชาติ (NBA) "แบบจำลองที่ดีที่สุด" ที่ทำกำไรได้จะได้รับรางวัลเป็นโทเค็น SN41 Sportstensor Alpha

ปัจจุบัน ความแม่นยำในการทำนายโดยเฉลี่ยของโมเดลที่เข้าร่วมอยู่ที่ประมาณ 55% ในขณะที่ "นักขุด" ที่ได้รับการจัดอันดับสูงสุด (เช่น ผู้พัฒนาโมเดล) มีความแม่นยำอยู่ที่ 69% ส่งผลให้ผลตอบแทนจากการลงทุนเพิ่มขึ้น 59%

Sportstensor ได้ร่วมมือกับ Polymarket ในฐานะเลเยอร์สภาพคล่อง โดยนำปริมาณการซื้อขายที่เกี่ยวข้องกับการทำนายผลกีฬาเพิ่มเติมมาสู่แพลตฟอร์ม Polymarket

ทีมงานยังกำลังสร้างแพลตฟอร์ม "Almanac" ซึ่งเป็นเลเยอร์การแข่งขันทำนายผลกีฬาที่ใช้งานง่าย ผู้ใช้สามารถเข้าถึงสัญญาณและการวิเคราะห์การทำนายผลขั้นสูงที่จัดทำโดยนักขุด Sportstensor และแข่งขันกับผู้ใช้รายอื่นได้ ผู้ทำนายที่ทำผลงานได้ดีที่สุดจะได้รับรางวัลรายสัปดาห์สูงสุด 100,000 ดอลลาร์สหรัฐ (วันเปิดตัวจะประกาศให้ทราบในภายหลัง) AION (การแข่งขัน Battle of Markets) (ผู้สนับสนุน: @aion5100, @futuredotfun) @aion5100 (ทีมตัวแทนอัจฉริยะที่มุ่งเน้นการคาดการณ์เหตุการณ์/ผลลัพธ์) กำลังร่วมมือกับ @futuredotfun เพื่อเปิดตัวการแข่งขัน "War of Markets" การแข่งขันนี้มีกำหนดเปิดตัวในไตรมาสที่ 4 ปี 2024 โดยจะจัดขึ้นในรูปแบบ "World Cup of Prediction Markets" ซึ่งทั้งมนุษย์และ AI จะแข่งขันกันทำนายผลบนแพลตฟอร์ม Polymarket และ Kalshi

การแข่งขันนี้มีเป้าหมายที่จะเป็น "แหล่งข้อมูลความจริงขั้นสูงสุด" ผ่าน "ภูมิปัญญาจากมวลชน" โดยตัวชี้วัดหลักในการประเมินไม่ใช่ "ความแม่นยำในการทำนาย" แบบดั้งเดิม แต่เป็น "ส่วนแบ่งทางความคิด ปริมาณการซื้อขาย และชื่อเสียง" ผู้ชนะคือผู้ที่ทำผลงานได้ดีที่สุดตามตัวชี้วัดเหล่านี้

ทีมงานจะบูรณาการเครื่องมือวิเคราะห์ตลาดเชิงทำนายขั้นสูง ฟังก์ชันการคัดลอกการซื้อขาย และผลิตภัณฑ์การซื้อขายทางสังคมเข้ากับคู่แข่งอย่างลึกซึ้ง เพื่อช่วยให้เทรดเดอร์ใช้ประโยชน์จากเครื่องมือเหล่านี้และได้รับความได้เปรียบเหนือผู้ทำนายรายอื่น

Fraction AI (การแข่งขัน AI หลายสถานการณ์)

(ผู้สนับสนุน: @FractionAI_xyz)

แพลตฟอร์มนี้จัดการแข่งขันที่หลากหลาย ผู้ใช้สามารถตั้งค่าตัวแทน AI ในสถานการณ์ต่างๆ เช่น "Bidding Tic-Tac-Toe", "Football Scrimmage", "Bitcoin Trade War" และ "Polymarket Trading" นอกจากนี้ แพลตฟอร์มยังมีการแข่งขัน "ALFA" ซึ่งคล้ายกับ "Alpha Arena" แต่โมเดล AI จะซื้อขายกันเองโดยใช้สกุลเงินดิจิทัลในสัญญาแบบถาวร ใน "ALFA" ผู้ใช้สามารถซื้อ "หุ้นซื้อ/ขาย" ของตัวแทน AI โดยเดิมพันว่าหุ้นใดจะได้กำไรและขาดทุน (PnL) สูงสุดเมื่อสิ้นสุดการซื้อขายในแต่ละวัน เช่นเดียวกับ "Alpha Arena" ผู้ใช้สามารถดูกลยุทธ์และสินทรัพย์ที่นำมาใช้ของตัวแทนแต่ละคนได้แบบเรียลไทม์ ข้อมูลเชิงลึกและข้อมูลที่ได้จากการแข่งขันจะถูกนำมาใช้เพื่อเพิ่มประสิทธิภาพการทำงานของตัวแทน และผู้ใช้จะสามารถจัดสรรเงินทุนของตนเองเพื่อให้ตัวแทนเหล่านี้ทำการซื้อขายแทนได้ ทีมงานวางแผนที่จะขยายการประยุกต์ใช้ตัวแทน AI ไปยังภาคการเงินยอดนิยมทั้งหมด รวมถึงตลาดซื้อขาย DeFi และตลาดคาดการณ์ Allora (การแข่งขันไมโครทาสทางการเงิน) (สนับสนุนโดย @AlloraNetwork) Allora เป็นที่รู้จักในชื่อ "Bittensor for finance": แพลตฟอร์มนี้จะมอบหมาย "งานตามธีม" หรือ "ไมโครทาส" (เช่น การทำนายราคาสินทรัพย์คริปโต) ให้กับวิศวกรแมชชีนเลิร์นนิง ซึ่งจะแข่งขันกันพัฒนา "แบบจำลองที่ดีที่สุด" ปัจจุบัน แบบจำลองการทำนายราคาจะมุ่งเน้นไปที่สินทรัพย์คริปโตหลักๆ วิศวกรแมชชีนเลิร์นนิงที่ทำผลงานได้ดีที่สุด (เรียกว่า "forgers" หรือ "miners") จะได้รับรางวัล "Allora Hammer" ซึ่งจะถูกแปลงเป็นรางวัลโทเค็น $ALLO หลังจากการเปิดตัวเมนเน็ต (เร็วๆ นี้)

ทีมงานมีชุดสถานการณ์การใช้งาน "กลยุทธ์ DeFi แบบไดนามิก" ที่หลากหลาย: การนำแบบจำลอง Allora มาใช้จะทำให้กลยุทธ์ DeFi มีความยืดหยุ่นมากขึ้น ซึ่งช่วยลดความเสี่ยงและเพิ่มผลตอบแทน

ตัวอย่างเช่น "กลยุทธ์ ETH/LST Cycle": เงินทุนส่วนหนึ่งจะถูกสำรองไว้สำหรับ "โอกาสขายชอร์ต" หากแบบจำลองการคาดการณ์ระบุว่าความผันผวนของราคาจะเกินเกณฑ์ที่กำหนด กลยุทธ์จะแปลง LST (โทเค็นที่เดิมพันด้วยสภาพคล่อง) เป็น USDC โดยอัตโนมัติ และสร้างสถานะขายชอร์ตโดยหวังว่าจะทำกำไรจากความผันผวนของราคาที่คาดการณ์ไว้

รายละเอียดที่น่าสนใจเกี่ยวกับ Allora คือ Allora จะใช้แบบจำลอง "การออกโทเค็นเงินอุดหนุนรายได้จริง": ยกตัวอย่างเช่น การออกโทเค็น ALLO มูลค่า 100,000 ดอลลาร์สหรัฐ + รายได้ลูกค้า 50,000 ดอลลาร์สหรัฐ จะถูกนำมารวมกันเพื่อลดแรงกดดันการขายโทเค็นที่อาจเกิดขึ้นจากนักขุด

การแข่งขันอื่นๆ ที่น่าสนใจ

(1) การแข่งขันทางการเงิน (เพิ่มเติม)

SN8 PTN (สนับสนุนโดย: @taoshiio): การแข่งขันนี้มุ่งหวังที่จะ "ระดมความคิดจากมวลชน" สัญญาณการซื้อขายคุณภาพสูงจากโมเดลปัญญาประดิษฐ์ระดับโลกและนักวิเคราะห์เชิงปริมาณ เพื่อสร้างผลงานที่เหนือกว่ากองทุนป้องกันความเสี่ยงแบบเดิม เป้าหมายหลักคือ "ผลกำไรที่ปรับตามความเสี่ยง" มากกว่าที่จะเป็นเพียง "ผลตอบแทนดิบ"

Numerai (AI Hedge Fund) (สนับสนุนโดย: @numerai): นี่คือกองทุนป้องกันความเสี่ยงที่ขับเคลื่อนด้วยปัญญาประดิษฐ์ ซึ่งเพิ่งได้รับเงินทุน 500 ล้านดอลลาร์จาก JPMorgan Chase (กล่าวคือ JPMorgan Chase จะจัดสรรเงินทุนสูงสุด 500 ล้านดอลลาร์สำหรับกลยุทธ์การซื้อขายของ Numerai) กลยุทธ์หลักของกองทุนนี้คือ "การแข่งขันโมเดลการเรียนรู้ของเครื่อง" โดยเน้นที่ "ความคิดริเริ่มในระยะยาว" และ "ความแม่นยำที่ปรับตามความเสี่ยง" การเข้าร่วมการแข่งขันนี้จำเป็นต้องอาศัยรางวัลโทเค็น NMR จากการ Staking จนถึงปัจจุบัน แพลตฟอร์มนี้ได้มอบรางวัลโทเค็น NMR ให้กับผู้เข้าร่วมแล้วกว่า 40 ล้านดอลลาร์สหรัฐฯ

(2) การแข่งขันที่ไม่ใช่ทางการเงิน

Ridges AI (การแข่งขันการเขียนโปรแกรมแบบกระจายศูนย์) (โลโก้: SN62, ผู้ริเริ่ม: @ridges_ai): นี่คือแพลตฟอร์มการซื้อขาย "ตัวแทนวิศวกรรมซอฟต์แวร์" แบบกระจายศูนย์ โดยมีเป้าหมายเพื่อให้ตัวแทน AI สามารถแทนที่โปรแกรมเมอร์ที่เป็นมนุษย์ได้อย่างสมบูรณ์ในงานต่างๆ เช่น "การสร้างโค้ด การแก้ไขข้อบกพร่อง และการประสานงานโครงการให้เสร็จสมบูรณ์" ตัวแทน AI ต้องแข่งขันใน "ความท้าทายด้านการเขียนโปรแกรมในโลกแห่งความเป็นจริง" และตัวแทนที่สามารถนำเสนอโซลูชันคุณภาพสูงจะได้รับ "รางวัล AlphaNet" มูลค่า 20,000 ถึง 50,000 ดอลลาร์สหรัฐฯ ในแต่ละเดือน

การแข่งขัน Flock.io (ผู้ริเริ่ม: @flock_io): การแข่งขันแบ่งออกเป็นสองส่วน ส่วนแรกคือ "การสร้างโมเดล AI พื้นฐานที่ดีที่สุด" และส่วนที่สองคือ "การปรับแต่งโมเดลโดเมนเฉพาะร่วมกันผ่านการเรียนรู้แบบรวมศูนย์" ผู้ฝึกสอนที่มีประสิทธิภาพสูง (หรือที่รู้จักกันในชื่อ "นักขุด") สามารถสร้างรายได้มากกว่า 500,000 ถึง 1 ล้านดอลลาร์สหรัฐฯ ต่อปีจากการฝึกโมเดล AI ข้อดีของ "การเรียนรู้แบบรวมศูนย์" คือ สถาบันต่างๆ สามารถใช้ประโยชน์จากพลังของ AI ได้อย่างเต็มที่ พร้อมกับรักษาความเป็นส่วนตัวของข้อมูลในท้องถิ่นไว้

ทั้งหมดนี้หมายความว่าอย่างไร?

ปัจจุบัน ความก้าวหน้าของ AI เกิดขึ้นได้จาก "การแข่งขันแบบเปิด"

โมเดลใหม่ๆ ทุกโมเดลล้วนเกิดมาในสภาพแวดล้อมที่ตึงเครียด: ข้อมูลมีจำกัด ทรัพยากรคอมพิวเตอร์มีจำกัด และแรงจูงใจมีจำกัด แรงกดดันเหล่านี้กลายเป็นเกณฑ์หลักในการ "เลือกโมเดลที่อยู่รอด"

รางวัลโทเค็นยังทำหน้าที่เป็น "แหล่งพลังงาน" อีกด้วย: โมเดลที่สามารถใช้ "พลังงาน" นี้ได้อย่างมีประสิทธิภาพจะขยายอิทธิพลของตนต่อไป ในทางกลับกัน โมเดลที่ไม่สามารถใช้ประโยชน์จากมันได้อย่างมีประสิทธิภาพจะค่อยๆ ถูกกำจัดออกไป

ท้ายที่สุด เราจะสร้าง "ระบบนิเวศของตัวแทนอัจฉริยะ" ซึ่งก็คือตัวแทนที่พัฒนาผ่าน "ฟีดแบ็ก" แทนที่จะเป็น "คำสั่ง" หรือ "ตัวแทนอิสระ" (แทนที่จะเป็น "AI เชิงสร้างสรรค์") อนาคตจะนำไปสู่จุดใด? คลื่นแห่ง "การแข่งขันแบบเปิด" นี้จะผลักดันการเปลี่ยนแปลง AI จาก "แบบจำลองรวมศูนย์" ไปสู่ "แบบจำลองโอเพนซอร์สแบบกระจายศูนย์" ในอนาคต แบบจำลองและตัวแทนที่มีประสิทธิภาพจะเกิดขึ้นใน "สภาพแวดล้อมแบบกระจายศูนย์" ในไม่ช้า AI จะสามารถจัดการ "วงจรการพัฒนาตนเอง" ได้อย่างอัตโนมัติ โดยบางแบบจำลองจะปรับแต่งแบบจำลองอื่นๆ ประเมินประสิทธิภาพ ปรับปรุงประสิทธิภาพตัวเอง และนำการอัปเดตไปใช้โดยอัตโนมัติ วงจรนี้จะช่วยลดการมีส่วนร่วมของมนุษย์ลงอย่างมากและเร่งกระบวนการทำซ้ำของ AI เมื่อแนวโน้มนี้แพร่กระจาย บทบาทของมนุษย์จะเปลี่ยนจาก "การออกแบบ AI" ไปเป็น "การคัดกรอง AI ที่ควรคงไว้ การเก็บรักษาพฤติกรรม AI ที่เป็นประโยชน์ และการกำหนดกฎเกณฑ์และขอบเขตด้วยมูลค่าที่คาดหวังในเชิงบวก (EV+) สำหรับสังคม" บทสรุป: แม้ว่าการแข่งขันมักจะกระตุ้นให้เกิดนวัตกรรม แต่ก็สามารถส่งเสริมการบิดเบือนรางวัลและพฤติกรรมฉวยโอกาสได้เช่นกัน หากการออกแบบระบบไม่สามารถจูงใจให้เกิดพฤติกรรมที่เป็นประโยชน์ในระยะยาวได้ สุดท้ายแล้วระบบก็จะล้มเหลว ตัวอย่างเช่น นักขุดบางคนอาจใช้ช่องโหว่ในกฎเพื่อ "โกงรางวัล" แทนที่จะสร้างมูลค่าให้กับงานอย่างแท้จริง ดังนั้น ระบบเปิดจึงต้องมีกลไกการกำกับดูแลที่ดีและการออกแบบแรงจูงใจที่ดี ซึ่งต้องทั้งส่งเสริมพฤติกรรมที่ดีและลงโทษพฤติกรรมที่ไม่ดี ใครก็ตามที่บรรลุเป้าหมายนี้ได้ก่อนจะคว้าคุณค่า ความสนใจ และภูมิปัญญาสำคัญของนวัตกรรมคลื่นลูกต่อไปไว้ได้ ลิงก์ต้นฉบับ

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia