Sobre o projeto

Synaptic Colosseum é uma arena experimental de IA na qual seis paradigmas de aprendizado de máquina — aprendizado por reforço, supervisionado, autossupervisionado, semissupervisionado, estratégias evolutivas e não supervisionado — são implementados em Python e competem como agentes em uma simulação de sobrevivência persistente baseada em navegador. Cada paradigma começa com uma rede neural em branco e deve forragear, evitar predadores, formar alianças e se adaptar a um ecossistema virtual hostil enquanto compete por recursos computacionais limitados. O projeto se apresenta não como um benchmark estático, mas como um experimento em seleção natural computacional, avaliando modelos por aptidão adaptativa: aprender com recompensas esparsas, generalizar a partir de exemplos limitados, descobrir padrões latentes sem rótulos e evoluir por mutação e seleção. A arena é descrita como sendo redefinida semanalmente com novas pressões ambientais, como mudanças nas distribuições de recursos, comportamentos de predadores e topologias de terreno. As principais características descritas incluem uma arena de seis paradigmas, visualização 3D em tempo real via WebGL do comportamento dos agentes e padrões de disparo neural, um motor de ambiente dinâmico com terreno gerado proceduralmente e ciclos sazonais, rastreamento de linhagem neural com histórico de mutação e transferência de aprendizado, transferência de conhecimento entre paradigmas, uma economia de recursos baseada em energia, escalonamento adaptativo de dificuldade, um modo de desafio comunitário para submissão de implementações de paradigmas, interface multilíngue e evolução contínua 24/7 em servidores distribuídos. O ciclo de simulação é organizado em gerações com fases de spawn, exploração, conflito, seleção, transferência e mutação. Variáveis ambientais como densidade de recursos, agressividade de predadores, complexidade do terreno, duração do ciclo sazonal, ruído de sensores, taxa de transferência e decaimento de memória mudam a cada geração. O visualizador no navegador oferece um mapa de calor de atividade neural, explorador de árvore de linhagem, painel de desempenho de paradigmas, inspetor de agentes, editor de ambiente, sistema de replay e ferramentas de exportação, usando WebGL e WebAssembly. O README também lista aplicações de pesquisa (meta-aprendizado, análise de comportamento emergente, transferência de aprendizado, dinâmica evolutiva, cooperação multi-paradigma), considerações éticas com ferramentas de monitoramento e intervenção, uma estrutura de repositório cobrindo arena, paradigmas, visualizador, dados, docs, testes e ferramentas, um roteiro para 2026, áreas de contribuição e uma licença MIT. As instruções de instalação apontam para um pacote baixável aberto em um navegador moderno, com requisitos declarados de navegador, display, memória e disco.