那么它的终极形态2025年10月4日

　　那么它的终极形态2025年10月4日【新智元导读】AI能像科幻片子中的先知相似预测另日吗？一个名为「Prophet Arena」的全新基准测试，正通过预测确凿全邦事务来评估AI的「预言」才华。

　　以ChatGPT为代外的AI，则能够遵照过去的语料来「预测下一个Token」。

　　那题目来了，AI能不行像先知相似，从全全邦的错乱音讯里寻找蛛丝马迹，确实地预测另日呢？

　　正在昨晚的男篮亚洲杯冠军抢夺战中，中邦男篮虽以1分之差惜败澳大利亚，但已是近十年来的最好劳绩！

　　信托绝大片面人都不会猜到这个比分，那么，AI能否遵照中邦队此前的显示，提前预测到呢？

　　更进一步的，AI能否像拉普拉斯妖相似，正在获取了当来世界的统统音讯后，正确预测另日的一起？

　　即使它能正在某一刹那了然宇宙中统统粒子的场所与速率，而且齐备意会自然法则。

　　此日要先容的Prophet Arena即是一个通过及时更新具体凿全邦预测职业来评估AI体系预测智能的基准测试。

　　把墟市共鸣、主动化预测、音讯摒挡和社区洞察联络起来，造成更强的团体预测才华

　　为「人机互助」而生：你能够给AI供应线索，看看它的预测奈何蜕变；AI也会把它的思索经过告诉你。

　　直面确凿全邦：AI的预测直接与确凿的投注决定挂钩，显示好的模子真的能正在虚拟墟市里赚到钱。

　　Prophet Arena以及时预测墟市事务为依托，初次设置了一个无法「刷题」的动态基准。

　　Prophet Arena从像Kalshi和Polymarket如此的预测墟市平台挑选热门、众样且周期性具体凿事务举动考题。

　　Kalshi是一家美邦的金融业务所和预测墟市平台，是美邦第一个受美邦商品期货业务委员会（CFTC）羁系的、一心于业务「事务结果」的业务所

　　AI模子们行使寻求引擎，像侦探相似征采闭于某个事务的音信报道，摒挡成一份精练的「谍报简报」。同时，也会把当时的墟市价钱（能够看作是公共的全体伶俐）放进去。

　　拿到雷同的谍报后，每个AI模子都要提交一份周密的「预测通知」：对统统或许的结果给出一个概率分散，并附上长篇大论的情由，疏解自身为什么这么看。

　　事务已矣，结果揭晓。会用一套专业的目标来评估AI的预测终于有众准，然后更新正在一个及时排行榜上。

　　排行榜闭键看两个目标：一个是权衡确实度和校准度的Brier分数（越高越好），另一个是模仿确凿投注的均匀回报（看谁能赢利）。

　　除了上述两个主旨目标外，Prophet Arena还采用了受统计学和情绪丈量修模发动的高级评估步骤，如项目反响外面（Item Response Theory，IRT）和广义Bradley-Terry（BT）模子。

　　正在Brier分数不高（0.3-0.5分）的区间里，反而出生了很众回报率惊人的预测。

　　譬喻一场温布尔登网球赛，赛前墟市遍及以为选手保罗有84%的胜率，以至正在开赛前一度攀升至95%。

　　恰是这眇小的区别，让模子不才注时，以为押注敌手奥夫纳获胜的「性价比」更高。

　　你看，AI并没有确实预测到胜者，于是它具体实度分数（Brier分数）很通常。

　　这诠释，成为一个确实的先觉和成为一个赢利的投资者，是两种不齐备雷同的才干。

　　为了琢磨这一点，搜检了每个Brier得分区间的模子组成，每个模子用差异的颜色暗示。

　　绝大大都LLM正在预测时方向于与主流音讯维系划一，是以大片面预测聚集正在高Brier分数区间。

　　譬喻正在「AI羁系准则会正在2026年前成为联邦国法吗？」这个事务上，墟市以为或许性唯有25%。

　　激进派代外Qwen3：它看到各类法案都正在推动，感到势头很猛，直接给出了75%的超高概率。

　　落后｜后进派代外Llama 4 Maverick：它也看到了同样的音讯，但以为立法经过繁杂又平缓，于是只给出了比墟市略高一点的35%。

　　AI的预测并非随机，它们有着机闭化的推理和奇特的危险偏好，就像人类专家也会有见地区别相似。

　　比方正在圣地亚哥与众伦众的美邦职业足球大定约竞赛中，o3-mini正在1美元的投注上得回了9美元的回报。

　　遵照墟市数据和音信来历，o3-mini预测众伦众获胜的概率为30%，而墟市隐含的概率仅为11%（价钱=0.11）。

　　假使众伦众是不被看好的一方，但AI识别到了正的期待值，并因为其最大的上风比率30%/11%≈3。

　　它总能找到少少墟市没谨慎到的渺小分歧，然后下注正在那些「性价比」超高的选项上。

　　就像正在上面那场足球赛中，墟市以为众伦众队唯有11%的胜算，但o3-mini进程了解以为有30%。

　　于是，正在预测的全邦里，告成的闭头不正在于每次都对，而正在于你对的时期能带来众大的回报。

　　数值越低（颜色越深的单位格）暗示概率推理更亲切划一；数值越高（颜色越浅的单位格）则解释区别越大。

　　个中一个高出的模子是DeepSeek R1，它的预测结果时常与其他模子天渊之别。

　　与Kimi K2、o3和Llama 4 Maverick等模子比拟，它的L2间隔永远高于0.7，这解释其或许采用了差异的校准方法或内部决定机制。

　　正在频谱的另一端，诸如Grok-4和GPT-5之类的模子通常作出高度划一的预测，L2间隔凡是低于0.3。

　　换句话说，这张图出现了AI预测的众样性：有些模子造成「群体共鸣」、有些模子像「特立独行的反对者」。

　　设念，AI体系将成为预测墟市的主动到场者，将人类的直觉洞察与AI健壮的数据了解才华相联络，最终擢升全盘社会的全体远睹，为那些高危险的决定供应更牢靠的凭借。

　　到底，即使说说话模子的下一步是预测下一个词，那么它的终极样式，恐怕即是预测这个确凿全邦的下一个事务。