牡丹江口罩帮【新智元导读】AI能像科幻电影中的先知一样预测未来吗？一个名为「Prophet Arena」的全新基准测试，正通过预测真实世界事件来评估AI的「预言」能力。

　　以ChatGPT为代表的AI，则可以根据过去的语料来「预测下一个Token」。

　　那问题来了，AI能不能像先知一样，从全世界的杂乱信息里找出蛛丝马迹，准确地预测未来呢？

　　在昨晚的男篮亚洲杯冠军争夺战中，中国男篮虽以1分之差惜败澳大利亚，但已是近十年来的最好成绩！

　　相信绝大部分人都不会猜到这个比分，那么，AI能否根据中国队此前的表现，提前预测到呢？

　　更进一步的，AI能否像拉普拉斯妖一样，在获取了当下世界的所有信息后，精确预测未来的一切？

　　如果它能在某一瞬间知道宇宙中所有粒子的位置与速度，并且完全理解自然规律。

　　今天要介绍的Prophet Arena就是一个通过实时更新的真实世界预测任务来评估AI系统预测智能的基准测试。

　　把市场共识、自动化预测、信息整理和社区洞察结合起来，形成更强的整体预测能力

　　为「人机协作」而生：你可以给AI提供线索，看看它的预测如何变化；AI也会把它的思考过程告诉你。

　　直面真实世界：AI的预测直接与真实的投注决策挂钩，表现好的模型真的能在虚拟市场里赚到钱。

　　Prophet Arena以实时预测市场事件为依托，首次建立了一个无法「刷题」的动态基准。

　　Prophet Arena从像Kalshi和Polymarket这样的预测市场平台挑选热门、多样且周期性的真实事件作为考题。

　　Kalshi是一家美国的金融交易所和预测市场平台，是美国第一个受美国商品期货交易委员会（CFTC）监管的、专注于交易「事件结果」的交易所

　　AI模型们利用搜索引擎，像侦探一样收集关于某个事件的新闻报道，整理成一份精炼的「情报简报」。同时，也会把当时的市场价格（可以看作是群众的集体智慧）放进去。

　　拿到相同的情报后，每个AI模型都要提交一份详细的「预测报告」：对所有可能的结果给出一个概率分布，并附上长篇大论的理由，解释自己为什么这么看。

　　事件结束，结果揭晓。会用一套专业的指标来评估AI的预测到底有多准，然后更新在一个实时排行榜上。

　　排行榜主要看两个指标：一个是衡量准确度和校准度的Brier分数（越高越好），另一个是模拟真实投注的平均回报（看谁能赚钱）。

　　除了上述两个核心指标外，Prophet Arena还采用了受统计学和心理测量建模启发的高级评估方法，如项目反应理论（Item Response Theory，IRT）和广义Bradley-Terry（BT）模型。

　　在Brier分数不高（0.3-0.5分）的区间里，反而诞生了许多回报率惊人的预测。

　　比如一场温布尔登网球赛，赛前市场普遍认为选手保罗有84%的胜率，甚至在开赛前一度攀升至95%。

　　正是这微小的差异，让模型在时，认为押注对手奥夫纳获胜的「性价比」更高。

　　你看，AI并没有准确预测到胜者，所以它的准确度分数（Brier分数）很一般。

　　这说明，成为一个准确的预言家和成为一个赚钱的投资者，是两种不完全相同的技能。

　　为了探讨这一点，检查了每个Brier得分区间的模型构成，每个模型用不同的颜色表示。

　　绝大多数LLM在预测时倾向于与主流信息保持一致，因此大部分预测集中在高Brier分数区间。

　　比如在「AI监管法规会在2026年前成为联邦法律吗？」这个事件上，市场认为可能性只有25%。

　　激进派代表Qwen3：它看到各种法案都在推进，觉得势头很猛，直接给出了75%的超高概率。

　　保守派代表Llama 4 Maverick：它也看到了同样的信息，但认为立法过程复杂又缓慢，所以只给出了比市场略高一点的35%。

　　AI的预测并非随机，它们有着结构化的推理和独特的风险偏好，就像人类专家也会有观点分歧一样。

　　例如在圣地亚哥与多伦多的美国职业足球大联盟比赛中，o3-mini在1美元的投注上获得了9美元的回报。

　　根据市场数据和新闻来源，o3-mini预测多伦多获胜的概率为30%，而市场隐含的概率仅为11%（价格=0.11）。

　　尽管多伦多是不被看好的一方，但AI识别到了正的期望值，并由于其最大的优势比率30%/11%≈3。

　　它总能找到一些市场没注意到的细微差别，然后在那些「性价比」超高的选项上。

　　就像在上面那场足球赛中，市场认为多伦多队只有11%的胜算，但o3-mini经过分析认为有30%。

　　所以，在预测的世界里，成功的关键不在于每次都对，而在于你对的时候能带来多大的回报。

　　数值越低（颜色越深的单元格）表示概率推理更接近一致；数值越高（颜色越浅的单元格）则表明分歧越大。

　　其中一个突出的模型是DeepSeek R1，它的预测结果常常与其他模型大相径庭。

　　与Kimi K2、o3和Llama 4 Maverick等模型相比，它的L2距离始终高于0.7，这表明其可能采用了不同的校准方式或内部决策机制。

　　在频谱的另一端，诸如Grok-4和GPT-5之类的模型经常作出高度一致的预测，L2距离通常低于0.3。

　　换句话说，这张图展示了AI预测的多样性：有些模型形成「群体共识」、有些模型像「特立独行的异议者」。

　　设想，AI系统将成为预测市场的积极参与者，将人类的直觉洞察与AI强大的数据分析能力相结合，最终提升整个社会的集体远见，为那些高风险的决策提供更可靠的依据。

　　毕竟，如果说语言模型的下一步是预测下一个词，那么它的终极形态，或许就是预测这个真实世界的下一个事件。