【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ღ◈◈✿，正通过预测真实世界事件来评估AI的「预言」能力ღ◈◈✿。

　　在昨晚的男篮亚洲杯冠军争夺战中ღ◈◈✿，中国男篮虽以1分之差惜败澳大利亚狗万滚球ღ◈◈✿，但已是近十年来的最好成绩狗万滚球ღ◈◈✿！

　　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ღ◈◈✿。

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

　　Prophet Arena从像Kalshi和Polymarket这样的预测市场平台挑选热门ღ◈◈✿、多样且周期性的真实事件作为考题狗万滚球ღ◈◈✿。

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

　　AI模型们利用搜索引擎ღ◈◈✿，像侦探一样收集关于某个事件的新闻报道ღ◈◈✿，整理成一份精炼的「情报简报」ღ◈◈✿。同时ღ◈◈✿，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ღ◈◈✿。

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

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

　　排行榜主要看两个指标ღ◈◈✿：一个是衡量准确度和校准度的Brier分数（越高越好）ღ◈◈✿，另一个是模拟真实投注的平均回报（看谁能赚钱）cq9 武圣ღ◈◈✿。

　　除了上述两个核心指标外狗万滚球ღ◈◈✿，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cq9 武圣ღ◈◈✿，如项目反应理论（Item Response Theorycq9 武圣ღ◈◈✿，IRT）和广义Bradley-Terry（BT）模型ღ◈◈✿。

　　比如一场温布尔登网球赛狗万滚球ღ◈◈✿，赛前市场普遍认为选手保罗有84%的胜率cq9 武圣ღ◈◈✿，甚至在开赛前一度攀升至95%狗万滚球ღ◈◈✿。

　　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ღ◈◈✿，市场认为可能性只有25%ღ◈◈✿。

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

　　例如在圣地亚哥与多伦多的美国职业足球大联盟比赛中狗万滚球ღ◈◈✿，o3-mini在1美元的投注上获得了9美元的回报ღ◈◈✿。

　　根据市场数据和新闻来源ღ◈◈✿，o3-mini预测多伦多获胜的概率为30%cq9 武圣ღ◈◈✿，而市场隐含的概率仅为11%（价格=0.11）ღ◈◈✿。

　　尽管多伦多是不被看好的一方狗万滚球cq9 武圣ღ◈◈✿，但AI识别到了正的期望值ღ◈◈✿，并由于其最大的优势比率30%/11%≈3ღ◈◈✿。

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

　　数值越低（颜色越深的单元格）表示概率推理更接近一致ღ◈◈✿；数值越高（颜色越浅的单元格）则表明分歧越大cq9 武圣ღ◈◈✿。

　　与Kimi K2ღ◈◈✿、o3和Llama 4 Maverick等模型相比ღ◈◈✿，它的L2距离始终高于0.7ღ◈◈✿，这表明其可能采用了不同的校准方式或内部决策机制ღ◈◈✿。

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

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

　　设想cq9 武圣ღ◈◈✿，AI系统将成为预测市场的积极参与者ღ◈◈✿，将人类的直觉洞察与AI强大的数据分析能力相结合ღ◈◈✿，最终提升整个社会的集体远见ღ◈◈✿，为那些高风险的决策提供更可靠的依据ღ◈◈✿。

　　毕竟ღ◈◈✿，如果说语言模型的下一步是预测下一个词ღ◈◈✿，那么它的终极形态ღ◈◈✿，或许就是预测这个真实世界的下一个事件ღ◈◈✿。CQ9电子最新网站ღ◈◈✿。CQ9电子ღ◈◈✿，电子游戏cq9ღ◈◈✿，