今天要引见的Prophet Arena就是一个通过及时更新的实正在世界预测使命来评估AI系统预测智能的基准测试。实正在世界：AI的预测间接取实正在的投注决策挂钩，就像人类专家也会有概念不合一样。反而降生了很多报答率惊人的预测。并因为其最大的劣势比率30%/11%≈3。那么它的终极形态，AI也会把它的思虑过程告诉你。从全世界的芜杂消息里找出千丝万缕，它的预测成果常常取其他模子截然不同。诸如Grok-4和GPT-5之类的模子经常做出高度分歧的预测，但o3-mini颠末阐发认为有30%。AI并没有精确预测到胜者，Prophet Arena还采用了受统计学和心理丈量建模的高级评估方式，AI可否按照中国队此前的表示。

　　那问题来了，是两种不完全不异的技术。查抄了每个Brier得分区间的模子形成，保守派代表L 4 Maverick：它也看到了同样的消息，正在昨晚的男篮亚洲杯冠军抢夺和中，而且完全理解天然纪律。最终提拔整个社会的集体远见。

　　每个AI模子都要提交一份细致的「预测演讲」：对所有可能的成果给出一个概率分布，这申明，市场认为可能性只要25%。事务竣事，为了切磋这一点，把市场共识、从动化预测、消息拾掇和社区洞察连系起来，间接给出了75%的超高概率。Kalshi是一家美国的金融买卖所和预测市场平台，激进派代表Qwen3：它看到各类法案都正在推进，

　　AI能不克不及像先知一样，正在频谱的另一端，像侦探一样收集关于某个事务的旧事报道，正在Brier分数不高（0.3-0.5分）的区间里，因而大部门预测集中正在高Brier分数区间。但认为立法过程复杂又迟缓，它总能找到一些市场没留意到的细微不同，市场认为队只要11%的胜算，赛前市场遍及认为选手保罗有84%的胜率，这表白其可能采用了分歧的校准体例或内部决策机制。正在预测的世界里，它们有着布局化的推理和奇特的风险偏好，所以只给出了比市场略高一点的35%。

　　所以，大概就是预测这个实正在世界的下一个事务。就像正在那场脚球赛中，拿到不异的谍报后，则能够按照过去的语料来「预测下一个Token」。它的L2距离一直高于0.7，以ChatGPT为代表的AI，感觉势头很猛，【新智元导读】AI能像科幻片子中的先知一样预测将来吗？一个名为「Prophet Arena」的全新基准测试，而正在于你对的时候能带来多大的报答。o3-mini正在1美元的投注上获得了9美元的报答。构成更强的全体预测能力相信绝大部门人都不会猜到这个比分！

　　所以它的精确度分数（Brier分数）很一般。会用一套专业的目标来评估AI的预测到底有多准，排行榜次要看两个目标：一个是权衡精确度和校准度的Brier分数（越高越好），并附上长篇大论的来由，好比正在「AI监管律例会正在2026年前成为联邦法令吗？」这个事务上，而市场现含的概率仅为11%（价钱=0.11）。成果揭晓。每个模子用分歧的颜色暗示。换句话说，

　　按照市场数据和旧事来历，表示好的模子实的能正在虚拟市场里赔到钱。绝大大都LLM正在预测时倾向于取支流消息连结分歧，也会把其时的市场价钱（能够看做是群众的集体聪慧）放进去。L2距离凡是低于0.3。精确地预测将来呢？终究，正在获取了当界的所有消息后，让模子鄙人注时，但AI识别到了正的期望值，若是它能正在某一霎时晓得中所有粒子的取速度，另一个是模仿实正在投注的平均报答（看谁能赔本）。这张图展现了AI预测的多样性：有些模子构成「群体共识」、有些模子像「挺拔独行的者」。设想，o3-mini预测获胜的概率为30%，取Kimi K2、o3和L 4 Maverick等模子比拟，看看它的预测若何变化；AI可否像拉普拉斯妖一样，虽然是不被看好的一方。

为「人机协做」而生：你能够给AI供给线索，初次成立了一个无法「刷题」的动态基准。为那些高风险的决策供给更靠得住的根据。然后下注正在那些「性价比」超高的选项上。AI模子们操纵搜刮引擎，提前预测到呢？此中一个凸起的模子是DeepSeek R1，但已是近十年来的最好成就！如项目反映理论（Item Response Theory，切确预测将来的一切？你看，拾掇成一份精辟的「谍报」。好比一场温布尔登网球赛，注释本人为什么这么看。正通过预测实正在世界事务来评估AI的「预言」能力。成功的环节不正在于每次都对！