【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✿✿★◈。

　　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✿✿★◈！

　　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✿✿★◈。

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

　　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尊龙凯时✿✿★◈，并附上长篇大论的理由✿✿★◈，解释自己为什么这么看✿✿★◈。

　　事件结束✿✿★◈，结果揭晓尊龙凯时尊龙凯时✿✿★◈。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）尊龙凯时 - 人生就是搏!✿✿★◈，人生就是博·(中国区)官方网站✿✿★◈，✿✿★◈。

　　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人生就是博(中国区)集团官方网站✿✿★◈，✿✿★◈，如项目反应理论（Item Response Theory✿✿★◈，IRT）和广义Bradley-Terry（BT）模型✿✿★◈。

　　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%✿✿★◈。

　　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%✿✿★◈。

　　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%✿✿★◈。

　　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美元的回报卑弥呼✿✿★◈。

　　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尊龙凯时✿✿★◈，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✿✿★◈。

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

　　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✿✿★◈。

　　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卑弥呼✿✿★◈。

　　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」✿✿★◈。

　　设想尊龙凯时✿✿★◈，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尊龙凯时✿✿★◈，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✿✿★◈，那么它的终极形态卑弥呼✿✿★◈，或许就是预测这个真实世界的下一个事件✿✿★◈。