j9九游会国际站-官方网站✿◈ღ！j9九游会登录入口首页居家办公趋势✿◈ღ，【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✿◈ღ，但已是近十年来的最好成绩J9九游会✿◈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✿◈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」J9九游会✿◈ღ。同时suparc官网✿◈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suparc官网✿◈ღ，然后更新在一个实时排行榜上J9九游会✿◈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）suparc官网✿◈ღ。

　　除了上述两个核心指标外✿◈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✿◈ღ，如项目反应理论（Item Response Theory✿◈ღ，IRT）和广义Bradley-Terry（BT）模型J9九游会✿◈ღ。

　　比如一场温布尔登网球赛suparc官网J9九游会✿◈ღ，赛前市场普遍认为选手保罗有84%的胜率✿◈ღ，甚至在开赛前一度攀升至95%✿◈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 Maverick✿◈ღ：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%suparc官网✿◈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✿◈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%✿◈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✿◈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%≈3✿◈ღ。

　　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✿◈ღ。

　　与Kimi K2✿◈ღ、o3和Llama 4 Maverick等模型相比✿◈ღ，它的L2距离始终高于0.7✿◈ღ，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J9九游会✿◈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0.3✿◈ღ。

　　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✿◈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suparc官网✿◈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J9九游会✿◈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。