今日黄金实物金价格Kalshi是一家美国的金融交易所和预测市场平台【新智元导读】AI能像科幻影戏中的先知相似预测来日吗？一个名为「Prophet Arena」的全新基准测试，正通过预测的确宇宙事务来评估AI的「预言」才具。

　　以ChatGPT为代外的AI，则能够遵照过去的语料来「预测下一个Token」。

　　那题目来了，AI能不行像先知相似，从全宇宙的混乱音信里寻找蛛丝马迹，精确地预测来日呢？

　　正在昨晚的男篮亚洲杯冠军抢夺战中，中邦男篮虽以1分之差惜败澳大利亚，但已是近十年来的最好成就！

　　自负绝大片面人都不会猜到这个比分，那么，AI能否遵照中邦队此前的浮现，提前预测到呢？

　　更进一步的，AI能否像拉普拉斯妖相似，正在获取了当来世界的扫数音信后，切确预测来日的全体？

　　即使它能正在某一刹时懂得宇宙中扫数粒子的场所与速率，而且所有了解自然纪律。

　　此日要先容的Prophet Arena便是一个通过及时更新的的确宇宙预测做事来评估AI编制预测智能的基准测试。

　　把墟市共鸣、主动化预测、音信清理和社区洞察维系起来，造成更强的全部预测才具

　　为「人机互助」而生：你能够给AI供给线索，看看它的预测若何变更；AI也会把它的斟酌流程告诉你。

　　直面的确宇宙：AI的预测直接与的确的投注计划挂钩，浮现好的模子真的能正在虚拟墟市里赚到钱。

　　Prophet Arena以及时预测墟市事务为依托，初度筑设了一个无法「刷题」的动态基准。

　　Prophet Arena从像Kalshi和Polymarket如许的预测墟市平台挑选热门、众样且周期性的的确事务举动考题。

　　Kalshi是一家美邦的金融来往所和预测墟市平台，是美邦第一个受美邦商品期货来往委员会（CFTC）监禁的、专心于来往「事务结果」的来往所

　　AI模子们使用搜罗引擎，像侦探相似网罗合于某个事务的音讯报道，清理成一份精华的「谍报简报」。同时，也会把当时的墟市价钱（能够看作是公共的全体伶俐）放进去。

　　拿到沟通的谍报后，每个AI模子都要提交一份详尽的「预测讲述」：对扫数或者的结果给出一个概率漫衍，并附上长篇大论的来由，评释己方为什么这么看。

　　事务完成，结果揭晓。会用一套专业的目标来评估AI的预测毕竟有众准，然后更新正在一个及时排行榜上。

　　排行榜重要看两个目标：一个是量度精确度和校准度的Brier分数（越高越好），另一个是模仿的确投注的均匀回报（看谁能赢利）。

　　除了上述两个中央目标外，Prophet Arena还采用了受统计学和心境衡量筑模劝导的高级评估格式，如项目响应外面（Item Response Theory，IRT）和广义Bradley-Terry（BT）模子。

　　正在Brier分数不高（0.3-0.5分）的区间里，反而成立了很众回报率惊人的预测。

　　譬喻一场温布尔登网球赛，赛前墟市遍及以为选手保罗有84%的胜率，以至正在开赛前一度攀升至95%。

　　恰是这眇小的分歧，让模子鄙人注时，以为押注敌手奥夫纳获胜的「性价比」更高。

　　你看，AI并没有精确预测到胜者，因此它的精确度分数（Brier分数）很日常。

　　这阐明，成为一个精确的先觉和成为一个赢利的投资者，是两种不所有沟通的本事。

　　为了琢磨这一点，反省了每个Brier得分区间的模子组成，每个模子用差别的颜色展现。

　　绝众人半LLM正在预测时方向于与主流音信维系一律，于是大片面预测集合正在高Brier分数区间。

　　譬喻正在「AI监禁原则会正在2026年前成为联邦国法吗？」这个事务上，墟市以为或者性惟有25%。

　　激进派代外Qwen3：它看到各式法案都正在推动，感觉势头很猛，直接给出了75%的超高概率。

　　落后｜后进派代外Llama 4 Maverick：它也看到了同样的音信，但以为立法流程杂乱又舒缓，因此只给出了比墟市略高一点的35%。

　　AI的预测并非随机，它们有着构造化的推理和特别的危险偏好，就像人类专家也会有概念分裂相似。

　　比方正在圣地亚哥与众伦众的美邦职业足球大定约竞赛中，o3-mini正在1美元的投注上得到了9美元的回报。

　　遵照墟市数据和音讯出处，o3-mini预测众伦众获胜的概率为30%，而墟市隐含的概率仅为11%（价钱=0.11）。

　　虽然众伦众是不被看好的一方，但AI识别到了正的巴望值，并因为其最大的上风比率30%/11%≈3。

　　它总能找到少少墟市没提神到的微小区别，然后下注正在那些「性价比」超高的选项上。

　　就像正在上面那场足球赛中，墟市以为众伦众队惟有11%的胜算，但o3-mini进程领会以为有30%。

　　因此，正在预测的宇宙里，凯旋的环节不正在于每次都对，而正在于你对的时刻能带来众大的回报。

　　数值越低（颜色越深的单位格）展现概率推理更亲热一律；数值越高（颜色越浅的单位格）则评释分裂越大。

　　此中一个了得的模子是DeepSeek R1，它的预测结果经常与其他模子截然不同。

　　与Kimi K2、o3和Llama 4 Maverick等模子比拟，它的L2隔绝永远高于0.7，这评释其或者采用了差别的校准式样或内部计划机制。

　　正在频谱的另一端，诸如Grok-4和GPT-5之类的模子通常作出高度一律的预测，L2隔绝平日低于0.3。

　　换句话说，这张图呈现了AI预测的众样性：有些模子造成「群体共鸣」、有些模子像「特立独行的反对者」。

　　设思，AI编制将成为预测墟市的踊跃到场者，将人类的直觉洞察与AI强壮的数据领会才具相维系，最终擢升全体社会的全体远睹，为那些高危险的计划供给更牢靠的凭借。

　　终究，即使说措辞模子的下一步是预测下一个词，那么它的终极形式，可能便是预测这个的确宇宙的下一个事务。