【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蜜芽.miya188.cnn最新◈◈◈。

　　为「人机协作」而生◈◈◈：你可以给AI提供线索◈◈◈，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KU游官方◈◈◈。

　　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KU游官方◈◈◈、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蜜芽.miya188.cnn最新◈◈◈，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蜜芽.miya188.cnn最新◈◈◈，并附上长篇大论的理由蜜芽.miya188.cnn最新◈◈◈，解释自己为什么这么看◈◈◈。

　　事件结束◈◈◈，结果揭晓◈◈◈。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）◈◈◈。

　　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◈◈◈，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KU游官方◈◈◈，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◈◈◈。

　　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%KU游官方◈◈◈，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KU游官方◈◈◈，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◈◈◈，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◈◈◈。

　　在频谱的另一端蜜芽.miya188.cnn最新◈◈◈，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◈◈◈。

　　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◈◈◈，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◈◈◈，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KU游官方◈◈◈，或许就是预测这个真实世界的下一个事件◈◈◈。五金品牌◈◈◈。手动工具◈◈◈，酷游KU游