【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四四的悲催重生✿◈，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✿◈，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）监管的不朽情缘app下载✿◈、专注于交易「事件结果」的交易所

　　AI模型们利用搜索引擎不朽情缘app下载✿◈，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✿◈，并附上长篇大论的理由✿◈，解释自己为什么这么看四四的悲催重生✿◈。

　　事件结束✿◈，结果揭晓✿◈。会用一套专业的指标来评估AI的预测到底有多准不朽情缘游戏官网入口✿◈，✿◈，然后更新在一个实时排行榜上四四的悲催重生✿◈。

　　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）不朽情缘官方下载✿◈，✿◈，另一个是模拟真实投注的平均回报（看谁能赚钱）MG不朽情缘✿◈。

　　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）模型激光器✿◈。✿◈。

　　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%不朽情缘官方网站✿◈，✿◈。

　　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%四四的悲催重生✿◈。

　　保守派代表Llama 4 Maverick✿◈：它也看到了同样的信息不朽情缘app下载不朽情缘模拟器✿◈。✿◈，但认为立法过程复杂又缓慢四四的悲催重生✿◈，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不朽情缘app下载不朽情缘app下载✿◈，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%✿◈，而市场隐含的概率仅为11%（价格=0.11）四四的悲催重生不朽情缘app下载✿◈。✿◈。

　　尽管多伦多是不被看好的一方✿◈，但AI识别到了正的期望值mg电子✿◈，✿◈，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✿◈。

　　在频谱的另一端不朽情缘app下载✿◈，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」四四的悲催重生不朽情缘app下载✿◈。

　　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四四的悲催重生✿◈，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✿◈，或许就是预测这个真实世界的下一个事件✿◈。