【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」能力不朽情缘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不朽情缘官方网站-app下载ღ✿✿，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鈴木茜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不朽情缘ღ✿✿，整理成一份精炼的「情报简报」ღ✿✿。同时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不朽情缘下载ღ✿✿，ღ✿✿，解释自己为什么这么看ღ✿✿。

　　事件结束不朽情缘ღ✿✿，结果揭晓鈴木茜ღ✿✿。会用一套专业的指标来评估AI的预测到底有多准ღ✿✿，然后更新在一个实时排行榜上不朽情缘不朽情缘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）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鈴木茜不朽情缘ღ✿✿，IRT）和广义Bradley-Terry（BT）模型ღ✿✿。

　　比如一场温布尔登网球赛ღ✿✿，赛前市场普遍认为选手保罗有84%的胜率MG不朽情缘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 Maverickღ✿✿：它也看到了同样的信息ღ✿✿，但认为立法过程复杂又缓慢不朽情缘官网登录ღ✿✿，ღ✿✿，所以只给出了比市场略高一点的35%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鈴木茜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）鈴木茜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不朽情缘官网登录入口下载ღ✿✿，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 K2ღ✿✿、o3和Llama 4 Maverick等模型相比ღ✿✿，它的L2距离始终高于0.7鈴木茜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✿✿。

　　在频谱的另一端鈴木茜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0.3ღ✿✿。

　　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」不朽情缘官网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✿✿。