88bifa (中国区)官方网站

　　【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✿✿✿。

　　为「人机协作」而生✿✿✿：你可以给AI提供线索王者荣耀伽罗吞下白色液体✿✿✿，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✿✿✿、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✿✿✿，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✿✿✿。

　　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王者荣耀伽罗吞下白色液体bifa·必发✿✿✿。

　　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）bifa·必发✿✿✿。

　　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bifa·必发✿✿✿，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？」这个事件上王者荣耀伽罗吞下白色液体✿✿✿，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王者荣耀伽罗吞下白色液体✿✿✿，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%bifa·必发✿✿✿。

　　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%✿✿✿，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bifa·必发✿✿✿，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%的胜算王者荣耀伽罗吞下白色液体王者荣耀伽罗吞下白色液体✿✿✿，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bifa·必发✿✿✿。

　　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✿✿✿，诸如Grok-4和GPT-5之类的模型经常作出高度一致的预测bifa·必发✿✿✿，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」bifa·必发✿✿✿、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王者荣耀伽罗吞下白色液体✿✿✿，为那些高风险的决策提供更可靠的依据王者荣耀伽罗吞下白色液体✿✿✿。

　　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✿✿✿。必发bifa官网✿✿✿，必发888✿✿✿，bifa88官网bifaVIP认证必发888官网✿✿✿，