【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，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。

　　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小火箭酷我音乐规则，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，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%，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，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，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，或许就是预测这个真实世界的下一个事件。