AI真的能像科幻电影里的先知一样，提前预知未来吗？芝加哥大学SIGMA Lab推出的Prophet Arena基准测试，正用真实世界的预测任务来检验AI的「预言」能力。

AI能预测未来吗？

在《黑客帝国》里，先知能对Neo的未来做出预测。

以ChatGPT为代表的AI，则可以根据过去的语料来「预测下一个Token」。

那问题来了，AI能不能像先知一样，从全世界的杂乱信息里找出蛛丝马迹，准确地预测未来呢？

比如：

AI监管今年能否成为联邦法律？

美国职业足球大联盟比赛中，谁会获胜？

NBA今年的冠军会是谁？

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！

相信绝大部分人都不会猜到这个比分，那么，AI能否根据中国队此前的表现，提前预测到呢？

更进一步的，AI能否像拉普拉斯妖一样，在获取了当下世界的所有信息后，精确预测未来的一切？

如果它能在某一瞬间知道宇宙中所有粒子的位置与速度，并且完全理解自然规律。

那么，就可以准确计算出过去的一切，并且精确预测未来的一切。

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。

把市场共识、自动化预测、信息整理和社区洞察结合起来，形成更强的整体预测能力

简单来说，Prophet Arena作为基准测试是独一无二的：

考的是预测能力：这是一种需要综合理解力、推理能力的高级智慧。

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。

不会过拟合，数据永不过时：因为未来的事件永远是全新的考题。

直面真实世界：AI的预测直接与真实的投注决策挂钩，表现好的模型真的能在虚拟市场里赚到钱。

Prophet Arena由芝加哥大学SIGMA Lab开发（https://www.valimart.net/

全面衡量AI在不确定性推理、信息整合、概率预测和真实收益中的表现。

就连OpenAI 推理研究（AI reasoning research）负责人Noam Brown也赞叹，预测能力是人类独有的能力，现在AI终于开始涉足了。

竞技场规则大公开

在Prophet Arena里，AI模型们要回答一个简单又根本的问题：

预测真实世界里还没发生的事，到底行不行？

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是一家专注于预测市场的公司，为各种事件提供投注选项。

Polymarket则是基于区块链的预测平台，用户可以对各类事件进行押注。

这些平台提供了丰富的数据源，让AI模型能够基于实际市场动态进行预测。

Prophet Arena的测试流程分为几个阶段：

1. 事件筛选：从多个平台中挑选具有代表性的预测事件。

2. 数据收集：获取事件相关的所有公开信息，包括新闻报道、专家分析等。

3. 模型训练：使用历史数据训练AI模型，使其能够预测事件结果。

4. 实时预测：在事件发生前，AI模型根据最新数据进行预测。

5. 结果评估：对比预测结果与实际结果，评估模型的准确性。

整个流程确保了测试的科学性和客观性，为AI预测能力提供了可靠的检验。

AI胜利的秘诀在于「赢得大」而非「赢得多」

在这些模型中，哪个模型最能赚钱？

在排行榜上，OpenAI的o3-mini模型在平均回报指标上名列前茅。

这还是很出人意料的。

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。

选择了投注多伦多FC获胜。

结果证明，多伦多最终获胜，为o3-mini带来了可观的已实现收益。

但它在很多比赛中，和市场主流观点的正面交锋其实是输多赢少。

那它为什么还能赚钱呢？因为它赢的时候，赢得特别多。

它总能找到一些市场没注意到的细微差别，然后下注在那些「性价比」超高的选项上。

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%。

它果断押注多伦多队，结果多伦多队爆冷获胜，这一笔就赚了9倍。

所以，在预测的世界里，成功的关键不在于每次都对，而在于你对的时候能带来多大的回报。

彩蛋

在不同模型的对比中，发现了一些很有趣的现象。

下图每个格子里的数值表示两两模型在预测分布上的平均差异程度。

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。

其中一个突出的模型是DeepSeek R1，它的预测结果常常与其他模型大相径庭。

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。

这些模型似乎在解读事件特征和匹配市场信号方面有更多的共同点。

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」。

因此AI预测并不是随机输出，而是各自内部结构化推理的结果。

打造人机协作的「预言家联盟」

Prophet Arena仅仅是个开始。

终极目标是建立一个平台，让AI驱动的洞见来增强理解和预测世界的方式。

未来，你可以直接问AI：「这件事发生的可能性有多大？」

它不仅会给你一个概率，还会清晰地解释背后的逻辑。

你甚至可以提供新的信息，看看AI会不会因此改变想法。

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。