AI版华尔街之狼！o3-mini靠「神之押注」狂赚9倍，DeepSeek R1最特立独行

新智元报道

编辑：定慧 好困

【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。

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以实时预测市场事件为依托，首次建立了一个无法「刷题」的动态基准。

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

polymarket上关于AI相关的预测话题

整个比赛流程分为三步：

1. 情报收集

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。

2. 提交预测

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。

3. 结果揭晓与评分

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。

预测指标设定

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，IRT）和广义Bradley-Terry（BT）模型。

这些补充性指标丰富了排行榜，能够更细致和全面地理解预测智能。

AI「预言家」成绩单出炉

Prophet的秘密发现

你可能会觉得，预测越准，赚的钱肯定越多吧？

大部分时候是这样，但在数据里发现了一个特别有意思的「反转区域」。

秘密一：最赚钱的预测，不一定是最准的

在Brier分数不高（0.3-0.5分）的区间里，反而诞生了许多回报率惊人的预测。

深挖一下，发现很多都来自爆冷的体育比赛。

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%。

但很多AI模型比市场更保守，只给了他80%左右的胜率。

正是这微小的差异，让模型在下注时，认为押注对手奥夫纳获胜的「性价比」更高。

结果，奥夫纳真的爆冷赢了！这笔投注带来了近6倍的回报。

你看，AI并没有准确预测到胜者，所以它的准确度分数（Brier分数）很一般。

但它敏锐地发现了市场的「定价偏差」，做出了高回报的选择。

这说明，成为一个准确的预言家和成为一个赚钱的投资者，是两种不完全相同的技能。

为了探讨这一点，检查了每个Brier得分区间的模型构成，每个模型用不同的颜色表示。

一个直接的观察结果是，较高的Brier得分区间中的预测数量通常更多。

绝大多数LLM在预测时倾向于与主流信息保持一致，因此大部分预测集中在高Brier分数区间。

秘密二：AI也有「性格」，激进派or保守派

面对同样的信息，不同的AI模型会表现出截然不同的「性格」。

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%。

但模型可比人类激进多了。

激进派代表Qwen3：它看到各种法案都在推进，觉得势头很猛，直接给出了75%的超高概率。

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%。

而GPT-4.1处于他们二者之间，给出了60%的概率。

这太有趣了！

AI的预测并非随机，它们有着结构化的推理和独特的风险偏好，就像人类专家也会有观点分歧一样。

秘密三：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。

参考资料：

https://www.Prophet Arena.co/blog/welcome