从经济学家到AI智能体，谁能算准世界杯?

界面新闻记者 | 张蕊
界面新闻编辑 | 任雪松

一个德国人，连续猜对了最近三届世界杯冠军。他不是足球评论员，也不是博彩精算师，甚至不太看球员数据。他的模型里装的不是球星名字，而是人均GDP、人口规模、足球在一个国家社会中的位置。今年，他的预测指向荷兰。

这位德国经济学家叫约阿希姆·克莱门特（Joachim Klement）。2014年他的模型选中德国，2018年选中法国，2022年选中阿根廷，三届全部命中，无一失手。对于即将开赛的美加墨世界杯，克莱门特的结论是：荷兰将在决赛中击败葡萄牙，捧起大力神杯。

一个用经济和社会数据的人，凭什么预测足球比赛？

克莱门特供职于英国券商Panmure Liberum，他构建的预测模型包含五个变量：人均GDP、人口规模、气候、东道主身份，以及一个随机性因子。

人均GDP的逻辑在于，一个国家只有足够富裕，才能建得起像样的球场、培养得出好教练、支撑起完善的青训体系，这是足球人才出产的底层硬件；人口规模决定了人才基数的上限；气候影响的则是足球训练和比赛的物理条件，克莱门特评估认为最适合的温度约在14°C；东道主身份，则是因为主场球迷的支持能给球队带来微弱优势，而这可能就是胜、平、负之间的区别；随机性因子，是模型对人自身不可预测性的认账：比赛终归是人踢的，不是机器算的。

克莱门特预测的淘汰赛树状图

这套逻辑在克莱门特过去三届预测中得到了验证。但试图用模型“破解”世界杯的，远不止他一人。

华尔街投行高盛也有自己的传统：从2010年起，这家投行每逢世界杯都会发布预测报告，今年也不例外。世界杯开幕前两周，高盛首席经济学家简·哈齐乌斯（Jan Hatzius）带着团队发布了2026年世界杯预测报告。

高盛的模型选了与克莱门特完全不同的路径：它不关心GDP，核心是Elo等级分体系。Elo原本是用来衡量国际象棋选手实力的评分系统，后来被移植到足球领域，根据每场比赛的结果和对手强弱，动态调整球队分值。

截至高盛发布报告时，西班牙在Elo榜单上位居全球第一，比第二名阿根廷高出52分，比法国高出84分，几乎是断层式领先。高盛在此基础上叠加上进攻天赋、球队状态、地理因素和抽签路径四个边际变量，对着48支球队、104场比赛做了5万次模拟。结果：西班牙以26%的夺冠概率成为最大热门，法国19%、阿根廷14%、巴西8%、英格兰和荷兰各约5%。

两套经济学模型，给出了两个不同的冠军。这不是谁对谁错的问题，而是一场“用哪把尺子量世界”的选择。克莱门特的问题是关于经济基础的，即一个国家有没有长出好球员的条件？高盛的问题则是关于竞技实力的，即一支球队当下到底有多强？同一项赛事，从不同的角度建模，得到了不同的答案。

图源：FIFA世界杯官方微博

经济模型之外，还有其他人在用自己的方式押注答案。

美国统计学家、《信号与噪声》的作者纳特·西尔弗（Nate Silver），带着名为PELE的新模型登场了。他在传统Elo评分里嵌入球员市场价值，并引入了一个"Tilt"因子，即近几届冠军往往在前一届表现的基础上获得额外模型增益。PELE跑完10万次模拟后，给西班牙的夺冠概率约22%，法国18%，阿根廷12%，每日更新。三个热门与高盛的排序一致，但西尔弗对卫冕冠军阿根廷的态度比高盛更为积极。

科技媒体的做法更直接——Decrypt把同样的任务交给了七个AI模型，让它们各自预测世界杯冠军。结果是四个选了西班牙、三个选了阿根廷。

而比结果更有意思的，是分歧的源头。顺藤摸瓜查下去发现，分歧根本不在于足球分析水平的高低，而在于每个模型抓取的是哪个Elo评级源：选用实时足球Elo评分（西班牙排第一）的Opus、GPT、Stepfun、Nemotron，无一例外地把票投给了西班牙；而参考FIFA排名或俱乐部加权评分（阿根廷、法国、巴西均排在西班牙之前）的DeepSeek、MiniMax、Qwen，则更倾向于阿根廷。

7个AI模型的预测结果

中国AI公司也加入了这场竞赛。Kimi（月之暗面）调动了300个AI智能体，从战术、球员、赛程、历史等维度预测每一场比赛，甚至还专门设置了一个“反方组”，由一批与主流预测持相反意见的智能体专职寻找翻车风险。

Kimi的首期预测指向了一个出人意料的方向——德国可能“爆冷”夺冠。理由是：德国连续两届小组出局的“近因偏差”持续压低了市场定价，而穆西亚拉和维尔茨组成的新前场已经解决了此前的攻坚难题。38岁的主帅纳格尔斯曼恰好是将AI深度融入训练的代表人物，这一因素也被纳入了模型。

Kimi在官宣文章里开门见山：“我们的预测很可能是错的。”但他们把整个分析过程、预测结果和赛后复盘放在了同一套透明框架中，任凭外界检验。

此外，还有一条预测线索来自虚拟世界。6月初，美国艺电（Electronic Arts）旗下体育游戏品牌EA Sports基于FC 26游戏引擎完成了最新一届世界杯模拟。结果也将冠军指向了西班牙队。值得一提的是，EA Sports的模拟历史相当漂亮：2010年选西班牙、2014年选德国、2018年选法国、2022年选阿根廷，近四届全部命中。

至于真金白银的预测市场，则是另一套读数。截至6月9日，Polymarket平台上西班牙夺冠概率约16%，法国约16%，阿根廷约10%，前十之外的其余球队合计约占两成。与高盛26%的评估相比，市场对西班牙的信心明显更低——但市场定价是动态的，开赛后的每一场比赛都可能改变这些数字。预测市场的逻辑和经济学模型截然不同：后者的优势是“有道理”，前者的优势是“押注者真的会输钱”，因此会把各种隐性的场外信息也纳入定价。

Polymarket平台数据

这些模型预测得到底准不准？历史成绩称不上漂亮。

2022年卡塔尔世界杯前，高盛的模型把巴西排在第一（24%），阿根廷第二（21%），法国第三（19%）。最终阿根廷夺冠，巴西止步八强。高盛确实把冠军锁定在了前三名，但排序是错的——球迷如果按概率投注，恐怕输多赢少。

克莱门特连续三届命中，从纯概率角度看，即便每次猜对的概率只有25%，三连中的几率也不过1.6%左右——主要靠运气的可能性已经很小。但连续三届的样本终究有限，他的模型的“真本事”还需要接下来的比赛进一步验证。

模型自己也清楚这些局限。高盛在报告中列出了四类模型盲区：无法有效衡量非进攻端才能（如中场厚度和守门员点球价值），不考虑球员伤病状态和个人赛季状态变化，也难以捕捉主教练因素的潜在影响。报告结尾处的类比颇为直白：足球的内在不可预测性，使得统计显著性始终有限，这与押注高波动资产时的处境如出一辙。

Stepfun 3.7模型在二次修正之前，也跑出了一个荒诞的结果：排名前三的热门球队是墨西哥、南非和韩国。它的开发者没有遮掩这次翻车，而是公开解释了整个过程：用人工生成的预期进球数来拟合国家队数据，反而抹平了强队与弱队之间的真实差距，发现问题后干脆全盘推倒，改用纯Elo评分重建。

所有这些模型，本质上都在探索同一个问题：世界杯的结果，到底能不能被算出来？克莱门特说经济基础决定上层建筑，高盛说竞技实力见真章，Kimi说别忘了人是会犯错的。答案不唯一，就像即将在明日凌晨开幕的世界杯本身——48支球队、104场比赛，很快会给出它自己版本的答案。