VC开始靠AI预测未来了

来源：市场资讯

（来源：量子位）

七月，DigClaw的预测框架Rhizome v1，在FutureX评测平台上取得了#1、#3、#7三个席位。

三个席位来自三个不同的基础模型——包括Kimi-K3、DeepSeek-V4-Pro等。同一套框架同时让它们进入Top 7，DigClaw是唯一做到这一点的参赛方。

59道覆盖政治、经济、科技领域的真实事件预测题，不存在训练数据泄露的可能。

这组成绩支持了DigClaw正在验证的判断：

随着基座进步，系统可以获得能力红利；预测轨迹、结算反馈、校准经验和持续演化的工作流，则持续沉淀在系统内部。

△DigClaw 2026Jul.Week4在FutureX榜单表现

这不是一次偶然的竞赛结果，这是DigClaw对“预测到底应该怎么做”这个问题，给出的第一个外部验证。

随着预测任务逐渐走向标准化和工程化，AI也被寄予了规模化处理复杂预测问题的期待。

但这里有一个根本性的问题：大语言模型天然不擅长预测。

LLM学习的是correlation，而非causation。它们从过去的语料中提取模式，但“学习过去”和“预测未来”是两件本质不同的事。

这带来了三个致命问题：

到目前为止，现有方案各有局限：人类群体智慧（prediction markets）需要流动性，冷门问题上价格不可信；

LLM模式匹配没有因果结构；端到端训练有结果导向偏差——一个逻辑严密但“答错”的推理过程会被惩罚，碰巧“猜对”的粗糙判断反而被强化。

这正是DigClaw存在的原因。

DigClaw构建的是以因果结构为骨架、以概率计算为引擎、以搜索智能为数据管道的预测基础设施。

核心假设是：预测不应该由一个模型端到端完成。

搜索、因果推理、概率推断是三个正交的能力，应该由三个专门的系统分别解决，然后结构化地组合。

FutureX是当前最具挑战性的实时预测榜单：每周发布真实世界事件预测题目，提交预测时标准答案尚未产生，事后结算。

数据集托管在HuggingFace，评估框架开源在GitHub，结果可复现、可验证。

Rhizome在三个基座上采用同一套预测框架和运行条件，各自独立生成并提交答案，不做跨模型聚合。

因此，这三个名次是同一套系统方法在三个基座上的分别运行，即一次清晰的跨基座对照。

但这并不意味着基座模型不重要。

基座仍然提供语言理解、推理和工具使用等通用能力。

这一榜单结果说明的是：如何组织检索、处理时间、表达概率、维护证据和控制长程运行，可以形成独立于模型权重的系统能力。

如下是DigClaw在FutureX上Rhizome框架的technical report：

Rhizome Technical Report

Rhizome的设计围绕三个工程判断展开：搜索和推理必须解耦、预测轨迹必须完整保留并形成校准资产、概率更新必须感知因果结构：

△DigClaw预测大脑架构图

设计决策一：搜索与推理多模型解耦

Rhizome的核心设计洞察：搜索质量和推理质量是两个正交的问题，不应由同一个模型同时优化。

当前主流的DeepResearch agent（Perplexity、Gemini Deep Research）将搜索和推理绑定在同一个模型内——搜索质量被推理负担拖累，推理质量被搜索噪声污染。

Rhizome的做法是彻底解耦：搜索agent只负责找相关信息，推理层只负责在已有证据上做结构化推理。

预测任务对信息的需求不是“准确回答用户问题”，而是“尽可能发现所有相关联的信号”。

搜索agent的优化目标是信息相关性（relevance），不是答案正确性（accuracy）。如果搜索agent被训练去“找答案”，它会倾向于找到看起来像结论的内容，这恰恰最危险。

训练采用强化学习框架（SearchRL），两条路径并行迭代：

不同基座在预测任务中呈现出稳定差异：有的适合长时间检索与复杂推理，有的更擅长定量建模，有的则在成本和响应速度上更有优势。

Rhizome将预测协议、Agent编排、工具调用和结果评测放在基座之外，机构可以根据任务价值和运行规模选择基座，在推理能力、成本与响应速度之间做取舍。

设计决策二：轨迹记录与概率校准，沉淀数据资产

Rhizome为每一次预测保留一条带版本信息的完整轨迹：题目的时间条件与结算标准、预测时能够获得的证据、Agent编排与工具调用过程、最终答案与概率，以及对应的模型和系统版本。

这些记录形成于结果揭晓之前，保存了Rhizome在尚不知道答案时做出的真实判断。

事件结算后，Rhizome将预测轨迹与现实结果放回同一条记录中，回看当时掌握了什么信息、遗漏了哪些反向证据，以及错误发生在检索、时间判断、推理、答案表达还是概率校准。

一次高置信度的错误与一次接近五五开的错误，虽然都被记为“答错”，暴露的问题并不相同。

Rhizome会对同一道题进行多次独立预测。系统不会把结果简单平均，而是先在对数几率（logit）空间进行聚合，再结合已结算题目的Brier Score调整极端化强度。

不同轨迹提供的信息越独立，聚合结果可以越明确；证据重叠越多，调整就越克制。

△DigClaw预测概率校准方式

在此基础上，Rhizome通过Platt缩放，利用已结算题目识别持续的过度自信或过度保守，并对后续概率进行校正。

校准的标准很直观：系统给出60%的事件，长期应该约有六成发生；给出80%的事件，长期应该约有八成发生。

每次运行对应到当时的系统版本与关键配置，使概率变化和异常结果能够回到具体原因。

基座可以升级或更换，问题定义、证据记录、信念变化、结算结果和校准经验仍然保持连续。

这类反馈数据无法在结果揭晓后批量补造——每个样本都必须在未来尚未发生时留下判断，再等待现实给出答案。

代码可以复刻，时间沉淀的数据资产无法速成。

设计决策三：因果链感知的持续更新

事件尚未结算时，新的数据、政策和市场信息会持续出现，系统需要判断原有概率是否应该更新。

Rhizome为未结算问题保存信念状态。每条证据分别记录事件发生时间、内容发布时间和系统读取时间。

新信息与已有记录完全重复时，系统跳过更新；新证据与旧记录冲突时，旧证据不会被删除，系统保留判断被修正的过程。

单次概率变化超过0.15时，必须指向触发变化的具体新证据。

这里有一个更难的问题：新证据究竟代表多股独立力量，还是同一条因果链在不同位置留下的信号？

加息公告、利差变化和资本流动可能先后出现，但它们未必是三份独立信息。

如果系统将它们分别计入概率更新，同一个原因就可能被重复计算，把概率推向过度自信的极端。

Rhizome正在开发一套因果链感知的贝叶斯更新框架，在证据进入概率更新之前，先识别它所属的因果传导链，再根据链内关系调整证据权重。

这一框架包含四个层次：

△DigClaw因果链推理图

在DigClaw内部预测系统上，这套框架已完成原型实现和初步验证，并指导进行了多笔投资实践。

实验显示，与直接贝叶斯聚合相比，同链信号去重与全局后验帽将过度自信率（预测概率高于85%但最终判断错误的比例）从约25%降至12%。

Newborn Ventures由DigClaw发起，是全球首家以AI挖掘Beta趋势为驱动的投资和孵化机构。

DigClaw的趋势预测基座，是支撑这支AI-Native VC的底层技术框架。

投资的本质是预测。

判断一个赛道是否会爆发、一个团队是否能跑出来、一项技术是否会成为主流，这些都是预测问题。

传统投资依赖合伙人的经验直觉和信息差，但DigClaw相信，这些判断可以被系统化、被模型化。

从更大的视角看：投资回报=Beta（事件/趋势驱动）+Alpha（资产特异性）。

Alpha的研究已经相对成熟，但Beta——对宏观事件和趋势的预测，目前还没有真正有效的AI解决方案，这正是DigClaw要解决的问题。

当预测从一种直觉判断变成一个可调用、可集成、可校准的参数，它能嵌入的决策场景远比当前看到的要多。

同一套预测能力，对外在FutureX接受公开评测，对内驱动投资决策，也向产业方、金融机构和政府引导基金开放服务。

对于DigClaw和Newborn Ventures而言，FutureX第一名是起点，不是终点。

DigClaw是一家专注于预测智能的AI科技公司，核心使命是构建可校准、可审计、可集成的预测基础设施。

其旗舰预测框架Rhizome通过因果推理、概率校准和搜索智能三层架构，实现了独立于基础模型的系统能力——基座可更换，预测资产持续积累。

DigClaw的预测系统已在FutureX等公开评测平台上获得外部验证，并将同一套能力应用于投资决策、产业趋势研判和战略风险评估等实际场景，向产业方、金融机构和政府引导基金开放合作。

Newborn Ventures是一家AI原生的早期风险投资与孵化机构。

其核心信念是：投资的本质是预测，判断赛道是否会爆发、团队是否能跑出来、技术是否会成为主流，这些都是可以被系统化、模型化的预测问题。

Newborn Ventures通过自研的Deep Research Agent和因果预测系统，在全球范围内追踪AI推理方向的创新信号，发现尚未被市场定价的结构性机会——真正的Beta。

从首次接触到投资决策，其用AI重构了每一个环节，承诺48小时内给出有技术深度的明确反馈。

Research-Driven. Non-Consensus. AI-Native.

*本文系量子位获授权刊载，观点仅为原作者所有。