Related articles
文 | 超前实验室，作者｜青苹吹果
如果有个 AI 告诉你，三个月后某只股票会跌，或者某个国家会加关税，你怎么判断它说的是真话，还是在瞎蒙？
唯一的方法就是——等三个月，一切见分晓。
但这就陷入了一个死循环：要验证预测，就得等结果出来；等结果出来，黄花菜都凉了。更尴尬的是，就算它蒙对了，你也不知道下次还能不能信它。
市面上号称能 「预测」 的 AI 产品一大堆，但没几个敢把历史预测记录全公开的。大部分都是挑几个说中的案例出来吹，说错的就当没发生过。
直到最近，UniPat AI 发布了一套系统，名字叫 Echo，核心是一个专门为预测训练的模型 EchoZ-1.0，并在公开的 General AI Prediction Leaderboard 上稳居第一，领先 Google 的 Gemini-3.1-Pro 和 Anthropic 的 Claude-Opus-4.6。
在涵盖 12 个模型、覆盖政治、经济、体育、科技、加密货币等 7 个领域、活跃题目超过 1000 道的排行榜中，EchoZ-1.0 以 Elo 1034.2 的分数排名榜首，其竞争对手不仅有顶级大模型，还有预测市场上真实投入资金的人类交易者。这意味着 EchoZ 的预测能力已经相当能打了。
我花了两个晚上把他们的技术博客和公开数据翻了一遍，发现他们做了一件挺有意思的事。
Echo 不仅让 AI 学会了预测未来，更重要的是，他们建立了一套，让任何人都能验证 「预测准不准」 的方法论。
比谁预测得准，得先站在同一起跑线
过去一年，几乎所有头部大模型厂商都在卷预测能力。Google、Anthropic、OpenAI，一个比一个卷。
但问题是，怎么证明自己的模型真的比别人强？
传统的做法是搞一个排行榜，让各家模型对着同一批题目做预测，然后比谁的正确率高。听起来公平，但有一个致命漏洞：时序不对称。
举个例子。假设有道题是 「2026 年 4 月 20 日收盘时，全球市值最大的公司是哪家？」 模型 A 在 4 月 1 日预测了，模型 B 在 4 月 18 日预测了。4 月 18 日的模型显然能看到更多信息，比如这段时间发生了什么新闻、市场有什么波动。
这两者的准确率能直接比较吗？显然不能。越接近截止时间，预测难度越低。这就像让两个人赛跑，一个跑 100 米，一个跑 50 米，然后比谁先到终点，没有意义。
更麻烦的是，大部分预测基准的题目都来自 Polymarket 这类预测市场，偏向容易结算的二元问题 （「是」 或 「否」）。
但真实世界里，一个做餐饮的老板关心的可能是 「下个月某款新品的单店日均销量预测能达到多少」，这种问题在传统基准里根本找不到。
Echo 团队在构建评测系统时，第一个动作就是解决这两个坑。
他们的做法挺直接：只比较 「同一道题、同一个预测时间点」 的结果。4 月 1 日预测的，就和 4 月 1 日预测的比，4 月 18 日预测的，就和 4 月 18 日预测的比。
这叫 point-aligned Elo 机制，听起来简单，但之前没人这么干过，因为工程复杂度高，需要持续跟踪每道题、每个时间点、每个模型的输出。
而这么做的好处也是显而易见的：确保了 「参赛」 模型都站在了 「同一起跑线」 上，厂商不用再为了排名而刻意选择答题时机，研发焦点也能从 「卡点」 回归到推理质量本身。
同时，Echo 团队建立了三条数据采集管道。
一条对接 Polymarket 等公开预测市场，保证了题目来源的持续性和可比性；
一条从 Google Trends 等实时趋势中自动生成新题，让评测体系能跟上现实世界的节奏，避免模型 「刷旧题」；
还有一条我觉得最有意思，引入科研、工程、医疗等真实专业场景的预测题，则把评测从大众话题的范畴，真正拉进了高价值决策的核心地带。
从大众共识到专业判断，这个光谱覆盖得相当完整。
行业也终于有了一套既公平、又能真实反映模型在复杂现实问题中实用能力的标尺。
评测标准是一把动态的尺
除此之外，Echo 的评测引擎还有一个细节，我觉得挺值得琢磨，那就是它不是静态题库，而是持续生长的。
系统会持续从 「三条管道」 吸入新题目，预测市场合约、实时趋势自动合成、专家贡献。每道题不只做一次预测，而是根据结算周期长度分配多个预测时间点。
比如周期 10 天的题可以做大约 4 次预测，90 天的则可以 7 次，既保证覆盖密度，又控制计算开销。
新题目持续流入，新的预测点持续触发，对战持续发生，排行榜持续更新。
这就解决了另一个老问题，传统排行榜的数据会过时。去年厉害的模型，今年可能就不行了；去年测的题目，今年可能已经没人关心了。
但动态系统不一样，它造了一把不断校准的尺子，而这把尺子本身也在不停生长。
Echo 团队还做了几组验证实验，挺有意思的。
一个是稳健性测试。
通过模拟因 API 故障或服务器中断造成的预测缺失场景，随机剔除 10% 到 70% 的预测记录，观察排名顺序是否会发生变化。
结果表明，Elo 体系下的排名稳定性始终优于传统 Avg Brier 方法的平均排名，前者波动幅度比后者低 1.4 至 1.8 倍；即便数据丢失比例高达 70%，Elo 排名的变动量也仅相当于 Avg Brier 得分排名波动的一半多。
另一个是收敛速度。
模拟一个新模型刚加入排行榜，看它的排名多久能稳定下来。Elo 在第 5.4 天就收敛到和 20 天后一致的排名，Avg Brier 要到第 14.5 天，快了 2.7 倍。
这些实验在告诉你，这套评测系统本身是可靠的，不是随便搭的架子。
不用答案来训练，那用什么？
评测的问题解决了，下一个问题是训练。
用历史事件训练预测模型，听起来很合理。把过去的新闻和当时的市场数据喂给模型，让它学习 「在什么信息条件下，什么事件会发生」。
就像学生们在备考期间，会做 「历年真题」 来找手感。
但实际做起来，有两道绕不过去的坎。
第一个是数据泄露。
互联网内容持续更新，你让模型去搜 「2024 年某事件的相关信息」，它搜到的网页可能已经被后来的新闻报道修改过了。你以为是让模型 「回到过去」，其实它偷偷看了答案。
第二个是结果导向偏差。
现实世界充满随机性，一个逻辑严密的预测可能因为黑天鹅事件而落空，一个瞎蒙的猜测可能因为运气而命中。
如果只用最终结果做训练信号，模型会学到什么？它会学到了蒙对了就是好，蒙错了就是差。这跟训练一个赌徒没什么区别。
所以 Echo 提出的另一种解法，叫 Train-on-Future——面向未来训练。
既然答案短期内没法拿到手，那就干脆不拿它当训练素材。改成让模型去面对那些还没出结果的真实问题，然后回过头来评判它的 「推理过程」 到底靠不靠谱。
所谓的推理过程，就是从模型接到问题开始，到最终给出判断中间走过的每一步，去哪里找资料、怎么梳理信息、最后怎么得出那个概率数字。
在这过程中，模型是特意去搜索那些一手的信息源头，还是随便看看新闻标题就完事？碰上互相矛盾的说法，会不会去自主核实？在给出概率的时候，是拿着过往的历史数据去推算出一个合理区间，还是一拍脑门随口编了个数？
这些动作可以被评价，不需要等答案揭晓。
但问题来了，如何来给 「推理过程」 打分？总不能靠感觉吧！
这确实是个棘手的问题。毕竟不同领域对 「好推理」 的定义完全不一样。
比如做宏观经济预测时，你得判断下个季度的 GDP 增速，这需要盯着央行的货币政策、PMI 的月度变化、失业率报告；但做加密货币领域的预测完全是另一套逻辑，你得看链上活跃地址数、监管机构的表态、市场恐慌贪婪指数。
这就造成了一个问题，面对不同的领域，想写一套通用的评分标准，几乎不可能。
所以 Echo 团队索性决定不靠人写，直接用数据来 「搜」 出评分标准。
这套机制叫 Automated Rubric Search，翻译过来就是 「评分标准自动搜索」。
大概流程是，先拿出一张草稿，列出几个可能的评分角度，比如 「信息来源靠不靠谱」「碰到矛盾信息怎么处理」，每项分成好、中、差三档。然后用这套标准去给各个模型的预测过程打分，排出一个名次。
排完之后，拿这个名次跟真正的 Elo 排名，放在一起比对，看看两个版本名次重合度。
重合度越高，说明这套评分标准越有说服力。
排行榜第一，要赢，更要稳
聊了这么多技术，现在，咱们再回到开头提到了的 General AI Prediction Leaderboard 上。
排行榜涵盖 12 个模型，7 个领域，活跃题目超过 1000 道。
但我觉得更值得看的不是排名本身，而是排名的稳定性。
Echo 团队做了一组σ参数敏感性测试：调整 Elo 框架中的一个参数，控制模型之间表现差距会被放大到什么程度，从 0.01 到 0.50 共 9 个取值，重新计算全部模型排名。EchoZ 在全部 9 个分组均保持第一，是唯一排名未发生任何波动的模型。
作为对比，GPT-5.2 的排名在第 2 到第 9 之间波动过 8 个位次。
这意味着什么？意味着它不是 「刚好赢了一点点」，而是在不同设定下都稳居第一，这比 「赢了」 更有说服力。
更有意思的是他们和人类交易者的对比。
EchoZ 与 Polymarket 人类市场共识的分层对比显示：政治与治理领域胜率 63.2%，长期预测 （7 天以上） 胜率 59.3%，市场不确定区间 （人类信心 55%-70%） 胜率 57.9%。
有个规律值得注意，人类预测者越犹豫的场景，如高不确定性、长时间跨度、复杂政治博弈，EchoZ 的优势反而越明显。
这恰恰暗示了模型在信息整合和概率校准上的系统性优势，恰好是人类直觉最不可靠的区域。
乍一听，60% 上下的准确率好像也没多厉害。可但凡对投资市场有点了解的人都清楚，在一个靠决策质量分高下的环境里，60% 这个数字意味着什么，只要胜率过半，长期下来就是正收益，而能达到六成，已经是相当可观的领先幅度了。
写在最后
UniPat 在官网上为 Echo 写了一段话：「The future is no longer a probability you guess — it is a parameter you integrate.」
翻译过来大概是：未来不再是你猜测的概率，而是你可以集成的参数。
这句话挺有嚼头。
当预测从一种直觉判断变成一个可调用、可集成的参数，它能嵌入的决策场景会多得多，金融市场、算法交易、企业战略、供应链管理……比我们现在能想到的要多。
据他们披露，下一步计划是把 EchoZ-1.0 的预测能力封装成一套 AI-native Prediction API 对外开放。这套 API 支持自然语言输入，返回包含概率分布、分层证据链、反事实脆弱性评估和监测建议的完整结构化报告。
想象一下：你问 「明年 Q1 全球锂矿价格走势」，它不光给你一个概率，还告诉你这个判断是怎么来的，哪些证据支撑、哪些因素可能让判断失效、需要关注哪些监测指标。
这跟现在那些只会给你一个 「涨/跌」 结论的 「预测工具」，完全不是一个东西。
当然，落地的效果还得等 API 正式上线才能验证。但至少从目前公开的信息来看，Echo 在做的事情是结构化的。它没有在较真自己模型准不准，而是在搭建一套 「让人相信它准」 的验证体系。这在预测 AI 这个领域，可能比 「准」 本身更重要。
毕竟，如果一个 AI 真的能预测未来，你总得知道它什么时候该信，什么时候不该信。
