这项由Lossfunk公司的Chinmay Karkar和Paras Chopra在2025年11月发表的研究揭示了一个令人意外的发现：大型语言模型在预测未来事件时表现极不稳定，其准确性完全取决于我们问什么以及怎么问。这项研究发表在arXiv平台，论文编号为2511.18394v1，有兴趣深入了解的读者可以通过该编号查询完整论文。

当我们谈到人工智能时，很多人会认为这些系统要么完全准确，要么完全错误。但Lossfunk的研究团队发现，现实远比这复杂得多。他们测试了包括GPT-5、Claude 3.7 Sonnet、DeepSeek-R1和GPT-4.1在内的多个顶尖AI模型，让它们预测真实世界中已经发生的事件，结果发现了一个让人着迷的现象：这些AI的预测能力就像一个挑食的美食家，在某些"菜品"上表现出色，在另一些上却完全失准。

研究团队从Polymarket、metaculus和Manifold Markets等预测市场收集了大约10000个预测问题，这些问题涵盖了2025年1月到7月期间发生的各种事件。经过严格筛选，他们最终保留了392个高质量问题，平均分布在政治、娱乐、体育、技术、金融和地缘政治六个领域。这就像是为AI准备了一场全能考试，测试它们在不同知识领域的预测能力。

更有趣的是，研究人员还进行了一项对照实验：他们为每个问题添加了新闻背景信息，就像给考生提供额外的参考资料一样，然后观察这些信息如何影响AI的判断。结果却出人意料：有时候额外的信息确实帮助AI做出更准确的预测，但有时候这些信息反而让AI的表现变得更糟。

一、AI预测能力的"偏科"现象

研究结果显示，这些AI模型在不同领域的表现差异巨大，就像学生在不同科目上的成绩一样参差不齐。在地缘政治领域，Claude 3.7 Sonnet和GPT-5表现最为出色，准确率高达84%，这意味着在10个国际关系问题中，它们能准确预测约8个。相比之下，在金融领域，同样的模型准确率却大幅下降，有些甚至低至40%。

这种差异并非偶然现象。研究人员发现，AI在结构化程度较高的领域表现更好，比如政治选举和国际事务，因为这些领域往往有相对清晰的规律可循。而在变化更加随机的领域，如娱乐业的获奖预测或金融市场的短期波动，AI的表现就会显著下降。

以体育预测为例，大多数AI模型的准确率都在50%左右，这基本上相当于抛硬币的随机水平。这说明即使是最先进的AI系统，在面对充满不确定性的体育比赛时，也无法比随机猜测做得更好。然而，在政治预测方面，这些模型的表现就要好得多，特别是在预测选举结果和政策变化方面。

二、新闻信息的双刃剑效应

当研究人员为每个预测问题添加相关的新闻背景信息时，他们期望看到AI预测准确性的普遍提升。毕竟，更多的信息通常意味着更好的决策基础。然而，实验结果却呈现出复杂的画面：在某些领域，新闻信息确实显著提升了预测准确性，但在另一些领域，额外的信息反而成为了干扰因素。

在金融和体育领域，添加新闻背景后，AI模型的表现有了明显改善。这就像给一个投资顾问提供了最新的市场报告，或者给体育解说员提供了球员的最新伤病信息，使他们能够做出更加精准的判断。具体来说，某些模型在金融预测方面的准确率从56%提升到了68%，这是一个相当可观的改进。

然而，在娱乐和技术领域，新闻信息的加入却产生了相反的效果。一些原本表现不错的模型，在获得额外信息后准确率反而下降了。这种现象让研究人员深入思考：为什么更多的信息有时候会让AI变得更加困惑？

三、AI预测失误的三种典型模式

通过深入分析AI模型的推理过程，研究团队识别出了三种主要的失误模式，这些模式解释了为什么添加新闻信息有时会适得其反。

第一种失误模式被称为"近期偏见"。AI模型往往会过分重视最近发生的事件，而忽略长期的历史趋势。研究人员举了一个生动的例子：当预测标普500指数是否会在6月13日突破6050点时，没有新闻背景的AI基于历史数据和技术分析，理性地判断这种突破不太可能发生，给出了"不会"的正确预测。但是，当同一个AI看到了几天前关于股市"创历史新高"和"策略师上调目标"的新闻后，它立刻改变了立场，过度乐观地预测会突破，结果预测错误。这就像一个人因为昨天的好天气就认为今天也会阳光明媚，忽略了天气预报显示的降雨概率。

第二种失误模式是"传言过度加权"。AI模型有时会把新闻中的推测和可能性当作既定事实来处理。在预测中国关税是否会超过150%的问题上，原本谨慎的AI基于政策实施的复杂性给出了"不会"的正确答案。但在阅读了一些提及关税"可能"上涨到150%的新闻后，AI却将这些推测性报道视为确凿信息，改变了预测结果。这种行为类似于一个人听到邻居说"可能会下雨"就立刻决定取消野餐计划，而不是查看实际的天气预报。

第三种失误模式是"定义漂移"。当新闻信息中出现缩写词或专业术语时，AI有时会误解其含义，导致预测偏差。一个典型例子是关于"MATS申请是否会在3月开放"的预测。原本，AI正确理解MATS是一个定期开放申请的学术项目，预测申请会在3月开放。但在接触到新闻信息后，AI被大量关于"Mid-America Trucking Show"（也简称MATS）的报道误导，错误地将问题理解为关于卡车展览的注册开放时间，从而给出了错误的预测。

四、不同AI模型的独特表现特征

研究还发现，不同的AI模型在处理预测任务时展现出截然不同的"性格特征"。GPT-5和Claude 3.7 Sonnet在结构化领域如地缘政治和政治预测方面表现最为稳定，它们似乎更善于处理有明确规律和逻辑的问题。这两个模型的校准能力也相对较好，意味着它们对自己预测的把握程度与实际准确性更加匹配。

相比之下，DeepSeek-R1和GPT-4.1在处理娱乐和技术领域的问题时表现出更高的不确定性。特别值得注意的是，DeepSeek-R1在整个实验过程中都拒绝提供详细的推理过程，即使研究人员明确要求它解释自己的思考逻辑。这个模型只会输出最终的预测结果和置信度分数，但不会说明是如何得出这些结论的。这种"黑盒"特性让研究人员无法深入了解其决策机制。

在处理新闻信息时，各个模型的反应也大不相同。一些模型在获得额外信息后变得更加保守，降低了预测的置信度；而另一些模型则变得更加自信，有时甚至过于自信。这种差异反映了不同AI系统在信息整合和不确定性评估方面的根本差异。

五、研究方法的创新之处

这项研究在方法上有几个重要的创新点。传统的AI预测能力研究往往关注整体准确率，而这项研究不仅分析了准确性，还深入研究了校准能力。校准能力指的是AI模型对自己预测把握程度的评估是否准确。一个校准良好的模型，当它说有70%把握时，在相似情况下应该有大约70%的准确率。

研究团队使用了三个关键指标来评估AI的预测能力。准确率衡量预测结果与实际结果的匹配程度，这是最直观的评判标准。布赖尔分数则综合考虑了预测的准确性和置信度，能够更全面地反映预测质量。期望校准误差专门测量AI模型的自信程度与实际表现的匹配程度，这对于评估AI系统在实际应用中的可靠性至关重要。

为了确保实验的时间纯净性，研究人员特别注意排除了任何可能泄露未来信息的新闻内容。他们使用Exa搜索引擎收集新闻信息，并严格限制所有新闻的发布时间必须早于预测问题的创建日期。这种做法确保了AI模型无法获得关于事件结果的任何直接线索。

六、现实世界的应用意义

这项研究的发现对于AI在现实世界中的应用具有重要意义。目前，许多金融机构、政治分析组织和市场研究公司都在尝试使用AI进行预测分析。这项研究的结果提醒我们，AI的预测能力并非万能，而是高度依赖于问题的类型和背景信息的质量。

在金融领域，研究结果表明，AI在处理长期趋势分析时可能比短期市场预测更加可靠。这对于投资决策具有重要参考价值。投资者和分析师应该意识到，AI在处理技术分析时可能会过分依赖近期信息，而忽略长期的市场规律。

在政治预测方面，AI模型显示出相对较强的能力，这可能对选举分析、政策影响评估等领域产生积极影响。然而，研究也提醒我们注意传言过度加权的问题，特别是在处理政治新闻时，AI可能会将推测性报道误认为确凿事实。

对于新闻媒体和信息传播行业，这项研究揭示了一个重要现象：信息的呈现方式可能显著影响AI系统的判断。这提醒内容创作者在撰写新闻报道时，应该更加注意区分事实陈述和推测分析，避免可能误导AI系统的表述。

七、研究局限性与未来展望

尽管这项研究提供了宝贵的洞察，但研究团队也坦诚地指出了一些局限性。首先，研究主要关注的是英语环境下的预测任务，对于其他语言环境下AI的预测表现还需要进一步研究。其次，实验使用的预测问题主要来自西方的预测市场平台，可能存在一定的文化偏见。

研究中使用的AI模型虽然代表了当前的先进水平，但技术发展日新月异，新一代的AI系统可能会展现出不同的特征。此外，研究主要关注的是二元选择题（是或否），对于需要数值预测或多选题的情况，结果可能会有所不同。

从实验设计角度来看，虽然研究人员努力确保新闻信息的时间纯净性，但完全排除信息泄露的可能性仍然是一个挑战。此外，不同新闻来源的质量和倾向性也可能影响实验结果。

未来的研究方向可能包括探索如何改进AI模型的信息整合能力，减少近期偏见和传言过度加权的问题。研究人员还可能开发新的训练方法，帮助AI更好地区分确凿事实和推测信息。另一个有趣的方向是研究如何设计更好的提示词和交互方式，最大化AI预测系统的性能。

说到底，这项研究最重要的贡献在于让我们认识到AI预测能力的复杂性和局限性。在AI技术日益普及的今天，理解这些系统的真实能力边界比盲目信任更为重要。正如研究标题所暗示的，未来确实是"分布不均"的，AI在某些领域可能表现出色，而在另一些领域可能令人失望。

这项研究提醒我们，在使用AI进行预测时，应该根据具体的应用场景选择合适的模型，并谨慎处理背景信息的提供方式。同时，我们也应该保持适度的期望，认识到即使是最先进的AI系统也有其不可克服的局限性。未来的AI发展方向不应该只是追求更高的准确率，而应该更加关注如何提高系统的鲁棒性和可解释性，让人类能够更好地理解和控制这些强大的工具。

Q&A

Q1：大型语言模型在哪些领域的预测表现最好？

A：根据Lossfunk的研究，大型语言模型在地缘政治和政治领域表现最佳，准确率可达84%左右。这些结构化程度较高的领域有相对清晰的规律可循，比如选举结果和国际事务预测。相比之下，在金融和体育等变化更随机的领域，AI的准确率明显下降，有些甚至只有40-50%。

Q2：为什么给AI提供新闻信息有时候会让预测变得更糟？

A：研究发现AI存在三种主要失误模式：近期偏见、传言过度加权和定义漂移。AI往往过分重视最近的新闻而忽略长期趋势，会把新闻中的推测当作事实，还可能误解专业术语的含义。比如在股市预测中，AI看到近期利好消息后会过度乐观，反而做出错误判断。

Q3：不同AI模型在预测能力上有什么区别？

A：研究测试的GPT-5、Claude 3.7、DeepSeek-R1和GPT-4.1各有特色。GPT-5和Claude 3.7在政治和地缘政治预测方面最稳定可靠，校准能力也更好。DeepSeek-R1和GPT-4.1在娱乐、技术领域表现出更高不确定性。特别是DeepSeek-R1拒绝解释推理过程，只输出结果，像个"黑盒"系统。