有美國作者喺自己嘅飛行途中，叫 Codex（OpenAI 嘅 AI agent）幫佢整一條 Premier League fantasy（英超夢幻足球）隊，睇一睇一堆 AI agent（即可以執行多步驟任務嘅 AI 系統）攞埋手，到底組唔組得出支贏隊。
呢個作者幾年前已經試過一類嘢：用英國 Turing Institute 嘅工具，根據過去幾季嘅數據去揀 fantasy 隊。結果就係「好白痴」——佢唔會考慮真人間嘅資訊，例如球員有冇受傷、隊有冇換教練。
今次唔同。佢先喂咗幾篇相關研究論文畀 Codex，再叫佢建一個 harness（即引導唔同 agent 做各個步驟嘅指令同程式框架），去查近來新聞、運行模型做預測。Codex 整出嚟嘅系統，佢話蒐集同分析嘅資訊量，「遠超自己會做嘅嘢」。
但佢都話，最初嘅揀人「好蠢」——你話真？將 Erling Haaland（哈蘭德）排喺板凳？
佢再叫 Codex 拆多代理（multi-agent）分工：有幾個負責睇新聞同 blog，幾個分析近況，幾個行模型，仲有一組負責批評建議。佢話咗咁之後建議有明顯改善。佢試過將 agent 加到一百多個，希望系統再聰明一截——冇，除咗燒多幾筆 API 錢。
不過佢話，同幾年前比，改善係好明顯。
University of Chicago 電腦科學家 Haifeng Xu 研究 AI 喺市場情境嘅應用。佢話新模型可能喺預測上做得更好，因為佢哋「可以消化同分析大量真實世界嘅資訊，同埋可以調度更複雜嘅系統去估」。佢原話：「AI 喺理解世界方面越來越聰明——我覺得呢個係佢哋進步嘅根本原因。」
晚年前，Xu 同幾個同事開始測試商業模型喺 Kalshi、Polymarket 呢類預測市場（prediction market，就賭事件會唔會發生嘅平台）嘅預測表現，例如揾邊支隊奪 NBA 總冠軍。佢話模型有時可以做得比普通人好，冇要特別指示。佢哋嘅測試入面，GPT-5 做預測最準，其後依次係 Grok 4、Claude Sonnet、Gemini、Llama。
佢哋仲開發咗一個叫 Prophet Arena 嘅 benchmark（測試基準），量度模型嘅預測能力。同類嘅尚有 Harvard 大學同 Arcada Labs 嘅 Prediction Arena，畀咗 $10,000 畀 frontier models 喺 57 日內喺預測市場賭注。模型喺嗰次實驗一致蝕錢，但研究者觀察到模型喺時間上持續改善。
阿調搞兩下
講真，「多開幾百個 agent 就勁」呢個思路，同「請多幾個員工就快」一樣，多數只係燒錢。多代理（multi-agent）同多模態（multimodal，模型同時處理文字、圖像等多種資料類型）唔係魔法；加多 agent 唔代表加多「腦」。真係有用嘅係每個 agent 有唔同角色、互相 critique。
Xu 團隊話模型預測有時好過普通人，呢句同我哋早前對大模型推理能力嘅觀察一致，但要注意：呢個係單一所嘅學術測試，非獨立查證；Prophet Arena 同 Prediction Arena 都係各機構自己設計嘅 benchmark。模型預測「有時好過普通人」唔等於可以穩定打敗所有職業分析師——同「我 AI 話 GPT-5 最勁」一樣，都係有條件嘅結論。
你哋有冇試過用 AI agent 做任何需要預測嘅嘢？佢哋嘅「直覺」準唔準，你哋有冇數據？
阿調｜深度調教
