هوش مصنوعی از بهترین پیش‌بینی‌کننده‌ها هم بهتر پیش‌بینی می‌کند

صدها شرکت‌کننده، پیامد پرسش‌هایی را پیش‌بینی کرده بودند که قرار بود تا ماه سپتامبر پاسخ آن‌ها مشخص شود.

• آیا یک ایالت آمریکا یا یک کشور عضو اتحادیه اروپا توسعه مراکز داده را محدود خواهد کرد؟
• آیا شیوع هانتاویروس دست‌کم پنج نفر را که مسافر کشتی MV Hondius نبوده‌اند، درگیر خواهد کرد؟
• قیمت نفت خام برنت چقدر خواهد بود؟

شرکت‌کنندگان بر اساس فاصله پیش‌بینی‌شان از پاسخ واقعی امتیاز می‌گرفتند. کسانی که برای طولانی‌ترین مدت‌زمان، نزدیک‌ترین پیش‌بینی را به نتیجه واقعی ارائه می‌کردند، بیشترین امتیاز را به دست می‌آوردند.

شرکت‌کنندگان انسانی این رقابت، یک جایزه نقدی ۵ هزاردلاری را متناسب با تعداد امتیازهایی که کسب کرده بودند، میان خود تقسیم کردند. اما این مبلغ در واقع از درآمدی که نفر پنجم در دنیای واقعی به دست آورده بود، کمتر است. FutureSearch با شرط‌بندی روی پرسش‌هایی که مدل هوش مصنوعی‌اش معتقد است بازار درباره آن‌ها اشتباه می‌کند، از ماه ژوئن تاکنون ارزش اولیه ۱۰۰ هزاردلاری سبد سرمایه‌گذاری خود در Kalshi، یکی از بازارهای محبوب پیش‌بینی را ۶ درصد افزایش داده است. بااین‌حال، همین رقم نیز در مقایسه با عملکرد یکی از توسعه‌دهندگان Preseen ناچیز است؛ فردی که باوجوداینکه شرکتش نتوانست در میان پنج رتبه نخست رقابت قرار بگیرد، طی هفت ماه ۳۵ دلار را به ۱.۹۴ میلیون دلار تبدیل کرد که ششمین بازدهی برتر در تاریخ Kalshi است.

رایانه‌ها مدت‌هاست برای پیش‌بینی در حوزه‌های محدودی مانند وضعیت آب‌وهوا به کار گرفته می‌شوند. اما مدل‌های پیش‌بینی‌کننده هوش مصنوعی، مانند آن‌هایی که در Metaculus فعالیت می‌کنند، از جنس دیگری هستند. این سامانه‌ها به‌جای آنکه به طور اختصاصی بر اساس داده‌های مربوط به پرسش‌هایی که قرار است پاسخ آن‌ها را پیش‌بینی کنند آموزش ببینند، با استفاده از همان مدل‌های زبانی بزرگ (LLM) ساخته می‌شوند که زیربنای رونق کنونی هوش مصنوعی را تشکیل می‌دهند.

هوش مصنوعی قهرمان جام جهانی ۲۰۲۶ را پیش‌بینی کرد؛ اسپانیا، فرانسه یا آرژانتین؟

بنابراین این ربات‌ها اخبار را می‌خوانند و داده‌ها را تقریباً به همان شیوه‌ای تحلیل و تفسیر می‌کنند که انسان‌ها انجام می‌دهند؛ با این تفاوت که این کار را در مقیاسی بسیار گسترده‌تر و با سرعتی بسیار بیشتر انجام می‌دهند. این ویژگی به آن‌ها امکان می‌دهد استدلال پشت پیش‌بینی‌های خود را به‌صراحت توضیح دهند؛ قابلیتی که زمانی که قرار است تصمیم‌گیرندگان متقاعد شوند پیش‌بینی‌های آن‌ها را جدی بگیرند، بسیار مفید است.

پیشگویان، از طالع‌بین‌ها گرفته تا کارشناسان پیش‌بینی نتایج مسابقات، در تمام طول تاریخ بشر وجود داشته‌اند. بااین‌حال، کسب‌وکار مدرن پیش‌بینی به اعداد و معیارهای کمی متکی است و همین امر تشخیص شیادان و افراد فاقد توانایی را آسان‌تر می‌کند.

مطالعه‌ای که در سال ۲۰۱۵ توسط باربارا ملرز از دانشگاه پنسیلوانیا و همکارانش در نشریه Perspectives on Psychological Science منتشر شد، نشان داد که ابرپیش‌بینی‌کننده‌ها (superforecasters)؛ یعنی بهترین افراد در این حوزه، می‌توانند میان رویدادهایی که ۳۰۰ روز بعد رخ خواهند داد و رویدادهایی که رخ نخواهند داد، با همان میزان اطمینانی تمایز قائل شوند که افراد معمولی در مورد رویدادهای ۶۰ روز آینده دارند. تحلیلی که مؤسسه Forecasting Research Institute در ماه ژوئیه منتشر کرد، نشان می‌دهد که سامانه‌های هوش مصنوعی اکنون در مجموعه‌ای از پرسش‌های پیش‌بینی که به طور مستمر در حال تغییر است، به سطح ابرپیش‌بینی‌کننده‌ها انسانی رسیده‌اند. دکتر ملرز نیز مشاور علمی این مؤسسه است.

بخش بزرگی از این پیشرفت، ناشی از همان عاملی است که پیشرفت هوش مصنوعی در دیگر حوزه‌ها را نیز رقم می‌زند؛ یعنی چند شرکت که مبالغ هنگفتی را برای افزایش مقیاس مدل‌های زبانی بزرگ هزینه می‌کنند. بااین‌حال، بهترین سامانه‌ها توسط استارتاپ‌ها و افراد خلاق و آزمایشگر ساخته می‌شوند که از ترفندهای دیگری نیز استفاده می‌کنند. یکی از این روش‌ها، ترکیب مدل‌های زبانی بزرگ شرکت‌های مختلف است تا هرکدام بخش‌های متفاوتی از یک پرسش پیش‌بینی را بررسی کنند، داده‌های موردنیاز را گردآوری کنند و درباره پاسخ صحیح با یکدیگر به بحث و تبادل نظر بپردازند.

یک استارتاپ بریتانیایی به نام Mantic، داده‌های تخصصی و غیرمعمولی را در اختیار هوش مصنوعی خود قرار می‌دهد که مدل‌های هوش مصنوعی عمومی شرکت‌هایی مانند OpenAI و Anthropic به‌راحتی به آن‌ها دسترسی ندارند؛ زیرا این داده‌ها پشت دیوار پرداخت قرار گرفته‌اند. Preseen نیز در همین حال تلاش می‌کند سابقه عملکرد کارشناسان و تحلیلگران خبری را ارزیابی کند تا مشخص کند کدام‌یک از آن‌ها را باید در پیش‌بینی‌های خود وارد کند.

استارتاپ‌ها همچنین می‌توانند کاری انجام دهند که هیچ پیش‌بینی‌کننده‌های انسانی قادر به انجام آن نیست؛ یعنی حافظه ربات خود را پاک کنند. با دادن تصاویر لحظه‌ای از داده‌های گذشته به هوش مصنوعی، صاحبان این سامانه‌ها می‌توانند ببینند که تغییر در دستورالعمل‌ها و اطلاعاتی که در اختیار ربات قرار می‌دهند، چگونه می‌توانست پیش‌بینی یک رویداد گذشته را تغییر دهد. این کار به آن‌ها اجازه می‌دهد فرایند پیش‌بینی را برای همان پرسش‌ها بارهاوبارها اجرا کنند و هرقدر که می‌خواهند از اشتباهات خود بیاموزند.

بااین‌حال، هنوز مشخص نیست که آیا این قابلیت‌های جانبی واقعاً عوامل تعیین‌کننده‌ای هستند که به هوش مصنوعی برتری آن را نسبت به پیش‌بینی‌کننده‌های انسانی می‌دهند یا نه. برنده واقعی جدیدترین دوره جام Metaculus، رباتی بود که جفری لیانگ، یک چنددانشیِ خودخوانده ساکن تگزاس توسعه داده است. او برآورد می‌کند که برای توسعه این هوش مصنوعی، کمتر از ۱۵۰ ساعت زمان و چند هزار دلار برای توان محاسباتی و داده هزینه کرده است. ربات او توانست چهار استارتاپ را شکست دهد که مجموعاً بیش از ۱۵ میلیون دلار سرمایه جذب کرده‌اند. این ربات اکنون در رقابت دیگری که Metaculus برگزار می‌کند و تنها سامانه‌های هوش مصنوعی در آن حضور دارند نیز در جایگاه نخست قرار دارد. مجموع جایزه این رقابت ۵۰ هزار دلار است.

پیش‌بینی‌کننده‌های انسانی که در رقابت‌های Metaculus شرکت می‌کنند، لزوماً بهترین پیش‌بینی‌کننده‌های جهان نیستند. همچنین این جام که افق زمانی چهارماهه دارد، توانایی پیش‌بینی در بازه‌های چندساله را نمی‌سنجد؛ درحالی‌که چنین توانایی‌ای برای بسیاری از مؤسسات اهمیت دارد.

یان ریویر که در Mantic به‌عنوان پیش‌بینی‌کننده‌های مشغول به فعالیت است، معتقد است که در این حوزه همچنان قضاوت انسانی یک مزیت ایجاد می‌کند؛ هرچند مدل‌های پیش‌بینی‌کننده هوش مصنوعیِ توانمند به‌اندازه کافی سابقه فعالیت ندارند که بتوان این موضوع را به طور دقیق آزمود. ازسوی‌دیگر، مرز میان انسان و ماشین نیز چندان روشن نیست. پیش‌بینی‌کننده‌های انسانی همین حالا نیز برای انجام حجم عظیم پژوهشی که برای ارائه یک پیش‌بینی لازم است، از هوش مصنوعی کمک می‌گیرند. برای مثال، ریویر می‌گوید با هوش مصنوعی شرکت خود مانند یک پیش‌بینی‌کننده حرفه‌ای دیگر رفتار می‌کند که به او در بهبود پیش‌بینی‌هایش کمک می‌کند.

با ادامه پیشرفت هوش مصنوعی، احتمالاً این توازن تغییر خواهد کرد. انسان‌ها همچنان توانایی گردآوری اطلاعات از دنیای واقعی را حفظ خواهند کرد. اما افزایش قدرت پردازشی هوش مصنوعی به ماشین‌ها اجازه خواهد داد تعداد بیشتری از این ورودی‌ها را ترکیب و تحلیل کنند؛ بسیار بیشتر از آنچه یک انسان هرگز قادر به انجام آن خواهد بود.

در همین فاصله، هوش مصنوعی پیش‌بینی آینده را برای همه آسان‌تر می‌کند. دریافت یک پیش‌بینی از ابرپیش‌بینی‌کننده انسانی ممکن است بیش از ۱۰ هزار دلار هزینه داشته باشد و یک هفته زمان ببرد. FutureSearch این کار را در ده دقیقه و با چند دلار انجام می‌دهد؛ هرچند بدون تردید استارتاپ‌های دیگری که خدمات خود را به صندوق‌های پوشش ریسک و دولت‌ها می‌فروشند، مبالغ بیشتری دریافت می‌کنند.

همه این‌ها این پرسش را بی‌پاسخ می‌گذارد که پیش‌بینی‌کننده‌ها، چه انسان و چه ماشین، تا چه اندازه با حد نظریِ آنچه درباره آینده می‌توان دانست فاصله دارند. برای مثال، پیش‌بینی‌های آب‌وهوا از حدود ۱۵ روز آینده به بعد به دلیل آشوب ذاتی موجود در جو، به پیش‌بینی‌هایی تصادفی تبدیل می‌شوند. بنابراین اگر هوش مصنوعی به پیشرفت خود ادامه دهد، ممکن است به شکلی خلاف انتظار نشان دهد که چه مقدار از آینده واقعاً ناشناختنی است و چه مقدار از آن صرفاً هنوز شناخته نشده است.

گزارش حاضر در نسخه September 19^th 2026 نشریه The Economist منتشر شده است.