VC开始靠AI预测未来了
内容提要
DigClaw的预测框架Rhizome在FutureX评测中获第一、第三和第七名，证明预测能力可独立于基座模型。其设计解耦搜索与推理，保留预测轨迹并校准概率，采用因果链感知更新，将过度自信率从25%降至12%。该技术已用于投资决策，并开放合作。
延伸解读
预测能力独立于基座模型的意义
Rhizome在FutureX榜单上使用不同基座模型均进入前十，说明预测能力可以沉淀在模型之外。这意味着机构不必绑定特定基座，可根据任务需求在推理能力、成本和速度间取舍。同时，基座升级时，系统积累的预测轨迹和校准经验仍可延续，形成持续积累的数据资产。
搜索与推理解耦的设计逻辑
Rhizome将搜索和推理分离，搜索agent只负责找相关信息，推理层专注结构化推理。这避免了主流DeepResearch agent中搜索质量被推理负担拖累的问题。搜索优化目标是信息相关性而非答案正确性，因为寻找“像结论”的内容可能引入偏见。这种解耦有助于提升预测的可靠性。
概率校准与过度自信的改善
通过保留预测轨迹、在logit空间聚合、Platt缩放等方法，Rhizome将过度自信率从25%降至12%。校准标准是系统给出60%概率的事件长期约有六成发生。这提醒我们，预测系统不仅需要准确，还需校准良好，避免高置信度错误。
因果链感知更新的必要性
新证据可能来自同一条因果链的不同位置，若重复计算会推高过度自信。Rhizome开发因果链感知的贝叶斯更新框架，先识别证据所属因果链再调整权重。这有助于区分独立信息与同源信号，避免概率更新失真，对动态事件预测尤为重要。
Q&A
DigClaw的预测框架Rhizome在FutureX评测中取得了什么成绩？
Rhizome v1在FutureX评测平台上取得了#1、#3、#7三个席位，分别来自三个不同的基础模型，包括Kimi-K3、DeepSeek-V4-Pro等，是唯一做到这一点的参赛方。
为什么大语言模型不擅长预测？
因为LLM学习的是相关性而非因果性，它们从过去语料中提取模式，但学习过去和预测未来是两件本质不同的事，导致缺乏因果结构、结果导向偏差等问题。
Rhizome框架的核心设计理念是什么？
Rhizome的核心假设是预测不应该由一个模型端到端完成，而是将搜索、因果推理、概率推断三个正交能力分别由专门系统解决，再结构化组合。
Rhizome如何实现搜索与推理的解耦？
Rhizome将搜索agent和推理层分离，搜索agent只负责找相关信息，优化目标是信息相关性而非答案正确性；推理层在已有证据上做结构化推理，避免相互干扰。
Rhizome如何利用预测轨迹进行概率校准？
Rhizome为每次预测保留完整轨迹，包括时间条件、证据、过程等，结算后回看错误来源；通过多次独立预测，在对数几率空间聚合，并结合Brier Score调整极端化强度，再用Platt缩放校正过度自信或保守。
Rhizome如何处理新证据对未结算预测的影响？
Rhizome保存信念状态，新信息重复时跳过更新，冲突时保留旧证据并记录修正过程；单次概率变化超过0.15必须指向具体新证据；并开发因果链感知的贝叶斯更新框架，识别证据所属因果链，避免重复计算。
DigClaw的预测技术在实际中有什么应用？
DigClaw的预测技术已用于投资决策，支撑Newborn Ventures进行AI驱动的投资；同时向产业方、金融机构和政府引导基金开放服务，用于产业趋势研判和战略风险评估。
DigClaw和Newborn Ventures是什么关系？
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，其底层技术框架是DigClaw的趋势预测基座。
