AI扎堆世界盃，技術底牌亮了多少？

隨著阿根廷與瑞士分別擊敗對手晉級，美加墨世界盃八強隊伍已全數出列。在這場全球矚目的足球盛宴背後，綠茵場上出現了一群非典型的參與者——各大人工智慧公司。它們不約而同地湧入賽場，將這場運動賽事變成了一場盛大的技術展演。從影像輔助判決到戰術分析，AI的足跡遍佈比賽的每個環節。其中，最吸引目光也最具話題性的，莫過於比賽結果的預測。 畢竟，AI擅長從海量數據中挖掘規律，若能透過足夠豐富的足球資訊來預測勝負，聽起來似乎是順理成章的事。於是，Kimi、通義千問、聯想、騰訊混元等業者紛紛登場，爭奪本屆世界盃「神算手」的稱號。然而，這些AI廠商預想中的「封神」時刻，並未如願降臨。 這場技術展演的本質，其實是一場精心計算的投資。世界盃對AI大模型而言，可說是最殘酷的考場。22名球員、11種戰術，再加上天氣、場地、傷病、心理狀態等變數，從不同層面交織干擾。這遠比處理格式固定的文件或進行資訊檢索來得複雜，因為文件有規則可循，但足球比賽沒有標準答案。既然如此，AI廠商為何仍執意投入這個高風險的場域？ 歸根結底，這些廠商是想藉助世界盃這個擁有全球頂級流量的舞台，來爭取資本市場的信任，並搶佔用戶心中的位置。而驅動這一切的支點，並非單純的行銷，而是技術本身。以騰訊混元為例，它成功預測29支晉級球隊的成績，在媒體上廣為流傳，但資本市場與行業客戶真正關注的，是背後展現的技術本色。混元採用MoE混合專家架構，在7T的訓練資料中嵌入了近21.4%的合成數據。這代表模型並非死記硬背，而是透過合成數據模擬無數次「虛擬賽事」來進行邏輯推演，學會了舉一反三。同時，其256K的超長上下文窗口，能一口氣消化海量的賽事報告，因此當它預測世界盃時，展現的不僅是比分，更是對充滿變量的場景進行建模的能力。 此外，這也是一場成本極低的技術「高考」。訓練數百個子Agent跑一輪預測的電費，可能還比不上央視一條15秒廣告的費用，但卻能換來全網對於「AI預測準確率」的熱烈討論，這樣的話題曝光度，平時很難買到。更重要的是，藉由世界盃這個考場，AI廠商可以用足球這個充滿不確定性的「磨刀石」，將自家技術打磨得更銳利。通義千問在動態更新的賽事數據流中，反覆測試了對即時資訊的接入能力與回應速度，背後是對推理延遲與併發處理能力的極致壓榨；聯想的天禧AI則將多模態融合技術直接搬進現場，藉由3D數位人可視化與裁判視角AI影片，驗證系統在複雜場景下的即時渲染與決策輔助能力。 這還只是表面的競賽。在暗處，還有一層心理博弈。預測對了，可以宣傳是自家產品表現優異；預測錯了，正好印證「足球的魅力」與「人類的勝利」。更何況，「準不準」從來不是人們使用AI的首要誘因，「AI有沒有用、方不方便用」才是關鍵。如此看來，這場秀的本質，是用極低的成本撬動高價值的關注，達到四兩撥千斤的效果。 回顧近期賽事，巴西對上挪威的比賽在賽前就引發不少關注。一方是傳統強權，另一方則是時隔28年才闖入16強的黑馬，實力懸殊。不僅巴西球迷提前慶祝，市面上12家AI也一致押注巴西獲勝。結果，終場哨響，比分定格在1比2，12家AI全軍覆沒。這並非單一事件。烏拉圭對上佛得角，12個AI同樣預測烏拉圭勝出，最終卻以2比2戰平；Kimi將冠軍押注德國隊，卻輸給了巴拉圭。 AI賽果預測頻頻失靈的背後，存在三道難以繞過的阻礙。第一重障礙源於AI對數據的依賴。賽場上，可量化數據與不可量化數據之間存在維度差異，讓AI從一開始就陷入被動。可量化數據包含歷史戰績、跑動距離、傳球成功率等，將這些數據輸入模型，表面上看起來嚴絲合縫，但風險同樣明顯。聯賽數據佔了絕大部分，而國家隊盃賽的樣本卻極為稀少，這就像讓一個只讀過聯賽百科的人，去寫盃賽的畢業論文，偏科幾乎是必然。更棘手的是，高原反應、賽前失眠、更衣室氣氛等變數，每一項都在真實地影響比賽走向，但這些因素難以量化，AI連分析它們的切入點都沒有，只能假裝它們不存在，或用模糊標籤將複雜的人類情緒一筆帶過。 第二重障礙是共識的幻覺。12家AI集體押注巴西，結果的高度統一，恰恰暴露了AI產品同質化的本質。它們輸入同一套數據源，執行類似的模擬，連底層架構都基於Transformer，所謂的「獨立思考」從一開始就不存在。當AI的思考只是在共用同一個大腦時，再多的大模型也不過是換上了不同的外殼。同時，集體共識也可能因沒有異議者，而喪失糾正錯誤、更新觀點的能力。這種趨同更會給人帶來虛假的安全感，AI們不會互相質疑，只會彼此確認偏見，然後一起錯下去。 第三重障礙最為隱密也最致命，可稱為「觀察者效應」。當Kimi將224頁預測報告公諸於世，當通義高調宣稱「巴西奪冠」，這個公開的動作本身就開始改變它試圖預測的未來。巴西球員看到了，心理負擔加重；對手教練看到了，戰術針對性升級；球迷情緒被煽動，輿論開始累積。一旦預測說出口，世界就會圍繞這句話重新博弈。球員可能因被看好而輕敵，也可能因不被看好而爆發。AI算得出射門轉化率，但算不出一個人在被全世界否定時能爆發出多大的能量。這形成一個悖論：AI越強大、預測越公開，準確性反而可能越低。 比賽過半，32強出爐，各家AI也交出了第一份成績單。騰訊混元命中29支晉級球隊，位居榜首；MiniMax命中28支；DeepSeek與智譜則命中27支。AI陣營整體命中率為61.9%，比人類專家高出7.3個百分點。但排名只是表象，真正值得關注的是成績背後，各家AI分別展現了什麼樣的技術實力。 DeepSeek的預測成績不算特別突出，但它的算力成本僅為同類模型的十分之一。將這套低成本推理能力遷移到汽車碰撞測試、材料疲勞分析等標準化參數環境中，能將單次模擬從數小時壓縮到分鐘級，幫助工程師快速篩選方案方向。目前已有二十家車企將其作為「第一道過濾器」。而在醫療場景中，騰訊混元支撐的「小覓AI助手」能在23秒內自動檢索患者歷史影像，分析病變趨勢，一鍵生成報告初稿，目前已服務近萬家醫療機構，病歷小結準確性達87%。 相較於世界盃，醫療場景的容錯率更低，AI光算得準遠遠不夠，醫生需要知道「為什麼」，患者需要知道「責任歸誰」。因此，用AI做預篩與初稿，由醫生進行複核與最終定論，這種「AI窮盡可能、人類最終拍板」的協作模式，才是低容錯場景中最務實的路徑。如果說醫療場景考驗的是AI的「可解釋性」，那Kimi在世界盃上展示的，則是拆解問題的能力。它把「比賽結果」這個複雜問題拆解為戰術、傷病、賠率等多個維度，交給不同Agent並行計算。在產業應用中，同樣可以讓一個Agent讀財報、一個爬輿情、一個分析行業週期，各自負責不同領域。當財報Agent指出公司現金流穩健，輿情Agent卻發現高管密集減持，多個Agent交叉驗證，最終將未知的混沌轉化為有概率的清單，將決策範圍從大海撈針壓縮到十選一。 同一個考場，不同的答卷。有的強在MoE架構的效率，有的強在多Agent協同的複雜度，有的強在多模態融合的廣度。世界盃這場技術高考沒有輸家，每份答卷都在告訴行業，自己的能力邊界在哪裡，技術又能走向何方。總體而言，或許不該把AI預測視為「神諭」，它更像一台超級計算器。它的價值不在於告訴你答案是哪個，而在於窮盡所有可能性，將混沌轉化為概率，成為人類做選擇時最值得參考的軍師。但它仍然無法回答創始人在絕境中能否扛住，更衣室裡的那股氣是散是聚，也甩不掉那隻始終相伴的「貓」。最終拍板的那一步，或許永遠要留給人類自己。