VC開始靠AI預測未來了

eX評測平臺上取得了#1、#3、#7三個席位。三個席位來自三個不同的基礎模型——包括Kimi-K3、DeepSeek-V4-Pro等。同一套框架同時讓它們進入Top 7，DigClaw是唯一做到這一點的參賽方。59道覆蓋政治、經濟、科技領域的真實事件預測題，不存在訓練數據洩露的可能。這組成績支持了DigClaw正在驗證的判斷： 預測能力可以沉澱在基座模型之外。隨著基座進步，系統可以獲得能力紅利；預測軌跡、結算反饋、校準經驗和持續演化的工作流，則持續沉澱在系統內部。△DigClaw 2026Jul.

Week4在FutureX榜單表現 這不是一次偶然的競賽結果，這是DigClaw對“預測到底應該怎麼做”這個問題，給出的第一個外部驗證。預測是AI最被低估的能力 隨著預測任務逐漸走向標準化和工程化，AI也被寄予了規模化處理複雜預測問題的期待。但這裡有一個根本性的問題：大語言模型天然不擅長預測。LLM學習的是correlation，而非causation。它們從過去的語料中提取模式，但“學習過去”和“預測未來”是兩件本質不同的事。這帶來了三個致命問題： 因果方向盲區。模型知道A和B經常一起出現，但不知道是A導致B，還是B導致A，還是存在共同原因C。干預推理失效。

你無法問模型“如果美聯儲降息，會對東南亞科技股產生什麼影響”——因為它只學過歷史共現，沒有因果圖譜支撐干預計算。校準缺失。模型輸出的“70%概率”沒有經過任何概率論意義上的校準，本質上只是token分佈的副產品。到目前為止，現有方案各有侷限：人類群體智慧（prediction markets）需要流動性，冷門問題上價格不可信； LLM模式匹配沒有因果結構；端到端訓練有結果導向偏差——一個邏輯嚴密但“答錯”的推理過程會被懲罰，碰巧“猜對”的粗糙判斷反而被強化。這正是DigClaw存在的原因。DigClaw構建的是以因果結構為骨架、以概率計算為引擎、以搜索智能為數據管道的預測基礎設施。

核心假設是：預測不應該由一個模型端到端完成。搜索、因果推理、概率推斷是三個正交的能力，應該由三個專門的系統分別解決，然後結構化地組合。三個前十，驗證預測能力的跨基座遷移 FutureX是當前最具挑戰性的實時預測榜單：每週發佈真實世界事件預測題目，提交預測時標準答案尚未產生，事後結算。數據集託管在HuggingFace，評估框架開源在GitHub，結果可復現、可驗證。Rhizome在三個基座上採用同一套預測框架和運行條件，各自獨立生成並提交答案，不做跨模型聚合。因此，這三個名次是同一套系統方法在三個基座上的分別運行，即一次清晰的跨基座對照。但這並不意味著基座模型不重要。

基座仍然提供語言理解、推理和工具使用等通用能力。這一榜單結果說明的是：如何組織檢索、處理時間、表達概率、維護證據和控制長程運行，可以形成獨立於模型權重的系統能力。如下是DigClaw在FutureX上Rhizome框架的technical report： Rhizome Technical Report Rhizome的設計圍繞三個工程判斷展開：搜索和推理必須解耦、預測軌跡必須完整保留並形成校準資產、概率更新必須感知因果結構： △DigClaw預測大腦架構圖 設計決策一：搜索與推理多模型解耦 Rhizome的核心設計洞察：搜索質量和推理質量是兩個正交的問題，不應由同一個模型同時優化。

當前主流的DeepResearch agent（Perplexity、Gemini Deep Research）將搜索和推理綁定在同一個模型內——搜索質量被推理負擔拖累，推理質量被搜索噪聲汙染。Rhizome的做法是徹底解耦：搜索agent只負責找相關信息，推理層只負責在已有證據上做結構化推理。預測任務對信息的需求不是“準確回答用戶問題”，而是“儘可能發現所有相關聯的信號”。搜索agent的優化目標是信息相關性（relevance），不是答案正確性（accuracy）。如果搜索agent被訓練去“找答案”，它會傾向於找到看起來像結論的內容，這恰恰最危險。

訓練採用強化學習框架（SearchRL），兩條路徑並行迭代： 路徑A：開源模型RL微調——在8B/30B參數的開源模型上，以搜索相關性為reward做RL訓練（參考：Search-R1, COLM 2025; ReSeek, ICML 2026） 路徑B：閉源模型Harness——對Claude/GPT等閉源模型，構建外部搜索約束框架 不同基座在預測任務中呈現出穩定差異：有的適合長時間檢索與複雜推理，有的更擅長定量建模，有的則在成本和響應速度上更有優勢。

Rhizome將預測協議、Agent編排、工具調用和結果評測放在基座之外，機構可以根據任務價值和運行規模選擇基座，在推理能力、成本與響應速度之間做取捨。設計決策二：軌跡記錄與概率校準，沉澱數據資產 Rhizome為每一次預測保留一條帶版本信息的完整軌跡：題目的時間條件與結算標準、預測時能夠獲得的證據、Agent編排與工具調用過程、最終答案與概率，以及對應的模型和系統版本。這些記錄形成於結果揭曉之前，保存了Rhizome在尚不知道答案時做出的真實判斷。

事件結算後，Rhizome將預測軌跡與現實結果放回同一條記錄中，回看當時掌握了什麼信息、遺漏了哪些反向證據，以及錯誤發生在檢索、時間判斷、推理、答案表達還是概率校準。一次高置信度的錯誤與一次接近五五開的錯誤，雖然都被記為“答錯”，暴露的問題並不相同。Rhizome會對同一道題進行多次獨立預測。系統不會把結果簡單平均，而是先在對數幾率（logit）空間進行聚合，再結合已結算題目的Brier Score調整極端化強度。不同軌跡提供的信息越獨立，聚合結果可以越明確；證據重疊越多，調整就越剋制。

△DigClaw預測概率校準方式 在此基礎上，Rhizome通過Platt縮放，利用已結算題目識別持續的過度自信或過度保守，並對後續概率進行校正。校準的標準很直觀：系統給出60%的事件，長期應該約有六成發生；給出80%的事件，長期應該約有八成發生。每次運行對應到當時的系統版本與關鍵配置，使概率變化和異常結果能夠回到具體原因。基座可以升級或更換，問題定義、證據記錄、信念變化、結算結果和校準經驗仍然保持連續。這類反饋數據無法在結果揭曉後批量補造——每個樣本都必須在未來尚未發生時留下判斷，再等待現實給出答案。代碼可以復刻，時間沉澱的數據資產無法速成。

設計決策三：因果鏈感知的持續更新 事件尚未結算時，新的數據、政策和市場信息會持續出現，系統需要判斷原有概率是否應該更新。Rhizome為未結算問題保存信念狀態。每條證據分別記錄事件發生時間、內容發佈時間和系統讀取時間。新信息與已有記錄完全重複時，系統跳過更新；新證據與舊記錄衝突時，舊證據不會被刪除，系統保留判斷被修正的過程。單次概率變化超過0.15時，必須指向觸發變化的具體新證據。這裡有一個更難的問題：新證據究竟代表多股獨立力量，還是同一條因果鏈在不同位置留下的信號？加息公告、利差變化和資本流動可能先後出現，但它們未必是三份獨立信息。

如果系統將它們分別計入概率更新，同一個原因就可能被重複計算，把概率推向過度自信的極端。Rhizome正在開發一套因果鏈感知的貝葉斯更新框架，在證據進入概率更新之前，先識別它所屬的因果傳導鏈，再根據鏈內關係調整證據權重。這一框架包含四個層次： 因果知識庫：存儲經過驗證的因果鏈，並記錄關鍵關係的傳導時滯、影響衰減和歷史可信度。同鏈信號去重：來自同一條因果鏈的後續信號不會再以完整權重重複計入，避免同一股力量被多次計算。全局後驗帽：限制多條同向證據帶來的累積影響，根據預測期限調整約束強度。傳導時滯感知：鏈頭事件發生後，系統根據因果關係的傳導進度逐步更新，不會立即把全部影響計入鏈尾結果。

△DigClaw因果鏈推理圖 在DigClaw內部預測系統上，這套框架已完成原型實現和初步驗證，並指導進行了多筆投資實踐。實驗顯示，與直接貝葉斯聚合相比，同鏈信號去重與全局後驗帽將過度自信率（預測概率高於85%但最終判斷錯誤的比例）從約25%降至12%。為什麼一家投資機構要做預測模型 Newborn Ventures由DigClaw發起，是全球首家以AI挖掘Beta趨勢為驅動的投資和孵化機構。DigClaw的趨勢預測基座，是支撐這支AI-Native VC的底層技術框架。投資的本質是預測。判斷一個賽道是否會爆發、一個團隊是否能跑出來、一項技術是否會成為主流，這些都是預測問題。

傳統投資依賴合夥人的經驗直覺和信息差，但DigClaw相信，這些判斷可以被系統化、被模型化。從更大的視角看：投資回報=Beta（事件/趨勢驅動）+Alpha（資產特異性）。Alpha的研究已經相對成熟，但Beta——對宏觀事件和趨勢的預測，目前還沒有真正有效的AI解決方案，這正是DigClaw要解決的問題。當預測從一種直覺判斷變成一個可調用、可集成、可校準的參數，它能嵌入的決策場景遠比當前看到的要多。對上市公司而言，它意味著在產業鏈變動和政策風向形成前完成戰略預判與風險預警； 對投資機構而言，它意味著在共識形成之前發現價值； 對政府引導基金而言，它意味著以系統化方法研判產業趨勢與政策效果。

同一套預測能力，對外在FutureX接受公開評測，對內驅動投資決策，也向產業方、金融機構和政府引導基金開放服務。對於DigClaw和Newborn Ventures而言，FutureX第一名是起點，不是終點。關於DigClaw DigClaw是一家專注於預測智能的AI科技公司，核心使命是構建可校準、可審計、可集成的預測基礎設施。其旗艦預測框架Rhizome通過因果推理、概率校準和搜索智能三層架構，實現了獨立於基礎模型的系統能力——基座可更換，預測資產持續積累。

DigClaw的預測系統已在FutureX等公開評測平臺上獲得外部驗證，並將同一套能力應用於投資決策、產業趨勢研判和戰略風險評估等實際場景，向產業方、金融機構和政府引導基金開放合作。關於Newborn Ventures Newborn Ventures是一家AI原生的早期風險投資與孵化機構。其核心信念是：投資的本質是預測，判斷賽道是否會爆發、團隊是否能跑出來、技術是否會成為主流，這些都是可以被系統化、模型化的預測問題。

Newborn Ventures通過自研的Deep Research Agent和因果預測系統，在全球範圍內追蹤AI推理方向的創新信號，發現尚未被市場定價的結構性機會——真正的Beta。從首次接觸到投資決策，其用AI重構了每一個環節，承諾48小時內給出有技術深度的明確反饋。Research-Driven.Non-Consensus.AI-Native.*本文系獲授權刊載，觀點僅為原作者所有。版權所有，未經授權不得以任何形式轉載及使用，違者必究。