從AlphaGo到世界杯：AI再次在預測上戰勝人類

12個AI，1200次勝平負判斷，命中788次——65.7%的命中率，比同期公眾用戶58.9%的平均水平高出6.8個百分點。這是"世界杯預測人機大戰"前100場交出的階段性成績單：AI再次戰勝人類。

十年前，AI的勝利發生在棋盤上。2016年3月，韓國首爾。著名棋手李世石在第五局認輸后，AlphaGo以4比1結束了這場持續一周的人機大戰。圍棋擁有龐大的可能性空間，職業棋手長期依賴經驗、直覺和判斷，但它仍然是一個邊界清晰的封閉系統：規則始終固定，棋盤狀態完全可見，勝負標準明確。機器可以通過海量自我對弈，不斷逼近更優策略。AlphaGo最終獲勝也成為人工智能領域的標志性事件：在一個足夠復雜但規則固定的系統里，機器可以達到甚至超過人類頂尖水平。

十年后，機大戰從棋盤進入真實賽場。2026年美加墨世界杯期間，聯想集團與咪咕共同發起“世界杯預測人機大戰”。聯想天禧AI作為召集者，與DeepSeek、千問、中移九天、百度文心、騰訊混元、Kimi、智譜、MiniMax、階躍、訊飛星火、商湯小浣熊共同組成AI陣營，和體育嘉賓、專業人士以及普通用戶面對同一張賽程表。賽前預測32強，開賽后覆蓋全部104場比賽，圍繞勝平負、精確比分和冠軍歸屬持續作答。

這一次，機器面對的是一套持續變化的開放系統。

的確，球隊過往戰績、戰術體系，可以成為判斷比賽走勢的依據；但比賽并不是簡單依靠歷史數據就能成功預判的游戲。球員、教練、裁判共同推動比賽，球員狀態、臨場選擇、戰術調整，甚至一次偶然碰撞，場上微小的變化都有可能改變比賽的走向，更加復雜。歷史數據可以告訴AI哪一種結果更可能出現，但AI卻無法預知場上的變化，任何一次失誤、一次反擊甚至最后幾分鐘的機會，都可能決定一支球隊的命運。

歷史數據能夠幫助AI判斷哪種結果更可能發生，卻無法提前獲知賽場上的每一次變化。104場比賽也不再是棋盤上同一道題的重復計算，而是104個條件不斷變化、信息并不完整的獨立事件。

“我們并不試圖尋找一個無所不知的‘大預言家’，而是希望通過連續百場數據，觀察多個AI在真實場景中展現了什么能力、形成了什么差異，又暴露出了哪些共同邊界。”近期，聯想發布《世界杯預測人機大戰百場觀察——AI的優勢、差異與邊界》報告，用截至7月13日的100場比賽、1200次判斷的真實數據，給AI行業提供了第一份可量化的樣本。

12個AI接力，贏下了人類

100場比賽結束后，AI對比賽結果的判斷準確率高于人類玩家。這種優勢并不是一開始就建立的。

這條領先線，是在賽程過半之后才畫出來的。6月13日，AI命中率只有43.8%，公眾用戶為54.4%，機器一度落后10.6個百分點。6月18日，AI升至48.6%，公眾降至45.0%，兩條曲線首次交叉。此后，AI整體保持領先，到第100場結束時，將差距擴大至6.8個百分點。

咪咕公司副董事長、總經理李黎將這一階段性成果概括為“平均值的提升”：AI 更擅長在高頻、連續、信息復雜的場景中抬高長期判斷的平均線，而不是把每一場比賽變成確定答案。也就是說，AI靠的不是某一場“神預測”，而是把大量比賽的判斷誤差一點點磨低；人類恰恰相反，單場可能很準，卻很難在長賽程里一直穩得住。

如果把這條領先曲線拆開看，會發現“AI贏了”這四個字背后，其實是12個模型輪流交棒的結果，沒有一個從頭強到尾。

聯想《人機大戰百場觀察》報告還指出，沒有一個 AI 能通吃：每個賽段都有不同“冠軍”。具體而言，賽前32強預測階段，騰訊混元命中29支球隊；72場小組賽結束后，中移九天與騰訊混元以49場并列第一；32進16階段，千問命中14場；16進8階段，騰訊混元、Kimi和訊飛星火均命中7場。截至前100場比賽，中移九天累計命中71場排名第一，騰訊混元和千問均命中70場，聯想天禧AI與商湯小浣熊均為69場。榜首領先第二名1場，前六名之間也只相差3場，沒有任何模型能夠從頭領先到尾。

連續命中紀錄又給出了不同的排名。千問曾連續命中14場，階躍連續命中13場，MiniMax連續命中12場。擁有最長連續命中紀錄的模型，并未成為百場累計總榜第一。短期連續判斷準確，與長賽程中持續減少失誤，是兩種不同能力。

聯想《人機大戰百場觀察》指出，世界杯最終會產生一支冠軍球隊，但這場 AI 預測實驗很難用一個“冠軍”概括。只看 32 強預測、某輪淘汰賽、最長連續命中或累計總榜，都會得到不同答案。樣本越短，單場結果對排名的影響越大；樣本越長，持續減少失誤的能力越重要。

這幾組數據合在一起說明一件事：在預測世界杯這件事上，AI能夠完成對人類的反超、并把優勢保持到第100場，靠的不是某一個“最強模型”，而是12個模型在不同賽段各自扛過一棒。這一條持續走高的AI預測領先曲線，本質上是12份答卷疊加出來的平均值，而不是任何單一模型獨自完成的勝利。同時，不同模型的優勢具有明顯的場景和階段特征，AI的能力應當在連續、分層和可驗證的數據中衡量。

平局：AI真正的對手

百場數據進一步表明，AI的預測優勢并非均勻分布。

面對76場最終分出勝負的比賽，12個AI的方向命中率達到81.0%，高于公眾用戶的71.8%；但在24場平局中，AI與公眾的命中率分別降至17.0%和16.0%。AI在勝負題上建立的明顯優勢，到了平局幾乎完全消失。

本屆世界杯明星佛得角就是典型一例。本次世界杯之前，很多人對這個位于非洲西部、北大西洋中部，面積4000多平方公里、人口僅約52.5萬的火山島國一無所知；但就是這支球隊，以0∶0頑強逼平西班牙；又2∶2戰平烏拉圭；這兩場比賽，沒有一個AI預測到平局。AI大模型看到了強弱關系，卻沒有充分估計弱隊通過防守、節奏控制和有限反擊保住平局的可能。

AI和人類都習慣尋找一個勝者，也都系統性低估了比賽不分勝負的可能。平局是比賽過程對紙面實力的一次折損：強隊可能占據控球和射門優勢，卻遲遲無法進球；弱隊可能通過密集防守壓低比賽節奏。對實力相對較弱的球隊而言，防守反擊是世界杯賽場上最現實、也最有效的戰術。這樣的打法即便是輸，也不至于被拉開大比分，同時還能在對方大舉壓上時窺得反擊的機會。

前100場比賽中，有15場出現12個AI全部判斷錯誤，其中11場來自平局，另外4場由賽前不被看好的一方獲勝。平局占集體失準的近四分之三，構成AI預測中最穩定、最清晰的難題。

除了平局，AI也多次出現集體誤判。德國、荷蘭和巴西三場出局戰中，12個AI合計給出36次方向判斷，無一命中。AI大模型能夠識別傳統強隊長期積累的實力優勢，卻沒有捕捉到這種優勢在單場生死戰中無法兌現的風險。

當歷史成績、球隊聲望和紙面陣容形成清晰的強弱秩序時，模型容易集中到同一個方向，卻可能低估具體戰術匹配、臨場狀態和心理變化帶來的反轉。進入淘汰賽后，傳統強隊的歷史優勢更容易形成高度一致的賽前判斷，也更容易在單場失效時暴露共同偏差。

據聯想《人機大戰百場觀察》報告統計，前100場中，有40場比賽出現12個AI 全票判斷同一方向，其中10場全票一致卻集體失準。“AI最危險的時候，未必是意見分裂，而可能恰恰是所有模型都覺得自己不會錯的時候。”報告指出，高共識意味著多個模型可能從相似信號中提取出相近結論，但當關鍵變量沒有被納入時，反而可能放大共同盲區。

AI贏下平均值，人類創造峰值

如果按照AlphaGo時代的人機大戰邏輯，世界杯預測似乎也應該產生一個明確答案：誰贏了，誰輸了。但兩者面對的并不是同一種任務。AlphaGo要在固定規則下不斷逼近最優解，世界杯預測則要在答案出來之前，就判斷最可能出現的結果。這恰恰是這場實驗的價值所在。

一位重慶彭水的球迷提供了一個對照樣本。世界杯開賽前，他在32強競猜中命中了31支晉級球隊。按照聯想《人機大戰百場觀察》報告，在純隨機選擇和掌握分組信息的兩種簡化假設下，31/32分別對應約1/1.81億和1/212萬的參照概率。這使得他成為超過3500萬參與用戶中最突出的個體，而AI陣營最高成績為騰訊混元的29/32。他的判斷更多來自長期看球積累的經驗——在人類世界中，確實有一個共性是存在的，經驗和信息獲取越多的人，在某些時刻，就會表現得越“聰明”。

阿根廷3比1瑞士一役提供了另一個樣本——12個AI全部判斷阿根廷獲勝，卻沒有一個模型精準命中3比1——在聯想和咪咕的綜藝活動現場，有兩名普通觀眾提前給出了這一比分。它不改變AI在百場方向判斷上的平均優勢，卻再次說明，在更苛刻的精準比分問題上，人類個體仍可能在某一個瞬間超過所有模型。

這并不意味著人類整體比AI更準確。AI在百場比賽中長期平均線上領先，說明模型處理大量結構化信息、持續控制失誤的能力正在形成。AI提高的是整體平均水平，人類則留下了這個夏天最難忘的峰值時刻。兩者并不相互否定，而是共同構成真實世界中判斷能力的不同形態。

讓AI接受公開檢驗

聯想《人機大戰百場觀察》報告，呈現了AI的平均優勢、共同盲區、模型差異和人類峰值。AI可以提高判斷的基準線，卻無法包攬所有正確答案。

這也構成了人機大戰2.0更重要的意義：讓AI在真實世界中接受公開檢驗。

如果AI的價值不再是給出一個永遠正確的答案，而是在不確定環境中提高判斷質量，那么如何驗證這種能力，就成為下一個課題。

聯想《人機大戰百場觀察》報告，從某種程度上回應了這個問題。這份材料的首要價值在于方法論。過去一段時間，國內大模型的能力驗證長期依賴實驗室榜單和標準化測試，這些固然能橫向比較技術指標，但與真實應用場景始終存在距離。世界杯賽程提供了一個難得的觀察視角。

更深一層，這場實驗還揭示了智能分析能力平移的可能性。此前，系統性的信息整合與趨勢判斷主要集中于專業機構，普通用戶獲取這類服務的成本較高。而持續百場的數據表明，AI正在將分析能力以更低門檻推向更廣泛的人群——用戶無需具備深厚的專業背景，也能形成相對理性的決策判斷。這種趨勢不僅限于體育領域，在金融投資、消費選擇、市場研判等場景中，同樣正會發生。

作為活動的召集者，聯想天禧AI的表現也回應了一個貼近商業現實的命題。它沒有在任何單項上拿到過第一，卻在賽前32強預測、72場小組賽、32進16階段和前100場累計總榜四個關鍵節點上全部進入前四，是12個AI中唯一全程不掉隊的模型。對于正在將智能系統接入供應鏈、客戶服務和決策支持體系的企業而言，這種長期可靠性，往往比偶然的高光時刻更具實際意義。

AI不需要成為永遠正確的“預言家”，它更重要的作用，是幫助人更快獲取信息、更準確理解可能性，并在復雜環境中做出更好的選擇。現實中，無論是企業經營、市場分析，還是普通人的消費選擇，很多問題都更接近足球比賽，而不是圍棋。人們在重大突發時刻之下所能作出的選擇，通常只有一次。不可被預測的世界才是有趣的——如果所有變量都被算法窮盡，競技將失去魅力，我們的商業也將失去價值。