3,094
个编辑
更改
→反身性治理：让集体意识成为主导的呈现机制
这一领域几乎是一片无人区——因为行星级的自我实现系统从未存在过。但它恰恰决定了这个计划最终是"拯救"2050，还是"绑架"2050：区别只在于，那个呈现未来的器官，究竟属于所有人，还是只属于它的建造者。
这一领域几乎是一片无人区——因为行星级的自我实现系统从未存在过。但它恰恰决定了这个计划最终是"拯救"2050，还是"绑架"2050：区别只在于，那个呈现未来的器官，究竟属于所有人，还是只属于它的建造者。
== 可行性分析 ==
我们将从技术发展和社会实践两个大的方向论证该项目的可行性。需要说明的是，本节最初写于2023年，当时的论证在很大程度上还是前瞻性的；而站在2026年回看，许多当年的设想已经变成了可以引用的证据。因此，本次修订将同时保留论证的逻辑骨架，并用最新的技术与制度进展加以充实。
=== 技术发展 ===
首先，从技术发展的角度来看，构建这样的全球预测平台是可行的。我们将从人工智能技术、众包预测技术，以及其它领域的发展分别论述这种大尺度的预测的可行性。
==== 人工智能 ====
人工智能的发展经历了从"[[大数据]]"到"[[大模型]]"的转变，而下一个阶段，将是"[[大预测]]"。这一在2023年提出的判断，今天正在得到验证。
在通用预测能力方面，大语言模型驱动的预测系统已经跨过了大众水平：截至2026年，AI预测系统在公开的、前瞻性的预测竞赛中已稳定超越普通公众，与活跃的人类预测者大体相当，并持续逼近顶尖预测者团队；多条能力增长曲线的线性外推都指向AI在未来一两年内达到人类顶级预测水平<ref name="metaculus2026">Metaculus (2026). [https://www.metaculus.com/notebooks/43363/ai-forecasting-in-2026/ AI Forecasting in 2026: What 11 Analyses Say].</ref>。更重要的是，有效预测系统的"配方"已经明确——前沿推理模型、迭代式的智能体搜索、多模型集成与事后校准——而单次高质量预测的成本已降至一美元量级。预测，第一次变成了一种廉价而可大规模生产的能力。
在分领域预测方面，"每个领域都将拥有自己的大模型"这一设想已被天气领域率先证实：基于机器学习的天气模型在中期全球预报精度上已超越传统数值预报，且推理成本极低<ref name="lam2023">Lam, R., Sanchez-Gonzalez, A., Willson, M., et al. (2023). Learning Skillful Medium-Range Global Weather Forecasting. ''Science'', 382(6677), 1416–1421.</ref><ref name="price2024">Price, I., Sanchez-Gonzalez, A., Alet, F., et al. (2024). Probabilistic Weather Forecasting with Machine Learning. ''Nature'', 637, 84–90.</ref>。与此同时，大语言模型驱动的世界模拟器与智能体社会模拟，第一次让"把社会系统装进模拟器"成为可能<ref name="park2023">Park, J. S., O'Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). Generative Agents: Interactive Simulacra of Human Behavior. ''UIST '23''.</ref>。
然而，很多现实中的复杂问题，其难点并不在于一两个特定的领域，而是在不同系统之间的互动和耦合。以天气系统为例，精准的天气预报不仅仅与天气系统有关，还会跟地球系统、乃至人类的大规模活动有关。所以，要想提升[[复杂系统]]的预测效果，就必须融合多种系统的预测水平，并融合不同领域的预测，这就是前文提到的[[大预测]]。要实现多领域模型融合的[[大预测]]，就必须发展多尺度、跨领域的融合技术。如果将所有的预测都转换为语言，那么大语言模型已经为此提供了可行的翻译与融合接口；而近三年实践所揭示的真正瓶颈，已从"融合"转向"结算"——即如何将模糊的自然语言预测规范化、并自动判定其最终对错。这一瓶颈及其突破路径，正是"关键技术突破"一节的首要议题。
==== 众包与Web3.0 ====
能够完成预测任务不仅仅依靠[[人工智能]]的力量，同样可以依靠人类的[[群体智能]]，这就要用到[[众包]]与[[人类计算]]等技术。人类众包预测的有效性早已被系统证实：在大型预测竞赛中，经过选拔与训练的普通预测者团队能够以惊人的精度超越专家与情报分析师<ref name="tetlock2015">Tetlock, P. E., & Gardner, D. (2015). ''Superforecasting: The Art and Science of Prediction''. Crown.</ref>；而[[预测市场]]作为信息聚合机制的有效性，也已有数十年的理论与实证积累<ref name="wz2004">Wolfers, J., & Zitzewitz, E. (2004). Prediction Markets. ''Journal of Economic Perspectives'', 18(2), 107–126.</ref><ref name="arrow2008">Arrow, K. J., Forsythe, R., Gorham, M., et al. (2008). The Promise of Prediction Markets. ''Science'', 320(5878), 877–878.</ref>。
更重要的是制度环境的成熟。自2024年以来，事件合约市场完成了主流化：以Kalshi为代表的平台作为CFTC注册的指定合约市场运营，预测市场月交易量已达数十亿美元量级，监管机构也已启动专门的规则制定<ref name="crs_report">Congressional Research Service. Prediction Markets: Policy Issues for Congress (IF13187). 美国国会研究服务局报告。</ref><ref name="kpmg2026">KPMG (2026). ''Prediction Markets: Paths to Entry''. KPMG International.</ref>。这意味着，预测的众包与激励第一次具备了合规、可扩展的制度通道。
另一方面，为了更好地激励不同个人、不同机构参与到预测中来，[[大预测|拯救2050]]计划需要建立一种激励机制，这可以通过结合[[Web3.0]]技术加以实现。相关的工程组件已经就位：预言机网络与期货式合约模板已允许针对任意指标创建可结算的预测合约<ref name="uma_lsp">UMA Protocol. Long Short Pair (LSP) Contract. UMA 官方文档（docs.umaproject.org）。</ref>；而对于面向2050年的长周期预测，则可以借鉴期货市场的逐日盯市与仓位转让制度，辅以peer prediction等"无真相时"的诚实激励机制，构建周期性的中期结算<ref name="prelec2004">Prelec, D. (2004). A Bayesian Truth Serum for Subjective Data. ''Science'', 306(5695), 462–466.</ref>。这些机制设计的细节，参见"关键技术突破"一节。
==== 其它领域的发展 ====
全球系统作为一个复杂系统目前已经得到了越来越多人的关注。例如，全球气候系统就是一个典型的复杂系统研究对象，人们正在试图提升对全球气候系统的预测能力——以"目的地地球"（Destination Earth）为代表的数字孪生计划，正在把集合预报与数据同化的范式扩展到整个物理地球<ref name="bauer2021">Bauer, P., Stevens, B., & Hazeleger, W. (2021). A Digital Twin of Earth for the Green Transition. ''Nature Climate Change'', 11, 80–83.</ref>。值得注意的是，这一范式正是"基于大规模模拟的预测聚合"的成熟原型：数十条并行演化的轨迹构成未来的可能性分布，观测数据周期性地将其向真实状态收缩——"叠加、塌缩、再演化"的完整循环在气象领域已经运行了数十年<ref name="kalnay2003">Kalnay, E. (2003). ''Atmospheric Modeling, Data Assimilation and Predictability''. Cambridge University Press.</ref>。
再如，全球人口系统的预测问题、经济系统的预测都可以被纳入[[拯救2050]]计划的考虑范围之内。然而，这些领域的发展大多只局限在一两个领域，通过一种非常粗糙的方式进行预测，因此无法考虑全球各个子系统之间的关联。早在1970年代，《增长的极限》中的World3模型就曾尝试以动力系统的方式刻画人口、工业、资源与环境之间的跨领域交互<ref name="meadows1972">Meadows, D. H., Meadows, D. L., Randers, J., & Behrens, W. W. (1972). ''The Limits to Growth''. Universe Books.</ref>，但这类模型与目前基于AI[[大模型]]技术的预测还相差甚远。尽管如此，这些分领域与早期的研究对于[[拯救2050]]计划来说仍然具有很高的参考价值。
=== 社会实践 ===
从社会实践意义上来说，这一计划具有一定的可行性。无论是个人还是机构，都希望自己能够准确地掌握未来的信息。因此，自古以来，预测技术始终是人类热衷于开发的一项技术，从[[易经占卜]]到[[数学模型]]再到今天的[[人工智能]]技术，预测都是一个核心的问题。然而，传统的预测方式往往过于片面和单一，而且不同人、不同机构作出的预测彼此之间并没有形成交集，这就使得预测问题的求解始终无法突破其规模和精度的限制。然而，正如成功地预测少数股票的涨落能够获得巨大的投资回报一样，一项成功的预测是可以为人们带来巨大的价值反馈的。因此，一个众多预测的聚合平台呼之欲出。
这一预测聚合平台与今天的搜索引擎具有一定的相似性。搜索引擎通过网络爬虫等技术手段，将互联网上的所有信息搜集起来，加以整理和展示；当用户输入想查询的信息后，搜索引擎就可以反馈相应的搜索结果。同样的道理，一个预测的大规模聚合平台也可以通过收集各类预测模型和预测判断，形成一个庞大的未来"事实"的预测数据库；每个用户都可以像使用搜索引擎一样，在这样的平台上检索关于未来的信息。因此，从某种意义上来说，我们可以将这样的平台称为"未来引擎"。而AI预测成本的数量级下降，正在使这台引擎第一次具备商业上的可持续性——当预测足够便宜，它便可以像搜索一样，嵌入到每一个组织与每一个人的日常决策之中。
随着预测技术的提高，以及众多预测结果的汇聚，系统给出的预测将会越来越准确，从而创造更大的社会价值，吸引更多的人加入，形成一个自我强化的增长飞轮。同时，本计划也清醒地预见到：随着加入者越来越多、平台赢得的信任不断累积，系统将有可能超越对未来的描述，而演化成为一个[[自我实现预言]]的系统。这一可能性并非计划的直接目标，但它内生于计划的成功本身——如何使其呈现的是行星级的集体意识而非少数节点的意志，正是"关键技术突破"一节中反身性治理所要回答的问题。
= 参考文献 =
= 参考文献 =
<references />
<references />