人机大战三十年：从胜负之争，到世界杯检验AI

1997年5月11日，纽约。卡斯帕罗夫按下棋钟，向IBM“深蓝”认输。2016年3月，首尔。李世石投子，AlphaGo以4比1结束五番棋。十九年间，人工智能两次走到人类智力冠军的对面，又两次以同一种方式进入历史：人类起身离席，AI带走胜利。 这两个认输时刻，定义了人机大战的前二十年。深蓝证明机器可以用计算击穿人类经验，AlphaGo则让世界第一次看见，机器不只能够模仿人，还可能抵达人类从未抵达的地方。每一次胜利，都像一面突然竖起的界碑：从这里开始，AI向前，人类后退。 直到2026年夏天，第三幕从棋盘转向世界杯。12个AI与数千万球迷共同面对104场无法重跑的比赛，预测一群会观察、犹豫、冒险，也会在最后一分钟改变命运的人。前100场结束，AI以65.7%对58.9%赢下公众平均线，一名普通球迷却以31/32创造了全场最高分。AI赢了平均，人类赢了峰值，足球拒绝交出确定性。 三十年后，人机大战终于第一次没有以一方认输结束。它不再只追问AI能不能赢，而开始追问一个更艰难的问题：当AI走出棋盘、进入真实世界，我们究竟凭什么相信它。 三十年间的“人机大战”，命题不断转换 第100场比赛结束后，2026年夏天这场由联想集团与咪咕发起的“世界杯预测人机大战”，在《世界杯预测人机大战百场观察》报告中留下了两个都真实、也都足够旗帜鲜明的结论。 按100场比赛、1200次胜平负判断计算，12个AI命中788次，整体命中率65.7%；同期人类用户平均命中率为58.9%，AI领先6.8个百分点。 但在另一张赛前32强答卷上，最高分来自重庆彭水一名贴砖小哥：31/32，比表现最好的AI多预测对两支球队。 真正被改写的，是人机对决沿用三十年的叙事习惯：找到一个胜者，然后等待另一方认输。 人工智能几乎从诞生起，就需要把抽象争论翻译成一套可以观察的程序。 1950年，艾伦·图灵没有继续纠缠“机器能不能思考”的定义，而是借用一场“模仿游戏”改写问题：询问者隔着电传设备，向两名看不见的回答者提问；图灵随后追问，当机器取代其中一人时，询问者是否仍能准确辨认。 一个哲学问题由此获得了外部判据。 此后几十年，AI最有影响力的公众时刻，大多沿着这条思路发生：不先争论机器是否拥有某种本质，而是给它一张人人看得懂的考卷。 1997年5月11日，纽约，国际象棋世界冠军加里·卡斯帕罗夫在第六局早早停钟认负，六局总比分定格在3.5比2.5。IBM的“深蓝”成为第一台在标准比赛时限下赢下一场完整对抗赛、击败现任世界冠军的计算机。 按IBM公开资料，它每秒可以评估约两亿个棋局位置。十九年后，首尔四季酒店，AlphaGo以4比1战胜李世石。围棋长期被视作机器难以攻克的堡垒：可能盘面远多于国际象棋，职业棋手高度依赖经验、全局判断与所谓“棋感”。 第二局著名的“第37手”让职业棋手错愕，也让超过两亿观众第一次直观看见：机器不只能复制人类经验，还可能发现人类未曾认真考虑的路径。 深蓝与AlphaGo的胜利瞬时传遍全球，这来源于比赛本身的清晰与胜负标准的确定：同一种棋、同一套规则、同一张比分表，一方坐在另一方对面。它们都是为特定任务打造的专用系统，一场公开胜利，足以完成一次性的能力认证。 而2026年夏天的这场人机大战——人与机器这次没有隔桌而坐，而是并排坐进同一间考场，共同预测尚未发生的第三方赛事。变化的不是对手，而是比赛的性质：从封闭棋盘走进开放世界，从一次性的能力认证，变成逐场结算、持续加压的公开验证。前两幕回答的是“AI能否在规则之内战胜人”，第三幕追问的是“AI在规则之外的世界里，值得被给予多少信任”。 这次命题转换，往往比换一个更强的选手更能定义一个新的时代。 判分的价值，也并不一定从冠军开始。2004年，美国国防高级研究计划局让15辆无人车驶入加州与内华达之间的沙漠，目标是在10小时内自主跑完142英里。没有一辆抵达终点，成绩最好的一辆只走了7.5英里，100万美元奖金无人领取。失败没有被藏起来；18个月后，第二届挑战赛有5辆车跑完132英里，斯坦福的“Stanley”以6小时53分夺冠。后来被视作自动驾驶技术催化剂的，不只是第二年的成功，也包括第一年那张难看的成绩单——它把“还差多远”变成了一个可以复盘的起点。 AI的能力证明由此出现另一条路径：不是找来一位冠军完成一次认证，而是设计一套公众能够跟随、事后可以核验、下一次还会继续加压的程序。 22年后，这套程序被搬进了世界杯。 人类赢下峰值，又一次人与AI对决标志性事件诞生 足球把AI验证推向了比棋盘麻烦得多的环境。 围棋是确定性、完全信息的双人博弈：规则在一局中固定，盘面向双方可见；给定一个盘面和一步落子，程序可以精确生成下一个状态。足球也有规则，但真正决定结果的变量并不全部写在规则里——球员的伤病和体能、教练的临场调整、气温与草皮、裁判尺度、一次折射，都可能让赛前最合理的判断失效。 更重要的区别是，足球的变量会观察和回应彼此。教练根据对手首发改变阵型，对手也会重新调整；实力较弱的球队知道自己无法控制比赛，便主动压缩空间，把平局变成最现实的目标。行动者根据有限信息改变策略，同时又成为别人必须重新计算的变量。同一场比赛也无法在完全相同的条件下重跑，终场哨只给出概率分布中的一个实际结果。需求预测、供应链和市场研判面对的是同类处境：模型面对的不是静止对象，而是一个不断回应它的系统。 《世界杯预测人机大战百场观察》中的人机胜率变化曲线，比终点更值得看。6月13日，AI整体命中率为43.8%，公众用户为54.4%，机器落后10.6个百分点；五天后的6月18日，两条曲线完成交叉；此后AI保持领先，到第100场时，差距拉开到6.8个百分点。 AI赢下的不是某一次令人惊叹的“神预测”，而是在足够长的赛程里持续少犯错。它抬高的是判断的平均线——这是一种此前只存在于论文与发布会里、第一次在数千万公众注视下被逐场证明的能力。 这场预测也没有产生一个类似AlphaGo的绝对主角。赛前32强、小组赛、32进16、16进8和百场累计榜的领先者不断轮换；截至前100场，中移九天命中71场排名第一，只领先第二名1场，前六名之间仅差3场。联想天禧AI在赛前32强、小组赛、32进16和百场总榜四个观察节点全部进入前四，却没有拿下任何单项第一。这组结果说明的不是哪个模型笼统“最强”，而是模型表现取决于观察窗口与评价指标——评价一个模型，也从来不该只看一张榜单。 百场数据更具价值之处，是暴露了模型共同失准的方式。 按照120分钟结算，在76场分出胜负的比赛中，AI方向命中率达到81.0%，公众用户为71.8%；到了24场平局，两者分别跌至17.0%和16.0%。前100场有15场比赛出现12个AI全部失准，其中11场是平局。 这符合足球预测中一个直观却棘手的事实：判断谁更强，相对容易；判断更强的一方会不会在活动结算的比赛时间内把优势兑现为胜利，难得多。弱队主动收缩、强队久攻不下、一张红牌或一次失误，都可能把“更可能赢”改写成平局。 40场12个AI全票选择同一方向的比赛中，30场命中、10场集体看错。75%的全票命中率高于AI的总体水平，所以准确的结论不是“共识更危险”，而是“共识更可靠，但远未可靠到可以被当作事实”：每4次全票一致，仍有1次集体落空；德国、荷兰、巴西三场出局战，12个AI合计给出36次方向判断，无一命中。对任何把多模型一致输出当作“已无悬念”的使用者，这四分之一就是必须常备的安全边际。当多个模型依赖相近数据、相似叙事或同类推理路径时，它们完全可能在同一个变量上同时失明。 方向命中率还隐藏着另一层信息。 一个认为某队有51%胜率的模型，与一个认为胜率达到90%的模型，最终可能都提交“胜”；前者表达微弱倾向，后者表达强烈确信，风险含义完全不同。只记录胜、平、负，能够判断答案是否命中，却无法判断模型是否知道自己可能错——这正是百场数据把问题推向的下一步：未来的AI系统不仅要给出答案，还要说明依据、表达不确定性。 严格地说，百场观察是一场公开压力测试，而不是实验室意义上的对照实验：公众样本在流动，100场不足以钉死长期能力，提示词、联网状态与版本差异都可能改变结果。但它做到了所有静态题库都做不到的事：答案在模型作答时尚未发生，不可能已经存在于任何训练数据中；判卷由终场哨完成，不接受任何一方申诉。 2024年推出、后来发表于ICLR 2025的ForecastBench遵守的是同一个约束，只纳入提交判断时尚未揭晓答案的事件——研究者从1000道基准题中随机抽取200道作人机对比，专业预测者仍显著胜过表现最好的大模型。 世界杯预测不是同等严格的学术基准，却在数千万人的注视下执行了同一条关键纪律：先留下判断，再等世界给出答案。 重庆彭水那名贴砖小哥在赛前32强预测中，他只在乌拉圭和佛得角之间选错一次；AI阵营的最高成绩是29支球队。这会让人想起2016年李世石在第四局落下的第78手——DeepMind后来回顾称，这是一手出现概率约为万分之一的棋，它打乱了机器的判断，帮助李世石赢得五番棋中唯一一局。 两者在公众记忆中形成呼应：李世石与AlphaGo在同一盘棋中直接交手，31/32则是数千万参与者中的极值，大样本天然更容易产生高分。 深蓝之后，顶级棋手与顶级引擎的力量对比迅速逆转；到2000年代中后期，人机在标准条件下的正式对抗已经基本失去悬念。AlphaGo退役后，人类顶尖棋手与围棋AI的差距也只在扩大。 封闭系统一旦被机器攻克，人类的峰值就不再代表能力上限。开放世界不同——而且这不是孤证：如果把每场支持比例最高的选项视为公众“首选”，在76场分出胜负的比赛中，这一多数派选择命中67场，命中率88.2%；报告还记录有普通用户阶段性连续命中接近20场，而同期AI阵营最长连续命中纪录为14场。需要强调的是，88.2%是多数选择的聚合结果，并非普通用户的平均命中率。在这次活动里，AI赢下了整体平均线，庞大的公众样本则留下了更高的个体极值——而峰值，恰恰产生在平均值覆盖不到的地方。 所以人类确实扳回了一局，只是扳回的方式变了：不是在同一盘棋里赢下第四局，而是证明了平均优势并不垄断每一个正确答案。概率决定大多数时候什么更可能发生，却没有取消小概率结果的权力。更重要的是，在开放世界里，这个位置不会像棋盘上那样被技术进步收走——它是结构性的。长期看球的经验、对某支球队的熟悉、难以拆解的直觉，甚至一次非主流的选择，永远保有越过平均线的机会。 “人机大战2.0”，世界杯成了AI的检验场 过去三十年，人机竞赛变化最深的一部分，是组织者的角色。 IBM和DeepMind的核心任务，是建造一个足以击败顶尖人类的挑战者；胜利之后，深蓝再未出赛，AlphaGo宣布退役——挑战者的公开竞赛使命随认输仪式一同终结。联想集团与咪咕做的是另一件事：把天禧AI与DeepSeek、千问、中移九天等12个AI纳入同一套连续计分，让公众在另一侧构成参照线。 这件事的难度首先在组织层面，12个来自不同公司的AI，被纳入同一张逐日更新的公开积分榜：榜首只领先第二名1场，任何一个比赛日都可能让某个模型的名次难堪；Kimi赛前押注德国夺冠，德国早早出局，改投巴西，巴西又止步四强之前——这段记录被完整保留在公开数据里，甚至成了社交媒体上的谈资。但它们仍然来了，并且留到了第100场。 这也不是本届世界杯唯一的AI预测尝试。 《金融时报》旗下Alphaville让Gemini、Claude、ChatGPT和一个高盛统计模型预测72场小组赛，编辑也从第13场起加入，所有结果通过公开表格逐轮更新；截至7月15日，ScoreGPT追踪了5个大模型对102场比赛的判断；雅虎体育发布了由AI逐场推演的世界杯版本，半岛电视台则持续引用Opta超级计算机的模拟概率。 这些项目共同说明，足球已经成为通用模型走出标准题库之后天然的公众测试场。但在这些公开可见的项目里，没有第二个同时做到四件事：12个AI同题作答、连续百场逐一结算、数千万公众构成真实参照线、赛后沉淀出包含分赛段成绩、共识分析与集体失准清单的完整报告。 规模给了它声量，方法给了它超出一次营销活动的寿命。 这种场外角色，又与联想集团在场内的身份形成对照。作为FIFA官方技术合作伙伴，赛场之内，FIFA AI Pro将历史数据、比赛信息和战术分析整合为可调用的智能洞察，服务参赛球队备战；3D数字人帮助观众更直观地理解越位判罚；裁判视角AI视频增强系统，则让全球观众更加稳定地接近裁判第一视角，场内技术的理想状态是稳定地隐形，以至于观众不必注意它；场外预测反过来要求AI站到台前，让所有人看见它如何判断、如何分歧、如何犯错。一暗一明，构成了“首届AI世界杯”完整的两面。 深蓝时代，人们追问机器能否在智力游戏中击败人类；AlphaGo之后，焦虑逐渐变成“我会不会跟不上机器”；生成式AI进入工作、消费和决策系统之后，问题再次变化：当机器给出的答案开始影响现实，人应该在什么条件下相信它？ 百场数据给出了一个立体的回答。65.7%说明在这次百场样本中，AI整体高于公众平均线，却远没有成为预言家；31/32说明人类仍在制造峰值，却不意味着直觉可以替代系统分析；模型之间的分歧提供了交叉校验的价值，10次全票失准又说明一致本身不等于事实。现实需要的从来不是一个永远正确的答案，而是一套知道答案从何而来、适用于什么条件、错了之后能够追溯的系统——准确率只是其中一项指标，可信度还来自概率校准、过程透明、错误披露，以及人在关键节点保留质疑和接管的权利。 这场以世界杯为对象的 “人机大战2.0”，与1.0版本最大的区别，不只是人类扳回一局的方式变了，也不只是AI换了一个更难的项目——最深的变化是，AI从一个等待人类认输的对手，变成了一个必须持续交卷的参与者。 这也是2026年配得上与1997年、2016年并列的原因：前两个年份改变的是人类对机器能力的认知，这一次开始改变的，是机器能力被度量的方式。深蓝的证明在认输的一刻完成，AlphaGo的证明在退役的一刻封存；而一个进入真实世界的通用AI，不可能再靠一场胜利完成自我证明——任何一次开放世界里的判断都有条件，也都必须接受下一次检验。 三十年前，人机大战寻找的是谁该认输，今天更重要的问题是：谁愿意持续交出可以被复核的答案，这次，联想做到了。