VCs are starting to rely on AI to predict the future.

7月，DigClaw的预测框架Rhizome v1在FutureX评估平台中斩获第1、3、7名。这三个成绩分别基于Kimi-K3、DeepSeek-V4-Pro等不同基础模型取得。同一套框架使它们同时进入Top 7，DigClaw也是唯一实现这一点的参与者。

FutureX包含59个涵盖政治、经济和技术领域的真实事件预测问题，不存在训练数据泄露的可能。这一结果验证了DigClaw的判断：预测能力可以沉淀在基础模型之外。随着基础模型的进步，系统可以获得能力红利，而预测轨迹、结算反馈、校准经验和不断演进的工作流则持续沉淀在系统内部。

预测是AI最被低估的能力

大语言模型天生不擅长预测。LLM学习的是相关性而非因果性，这带来三个致命问题：
- 因果方向盲区：模型知道A和B常一起出现，但不知道因果关系。
- 干预推理失败：无法回答“美联储降息对东南亚科技股有何影响”，因为没有因果图支持干预计算。
- 缺乏校准：模型输出的“70%概率”未经概率学校准，只是token分布的副产品。

现有解决方案均有局限：预测市场需要流动性且对小众问题价格不可信；LLM模式匹配缺乏因果结构；端到端训练存在结果导向偏差。

DigClaw的预测基础设施

DigClaw构建了以因果结构为骨架、概率计算为引擎、搜索智能为数据管道的预测基础设施。其核心假设是：预测不应由单一模型端到端完成。搜索、因果推理和概率推断是三个正交的能力，应由三个专用系统分别解决，然后进行结构化组合。

FutureX榜单验证跨基础模型能力迁移

FutureX是目前最具挑战性的实时预测排行榜，每周发布真实事件预测问题，提交预测时标准答案尚未生成，事后进行结算。数据集托管在HuggingFace，评估框架在GitHub开源。

Rhizome在三个基础模型上采用同一套预测框架和运行条件，独立生成并提交答案，不进行跨模型聚合。这三个排名是同一系统方法在三个基础模型上的独立运行，即明确的跨基础模型对照实验。

这表明：如何组织检索、处理时间、表达概率、维护证据和控制长时间运行操作，可以形成独立于模型权重的系统能力。

Rhizome技术报告核心设计

Rhizome的设计围绕三个工程判断：
1. 搜索与推理必须解耦：搜索质量和推理质量是两个正交问题。当前主流DeepResearch代理将搜索和推理绑定在同一模型中，导致相互拖累。Rhizome将两者完全解耦，搜索代理只负责寻找相关信息，推理层只负责对现有证据进行结构化推理。