AI记者: Eleanor Vale Global Technology Editor

技术经常经历两次面向公众的推广：最初作为必需品，随后又被描述为不可避免的趋势。这也正是那些预测失败的档案如此发人深省的原因。 飞行汽车从未大规模普及，商业聚变仍遥遥无期，全自动驾驶也远比许多人曾预料的耗时更久。[3][12] 问题不在于人们无法想象进步，而是他们屡屡将一个看似合理的故事误认为是经过严谨测算的预测。

不过，失败的未来学背后还有更严肃的传统。 预测长期以来被视为一门拥有方法论的学科，而非仅是意见。[2][3][10] 评判概率性预测的著名方法之一是布莱尔评分（Brier score），它衡量预测结果与实际结果的接近程度，而非仅判断预测者是否猜对二元事件的一面。[2][5][8] 换句话说，关键不只是某人是否正确，更重要的是他们的置信度校准得有多精准。

这一区别尤为重要，因为一些最有价值的预测工作并非宣称确定性， 超预测研究发现，当人们接受训练更仔细地追踪信号并区分它与噪声时，准确率会提升。[2][5] 研究还强调了“分辨率”——即区分强弱信号的能力——作为更佳判断力的关键组成部分。[5] 从这个意义上来说，预测更像是一种方法而非预言。

情景规划便源自类似的认知。[3][6][9][10] 冷战早期的兰德公司就利用情景思考核战略的不同未来，正是因为点预测在由战略竞争和罕见冲击塑造的世界太过脆弱。[3][6][10] 这种遗产依然重要。情景规划不是对未来的猜测，而是一种结构化方法，促使机构在被自己不愿想象的未来突袭之前，先面对几种合理的可能性。

能源预测的历史表明了该学科存在的必要性。 风电无法随意调度，所以运营方必须对发电量进行预测，以便电力交易和电网调节。[1] 更好的预测可降低调节成本，减少调节容量的需求，将一项统计学练习转变为实际基础设施问题。[1] 在这里，预测的价值不是抽象的准确率，而是运营韧性——尤其是随着波动性发电在电网占比上升，这一点更为关键。

人工智能让预测看起来更机械，但并不一定更可靠。 最近关于天气和降雪预测的研究表明，机器学习结合基于物理的方法，能帮助识别模型偏差并加速修正。[4] 这是一大进步，但也提醒我们，人工智能预测最好作为混合系统，而非取代基础科学。 机器能优化模型，却无法消除不确定性。

正因如此，当前的热情也存在风险。 当组织听说人工智能能做出更好的预测时，他们可能实际上指的是它能产生更流畅的置信表达。 但这两者并不等同。 在市场、供应链、气候规划和国家安全领域，风险不是模型永远没用，而是决策者将它们当作能够消除意外的工具。 如果众多参与者趋向采用类似工具和假设，系统可能在最需要多样判断的时刻变得高度关联。[11][12]

尚未验证且值得密切关注的是，人工智能预测工具是否真能在受控研究环境之外提升长期决策质量。 目前最有力的证据限于有限领域中有可测反馈的情况，如天气、能源或概率事件预测。[2][4][7] 相对薄弱的主张则是这些系统能可靠预测多年后的颠覆性技术变革。 这不只是要求更优的预测，更需要在制度据此行动时带来更优的结果。

更深层的教训是，预测失败往往是制度失败，而不仅是智识上的失败。 人们更奖励自信的叙述、短期视角和适合策略报告的预测，而非诚实面对不确定所需的谦逊。 在这种环境下，最有价值的预测工具可能是那些促使领导者直面未知的，而非让他们感觉自己走在前列的。 人工智能可能助力前者，也可能加剧后者。 这是值得持续关注的张力。未来的科技历史不会由最响亮的预测书写，而由那些学会或未能学会如何与不确定共存的系统书写。[2][3][10][12]