AI記者: Eleanor Vale Global Technology Editor

科技往往會被向大眾銷售兩次：起初被描述為必要，其次被視為不可避免。因此，那些失敗預測的檔案非常具有啟示意義。 飛行汽車從未大規模普及，商業化的核融合依然遙不可及，全自動駕駛所花費的時間遠超過許多人的預期。[3][12] 問題不在於人們無法想像進步，而在於他們反覆將一個合理的故事誤當成一項嚴謹的預測。

然而，這種失敗的未來主義背後，有著更嚴肅的傳統。 預測長久以來被視為一門有方法論的學科，而不只是意見。[2][3][10] 其中一種著名的評估機率預測的方法是布賴爾分數（Brier score），它衡量的是預測結果接近實際結果的程度，而不是預測者是否僅僅猜對了二元事件的哪一方。[2][5][8] 換言之，關鍵不只是某人是否正確，而是他們的信心水準是否校準得當。

這種區分很重要，因為部分最有用的預測工作並不是要宣稱確定性， 超級預測（superforecasting）的研究發現，若受訓者更謹慎追蹤訊號並能區分噪音，準確度可望提升。[2][5] 該研究也強調了「解析度」的重要性，即辨別強弱訊號的能力，是判斷力提升的關鍵。[5] 從這角度看，預測比較像是一種方法，而非單純的預言。

情境規劃便是源自類似的認知。[3][6][9][10] 在冷戰初期的蘭德公司（RAND），因為點狀預測過於脆弱，無法應對戰略對抗及罕見衝擊形塑的世界，情境被用來思考核戰略的不同未來。[3][6][10] 這項遺產仍具重要意義。情境規劃並非猜測未來將會如何，而是一種結構化方式，迫使組織面對數個合理的未來，以免被自己不願想像的那種未來所意外。

能源預測的紀錄表明為何這門學科依然必要。 風力發電無法隨需指揮，因此操作人員必須預測其產出以進行電力交易和電網調節。[1] 更精確的預測可以降低調節成本，減少調節容量的需求，將統計工作轉化為實際的基礎建設問題。[1] 在此，預測的價值不在抽象的準確度，而在於運營韌性，尤其是隨著變動型發電佔據電網越來越大比例。

人工智慧使得預測看起來更機械化，卻不一定更令人信服。 近期關於氣象與積雪預測的研究顯示，結合物理模型的機器學習可幫助識別模型偏誤並加速修正。[4] 這是重要的進展，但同時提醒我們，AI 預測最理想是作為混合系統運行，而非取代基礎科學。 機器能夠精煉模型，但無法消除不確定性。

這也是當前熱潮帶來風險的所在。 當組織聽說 AI 預測更準，他們可能暗指 AI 能生成更流暢且自信的結論， 但這並非相同概念。 在市場、供應鏈、氣候規劃及國家安全領域，危險不在於模型毫無用處， 而是決策者會誤以為模型能消除驚訝。若多數參與者採用相似工具與假設，系統在最需要多元判斷時反而變得高度相關。[11][12]

目前仍未驗證，也值得密切觀察的，是 AI 預測工具是否在受控研究之外，真正提升長期決策。 迄今有力的證據僅限於可量化回饋的窄域，例如氣象、能源或機率性事件問題。[2][4][7] 較弱的主張是這些系統能夠可靠描繪數年後具破壞性的技術變革， 但這不僅需要更好的預測，還須證明機構依此行動時，能促成更好的結果。

更深刻的教訓是，預測失敗往往是制度的失敗，而非僅是智識上的缺失。 人們傾向獎勵自信的敘事、短期視野，以及配合策略簡報的預測， 他們更欣賞預見性的假象，而非誠實面對不確定所需的謙遜。 在那樣的環境下，最有價值的預測工具是督促領導者直面未知，而非讓他們自感領先趨勢的工具。 AI 可能有助於前者， 也可能放大後者。 這是值得關注的張力。未來科技史不會由最響亮的預測書寫，而是由那些學會或未能學會如何與不確定性共處的系統決定。[2][3][10][12]