Khi các quỹ đầu tư mạo hiểm dùng AI để dự đoán tương lai: 3 cái tên lọt top 10 FutureX

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

25/08/2026 10:16:43 Nguồn: QbitAI

Chiếm trọn 3 vị trí trong Top 10 bảng xếp hạng FutureX

Yun Zhong, đưa tin từ Aofeisi

QbitAI | Kênh thông tin chính thức QbitAI

Vào tháng 7, khung dự báo Rhizome v1 của DigClaw đã xuất sắc giành được các vị trí #1, #3 và #7 trên nền tảng đánh giá FutureX.

Ba vị trí này đến từ ba mô hình nền tảng (base model) khác nhau, bao gồm Kimi-K3, DeepSeek-V4-Pro và các mô hình khác. DigClaw là đơn vị tham gia duy nhất đưa được các mô hình này vào Top 7 cùng lúc với cùng một bộ khung hệ thống.

Với 59 câu hỏi dự báo về các sự kiện thực tế bao phủ các lĩnh vực chính trị, kinh tế và công nghệ, hoàn toàn không có khả năng rò rỉ dữ liệu huấn luyện.

Thành tích này củng cố cho nhận định mà DigClaw đang kiểm chứng:

Khả năng dự báo có thể được tích lũy bên ngoài các mô hình nền tảng.

Khi các mô hình nền tảng tiến bộ, hệ thống có thể hưởng lợi từ năng lực của chúng; trong khi các quỹ đạo dự báo, phản hồi quyết toán, kinh nghiệm hiệu chỉnh và quy trình làm việc không ngừng tiến hóa sẽ liên tục được tích lũy bên trong hệ thống.

△ Hiệu suất của DigClaw trên bảng xếp hạng FutureX vào tuần thứ 4 tháng 7 năm 2026

Đây không phải là một kết quả thi đấu ngẫu nhiên, mà là sự xác nhận thực tế đầu tiên cho câu hỏi "Dự báo rốt cuộc nên được thực hiện như thế nào" mà DigClaw đã đưa ra.

Dự báo là năng lực bị đánh giá thấp nhất của AI

Khi các tác vụ dự báo dần trở nên tiêu chuẩn hóa và kỹ thuật hóa, AI cũng được kỳ vọng sẽ xử lý các vấn đề dự báo phức tạp ở quy mô lớn.

Tuy nhiên, có một vấn đề cốt lõi ở đây: các mô hình ngôn ngữ lớn (LLM) vốn dĩ không giỏi trong việc dự báo.

LLM học về sự tương quan (correlation), chứ không phải quan hệ nhân quả (causation). Chúng trích xuất các mô hình từ dữ liệu quá khứ, nhưng "học từ quá khứ" và "dự đoán tương lai" là hai việc hoàn toàn khác nhau về bản chất.

Điều này dẫn đến ba vấn đề chí mạng:

Cho đến nay, các giải pháp hiện có đều có những hạn chế riêng: trí tuệ đám đông (prediction markets) cần tính thanh khoản, và giá cả đối với các vấn đề ít người quan tâm thường không đáng tin cậy;

Việc khớp mẫu của LLM thiếu cấu trúc nhân quả; huấn luyện end-to-end dẫn đến thiên kiến định hướng kết quả — một quá trình suy luận logic chặt chẽ nhưng "trả lời sai" sẽ bị phạt, trong khi những phán đoán thô sơ nhưng "đoán đúng" lại được củng cố.

Đây chính là lý do DigClaw ra đời.

DigClaw xây dựng một cơ sở hạ tầng dự báo với cấu trúc nhân quả làm khung xương, tính toán xác suất làm động cơ và trí tuệ tìm kiếm làm đường dẫn dữ liệu.

Giả thuyết cốt lõi là: Dự báo không nên được thực hiện end-to-end bởi một mô hình duy nhất.

Tìm kiếm, suy luận nhân quả và suy luận xác suất là ba năng lực trực giao, nên được giải quyết bởi ba hệ thống chuyên biệt, sau đó kết hợp lại một cách có cấu trúc.

Ba vị trí trong Top 10, xác nhận khả năng chuyển đổi dự báo giữa các mô hình nền tảng

FutureX là bảng xếp hạng dự báo thời gian thực đầy thách thức nhất hiện nay: các câu hỏi dự báo về sự kiện thế giới thực được công bố hàng tuần, đáp án chuẩn chưa xuất hiện tại thời điểm gửi dự báo và việc quyết toán diễn ra sau đó.

Tập dữ liệu được lưu trữ trên HuggingFace, khung đánh giá được mã nguồn mở trên GitHub, đảm bảo kết quả có thể tái lập và kiểm chứng.

Rhizome sử dụng cùng một khung dự báo và điều kiện vận hành trên ba mô hình nền tảng, độc lập tạo và gửi đáp án mà không thực hiện tổng hợp chéo giữa các mô hình.

Do đó, ba thứ hạng này là kết quả vận hành riêng biệt của cùng một phương pháp hệ thống trên ba mô hình nền tảng, tạo thành một phép đối chiếu rõ ràng giữa các mô hình.

Tuy nhiên, điều này không có nghĩa là mô hình nền tảng không quan trọng.

Các mô hình nền tảng vẫn cung cấp những năng lực phổ quát như hiểu ngôn ngữ, suy luận và sử dụng công cụ.

Kết quả bảng xếp hạng này cho thấy: cách tổ chức truy xuất, xử lý thời gian, biểu đạt xác suất, duy trì bằng chứng và kiểm soát vận hành dài hạn có thể tạo thành năng lực hệ thống độc lập với trọng số của mô hình.

Dưới đây là báo cáo kỹ thuật (technical report) về khung Rhizome của DigClaw trên FutureX:

Báo cáo kỹ thuật Rhizome

Thiết kế của Rhizome xoay quanh ba phán đoán kỹ thuật: tìm kiếm và suy luận phải được tách rời, quỹ đạo dự báo phải được bảo toàn đầy đủ để tạo thành tài sản hiệu chỉnh, và cập nhật xác suất phải nhận diện được cấu trúc nhân quả:

△ Sơ đồ kiến trúc bộ não dự báo của DigClaw

Quyết định thiết kế 1: Tách rời tìm kiếm và suy luận đa mô hình

Nhận định thiết kế cốt lõi của Rhizome: Chất lượng tìm kiếm và chất lượng suy luận là hai vấn đề trực giao, không nên được tối ưu hóa bởi cùng một mô hình cùng lúc.