**编辑注：**欢迎阅读CNET全新专栏系列《另类视角》，这是一个汇聚多元专家和思想领袖，分享他们对快速发展的人工智能领域见解的平台。更多AI相关报道，请访问CNET的AI地图。

“你们是如何使用人工智能的？”我问一堂满是高管的课程。听到的回答中，有些我早已听过：医疗人员用AI解读医学影像；管理者用它来草拟邮件；一家零售公司尝试用AI做会议记录，后来放弃了，因为AI会胡编乱造，根本不理解上下文。然后，有一位中年亚洲女士说了句让我印象深刻的话。

“我用聊天机器人来算命，”她说。她穿着米色开衫和白色运动鞋，后来我了解到她已经打造了一个价值数十亿美元的商业帝国。教室里顿时有些紧张，大家坐立不安。“就像我们过去看茶叶一样，你可以问AI未来的事情，它有时竟然出奇地准确。比如，最近它准确预测了股市上涨2%。”她说着，点头环视教室，而同学们则避免与她对视。

如今的“预言家”不再是占星家、天文学家、社会学家甚至经济学家，而是计算机科学家、数据分析师和工程师。算法成了新的茶叶、动物内脏和星象，我们寄希望于它们窥见未来。

我们往往将预测与知识联系在一起，但它们更常是权力的体现。预言是未来之争的擂台。我们的期望会塑造社会现实，推动世界朝着预测的方向发展。当有人预测未来会怎样时，实际上是在命令他人遵从他的意愿，实现那个未来。尽管我们数千年来一直用预测做出重要决策，却很少深入思考预测的伦理问题。市面上有成千上万的预测指南，却几乎没有关于预测伦理的著作。

预测已成为一个庞大的产业。以Polymarket为例，这类平台汇聚公众对未来事件的预期，收集海量数据并产生影响。如果58%的用户认为俄克拉荷马城雷霆队将赢得NBA冠军，你为何要赌输给多数人？但这些平台上的下注远不止体育赛事或真人秀，它们将政治动荡、自然灾害和人类苦难变成了娱乐，剥夺了受害者的尊严，游戏化了生命。

如今，预测已演变成权力的武器，用事实的幌子为带有价值判断的决策辩护，但预测永远不是事实。事实属于现在和过去。对未来的断言可能是估计、愿望或警告，但绝非事实。

未来之所以是未来，是因为它尚未发生。未发生的事不存在，也没有事实可言。然而，我们正以前所未有的热情利用AI、预测市场和专家的声音谈论未来。

战胜不确定性的幻想

皮埃尔-西蒙·拉普拉斯曾有一个梦想，称为“拉普拉斯妖”。他认为，只要拥有足够的数据和计算能力，就能获得完全的知识。如果你知道宇宙中每个粒子的位置和动量，以及所有自然法则，就能完美预测未来，最终战胜不确定性。正如拉普拉斯所说：

“假设有一瞬间存在一个智慧，能理解自然界所有的力量和组成它的生物的具体状态——一个足够庞大的智慧，能将这些数据进行分析——它将用同一个公式描述宇宙中最大天体和最轻原子的运动；对它来说，没有什么是不确定的，未来和过去一样，尽在眼前。”

AI的支持者虽然不会用这些话表达，但他们热衷于机器学习和海量数据的力量，似乎暗示这些技术正让我们接近实现拉普拉斯妖的梦想。只要收集到所有数据点，并拥有足够的计算能力，就能预测之前无法预见的事物。这种预测能力有望彻底改变医学、气候变化、政治等各个领域。

在这种幻想驱动下，量化分析者追踪你的每一个动作；记录、统计并详尽分析你的喜好与恶习；折磨你的数据直到它“招供”。你在开车、上网搜索、运动、性生活、饮酒、吸毒、旅行、睡觉、与亲友交谈、使用社交媒体、看医生、玩游戏、阅读、看电视甚至呼吸时，都被监控着。

我们用量化的方式管理和讨论恐惧：患癌症的概率、被抢劫的概率、地震发生的概率、下一场疫情的概率、气候变化让世界无法居住的概率、爆发世界大战的概率。

对通过AI战胜不确定性的无尽乐观是可以理解的。计算机、数据和统计带来了惊人的突破。比如，计算机Bombe破解了纳粹的恩尼格码密码；医学中的回归分析帮助识别疾病风险因素；大型机带来了商业新洞察；集中式数据处理实现了实时交易和可扩展性；制造业能够监控整个供应链的生产效率，发现瓶颈并优化资源配置。

个人电脑在1980年代出现，1990年代和2000年代互联网与云计算兴起，进一步提升了数据可用性和处理能力。2010年代，深度学习的实际应用成为转折点，得益于大数据和GPU等硬件的提升。算法进步铺平了机器学习——预测机器的道路。

AI与预测：权力的游戏

预测伴随着预言和权力的历史模式。不同的是，AI让预测变得更加强大，我们不仅在战场和医院使用它，还广泛应用于办公室、教室、法庭、道路、情感生活等各个领域。

机器学习算法本质上是预测机器。无论是回归、分类还是语言处理，它们的核心都是预测。例如，机器翻译是基于数百万翻译实例预测最可能的译文；识别照片中的狼，是基于成千上万标注为“狼”或“非狼”的图像预测概率；大型语言模型回答问题，是基于对书籍、论坛、社交媒体等文本的统计分析，预测人类可能的回答。

“神谕”在机器学习中是一个技术术语，代表理想状态下的最佳性能，即总能给出完美预测的理想函数。

机器学习的成功更多是企业的胜利，而非科学的突破。理想主义者可能会觉得这令人失望甚至沮丧。有人甚至直言，我们只是把钱砸向了问题。

牛津大学AI教授迈克尔·伍尔德里奇对我的MBA学生说：“令人失望的是，这并非科学突破的结果。”他环视教室，确保大家理解这句话的分量。

从1960年代到2000年代初，神经网络的表现并不理想。符号AI一度领先并获得资助，直到局势逆转。变化的关键是数据和计算能力的激增，机器学习开始腾飞。以自动翻译为例，短短几年内从不可用变得可理解，甚至足够好，帮助不懂当地语言的游客找到路。如今它的表现有时甚至超过了某些喜欢啰嗦的专业译者。

机器学习的惊人成就并非源于更深的理解，也不需要天才。真相比缺乏创造力更为严峻。获得如此庞大数据和计算能力的手段涉及盗窃、剥削弱势群体、对自然资源的疯狂消耗，以及建立大规模监控架构，仅举几例罪恶。

我们或许还远未达到古代神谕和占星术士的境界，但预测依然主要关乎权力。权力造就预测算法，而预测算法又赋予你更多权力。

摘自《预言：从古代神谕到人工智能的预测、权力与未来之争》，作者Carissa Véliz，经Doubleday出版社授权转载。版权©2026 Carissa Véliz。