En juillet, le cadre prédictif Rhizome v1 de DigClaw a obtenu les places #1, #3 et #7 sur la plateforme d'évaluation FutureX.
Ces trois places proviennent de trois modèles de base différents — incluant
- Kimi -K3,
- DeepSeek -V4-Pro, entre autres. Le même cadre a simultanément permis à tous d'entrer dans le Top 7, faisant de DigClaw le seul participant à y parvenir.
59 questions de prédiction couvrant des événements réels dans les domaines politiques, économiques et technologiques, sans possibilité de fuite des données d'entraînement.
Ce résultat soutient l'hypothèse que DigClaw est en train de valider :
La capacité de prédiction peut se cristalliser en dehors du modèle de base.
À mesure que la base progresse, le système peut bénéficier d'un dividende de capacité ; les trajectoires de prédiction, les retours de règlement, l'expérience d'étalonnage et les flux de travail d'évolution continue continuent de s'accumuler à l'intérieur du système.
△
Ce n'est pas le résultat fortuit d'un concours, c'est la première validation externe apportée par DigClaw à la question "comment la prédiction devrait réellement être faite".
La prédiction est la capacité la plus sous-estimée de l'IA
Alors que les tâches de prédiction se standardisent et s'industrialisent progressivement, on attend également de l'IA qu'elle traite à grande échelle des problèmes de prédiction complexes.
Mais il y a un problème fondamental : les grands modèles de langage (LLM) ne sont pas naturellement doués pour la prédiction.
Les LLM apprennent la corrélation, et non la causalité. Ils extraient des modèles de corpus passés, mais « apprendre le passé » et « prédire l'avenir » sont deux choses fondamentalement différentes.
Cela pose trois problèmes critiques :
Cécité directionnelle de la causalité. Le modèle sait que A et B apparaissent souvent ensemble, mais il ne sait pas si A cause B, si B cause A, ou s'il existe une cause commune C.
Échec du raisonnement d'intervention. Vous ne pouvez pas demander au modèle « quels seraient les impacts d'une baisse des taux par la Fed sur les actions technologiques de l'Asie du Sud-Est » — parce qu'il n'a appris que la co-occurrence historique, sans structure causale pour soutenir le calcul des interventions.
Absence d'étalonnage. La « probabilité de 70 % » en sortie du modèle n'est calibrée par aucun sens probabiliste ; c'est essentiellement un sous-produit de la distribution des tokens.
Jusqu'à présent, les solutions existantes ont chacune leurs limites : la sagesse collective humaine (marchés de prédiction) nécessite de la liquidité, les prix ne sont pas fiables sur des questions peu populaires ;
La correspondance de motifs par LLM manque de structure causale ; l'entraînement de bout en bout présente un biais orienté résultats — un raisonnement logique mais « incorrect » est pénalisé, tandis qu'un jugement grossier qui « devine » correctement par chance est renforcé.
C'est précisément la raison d'être de DigClaw.
DigClaw construit une infrastructure de prédiction ayant pour ossature la structure causale, pour moteur le calcul probabiliste, et pour canal de données l'intelligence de recherche.
L'hypothèse centrale est : la prédiction ne devrait pas être réalisée de bout en bout par un seul modèle.
La recherche, le raisonnement causal et l'inférence probabiliste sont trois capacités orthogonales, qui devraient être résolues séparément par trois systèmes spécialisés, puis combinées de manière structurée.
Trois top 10, validant la transférabilité des capacités de prédiction entre modèles de base
FutureX est le classement de prédiction en temps réel le plus exigeant actuellement : il publie chaque semaine des questions de prédiction sur des événements du monde réel, les prédictions sont soumises avant que la réponse standard ne soit connue, et le règlement a lieu après coup.
Le jeu de données est hébergé sur HuggingFace, le cadre d'évaluation est open source sur GitHub, les résultats sont reproductibles et vérifiables.
Rhizome utilise le même cadre de prédiction et les mêmes conditions d'exécution sur trois modèles de base, générant et soumettant des réponses de manière indépendante pour chacun, sans agrégation inter-modèles.
Ainsi, ces trois classements sont le résultat de l'exécution distincte de la même méthodologie systémique sur trois modèles de base, constituant une comparaison claire entre bases.
Mais cela ne signifie pas que le modèle de base est sans importance.
La base fournit toujours des capacités générales de compréhension du langage, de raisonnement et d'utilisation d'outils.
Ce résultat démontre que : la façon d'organiser la recherche, de traiter le temps, d'exprimer les probabilités, de maintenir les preuves et de contrôler les exécutions à longue portée peut former une capacité systémique indépendante des poids du modèle.
Voici le rapport technique (technical report) du cadre Rhizome de DigClaw sur FutureX :
Rapport Technique Rhizome
La conception de Rhizome s'articule autour de trois jugements d'ingénierie : la recherche et le raisonnement doivent être découplés, la trajectoire de prédiction doit être intégralement conservée et constituer un actif d'étalonnage, la mise à jour des probabilités doit percevoir la structure causale :
△
Décision de conception 1 : Découplage multi-modèles de la recherche et du raisonnement
L'idée clé de la conception de Rhizome : la qualité de la recherche et la qualité du raisonnement sont deux problèmes orthogonaux, qui ne devraient pas être optimisés simultanément par le même modèle.
Les agents de DeepResearch dominants actuels (Perplexity, Gemini Deep Research) lient la recherche et le raisonnement au sein d'un même modèle — la qualité de la recherche est entravée par la charge de raisonnement, et la qualité du raisonnement est polluée par le bruit de la recherche.
L'approche de Rhizome est un découplage complet : l'agent de recherche est uniquement responsable de trouver des informations pertinentes, la couche de raisonnement est uniquement responsable d'un raisonnement structuré sur les preuves disponibles.
Le besoin en information pour une tâche de prédiction n'est pas de « répondre avec précision à la question de l'utilisateur », mais de « découvrir autant que possible tous les signaux associés ».
L'objectif d'optimisation de l'agent de recherche est la pertinence de l'information (relevance), pas l'exactitude de la réponse (accuracy). Si l'agent de recherche est entraîné à « trouver la réponse », il aura tendance à trouver des contenus qui ressemblent à des conclusions, ce qui est justement le plus dangereux.
L'entraînement utilise un cadre d'apprentissage par renforcement (SearchRL), avec deux voies itératives parallèles :
Voie A : Réglage fin par RL sur modèles open source — Sur des modèles open source de 8B/30B paramètres, entraînement par RL avec la pertinence de la recherche comme récompense (réf. : Search-R1, COLM 2025 ; ReSeek, ICML 2026)
Voie B : Harnais de modèles propriétaires — Pour les modèles propriétaires comme Claude/GPT, construction d'un cadre externe de contraintes de recherche
Différents modèles de base montrent des différences stables dans les tâches de prédiction : certains sont adaptés à la recherche longue et au raisonnement complexe, d'autres sont plus performants en modélisation quantitative, d'autres encore ont des avantages en termes de coût et de vitesse de réponse.
Rhizome place le protocole de prédiction, l'orchestration des agents, l'appel d'outils et l'évaluation des résultats en dehors du modèle de base, permettant aux institutions de choisir leur base selon la valeur de la tâche et l'échelle d'exécution, en faisant des compromis entre capacité de raisonnement, coût et rapidité de réponse.
Décision de conception 2 : Enregistrement des trajectoires et étalonnage des probabilités, accumulation d'actifs de données
Rhizome conserve pour chaque prédiction une trajectoire complète avec information de version : les conditions temporelles et le standard de règlement de la question, les preuves disponibles au moment de la prédiction, le processus d'orchestration des agents et d'appel d'outils, la réponse finale et sa probabilité, ainsi que les versions correspondantes du modèle et du système.
Ces enregistrements sont créés avant que le résultat ne soit connu, conservant le jugement réel émis par Rhizome quand l'issue était encore inconnue.
Après le règlement d'un événement, Rhizome réunit la trajectoire de prédiction et le résultat réel dans le même enregistrement, réexaminant quelles informations étaient détenues, quelles preuves contraires ont été manquées, et où l'erreur s'est produite : recherche, jugement temporel, raisonnement, expression de la réponse ou étalonnage des probabilités.
Une erreur avec une confiance élevée et une erreur proche de 50/50, bien que toutes deux comptées comme « incorrectes », révèlent des problèmes différents.
Rhizome effectue plusieurs prédictions indépendantes pour la même question. Le système ne fait pas une simple moyenne des résultats, mais agrège d'abord dans l'espace des logits (log-odds), puis ajuste l'intensité d'extrémisation en combinant le Brier Score des questions déjà réglées.
Plus les informations fournies par les différentes trajectoires sont indépendantes, plus le résultat agrégé peut être précis ; plus les preuves se chevauchent, plus l'ajustement est modéré.
△
Sur cette base, Rhizome utilise la mise à l'échelle de Platt (Platt scaling), exploitant les questions déjà réglées pour identifier une surconfiance ou une surprudence persistante, et ajuste ensuite les probabilités.
Le critère d'étalonnage est intuitif : les événements auxquels le système attribue 60 % devraient, à long terme, se produire environ six fois sur dix ; ceux à 80 % devraient se produire environ huit fois sur dix.
Chaque exécution est liée à la version du système et aux configurations clés du moment, permettant de relier les changements de probabilité et les résultats anormaux à des causes spécifiques.
Le modèle de base peut être mis à niveau ou remplacé, tandis que la définition du problème, l'enregistrement des preuves, l'évolution des croyances, les résultats de règlement et l'expérience d'étalonnage restent continus.
Ce type de données de rétroaction ne peut pas être fabriqué en masse après que les résultats sont connus — chaque échantillon doit capturer un jugement alors que l'avenir n'est pas encore advenu, puis attendre que la réalité donne sa réponse.
Le code peut être répliqué, les actifs de données sédimentés par le temps ne peuvent pas être produits rapidement.
Décision de conception 3 : Mise à jour continue avec perception des chaînes causales
Avant qu'un événement ne soit réglé, de nouvelles données, politiques et informations de marché continuent d'apparaître, et le système doit juger si les probabilités précédentes doivent être mises à jour.
Rhizome conserve l'état de croyance pour les questions non réglées. Chaque preuve enregistre séparément l'heure de survenue de l'événement, l'heure de publication du contenu et l'heure de lecture par le système.
Lorsque de nouvelles informations sont exactement identiques à des enregistrements existants, le système ignore la mise à jour ; lorsqu'une nouvelle preuve contredit un enregistrement ancien, l'ancienne preuve n'est pas supprimée, le système conserve le processus de correction du jugement.
Lorsqu'un changement de probabilité unique dépasse 0.15, il doit être lié à une nouvelle preuve spécifique ayant déclenché le changement.
Mais il y a un problème plus difficile : une nouvelle preuve représente-t-elle plusieurs forces indépendantes, ou bien des signaux provenant de différents points d'une même chaîne causale ?
Une annonce de relèvement des taux, un changement d'écart de taux et des flux de capitaux peuvent apparaître successivement, mais ils ne constituent pas nécessairement trois informations indépendantes.
Si le système les comptabilise séparément dans la mise à jour des probabilités, une même cause peut être comptée plusieurs fois, poussant la probabilité vers un extrême de surconfiance.
Rhizome est en train de développer un cadre de mise à jour bayésienne avec perception des chaînes causales, qui, avant qu'une preuve n'entre dans la mise à jour des probabilités, identifie d'abord la chaîne de transmission causale à laquelle elle appartient, puis ajuste le poids de la preuve en fonction des relations au sein de la chaîne.
Ce cadre comprend quatre niveaux :
Base de connaissances causales : Stocke des chaînes causales vérifiées, et enregistre les délais de transmission, l'atténuation de l'impact et la fiabilité historique des relations clés.
Déduplication des signaux de même chaîne : Les signaux ultérieurs provenant d'une même chaîne causale ne sont plus comptabilisés avec un poids complet, évitant qu'une même force ne soit calculée plusieurs fois.
Limite postérieure globale (Global posterior cap) : Limite l'impact cumulatif de multiples preuves allant dans le même sens, en ajustant la force de la contrainte selon l'horizon de prédiction.
Perception du délai de transmission : Après la survenue d'un événement en tête de chaîne, le système met à jour progressivement en fonction de l'avancement de la propagation causale, sans immédiatement comptabiliser tout l'impact sur le résultat en fin de chaîne.
△
Dans le système de prédiction interne de DigClaw, ce cadre a achevé la mise en œuvre du prototype et une validation préliminaire, et a guidé plusieurs pratiques d'investissement.
Les expériences montrent que, comparé à une agrégation bayésienne directe, la déduplication des signaux de même chaîne et la limite postérieure globale réduisent le taux de surconfiance (proportion de prédictions avec une probabilité supérieure à 85 % mais finalement incorrectes) d'environ 25 % à 12 %.
Pourquoi un fonds d'investissement développerait-il un modèle de prédiction
Newborn Ventures, lancé par DigClaw, est la première institution mondiale d'investissement et d'incubation pilotée par l'IA pour détecter les tendances Beta.
La base de prédiction des tendances de DigClaw est le cadre technologique sous-jacent qui soutient ce VC natif de l'IA.
L'investissement est, par essence, de la prédiction.
Juger si un secteur va exploser, si une équipe va réussir, si une technologie va devenir dominante, ce sont tous des problèmes de prédiction.
L'investissement traditionnel repose sur l'intuition expérientielle des associés et les asymétries d'information, mais DigClaw croit que ces jugements peuvent être systématisés, modélisés.
Dans une perspective plus large : Rendement de l'investissement = Beta (piloté par événements/tendances) + Alpha (spécificité de l'actif).
La recherche sur l'Alpha est relativement mature, mais le Beta — la prédiction des événements macro et des tendances, n'a actuellement pas de solution d'IA vraiment efficace, c'est précisément le problème que DigClaw résout.
Lorsque la prédiction passe d'un jugement intuitif à un paramètre pouvant être appelé, intégré, étalonné, les scénarios décisionnels dans lesquels elle peut s'insérer sont bien plus nombreux que ceux observés actuellement.
Pour les entreprises cotées, cela signifie anticiper les changements de chaîne d'approvisionnement et les orientations politiques pour effectuer des ajustements stratégiques et des alertes de risques avant leur formation ;
Pour les institutions d'investissement, cela signifie découvrir la valeur avant que le consensus ne se forme ;
Pour les fonds d'investissement public (government guidance funds), cela signifie étudier les tendances industrielles et l'efficacité des politiques par des méthodes systématiques.
La même capacité de prédiction est évaluée publiquement sur FutureX, pilote les décisions d'investissement en interne, et est ouverte en service aux acteurs industriels, institutions financières et fonds d'investissement public.
Pour DigClaw et Newborn Ventures, la première place sur FutureX est un point de départ, pas une ligne d'arrivée.
À propos de DigClaw
DigClaw est une société technologique d'IA spécialisée dans l'intelligence prédictive, dont la mission centrale est de construire une infrastructure de prédiction étalonnable, auditée et intégrable.
Son cadre de prédiction phare Rhizome, via une architecture à trois couches de raisonnement causal, d'étalonnage probabiliste et d'intelligence de recherche, réalise une capacité systémique indépendante des modèles de base — la base est remplaçable, les actifs de prédiction s'accumulent continuellement.
Le système de prédiction de DigClaw a obtenu une validation externe sur des plateformes d'évaluation publiques comme FutureX, et applique la même capacité à des scénarios pratiques tels que les décisions d'investissement, l'analyse des tendances industrielles et l'évaluation des risques stratégiques, ouvrant la collaboration aux acteurs industriels, institutions financières et fonds d'investissement public.
À propos de Newborn Ventures
Newborn Ventures est une institution de capital-risque early-stage et d'incubation native de l'IA.
Sa conviction centrale est : l'investissement est, par essence, de la prédiction. Juger si un secteur va exploser, si une équipe va réussir, si une technologie va devenir dominante, ce sont tous des problèmes de prédiction pouvant être systématisés et modélisés.
Grâce à son agent de recherche approfondie (Deep Research Agent) et son système de prédiction causale développés en interne, Newborn Ventures suit les signaux d'innovation dans le domaine du raisonnement par IA à l'échelle mondiale, découvrant des opportunités structurelles non encore valorisées par le marché — le véritable Beta.
Du premier contact à la décision d'investissement, chaque étape est repensée avec l'IA, s'engageant à fournir un retour clair et techniquement approfondi sous 48 heures.
Research-Driven. Non-Consensus. AI-Native.
*Cet article est publié avec l'autorisation de Quantum Bit, les opinions exprimées sont celles de l'auteur original.
Cet article provient du compte WeChat public « Quantum Bit », auteur : Yunzhong
