Vào tháng Bảy, khung dự đoán Rhizome v1 của DigClaw đã giành được ba vị trí #1, #3, #7 trên nền tảng đánh giá FutureX.
Ba vị trí này đến từ ba mô hình cơ bản khác nhau—bao gồm Kimi-K3, DeepSeek-V4-Pro, v.v... Cùng một khung dự báo đã đưa chúng đồng thời vào Top 7, DigClaw là bên tham gia duy nhất làm được điều này.
59 câu hỏi dự đoán về các sự kiện thực tế trong lĩnh vực chính trị, kinh tế và công nghệ, không có khả năng bị rò rỉ dữ liệu huấn luyện.
Thành tích này ủng hộ nhận định mà DigClaw đang xác minh:
Khả năng dự đoán có thể được tích lũy ngoài mô hình cơ sở.
Khi mô hình cơ sở tiến bộ, hệ thống có thể nhận được lợi ích về năng lực; quy trình dự đoán, phản hồi thanh toán, kinh nghiệm hiệu chỉnh và quy trình làm việc phát triển liên tục sẽ tiếp tục được tích lũy bên trong hệ thống.
△
Đây không phải là kết quả cạnh tranh ngẫu nhiên, đây là xác minh bên ngoài đầu tiên mà DigClaw đưa ra cho câu hỏi "dự đoán cuối cùng nên được thực hiện như thế nào".
Dự đoán là khả năng bị đánh giá thấp nhất của AI
Khi nhiệm vụ dự đoán dần trở nên tiêu chuẩn hóa và kỹ thuật hóa, AI cũng được kỳ vọng sẽ xử lý quy mô lớn các vấn đề dự đoán phức tạp.
Nhưng có một vấn đề căn bản ở đây: mô hình ngôn ngữ lớn tự nhiên không giỏi dự đoán.
LLM học về sự tương quan (correlation), chứ không phải nguyên nhân (causation). Chúng trích xuất mẫu từ dữ liệu ngôn ngữ trong quá khứ, nhưng "học từ quá khứ" và "dự đoán tương lai" là hai việc hoàn toàn khác nhau.
Điều này tạo ra ba vấn đề chí mạng:
Vùng mù hướng nguyên nhân. Mô hình biết A và B thường xuất hiện cùng nhau, nhưng không biết A dẫn đến B, hay B dẫn đến A, hay có nguyên nhân chung C.
Suy luận can thiệp thất bại. Bạn không thể hỏi mô hình "nếu Cục Dự trữ Liên bang Mỹ giảm lãi suất, nó sẽ tác động thế nào đến cổ phiếu công nghệ Đông Nam Á" — bởi vì nó chỉ học về sự đồng xuất hiện lịch sử, không có biểu đồ nguyên nhân hỗ trợ tính toán can thiệp.
Thiếu hiệu chỉnh. "Xác suất 70%" mà mô hình đưa ra không trải qua bất kỳ sự hiệu chỉnh nào theo nghĩa lý thuyết xác suất, về bản chất chỉ là sản phẩm phụ của phân phối token.
Cho đến nay, các giải pháp hiện có đều có hạn chế: trí tuệ tập thể con người (thị trường dự đoán) cần tính thanh khoản, trên các vấn đề không phổ biến thì giá không đáng tin;
Mô hình LLM so khớp mẫu không có cấu trúc nguyên nhân; Huấn luyện đầu-cuối có độ lệch định hướng kết quả — một quá trình suy luận logic chặt chẽ nhưng "trả lời sai" bị trừng phạt, trong khi một phán đoán thô ráp nhưng "đoán đúng" tình cờ lại được củng cố.
Đây chính là lý do tồn tại của DigClaw.
DigClaw xây dựng cơ sở hạ tầng dự đoán lấy cấu trúc nguyên nhân làm khung xương, tính toán xác suất làm động cơ, trí thông minh tìm kiếm làm đường ống dữ liệu.
Giả thuyết cốt lõi là: dự đoán không nên được thực hiện đầu-cuối bởi một mô hình duy nhất.
Tìm kiếm, suy luận nguyên nhân, suy diễn xác suất là ba khả năng trực giao, nên được ba hệ thống chuyên biệt giải quyết riêng biệt, sau đó kết hợp một cách có cấu trúc.
Ba vị trí top 10, xác minh khả năng chuyển giao khả năng dự đoán giữa các mô hình cơ sở
FutureX là bảng xếp hạng dự đoán thời gian thực thử thách nhất hiện nay: hàng tuần công bố các câu hỏi dự đoán sự kiện thế giới thực, đáp án chuẩn chưa được tạo ra khi nộp dự đoán, thanh toán sau sự kiện.
Bộ dữ liệu được lưu trữ trên HuggingFace, khung đánh giá mã nguồn mở trên GitHub, kết quả có thể tái lập, có thể xác minh.
Rhizome áp dụng cùng một khung dự đoán và điều kiện chạy trên ba mô hình cơ sở, mỗi mô hình tự tạo và nộp đáp án độc lập, không tổng hợp giữa các mô hình.
Vì vậy, ba thứ hạng này là cùng một hệ thống phương pháp chạy riêng biệt trên ba mô hình cơ sở, tức là một lần đối chứng rõ ràng giữa các mô hình cơ sở.
Nhưng điều này không có nghĩa là mô hình cơ sở không quan trọng.
Mô hình cơ sở vẫn cung cấp các khả năng chung 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 tầm xa, có thể hình thành năng lực hệ thống độc lập với trọng số mô hình.
Sau đây là báo cáo kỹ thuật của DigClaw về khung Rhizome trên FutureX:
Báo cáo Kỹ thuật Rhizome
Thiết kế của Rhizome xoay quanh ba đánh giá kỹ thuật: tìm kiếm và suy luận phải tách rời, quy trình dự đoán phải được lưu giữ đầy đủ và hình thành tài sản hiệu chỉnh, cập nhật xác suất phải cảm nhận được cấu trúc nguyên nhân:
△
Quyết định Thiết kế Một: Tách rời Nhiều Mô hình Tìm kiếm và Suy luận
Nhận thức thiết kế cốt lõi của Rhizome: chất lượng tìm kiếm và chất lượng suy luận là hai vấn đề trực giao, không nên được một mô hình duy nhất tối ưu hóa đồng thời.
Các agent DeepResearch chính thống hiện nay (Perplexity, Gemini Deep Research) gắn kết tìm kiếm và suy luận trong cùng một mô hình — chất lượng tìm kiếm bị gánh nặng suy luận làm trì trệ, chất lượng suy luận bị nhiễu tìm kiếm làm ô nhiễm.
Cách làm của Rhizome là tách rời triệt để: agent tìm kiếm chỉ chịu trách nhiệm tìm thông tin liên quan, tầng suy luận chỉ chịu trách nhiệm suy luận có cấu trúc trên bằng chứng đã có.
Nhu cầu thông tin của nhiệm vụ dự đoán không phải là "trả lời chính xác câu hỏi người dùng", mà là "phát hiện càng nhiều tín hiệu liên quan càng tốt".
Mục tiêu tối ưu hóa của agent tìm kiếm là sự liên quan thông tin (relevance), không phải tính chính xác câu trả lời (accuracy). Nếu agent tìm kiếm được huấn luyện để "tìm câu trả lời", nó sẽ có xu hướng tìm nội dung trông giống kết luận, điều này lại nguy hiểm nhất.
Huấn luyện sử dụng khung học tăng cường (SearchRL), hai con đường lặp song song:
Đường A: Tinh chỉnh RL trên mô hình mã nguồn mở — trên các mô hình mã nguồn mở tham số 8B/30B, lấy sự liên quan tìm kiếm làm phần thưởng để huấn luyện RL (tham khảo: Search-R1, COLM 2025; ReSeek, ICML 2026)
Đường B: Khung ràng buộc tìm kiếm bên ngoài đối với mô hình mã đóng — xây dựng khung ràng buộc tìm kiếm bên ngoài cho các mô hình mã đóng như Claude/GPT
Các mô hình cơ sở khác nhau thể hiện sự khác biệt ổn định trong nhiệm vụ dự đoán: có mô hình phù hợp với truy xuất dài hạn và suy luận phức tạp, có mô hình giỏi mô hình hóa định lượng hơn, có mô hình lại có lợi thế về chi phí và tốc độ phản hồi.
Rhizome đặt giao thức dự đoán, điều phối Agent, gọi công cụ và đánh giá kết quả bên ngoài mô hình cơ sở, các tổ chức có thể lựa chọn mô hình cơ sở dựa trên giá trị nhiệm vụ và quy mô vận hành, đánh đổi giữa năng lực suy luận, chi phí và tốc độ phản hồi.
Quyết định Thiết kế Hai: Ghi lại Quy trình và Hiệu chỉnh Xác suất, Tích lũy Tài sản Dữ liệu
Rhizome giữ lại một quy trình hoàn chỉnh với thông tin phiên bản cho mỗi lần dự đoán: điều kiện thời gian và tiêu chuẩn thanh toán của câu hỏi, bằng chứng có thể thu được tại thời điểm dự đoán, quá trình điều phối Agent và gọi công cụ, đáp án và xác suất cuối cùng, cùng với phiên bản mô hình và hệ thống tương ứng.
Những bản ghi này được hình thành trước khi kết quả được công bố, lưu giữ phán đoán thực tế mà Rhizome đưa ra khi chưa biết đáp án.
Sau khi sự kiện được thanh toán, Rhizome đặt quy trình dự đoán và kết quả thực tế trở lại cùng một bản ghi, xem lại thông tin đã nắm bắt được gì, bỏ sót những bằng chứng ngược chiều nào, và sai lầm xảy ra ở khâu truy xuất, phán đoán thời gian, suy luận, biểu đạt đáp án hay hiệu chỉnh xác suất.
Một sai lầm với độ tin cậy cao và một sai lầm gần như năm mươi-năm mươi, mặc dù đều được ghi là "sai", nhưng vấn đề bộc lộ không giống nhau.
Rhizome sẽ thực hiện nhiều lần dự đoán độc lập cho cùng một câu hỏi. Hệ thống không đơn giản lấy trung bình kết quả, mà trước tiên tổng hợp trong không gian tỷ lệ logit (logit), sau đó điều chỉnh cường độ cực đoan hóa kết hợp với Brier Score của các câu hỏi đã thanh toán.
Thông tin do các quy trình khác nhau cung cấp càng độc lập, kết quả tổng hợp có thể càng rõ ràng; bằng chứng trùng lặp càng nhiều, điều chỉnh càng thận trọng.
△
Trên cơ sở này, Rhizome thông qua mở rộng Platt, sử dụng các câu hỏi đã thanh toán để nhận diện sự tự tin thái quá hoặc thận trọng thái quá liên tục, và hiệu chỉnh xác suất tiếp theo.
Tiêu chuẩn hiệu chỉnh rất trực quan: sự kiện mà hệ thống đưa ra xác suất 60%, về lâu dài nên xảy ra khoảng sáu phần mười; sự kiện đưa ra 80%, về lâu dài nên xảy ra khoảng tám phần mười.
Mỗi lần chạy tương ứng với phiên bản hệ thống và cấu hình quan trọng tại thời điểm đó, giúp thay đổi xác suất và kết quả bất thường có thể quay trở lại nguyên nhân cụ thể.
Mô hình cơ sở có thể nâng cấp hoặc thay thế, nhưng định nghĩa vấn đề, ghi chép bằng chứng, thay đổi niềm tin, kết quả thanh toán và kinh nghiệm hiệu chỉnh vẫn duy trì tính liên tục.
Loại dữ liệu phản hồi này không thể tạo hàng loạt sau khi kết quả được công bố — mỗi mẫu đều phải để lại phán đoán khi tương lai chưa xảy ra, sau đó chờ thực tế đưa ra đáp án.
Mã có thể sao chép, tài sản dữ liệu tích lũy theo thời gian không thể thành hình nhanh chóng.
Quyết định Thiết kế Ba: Cập nhật Liên tục Có Nhận thức về Chuỗi Nguyên nhân
Khi sự kiện chưa được thanh toán, dữ liệu mới, chính sách và thông tin thị trường sẽ tiếp tục xuất hiện, hệ thống cần phán đoán xác suất ban đầu có nên được cập nhật hay không.
Rhizome lưu giữ trạng thái niềm tin cho các vấn đề chưa thanh toán. Mỗi bằng chứng được ghi riêng thời gian sự kiện xảy ra, thời gian xuất bản nội dung và thời gian hệ thống đọc.
Khi thông tin mới hoàn toàn trùng lặp với bản ghi đã có, hệ thống bỏ qua cập nhật; khi bằng chứng mới mâu thuẫn với bản ghi cũ, bằng chứng cũ không bị xóa, hệ thống giữ lại quá trình phán đoán được sửa chữa.
Khi thay đổi xác suất một lần vượt quá 0.15, phải chỉ rõ bằng chứng mới cụ thể nào đã kích hoạt thay đổi.
Có một vấn đề khó hơn ở đây: bằng chứng mới cuối cùng đại diện cho nhiều lực lượng độc lập, hay là tín hiệu từ cùng một chuỗi nguyên nhân ở các vị trí khác nhau?
Thông báo tăng lãi suất, thay đổi chênh lệch lãi suất và dòng chảy vốn có thể xuất hiện lần lượt, nhưng chúng chưa chắc đã là ba thông tin độc lập.
Nếu hệ thống tính chúng riêng biệt vào cập nhật xác suất, cùng một nguyên nhân có thể bị tính lặp lại, đẩy xác suất đến cực đoan tự tin thái quá.
Rhizome đang phát triển một khung cập nhật Bayes có nhận thức về chuỗi nguyên nhân, trước khi bằng chứng đi vào cập nhật xác suất, trước tiên nhận diện chuỗi dẫn truyền nguyên nhân mà nó thuộc về, sau đó điều chỉnh trọng số bằng chứng dựa trên mối quan hệ trong chuỗi.
Khung này bao gồm bốn tầng:
Kho kiến thức Nguyên nhân: Lưu trữ các chuỗi nguyên nhân đã được xác minh, và ghi lại độ trễ dẫn truyền, suy giảm ảnh hưởng và độ tin cậy lịch sử của các quan hệ then chốt.
Khử trùng lặp Tín hiệu cùng chuỗi: Tín hiệu tiếp theo từ cùng một chuỗi nguyên nhân sẽ không được tính lặp với trọng số đầy đủ, tránh cùng một lực lượng bị tính nhiều lần.
Giới hạn Hậu nghiệm Toàn cục: Giới hạn ảnh hưởng tích lũy do nhiều bằng chứng cùng hướng mang lại, điều chỉnh cường độ ràng buộc theo thời hạn dự đoán.
Nhận thức về Độ trễ Dẫn truyền: Sau khi sự kiện đầu chuỗi xảy ra, hệ thống cập nhật dần theo tiến độ dẫn truyền của mối quan hệ nguyên nhân, không ngay lập tức tính toàn bộ ảnh hưởng vào kết quả cuối chuỗi.
△
Trong hệ thống dự đoán nội bộ của DigClaw, khung này đã hoàn thành triển khai nguyên mẫu và xác minh sơ bộ, đồng thời hướng dẫn thực hiện nhiều hoạt động đầu tư.
Thử nghiệm cho thấy, so với tổng hợp Bayes trực tiếp, việc khử trùng lặp tín hiệu cùng chuỗi và giới hạn hậu nghiệm toàn cục đã giảm tỷ lệ tự tin thái quá (xác suất dự đoán trên 85% nhưng cuối cùng phán đoán sai) từ khoảng 25% xuống còn 12%.
Tại sao một công ty đầu tư lại xây dựng mô hình dự đoán
Newborn Ventures được DigClaw khởi xướng, là tổ chức đầu tư và ươm tạo đầu tiên trên toàn cầu được dẫn dắt bởi AI khai thác xu hướng Beta.
Nền tảng dự đoán xu hướng của DigClaw là khung kỹ thuật cơ sở hỗ trợ công ty đầu tư mạo hiểm AI-Native này.
Bản chất của đầu tư là dự đoán.
Đánh giá một phân khúc có bùng nổ không, một đội ngũ có chạy được không, một công nghệ có trở thành dòng chính không, tất cả đều là các vấn đề dự đoán.
Đầu tư truyền thống phụ thuộc vào trực giác kinh nghiệm và chênh lệch thông tin của các đối tác, nhưng DigClaw tin rằng những phán đoán này có thể được hệ thống hóa, được mô hình hóa.
Nhìn từ góc độ rộng hơn: lợi nhuận đầu tư = Beta (được dẫn dắt bởi sự kiện/xu hướng) + Alpha (đặc thù tài sản).
Nghiên cứu Alpha đã tương đối trưởng thành, nhưng Beta — dự đoán về sự kiện vĩ mô và xu hướng, hiện vẫn chưa có giải pháp AI thực sự hiệu quả, đây chính là vấn đề DigClaw muốn giải quyết.
Khi dự đoán từ một phán đoán trực giác trở thành một tham số có thể gọi, có thể tích hợp, có thể hiệu chỉnh, các tình huống ra quyết định nó có thể nhúng vào còn nhiều hơn những gì thấy hiện nay.
Đối với công ty niêm yết, nó có nghĩa là hoàn thành dự đoán chiến lược và cảnh báo rủi ro trước khi biến động chuỗi ngành và hướng gió chính sách hình thành;
Đối với tổ chức đầu tư, nó có nghĩa là phát hiện giá trị trước khi sự đồng thuận hình thành;
Đối với quỹ định hướng chính phủ, nó có nghĩa là nghiên cứu xu hướng ngành và hiệu quả chính sách bằng phương pháp hệ thống hóa.
Cùng một khả năng dự đoán, đối ngoại nhận đánh giá công khai trên FutureX, đối nội dẫn dắt quyết định đầu tư, đồng thời mở dịch vụ cho bên ngành công nghiệp, tổ chức tài chính và quỹ định hướng chính phủ.
Đối với DigClaw và Newborn Ventures, vị trí số 1 trên FutureX là điểm khởi đầu, không phải là đích đến.
Về DigClaw
DigClaw là một công ty công nghệ AI chuyên về trí thông minh dự đoán, sứ mệnh cốt lõi là xây dựng cơ sở hạ tầng dự đoán có thể hiệu chỉnh, có thể kiểm tra, có thể tích hợp.
Khung dự đoán hàng đầu Rhizome của họ thông qua kiến trúc ba tầng suy luận nguyên nhân, hiệu chỉnh xác suất và trí thông minh tìm kiếm, đã hiện thực hóa năng lực hệ thống độc lập với mô hình cơ sở — có thể thay thế mô hình cơ sở, tài sản dự đoán tích lũy liên tục.
Hệ thống dự đoán của DigClaw đã nhận được xác minh bên ngoài trên các nền tảng đánh giá công khai như FutureX, và áp dụng cùng khả năng này vào các tình huống thực tế như ra quyết định đầu tư, nghiên cứu xu hướng ngành và đánh giá rủi ro chiến lược, mở hợp tác với bên ngành công nghiệp, tổ chức tài chính và quỹ định hướng chính phủ.
Về Newborn Ventures
Newborn Ventures là một tổ chức đầu tư mạo hiểm và ươm tạo giai đoạn đầu mang bản chất AI.
Niềm tin cốt lõi của họ là: bản chất của đầu tư là dự đoán, đánh giá một phân khúc có bùng nổ không, đội ngũ có chạy được không, công nghệ có trở thành dòng chính không, tất cả đều là những vấn đề dự đoán có thể được hệ thống hóa, mô hình hóa.
Newborn Ventures thông qua Deep Research Agent tự nghiên cứu và hệ thống dự đoán nguyên nhân, theo dõi tín hiệu đổi mới về hướng suy luận AI trên toàn cầu, phát hiện cơ hội cấu trúc chưa được thị trường định giá — Beta thực sự.
Từ lần tiếp xúc đầu tiên đến quyết định đầu tư, họ tái cấu trúc từng khâu bằng AI, cam kết đưa ra phản hồi rõ ràng với chiều sâu kỹ thuật trong vòng 48 giờ.
Research-Driven. Non-Consensus. AI-Native.
*Bài viết này được Qubit cho phép đăng, quan điểm chỉ thuộc về tác giả gốc.
Bài viết đến từ tài khoản công chúng WeChat "Qubit", tác giả: Yun Zhong
