1997 年 5 月 11 日，纽约。卡斯帕罗夫按下棋钟，向 IBM" 深蓝 " 认输。2016 年 3 月，首尔。李世石投子，AlphaGo 以 4 比 1 结束五番棋。十九年间，人工智能两次走到人类智力冠军的对面，又两次以同一种方式进入历史：人类起身离席，AI 带走胜利。

这两个认输时刻，定义了人机大战的前二十年。深蓝证明机器可以用计算击穿人类经验，AlphaGo 则让世界第一次看见，机器不只能够模仿人，还可能抵达人类从未抵达的地方。每一次胜利，都像一面突然竖起的界碑：从这里开始，AI 向前，人类后退。

直到 2026 年夏天，第三幕从棋盘转向世界杯。12 个 AI 与数千万球迷共同面对 104 场无法重跑的比赛，预测一群会观察、犹豫、冒险，也会在最后一分钟改变命运的人。前 100 场结束，AI 以 65.7% 对 58.9% 赢下公众平均线，一名普通球迷却以 31/32 创造了全场最高分。AI 赢了平均，人类赢了峰值，足球拒绝交出确定性。

三十年后，人机大战终于第一次没有以一方认输结束。它不再只追问 AI 能不能赢，而开始追问一个更艰难的问题：当 AI 走出棋盘、进入真实世界，我们究竟凭什么相信它。

三十年间的 " 人机大战 "，命题不断转换

第 100 场比赛结束后，2026 年夏天这场由联想集团与咪咕发起的 " 世界杯预测人机大战 "，在《世界杯预测人机大战百场观察》报告中留下了两个都真实、也都足够旗帜鲜明的结论。

按 100 场比赛、1200 次胜平负判断计算，12 个 AI 命中 788 次，整体命中率 65.7%；同期人类用户平均命中率为 58.9%，AI 领先 6.8 个百分点。

但在另一张赛前 32 强答卷上，最高分来自重庆彭水一名贴砖小哥：31/32，比表现最好的 AI 多预测对两支球队。

真正被改写的，是人机对决沿用三十年的叙事习惯：找到一个胜者，然后等待另一方认输。

人工智能几乎从诞生起，就需要把抽象争论翻译成一套可以观察的程序。

1950 年，艾伦 · 图灵没有继续纠缠 " 机器能不能思考 " 的定义，而是借用一场 " 模仿游戏 " 改写问题：询问者隔着电传设备，向两名看不见的回答者提问；图灵随后追问，当机器取代其中一人时，询问者是否仍能准确辨认。

一个哲学问题由此获得了外部判据。

此后几十年，AI 最有影响力的公众时刻，大多沿着这条思路发生：不先争论机器是否拥有某种本质，而是给它一张人人看得懂的考卷。

1997 年 5 月 11 日，纽约，国际象棋世界冠军加里 · 卡斯帕罗夫在第六局早早停钟认负，六局总比分定格在 3.5 比 2.5。IBM 的 " 深蓝 " 成为第一台在标准比赛时限下赢下一场完整对抗赛、击败现任世界冠军的计算机。

按 IBM 公开资料，它每秒可以评估约两亿个棋局位置。十九年后，首尔四季酒店，AlphaGo 以 4 比 1 战胜李世石。围棋长期被视作机器难以攻克的堡垒：可能盘面远多于国际象棋，职业棋手高度依赖经验、全局判断与所谓 " 棋感 "。

第二局著名的 " 第 37 手 " 让职业棋手错愕，也让超过两亿观众第一次直观看见：机器不只能复制人类经验，还可能发现人类未曾认真考虑的路径。

深蓝与 AlphaGo 的胜利瞬时传遍全球，这来源于比赛本身的清晰与胜负标准的确定：同一种棋、同一套规则、同一张比分表，一方坐在另一方对面。它们都是为特定任务打造的专用系统，一场公开胜利，足以完成一次性的能力认证。

而 2026 年夏天的这场人机大战——人与机器这次没有隔桌而坐，而是并排坐进同一间考场，共同预测尚未发生的第三方赛事。变化的不是对手，而是比赛的性质：从封闭棋盘走进开放世界，从一次性的能力认证，变成逐场结算、持续加压的公开验证。前两幕回答的是 "AI 能否在规则之内战胜人 "，第三幕追问的是 "AI 在规则之外的世界里，值得被给予多少信任 "。

这次命题转换，往往比换一个更强的选手更能定义一个新的时代。

判分的价值，也并不一定从冠军开始。2004 年，美国国防高级研究计划局让 15 辆无人车驶入加州与内华达之间的沙漠，目标是在 10 小时内自主跑完 142 英里。没有一辆抵达终点，成绩最好的一辆只走了 7.5 英里，100 万美元奖金无人领取。失败没有被藏起来；18 个月后，第二届挑战赛有 5 辆车跑完 132 英里，斯坦福的 "Stanley" 以 6 小时 53 分夺冠。后来被视作自动驾驶技术催化剂的，不只是第二年的成功，也包括第一年那张难看的成绩单——它把 " 还差多远 " 变成了一个可以复盘的起点。

AI 的能力证明由此出现另一条路径：不是找来一位冠军完成一次认证，而是设计一套公众能够跟随、事后可以核验、下一次还会继续加压的程序。

22 年后，这套程序被搬进了世界杯。

人类赢下峰值，又一次人与 AI 对决标志性事件诞生

足球把 AI 验证推向了比棋盘麻烦得多的环境。

围棋是确定性、完全信息的双人博弈：规则在一局中固定，盘面向双方可见；给定一个盘面和一步落子，程序可以精确生成下一个状态。足球也有规则，但真正决定结果的变量并不全部写在规则里——球员的伤病和体能、教练的临场调整、气温与草皮、裁判尺度、一次折射，都可能让赛前最合理的判断失效。

更重要的区别是，足球的变量会观察和回应彼此。教练根据对手首发改变阵型，对手也会重新调整；实力较弱的球队知道自己无法控制比赛，便主动压缩空间，把平局变成最现实的目标。行动者根据有限信息改变策略，同时又成为别人必须重新计算的变量。同一场比赛也无法在完全相同的条件下重跑，终场哨只给出概率分布中的一个实际结果。需求预测、供应链和市场研判面对的是同类处境：模型面对的不是静止对象，而是一个不断回应它的系统。

《世界杯预测人机大战百场观察》中的人机胜率变化曲线，比终点更值得看。6 月 13 日，AI 整体命中率为 43.8%，公众用户为 54.4%，机器落后 10.6 个百分点；五天后的 6 月 18 日，两条曲线完成交叉；此后 AI 保持领先，到第 100 场时，差距拉开到 6.8 个百分点。

AI 赢下的不是某一次令人惊叹的 " 神预测 "，而是在足够长的赛程里持续少犯错。它抬高的是判断的平均线——这是一种此前只存在于论文与发布会里、第一次在数千万公众注视下被逐场证明的能力。

这场预测也没有产生一个类似 AlphaGo 的绝对主角。赛前 32 强、小组赛、32 进 16、16 进 8 和百场累计榜的领先者不断轮换；截至前 100 场，中移九天命中 71 场排名第一，只领先第二名 1 场，前六名之间仅差 3 场。联想天禧 AI 在赛前 32 强、小组赛、32 进 16 和百场总榜四个观察节点全部进入前四，却没有拿下任何单项第一。这组结果说明的不是哪个模型笼统 " 最强 "，而是模型表现取决于观察窗口与评价指标——评价一个模型，也从来不该只看一张榜单。

百场数据更具价值之处，是暴露了模型共同失准的方式。

按照 120 分钟结算，在 76 场分出胜负的比赛中，AI 方向命中率达到 81.0%，公众用户为 71.8%；到了 24 场平局，两者分别跌至 17.0% 和 16.0%。前 100 场有 15 场比赛出现 12 个 AI 全部失准，其中 11 场是平局。

这符合足球预测中一个直观却棘手的事实：判断谁更强，相对容易；判断更强的一方会不会在活动结算的比赛时间内把优势兑现为胜利，难得多。弱队主动收缩、强队久攻不下、一张红牌或一次失误，都可能把 " 更可能赢 " 改写成平局。

40 场 12 个 AI 全票选择同一方向的比赛中，30 场命中、10 场集体看错。75% 的全票命中率高于 AI 的总体水平，所以准确的结论不是 " 共识更危险 "，而是 " 共识更可靠，但远未可靠到可以被当作事实 "：每 4 次全票一致，仍有 1 次集体落空；德国、荷兰、巴西三场出局战，12 个 AI 合计给出 36 次方向判断，无一命中。对任何把多模型一致输出当作 " 已无悬念 " 的使用者，这四分之一就是必须常备的安全边际。当多个模型依赖相近数据、相似叙事或同类推理路径时，它们完全可能在同一个变量上同时失明。

方向命中率还隐藏着另一层信息。

一个认为某队有 51% 胜率的模型，与一个认为胜率达到 90% 的模型，最终可能都提交 " 胜 "；前者表达微弱倾向，后者表达强烈确信，风险含义完全不同。只记录胜、平、负，能够判断答案是否命中，却无法判断模型是否知道自己可能错——这正是百场数据把问题推向的下一步：未来的 AI 系统不仅要给出答案，还要说明依据、表达不确定性。

严格地说，百场观察是一场公开压力测试，而不是实验室意义上的对照实验：公众样本在流动，100 场不足以钉死长期能力，提示词、联网状态与版本差异都可能改变结果。但它做到了所有静态题库都做不到的事：答案在模型作答时尚未发生，不可能已经存在于任何训练数据中；判卷由终场哨完成，不接受任何一方申诉。

2024 年推出、后来发表于 ICLR 2025 的 ForecastBench 遵守的是同一个约束，只纳入提交判断时尚未揭晓答案的事件——研究者从 1000 道基准题中随机抽取 200 道作人机对比，专业预测者仍显著胜过表现最好的大模型。

世界杯预测不是同等严格的学术基准，却在数千万人的注视下执行了同一条关键纪律：先留下判断，再等世界给出答案。

重庆彭水那名贴砖小哥在赛前 32 强预测中，他只在乌拉圭和佛得角之间选错一次；AI 阵营的最高成绩是 29 支球队。这会让人想起 2016 年李世石在第四局落下的第 78 手—— DeepMind 后来回顾称，这是一手出现概率约为万分之一的棋，它打乱了机器的判断，帮助李世石赢得五番棋中唯一一局。

两者在公众记忆中形成呼应：李世石与 AlphaGo 在同一盘棋中直接交手，31/32 则是数千万参与者中的极值，大样本天然更容易产生高分。

深蓝之后，顶级棋手与顶级引擎的力量对比迅速逆转；到 2000 年代中后期，人机在标准条件下的正式对抗已经基本失去悬念。AlphaGo 退役后，人类顶尖棋手与围棋 AI 的差距也只在扩大。

封闭系统一旦被机器攻克，人类的峰值就不再代表能力上限。开放世界不同——而且这不是孤证：如果把每场支持比例最高的选项视为公众 " 首选 "，在 76 场分出胜负的比赛中，这一多数派选择命中 67 场，命中率 88.2%；报告还记录有普通用户阶段性连续命中接近 20 场，而同期 AI 阵营最长连续命中纪录为 14 场。需要强调的是，88.2% 是多数选择的聚合结果，并非普通用户的平均命中率。在这次活动里，AI 赢下了整体平均线，庞大的公众样本则留下了更高的个体极值——而峰值，恰恰产生在平均值覆盖不到的地方。

所以人类确实扳回了一局，只是扳回的方式变了：不是在同一盘棋里赢下第四局，而是证明了平均优势并不垄断每一个正确答案。概率决定大多数时候什么更可能发生，却没有取消小概率结果的权力。更重要的是，在开放世界里，这个位置不会像棋盘上那样被技术进步收走——它是结构性的。长期看球的经验、对某支球队的熟悉、难以拆解的直觉，甚至一次非主流的选择，永远保有越过平均线的机会。

" 人机大战 2.0"，世界杯成了 AI 的检验场

过去三十年，人机竞赛变化最深的一部分，是组织者的角色。

IBM 和 DeepMind 的核心任务，是建造一个足以击败顶尖人类的挑战者；胜利之后，深蓝再未出赛，AlphaGo 宣布退役——挑战者的公开竞赛使命随认输仪式一同终结。联想集团与咪咕做的是另一件事：把天禧 AI 与 DeepSeek、千问、中移九天等 12 个 AI 纳入同一套连续计分，让公众在另一侧构成参照线。

这件事的难度首先在组织层面，12 个来自不同公司的 AI，被纳入同一张逐日更新的公开积分榜：榜首只领先第二名 1 场，任何一个比赛日都可能让某个模型的名次难堪；Kimi 赛前押注德国夺冠，德国早早出局，改投巴西，巴西又止步四强之前——这段记录被完整保留在公开数据里，甚至成了社交媒体上的谈资。但它们仍然来了，并且留到了第 100 场。

这也不是本届世界杯唯一的 AI 预测尝试。

《金融时报》旗下 Alphaville 让 Gemini、Claude、ChatGPT 和一个高盛统计模型预测 72 场小组赛，编辑也从第 13 场起加入，所有结果通过公开表格逐轮更新；截至 7 月 15 日，ScoreGPT 追踪了 5 个大模型对 102 场比赛的判断；雅虎体育发布了由 AI 逐场推演的世界杯版本，半岛电视台则持续引用 Opta 超级计算机的模拟概率。

这些项目共同说明，足球已经成为通用模型走出标准题库之后天然的公众测试场。但在这些公开可见的项目里，没有第二个同时做到四件事：12 个 AI 同题作答、连续百场逐一结算、数千万公众构成真实参照线、赛后沉淀出包含分赛段成绩、共识分析与集体失准清单的完整报告。

规模给了它声量，方法给了它超出一次营销活动的寿命。

这种场外角色，又与联想集团在场内的身份形成对照。作为 FIFA 官方技术合作伙伴，赛场之内，FIFA AI Pro 将历史数据、比赛信息和战术分析整合为可调用的智能洞察，服务参赛球队备战；3D 数字人帮助观众更直观地理解越位判罚；裁判视角 AI 视频增强系统，则让全球观众更加稳定地接近裁判第一视角，场内技术的理想状态是稳定地隐形，以至于观众不必注意它；场外预测反过来要求 AI 站到台前，让所有人看见它如何判断、如何分歧、如何犯错。一暗一明，构成了 " 首届 AI 世界杯 " 完整的两面。

深蓝时代，人们追问机器能否在智力游戏中击败人类；AlphaGo 之后，焦虑逐渐变成 " 我会不会跟不上机器 "；生成式 AI 进入工作、消费和决策系统之后，问题再次变化：当机器给出的答案开始影响现实，人应该在什么条件下相信它？

百场数据给出了一个立体的回答。65.7% 说明在这次百场样本中，AI 整体高于公众平均线，却远没有成为预言家；31/32 说明人类仍在制造峰值，却不意味着直觉可以替代系统分析；模型之间的分歧提供了交叉校验的价值，10 次全票失准又说明一致本身不等于事实。现实需要的从来不是一个永远正确的答案，而是一套知道答案从何而来、适用于什么条件、错了之后能够追溯的系统——准确率只是其中一项指标，可信度还来自概率校准、过程透明、错误披露，以及人在关键节点保留质疑和接管的权利。

这场以世界杯为对象的 " 人机大战 2.0"，与 1.0 版本最大的区别，不只是人类扳回一局的方式变了，也不只是 AI 换了一个更难的项目——最深的变化是，AI 从一个等待人类认输的对手，变成了一个必须持续交卷的参与者。

这也是 2026 年配得上与 1997 年、2016 年并列的原因：前两个年份改变的是人类对机器能力的认知，这一次开始改变的，是机器能力被度量的方式。深蓝的证明在认输的一刻完成，AlphaGo 的证明在退役的一刻封存；而一个进入真实世界的通用 AI，不可能再靠一场胜利完成自我证明——任何一次开放世界里的判断都有条件，也都必须接受下一次检验。

三十年前，人机大战寻找的是谁该认输，今天更重要的问题是：谁愿意持续交出可以被复核的答案，这次，联想做到了。