世界泄露未来：利用演化构建未来预测智能体
在人工智能领域，许多关键决策必须在结果未知的情况下做出，这被称为未来预测问题。传统方法主要依赖最终结果进行改进，但这种方式过于粗糙，难以指导早期因素追踪、证据收集与解释或不确定性处理。近日，来自中国科学技术大学、中关村研究院和清华大学的研究团队在arXiv上发布了一篇题为《The World Leaks the Future: Harness Evolution for Future Prediction Agents》的论文，提出了一种名为Milkyway的自演化智能体系统，通过内部反馈机制，让模型在问题解决前就能持续改进预测能力。
未来预测的挑战与机遇
未来预测任务要求大型语言模型（LLM）智能体仅基于预测时可用的公开信息，对未解决的问题形成预测。这一设置之所以困难，是因为公开证据会随时间演变，而有用的监督信息只有在问题解决后才会到来。因此，大多数现有方法仍主要从最终结果中学习改进。然而，最终结果过于宏观，无法有效指导早期阶段的因素追踪、证据收集与解释或不确定性处理。
论文指出，当同一个未解决的问题随时间被反复审视时，早期与后期预测之间的时间对比可以揭示早期预测过程中的遗漏；研究团队将这种信号称为内部反馈。这为智能体在最终结果到来前进行自我优化提供了可能。
Milkyway：自演化的未来预测系统
Milkyway系统的核心创新在于保持基础模型固定，转而更新一个持久的未来预测工具链。这个工具链专门负责因素追踪、证据收集与解释以及不确定性处理。系统通过以下机制实现持续进化：
- 内部反馈提取：在对同一未解决问题进行重复预测的过程中，Milkyway提取内部反馈信号。
- 可复用指导写入：系统将这些反馈转化为可复用的指导，写入工具链中。
- 预测前改进：因此，后续对该问题的预测可以在结果已知前就得到改进。
- 回顾性检查：问题解决后，最终结果提供一个回顾性检查，确保更新后的工具链在应用于后续问题前是可靠的。
这种方法不仅提高了预测的准确性，还增强了模型在动态环境中的适应能力。
实验验证与性能提升
研究团队在FutureX和FutureWorld两个基准数据集上评估了Milkyway的性能。实验结果显示，Milkyway在对比方法中取得了最佳总体得分：
- 在FutureX上，分数从44.07提升至60.90。
- 在FutureWorld上，分数从62.22提升至77.96。
这些数据表明，通过利用内部反馈和工具链演化，Milkyway显著提升了未来预测任务的性能，验证了其方法的有效性。
对AI行业的启示
这项研究为AI预测系统的发展提供了新思路。在现实世界的决策场景中，如金融市场分析、政策制定或医疗诊断，往往需要在信息不完全的情况下做出判断。Milkyway的演化机制允许智能体在持续互动中学习，减少对事后监督的依赖，这对于构建更自主、更适应动态变化的AI系统具有重要意义。
未来，随着更多复杂预测任务的涌现，类似Milkyway的自演化框架可能会成为提升LLM在不确定环境中表现的关键技术之一。