如何讓AI當預測市場的裁判？
引言
預測市場的價值不在於「下注」，而在於它能否持續輸出可信的價格信號。但隨著交易規模擴大，最容易被忽視、卻最致命的瓶頸正在浮出水面：合約如何結算。從委內瑞拉大選的真假難辨，到地圖、網站更新、代幣投票帶來的操縱與利益衝突，爭議往往並非來自預測本身，而是來自「誰來裁決」。
案例分析
在委內瑞拉選舉這個案例中，觀察者的指控五花八門：從認為規則被無視、參與者「錢被偷了」，到把用於處理爭議合約的協議形容為一場高風險政治戲碼中的「法官、陪審團和劊子手」；還有人直接稱其「被嚴重操控」。
烏克蘭地圖操縱事件說明，攻擊者可以直接「玩弄」結算機制。一份關於領土控制權的合約規定，其結算將依據某一張在線地圖。有人被指控編輯了這張地圖，以影響合約的最終結果。當「真相來源」本身可以被操縱時，你的市場也就可以被操縱。
政府停擺合約事件說明，結算信息源可能帶來不準確、至少是不可預測的結果。該合約規定，市場將依據美國人事管理局（OPM）網站顯示「停擺結束」的時間進行結算。特朗普總統在 11 月 12 日簽署了撥款法案，但不知何故，OPM 網站直到 11 月 13 日才更新。那些正確預測停擺會在 12 日結束的交易者，最終卻因為網站管理員的延遲而輸了。
澤連斯基西裝市場則引發了有關利益衝突的擔憂。合約問的是烏克蘭總統澤連斯基是否會在某場活動上穿西裝——一個看似瑣碎的問題，卻吸引了超過 2 億美元的下注。當澤連斯基出席北約峰會時，穿著被 BBC、《紐約郵報》等媒體稱為「西裝」的服裝，市場最初結算為「是」。但隨後 UMA 代幣持有人對結果提出爭議，結算又翻轉為「否」。
AI作為裁判的提案
本文作者 Andrew Hall（@ahall_research）提出一種更激進的思路：將特定版本的大模型與提示詞寫入鏈上，讓 AI 成為可審計、可預期的裁判機制，用工程化手段替代人治與博弈。
其基本架構大致如下：在合約創建時，做市方不僅用自然語言寫明結算標準，還要明確指定將用於判定結果的 LLM（帶時間戳的模型版本）以及將輸入給它的完整 prompt。
這一規定會以加密方式提交併綁定在鏈上。一旦交易開始，參與者就可以檢查整套結算機制——他們清楚知道由哪個 AI 模型做裁判、會收到什麼 prompt、能訪問哪些信息源。
AI裁判的優勢
這種方法可以同時滿足多項關鍵約束：
- 強抗操縱（但並非絕對）：不同於維基百科頁面或小型新聞網站，你沒那麼容易去「改寫」一個主流 LLM 的輸出。模型權重在承諾時就被固定。要操縱結算，攻擊者要麼腐蝕模型依賴的信息源，要麼提前很久對模型訓練數據進行投毒——相比賄賂一個預言機、或編輯一張地圖，這類攻擊成本更高、結果也更不確定。
- 更高準確性：隨著推理型模型能力快速提升，並且在能夠上網檢索信息、補充證據的情況下，LLM 裁判應當能準確裁決許多市場。關於其準確性的實驗也在持續推進中。
- 內置透明性：在任何人下注之前，整套結算機制都是可見、可審計的。沒有中途改規則，沒有「自由裁量」的臨場判斷，沒有幕後協商。參與者清楚自己簽下的是什麼。
- 顯著提升可信中立性：LLM 對結算結果沒有經濟利益相關性，它不能被賄賂，也不持有 UMA 代幣。即便它存在偏差，那也是模型自身屬性導致的偏差，而不是利益相關方臨時做出的裁決。
侷限與建議
模型會犯錯：LLM 可能誤讀新聞、編造事實、或在同類案例中使用不一致的裁決邏輯。但只要交易者事先知道自己下注對應的是什麼模型，他們就能把這些「缺點」計入定價。若某個模型在處理模糊情形時有明確傾向，成熟交易者會調整策略。模型不必完美，它需要的是可預測。
操縱並非不可能，只是更難：如果 prompt 指定了某些新聞源，攻擊者可能會試圖在這些新聞源中「種文章」。在大型媒體上成本很高，但在小型媒體上也許可行——這會以另一種形式復現「地圖編輯」的問題。因此 prompt 設計極其關鍵：依賴多源、冗餘信息的機制，比依賴單點信息源更穩健。
投毒攻擊在理論上存在：擁有足夠資源的對手，可能嘗試通過影響訓練數據去偏置未來的裁決。但這要求在合約出現之前就提前行動，回報不確定且成本巨大，比起賄賂某個委員會成員門檻高得多。
LLM 裁判的多樣化會帶來協調問題：如果不同市場創建者承諾不同的模型與 prompt，那麼流動性會被切碎。交易者難以橫向對比合約，也難以跨市場彙總信息。標準化有價值，但允許市場試錯、找到最好的 LLM+prompt 組合也有價值。合理路徑可能是兩者結合：允許試驗，同時建立機制讓社區逐步收斂到經過驗證的默認方案。
落地建議
平臺應當：
- 先在低風險合約上試驗：用較低風險的市場測試 LLM 結算，建立成績記錄。哪些模型表現最好？哪些 prompt 結構更穩健？實際會出現哪些故障模式？
- 推動標準化：當最佳實踐逐漸浮現，社區應當推動形成可作為默認選項的標準 LLM+prompt 組合。這不會阻止創新，但有助於讓流動性集中在「大家都理解規則」的市場上。
- 構建透明工具：例如開發界面，讓交易者在下注前就能輕鬆檢查結算機制全貌——包括模型、prompt、信息源。結算規則不應藏在冗長細則裡。
- 持續治理：即便引入 AI 裁判，人類仍需做「元層決策」：哪些模型值得信任？當模型給出明顯錯誤答案時如何處理？默認方案何時更新？目標並不是把人完全移出系統，而是把人從臨時、逐案的裁決中抽離出來，轉向系統化的規則制定。
結論
LLM 裁判並不完美。但當它與加密技術結合時，它可以做到透明、中立，並對抗那些長期困擾基於人類的系統的操縱手段。在預測市場擴張速度快於治理機制迭代的時代，這或許正是我們需要的東西。