大部分 AI 預測內容，其實都很像表演。
它可能是一張事後截圖、一個聰明的 prompt、一句很戲劇性的判斷，或者把單一答案當成證據。很少有公開時間戳、清楚評分方法，亦很少在現實結果出現後仍然承擔責任。我想做相反的事。
在 World Cup 2026，我建立了一個公開 AI 預測實驗：wc26.tocanan.ai。每一場賽事預測都會在開賽前公開發布，賽後按實際結果評分，之後不再修改。同一條問題會同時問 ChatGPT、Claude、Gemini、Grok、Perplexity、DeepSeek 和 Kimi。
做到第四個版本，這個實驗已經不只是一個足球項目。它變成一個即時示範：我認為 AI 判斷應該如何被測量、改善和商業化。這亦是它和 GEO（生成引擎優化 / Generative Engine Optimization）有關的原因。
四個版本的實驗
AI 判斷只有在問題、答案和評分框架足夠嚴謹時，才真正變得可見、可比較。這聽起來很基本，但實際上，這正是大部分 AI 評估最容易失效的地方。
V1：測量需要標準化
V1 是刻意粗糙的版本。模型可以自由回答。它們用不同方式解釋自己，信心水平不同，有時甚至把結論藏在一大段文字入面。內容本身很有趣，但測量非常脆弱。
當時的教訓很簡單：測量基建必須先於洞察。如果輸出沒有標準化，可比性就會崩潰。你得到的是一堆意見，而不是一個 leaderboard。
對 GEO 來說，這點立即相關。一個品牌不能一邊用不同 prompt、不同答案格式、不同評分規則去測試每個平台，一邊認真問：「我們在 AI 入面有幾可見？」
V2：模型性格開始浮現
V2 強制所有模型使用同一種預測格式。這令答案可以評分，也揭示了更有趣的東西：分佈偏差。
同一條問題，在不同模型之間可以產生很不同的預設姿態。有些模型很果斷，有些會保守。有些過度偏向和局，有些幾乎避免預測和局。
在賽事預測中，Kimi 的和局比例是 32.5%，而 Claude 只有 2.4%。同一任務之下，兩者相差大約 13 倍。這種平台差異，亦正是中國 AI 平台需要獨立測量的原因。
這不是小小的風格差異，而是可測量的模型性格。果斷可以有用，但亦可能掩蓋薄弱推理。審慎可以平衡，但過度避險會削弱可行動性。V2 令一件事變得很清楚：你不應該把「AI 的答案」視為單一事物。
V3：情境會改變數據
2026 年 6 月 21 日，我部署了 V3 cutover。我在 prompt 和 parser 加入結構化概率和風險欄位，令系統由單純 verdict 走向較校準的推理。
cutover 之後，728 條預測帶有明確概率分佈，546 條帶有明確風險欄位。這些欄位在 V3 之前並不存在。
更好的情境改善了測試，但沒有抹走模型性格。V3 令我們不只問「模型選了甚麼」，也可以問：
- 它有多大信心？
- 它有否識別和局風險？
- 它的概率分佈是否支持自己的結論？
這就是概率分數和可行動情報之間的分別。放在 GEO 語境，這亦是「知道品牌有否出現」和「知道模型為何這樣呈現品牌」之間的分別。
V4：目的地與路徑
V4 是現在正在運行的下一步。核心問題是：模型是否能夠分清目的地和路徑？
目的地是最終答案：誰晉級、誰勝出、模型認為會發生甚麼。路徑則是事情如何發生：90 分鐘內取勝、法定時間打和、加時、互射十二碼，或者最後階段的逆轉。
其中一場比賽很清楚展示了這個價值。七個模型全部同意同一個勝方，但對路徑有分歧。五個模型預測法定時間打和，意味著加時或十二碼；ChatGPT 和 Perplexity 則預測 90 分鐘內分勝負。同一個 verdict，不同的緊張位解讀。
我暫時不會聲稱 V4 已經帶來可量化的準確度提升。淘汰賽 leaderboard 要等淘汰賽結果出現後才會填入數據；V4 對 V3 的準確度差異，也只會在數據存在時才納入。這個實驗之所以成立，正正因為規則不會在事後被改寫。
我現在可以說的是質性觀察：V4 令情報更可拆解。它把「會發生甚麼」和「如何發生」分開。AI 輸出就是在這個位置開始變得有用。
數字說明
公開 leaderboard 已經大到足以顯示有意義的行為差異。WC2026 AI 預測實驗已記錄 1,823 條預測，橫跨七個 AI 平台；其中 72 場賽事已完成評分，沒有任何事後調整。
| 平台 | 90 分鐘準確率 | 戰績 |
|---|---|---|
| ChatGPT | 65.3% | 47/72 |
| Consensus | 63.9% | 46/72 |
| Claude | 62.5% | 45/72 |
| Grok | 62.5% | 45/72 |
| Perplexity | 61.1% | 44/72 |
| Gemini | 59.7% | 43/72 |
| DeepSeek | 50.0% | 36/72 |
| Kimi | 48.6% | 35/72 |
ChatGPT 目前以 65.3% 準確率領先 90 分鐘 leaderboard，而 consensus engine 亦以 63.9% 接近榜首。
Consensus 的結果很重要。把多個平台聚合起來，表現勝過大部分單一模型。太多公司仍然只問一個模型一條問題，然後把答案當成市場真相。
為甚麼這其實是 GEO
足球是一個安全的公開 proxy。真正的產品，是測量 AI 系統如何判斷、描述和推薦這個世界。同一套紀律可以應用在品牌上：
- 標準化問題。
- 評分答案。
- 拆解推理。
- 跨平台比較。
- 長期追蹤變化。
這就是 GEO 的實踐。不是為 chatbot 做 keyword stuffing，不是投機式 prompt trick，而是先測量，再優化。
如果我可以評分 AI 如何判斷 World Cup，我就可以評分 AI 如何判斷你的品牌。
對 Tocanan.ai 來說，這個實驗是公開證明我們的測量層：有時間戳的 prompt、結構化輸出、跨平台比較，以及按現實結果評分。它亦說明了為甚麼「可見」本身並不足夠。品牌需要知道自己有否出現、如何被框定、模型使用了甚麼證據、競爭對手在哪些位置被偏好，以及哪些平台行為穩定到值得優化。同一套測量層亦能揭示 GEO 中毒風險，即錯誤來源如何扭曲 AI 品牌推薦。
AI 正在成為主要的 discovery 和 decision layer。買家正在用 generative engines 篩選供應商、理解品類、比較選項，並決定誰值得留意。沒有為這一層被測量和優化的品牌，不只是排名較低，而是在決策形成的位置變得不可見。
這就是我持續公開迭代這個足球實驗的原因。公開迭代會建立競爭對手無法偽造的可信度。每個版本都留下痕跡：甚麼失敗了、甚麼改善了、數據有甚麼變化，以及還有甚麼需要測試。
現實仍然是 AI 最難的 benchmark。
FAQ
這個 AI 預測實驗是甚麼？
這是一個公開 World Cup 2026 testbed。Tocanan.ai 會在開賽前要求七個 AI 平台預測賽事，然後按真實賽果評分。
準確率如何評分？
目前 leaderboard 報告的是 72 場已評分賽事的 90 分鐘賽果準確率。所有預測都在開賽前鎖定，之後不會回頭修改。
這和 GEO 有甚麼關係？
GEO 需要同一套方法：標準化 prompt、結構化答案、平台比較、推理分析，以及長期評分。足球提供了一個公開而低風險的 proxy，用來測試這套測量紀律。
哪個 AI 最準？
ChatGPT 目前以 65.3% 準確率領先 90 分鐘 leaderboard，consensus engine 則以 63.9% 緊隨其後。
