当你像中情局一样分析大学橄榄球时会发生什么？

几个周末前，伊利诺伊大学橄榄球队在主场以27比31输给了杜克。我的 Hinsley 模型立刻大幅下调了对伊利诺伊打进大学橄榄球季后赛的预期。

但它对进攻锋线和我们的新四分卫反而更加看好了。

听起来自相矛盾，但这正是我想要的结果。

过去15年，我们一直与那些需要对不确定的未来做出判断的人合作：情报与政府分析师、外交政策研究者、投资者、企业战略人员。今年我决定做个实验：把为这类工作开发的方法论，套用到一件远没那么要紧的事情上——评估伊利诺伊大学橄榄球队的前景。

要理解其中的道理，不妨先想想情报分析师到底在做什么。

情报分析师如何思考

古巴导弹危机期间，美国情报分析师试图弄清苏联在古巴的意图。他们手里的证据越来越多，难的是判断这些证据意味着什么。分析师必须考虑多种相互竞争的解释，找出能把它们区分开来的观察结果，并在新证据出现时修正自己的评估。最终，U-2 侦察机拍摄的照片提供了强得多的证据，表明苏联正在部署核导弹。

两者的利害显然不可同日而语，但分析上的难题却出奇地普遍。通常并没有哪一个事实能直接给你答案。存在若干种可能的未来、大量不完美的信息，而真正有助于区分这些未来的线索却少得多。分析师的职责就是在这一切之上建立结构，同时不让自己的确信程度超出证据所能支撑的范围。

这类问题随处可见。外交政策分析师可能在判断一场冲突是否会升级。投资分析师可能在思考地缘政治、监管或一项新技术将如何影响某项资产未来十年的表现。政府分析师可能在评估另一个国家会如何回应某项政策变化。有用的问题不只是“我认为会发生什么”，而是：这件事有哪些合理的结局？每一种结局要成立，需要哪些条件为真？我该盯住什么？什么样的新证据会让我改变看法？

十多年来，Cultivate 一直在为美国情报界运营一个预测市场，让分析师能够对地缘政治和国家安全事件做出概率预测并加以汇总，这件事外界知道的人并不多。最近，我们的工作已经不再局限于对单个问题做预测，而是扩展到围绕这些问题的整个分析流程。

正是沿着这条路径，我们开发出了 Continuous Probabilistic Foresight，简称 CPF，它也是 Hinsley 的核心方法论——Hinsley 是我们的人机混合分析平台。CPF 从一个战略性问题出发，把各种可能的结果描绘成情景。它把问题拆解为会让这些情景更可能或更不可能发生的驱动因素和指标，把假设摆到明面上，并把重要的不确定性转化为可以给出明确答案的预测问题。新证据出现时，预测和更大的评估都会随之改变。

这套思路不是要造一颗水晶球，而是要对一个不确定的未来保持一种结构化、明确可见的看法，并且在证据变化时知道自己为什么改变看法。

这就说回伊利诺伊大学的橄榄球了。

为伊利诺伊橄榄球建一个情报模型

我在 Champaign 长大，一辈子都是伊利诺伊的球迷，而大学橄榄球恰好几乎滑稽地适合这类分析。一个赛季就是一个不确定的未来，周围环绕着海量且不断变化的信息。有季前招募、比赛结果、伤病、对手表现、统计数据、教练更替、场上表现、季前模型、跟队报道、播客，还有无穷无尽的内行和外行评论。有些事我们有相当把握，有些事我们有强烈看法，还有几件我们目前视为理所当然的事，几乎肯定是错的。

所以，我没有像平常那样只是追这个赛季，而是让 Hinsley 像分析师跟踪一个国家、一家公司、一个市场或一个战略议题那样去跟踪伊利诺伊。

几个月前，我从一个我认为大多数 Illinois 球迷在赛季开始前最终都想回答的问题出发：这个赛季，University of Illinois 橄榄球队的上限在哪里？

接下来，我让 Hinsley 开始干活。

它的研究 agent 着手收集这支球队的信息：留队球员、转校生、招募、伤病、教练变动、各位置组的强弱、赛程、季前模型等等。

研究结论是，这种外部视角相当乐观。Illinois 过去两个赛季赢了 19 场，Hinsley 的研究认为，常规赛 10 胜、并有可能进入 College Football Playoff，是一个合理的上限。但也有明显的原因说明这未必会发生。Illinois 要在四分卫位置替换 Luke Altmyer，进攻线只留下一名首发，防守组则要在新协调员手下替换掉大量有经验的球员。

研究中还埋着一条特别值得注意的警告：过去三个赛季，Illinois 赢下了 13 场分差在一个球权以内的比赛。也许 Bret Bielema 的球队就是特别擅长赢下胶着的比赛。又或者，其中有一部分只是运气，而运气不会一直持续下去。

这正是我想通过这个练习暴露出来的东西。与其说“Illinois 连续两年赢了九场，所以他们大概又会很强”，我现在有了一组藏在这个判断底下的假设。

下一步是让 Hinsley 把这个大问题拆成四种赛季可能的结局，并根据它当时掌握的全部信息，为每种结局给出初始概率。

但光有情景、甚至光有对应的概率，本身并没有太大用处——如果你无法解释为什么一种情景变得更可能、另一种变得更不可能。于是我搭了一个我们称之为 decomposition 的东西：本质上是一张地图，标出那些可能实质性影响我们最终落入哪种情景的因素。

我的清单有九个大类：四分卫更替、进攻锋线的延续性和健康状况、防守组能否重整旗鼓、对阵赛程上最强球队的表现、势均力敌的比赛中的执行力、转校生融入的速度、关键球员能否保持健康、特勤组与控球权差值，以及是否会出现意料之外的名单或资格变故。每一类下面还有更具体、Hinsley 真正能观察的东西：Houser 的传球完成率和抄截率、允许的擒杀数、三档防守、失误差值、一球分差的比赛结果、伤病等等。

到了这一步，它开始不再像是对 Illinois 持有某种看法，而更像是拥有一个关于 Illinois 的模型。不是传统意义上的统计模型，而是一种结构化的描述：这支球队要打出伟大赛季，哪些事情必须顺利；哪些事情可能让它落空；以及什么样的证据能告诉我我们正朝哪个方向走。

对其中几个最重要的不确定因素，我又往前走了一步，把它们变成了预测问题。Illinois 本赛季允许的擒杀数会不超过 30 次吗？最终失误差值会至少达到 +7 吗？对手的三档转换率会低于 40% 吗？Katin Houser 的传球完成率会至少达到 64%，同时把抄截率压在 2.5% 以下吗？Illinois 最终会进入 College Football Playoff 排名的前 12 吗？

这里有一个你可以跟着做的例子，可以看到最新结果。

在真正试图评估球队未来表现这件事上，这些问题对我来说，比我在留言板订阅里没完没了地争论进攻锋线算不算“好”、Houser 算不算“打得好”有用得多，因为最终会有一个答案。Hinsley 的 AI 预测集成会给它们赋予概率，我可以自己做预测，也可以邀请朋友一起做。时间一长，我就能把 AI 怎么想、一群 Illinois 球迷怎么想，以及实际发生了什么放在一起比较。

你可以在这里看到完整的模型：

然后 Illinois 输给了 Duke

主场输成这样，球迷的反应基本可以预料。球队没有我们想的那么强。赛季前景更糟了。发泄一通、再看看别人也在发泄，确实挺解气，但并不理性。

Hinsley 的反应不一样，因为这场比赛包含了好几项各自独立的证据。Illinois 最终进入 CFP 排名前 12 的概率下降了，从赛前的 8% 降到赛后的 4%。这说得通：如果你本来就是想挤进季后赛的局外人，主场输给 Duke 会消耗掉你大量的容错空间。

但我的另一些预测却朝相反方向移动。赛季前对这支球队最大的担忧之一是进攻锋线，Illinois 几乎换掉了所有人。我做过一个预测，问球队整个赛季能否被擒杀不超过 30 次。打了两场比赛，包括对 Duke 这场，Illinois 一次擒杀都没让对手拿到。所以尽管输了球——尽管锋线上还有伤病——这个预测从 52% 升到了 61%。

Houser 身上也是同样的情况。我一直在跟踪他能否在传球成功率至少 64% 的同时，把抄截率控制在不超过 2.5%。对 Duke 之后，他的传球成功率超过 71%，52 次传球只有 1 次抄截。他的预测从 37% 升到了 42%。

与此同时，Illinois 赛季结束时失误净胜至少 +7 的预测从 29% 降到了 22%。Illinois 输掉了失误战，目前赛季累计刚好持平。

把这四个变化摆在一起，你对发生了什么、赛季还可能往哪走，会得到比“Illinois 在主场输给了 Duke，我们完蛋了”丰富得多的背景：

CFP 前 12：8% → 4% ↓

被擒杀不超过 30 次：52% → 61% ↑

Houser 效率：37% → 42% ↑

失误净胜 +7：29% → 22% ↓

这一点，比什么都更能说明我为什么喜欢这种方法。一场失利当然重要，但并不能由此推出你对这支球队的所有判断都该朝同一个方向移动。季后赛前景明显变差了。传球保护方面的证据变好了。关于 Houser 的证据略有改善。失误方面的前景变差了。

问题不在于最新一条消息是「利好」还是「利空」。真正的问题是：新证据究竟应该改变模型中的哪些部分。

用风险极低的方式来说，这和我前面描述过的分析习惯是同一回事。先列出若干种可能的未来，再倒推哪些因素会让某一种未来比另一种更可能发生，从而把重要的不确定性摆到明面上。这样，当新证据出现时，你更新的是证据真正指向的那些判断，而不是让一个戏剧性事件淹没整个分析。

而且因为结构已经搭好了，我不用每个周日早上重建一遍对 Illinois 的看法。研究一直在跑，预测一直在更新，情景概率随新证据变化。每周我不只能看到什么变了，还能看到为什么变。

它还给了我一样当球迷时从未真正拥有过的东西：一份关于我对这支球队持有什么看法、以及为什么持这些看法的连续记录。这出乎意料地有用，因为球迷非常擅长改写历史。某个球员打出来之后，很快大家就都觉得早就知道他行。一场冷门之后，所有预警信号突然都变得显而易见。做预测逼着你在知道答案之前，先记下自己当时到底怎么想。

还能拿它做什么？

我不怎么赌球，但这里显然也有用武之地。如果我押注比赛，或者在 Kalshi、Polymarket 上交易，我关心的不会是 Hinsley 认为 Illinois 会不会赢，而是它的概率在哪些地方和市场明显不一致。分歧给了你值得追查的东西：我的分析相信了什么，而市场显然不信？我会在赛前把这些分歧记下来，然后持续记分。预测足够多之后，我就能知道自己究竟是发现了真实的信息优势，还是只是找到了一种更复杂的表达球迷立场的方式。

体育领域也有更严肃的用法。假设我为一个大十联盟（Big Ten）橄榄球项目工作，我可能会为联盟中其他每支球队都跑一遍这样的分析。一个研究 agent 可以持续跟踪每个项目，维护一份关于其优势与弱点的结构化评估，追踪关键的不确定性，并标记出有意义的变化。教练和分析师仍然要做判断，但他们不必再花那么多时间去找信息、整理信息。

同样的方法对体育记者似乎也有用。如果我负责报道大十联盟，为什么不给每支球队都跑一个？与其在脑子里维护整个联盟的模型，不如为每支球队建一个明确的模型，并不断更新。我仍然可以不同意它，但至少我有了一个成体系的东西可以不同意。

更广泛地说，我认为这个实验揭示了 AI 正在把分析带向何方的一件有意思的事。很多复杂的分析历来要么需要专门的技术能力，要么需要大量手工劳动。我不知道怎么给一支大学橄榄球队建一个正经的定量模型，也并不是特别想学。但我对伊利诺伊大学橄榄球队了解得足够多，能提出有用的问题、判断什么重要、质疑假设，以及判断一个答案是否说得通。

AI 改变的是这个过程中哪些部分必须由我自己来做。它可以承担大部分研究、整理证据、帮助搭建分析框架、做出预测、监控指标，并持续更新分析。我的工作则转向判断我们问的是不是正确的问题、对问题的建模是否说得通，以及我在哪些地方不同意它的判断。

几乎任何球队、任何运动都可以这么做。从你真正关心的问题出发。定义几种可能的未来。倒推每一种未来要成立需要满足什么条件。找出那些重要到值得预测的不确定性。然后随着现实展开，不断更新整个东西。

给不懂 Moneyball 的人准备的 Moneyball

现在我很想在其他球队身上也试试这套方法。如果你觉得哪支球队适合拿来做个有意思的测试，发给我，我可能会建一个模型，把结果分享出来。或者，如果你更想自己动手，注册 Hinsley，然后联系我。我很乐意带你走一遍我是怎么搭建的，帮你为自己的球队建一个模型。

当然，Illinois 的留言板我还是会继续看的。只不过现在，判断他们什么时候说错了，我多了一个稍微科学点的办法。