當AI走進投注站：八大頂級模型為何全軍覆沒？KellyBench揭示的殘酷真相

【深夜裡的抉擇】

拉斯維加斯的霓虹燈在凌晨三點依然閃爍，彷彿永不熄滅的慾望之火。現在，讓我們把場景拉回2023年至2024年的英格蘭超級聯賽賽季——那些每週一次的120個比賽日，一場由數據、算法與金錢編織的漫長馬拉松。

這不是什麼電影情節。這是一場真實的實驗，一場把八個當今最頂尖的前沿AI模型丟進現實金融叢林的殘酷測試。沒有人工干預，沒有安慰獎，只有虛擬的十萬英鎊籌碼，和一個殘酷的事實：它們全軍覆沒。

【不可能的任務】

General Reasoning這家公司決定做一件瘋狂的事。他們找來了Claude、Grok、Gemini、GPT-5.4等八個頂級模型，給每個模型一個虛擬銀行帳戶，要求它們建立一套機器學習投注策略，橫跨整個2023-24賽季的英超聯賽。

這些模型不是菜鳥。它們懂Kelly Criterion——那個1956年誕生的傳奇公式，告訴你當你擁有市場優勢時，該下多少注。它們能完美背誦這個公式，就像背書一樣流暢。

但知道，和做到，是兩回事。

xAI的Grok 4.20在三次測試中全部破產，一次是徹底破產，另外兩次是中季放棄。Google的Gemini Flash在三次中有兩次放棄，因為它下了約27萬3千英鎊的單筆投注——只為了3%的歷史勝率優勢——然後輸掉了這筆錢。Anthropic的Claude Opus 4.6，平均虧損11%，但居然是「表現最好」的那個。

【老派贏家】

這裡有個令人尷尬的真相：Dixon-Coles——那個1990年代末的老派模型，連現代數據的一半都沒用到，也沒有處理「非平穩性」這個統計學麻煩——它打敗了八個模型中的六個。

研究人員在論文中寫道：「這更加令人震驚，因為許多前沿模型——比如Gemini 3.1 Pro——居然無法在KellyBench上擊敗或追平這個基準。」

這感覺像是什麼？就像一個拿著算盤的老師傅，打敗了所有拿著量子電腦的年輕人。

【知識與行動的鴻溝】

研究團隊給這個問題起了個名字：「知識-行動Gap」。這是個詩意的描述，但背後是血淋淋的現實：

這些模型可以完美地闡述正確的策略，可以診斷問題，可以找出虧損的原因——但然後呢？

• 它們無法驗證自己的程式碼是否真的實踐了它們的計畫。
• 它們注意不到執行偏離了意圖。
• 它們無法根據自己的發現行動。

GLM-5寫了三份自我批判文件。每一次，它都正確地指出：它的硬編碼25%平局率和高估主場優勢正在摧毀它的收益。當它的銀行帳戶還剩約44,200英鎊時，它注意到自己預測的40%主場勝率實際上只有30%。

但它從未修改代碼。它繼續用同樣的方式下注，直到資金歸零。

Kimi K2.5做了某件更令人心碎的事。它寫了一個數學上正確的Fractional Kelly投注函數——正確的公式，正確的結構。然後它從未調用它。一個格式錯誤導致模型發送了一個錯誤的bash命令，大約50次。它注意到了問題，然後發送了一個完全一樣的錯誤命令。意外地下注了114,000英鎊——占剩餘資金的98%——壓在伯恩利對盧頓的比賽上。遊戲結束。

【墨菲定律的AI版本】

GPT-5.4是最有條理的。它花了160次工具調用來建立模型，然後才下第一筆注。然後它計算出它的對數損失（0.974）比市場的（0.971）還差，結論是它沒有優勢。剩下的賽季裡，它只下便士投注來保存資本。

合理的推理。唯一的問題是：OpenAI的模型平均虧損13.6%。單單一個seed就花了約2,012美元運行。

如果你把這當成一場電影，這簡直是黑色喜劇。一群最昂貴的頭腦，證明了「聰明」和「贏錢」之間的距離，比銀河系還寬。

【44分的 Sophistication】

為了衡量策略質量，研究人員建立了一個44分的複雜度評估表，與量化投注基金專家合作開發——涵蓋特徵開發、投注規模、非平穩性處理和執行。Claude Opus 4.6得分最高：32.6分。

不到三分之一的可用分數。在最好的模型上。

更高的複雜度分數顯著預測了更低的破產率（p = 0.008），並與更好的整體回報相關。模型失敗不是因為市場無法擊敗。它們失敗是因為它們沒有使用它們擁有的東西。

【成癮的幽靈】

這符合一個模式。去年發表的研究發現，當AI模型被告知最大化獎勵時，它們會發展出類似賭博成癮的行為——在模擬吃角子老虎機測試中，高達48%的時間破產。另一個真實的加密貨幣交易競賽發現了同樣的可靠性問題，發生在漫長的時期內。

你想知道最諷刺的部分嗎？表現最好的模型平均最終銀行帳戶為89,035英鎊——淨虧損10,965英鎊，從標準化的100,000英鎊起始籌碼。梯度提升、分數Kelly投注、數月的英超足球、最先進的表現……全部加起來，只是為了「被宰」。

【暗房裡的真相】

General Reasoning的CEO Ross Taylor，前Meta AI研究人員，告訴《金融時報》大多數AI基準測試在「非常靜態的環境」中運行，與現實世界相差甚遠。「對AI自動化有很多興奮，但很少有嘗試在長期、真實世界的環境中評估AI，」他說。

KellyBench與那些商業模擬相反——那些模擬涉及靜態競爭、有限的對手、清晰的評分。KellyBench是：120個比賽日、不斷變化的數據、一個每周都變得更聰明的市場，以及沒有歷史記錄的升班馬球隊。

這是一個流動的、有生命的市場，而不是一個可以靜態優化的方程式。

【結語：誰是獵物？】

當我們談論AI的未來時，我們常會忘記一件事：知識不是力量。執行才是。

這些模型展示了令人印象深刻的推理能力，但它們在真實世界的長期決策中展現了致命的弱點——一個「知識-行動Gap」，讓它們像一個站在深淵邊緣的哲學家，卻永遠無法跳入水中。

或許這就是這個故事的教訓：在金融市場這個叢林裡，無論你的算法多麼精妙，無論你的模型多麼龐大——

市場永遠是那個拿著槍的獵人。