当你像CIA一样分析你最喜欢的大学橄榄球队时会发生什么？

# 当你像CIA那样分析大学橄榄球时会发生什么？ 来源：https://www.cultivatelabs.com/posts/what-happens-when-you-analyze-college-football-like-the-cia 几周前，伊利诺伊橄榄球队在主场以31-27输给了杜克大学。我的Hinsley模型（https://www.hinsley.ai/p/d2f4100f/lifecycle）立刻变得对伊利诺伊队进入大学橄榄球季后赛的可能性不那么乐观了。 但它对球队的进攻线和我们的新四分卫变得**更**乐观了。 这听起来很矛盾，但这正是我想看到的结果。 在过去15年里，我们一直与那些需要对不确定未来做出判断的人合作：情报与政府分析师、外交政策研究人员、投资者和企业战略家。今年我决定尝试一个实验。我把我们为这类工作开发的方法论应用到了一个远不那么重要的事情上：评估伊利诺伊大学橄榄球队的命运。 要理解其中的原因，不妨先想想情报分析师实际在做什么。 ### 情报分析师如何思考 在古巴导弹危机期间，美国情报分析师试图理解苏联在古巴的行动。他们掌握了越来越多的证据，但难点在于决定这些证据意味着什么。分析师必须考虑相互竞争的解释，找出能够区分这些解释的观察结果，并根据新证据不断修正他们的评估。最终，U-2侦察机的摄影提供了更有力的证据，表明苏联正在安装核导弹。 利害关系显然大不相同，但分析问题却出奇地相似。通常不会有一个事实能直接给出答案。可能存在多种未来，海量的不完美信息，以及少数真正有助于区分这些未来的东西。分析师的工作就是将这些信息结构化，同时确保自己的确信度不超过证据所支持的范围。 你会在任何地方遇到这类问题的变体。外交政策分析师可能试图理解一场冲突是否会升级。投资分析师可能在思考地缘政治、监管或新技术将如何在未来十年影响一项资产。政府分析师可能在评估另一个国家将如何回应政策变化。真正有用的问题不仅仅是“我认为会发生什么？”，而是：有哪些可能的结局？要实现每种结局，需要什么前提条件？我应该关注什么？以及，什么样的新证据会让我改变看法？ 鲜为人知的是，十多年来，Cultivate一直为美国情报界运营着一个预测市场，让分析师能够对地缘政治和国家安全事件做出概率性预测并汇集这些预测。最近，我们的工作已经从预测单一问题扩展到围绕这些问题的更广泛的分析流程。 正是这一点促使我们开发了持续概率前瞻（Continuous Probabilistic Foresight，简称CPF），这是我们的AI/人类混合分析平台Hinsley（https://hinsley.ai/）背后的核心方法论。CPF从一个战略问题开始，将可能的结果范围映射为一系列情景。它将问题分解为驱动因素和指标，使这些情景变得可能或不太可能，明确假设，并将重要的不确定性转化为可解决的预测问题。当新证据出现时，这些预测和更大范围的评估可以随之改变。 其理念不是建造一个水晶球。而是要对不确定的未来保持一种结构化的、明确的看法，并且知道当证据改变时，你的看法为何以及如何改变。 这就把我带回了伊利诺伊橄榄球队的话题上。 ### 为伊利诺伊橄榄球队构建情报模型 我在香槟城长大，是伊利诺伊的终身球迷，而大学橄榄球结果极其适合这类分析。一个赛季就是一个充满不确定性的未来，周围环绕着海量且不断变化的信息。我们有季前招募、比赛结果、伤病情况、对手表现、统计数据、教练变动、赛场表现、季前模型、跟队报道、播客以及大量专业或非专业的评论。我们对某些事情有合理的把握，对另一些事情有强烈看法，而且几乎可以肯定，对于一些我们目前认为显而易见的事情，我们的看法是错误的。 因此，我没有像往常一样常规地关注这个赛季，而是让Hinsley像分析师关注一个国家、公司、市场或战略问题那样来关注伊利诺伊。 几个月前，我从一个我认为大多数伊利诺伊球迷在赛季前最终都想回答的问题开始：**本赛季伊利诺伊大学橄榄球队的天花板有多高？** 从那时起，我就让Hinsley开始工作。 它的研究代理开始收集关于球队的信息：回归球员、转学球员、招募情况、伤病、教练变动、位置组的优劣势、赛程安排、季前模型等等。 它的研究发现，这种外部视角是相当乐观的。伊利诺伊在过去两个赛季赢了19场比赛，Hinsley的研究表明，常规赛赢10场以及可能进入大学橄榄球季后赛代表了一个合理的天花板。但显然有一些原因可能导致这无法实现。伊利诺伊正在用卢克·阿尔特迈尔（Luke Altmyer）替换四分卫，进攻线只回归了一名首发球员，并且在新协调员手下替换了大量的防守经验。 研究中还隐藏着一个特别有趣的警告：伊利诺伊在过去三个赛季中赢了13场分差在一分以内的比赛。也许布雷特·比勒马（Bret Bielema）的球队在赢得胶着比赛方面异常出色。又或者，其中一些是运气成分，而运气不可能永远持续下去。 这正是我想让这个练习揭示出来的东西。我没有说“伊利诺伊连续两年赢了九场比赛，所以他们今年可能也会很强”，而是现在有一组隐藏在这一信念背后的假设。 下一步是要求Hinsley将这个大问题转化为本赛季可能如何结束的四种情景，并根据当时掌握的所有信息为每种情景生成初始的可能性。 但是，情景甚至其相关概率本身，如果你不能*解释*为什么一种情景正变得更可能而另一种变得不太可能，它们就不是特别有用。因此，我构建了我们所谓的“分解”：本质上是一张地图，标示了那些可能对我们最终进入哪种情景产生重大影响的领域。 我的地图包含九个大类。它们包括四分卫过渡、进攻线的连续性和健康状况、防守能否重组、对阵赛程中最强球队的表现、势均力敌比赛的执行力、转学球员融合的速度、关键球员是否保持健康、特勤组和球权控制，以及一些意外的阵容或资格冲击的可能性。在这些大类之下，是更具体、Hinsley能够实际监测的事项：豪瑟（Houser）的完成率和被抄截率、允许的擒杀数、三档防守、失球分差、一分以内比赛的结果、伤病等等。 到了这一步，感觉就不再像是对伊利诺伊队有一种看法，而更像是对伊利诺伊队有了一个模型。不是传统意义上的统计模型，而是一个结构化的描述：球队要有一个出色的赛季需要什么顺利进行，什么可能阻碍实现这个目标，以及什么证据能告诉我我们正处于哪个方向。 对于少数几个最重要的不确定性，我更进一步，将它们转化为了预测问题。伊利诺伊本赛季会被擒杀30次或更少吗？它的失球分差会达到+7或以上吗？对手的三档转换成功率会低于40%吗？卡廷·豪瑟（Katin Houser）能完成至少64%的传球同时将被抄截率保持在2.5%以下吗？伊利诺伊队会在最终的大学橄榄球季后赛排名中进入前12名吗？ 这里有一个你可以跟踪并查看最新结果的示例（https://www.hinsley.ai/forecasting/questions/b927fe7e-12b7-4d97-a7c6-cbbffb561ee2）。 在试图真正评估球队未来表现时，这些问题比我在付费订阅的留言板上无休止地争论进攻线是否“好”或豪瑟是否“打得好”要有用得多，因为最终会有答案。Hinsley的AI预测集合为这些问题赋予概率，我自己可以做预测，也可以邀请朋友参与。随着时间的推移，我可以比较AI的想法、一群伊利诺伊球迷的想法以及实际发生的情况。 你可以在这里看到整个模型：(https://www.hinsley.ai/p/d2f4100f/lifecycle) ### 然后伊利诺伊输给了杜克 像这样的主场失利往往会引发球迷相当可预测的反应。球队没我们想的那么好。赛季前景更糟了。发泄一下和看看别人发泄可能很有趣，但并不太理性。 Hinsley的反应则不同，因为这场比赛包含了几条不同的信息。伊利诺伊进入最终CFP排名前12的可能性下降了，从赛前的8%降至赛后的4%。这很合理：如果你本就是试图闯入季后赛的局外人，在主场输给杜克会消耗掉你大量犯错的余地。 但我的一些预测却朝着相反的方向移动。赛季前对球队最大的担忧之一是进攻线，伊利诺伊几乎更换了所有人。我曾创建了一个预测问题：球队整个赛季会被擒杀30次或更少吗？在打了两场比赛（包括对阵杜克）之后，伊利诺伊一次擒杀都没有被允许。所以，尽管输了比赛——尽管进攻线上有一些伤病——这个预测从52%上升到了61%。 豪瑟的情况也是如此。我一直在追踪他是否能在完成至少64%传球的同时，被抄截率不超过2.5%。对阵杜克后，他在52次尝试中完成了超过71%的传球，只有一次被抄截。他的预测从37%提升到了42%。 与此同时，伊利诺伊失球分差达到+7或以上的预测从29%下降到了22%。伊利诺伊输掉了球权之争，目前整个赛季的失球分差是零。 把这四个变化放在一起，你就能对发生了什么以及赛季仍可能走向何方，比“伊利诺伊在主场输给了杜克，我们完蛋了”有一个更丰富的理解： CFP 前12：8% → 4% ↓ 允许30次或更少擒杀：52% → 61% ↑ 豪瑟效率：37% → 42% ↑ +7 失球分差：29% → 22% ↓ 这一点，比其他任何事情都更能体现我对这种方法的喜爱。一场失利显然很重要，但并不能因此说你关于球队的所有信念都应该朝同一个方向变化。季后赛前景大幅恶化了。关于传球保护的证据变好了。关于豪瑟的证据有所改善。失球前景变糟了。 问题不仅仅是最新的消息是“好”还是“坏”。而是这份新证据应该改变你模型的哪一部分。 在一个非常低风险的意义上，这和我之前描述的分析习惯是一样的。从几种可能的未来开始，反向推导出使其中一种比另一种更可能的因素，使重要的不确定性显式化。然后，当新证据出现时，更新那些证据实际影响到的信念，而不是让一个戏剧性的事件压倒整个分析。 而且因为结构已经存在，我不需要每个周日早晨都重建我对伊利诺伊的看法。研究持续进行，预测不断更新，情景概率随着新证据的出现而变化。每周我都能看到不仅发生了什么变化，以及为什么会变化。 它还给了我一个作为球迷从未真正拥有过的东西：一个关于我曾对球队有什么看法以及为什么这么想的连续记录。这出奇地有用，因为体育球迷非常擅长重写历史。当一个球员突然爆发时，人们很快就会觉得好像大家早就知道他会表现出色。在爆冷门之后，所有警告信号突然都显得显而易见。预测迫使你在知道答案之前就记录下你真实的想法。 ### 你还能用这个做什么？ 我不太是个体育博彩者，但这方面也有一个显而易见的应用。如果我在赌比赛或在Kalshi或Polymarket上交易，我不会对Hinsley是否认为伊利诺伊会赢感兴趣，而是对其概率与市场存在显著差异的地方感兴趣。分歧点给了你探究的空间：我的分析相信什么，而市场显然不相信？我会在比赛前记录这些分歧，然后记录得分。经过足够多次预测，我会发现我到底是发现了真正的信息优势，还是仅仅用一种更复杂的方式表达我的球迷偏好。 体育领域还有更严肃的应用。如果我在一个十大联盟（Big Ten）的橄榄球项目工作，我可能会为联盟中的每支球队都运行一个这样的分析。一个研究代理可以持续跟踪每个项目，维护对其优势和劣势的结构化评估，跟踪重要的不确定性，并标记有意义的变化。教练和分析师仍然会做判断，但他们不必一开始花那么多时间去寻找和组织信息。 这对体育记者似乎同样有用。如果我报道十大联盟，为什么不为每支球队都运行一个这样的分析呢？与其试图在脑海中保持一个整个联盟的模型，我还不如为每支球队都有一个明确的模型，并且这个模型在不断更新。我仍然可以不同意它的判断，但至少我有了一个可以系统性地提出异议的对象。 更广泛地说，我认为这个实验说明了AI正在将分析带向何方的一些有趣之处。许多复杂的分析在历史上要么需要专业的技术知识，要么需要大量的人工工作。我不知道如何为大学橄榄球队构建一个严肃的定量模型，我也不特别想学。但我确实对伊利诺伊橄榄球有足够的了解，可以提出有用的问题，决定什么重要，挑战假设，并判断一个答案是否合理。 AI改变了这个过程中我必须亲自完成的部分。它可以进行大部分研究，组织证据，帮助构建分析框架，做出预测，监控指标，并持续更新分析。我的工作重心转向决定我们是否在问正确的问题，问题的模型是否合理，以及我在哪些地方不同意它的判断。 你几乎可以用同样的方式对待任何球队或运动。从你真正关心的问题开始。定义可能的未来。反向推导出实现每种未来所必须的条件。识别出那些足够重要以至于需要预测的不确定性。然后随着现实的展开持续更新整个模型。 ### 为不懂“点球成金”（Moneyball）的人准备的“点球成金”方法 现在我很好奇想在其他球队上尝试一下。如果你认为有哪个球队会是一个有趣的测试案例，可以告诉我，我可能会构建一个并分享它的发现。或者，如果你想自己尝试，可以注册Hinsley（https://hinsley.ai/）并与我联系（https://www.cultivatelabs.com/cdn-cgi/l/email-protection#dbbabfbab69bb8aeb7afb2adbaafbeb7bab9a8f5b8b4b6）。我很乐意带你了解我是如何设置我的模型，并帮助你为你自己的球队构建一个模型。 我仍然会继续......