اوایل جام جهانی بود که یه پست در Medium دیدم که نویسندهاش با استفاده از Claude برنده جام جهانی ۲۰۲۶ رو پیشبینی کرده بود. البته کلمه «پیشبینی» اینجا خیلی درست نیست و بهتره بگم احتمال برنده شدن تیمها رو محاسبه کرده بود.
البته نویسنده فقط از Claude نپرسیده «چه تیمی قهرمان میشه؟» و Claude هم از روی حس یا اطلاعات داخل مدل اسم اسپانیا رو بیرون نکشیده.
کلاد به نویسنده کمک کرده اطلاعات بیش از ۴۹ هزار مسابقه ملی رو جمعآوری و پردازش کنه، برای تیمها سیستم امتیازدهی Elo بسازه، احتمال گلها رو با یک مدل آماری محاسبه کنه و ادامه تورنمنت رو ۵۰ هزار بار شبیهسازی کنه.
نتیجه این شبیهسازیها این بوده که اسپانیا بیشتر از بقیه تیمها قهرمان شده؛ تقریباً یک بار از هر ۳.۴ تورنمنت.
اما بخش مهم ماجرا برای من اسپانیا یا حتی فوتبال نیست.
تا چند سال پیش انجام چنین پروژهای به ترکیبی از برنامهنویسی، آمار، جمعآوری و تمیز کردن داده و احتمالاً چند روز یا چند هفته زمان نیاز داشت.
حالا یک نفر تونسته بخش بزرگی از این کار رو با کمک LLM در مدت کوتاهی انجام بده.
وقتی داشتم به این مقاله فکر میکردم یاد فیلم Limitless افتادم. توی فیلم شخصیت اصلی داستان یعنی Eddie Morra با مصرف قرصی به نام NZT به توانایی ذهنی عجیبی میرسه.
میتونه حجم زیادی از اطلاعات رو به خاطر بیاره، ارتباط بین اتفاقها رو سریعتر پیدا کنه و چند حرکت جلوتر از بقیه تصمیم بگیره. اواخر فیلم تقریباً به نقطهای میرسه که انگار میتونه آینده رو پیشبینی کنه.
البته Eddie آینده رو به شکل جادویی نمیبینه. چیزی که فیلم نشون میده، ذهنیه که میتونه تعداد زیادی متغیر، الگو و پیامد احتمالی رو با سرعت خیلی بالا کنار هم بذاره.
در واقع اگر بتونیم درست از LLM استفاده کنیم، میتونه شبیه قرص NZT در فیلم Limitless عمل کنه.
نه به این معنی که ناگهان همهچیز رو بفهمیم و آینده رو ببینیم، بلکه به ما کمک میکنه حجم بیشتری از اطلاعات رو پردازش کنیم، بین اونها ارتباط پیدا کنیم، چند مدل بسازیم و هزاران آینده احتمالی رو قبل از تصمیم گرفتن آزمایش کنیم.
🔮 اما اینجا باید مراقب یک اشتباه مهم باشیم.
راحتتر شدن ساختن مدل پیشبینی، به معنی دقیقتر شدن پیشبینی نیست.
مدلی که در مقاله ساخته شده بود، در تست سه جام جهانی قبلی حدود ۵۵ درصد نتایج رو درست پیشبینی کرده بود.
اجرای ۵۰ هزار شبیهسازی هم مدل رو دقیقتر نمیکنه.
فقط نشون میده اگر دادهها، فرضها و فرمولهای ما درست باشن، هر کدوم از آیندههای ممکن با چه احتمالی اتفاق میافتن.
اگر فرض اولیه اشتباه باشه، میتونیم همون اشتباه رو ۵۰ هزار بار با سرعت و ظاهر علمی بیشتری تکرار کنیم 😁
ارزش LLM این نیست که مثل فالگیر جواب نهایی رو به ما بگه.
ارزشش اینه که ساختن و آزمایش کردن مدلهایی رو که قبلاً فقط از عهده تیمهای تخصصی برمیاومد، برای افراد بیشتری ممکن میکنه.
این توانایی فقط به مدلهای آماری هم محدود نیست.
الان دیگه برای اینکه به مشتری نشون بدیم محصول چه شکلی خواهد بود، لازم نیست فقط موکاپ Figma رو بهش نشون بدیم. میتونیم خیلی سریع چند MVP درست کنیم که تا حدودی هم کار میکنن.
از پیشبینی فروش و تقاضا گرفته تا بررسی ریسک پروژه، نگهداری تجهیزات یا تحلیل سناریوهای مختلف، حالا ساختن یک مدل اولیه خیلی ارزانتر و سریعتر شده.
البته انسان هنوز باید تصمیم بگیره چه دادهای معتبره، چه فرضی وارد مدل بشه، نتیجه با چه روشی ارزیابی بشه و آیا مدل واقعاً از یک روش ساده بهتره یا نه.
شاید LLMها هنوز ما رو به Eddie Morra تبدیل نکرده باشن.
اما دارن توانایی ساختن ابزارهایی رو در اختیارمون میذارن که میتونن قبل از تصمیمگیری، هزاران مسیر احتمالی رو بررسی کنن.
آینده لزوماً قابلپیشبینیتر نشده؛ توانایی ما برای ساختن، آزمایش کردن و مقایسه آیندههای احتمالی بیشتر شده.
شاید نزدیکترین چیز به قدرت Eddie Morra این نباشه که آینده رو ببینیم؛ بلکه این باشه که قبل از انتخاب یک مسیر، بتونیم هزاران مسیر ممکن رو بررسی کنیم.
🔗 مقاله:
https://dkvekariya.medium.com/claude-predicted-fifa-world-cup-2026-winner-how-5f082f049011