当 Metaculus Cup 的计分板在 2026 年夏天停止跳动时，一个尴尬的排名出现了：所有人类预测者都被压在了一个伦敦初创公司的 AI 系统之下。这家公司叫 Mantic，它没有自己的大模型，没有发布过任何基础研究论文，也没有公开过一个客户名字。它只是把别人家的前沿模型拿过来，专门化，然后在一个公开竞赛里把人类最擅长的事情——判断未来——做成了败局。人类预测者输得最惨的地方，恰恰是他们最引以为傲的“共识”。

竞赛结束几周后，Mantic 宣布完成 2500 万美元种子轮融资。领投方是 Radical Ventures，参投方包括微软旗下 M12 基金、由前 OpenAI 高管创立的 Thinking Machines Lab，以及 Balderton Capital。对一个成立仅两年的公司来说，这笔种子轮的规模已经远超常规。但真正值得追问的不是钱数，而是一个更尖锐的问题：在预测竞赛中击败人类，能否转化为企业愿意付费的商业能力？

Mantic 的答案藏在它的技术路线里。这家公司不从头构建基础模型，而是专门化其他 AI 实验室开发的前沿模型，用于政治、经济、文化等“混乱问题”的判断性预测。公司称其系统通过历史事件测试、评分并迭代改进，预测时间范围通常为一周到一年。这种“站在别人模型肩膀上”的策略，让 Mantic 避开了基础模型训练的天文数字成本，但也把它的技术护城河建立在一个尚未被验证的假设上：专门化本身能否构成足够深的壁垒。

字段 内容
公司 Mantic
轮次 种子轮
金额 2500万美元
投资方 Radical Ventures（领投）、Microsoft’s M12 venture fund、Thinking Machines Lab、Balderton Capital、其他未具名投资者
总部 伦敦
创始人 Toby Shevlane、Ben Day
官网 https://app.mantic.com/

一场竞赛暴露了人类预测的结构性缺陷

2026 年夏季 Metaculus Cup 的结果，据 Reuters 报道，标志着 AI 系统首次在该竞赛中占据主导。Mantic 击败了所有人类参赛者，仅落后于一个名为 laertes 的 AI 机器人。这个结果本身并不令人意外——AI 在围棋、国际象棋、蛋白质折叠等领域早就超过了人类。但预测竞赛的特别之处在于，它考验的不是计算速度或模式识别，而是对不确定性的判断。这正是人类自认为仍然占据优势的领域。

Mantic 在竞赛中给出的两个例子，比排名本身更能说明问题。在哥伦比亚总统选举问题上，Mantic 给 Abelardo De La Espriella 获胜的概率约为 40%，而共识预测约为 30%，最终 De La Espriella 获胜。在 Shakira 的《Dai Dai》是否会在 Billboard Hot 100 上超越《Waka Waka》的问题上，人类预测者重仓了“不会超越”的共识，结果错了。Mantic 没有跟随这个共识，避免了同样的重大失误。公司称，避免从众行为是其系统的一个优势。

这两个案例指向一个更深层的商业逻辑：如果 AI 预测系统的核心价值在于“不跟着人群走”，那么它的客户群体就非常清晰了——那些因为人群犯错而亏钱的人。对冲基金和交易公司对 Mantic 表现出的兴趣，据 Radical Ventures 合伙人 Aaron Rosenberg 的说法，正是源于此。Rosenberg 已经加入 Mantic 董事会，他在接受采访时说：“If Mantic is superhuman as it is, they can make money off of that immediately.”

不建基础模型，Mantic 的专门化路线省了什么又丢了什么

Mantic 的技术策略在 AI 创业公司中并不常见。大多数拿到大额融资的 AI 公司要么在训练自己的模型，要么在做应用层的产品。Mantic 选择了一条中间路线：专门化其他实验室的前沿模型。公司称其系统使用公开信息和推理，而非仅依赖传统数值预测模型，并通过历史事件测试、评分并迭代改进。这种做法的直接好处是资本效率——不需要承担基础模型训练的成本，也不需要维护大规模 GPU 集群。

但这条路线也带来一个无法回避的问题：如果 Mantic 的价值建立在其他实验室的模型之上，那么当底层模型的能力发生变化时，Mantic 的预测能力会发生什么变化？如果底层模型提供商自己进入预测领域，或者提高 API 价格，Mantic 的成本结构和竞争位置都会受到挤压。来源材料没有披露 Mantic 与底层模型提供商之间的商业安排，也没有说明公司是否对特定模型有独占权或深度定制能力。从已披露的信息看，Mantic 的专门化工作包括历史事件测试、评分和迭代改进，这意味着其核心资产可能更多在于预测流程、评估方法和数据反馈机制，而非模型本身。但这一推断的边界是：公司未披露其技术栈的具体构成，也未说明专门化工作的可复制性。

对冲基金的兴趣是验证信号，也是最大的商业化陷阱

Rosenberg 的表述透露了一个关键信息：Mantic 已经吸引了企业和政府机构的兴趣，部分机构已整合其 AI，但对冲基金和交易公司表现出的兴趣尤其强烈。这符合逻辑——在金融交易中，哪怕一个百分点的预测优势都可以直接转化为财务回报。但这也意味着 Mantic 可能面临一个经典的 AI 创业困境：最愿意付费的客户，恰恰是对预测精度要求最苛刻、也最不愿意分享数据的客户。

对冲基金和交易公司通常不会公开他们使用的外部工具，也不会允许供应商披露合作关系。这解释了为什么 Mantic 未披露客户名称。但这也制造了一个信息真空：外界无法判断 Mantic 的预测能力在真实交易环境中是否仍然有效。Metaculus Cup 是一个公开竞赛，问题设置、评分标准和数据环境都是透明的。而真实世界的预测场景往往信息不完整、时间压力大、反馈周期长。一次竞赛结果不能证明 AI 系统能可靠预见所有类型的未来事件，这是来源材料中明确提到的风险。从已披露的竞赛成绩和客户兴趣看，Mantic 至少已经跨过了“技术可行性”的门槛；但“商业可行性”的门槛是否跨过，目前没有公开证据。

2500万美元种子轮背后的资本结构与信号意义

这笔融资的结构值得拆解。领投方 Radical Ventures 是一家以 AI 投资著称的加拿大风投，曾在早期投资 Cohere 等公司。参投方中，Microsoft’s M12 是微软的企业风投部门，Thinking Machines Lab 是由前 OpenAI 高管创立的 AI 研究公司，Balderton Capital 是欧洲老牌风投。这个组合传递的信号是：Mantic 同时获得了 AI 研究圈、企业软件生态和欧洲风投的背书。

但一个容易被忽略的细节是：Mantic 此前已经获得 400 万美元 pre-seed 融资，由 Episode 1 领投，DRW 及 Google DeepMind 和 Anthropic 相关研究人员等天使投资人参与。DRW 是一家自营交易公司，它的参与意味着 Mantic 在极早期就已经进入了交易机构的视野。从 400 万美元 pre-seed 到 2500 万美元种子轮，Mantic 的融资节奏在 AI 创业公司中属于激进的一类。本轮估值未披露，这为外界判断投资人对公司的定价留下了空白。从已披露的投资者阵容和融资规模看，这轮融资更像是一次“信号融资”——用知名投资方的背书来打开企业客户和金融机构的大门，而非单纯的资金需求。

从竞赛排名到商业收入，中间隔着什么

Mantic 的资金用途，据公司披露，是推进其 AI 预测业务、进一步开发能够分析不确定未来事件并大规模产生预测的 AI 系统、扩展预测平台。但来源材料没有披露具体的产品路线图、团队扩张计划或市场进入策略。从竞赛成绩转向真实商业运营，Mantic 需要回答几个问题：它的预测能力能否在客户自己的数据环境中复现？它的输出形式是什么——是 API、报告、还是决策支持系统？它的定价模式是什么？这些问题在来源材料中均未披露。

一个更根本的问题是：预测能力的商业价值如何被客户衡量。企业购买预测服务的逻辑通常是“这个预测能帮我避免多少损失或抓住多少机会”。但预测的准确性只有在事后才能验证，而企业决策往往需要在事前做出。这意味着 Mantic 的销售过程本质上是在卖“信任”——客户需要相信 Mantic 的预测比自己的判断更可靠。Metaculus Cup 的成绩可以作为建立信任的起点，但无法替代客户在自己的业务场景中看到实际效果。从已披露的信息看，Mantic 已经有一些机构整合了其 AI，但这些整合的深度、范围和付费情况均未披露。因此，Mantic 的商业化验证程度仍然有限。

黑天鹅、监管与模型幻觉：Mantic 必须直面的三重风险

AI 预测面临的最根本限制是历史数据的边界。AI 模型基于历史数据训练，可能难以预测无历史先例的黑天鹅事件。这是来源材料中明确提到的风险。预测系统的价值恰恰在于预见“意想不到”的事件，而这类事件的定义就是历史数据中没有的。Mantic 的专门化方法——通过历史事件测试和评分来迭代改进——在逻辑上更擅长处理“有先例的不确定性”，而非“无先例的不确定性”。这一判断的推理链是：如果系统的改进机制依赖于历史事件测试，那么它在面对历史中从未出现过的情境时，改进依据就不存在。但 Mantic 是否针对黑天鹅事件有特殊处理机制，来源材料未披露。

第二个风险是模型幻觉。AI 模型可能因偏见数据输入产生幻觉或错误。在预测场景中，幻觉的代价可能比在聊天机器人中更高——一个错误的概率判断可能导致客户做出错误的投资或政策决策。Mantic 的系统是否内置了幻觉检测或置信度校准机制，来源材料未披露。

第三个风险是监管。AI 在金融预测中的使用可能面临日益增加的监管审查。如果 Mantic 的主要客户是对冲基金和交易公司，那么它的产品可能被纳入金融监管的范畴。监管机构可能要求 AI 预测系统具备可解释性、可审计性和风险控制机制。Mantic 目前的公开信息中没有涉及合规能力或监管沟通的内容。这三个风险都不是 Mantic 独有的，但它们共同构成了一个约束条件：Mantic 的预测能力越强，它在金融场景中的使用越深入，监管风险就越大。

laertes 的存在提醒市场：Mantic 不是唯一的答案

在 Metaculus Cup 的排名中，Mantic 前面还有一个 AI 机器人 laertes。来源材料没有披露 laertes 的开发方，也没有说明它的技术路线是否与 Mantic 类似。但 laertes 的存在本身就是一个重要的竞争信号：AI 预测不是一个只有 Mantic 在做的领域。如果另一个团队也能在公开竞赛中达到甚至超过 Mantic 的水平，那么 Mantic 的竞争优势就不在于“AI 能预测”，而在于“Mantic 的预测能力能否比竞争对手更稳定、更可商业化”。

从更广的竞争格局看，Mantic 面临的潜在竞争来自三个方向：一是其他 AI 预测初创公司，二是大型 AI 实验室自己进入预测领域，三是传统预测市场和情报分析公司。来源材料没有明确列出 Mantic 的商业竞争对手，这意味着 Mantic 目前可能处于一个相对早期的市场阶段。但早期市场阶段的另一面是：客户对“AI 预测”这个品类的认知尚未建立，Mantic 需要同时承担教育市场和证明自己的双重成本。

创始人背景与团队基因：从 DeepMind 到预测市场

Mantic 的两位创始人代表了两种不同的能力组合。联合创始人兼 CEO Toby Shevlane 此前在 Google DeepMind 担任研究科学家，他的经历为 Mantic 带来了前沿 AI 研究的方法论和信誉。据公司披露，Shevlane 在 DeepMind 期间发现自己需要更好的预测来理解可能影响 AI 的全球发展，这成为他创立 Mantic 的起点。联合创始人 Ben Day 有机器学习研究背景，曾任 Foresight Data Machines 研究负责人。两人于 2024 年创立 Mantic。

这个团队背景解释了 Mantic 为什么选择“专门化而非自建”的技术路线——创始人的研究训练让他们清楚基础模型训练的成本和难度，也让他们更倾向于用评估和迭代的方法来提升预测能力。但团队背景也带来一个潜在盲区：从研究到商业化的跨越。来源材料没有披露 Mantic 的团队规模、是否有销售或市场人员、是否有金融行业背景的成员。对于一个目标客户包括对冲基金和政府机构的公司来说，这些能力可能比模型精度更重要。

Mantic 的故事在现阶段是一个“能力证明”的故事，而不是一个“商业验证”的故事。它在 Metaculus Cup 中的表现证明了 AI 预测系统可以在特定条件下超过人类预测者，Radical Ventures 和 M12 的参与证明了投资人对这个方向的信心。但从竞赛排名到可持续的商业收入，中间隔着客户验证、定价模式、监管合规和竞争壁垒四道关卡。Mantic 的 2500 万美元种子轮给了它足够长的跑道去闯这些关卡，但跑道本身不保证到达终点。AI 预测的真正考验不在 Metaculus Cup 的计分板上，而在那些不会公开的客户决策和交易结果里。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

  • 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
  • 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
  • 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：Mantic 的竞赛胜利揭示了一个令人不安的事实：人类预测者的“共识”在 AI 面前正在变成一种可被利用的弱点。但当 AI 预测系统进入真实商业场景时，它自己也会面临新的共识风险——如果所有对冲基金都使用类似的预测工具，预测优势就会消失。Mantic 的真正挑战不是证明 AI 能预测未来，而是证明它的预测能力在客户知道它存在之后仍然值钱。