discipline/04-ai-era.md
📑 本页目录
04 · AI 时代：需求统计与预测为什么重要
1. 需求对象扩张：AI 原生需求
- 算力/GPU、token、数据、模型能力、agent 服务成为新需求大类；增长快、波动大、生命周期短。
- 证据：数据中心 GPU 需求预测成为云厂商与系统研究的刚需（Eureka@NeurIPS 2025； CAPLAI@MASCOTS 2025）[M]；LLM API token 消耗在相同任务内可差 30 倍 （微软研究院 2025，行业证据）[X→M]。
- 影响：传统「长历史、慢变化」范式失效，需要冷启动 + 快速校准 + 分布预测。
2. 需求主体扩张：agent 成为需求方
- agent/程序化采购产生算法化需求：同一任务的可重复调用、批量生成、workflow 弹性伸缩。
- 预测意义：需求函数不再只由人类偏好决定；需求弹性、突变模式、可预测性都不同。
- 证据：Agentic Economic Modeling（2025）用 LLM 合成选择 + 小样本锚定来估计需求弹性 [X→M]。
3. 信号扩张：数字尾气
- 搜索趋势、下载、API 调用、论文引用、GitHub、招聘、榜单、评测基准成为高频代理。
- 证据：宏观 nowcasting 用 Google Trends/MIDAS [M]；IMF 2026 用卫星、搜索、航班等 非传统数据做经济即时预测 [M]；AppTrends 榜单信号是 Case 0 的校准信号 [案例]。
- 纪律：每个数字信号登记偏差（覆盖、滞后、操纵风险）——正是支柱 1 的代理验证程序。
4. 方法换代：基础模型与 LLM
- 时序基础模型（Chronos / TimesFM / Moirai / TimeGPT / Lag-Llama）：零样本/少样本预测、分布输出。
- LLM 预测：GPT-4 预测器接近人类预测人群（Halawi 2024）[M]； LLM 辅助提升人类预测准确率 24-28%（Schoenegger et al. 2024）[M]； LLM 时序多步推理仍弱于专用模型（TSAIA 2025）[M]。
- 结论：基础模型是新的强基线与组合成员，但「单模型 SOTA」仍不稳定； 评估纪律（支柱 7）因此更重要，而不是更不重要。
5. 反馈扩张：自指需求
- AI 生成需求：产品用 AI 后产生对 AI 的需求（数据飞轮、能力外溢）； 预测影响需求（自我实现预言、Goodhart 效应）。
- 预测 AI 需求 = 部分地预测「预测本身的传播」：这是 DSF 独有的、传统 demand forecasting 没有的问题（公理 A6 的极端形态）。
- Case 0（ADDO）：「预测哪些领域先被 AI 深度改造」本身就是 AI 需求扩散问题， 其「能力外溢」机制就是自指需求的表现。
6. DSF 的研究纲领（相对传统 demand forecasting 的增量）
- 把需求对象域扩展到 AI 原生对象与衍生变革需求。
- 把测量理论置于学科中心（代理效度、截断、偏差登记）。
- 把评估纪律（proper scoring + 基准 + 决策价值）作为方法裁决的唯一标准。
- 把人机混合预测作为一等公民（人类判断 + LLM + 统计/ML + 市场的组合协议）。
- 把反身性/自指需求纳入理论（Goodhart、自我实现、agent 需求）。
7. AI 时代的新评估挑战
- 分布漂移更快：能力跃迁、价格剧变、平台政策变化 → 校准维护成为常态任务。
- 反馈污染数据：预测驱动的运营反过来污染训练数据（预测→定价→需求→数据）。
- 基准失效：历史基准可能不再代表未来分布；需要「机制基准」而非「历史基准」。
- 冷启动为主流：新模型、新 agent、新品类层出不穷，零历史对象不是边缘而是常态。