Round 1 · 学术进展扫描（快照 2026-08-10）

目的：为学科奠基提供外部证据地图。检索时间 2026-08-10；来源：学术数据库与网络检索； 详细条目见 ../index.md。证据等级沿用 S/M/W/X。

0. 扫描方法

• 检索主题：demand forecasting 综述、M4/M5 竞赛、时序基础模型、LLM 预测、概率预测、 conformal 时序、层级调和、判断预测、预测市场、nowcasting、间歇需求、AI 需求（GPU/token）。
• 纳入标准：有公开出处、对 DSF 七支柱或 AI 时代命题有直接启示。
• 局限：本扫描是框架性快照，非系统性综述（PRISMA 式系统综述留待后续轮次）。

1. 测量与需求统计（支柱 1）

• 截断是需求测量的常态：Tobit（L-A-01）与生存分析（L-A-02）是处理右截断/受限 观测的成熟框架；最新工作把截断与空间/图扩散结合（扩散感知截断 GP，L-A-05）， 对「缺货转移」类需求有直接借鉴。
• 计数分布的选择影响结论：Kolassa（L-A-04）证明零售需求用 Poisson 会系统性 低估尾部，NB/更灵活分布更合适 —— 对应 RQ-A3（分布刻画）。
• LLM 合成数据的锚定问题：Agentic Economic Modeling（L-A-06）用 LLM 生成选择 + 小样本真实观测锚定，估计需求弹性与处理效应；这为「结构化生成」信号（02 §4 第 6 类） 提供了方法论雏形，但证据仍属 X→M。

2. 时间序列与计量（支柱 2）

• 经典体系仍是最强基线：ETS/ARIMA（L-TS-01/02）、M3（L-TS-03）证明简单稳健方法 在小样本上的价值；间歇需求必须用专门方法（Croston/SBA，L-TS-04/05）。
• nowcasting 成熟化：宏观层面 MIDAS/Google Trends（L-TS-07、L-TS-09）证明数字信号 可提升当前状态估计 —— DSF 把同样思路推广到商品/服务需求（RQ-A1）。
• 扩散模型：Bass（L-TS-08）是新产品需求预测的经典；AI 能力跃迁下的扩散参数 变化是开放问题（RQ-B2）。

3. 机器学习与现代预测（支柱 3）

• M4/M5 的共识：M4 中纯 ML 未单点超越统计、组合获胜（L-E-03）；M5 中 ML 首次整体胜出，关键在外部协变量与异质性（L-E-04）。结论：方法优劣依赖数据情境， 必须用评估协议裁决，不能靠阵营信仰。
• 时序基础模型：Chronos（L-ML-04）、TimesFM（L-ML-05）、Moirai（L-ML-06）在 零样本/少样本上逼近或超越局部训练模型；但公开评估显示增益不稳定、随数据集与 horizon 变化 —— 对应 RQ-D2（增益何时存在）。
• LLM 时序推理：TSAIA（L-ML-11）与综述（L-ML-10）显示 LLM 在多步推理、 workflow 组装上仍弱；Time-LLM（L-ML-09）的「重编程」路线在部分基准有效。 结论：LLM 当前更适合做「判断层」而非「数值引擎」。

4. 概率预测与不确定性（支柱 4）

• 范式已确立：概率预测 + proper scoring（L-P-01/02/03）是领域标准； 点预测是分布的特例。DSF 默认交付分布。
• Conformal 是工程化入口：split/adaptive/时序版本（L-P-04~08）提供模型无关、 有覆盖保证的区间；变点下的 conformal（L-P-09）是 2025 年活跃方向， 直接服务 RQ-C2（校准维护）。

5. 判断预测与群体智慧（支柱 5）

• 无辅助直觉被证据否决：结构化类比（L-J-02）、Delphi（L-J-03）、超级预测者 （L-J-04）都建立在「结构化判断优于直觉」之上；判断性调整（L-J-08）证明 未加纪律的调整会损害预测。
• 预测市场有情境边界：选举/经济上长期表现好（L-J-05/06）；但传染病预测中 不如朴素基线（L-J-12），Polymarket 声称的准确率被独立检验打折（L-J-11）。 结论：市场是组合成员，不是万能答案（对应 RQ-D1）。

6. 层次与组合（支柱 6）

• 组合 = 免费午餐：50 年综述（L-H-03）与 M 系列一致支持；组合的收益递减 与权重动态化是开放工程问题（RQ-D1）。
• 层级调和成熟：MinT（L-H-05）与调和综述（L-H-06）提供跨粒度一致性方法； DSF 把需求层次（SKU→品类→市场）作为默认结构（公理 A3）。

7. 评估（支柱 7）

• 指标纪律：MASE（L-E-01）、DM 检验（L-E-02）、proper scoring 体系完备； M 系列（L-E-03/04/05）提供公共基准传统 —— DSF 应建立自己的基准（DSF-Bench，Round 3）。
• 大综述：Petropoulos et al.（L-E-06）是方法论全景图，可作为 DSF 方法库的 索引来源。

8. AI 时代（04-ai-era.md 的证据底座）

• LLM 预测能力：GPT-4 预测器接近人类预测人群（L-AI-01）；LLM 辅助提升人类 预测 24-28%（L-AI-03）。人机混合预测是可工程化的现实（RQ-D3）。
• AI 需求实证：企业 GPU 需求预测成为系统研究主题（L-ML-12/13）； token 消耗任务内 30 倍波动（微软研究院 2025，行业证据）。
• AI 采纳需求测量：NBER/Census 微观结构研究（L-AI-04）与 OECD 部门分类学 （L-AI-05）提供「AI 变革需求」的官方统计代理 —— 与 Case 0（ADDO）直接相关。

9. 关键共识与开放争论

共识（可直接写入学科框架） 1. 分布预测 + proper scoring 是标准（L-P-01/02）。 2. 组合优于单模型，判断需结构化（L-H-03、L-J-02）。 3. 方法优劣依赖情境，必须用样本外评估裁决（L-E-03/04）。 4. 截断/计数分布选择显著影响需求结论（L-A-01/04）。

开放争论（留给 RQ） 1. 时序基础模型是否全面超越强统计基线？（RQ-D2） 2. LLM 在预测中做「判断层」还是「数值引擎」？（RQ-D3） 3. 预测市场的增益在哪些情境成立？（RQ-D1） 4. 预测本身多大程度改变 AI 需求？（RQ-B3）

10. 对学科构建的三点启示

1. 测量先行：学术共识里最容易立刻落地的是测量纪律（代理登记 + 截断建模）， 建议 Round 2 先做。
2. 评估为本：所有方法争论的裁决标准统一为评估协议（06-evidence.md）， 避免「ML vs 统计」式无意义争论。
3. AI 是对象也是方法：AI 同时改变需求对象、信号与方法；学科框架必须 把三者分开建模（04-ai-era.md 的结构），不能混为一谈。