怎么用 AI 预测世界杯：别问冠军是谁，先问概率怎么来

世界杯一开踢，预测就会变成全民娱乐。谁能夺冠，谁会爆冷，哪支传统强队会小组翻车，社交媒体上永远不缺答案。

这几年又多了一个新玩法：问 AI。

问题是，很多“AI 预测世界杯”的内容，本质上还是让大模型背一背强队名单，再给一个听起来像懂球的结论。它可能会说某队阵容深厚，某队中场老化，某队有冠军底蕴。读起来挺顺，但这不叫预测，最多叫一篇赛前闲聊。

我更愿意把世界杯预测看成一个概率工程。它不是为了给出“冠军一定是谁”，而是尽量回答几个更诚实的问题：这场比赛双方各有多大胜率？这个小组出线概率怎么变？某支队进入四强、决赛、夺冠分别有多大可能？如果临场阵容变了，概率应该往哪里动？

写在 2026 年世界杯开赛后。FIFA 这届扩成 48 队、104 场比赛，12 个小组，每组 4 队，前两名和 8 个成绩最好的第三名进入 32 强淘汰赛。赛程变长，样本更多，冷门路径也更多。对预测模型来说，这比过去更有意思，也更容易暴露模型的虚弱。

先别问 AI 谁夺冠

如果只问“谁会夺冠”，无论答案是法国、阿根廷、巴西、西班牙还是英格兰，都没什么意思。强队本来就强，猜中一次也不说明模型厉害。

更好的问法是：

一支队夺冠概率是 24%，这 24% 是怎么来的？

它输给弱队的概率有没有被低估？

它小组第一和小组第二进入淘汰赛时，后面的路径差多少？

模型过去预测 60% 胜率的比赛，真的大约赢了 60% 吗？

这些问题没那么热闹，但更接近预测的本质。足球不是棋类，没有哪支队伍能把胜率推到 95%。一场比赛里，红牌、点球、门将状态、一次折射、一次误判，都可能改变结果。所以世界杯预测最好输出概率，不要输出口号。

冠军概率最高的队，也可能只有二三成。换句话说，最强队没夺冠并不代表模型错了。模型真正要接受考验的地方，是它给出的概率长期看是否校准。

第一层：先有一个不装聪明的强弱基线

预测世界杯，最朴素的起点是球队强弱。

这里最常见的工具是 Elo。Elo 最早不是为足球发明的，但在体育预测里很好用：球队赢球涨分，输球降分；赢强队涨得更多，输弱队掉得更多；重要比赛、净胜球、主场因素都可以调整权重。

Elo 的好处是克制。它不需要知道每个球员的跑动距离，也不需要每场比赛的 xG。只要有足够长的国际比赛历史，它就能给每支队伍一个动态强弱值。对于国家队尤其有用，因为国家队公开的详细数据比俱乐部少得多，比赛间隔又长。

当然，Elo 也有盲点。国家队换帅、主力伤停、黄金一代老去、新人突然上位，这些变化不会立刻被历史分数反映出来。世界杯前的热身赛也很麻烦：有的队认真踢，有的队试阵，有的队保存体能。把所有比赛等价看待，模型会被带偏。

所以我会把 Elo 当成底盘，而不是终点。它负责回答“长期看谁更强”，后面还要继续叠加状态、阵容和赛程。

第二层：把强弱变成进球概率

足球预测和篮球不一样。足球低比分多，偶然性大，一场 1-0 和 2-1 背后的运气成分很高。只预测胜平负，会丢掉很多信息；更常见的做法，是先预测双方进几个球，再把所有比分加总成胜平负概率。

这里经典方法是 Poisson 进球模型。它把进球看成一种稀疏事件：某队本场预期进球是 1.4，那就能算出它进 0 球、1 球、2 球、3 球的概率。两队各自有一个进球分布，组合起来就是比分矩阵。

Dixon-Coles 模型是在这个思路上的改进。它注意到足球里 0-0、1-0、0-1、1-1 这类低比分结果，简单 Poisson 处理得不够好，于是加了低比分修正；同时也引入时间衰减，让近期比赛比很久以前的比赛更重要。

这些方法听起来比“问大模型”老派，但老派不等于落后。它们有一个优点：每一步都能解释。为什么某场是 1.6 对 0.9 的预期进球，为什么平局概率上升，为什么低比分被修正，都能拆开看。

AI 在这里更适合做增强，而不是替代。比如用模型整理伤停新闻、识别阵容变化、归纳球队战术风格，再把这些信息转成结构化特征。真正的胜率计算，仍然应该交给可回测、可校准的统计模型。

第三层：世界杯不是单场预测，是路径预测

只预测单场是不够的。世界杯的难点在路径。

同一支队，小组第一出线和小组第二出线，后面可能完全是两个世界。扩军到 48 队以后，小组第三也可能晋级，路径更复杂。某支队本身很强，但如果淘汰赛半区连续碰强队，夺冠概率也会被压低；另一支队单场实力略弱，但签位舒服，进入八强的概率可能不低。

所以真正有用的是赛事模拟。

做法并不神秘：先给每场小组赛一个胜平负和比分分布；模拟小组积分、净胜球、进球数、排名规则；确定 32 强；再按淘汰赛对阵继续模拟，包括加时和点球的处理。这个过程重复很多次，就能得到每支队小组出线、进入八强、四强、决赛、夺冠的概率。

这里有个很反直觉的地方：一支队的夺冠概率，不等于它每场比赛胜率的简单平均。路径会改变一切。模型不只是在判断强弱，也是在判断“这支队抽到的题难不难”。

第四层：临场信息要进模型，但别让它接管模型

世界杯预测最容易吵起来的地方，是临场信息。

有人会说，某队核心伤了，历史数据没意义。有人会说，某队主帅保守，大赛淘汰赛不能按联赛进球模型算。还有人会说，某场天气太热，某队旅途太远，某队主场氛围更强。

这些都可能是真的。

问题在于，临场信息很容易被过度解释。一次伤停到底值多少胜率？从 52% 调到 49%，还是调到 40%？如果没有尺度，最后又会回到拍脑袋。

比较好的处理方式，是把临场信息分成几类：

大模型可以在这一层帮忙。它擅长把新闻、赛前发布会、伤停报道、教练采访整理成结构化摘要。但它不应该直接给最终胜率。最终胜率要回到同一套概率框架里，否则每场比赛都会被临时叙事牵着走。

回测比模型名字重要

很多人喜欢问：用随机森林、XGBoost、神经网络还是大模型？

我的看法是，先别纠结名字。足球预测里，一个老实的 Elo + Poisson 模型，认真回测和校准以后，可能比一个堆了很多特征但没验证好的黑箱更可靠。

回测至少要看三件事。

第一，准确率。预测谁赢，最后赢没赢。这最直观，但也最粗糙，因为它不关心概率。

第二，概率质量。模型说某队 70% 胜率时，这类比赛长期看是不是大约赢七成？如果经常只赢五成，模型就是过度自信。

第三，极端样本。强弱悬殊、淘汰赛、点球大战、红牌、高温、主力缺阵，这些情况模型有没有系统性偏差。

足球的样本量不大，世界杯样本更小。每四年一届，赛制还会变化。单靠世界杯历史训练模型，很容易训练出一个会背历史、不会预测未来的系统。所以更合理的做法，是用大量国际比赛建立底盘，再针对世界杯做修正。

别把赔率当答案，但可以拿来校准

预测世界杯绕不开赔率。博彩公司赔率不是纯粹的真实概率，它里面有风险控制、流量偏好和利润空间。但也不能假装它没价值。成熟市场的赔率，往往汇集了大量信息。

一个实用做法，是把自己的模型概率和市场隐含概率放在一起比较。

如果模型和市场差不多，说明没发现什么新东西，但至少没有离谱。

如果模型和市场差很多，不要急着觉得自己发现了宝藏。先问：是不是伤停信息没更新？是不是赛程路径算错？是不是模型低估了平局？是不是某支队的历史比赛样本质量很差？

真正值得关注的不是“我和市场不一样”，而是“我知道为什么不一样”。

一篇预测报告应该长什么样

如果让我做一份世界杯预测，我不会把首页写成“冠军预测：某队”。我更愿意按这几个层次展示。

先给总览：夺冠概率、进决赛概率、进四强概率。强调这是概率，不是排名。

再给小组：每组出线概率、第一名概率、第三名晋级概率。这里最适合看冷门。

然后给路径：如果某队拿小组第一，大概率会遇到谁；如果拿第二，路径怎么变。很多球迷喜欢讨论“签运”，模型可以把签运量化出来。

最后给单场：胜平负、预期进球、最可能比分、关键不确定因素。单场预测应该随着首发和伤停更新，而不是开赛前一周写死。

最重要的是，报告里要保留不确定性。不要为了传播效果，把 57% 写成“稳了”。模型越诚实，短期看越不刺激，长期看越值得信。

用 AI 做这件事，真正的价值在哪里

AI 当然有用，但不是用来神谕。

它最有价值的地方，是把散乱信息变成模型能吃的东西：赛程、伤停、新闻、采访、历史赛果、球员状态、战术标签。传统统计模型负责概率，大模型负责信息整理和解释，两者分工明确，效果会比单独使用任何一边更稳。

我心里比较理想的系统，大概是这样：

数据层每天拉取赛果、赛程、阵容、伤停和赔率。

模型层维护球队强弱、进球分布、点球倾向和路径模拟。

校准层持续回测，检查模型是不是过度自信。

解释层把概率变化翻译成人能读懂的话：为什么某队夺冠概率从 12% 变成 9%，是因为伤停、路径变化，还是对手状态更新。

这样的系统不一定能让你猜中冠军，但能让你少说很多废话。

世界杯预测最迷人的地方

预测世界杯和预测很多商业指标不一样。商业指标追求稳定，世界杯偏偏迷人于不稳定。

强队会输，弱队会守住 0-0，点球大战会把四年准备压缩成几脚射门。模型能做的，是把这些不确定性放进一个更清楚的框架里，而不是假装它不存在。

所以，用 AI 预测世界杯，最好的姿态不是“我知道答案”，而是“我知道现在有哪些可能性，以及它们为什么这样分布”。

这比猜冠军少一点热闹，但更接近足球，也更接近预测。

参考资料

• FIFA：2026 世界杯新赛制说明
• FIFA：2026 世界杯赛程、赛果与场馆
• World Football Elo Ratings：2026 World Cup ratings
• Betfair Data Scientists：World Cup 2022 Elo Rating System Tutorial
• David Sheehan：Dixon-Coles and Time-Weighting
• Dixon and Coles 原论文：Modelling Association Football Scores and Inefficiencies in the Football Betting Market