AI 预测引擎 Prophetlab 获数千万元天使轮融资，常春藤资本等机构联合投资

Q: Prophetlab 目前的商业化订单规模达到多少？

公司累计获得了数百万规模的商业化订单。

一句话结论

AI 预测引擎公司 Prophetlab 成立不足四个月即获数千万元天使轮投资，其通用预测能力获资本认可，将推动时序概率预测赛道商业化进程。

关键要点

Prophetlab 已完成数千万元天使轮融资，投资方包括常春藤资本等多家机构，公司成立时间不足四个月。
其早期项目利用 AI 大模型预测世界杯赛果，成功预测决赛结果及四强队伍，部分模型预测准确率约 75%。
公司自研的 Prophet Engine 已登顶字节 Seed 发布的 FutureX 预测榜单总榜榜首，并累计获得数百万规模商业化订单。
团队由国内外顶尖高校的 AI 博士和金融科技硕士组成，成员曾参与阿里千问、腾讯混元、小红书 Dots 等千亿参数级模型训练。
即将发布的 Investor’s Last Exam（ILE）是严格时间冻结条件下首个专注商业场景的预测榜单。

背景与事实

Prophetlab 是一家定位为"AI Neo Lab"的公司，核心研发方向是利用 AI 大模型实现通用世界预测，即通过时序概率空间对人类活动中的复杂事件进行建模与推断。公司由一群拥有深厚学术与工业背景的技术人员组成：创始成员中有人获得过数学、物理竞赛理论金牌，拥有十余篇发表于 NeurIPS、ICLR、ICML 等顶级会议的第一作者论文，并曾在阿里巴巴千问、腾讯混元、小红书 Dots 等项目中参与千亿量级大模型的训练工作。团队中还包含来自国内外顶尖高校的 AI 博士（PhD）与金融科技（FinTech）硕士，形成了兼具理论深度与工程落地能力的组合。

在业务进展方面，Prophetlab 成立后首个落地项目即为利用 AI 大模型预测 2022 年卡塔尔世界杯赛果。该系统成功预测了决赛胜负结果及四强球队名单，在多个模型设定下，预测准确率已达到约 75%。这一成果不仅验证了团队在体育时序预测场景中的技术能力，也成为公司早期对外展示通用预测能力的重要案例。随后，公司自研的 Prophet Engine 在字节跳动旗下 Seed 团队发布的知名预测榜单 FutureX 总榜中位列第一，标志着其预测引擎在公开基准测试中具备竞争力。与此同时，Prophetlab 已接到数百万规模的商业化订单，表明其预测能力已开始从技术演示阶段转向商业交付。

在产学研合作层面，Prophetlab 正与上海交通大学严骏驰教授团队开展长期合作，将高校学术研究力量引入预测引擎的核心技术探索中。这种合作模式旨在将前沿的时序概率模型、贝叶斯推断等学术成果快速工程化，提升 Prophet Engine 在复杂场景下的泛化能力。此外，公司正在研发即将发布的 Investor’s Last Exam（ILE），该榜单在严格时间冻结（即禁止使用未来数据）条件下运行，是目前首个专门面向商业投资场景的预测基准测试，旨在为金融、商业决策等对数据时效性和防泄露要求极高的领域提供标准化评估工具。

从行业背景看，常春藤资本在投资逻辑中指出，人类对预测能力的探索可追溯至 80 余年前鲁思·本尼迪克特（Ruth Benedict）的《菊与刀》所体现的社会行为模式识别，以及后来詹姆斯·西蒙斯（James Simons）创建的大奖章基金（Renaissance Technologies）所代表的量化预测范式。资本方认为，万事万物皆可预测的理念正在被 AI 大模型重新定义，而 Prophetlab 的价值在于不局限于单一垂直领域，而是构建更通用的预测基础设施。这一判断与当前大模型领域"从专用走向通用"的技术演进趋势相吻合，也是其获得数千万种子轮（文中表述为天使轮，金额级别接近种子轮）联合投资的核心原因。

影响分析

对中文开发者与 AI 从业者而言，Prophetlab 的融资事件释放了一个明确信号：时序预测与大模型结合的工程化路径正在获得资本验证。过去，预测类应用多停留在传统统计模型或单一垂直领域（如天气、销量），而 Prophetlab 试图用大模型架构实现"通用地预测世界"，这意味着时序数据预处理、概率建模、多模态特征融合等模块可能需要在大模型训练框架内重新设计。国内开发者若关注时序预测方向，可重点关注 Prophet Engine 在 FutureX 榜单上的技术细节（一旦公开），以及 ILE 榜单对商业场景的评估标准，这两者将为从业者提供可复用的工程参考与基准对标。对金融科技（FinTech）从业者，ILE 作为首个严格时间冻结的商业预测榜单，可能改变现有量化策略的评测方式，减少"数据窥探"（look-ahead bias）带来的虚假收益，这对国内量化私募和券商金研部门的模型审计具有方法论意义。

需要明确的是，上述判断属于编辑分析。Prophetlab 的商业化订单规模为"数百万"，尚未披露客户名单与具体业务场景，因此其预测能力在金融高频、供应链实时调度等对延迟和精度要求极高的场景中的实际表现仍需观察。此外，"通用预测"的技术边界尚未在公开文献中清晰界定，开发者在借鉴其思路时应警惕过度泛化带来的计算成本与数据需求。

适用边界

本文结论主要适用于以下情境：评估 AI 预测引擎赛道的资本热度；参考大模型在时序概率建模中的工程化案例；了解国产预测引擎在公开榜单（如 FutureX）上的竞争格局；以及为量化金融从业者提供商业预测基准测试（ILE）的前瞻信息。该结论不适用于：预测 Prophetlab 具体产品的上市时间、定价策略或客户明细；推断其预测能力在所有垂直领域（如医疗诊断、司法判决）均达到同等准确率；或将数百万商业订单规模等同于已实现规模化盈利。若未来公司未披露更多技术白皮书或客户案例，"通用预测"的表述仍应被视为技术愿景而非已验证的工程事实。