Венчурная индустрия традиционно опирается на интуицию партнеров, экспертный опыт и доступ к закрытой информации. Однако с развитием технологий прогнозирование событий в политике, экономике и технологиях постепенно превращается в стандартизированную инженерную задачу. Ярким примером такого подхода стала работа стартапа DigClaw и запущенного им венчурного фонда Newborn Ventures.

На платформе оценки реальных прогнозов FutureX разработанный DigClaw фреймворк Rhizome v1 занял сразу три места в первой десятке рейтинга — первое, третье и седьмое. Примечательно, что система показала высокие результаты на базе трех совершенно разных базовых моделей, включая Kimi-K3 и DeepSeek-V4-Pro. Оценка проводилась на десятках реальных нерешенных вопросов, где верный ответ на момент прогнозирования еще не был известен, что исключает риск утечки тестовых данных в обучение моделей.

Авторы разработки исходят из того, что стандартные большие языковые модели сами по себе плохо подходят для предсказания будущего. Нейросети выявляют корреляции в исторических текстах, но не обладают пониманием причинно-следственных связей, не умеют корректно моделировать гипотетические вмешательства и выдают вероятности без строгой математической калибровки.

Чтобы решить эти проблемы, архитектура Rhizome разделяет процесс прогнозирования на несколько самостоятельных уровней:

Во-первых, система полностью разделяет поиск информации и логический вывод. Поисковые агенты оптимизируются не на формулирование готового ответа, а на сбор максимально релевантных сигналов, чтобы избежать подтверждения ложных гипотез. Рассуждения же выполняются отдельным аналитическим слоем на основе собранной доказательной базы.

Во-вторых, фреймворк сохраняет полную траекторию каждого прогноза еще до наступления события: временные рамки, критерии оценки, использованные источники, промежуточные шаги и итоговую вероятность. После того как факт свершается, ретроспективный анализ позволяет откалибровать систему с помощью логистического масштабирования и метрики Брайера, устраняя как чрезмерную самоуверенность, так и излишнюю осторожность.

В-третьих, система использует байесовское обновление вероятностей с учетом структуры причинно-следственных связей. При появлении новых новостей алгоритм определяет, являются ли они независимыми факторами или звеньями одной и той же причинной цепочки. Устранение повторного учета связанных сигналов позволило разработчикам снизить долю самоуверенных ошибок более чем вдвое.

Для венчурного фонда Newborn Ventures такой фреймворк служит основой для поиска макротрендов и оценки структурных сдвигов на рынке до того, как они будут заложены в рыночные цены. Разработчики убеждены, что системные методы прогнозирования могут найти применение не только в венчурных инвестициях, но и в стратегическом планировании публичных корпораций и государственных институтов развития.