bayes.net 如何分析 AI 时间线的调查预测?

bayes.net 上《How should we analyse survey forecasts of AI timelines?》一文讨论的是：当研究者用问卷收集一批专家或公众对“通用人工智能（AGI）何时出现”的预测时，应该如何对这些预测做统计分析。它属于方法讨论，而不是给出某个具体时间线结论。适合正在设计或解读 AI 时间线调查、需要决定用什么统计量汇总预测的读者。

这篇文章要解决的核心问题

调查预测（survey forecast）通常让受访者给出若干分位点，例如“你认为 AGI 在哪一年之前出现的概率是 10%、50%、90%”。一批人回答后，研究者面对的是每人一条概率分布，而不是一个数字。

直接取所有人 50% 分位点的平均值，会丢掉分布形状信息，也容易被少数极端回答拉动。文章关注的正是：怎样从这些分位点还原出可比较、可汇总的分布。

常见的分析路径

1. 把分位点转成分布

受访者给的是分位点，分析时需要先假设一个分布族（如正态、对数正态、或更灵活的分布），用这些分位点去拟合出每人的完整分布。bayes.net 另一篇《Eliciting probability distributions from quantiles》讨论的就是这个“从分位点反推分布”的技术问题。

2. 汇总个体分布

得到每人的分布后，可以：

对每个时间点求跨受访者的平均累积概率，得到一条“群体分布”；
或先算每人的中位数/均值，再对这些汇总值做统计；
或做加权，按专家可信度或样本代表性调整。

不同汇总方式会给出不同的“共识时间线”，文章的价值在于把这些选择摆出来，说明各自假设。

3. 报告不确定性

调查预测本身有抽样误差、问题措辞效应、以及受访者对概率理解不一致带来的噪声。分析时应把个体间分歧和估计误差分开呈现，而不是只报一个中位数年份。

与站点整体取向的关系

bayes.net 的内容长期围绕概率、统计推断和 AI 风险展开，例如《A shift in arguments for AI risk》《How long does it take to sample from a distribution?》等。因此这篇文章的立场是：AI 时间线预测应当被当作一个统计估计问题来处理，重点在方法是否稳健，而不是追逐某个具体年份。

什么时候需要参考这类分析

你在设计一份 AI 时间线问卷，需要决定问哪些分位点；
你拿到一批预测数据，不确定该报均值、中位数还是群体分布；
你要比较不同调查（不同人群、不同措辞）的结果是否真的矛盾。

如果只是想知道“专家普遍认为 AGI 大概哪年出现”，这类方法文章不会直接给答案，它给的是如何从数据里得出可信答案的工具。