包括 ChatGPT 5.5、Claude Fable 5 和 Grok 4.3 Expert 在內的 12 個 AI 模型，估算中本聰持有的 1.1 百萬比特幣未來是否會移動的機率。ChatGPT 5.5 賦予這些幣移動的機率為 20%，而 Gemini 3.1 Pro 則將可能性設定在 5% 以下。這些模型被要求使用貝葉斯框架來評估比特幣創始人是否會移動這筆沉睡的財富，或者中本聰的真實身份是否會被最終揭露。這項實驗擴展了先前針對比特幣價格預測及其他主題的 AI 預測演練。中本聰的錢包自 2010 年以來一直處於休眠狀態，這成為數位時代最持久的謎團之一。
12 個 AI 模型對中本聰問題應用貝葉斯框架
AI 模型小組包括 Grok 4.3 Expert、ChatGPT 5.5、Claude Sonnet 5、Claude Fable 5、Gemini 3.1 Pro、Deepseek Deepthink、Kimi K2.6 Instant、Qwen 3.7-Plus、Manus Lite、Pi AI、Mistral AI Vibe 和 Microsoft Copilot。每個模型都收到相同的提示，以確保預測是在相同條件下生成的。該提示指示模型使用貝葉斯情境樹，識別三個涉及中本聰的最可能情境，分配總和為 100% 的機率，並估算中本聰的比特幣是否會移動以及中本聰的身份是否會被最終揭露的機率。模型被要求用一句話區分基於證據的假設與推測。
ChatGPT 5.5 估計幣移動的機率為 20%
處於高智能模式的 ChatGPT 5.5 分配了情境機率，並估計中本聰的比特幣最終移動的機率為 20%。該模型也估計身份最終揭露的機率為 15%。Kimi K2.6 Instant 和 Mistral AI Vibe 產生了與其他模型相比類似的離群值估計。Microsoft Copilot 估計早期比特幣移動的機率為 12%，身份最終揭露的機率為 8%，並賦予中本聰為一位隱居密碼學家 40% 的機率、一個小型團隊 35% 的機率，以及已故 15% 的機率。
Gemini 3.1 Pro 和 Deepseek Deepthink 賦予低於 5% 的移動機率
Gemini 3.1 Pro 將中本聰原始比特幣移動的機率設定在 5% 以下，身份最終揭露的機率約為 10%。該模型賦予一位已故早期貢獻者 45% 的機率、密碼龐克集體 30% 的機率，以及在世的匿名單一發明者 15% 的機率。Deepseek Deepthink 估計幣移動的機率為 5%，身份揭露為 8%，賦予已故情境 45% 的機率、在世且永久不活躍 30% 的機率，以及在世等待觸發 15% 的機率。Manus Lite 估計中本聰的比特幣最終移動的機率為 3%，身份最終揭露的機率為 12%，賦予已故孤獨創造者 45% 的機率、致力於永久匿名的在世個體 30% 的機率，以及多人集體 20% 的機率。
Grok 4.3 Expert 和 Claude 模型產生中間範圍估計
Grok 4.3 Expert 模式估計中本聰的比特幣最終移動的機率為 8%，身份最終揭露的機率為 14%。該模型賦予已故創造者且金鑰無法存取 42% 的機率、致力於永久保密的在世個體 33% 的機率，以及協調的小型團隊 15% 的機率。處於中智能模式的 Claude Sonnet 5 和處於高智能模式的 Claude Fable 5 產生的回應落在其他模型的範圍內。Qwen 3.7-Plus 估計比特幣移動的機率為 5%，身份揭露的機率為 15%，賦予已故情境 50% 的機率、隱藏 30% 的機率，以及解散團體 10% 的機率。Pi AI 提供的估計與更廣泛的模型共識一致。
AI 模型達成關於身份揭露機率低的共識
幾乎每個 AI 模型都達成了共識，認為中本聰的比特幣不太可能移動，而創始人的身份更不可能被最終確認。具體百分比因模型而異，但多年的錢包不活躍、缺乏密碼學證明以及極高的操作保密性，持續將預測推向相似的結論。幣移動的機率估計範圍從 3% 到 20%，而身份揭露的估計範圍從 8% 到 20%。ChatGPT 5.5、Kimi 的 K2.6 和 Mistral 的 Vibe 被認為是離群值，具有較高的機率估計。模型指出，創世時代錢包的長期不活躍是一個基於證據的假設，而分配給每個情境分支的具體機率值仍屬推測。
中本聰的比特幣最終移動的機率是多少？
根據受調查的 12 個 AI 模型，機率估計範圍從 3% 到 20%。Gemini 3.1 Pro 和 Deepseek Deepthink 賦予低於 5% 的機率，Manus Lite 估計為 3%，Grok 4.3 Expert 估計為 8%，Microsoft Copilot 估計為 12%，ChatGPT 5.5 估計為 20%。這些模型的估計基於中本聰的錢包自 2010 年以來保持不活躍、缺乏身份密碼學證明，並為已故創造者、致力於匿名的在世個體或協調團隊等情境分配了機率。
為何 AI 模型對中本聰身份被揭露賦予低機率？
AI 模型引用了多年的錢包不活躍、缺乏經驗證的聲明以及極高的操作保密性作為基於證據的因素。模型為已故創造者（各模型範圍從 15% 到 50%）、致力於永久匿名的在世個體（15% 到 33%）以及協調的小型團隊（10% 到 35%）等情境分配了機率。身份揭露的機率估計範圍從 8% 到 20%，大多數模型集中在 8-15% 的範圍內。模型區分指出，錢包休眠構成事實證據，而動機和未來行動則純屬推測。
AI 模型如何運用貝葉斯框架來預測中本聰的結果？
每個 AI 模型都收到一個提示，指示它們識別三個涉及中本聰的最可能情境，為每個情境加上一個「其他情境」類別分配總和為 100% 的機率，並根據這些權重估算幣移動和身份揭露的機率。模型分配的情境機率包括已故創造者（15-50%）、在世匿名個體（15-33%）、協調團隊（10-35%）以及其他情境（5-10%）。然後模型加權這些情境以產生最終的機率估計，並在其回應中區分基於證據的假設與推測。
