یک تیم از پژوهشگران هوش مصنوعی اجازه دادند ۱۰۰ عامل مدل زبانی بزرگ (LLM) یک اقتصاد شهر بسته را به مدت ۲۶ هفته اداره کنند و در این مدت دستمزدها، قیمتها و تجارت را در یک جغرافیای واقعی زیر نظر گرفتند. این آزمایش که بسیار طولانیتر از اجراهای معمول چندروزه بود، با منجمد شدن بخش بزرگی از پول در جای خود به پایان رسید و صلبیت قیمت، چسبندگی دستمزد و تمایل عاملها به انبار کردن پول نقد را آشکار کرد.
چرا بازه زمانی طولانی اهمیت دارد
بسیاری از شبیهسازیهای اقتصادی چندعاملی پس از چند روز متوقف میشوند و این تصور را ایجاد میکنند که بازارها به سرعت خودتنظیم میشوند. اما طولانیتر کردن بازه زمانی به نیم سال، اجازه داد تا عاملها افزایش ناگهانی تقاضای گردشگران را تجربه کنند که درآمد کسبوکارها را ۴.۶۲ برابر افزایش داد. به جای اینکه این پول اضافی به سمت کارگران یا سرمایهگذاریهای جدید جریان یابد، در همان شرکتهایی که آن را به دست آورده بودند، باقی ماند. بازار همچنان در حال چرخش بود، اما پول به سختی حرکت میکرد.
آنچه اعداد آشکار میکنند
- صلبیت قیمت – حتی با وجود نوسانات شدید تقاضا، تنها ۰.۳٪ از اقلام منو شاهد تغییر قیمت بودند.
- چسبندگی دستمزد – با وجود جهش درآمد، دستمزدها به ندرت تغییر کردند و قدرت خرید کارگران ثابت ماند.
- انبار کردن پول نقد – ۹۶.۷٪ از پول نقد منتقل شده بین عاملها نزد دریافتکننده باقی ماند که نشاندهنده بیمیلی به خرج کردن یا سرمایهگذاری است.
- شکست اجتماعی – عاملها در ۹۴٪ تا ۹۷٪ مواقع در هماهنگی اجتماعی شکست خوردند که نشاندهنده فروپاشی سیستماتیک در تصمیمگیری جمعی است.
این شبیهسازی یک حسابداری سختگیرانه را اعمال میکرد: عاملها نمیتوانستند پول خلق کنند و هر تراکنش باید تراز میشد. این محدودیت، تأثیر هرگونه بیمیلی برای گردش پول نقد را تشدید کرد.
خانواده مدل، نه حافظه، عامل اصلی نتایج بود
پژوهشگران با این فرض وارد مطالعه شدند که حافظه عامل از تعاملات گذشته، اهرم اصلی برای تغییر رفتار خواهد بود. اما دادهها این انتظار را رد کردند. تفاوتها در خانواده مدلهای LLM زیربنایی — یعنی معماریها و مجموعهدادههای آموزشی متفاوت — الگوهای متمایزی در قیمتگذاری، تعدیل دستمزد و جریان نقدینگی ایجاد کرد. مکانیسمهای حافظه مشابه در خانوادههای مختلف مدل، رفتارهای متفاوتی داشتند؛ این امر نشان میدهد که انتخاب مدل مهمتر از نحوه پیادهسازی حافظه است.
از آنجایی که این بنبست در چندین خانواده مدل ظاهر شد، نویسندگان استدلال میکنند که صلبیت قیمت و چسبندگی دستمزد، صرفاً ویژگیهای عجیب یک پیادهسازی خاص نیستند، بلکه چالشهای ذاتی برای سیستمهای چندعاملی فعلی محسوب میشوند.
پیامدها برای توسعهدهندگان
- بازه های کوتاه، دینامیکهای کند را پنهان میکنند. چند روز شبیهسازی میتواند تغییرات ثروت و شکستهای هماهنگی را که تنها پس از هفتهها یا ماهها ظاهر میشوند، نادیده بگیرد.
- مدل را با دقت انتخاب کنید. تغییر به یک خانواده LLM متفاوت میتواند نتایج اقتصادی را به اندازه تغییر در پنجرههای حافظه تغییر دهد.
- سرعت تراکنشها را زیر نظر داشته باشید. کند شدن ناگهانی حرکت پول نقد، نشاندهنده انجماد در سطح بازار است که ممکن است نیاز به مداخله داشته باشد.
- بودجهبندی برای مصرف توکن. آزمایش ۲۶ هفتهای ۲۱.۵ میلیارد توکن مصرف کرد؛ هزینهای که با افزایش طول دوره و تعداد عاملها، به شدت افزایش مییابد.
دیدگاه مخالف
میتوان استدلال کرد که طراحی اقتصاد بسته — بدون خلق پول خارجی و قوانین تراز سختگیرانه — یک کمیابی مصنوعی ایجاد میکند که رفتار انبار کردن را اغراقآمیز جلوه میدهد. اقتصادهای واقعی از اعتبار، هزینههای دولتی و سیاستهای پولی بهره میبرند؛ مکانیسمهایی که در این محیط آزمایشی وجود ندارند. با این حال، هدف این مطالعه جداسازی دینامیکهای عاملمحور بود و صلبیت مشاهدهشده حتی زمانی که تقاضا به شدت افزایش یافت، همچنان پابرجا بود.
آنچه در آینده باید زیر نظر داشت
کارهای آینده باید آزمایش کنند که آیا معرفی نقدینگی خارجی یا قوانین حسابداری تسهیلشده، این بنبست را کاهش میدهد یا خیر، و آیا خانوادههای جدیدتر LLM صلبیت مشاهدهشده را کم میکنند یا نه. ردیابی اینکه سرعت تراکنشها چگونه به اهرمهای سیاستگذارانه پاسخ میدهد نیز میتواند راههایی برای ترغیب عاملها به رفتارهای روانتر در بازار را آشکار کند.
نکته کلیدی: طولانیتر کردن شبیهسازیهای چندعاملی فراتر از بازههای زمانی معمول، اصطکاکهای اقتصادی ریشهداری را آشکار میکند که انتخاب مدل، و نه فقط طراحی حافظه، تعیینکننده آنهاست. سازندگان اقتصادهای مبتنی بر هوش مصنوعی باید برای دورههای طولانی برنامهریزی کنند، جریان نقدینگی را به دقت زیر نظر داشته باشند و LLMهای زیربنایی خود را با نگاهی به انعطافپذیری سیستم انتخاب کنند.