AI સંશોધકોની એક ટીમે 100 લાર્જ-લેંગ્વેજ-મોડેલ (LLM) એજન્ટ્સને 26 અઠવાડિયા સુધી એક બંધ-શહેરની અર્થવ્યવસ્થામાં ચલાવી, અને વાસ્તવિક ભૂગોળમાં વેતન, કિંમતો અને વેપારનું નિરીક્ષણ કર્યું. સામાન્ય રીતે થોડા દિવસો સુધી ચાલતા પ્રયોગો કરતા ઘણો લાંબો સમય ચાલેલા આ પ્રયોગના અંતે નાણાં મોટાભાગે એક જ જગ્યાએ સ્થિર થઈ ગયા હતા, જે કિંમતમાં જડતા (price rigidity), વેતનમાં જડતા (wage stickiness) અને એજન્ટોમાં રોકડ જમા રાખવાની વૃત્તિને ખુલ્લી પાડે છે.

લાંબા ગાળાનું મહત્વ કેમ છે

મોટાભાગના મલ્ટી-એજન્ટ આર્થિક સિમ્યુલેશન થોડા દિવસો પછી જ અટકી જાય છે, જે એવો પ્રભાવ પાડે છે કે બજારો ઝડપથી સ્વયં-નિયંત્રિત થાય છે. સમયગાળાને અડધા વર્ષ સુધી લંબાવવાથી એજન્ટોએ પ્રવાસીઓની માંગમાં અચાનક થયેલો ઉછાળો અનુભવ્યો, જેનાથી વ્યવસાયની આવક 4.62 ગણી વધી ગઈ. વધારાની રોકડ કામદારો અથવા નવા સાહસો તરફ વહેવાને બદલે, જે કંપનીઓએ તે કમાઈ હતી તેની અંદર જ રહી ગઈ. બજાર ચાલતું રહ્યું, પરંતુ નાણાં ભાગ્યે જ હલ્યા.

આંકડા શું દર્શાવે છે

  • કિંમતમાં જડતા (Price rigidity) – માંગમાં મોટો ફેરફાર હોવા છતાં, મેનૂની વસ્તુઓમાં માત્ર 0.3% કિંમતોમાં જ ફેરફાર જોવા મળ્યો.
  • વેતનમાં જડતા (Wage stickiness) – આવકમાં ઉછાળો આવવા છતાં વેતનમાં બહુ ફેરફાર થયો નહીં, જેના કારણે કામદારોની ખરીદશક્તિ સ્થિર રહી.
  • રોકડ જમા રાખવી (Cash hoarding) – એજન્ટો વચ્ચે ટ્રાન્સફર થયેલી રોકડના 96.7% એ પ્રાપ્તકર્તા પાસે જ રહી ગયા, જે ખર્ચ કરવા અથવા રોકાણ કરવામાં અનિચ્છા સૂચવે છે.
  • સામાજિક નિષ્ફળતા (Social failure) – એજન્ટો 94% થી 97% સમય સામાજિક રીતે સંકલન કરવામાં નિષ્ફળ રહ્યા, જે સામૂહિક નિર્ણય લેવાની પ્રક્રિયામાં પ્રણાલીગત નિષ્ફળતા દર્શાવે છે.

સિમ્યુલેશનમાં કડક હિસાબી પદ્ધતિ લાગુ કરવામાં આવી હતી: એજન્ટો નાણાં બનાવી શકતા નહોતા, અને દરેક વ્યવહાર સંતુલિત હોવો જોઈએ. આ મર્યાદાએ રોકડના પ્રવાહમાં કોઈપણ પ્રકારની અનિચ્છાની અસરને વધારી દીધી.

પરિણામો માટે મેમરી નહીં, પણ મોડેલ ફેમિલી જવાબદાર હતી

સંશોધકોએ એ ધારણા સાથે અભ્યાસ શરૂ કર્યો હતો કે ભૂતકાળની ક્રિયાપ્રતિક્રિયાઓની એજન્ટની મેમરી (યાદશક્તિ) વર્તણૂકમાં ફેરફાર લાવવા માટેનું મુખ્ય સાધન હશે. ડેટાએ તે અપેક્ષાને ખોટી સાબિત કરી. અન્ડરલાઇંગ LLM મોડેલ ફેમિલીમાં રહેલા તફાવતો—અલગ આર્કિટેક્ચર અને ટ્રેનિંગ સેટ્સ—એ કિંમત નિર્ધારણ, વેતન એડજસ્ટમેન્ટ અને રોકડ પ્રવાહમાં અલગ-અલગ પેટર્ન પેદા કરી. સમાન મેમરી મિકેનિઝમ્સ અલગ-અલગ મોડેલ ફેમિલીમાં અલગ રીતે વર્ત્યા, જે સૂચવે છે કે મેમરી કેવી રીતે અમલમાં મૂકવામાં આવે છે તેના કરતા મોડેલની પસંદગી વધુ મહત્વની છે.

કારણ કે આ ડેડલોક (અવરોધ) અનેક મોડેલ ફેમિલીમાં જોવા મળ્યો, તેથી લેખકો દલીલ કરે છે કે કિંમતમાં જડતા અને વેતનમાં જડતા એ માત્ર કોઈ એક અમલીકરણની ખામી નથી, પરંતુ વર્તમાન મલ્ટી-એજન્ટ સિસ્ટમ્સ માટેના આંતરિક પડકારો છે.

ડેવલપર્સ માટે સૂચનો

  • ટૂંકા ગાળાના પ્રયોગો ધીમી ગતિશીલતાને છુપાવે છે. થોડા દિવસોના સિમ્યુલેશનમાં સંપત્તિમાં થતા ફેરફારો અને સંકલન નિષ્ફળતાઓને ચૂકી શકાય છે, જે અઠવાડિયા કે મહિનાઓ પછી જ સામે આવે છે.
  • મોડેલની કાળજીપૂર્વક પસંદગી કરો. મેમરી વિન્ડોમાં ફેરફાર કરવા જેટલો જ મોડેલ ફેમિલી બદલવાથી આર્થિક પરિણામો બદલાઈ શકે છે.
  • ટ્રાન્ઝેક્શન વેલોસિટી (વ્યવહારની ગતિ) પર નજર રાખો. રોકડની અવરજવરમાં અચાનક ઘટાડો બજાર-વ્યાપી ફ્રીઝ (સ્થિરતા) નો સંકેત આપે છે જેના માટે હસ્તક્ષેપની જરૂર પડી શકે છે.
  • ટોકન વપરાશ માટે બજેટ રાખો. 26 અઠવાડિયાના પ્રયોગમાં 21.5 અબજ ટોકન વપરાયા હતા, જેનો ખર્ચ રન લેન્થ અને એજન્ટની સંખ્યા સાથે ઝડપથી વધે છે.

વિરોધ પક્ષ (Counterpoint)

કોઈ એવી દલીલ કરી શકે છે કે બંધ-અર્થતંત્રની ડિઝાઇન—કોઈ બાહ્ય નાણાંનું સર્જન નહીં, કડક સંતુલન નિયમો—એક કૃત્રિમ અછત ઊભી કરે છે જે હોર્ડિંગ (રોકડ જમા રાખવાની) વર્તણૂકને વધારી દે છે. વાસ્તવિક અર્થતંત્રો ક્રેડિટ, સરકારી ખર્ચ અને નાણાકીય નીતિથી લાભ મેળવે છે, જે પદ્ધતિઓ આ ટેસ્ટબેડમાં ગેરહાજર છે. જોકે, અભ્યાસનો હેતુ એજન્ટ-સંચાલિત ગતિશીલતાને અલગ તારવવાનો હતો, અને માંગમાં મોટો ઉછાળો આવવા છતાં પણ અવલોકન કરેલી જડતા યથાવત રહી હતી.

આગળ શું જોવું

ભવિષ્યના કાર્યોમાં એ ચકાસવાની જરૂર પડશે કે બાહ્ય લિક્વિડિટી (તરલતા) લાવવાથી અથવા હિસાબી નિયમોમાં છૂટછાટ આપવાથી ડેડલોક હળવું થાય છે કે નહીં, અને શું નવા LLM ફેમિલીઝ અવલોકન કરેલી જડતા ઘટાડે છે. ટ્રાન્ઝેક્શન વેલોસિટી નીતિ જેવા સાધનો સામે કેવી પ્રતિક્રિયા આપે છે તેનું ટ્રેકિંગ એજન્ટોને વધુ પ્રવાહી બજાર વર્તણૂક તરફ વાળવાની રીતો પણ પ્રગટ કરી શકે છે.

મુખ્ય વાત: મલ્ટી-એજન્ટ સિમ્યુલેશનને સામાન્ય ટૂંકા ગાળાથી આગળ લંબાવવાથી આર્થિક ઘર્ષણ સામે આવે છે, જે માત્ર મેમરી ડિઝાઇન નહીં, પણ મોડેલની પસંદગી દ્વારા નક્કી થાય છે. AI-સંચાલિત અર્થતંત્રો બનાવનારાઓએ લાંબા ગાળાના પ્લાન કરવા જોઈએ, રોકડ પ્રવાહ પર નજીકથી નજર રાખવી જોઈએ અને સિસ્ટમિક લવચીકતાને ધ્યાનમાં રાખીને તેમના અન્ડરલાઇંગ LLMs પસંદ કરવા જોઈએ.