AI शोधकर्ताओं की एक टीम ने 100 लार्ज-लैंग्वेज-मॉडल (LLM) एजेंटों को 26 हफ्तों तक एक बंद-शहर की अर्थव्यवस्था चलाने दिया, और वास्तविक दुनिया के भूगोल में मजदूरी, कीमतों और व्यापार पर नज़र रखी। यह प्रयोग, जो सामान्य कुछ दिनों के प्रयोगों की तुलना में बहुत लंबा था, अंत में इस स्थिति के साथ समाप्त हुआ जहाँ पैसा काफी हद तक एक ही जगह जम गया, जिससे कीमतों में जड़ता (price rigidity), वेतन में स्थिरता (wage stickiness) और एजेंटों द्वारा नकदी जमा करने की प्रवृत्ति का पता चला।

लंबी अवधि क्यों महत्वपूर्ण है

अधिकांश मल्टी-एजेंट आर्थिक सिमुलेशन कुछ ही दिनों के बाद रुक जाते हैं, जिससे यह आभास होता है कि बाजार तेजी से खुद को समायोजित कर लेते हैं। समय सीमा को आधा साल तक बढ़ाने से एजेंटों ने पर्यटकों की मांग में अचानक उछाल का अनुभव किया, जिससे व्यावसायिक राजस्व 4.62 गुना बढ़ गया। अतिरिक्त नकदी श्रमिकों या नए उद्यमों तक पहुँचने के बजाय, उन्हीं फर्मों के पास रही जिन्होंने इसे कमाया था। बाजार चलता रहा, लेकिन पैसा शायद ही कहीं हिला।

आंकड़े क्या दर्शाते हैं

  • कीमतों में जड़ता (Price rigidity) – मांग में भारी उतार-चढ़ाव के बावजूद, मेनू की वस्तुओं में से केवल 0.3% की कीमतों में कभी बदलाव देखा गया।
  • वेतन में स्थिरता (Wage stickiness) – राजस्व में उछाल के बावजूद वेतन में शायद ही कोई बदलाव आया, जिससे श्रमिकों की क्रय शक्ति स्थिर रही।
  • नकदी जमाखोरी (Cash hoarding) – एजेंटों के बीच स्थानांतरित 96.7% नकदी प्राप्तकर्ता के पास ही रही, जो खर्च करने या निवेश करने में अनिच्छा को दर्शाती है।
  • सामाजिक विफलता (Social failure) – एजेंट 94% से 97% समय सामाजिक रूप से समन्वय करने में विफल रहे, जो सामूहिक निर्णय लेने में एक प्रणालीगत विफलता को दर्शाता है।

सिमुलेशन ने सख्त अकाउंटिंग लागू की: एजेंट पैसा नहीं बना सकते थे, और हर लेनदेन का संतुलन होना आवश्यक था। इस बाधा ने नकदी के प्रसार में किसी भी अनिच्छा के प्रभाव को और बढ़ा दिया।

मॉडल फैमिली, न कि मेमोरी, परिणामों का कारण बनी

शोधकर्ताओं ने यह मानकर अध्ययन शुरू किया था कि पिछले इंटरैक्शन की एजेंट की याददाश्त (memory) व्यवहार परिवर्तन के लिए प्राथमिक कारक होगी। डेटा ने उस अपेक्षा का खंडन किया। अंतर्निहित LLM मॉडल फैमिली—विभिन्न आर्किटेक्चर और ट्रेनिंग सेट—ने कीमतों के निर्धारण, वेतन समायोजन और नकदी प्रवाह में अलग-अलग पैटर्न पैदा किए। समान मेमोरी मैकेनिज्म अलग-अलग मॉडल फैमिली में अलग तरह से व्यवहार करते हैं, जिससे पता चलता है कि मॉडल का चुनाव मेमोरी के कार्यान्वयन के तरीके से अधिक महत्वपूर्ण है।

चूंकि यह गतिरोध कई मॉडल फैमिली में दिखाई दिया, इसलिए लेखकों का तर्क है कि कीमतों में जड़ता और वेतन में स्थिरता किसी एक कार्यान्वयन की खामियां नहीं हैं, बल्कि वर्तमान मल्टी-एजेंट सिस्टम के लिए अंतर्निहित चुनौतियां हैं।

डेवलपर्स के लिए निहितार्थ

  • कम अवधि की अवधि धीमी गतिशीलता को छिपा देती है। कुछ दिनों का सिमुलेशन धन के बदलाव और समन्वय की विफलताओं को मिस कर सकता है जो केवल हफ्तों या महीनों के बाद सामने आते हैं।
  • मॉडल का सावधानीपूर्वक चयन करें। किसी अलग LLM फैमिली पर स्विच करने से आर्थिक परिणाम उतने ही बदल सकते हैं जितना कि मेमोरी विंडो को ट्यून करना।
  • लेनदेन की गति (transaction velocity) पर नज़र रखें। नकदी की आवाजाही में अचानक आई कमी बाजार-व्यापी फ्रीज का संकेत देती है जिसके लिए हस्तक्षेप की आवश्यकता हो सकती है।
  • टोकन उपयोग के लिए बजट बनाएं। 26-सप्ताह के प्रयोग में 21.5 बिलियन टोकन खर्च हुए, एक ऐसी लागत जो रन की लंबाई और एजेंटों की संख्या के साथ तेजी से बढ़ती है।

प्रतिवाद (Counterpoint)

कोई यह तर्क दे सकता है कि बंद-अर्थव्यवस्था का डिज़ाइन—कोई बाहरी धन सृजन नहीं, सख्त संतुलन नियम—एक कृत्रिम कमी पैदा करता है जो जमाखोरी के व्यवहार को बढ़ा देता है। वास्तविक अर्थव्यवस्थाएं क्रेडिट, सरकारी खर्च और मौद्रिक नीति से लाभान्वित होती हैं, जो इस टेस्टबेड में अनुपस्थित हैं। हालांकि, अध्ययन का उद्देश्य एजेंट-संचालित गतिशीलता को अलग करना था, और मांग में भारी उछाल आने के बावजूद देखी गई जड़ता बनी रही।

आगे क्या देखना है

भविष्य के कार्यों में यह परीक्षण करने की आवश्यकता होगी कि क्या बाहरी लिक्विडिटी (liquidity) या ढीले अकाउंटिंग नियम गतिरोध को कम करते हैं, और क्या नए LLM फैमिली देखी गई जड़ता को कम करते हैं। यह ट्रैक करना कि लेनदेन की गति नीति जैसे लीवर्स (levers) पर कैसे प्रतिक्रिया करती है, एजेंटों को अधिक तरल बाजार व्यवहार के लिए प्रेरित करने के तरीके भी प्रकट कर सकता है।

निष्कर्ष (Takeaway): मल्टी-एजेंट सिमुलेशन को सामान्य कम अवधि से आगे बढ़ाने पर वे आर्थिक घर्षण (economic frictions) सामने आते हैं जिन्हें केवल मेमोरी डिज़ाइन ही नहीं, बल्कि मॉडल का चुनाव भी निर्धारित करता है। AI-संचालित अर्थव्यवस्थाओं के निर्माता लंबी अवधि की योजना बनाने, नकदी प्रवाह की बारीकी से निगरानी करने और प्रणालीगत लचीलेपन को ध्यान में रखते हुए अपने अंतर्निहित LLMs का चयन करने चाहिए।