AI ಸಂಶೋಧಕರ ತಂಡವು 100 ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿ (LLM) ಏಜೆಂಟ್‌ಗಳನ್ನು 26 ವಾರಗಳ ಕಾಲ ಒಂದು ಮುಚ್ಚಿದ ಪಟ್ಟಣದ ಆರ್ಥಿಕತೆಯಲ್ಲಿ ನಡೆಸಿತು, ಅಲ್ಲಿ ನೈಜ ಪ್ರಪಂಚದ ಭೌಗೋಳಿಕತೆಯಲ್ಲೇ ವೇತನ, ಬೆಲೆ ಮತ್ತು ವ್ಯಾಪಾರವನ್ನು ಗಮನಿಸಲಾಯಿತು. ಸಾಮಾನ್ಯ ಕೆಲವು ದಿನಗಳ ಚಾಲನೆಯಿಗಿಂತ ಬಹಳ ದೀರ್ಘವಾದ ಈ ಪ್ರಯೋಗವು, ಹಣವು ಬಹುಪಾಲು ಕಡೆಗಳಲ್ಲಿ ಸ್ಥಗಿತಗೊಂಡಿದ್ದ ಸ್ಥಿತಿಯೊಂದಿಗೆ ಕೊನೆಗೊಂಡಿತು, ಇದು ಬೆಲೆ ಸ್ಥಿರತೆ (price rigidity), ವೇತನ ಸ್ಥಿರತೆ (wage stickiness) ಮತ್ತು ಏಜೆಂಟ್‌ಗಳು ನಗದು ಸಂಗ್ರಹಿಸುವ ಪ್ರವೃತ್ತಿಯನ್ನು ಎತ್ತಿ ತೋರಿಸಿತು.

ದೀರ್ಘಾವಧಿಯು ಏಕೆ ಮುಖ್ಯ?

ಹೆಚ್ಚಿನ ಮಲ್ಟಿ-ಏಜೆಂಟ್ ಆರ್ಥಿಕ ಸಿಮ್ಯುಲೇಶನ್‌ಗಳು ಕೆಲವು ದಿನಗಳ ನಂತರವೇ ನಿಲ್ಲುತ್ತವೆ, ಇದು ಮಾರುಕಟ್ಟೆಗಳು ವೇಗವಾಗಿ ಸ್ವಯಂ-ಹೊಂದಾಣಿಕೆ ಮಾಡಿಕೊಳ್ಳುತ್ತವೆ ಎಂಬ ಕಲ್ಪನೆಯನ್ನು ನೀಡುತ್ತದೆ. ಕಾಲಮಿತಿಯನ್ನು ಅರ್ಧ ವರ್ಷಕ್ಕೆ ವಿಸ್ತರಿಸಿದಾಗ, ಏಜೆಂಟ್‌ಗಳು ಪ್ರವಾಸಿ ಬೇಡಿಕೆಯ ಹಠಾತ್ ಏರಿಕೆಯನ್ನು ಅನುಭವಿಸಿದರು, ಇದು ವ್ಯವಹಾರದ ಆದಾಯವನ್ನು 4.62 ಪಟ್ಟು ಹೆಚ್ಚಿಸಿತು. ಆದರೆ, ಈ ಹೆಚ್ಚುವರಿ ಹಣವು ಕಾರ್ಮಿಕರಿಗೆ ಅಥವಾ ಹೊಸ ಉದ್ಯಮಗಳಿಗೆ ಹರಿಯುವ ಬದಲು, ಅದನ್ನು ಗಳಿಸಿದ ಸಂಸ್ಥೆಗಳಲ್ಲೇ ಉಳಿಯಿತು. ಮಾರುಕಟ್ಟೆಯ ಚಟುವಟಿಕೆಗಳು ಮುಂದುವರಿದವು, ಆದರೆ ಹಣವು ಅಷ್ಟಾಗಿ ಚಲಿಸಲಿಲ್ಲ.

ಅಂಕಿಅಂಶಗಳು ಏನನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತವೆ

  • ಬೆಲೆ ಸ್ಥಿರತೆ (Price rigidity) – ಬೇಡಿಕೆಯು ತೀವ್ರವಾಗಿ ಏರಿಳಿತಗೊಂಡರೂ ಸಹ, ಕೇವಲ 0.3% ಮೆನು ಐಟಂಗಳು ಮಾತ್ರ ಬೆಲೆ ಬದಲಾವಣೆಯನ್ನು ಕಂಡವು.
  • ವೇತನ ಸ್ಥಿರತೆ (Wage stickiness) – ಆದಾಯದ ಏರಿಕೆ ಇದ್ದರೂ ವೇತನಗಳು ಅಲ್ಪ ಪ್ರಮಾಣದಲ್ಲಿ ಮಾತ್ರ ಬದಲಾದವು, ಇದರಿಂದ ಕಾರ್ಮಿಕರ ಕೊಳ್ಳುವ ಶಕ್ತಿ ಸ್ಥಗಿತಗೊಂಡಿತು.
  • ನಗದು ಸಂಗ್ರಹಣೆ (Cash hoarding) – ಏಜೆಂಟ್‌ಗಳ ನಡುವೆ ವರ್ಗಾವಣೆಯಾದ ನಗದಿನ ಶೇ. 96.7 ರಷ್ಟು ಹಣ ಸ್ವೀಕರಿಸಿದವರ ಬಳಿಯೇ ಉಳಿಯಿತು, ಇದು ಹಣವನ್ನು ಖರ್ಚು ಮಾಡಲು ಅಥವಾ ಹೂಡಿಕೆ ಮಾಡಲು ಇರುವ ಹಿಂಜರಿಕೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ.
  • ಸಾಮಾಜಿಕ ವೈಫಲ್ಯ (Social failure) – ಏಜೆಂಟ್‌ಗಳು ಶೇ. 94 ರಿಂದ ಶೇ. 97 ರಷ್ಟು ಸಮಯ ಸಾಮಾಜಿಕವಾಗಿ ಸಮನ್ವಯ ಸಾಧಿಸಲು ವಿಫಲವಾದವು, ಇದು ಸಾಮೂಹಿಕ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಲ್ಲಿನ ವ್ಯವಸ್ಥಿತ ವೈಫಲ್ಯವನ್ನು ತೋರಿಸುತ್ತದೆ.

ಸಿಮ್ಯುಲೇಶನ್ ಕಟ್ಟುನಿಟ್ಟಾದ ಲೆಕ್ಕಪತ್ರವನ್ನು ಜಾರಿಗೊಳಿಸಿತು: ಏಜೆಂಟ್‌ಗಳು ಹಣವನ್ನು ಸೃಷ್ಟಿಸಲು ಸಾಧ್ಯವಿರಲಿಲ್ಲ ಮತ್ತು ಪ್ರತಿಯೊಂದು ವಹಿವಾಟು ಸಮತೋಲನದಲ್ಲಿರಬೇಕಿತ್ತು. ಈ ನಿರ್ಬಂಧವು ಹಣವನ್ನು ಚಲಾವಣೆಯಲ್ಲಿ ತರಲು ಇರುವ ಯಾವುದೇ ಹಿಂಜರಿಕೆಯ ಪರಿಣಾಮವನ್ನು ಮತ್ತಷ್ಟು ಹೆಚ್ಚಿಸಿತು.

ನೆನಪಿನ ಶಕ್ತಿಯಲ್ಲ, ಮಾದರಿಯ ಕುಟುಂಬವೇ ಫಲಿತಾಂಶಗಳನ್ನು ನಿರ್ಧರಿಸಿತು

ಸಂಶೋಧಕರು ಈ ಅಧ್ಯಯನವನ್ನು ಪ್ರಾರಂಭಿಸುವಾಗ, ಏಜೆಂಟ್‌ನ ಹಿಂದಿನ ಸಂವಹನಗಳ ನೆನಪು (memory) ವರ್ತನೆಯ ಬದಲಾವಣೆಗೆ ಪ್ರಾಥಮಿಕ ಅಂಶವಾಗಿರುತ್ತದೆ ಎಂದು ಭಾವಿಸಿದ್ದರು. ಆದರೆ ದತ್ತಾಂಶವು ಆ ನಿರೀಕ್ಷೆಯನ್ನು ಸುಳ್ಳಾಗಿಸಿತು. ಮೂಲಭೂತ LLM ಮಾದರಿ ಕುಟುಂಬದಲ್ಲಿನ ವ್ಯತ್ಯಾಸಗಳು—ವಿಭಿನ್ನ ಆರ್ಕಿಟೆಕ್ಚರ್‌ಗಳು ಮತ್ತು ತರಬೇತಿ ಸೆಟ್‌ಗಳು—ಬೆಲೆ ನಿಗದಿ, ವೇತನ ಹೊಂದಾಣಿಕೆ ಮತ್ತು ನಗದು ಹರಿವಿನಲ್ಲಿ ವಿಭಿನ್ನ ಮಾದರಿಗಳನ್ನು ಸೃಷ್ಟಿಸಿದವು. ಒಂದೇ ರೀತಿಯ ನೆನಪಿನ ಕಾರ್ಯವಿಧಾನಗಳು ವಿಭಿನ್ನ ಮಾದರಿ ಕುಟುಂಬಗಳಲ್ಲಿ ವಿಭಿನ್ನವಾಗಿ ವರ್ತಿಸಿದವು, ಇದು ನೆನಪನ್ನು ಹೇಗೆ ಅಳವಡಿಸಲಾಗಿದೆ ಎನ್ನುವುದಕ್ಕಿಂತ ಮಾದರಿಯ ಆಯ್ಕೆ ಹೆಚ್ಚು ಮುಖ್ಯ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ.

ಈ ಸ್ಥಗಿತವು ಹಲವಾರು ಮಾದರಿ ಕುಟುಂಬಗಳಲ್ಲಿ ಕಂಡುಬಂದಿದ್ದರಿಂದ, ಬೆಲೆ ಸ್ಥಿರತೆ ಮತ್ತು ವೇತನ ಸ್ಥಿರತೆಯು ಕೇವಲ ಒಂದು ನಿರ್ದಿಷ್ಟ ಅಳವಡಿಕೆಯ ದೋಷಗಳಲ್ಲ, ಬದಲಾಗಿ ಪ್ರಸ್ತುತ ಮಲ್ಟಿ-ಏಜೆಂಟ್ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಇರುವ ಅಂತರ್ಗತ ಸವಾಲುಗಳು ಎಂದು ಲೇಖಕರು ವಾದಿಸುತ್ತಾರೆ.

ಡೆವಲಪರ್‌ಗಳಿಗೆ ಸೂಚನೆಗಳು

  • ಅಲ್ಪಾವಧಿಯ ಚಾಲನೆಗಳು ನಿಧಾನಗತಿಯ ಚಲನಶೀಲತೆಯನ್ನು ಮರೆಮಾಚುತ್ತವೆ. ಕೆಲವು ದಿನಗಳ ಸಿಮ್ಯುಲೇಶನ್ ವಾರಗಳು ಅಥವಾ ತಿಂಗಳುಗಳ ನಂತರವೇ ಹೊರಬರುವ ಸಂಪತ್ತಿನ ಬದಲಾವಣೆಗಳು ಮತ್ತು ಸಮನ್ವಯ ವೈಫಲ್ಯಗಳನ್ನು ಗುರುತಿಸಲು ವಿಫಲವಾಗಬಹುದು.
  • ಮಾದರಿಯನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಆಯ್ಕೆ ಮಾಡಿ. ನೆನಪಿನ ವಿಂಡೋಗಳನ್ನು (memory windows) ಸರಿಹೊಂದಿಸುವುದಕ್ಕಿಂತ ವಿಭಿನ್ನ LLM ಕುಟುಂಬಕ್ಕೆ ಬದಲಾಗುವುದು ಆರ್ಥಿಕ ಫಲಿತಾಂಶಗಳನ್ನು ಅಷ್ಟೇ ಬದಲಾಯಿಸಬಹುದು.
  • ವಹಿವಾಟಿನ ವೇಗವನ್ನು (transaction velocity) ಗಮನಿಸಿ. ನಗದು ಚಲನೆಯಲ್ಲಿನ ಹಠಾತ್ ನಿಧಾನಗತಿಯು ಮಾರುಕಟ್ಟೆಯಾದ್ಯಂತ ಸ್ಥಗಿತಗೊಂಡಿರುವುದರ ಸಂಕೇತವಾಗಿದೆ, ಇದು ಮಧ್ಯಸ್ಥಿಕೆಯ ಅಗತ್ಯವನ್ನು ಹೊಂದಿರಬಹುದು.
  • ಟೋಕನ್ ಬಳಕೆಗೆ ಬಜೆಟ್ ನಿಗದಿಪಡಿಸಿ. 26 ವಾರಗಳ ಪ್ರಯೋಗವು 21.5 ಬಿಲಿಯನ್ ಟೋಕನ್‌ಗಳನ್ನು ಬಳಸಿತು, ಈ ವೆಚ್ಚವು ಚಾಲನೆಯ ಅವಧಿ ಮತ್ತು ಏಜೆಂಟ್‌ಗಳ ಸಂಖ್ಯೆಯೊಂದಿಗೆ ವೇಗವಾಗಿ ಹೆಚ್ಚಾಗುತ್ತದೆ.

ವಿರೋಧಾತ್ಮಕ ವಾದ

ಮುಚ್ಚಿದ ಆರ್ಥಿಕತೆಯ ವಿನ್ಯಾಸವು—ಯಾವುದೇ ಬಾಹ್ಯ ಹಣ ಸೃಷ್ಟಿ ಇಲ್ಲದಿರುವುದು, ಕಟ್ಟುನಿಟ್ಟಾದ ಸಮತೋಲನ ನಿಯಮಗಳು—ಹಣ ಸಂಗ್ರಹಣೆಯ ವರ್ತನೆಯನ್ನು ಅತಿಶಯೀಕರಿಸುವ ಕೃತಕ ಕೊರತೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ ಎಂದು ವಾದಿಸಬಹುದು. ನೈಜ ಆರ್ಥಿಕತೆಗಳು ಸಾಲ (credit), ಸರ್ಕಾರದ ವೆಚ್ಚ ಮತ್ತು ಹಣಕಾಸು ನೀತಿಯಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯುತ್ತವೆ, ಇವು ಈ ಪರೀಕ್ಷಾ ವೇದಿಕೆಯಲ್ಲಿ ಇಲ್ಲದ ಕಾರ್ಯವಿಧಾನಗಳಾಗಿವೆ. ಆದಾಗ್ಯೂ, ಈ ಅಧ್ಯಯನದ ಉದ್ದೇಶ ಏಜೆಂಟ್-ಚಾಲಿತ ಚಲನಶೀಲತೆಯನ್ನು ಪ್ರತ್ಯೇಕಿಸುವುದಾಗಿತ್ತು ಮತ್ತು ಬೇಡಿಕೆಯು ತೀವ್ರವಾಗಿ ಏರಿದಾಗಲೂ ಕಂಡುಬಂದ ಸ್ಥಿರತೆಯು ಮುಂದುವರಿಯಿತು.

ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು

ಭವಿಷ್ಯದ ಕೆಲಸಗಳು ಬಾಹ್ಯ ದ್ರವ್ಯತೆ (external liquidity) ಅಥವಾ ಸಡಿಲವಾದ ಲೆಕ್ಕಪತ್ರ ನಿಯಮಗಳನ್ನು ಪರಿಚಯಿಸುವುದು ಸ್ಥಗಿತವನ್ನು ನಿವಾರಿಸುತ್ತದೆಯೇ ಮತ್ತು ಹೊಸ LLM ಕುಟುಂಬಗಳು ಕಂಡುಬಂದ ಸ್ಥಿರತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆಯೇ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸಬೇಕಾಗುತ್ತದೆ. ವಹಿವಾಟಿನ ವೇಗವು ನೀತಿ-ಸದೃಶ ನಿಯಂತ್ರಕಗಳಿಗೆ ಹೇಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು ಏಜೆಂಟ್‌ಗಳನ್ನು ಹೆಚ್ಚು ಸುಗಮ ಮಾರುಕಟ್ಟೆ ವರ್ತನೆಯತ್ತ ಸೆಳೆಯುವ ಮಾರ್ಗಗಳನ್ನು ಬಹಿರಂಗಪಡಿಸಬಹುದು.

ಮುಖ್ಯ ಅಂಶ: ಮಲ್ಟಿ-ಏಜೆಂಟ್ ಸಿಮ್ಯುಲೇಶನ್‌ಗಳನ್ನು ಸಾಮಾನ್ಯ ಅಲ್ಪಾವಧಿಯ ಮಿತಿಗಿಂತ ವಿಸ್ತರಿಸಿದಾಗ, ಕೇವಲ ನೆನಪಿನ ವಿನ್ಯಾಸವಲ್ಲದೆ ಮಾದರಿಯ ಆಯ್ಕೆಯೇ ನಿರ್ಧರಿಸುವ ಆಳವಾದ ಆರ್ಥಿಕ ಘರ್ಷಣೆಗಳು ಹೊರಬರುತ್ತವೆ. AI-ಚಾಲಿತ ಆರ್ಥಿಕತೆಗಳ ನಿರ್ಮಾತೃಗಳು ದೀರ್ಘಾವಧಿಯ ಯೋಜನೆಗಳನ್ನು ರೂಪಿಸಬೇಕು, ನಗದು ಹರಿವನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಗಮನಿಸಬೇಕು ಮತ್ತು ವ್ಯವಸ್ಥಿತ ನಮ್ಯತೆಗಾಗಿ (systemic flexibility) ತಮ್ಮ ಮೂಲಭೂತ LLMಗಳನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಆಯ್ಕೆ ಮಾಡಬೇಕು.