AI ഗവേഷകർ 100 ലാർജ്-ലാംഗ്വേജ്-മോഡൽ (LLM) ഏജന്റുകളെ ഉപയോഗിച്ച് 26 ആഴ്ചക്കാലം ഒരു അടഞ്ഞ സാമ്പത്തിക വ്യവസ്ഥ (closed-town economy) പ്രവർത്തിപ്പിച്ചു. യഥാർത്ഥ ഭൂമിശാസ്ത്രപരമായ സാഹചര്യങ്ങളിൽ വേതനം, വില, വ്യാപാരം എന്നിവ അവർ നിരീക്ഷിച്ചു. സാധാരണയായി ഏതാനും ദിവസങ്ങൾ മാത്രം നീണ്ടുനിൽക്കുന്ന പരീക്ഷണങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായി, ആറ് മാസത്തോളം നീണ്ടുനിന്ന ഈ പരീക്ഷണം പണം ഒരിടത്ത് തന്നെ തങ്ങിനിൽക്കുന്ന അവസ്ഥയിലാണ് അവസാനിച്ചത്. ഇത് വിലയിലെ മാറ്റമില്ലായ്മ (price rigidity), വേതനത്തിലെ മാറ്റമില്ലായ്മ (wage stickiness), ഏജന്റുകൾ പണം കയ്യിൽ സൂക്ഷിച്ചുവെക്കാനുള്ള പ്രവണത എന്നിവ വെളിപ്പെടുത്തി.

Why the long run matters

മിക്ക മൾട്ടി-ഏജന്റ് സാമ്പത്തിക സിമുലേഷനുകളും ഏതാനും ദിവസങ്ങൾ കൊണ്ട് അവസാനിക്കുന്നതിനാൽ, വിപണികൾ വേഗത്തിൽ സ്വയം ക്രമീകരിക്കപ്പെടുന്നു എന്ന തെറ്റായ ധാരണ നൽകുന്നു. എന്നാൽ കാലയളവ് അര വർഷത്തേക്ക് നീട്ടിയപ്പോൾ, വിനോദസഞ്ചാരികളുടെ ആവശ്യകതയിൽ ഉണ്ടായ പെട്ടെന്നുള്ള വർദ്ധനവ് ബിസിനസ് വരുമാനം 4.62 മടങ്ങ് വർദ്ധിപ്പിക്കുന്നത് ഏജന്റുകൾക്ക് അനുഭവിക്കാൻ കഴിഞ്ഞു. എന്നാൽ ഈ അധിക പണം തൊഴിലാളികളിലേക്കോ പുതിയ സംരംഭങ്ങളിലേക്കോ ഒഴുകുന്നതിന് പകരം, അത് ആ വരുമാനം നേടിയ സ്ഥാപനങ്ങളിൽ തന്നെ അവശേഷിച്ചു. വിപണി ചലിച്ചുകൊണ്ടിരുന്നുവെങ്കിലും പണം ഒരിടത്തുനിന്നും മറ്റൊരിടത്തേക്ക് നീങ്ങിയില്ല.

What the numbers reveal

  • Price rigidity (വിലയിലെ മാറ്റമില്ലായ്മ) – ആവശ്യകതയിൽ വലിയ മാറ്റങ്ങൾ വന്നപ്പോഴും, മെനുവിലെ ഇനങ്ങളിൽ വെറും 0.3% എണ്ണത്തിൽ മാത്രമാണ് വിലയിൽ മാറ്റം വന്നത്.
  • Wage stickiness (വേതനത്തിലെ മാറ്റമില്ലായ്മ) – വരുമാനത്തിലുണ്ടായ വർദ്ധനവിനെ बावजूद വേതനത്തിൽ വലിയ മാറ്റങ്ങളൊന്നും ഉണ്ടായില്ല, ഇത് തൊഴിലാളികളുടെ വാങ്ങൽ ശേഷിയെ ബാധിച്ചു.
  • Cash hoarding (പണം കയ്യിൽ സൂക്ഷിച്ചുവെക്കൽ) – ഏജന്റുകൾക്കിടയിൽ കൈമാറ്റം ചെയ്യപ്പെട്ട പണത്തിന്റെ 96.7% സ്വീകർത്താവിനോടൊപ്പമെത്തുകയും, അത് ചിലവഴിക്കാനോ നിക്ഷേപിക്കാനോ ഉള്ള വിമുഖത കാണിക്കുകയും ചെയ്തു.
  • Social failure (സാമൂഹിക പരാജയം) – ഏജന്റുകൾക്ക് സാമൂഹികമായി ഏകോപിപ്പിക്കാൻ സാധിക്കാത്തത് 94% മുതൽ 97% വരെ സമയത്താണ്, ഇത് കൂട്ടായ തീരുമാനമെടുക്കലിലെ വ്യവസ്ഥാപിത തകർച്ചയെ കാണിക്കുന്നു.

ഈ സിമുലേഷൻ കർശനമായ അക്കൗണ്ടിംഗ് രീതികൾ നടപ്പിലാക്കി: ഏജന്റുകൾക്ക് പണം നിർമ്മിക്കാൻ കഴിയില്ല, കൂടാതെ ഓരോ ഇടപാടും കൃത്യമായി ബാലൻസ് ചെയ്യേണ്ടതുമാണ്. ഈ നിയന്ത്രണം പണം പ്രചരിപ്പിക്കാനുള്ള വിമുഖതയുടെ ആഘാതം വർദ്ധിപ്പിച്ചു.

Model family, not memory, drove outcomes

മുൻകാല ഇടപെടലുകളെക്കുറിച്ചുള്ള ഏജന്റിന്റെ ഓർമ്മ (memory) ആയിരിക്കും പെരുമാറ്റ മാറ്റത്തിനുള്ള പ്രധാന ഘടകം എന്ന് കരുതിയാണ് ഗവേഷകർ പഠനം ആരംഭിച്ചത്. എന്നാൽ ഡാറ്റ ആ പ്രതീക്ഷയെ തെറ്റിച്ചു. അടിസ്ഥാനപരമായ LLM മോഡൽ ഫാമിലികളിലെ വ്യത്യാസങ്ങൾ—വ്യത്യസ്ത ആർക്കിടെക്ചറുകളും ട്രെയിനിംഗ് സെറ്റുകളും—വില നിശ്ചയിക്കുന്നതിലും, വേതന ക്രമീകരണങ്ങളിലും, പണത്തിന്റെ ഒഴുക്കിലും വ്യത്യസ്തമായ രീതികൾ സൃഷ്ടിച്ചു. ഒരേ മെമ്മറി സംവിധാനങ്ങൾ പോലും വ്യത്യസ്ത മോഡൽ ഫാമിലികളിൽ വ്യത്യസ്തമായി പ്രവർത്തിച്ചു, ഇത് മെമ്മറി നടപ്പിലാക്കുന്ന രീതിയേക്കാൾ മോഡലിന്റെ തിരഞ്ഞെടുപ്പിനാണ് പ്രാധാന്യമെന്ന് സൂചിപ്പിക്കുന്നു.

ഈ പ്രതിസന്ധി പല മോഡൽ ഫാമിലികളിലും കണ്ടതുകൊണ്ട്, വിലയിലെ മാറ്റമില്ലായ്മയും വേതനത്തിലെ മാറ്റമില്ലായ്മയും ഒരു പ്രത്യേക സംവിധാനത്തിന്റെ മാത്രം പ്രത്യേകതയല്ലെന്നും മറിച്ച് നിലവിലെ മൾട്ടി-ഏജന്റ് സിസ്റ്റങ്ങളുടെ സഹജമായ വെല്ലുവിളികളാണെന്നും ഗവേഷകർ വാദിക്കുന്നു.

Implications for developers

  • ചെറിയ കാലയളവ് സാവധാനത്തിലുള്ള മാറ്റങ്ങളെ മറച്ചുവെക്കുന്നു. ഏതാനും ദിവസത്തെ സിമുലേഷൻ വഴി ആഴ്ചകൾക്കോ മാസങ്ങൾക്കോ ശേഷം മാത്രം പ്രകടമാകുന്ന സമ്പത്തിന്റെ മാറ്റങ്ങളും ഏകോപന പരാജയങ്ങളും തിരിച്ചറിയാൻ കഴിയില്ല.
  • മോഡൽ ശ്രദ്ധാപൂർവ്വം തിരഞ്ഞെടുക്കുക. മെമ്മറി വിൻഡോകളിൽ മാറ്റം വരുത്തുന്നതുപോലെ തന്നെ സാമ്പത്തിക ഫലങ്ങളെ മാറ്റാൻ മറ്റൊരു LLM ഫാമലിയിലേക്ക് മാറുന്നത് സഹായിക്കും.
  • ഇടപാടുകളുടെ വേഗത (Transaction velocity) നിരീക്ഷിക്കുക. പണത്തിന്റെ ഒഴുക്കിലുണ്ടാകുന്ന പെട്ടെന്നുള്ള കുറവ് വിപണിയിലുണ്ടാകുന്ന തളർച്ചയെ സൂചിപ്പിക്കുന്നു, ഇതിന് ഇടപെടൽ ആവശ്യമായി വന്നേക്കാം.
  • ടോക്കൺ ഉപയോഗത്തിനായി ബജറ്റ് തയ്യാറാക്കുക. 26 ആഴ്ച നീണ്ടുനിന്ന ഈ പരീക്ഷണം 21.5 ബില്യൺ ടോക്കണുകൾ ഉപയോഗിച്ചു, ഇത് പരീക്ഷണത്തിന്റെ ദൈർഘ്യത്തിനും ഏജന്റുകളുടെ എണ്ണത്തിനും അനുസരിച്ച് വലിയ തോതിൽ വർദ്ധിക്കുന്നു.

Counterpoint

പുറത്തുനിന്നുള്ള പണത്തിന്റെ ലഭ്യതയില്ലായ്മയും കർശനമായ ബാലൻസ് നിയമങ്ങളും ഒരു കൃത്രിമമായ ദൗർലഭ്യം സൃഷ്ടിക്കുന്നുവെന്നും ഇത് പണം കയ്യിൽ സൂക്ഷിക്കാനുള്ള പ്രവണത വർദ്ധിപ്പിക്കുന്നുവെന്നും വാദിക്കാം. യഥാർത്ഥ സമ്പദ്‌വ്യവസ്ഥകൾ ക്രെഡിറ്റ്, സർക്കാർ ചെലവുകൾ, മോണിറ്ററി പോളിസി എന്നിവയിലൂടെ പ്രയോജനപ്പെടുന്നു, എന്നാൽ ഈ പരീക്ഷണത്തിൽ അവ ഇല്ലായിരുന്നു. എന്നിരുന്നാലും, ഏജന്റുകളുടെ പ്രവർത്തനങ്ങളെ മാത്രം നിരീക്ഷിക്കുക എന്നതായിരുന്നു പഠനത്തിന്റെ ലക്ഷ്യം, ആവശ്യകതയിൽ വലിയ വർദ്ധനവുണ്ടായിട്ടും ഈ മാറ്റമില്ലായ്മ നിലനിന്നു.

What to watch next

ബാഹ്യമായ ലിക്വിഡിറ്റി (external liquidity) അല്ലെങ്കിൽ ലഘൂകരിച്ച അക്കൗണ്ടിംഗ് നിയമങ്ങൾ ഈ പ്രതിസന്ധി പരിഹരിക്കുമോ എന്നും പുതിയ LLM ഫാമിലികൾ ഈ മാറ്റമില്ലായ്മ കുറയ്ക്കുമോ എന്നും ഭാവിയിലെ പഠനങ്ങൾ പരിശോധിക്കേണ്ടതുണ്ട്. പോളിസി പോലുള്ള ഘടകങ്ങളോട് ഇടപാടുകളുടെ വേഗത എങ്ങനെ പ്രതികരിക്കുന്നു എന്ന് നിരീക്ഷിക്കുന്നത് ഏജന്റുകളെ കൂടുതൽ സജീവമായ വിപണി പെരുമാറ്റത്തിലേക്ക് നയിക്കാനുള്ള വഴികൾ വെളിപ്പെടുത്തിയേക്കാം.

Takeaway: മൾട്ടി-ഏജന്റ് സിമുലേഷനുകൾ സാധാരണയായി ഉപയോഗിക്കുന്ന ചെറിയ കാലയളവിനും അപ്പുറത്തേക്ക് നീട്ടുന്നത്, മെമ്മറി ഡിസൈൻ മാത്രമല്ല, മോഡൽ തിരഞ്ഞെടുപ്പും സാമ്പത്തിക തടസ്സങ്ങളെ നിർണ്ണയിക്കുന്നുവെന്ന് വെളിപ്പെടുത്തുന്നു. AI അധിഷ്ഠിത സമ്പദ്‌വ്യവസ്ഥകൾ നിർമ്മിക്കുന്നവർ ദീർഘകാല പരീക്ഷണങ്ങൾക്കായി തയ്യാറെടുക്കുകയും, പണത്തിന്റെ ഒഴുക്ക് സൂക്ഷ്മമായി നിരീക്ഷിക്കുകയും, സിസ്റ്റത്തിന്റെ വഴക്കത്തിന് അനുയോജ്യമായ LLM-കൾ തിരഞ്ഞെടുക്കുകയും വേണം.