AI संशोधकांच्या एका टीमने १०० लार्ज-लँग्वेज-मॉडेल (LLM) एजंट्सना २६ आठवड्यांसाठी एका बंद शहराची अर्थव्यवस्था चालवण्यास दिली आणि वास्तविक जगाच्या भौगोलिक रचनेनुसार मजुरी, किमती आणि व्यापार यांचे निरीक्षण केले. हा प्रयोग, जो सामान्यतः काही दिवसांच्या कालावधीसाठी चालतो त्यापेक्षा खूप मोठा होता. या प्रयोगाचा शेवट पैसा मोठ्या प्रमाणात एकाच ठिकाणी गोठल्यामुळे झाला, ज्यामुळे किमतींमधील ताठरता (price rigidity), मजुरीतील जडत्व (wage stickiness) आणि एजंट्सची रोख रक्कम साठवून ठेवण्याची प्रवृत्ती समोर आली.

दीर्घकालीन कालावधी का महत्त्वाचा आहे

बहुतेक मल्टी-एजंट आर्थिक सिम्युलेशन्स काही दिवसांनंतरच थांबतात, ज्यामुळे बाजारपेठा वेगाने स्वतःला समायोजित करतात असा आभास निर्माण होतो. कालावधी सहा महिन्यांपर्यंत वाढवल्यामुळे एजंट्सना पर्यटकांच्या मागणीत झालेली अचानक वाढ अनुभवता आली, ज्यामुळे व्यवसायाचा महसूल ४.६२ पटीने वाढला. हा अतिरिक्त पैसा कामगारांकडे किंवा नवीन उपक्रमांकडे जाण्याऐवजी, तो ज्या कंपन्यांनी कमावला होता त्यांच्याकडेच राहिला. बाजारपेठ कार्यरत होती, पण पैशाची हालचाल नगण्य होती.

आकडेवारी काय दर्शवते

  • किमतींमधील ताठरता (Price rigidity) – मागणीत मोठी चढ-उतार होऊनही, मेनू मधील केवळ ०.३% पदार्थांच्या किमतीत कधीही बदल झाला नाही.
  • मजुरीतील जडत्व (Wage stickiness) – महसूल वाढूनही मजुरीमध्ये फारसा बदल झाला नाही, ज्यामुळे कामगारांची खरेदी शक्ती स्थिर राहिली.
  • रोख रक्कम साठवणे (Cash hoarding) – एजंट्समध्ये हस्तांतरित झालेला ९६.७% पैसा प्राप्तकर्त्याकडेच राहिला, जे खर्च किंवा गुंतवणूक करण्यास असलेली अनिच्छा दर्शवते.
  • सामाजिक अपयश – एजंट्स ९४% ते ९७% वेळा सामाजिक समन्वय साधण्यात अपयशी ठरले, जे सामूहिक निर्णय प्रक्रियेतील प्रणालीगत बिघाड दर्शवते.

सिम्युलेशनमध्ये कडक लेखांकन (accounting) लागू करण्यात आले होते: एजंट्स पैसे निर्माण करू शकत नव्हते आणि प्रत्येक व्यवहार संतुलित असणे आवश्यक होते. या बंधनामुळे रोख रक्कम खेळती ठेवण्यास असलेल्या कोणत्याही अनिच्छेचा प्रभाव अधिक वाढला.

मेमरी नाही, तर मॉडेल फॅमिलीमुळे परिणाम झाले

संशोधकांनी असा गृहित धरून अभ्यास सुरू केला होता की, भूतकाळातील संवादांची एजंटची 'मेमरी' ही वर्तणुकीतील बदलासाठी मुख्य घटक असेल. डेटाने या अपेक्षेला छेद दिला. मूळ LLM मॉडेल फॅमिलीमधील तफावत—वेगवेगळी आर्किटेक्चर आणि ट्रेनिंग सेट्स—किंमत ठरवणे, मजुरीचे समायोजन आणि रोख प्रवाह यामध्ये वेगळे नमुने निर्माण करत होत्या. मेमरी यंत्रणा सारखी असूनही वेगवेगळ्या मॉडेल फॅमिलीमध्ये त्यांचे वर्तन वेगळे होते, ज्यावरून असे सुचते की मेमरी कशी लागू केली जाते यापेक्षा मॉडेलची निवड अधिक महत्त्वाची आहे.

हा कोंडीचा प्रकार (deadlock) अनेक मॉडेल फॅमिलीमध्ये दिसून आल्यामुळे, लेखकांचा असा युक्तिवाद आहे की किमतींमधील ताठरता आणि मजुरीतील जडत्व हे केवळ एका विशिष्ट अंमलबजावणीचे दोष नसून सध्याच्या मल्टी-एजंट सिस्टम्ससाठी अंगभूत आव्हाने आहेत.

डेव्हलपर्ससाठी महत्त्वाचे मुद्दे

  • अल्पकालीन सिम्युलेशनमुळे संथ गतीतील बदल लपून राहतात. काही दिवसांच्या सिम्युलेशनमुळे संपत्तीमधील बदल आणि समन्वयातील अपयश लक्षात येऊ शकत नाही, जे केवळ आठवडे किंवा महिन्यांनंतरच समोर येतात.
  • मॉडेलची काळजीपूर्वक निवड करा. मेमरी विंडोजमध्ये बदल करण्याइतकाच परिणाम वेगळ्या LLM फॅमिलीमध्ये स्विच केल्याने आर्थिक निकालांवर होऊ शकतो.
  • व्यवहाराचा वेग (transaction velocity) तपासा. रोख रकमेच्या हालचालीत अचानक झालेली घट ही संपूर्ण बाजारपेठ गोठल्याचे संकेत देते, ज्यासाठी हस्तक्षेपाची आवश्यकता असू शकते.
  • टोकन वापरासाठी बजेट ठेवा. २६ आठवड्यांच्या या प्रयोगात २१.५ अब्ज टोकन्सचा वापर झाला, ज्याचा खर्च सिम्युलेशनचा कालावधी आणि एजंट्सच्या संख्येनुसार वेगाने वाढतो.

प्रतिवाद

कोणीतरी असा युक्तिवाद करू शकतो की, बंद अर्थव्यवस्थेची रचना—बाह्य पैशाची निर्मिती नसणे, कडक संतुलनाचे नियम—एक कृत्रिम टंचाई निर्माण करते ज्यामुळे रोख रक्कम साठवण्याची प्रवृत्ती अधिक तीव्र होते. वास्तविक अर्थव्यवस्थांना क्रेडिट, सरकारी खर्च आणि चलनविषयक धोरणांचा फायदा होतो, जे या चाचणीच्या वातावरणात उपलब्ध नव्हते. तथापि, या अभ्यासाचा उद्देश एजंट-चालित गतीशीलता (agent-driven dynamics) वेगळी करणे हा होता, आणि मागणी प्रचंड वाढली तरीही दिसून आलेली ताठरता कायम होती.

पुढे काय पाहावे

भविष्यातील कामात बाह्य तरलता (external liquidity) किंवा शिथिल लेखांकन नियम आणल्याने ही कोंडी सुटते का, आणि नवीन LLM फॅमिलीमुळे दिसून आलेली ताठरता कमी होते का, याची चाचणी घ्यावी लागेल. धोरणात्मक उपकरणांना (policy-like levers) व्यवहाराचा वेग कसा प्रतिसाद देतो, यावर लक्ष ठेवल्यास एजंट्सना अधिक लवचिक बाजार वर्तनाकडे वळवण्याचे मार्ग शोधता येतील.

निष्कर्ष: मल्टी-एजंट सिम्युलेशन्सचा कालावधी नेहमीच्या अल्प कालावधीपेक्षा वाढवल्यास आर्थिक घर्षणे (economic frictions) समोर येतात, जे केवळ मेमरी डिझाइनवर नाही तर मॉडेलच्या निवडीवर अवलंबून असतात. AI-चालित अर्थव्यवस्था तयार करणाऱ्यांनी दीर्घकालीन नियोजनासाठी तयार राहावे, रोख प्रवाहावर बारकाईने लक्ष ठेवावे आणि प्रणालीगत लवचिकतेचा विचार करून त्यांच्या मूळ LLMs ची निवड करावी.