100 agentów LLM zamraża pieniądze po 26-tygodniowym teście gospodarki miejskiej

Dlaczego długofalowa perspektywa ma znaczenie

Zespół badaczy AI pozwolił 100 agentom opartym na dużych modelach językowych (LLM) prowadzić gospodarkę zamkniętego miasta przez 26 tygodni, obserwując płace, ceny i handel w rzeczywistych uwarunkowaniach geograficznych. Eksperyment, trwający znacznie dłużej niż typowe kilkudniowe symulacje, zakończył się sytuacją, w której pieniądze w dużej mierze pozostały w miejscu, co obnażyło sztywność cen, lepkość płac oraz tendencję agentów do gromadzenia gotówki.

Dlaczego długofalowa perspektywa ma znaczenie

Większość wieloagentowych symulacji ekonomicznych kończy się po kilku dniach, co daje wrażenie, że rynki szybko się samoregulują. Przedłużenie osi czasu do pół roku pozwoliło agentom doświadczyć nagłego wzrostu popytu turystycznego, który zwiększył przychody firm 4,62-krotnie. Zamiast trafić do pracowników lub w nowe przedsięwzięcia, nadwyżka gotówki pozostała w firmach, które ją zarobiły. Rynek wciąż funkcjonował, ale pieniądze niemal się nie przemieszczały.

Co mówią liczby

• Sztywność cen – tylko 0,3% pozycji w menu odnotowało zmianę ceny, nawet przy gwałtownych wahaniach popytu.
• Lepkość płac – płace niemal się nie zmieniały mimo skoku przychodów, co sprawiło, że siła nabywcza pracowników pozostała na niezmienionym poziomie.
• Gromadzenie gotówki – 96,7% gotówki przekazywanej między agentami pozostało u odbiorcy, co wskazuje na niechęć do wydawania lub inwestowania.
• Porażka społeczna – agenci nie potrafili koordynować działań społecznych w 94% do 97% przypadków, co świadczy o systemowej awarii procesów podejmowania decyzji zbiorowych.

Symulacja wymuszała ścisłą księgowość: agenci nie mogli tworzyć pieniędzy, a każda transakcja musiała być zbilansowana. To ograniczenie wzmocniło skutki wszelkiej niechęci do obiegu gotówki.

Wyniki zależały od rodziny modeli, a nie od pamięci

Badacze przystąpili do badania z założeniem, że pamięć agenta o przeszłych interakcjach będzie głównym czynnikiem zmieniającym zachowanie. Dane zaprzeczyły tym oczekiwaniom. Różnice w rodzinach modeli LLM – różne architektury i zestawy danych treningowych – generowały odmienne wzorce w ustalaniu cen, dostosowywaniu płac i przepływach gotówki. Te same mechanizmy pamięci działały inaczej w zależności od rodziny modeli, co sugeruje, że wybór modelu ma większe znaczenie niż sposób implementacji pamięci.

Ponieważ impas pojawił się w kilku rodzinach modeli, autorzy argumentują, że sztywność cen i lepkość płac nie są jedynie usterkami pojedynczej implementacji, lecz stanowią inherentne wyzwania dla obecnych systemów wieloagentowych.

Implikacje dla programistów

• Krótkie symulacje maskują powolną dynamikę. Kilka dni symulacji może przeoczyć przesunięcia majątkowe i błędy w koordynacji, które ujawniają się dopiero po tygodniach lub miesiącach.
• Starannie dobieraj model. Przejście na inną rodzinę LLM może zmienić wyniki ekonomiczne w takim samym stopniu, jak modyfikacja okien pamięci.
• Monitoruj prędkość transakcji. Nagłe spowolnienie obiegu gotówki sygnalizuje zamrożenie rynku, które może wymagać interwencji.
• Uwzględnij koszty tokenów w budżecie. 26-tygodniowy eksperyment zużył 21,5 miliarda tokenów – koszt ten rośnie gwałtownie wraz z długością symulacji i liczbą agentów.

Kontrargument

Można by argumentować, że projekt zamkniętej gospodarki – brak zewnętrznej kreacji pieniądza, ścisłe zasady bilansowania – tworzy sztuczny niedobór, który wyolbrzymia zachowania polegające na gromadzeniu gotówki. Realne gospodarki korzystają z kredytu, wydatków rządowych i polityki pieniężnej – mechanizmów nieobecnych w tym środowisku testowym. Jednak celem badania było wyizolowanie dynamiki napędzanej przez agentów, a obserwowana sztywność utrzymywała się nawet przy gwałtownym wzroście popytu.

Co dalej?

Przyszłe prace będą musiały sprawdzić, czy wprowadzenie zewnętrznej płynności lub poluzowanie zasad księgowych złagodzi impas oraz czy nowsze rodziny LLM zmniejszą obserwowaną sztywność. Śledzenie tego, jak prędkość transakcji reaguje na mechanizmy przypominające politykę gospodarczą, może również ujawnić sposoby na skłonienie agentów do bardziej płynnych zachowań rynkowych.

Wniosek: Przedłużenie symulacji wieloagentowych poza standardowy, krótki horyzont czasowy ujawnia zakorzenione tarcia ekonomiczne, na które wpływ ma wybór modelu, a nie tylko projekt pamięci. Twórcy gospodarek napędzanych przez AI powinni planować długofalowe procesy, uważnie monitorować przepływy gotówki i wybierać modele LLM z myślą o systemowej elastyczności.