Команда исследователей ИИ позволила 100 агентам на базе больших языковых моделей (LLM) управлять экономикой закрытого города в течение 26 недель, наблюдая за уровнем зарплат, ценами и торговлей в условиях реальной географии. Эксперимент, длившийся гораздо дольше типичных нескольких дней, завершился тем, что деньги в значительной степени замерли на месте, обнажив жесткость цен, негибкость заработных плат и склонность агентов к накоплению наличности.

Почему важен длительный период

Большинство мультиагентных экономических симуляций прекращаются спустя несколько дней, создавая впечатление, что рынки саморегулируются быстро. Продление временной шкалы до полугода позволило агентам столкнуться с внезапным всплеском туристического спроса, который увеличил выручку предприятий в 4,62 раза. Однако вместо того, чтобы поступать рабочим или направляться в новые предприятия, избыточные средства остались внутри компаний, которые их заработали. Рынок продолжал функционировать, но деньги практически не двигались.

Что говорят цифры

  • Жесткость цен — всего 0,3% позиций в меню когда-либо меняли цену, даже несмотря на резкие колебания спроса.
  • Негибкость заработных плат — зарплаты почти не изменились, несмотря на скачок выручки, из-за чего покупательная способность рабочих осталась на прежнем уровне.
  • Накопление наличности — 96,7% наличных, переданных между агентами, оставались у получателя, что указывает на нежелание тратить или инвестировать.
  • Сбой социальной координации — агенты не смогли достичь социальной координации в 94–97% случаев, что свидетельствует о системном распаде коллективного принятия решений.

Симуляция накладывала строгие правила бухгалтерского учета: агенты не могли создавать деньги, и каждая транзакция должна была быть сбалансирована. Это ограничение усилило эффект любого нежелания обращать наличность в оборот.

Результаты определялись семейством моделей, а не памятью

Исследователи начинали изучение, предполагая, что память агента о прошлых взаимодействиях станет основным рычагом изменения поведения. Данные опровергли это ожидание. Различия в базовых семействах моделей LLM — разные архитектуры и наборы данных для обучения — приводили к различным паттернам в установлении цен, корректировке зарплат и движении денежных средств. Одни и те же механизмы памяти работали по-разному в разных семействах моделей, что позволяет предположить: выбор модели важнее, чем способ реализации памяти.

Поскольку этот тупик наблюдался в нескольких семействах моделей, авторы утверждают, что жесткость цен и негибкость зарплат являются не особенностями конкретной реализации, а скорее неотъемлемыми проблемами современных мультиагентных систем.

Последствия для разработчиков

  • Краткосрочные симуляции скрывают медленную динамику. Несколько дней моделирования могут не выявить сдвиги в распределении богатства и сбои в координации, которые проявляются только через недели или месяцы.
  • Тщательно выбирайте модель. Переход к другому семейству LLM может изменить экономические результаты так же сильно, как и настройка окон памяти.
  • Следите за скоростью транзакций. Внезапное замедление движения денежных средств сигнализирует о заморозке рынка, которая может потребовать вмешательства.
  • Закладывайте бюджет на использование токенов. 26-недельный эксперимент потребил 21,5 миллиарда токенов — затраты, которые резко растут в зависимости от длительности запуска и количества агентов.

Контраргумент

Можно возразить, что дизайн закрытой экономики — отсутствие внешнего создания денег, строгие правила баланса — создает искусственный дефицит, который преувеличивает склонность к накоплению. Реальная экономика извлекает выгоду из кредитования, государственных расходов и денежно-кредитной политики — механизмов, отсутствующих в данной тестовой среде. Однако целью исследования было изолировать динамику, управляемую агентами, и наблюдаемая жесткость сохранялась даже при резком скачке спроса.

На что обратить внимание в будущем

В будущих работах необходимо будет проверить, поможет ли введение внешней ликвидности или смягчение правил учета выйти из тупика, и уменьшат ли новые семейства LLM наблюдаемую жесткость. Отслеживание того, как скорость транзакций реагирует на рычаги, подобные мерам политики, также может помочь найти способы подтолкнуть агентов к более гибкому рыночному поведению.

Вывод: Увеличение продолжительности мультиагентных симуляций за пределы привычного короткого горизонта позволяет выявить укоренившиеся экономические трения, на которые влияет выбор модели, а не только архитектура памяти. Создателям экономик на базе ИИ следует планировать длительные циклы, внимательно следить за движением денежных средств и выбирать базовые модели LLM с учетом системной гибкости.