AI ஆராய்ச்சியாளர்கள் ஒரு குழுவினர் 100 பெரிய மொழி மாதிரி (LLM) முகவர்களைக் கொண்டு 26 வாரங்களுக்கு ஒரு மூடிய நகரப் பொருளாதாரத்தை இயக்கி, ஊதியங்கள், விலைகள் மற்றும் வர்த்தகத்தை நிஜ உலக புவியியல் அடிப்படையில் கவனித்தனர். வழக்கமான சில நாட்கள் இயங்கும் சோதனைகளை விட நீண்ட காலம் நீடித்த இந்தச் சோதனை, பணம் பெரும்பாலும் ஒரே இடத்தில் உறைந்து போன நிலையில் முடிவடைந்தது. இது விலை இறுக்கம் (price rigidity), ஊதியத் தேக்கம் (wage stickiness) மற்றும் முகவர்கள் பணத்தைச் சேமித்து வைக்கும் (cash hoarding) போக்கினை வெளிப்படுத்தியது.

ஏன் நீண்ட கால ஆய்வு முக்கியமானது

பெரும்பாலான பல முகவர் பொருளாதார உருவகப்படுத்துதல்கள் (multi-agent economic simulations) சில நாட்களிலேயே முடிந்துவிடுகின்றன, இதனால் சந்தைகள் விரைவாகத் தங்களைச் சரிசெய்து கொள்கின்றன என்ற பிம்பத்தை உருவாக்குகின்றன. கால அளவை அரை ஆண்டிற்கு நீட்டியதன் மூலம், சுற்றுலாத் தேவையின் திடீர் அதிகரிப்பால் வணிக வருவாய் 4.62 மடங்கு உயர்ந்ததை முகவர்கள் அனுபவித்தனர். அந்த கூடுதல் பணம் தொழிலாளர்களுக்கோ அல்லது புதிய முயற்சிகளுக்கோ செல்வதற்குப் பதிலாக, அதை ஈட்டிய நிறுவனங்களுடனேயே தங்கியிருந்தது. சந்தை இயங்கிக் கொண்டிருந்தாலும், பணம் நகர்ந்ததே இல்லை.

எண்கள் எதை வெளிப்படுத்துகின்றன

  • விலை இறுக்கம் (Price rigidity) – தேவை கடுமையாக மாறினாலும், மெனுவில் உள்ள பொருட்களில் வெறும் 0.3% மட்டுமே விலை மாற்றத்தைக் கண்டன.
  • ஊதியத் தேக்கம் (Wage stickiness) – வருவாய் அதிகரித்த போதிலும் ஊதியங்கள் மிகக் குறைந்த அளவே மாறின, இதனால் தொழிலாளர்களின் வாங்கும் திறன் நிலையாகவே இருந்தது.
  • பணத்தைச் சேமித்து வைத்தல் (Cash hoarding) – முகவர்களுக்கு இடையே பரிமாறப்பட்ட பணத்தில் 96.7% பெறுநரிடமே தங்கியிருந்தது, இது செலவு செய்வதிலோ அல்லது முதலீடு செய்வதிலோ உள்ள தயக்கத்தைக் காட்டுகிறது.
  • சமூகத் தோல்வி (Social failure) – முகவர்கள் சமூக ரீதியாக ஒருங்கிணைவதில் 94% முதல் 97% வரை தோல்வியடைந்தனர், இது கூட்டு முடிவெடுப்பதில் ஒரு முறையான முறிவைக் காட்டுகிறது.

இந்த உருவகப்படுத்துதலில் கடுமையான கணக்கியல் முறைகள் பின்பற்றப்பட்டன: முகவர்கள் பணத்தை உருவாக்க முடியாது, மேலும் ஒவ்வொரு பரிவர்த்தனையும் சமமாக இருக்க வேண்டும். இந்தத் தடையானது, பணத்தைச் சுழற்சி செய்வதில் உள்ள எந்தவொரு தயக்கத்தையும் அதிகப்படுத்தியது.

நினைவாற்றல் அல்ல, மாடல் குடும்பமே முடிவுகளைத் தீர்மானித்தன

கடந்த காலத் தொடர்புகளின் நினைவாற்றல் (memory), நடத்தை மாற்றத்திற்கான முதன்மை காரணியாக இருக்கும் என்று ஆராய்ச்சியாளர்கள் இந்த ஆய்வைத் தொடங்கினர். ஆனால் தரவுகள் அந்த எதிர்பார்ப்பைத் தகர்த்தன. அடிப்படையான LLM மாடல் குடும்பங்களில் (model family) உள்ள வேறுபாடுகள்—வெவ்வேறு கட்டமைப்புகள் (architectures) மற்றும் பயிற்சித் தொகுப்புகள் (training sets)—விலை நிர்ணயம், ஊதிய மாற்றங்கள் மற்றும் பணப்புழக்கத்தில் தனித்துவமான முறைகளை உருவாக்கின. ஒரே மாதிரியான நினைவாற்றல் வழிமுறைகள் வெவ்வேறு மாடல் குடும்பங்களில் வெவ்வேறு விதமாகச் செயல்பட்டன, இது நினைவாற்றல் எவ்வாறு செயல்படுத்தப்படுகிறது என்பதை விட, மாடலைத் தேர்ந்தெடுப்பதே முக்கியமானது என்பதை உணர்த்துகிறது.

இந்த முட்டுக்கட்டை பல மாடல் குடும்பங்களில் காணப்பட்டதால், விலை இறுக்கம் மற்றும் ஊதியத் தேக்கம் ஆகியவை ஒரு குறிப்பிட்ட முறையின் குறைபாடுகள் மட்டுமல்ல, தற்போதைய பல முகவர் அமைப்புகளுக்கு (multi-agent systems) உள்ள இயல்பான சவால்கள் என்று ஆசிரியர்கள் வாதிடுகின்றனர்.

டெவலப்பர்களுக்கான தாக்கங்கள்

  • குறுகிய கால ஆய்வுகள் மெதுவான மாற்றங்களை மறைக்கின்றன. சில நாட்கள் நடக்கும் உருவகப்படுத்துதல், வாரங்கள் அல்லது மாதங்களுக்குப் பிறகு மட்டுமே வெளிப்படும் செல்வ மாற்றங்கள் மற்றும் ஒருங்கிணைப்புத் தோல்விகளைக் கண்டறியத் தவறிவிடலாம்.
  • மாடலை கவனமாகத் தேர்ந்தெடுக்கவும். நினைவாற்றல் கால அளவை (memory windows) மாற்றுவதைப் போலவே, ஒரு வேறுபட்ட LLM குடும்பத்திற்கு மாறுவதும் பொருளாதார முடிவுகளை மாற்றக்கூடும்.
  • பரிவர்த்தனை வேகத்தைக் கவனியுங்கள். பணப் புழக்கத்தில் ஏற்படும் திடீர் மந்தநிலை, தலையீடு தேவைப்படக்கூடிய சந்தை அளவிலான முட்டுக்கட்டையைக் குறிக்கிறது.
  • டோக்கன் பயன்பாட்டிற்கான பட்ஜெட்டைத் திட்டமிடுங்கள். 26 வார காலச் சோதனை 21.5 பில்லியன் டோக்கன்களைப் பயன்படுத்தியது, இந்தச் செலவு ஆய்வின் கால அளவு மற்றும் முகவர்களின் எண்ணிக்கையைப் பொறுத்து மிக வேகமாக அதிகரிக்கும்.

மாற்று வாதம்

மூடிய பொருளாதார வடிவமைப்பு—வெளிப்புற பண உருவாக்கம் இல்லை, கடுமையான சமநிலை விதிகள்—பணத்தைச் சேமித்து வைக்கும் நடத்தையைத் தீவிரப்படுத்தும் ஒரு செயற்கையான பற்றாக்குறையை உருவாக்குகிறது என்று ஒரு வாதம் முன்வைக்கப்படலாம். உண்மையான பொருளாதாரங்கள் கடன், அரசாங்கச் செலவினம் மற்றும் பணவியல் கொள்கை ஆகியவற்றால் பயனடைகின்றன, இவை இந்தச் சோதனைத் தளத்தில் இல்லை. இருப்பினும், முகவரிகளால் இயக்கப்படும் இயக்கவியலை (agent-driven dynamics) மட்டும் தனிமைப்படுத்துவதே இந்த ஆய்வின் நோக்கம், மேலும் தேவை கடுமையாக அதிகரித்த போதும் அந்தத் தேக்கம் நீடித்தது.

அடுத்து எதைக் கவனிக்க வேண்டும்

வெளிப்புற நீர்மைத்தன்மையை (external liquidity) அறிமுகப்படுத்துவது அல்லது தளர்வான கணக்கியல் விதிகள் இந்த முட்டுக்கட்டையைத் தணிக்கிறதா என்பதையும், புதிய LLM குடும்பங்கள் இந்த இறுக்கத்தைக் குறைக்கின்றனவா என்பதையும் எதிர்கால ஆய்வுகள் சோதிக்க வேண்டும். கொள்கை போன்ற நெம்புகோல்களுக்கு (policy-like levers) பரிவர்த்தனை வேகம் எவ்வாறு பதிலளிக்கிறது என்பதைக் கண்காணிப்பதன் மூலம், முகவர்களை அதிக நெகிழ்வான சந்தை நடத்தையை நோக்கித் தூண்டும் வழிகளைக் கண்டறிய முடியும்.

சுருக்கம்: வழக்கமான குறுகிய கால அளவைத் தாண்டி பல முகவர் உருவகப்படுத்துதல்களை நீட்டிப்பது, வெறும் நினைவாற்றல் வடிவமைப்பு மட்டுமல்லாமல், மாடல் தேர்வும் தீர்மானிக்கும் ஆழமான பொருளாதாரத் தடைகளை வெளிப்படுத்துகிறது. AI மூலம் இயக்கப்படும் பொருளாதாரங்களை உருவாக்குபவர்கள் நீண்ட கால ஆய்வுகளுக்குத் திட்டமிட வேண்டும், பணப்புழக்கத்தை உன்னிப்பாகக் கவனிக்க வேண்டும் மற்றும் முறையான நெகிழ்வுத்தன்மையைக் கருத்தில் கொண்டு தங்களின் அடிப்படையான LLM-களைத் தேர்ந்தெடுக்க வேண்டும்.