AI పరిశోధకుల బృందం 100 లార్జ్-లాంగ్వేజ్-మోడల్ (LLM) ఏజెంట్లను 26 వారాల పాటు ఒక మూసివేసిన పట్టణ ఆర్థిక వ్యవస్థలో (closed-town economy) నడిపించి, వాస్తవ ప్రపంచ భౌగోళిక పరిస్థితులలో వేతనాలు, ధరలు మరియు వాణిజ్యాన్ని గమనించారు. సాధారణంగా కొన్ని రోజులు మాత్రమే సాగే ఈ ప్రయోగం, ఈసారి చాలా ఎక్కువ కాలం కొనసాగింది. ఈ ప్రయోగం ముగిసే సమయానికి నగదు చాలా వరకు ఒకే చోట నిలిచిపోయింది, ఇది ధరల దృఢత్వం (price rigidity), వేతనాల మొండితనం (wage stickiness) మరియు ఏజెంట్లు నగదును దాచుకునే (cash hoarding) ధోరణిని బయటపెట్టింది.

దీర్ఘకాలిక అధ్యయనం ఎందుకు ముఖ్యం

చాలా మల్టీ-ఏజెంట్ ఆర్థిక అనుకరణలు (multi-agent economic simulations) కేవలం కొన్ని రోజులు మాత్రమే సాగుతాయి, దీనివల్ల మార్కెట్లు వేగంగా స్వయంగా సర్దుబాటు చేసుకుంటాయనే అభిప్రాయం కలుగుతుంది. అయితే, కాలపరిమితిని అర సంవత్సరం వరకు పొడిగించడం వల్ల, పర్యాటకుల డిమాండ్ అకస్మాత్తుగా పెరిగి వ్యాపార ఆదాయం 4.62 రెట్లు పెరగడాన్ని ఏజెంట్లు అనుభవించగలిగారు. అయితే, ఆ అదనపు నగదు కార్మికులకు లేదా కొత్త వ్యాపారాలకు వెళ్లకుండా, ఆ ఆదాయాన్ని ఆర్జించిన సంస్థల వద్దే ఉండిపోయింది. మార్కెట్ చురుగ్గా ఉన్నట్లు అనిపించినా, నగదు మాత్రం పెద్దగా కదలలేదు.

గణాంకాలు ఏమి చెబుతున్నాయి

  • ధరల దృఢత్వం (Price rigidity) – డిమాండ్ భారీగా మారినప్పటికీ, మెనూలోని వస్తువులలో కేవలం 0.3% ధరలు మాత్రమే మారాయి.
  • వేతనాల మొండితనం (Wage stickiness) – ఆదాయం పెరిగినప్పటికీ వేతనాలు పెద్దగా మారలేదు, దీనివల్ల కార్మికుల కొనుగోలు శక్తి స్థిరంగానే ఉంది.
  • నగదు నిల్వ చేయడం (Cash hoarding) – ఏజెంట్ల మధ్య బదిలీ చేయబడిన నగదులో 96.7% గ్రహీత వద్దే ఉండిపోయింది, ఇది ఖర్చు చేయడానికి లేదా పెట్టుబడి పెట్టడానికి వారు చూపే వెనుకాటాన్ని సూచిస్తుంది.
  • సామాజిక వైఫల్యం (Social failure) – ఏజెంట్లు 94% నుండి 97% సమయం సామాజిక సమన్వయం చేయడంలో విఫలమయ్యారు, ఇది సామూహిక నిర్ణయాధికారంలో వ్యవస్థాగత వైఫల్యాన్ని చూపుతుంది.

ఈ సిమ్యులేషన్‌లో కఠినమైన అకౌంటింగ్ నియమాలను అమలు చేశారు: ఏజెంట్లు కొత్త నగదును సృష్టించలేరు మరియు ప్రతి లావాదేవీ సమతుల్యంగా (balance) ఉండాలి. ఈ పరిమితి నగదును చలామణి చేయడంలో ఏజెంట్లు చూపే వెనుకాటాన్ని మరింత తీవ్రం చేసింది.

మెమరీ కాదు, మోడల్ ఫ్యామిలీ ఫలితాలను ప్రభావితం చేసింది

గత పరస్పర చర్యల జ్ఞాపకం (memory) మాత్రమే ఏజెంట్ల ప్రవర్తనలో మార్పుకు ప్రధాన కారణం అవుతుందని భావిస్తూ పరిశోధకులు ఈ అధ్యయనాన్ని ప్రారంభించారు. కానీ డేటా ఆ అంచనాను తప్పు అని నిరూపించింది. ప్రాథమిక LLM మోడల్ ఫ్యామిలీలలోని వైవిధ్యాలు—అంటే వేర్వేరు ఆర్కిటెక్చర్లు మరియు ట్రైనింగ్ సెట్లు—ధరల నిర్ణయం, వేతన సర్దుబాటు మరియు నగదు ప్రవాహంలో విభిన్న నమూనాలను సృష్టించాయి. ఒకే రకమైన మెమరీ మెకానిజమ్స్ కూడా వేర్వేరు మోడల్ ఫ్యామిలీలలో భిన్నంగా ప్రవర్తించాయి, దీనిని బట్టి మెమరీని ఎలా అమలు చేస్తామనే దానికంటే, ఏ మోడల్‌ను ఎంచుకుంటామనేదే ఎక్కువ ముఖ్యమని అర్థమవుతోంది.

ఈ డెడ్‌లాక్ (deadlock) అనేక మోడల్ ఫ్యామిలీలలో కనిపించడం వల్ల, ధరల దృఢత్వం మరియు వేతనాల మొండితనం అనేవి కేవలం ఒక నిర్దిష్ట ఇంప్లిమెంటేషన్‌కు సంబంధించిన లోపాలు కాదని, ప్రస్తుత మల్టీ-ఏజెంట్ సిస్టమ్స్‌కు ఇవి అంతర్గత సవాళ్లు అని రచయితలు వాదిస్తున్నారు.

డెవలపర్ల కోసం సూచనలు

  • చిన్నకాల సిమ్యులేషన్లు నెమ్మదైన డైనమిక్స్‌ను దాచిపెడతాయి. కొన్ని రోజుల సిమ్యులేషన్ వల్ల వారాలు లేదా నెలల తర్వాతే బయటపడే సంపద మార్పులు మరియు సమన్వయ వైఫల్యాలను గుర్తించలేము.
  • మోడల్‌ను జాగ్రత్తగా ఎంచుకోండి. మెమరీ విండోస్‌ను మార్చడం ఎంత ప్రభావం చూపుతుందో, ఒక వేరే LLM ఫ్యామిలీకి మారడం కూడా ఆర్థిక ఫలితాలను అంతే మార్చగలదు.
  • లావాదేవీల వేగాన్ని (transaction velocity) గమనించండి. నగదు కదలికలో అకస్మాత్తుగా వచ్చే మందగమనం, మార్కెట్ అంతటా ఏర్పడే స్తంభనను సూచిస్తుంది, దీనికి జోక్యం అవసరం కావచ్చు.
  • టోకెన్ వినియోగం కోసం బడ్జెట్ కేటాయించండి. 26 వారాల ప్రయోగం కోసం 21.5 బిలియన్ టోకెన్లు ఖర్చయ్యాయి, ఈ ఖర్చు సిమ్యులేషన్ కాలపరిమితి మరియు ఏజెంట్ల సంఖ్యతో పాటు విపరీతంగా పెరుగుతుంది.

ప్రతివాదన

మూసివేసిన ఆర్థిక వ్యవస్థ రూపకల్పన (బయటి నుండి నగదు సృష్టి లేకపోవడం, కఠినమైన బ్యాలెన్స్ నియమాలు) కృత్రిమ కొరతను సృష్టించి, నగదును దాచుకునే ధోరణిని పెంచుతుందని ఒక వాదన ఉండవచ్చు. వాస్తవ ఆర్థిక వ్యవస్థలు క్రెడిట్, ప్రభుత్వ వ్యయం మరియు ద్రవ్య విధానాల (monetary policy) ద్వారా ప్రయోజనం పొందుతాయి, ఇవి ఈ పరీక్షా విధానంలో లేవు. అయినప్పటికీ, ఈ అధ్యయనం యొక్క ఉద్దేశ్యం ఏజెంట్ల ద్వారా నడిచే డైనమిక్స్‌ను మాత్రమే వేరు చేసి చూడటం, మరియు డిమాండ్ భారీగా పెరిగినప్పటికీ గమనించిన దృఢత్వం అలాగే కొనసాగింది.

తదుపరి ఏం గమనించాలి

బయటి నుండి ద్రవ్యతను (external liquidity) ప్రవేశపెట్టడం లేదా అకౌంటింగ్ నియమాలను సడలించడం వల్ల ఈ డెడ్‌లాక్ తగ్గుతుందో లేదో, మరియు కొత్త LLM ఫ్యామిలీలు ఈ దృఢత్వాన్ని తగ్గిస్తాయో లేదో భవిష్యత్తు పరిశోధనలు పరీక్షించాల్సి ఉంటుంది. పాలసీ వంటి సాధనాల పట్ల లావాదేవీల వేగం ఎలా స్పందిస్తుందో గమనించడం ద్వారా, ఏజెంట్లను మరింత చురుకైన మార్కెట్ ప్రవర్తన వైపు మళ్లించే మార్గాలను కనుగొనవచ్చు.

ముఖ్య అంశం: మల్టీ-ఏజెంట్ సిమ్యులేషన్లను సాధారణ స్వల్ప కాలపరిమితి కంటే ఎక్కువ కాలం నిర్వహించడం వల్ల, కేవలం మెమరీ డిజైన్ మాత్రమే కాకుండా, మోడల్ ఎంపిక కూడా నిర్ణయించే లోతైన ఆర్థిక ఘర్షణలను గుర్తించవచ్చు. AI ఆధారిత ఆర్థిక వ్యవస్థలను నిర్మించేవారు దీర్ఘకాలిక ప్రణాళికలు వేయాలి, నగదు ప్రవాహాన్ని నిశితంగా పర్యవేక్షించాలి మరియు వ్యవస్థాగత సౌలభ్యం (systemic flexibility) కోసం తమ ప్రాథమిక LLMలను జాగ్రత్తగా ఎంచుకోవాలి.