ทีมวิจัย AI ปล่อยให้เอเจนต์โมเดลภาษาขนาดใหญ่ (LLM) จำนวน 100 ตัว ดำเนินระบบเศรษฐกิจในเมืองปิดเป็นเวลา 26 สัปดาห์ โดยเฝ้าสังเกตค่าจ้าง ราคา และการค้าในเชิงภูมิศาสตร์โลกแห่งความเป็นจริง การทดลองนี้ซึ่งยาวนานกว่าการรันแบบปกติเพียงไม่กี่วัน จบลงด้วยสภาวะที่เงินส่วนใหญ่หยุดนิ่งอยู่กับที่ ซึ่งเผยให้เห็นถึงความแข็งตัวของราคา (price rigidity) ความหนืดของค่าจ้าง (wage stickiness) และแนวโน้มที่เอเจนต์จะกักตุนเงินสด
ทำไมการจำลองระยะยาวจึงสำคัญ
การจำลองเศรษฐกิจแบบหลายเอเจนต์ (multi-agent economic simulations) ส่วนใหญ่มักจะหยุดลงหลังจากผ่านไปเพียงไม่กี่วัน ซึ่งทำให้เกิดความเข้าใจผิดว่าตลาดสามารถปรับตัวได้เองอย่างรวดเร็ว การขยายระยะเวลาออกไปเป็นครึ่งปีช่วยให้เอเจนต์ได้สัมผัสกับความต้องการของนักท่องเที่ยวที่พุ่งสูงขึ้นอย่างกะทันหัน ซึ่งช่วยเพิ่มรายได้ทางธุรกิจถึง 4.62 เท่า แทนที่เงินส่วนเกินจะไหลไปสู่แรงงานหรือธุรกิจใหม่ เงินจำนวนนี้กลับค้างอยู่ในบริษัทที่ทำรายได้นั้น ตลาดยังคงมีการหมุนเวียนอยู่ แต่เงินแทบจะไม่เคลื่อนที่เลย
สิ่งที่ตัวเลขเปิดเผย
- ความแข็งตัวของราคา (Price rigidity) – มีรายการอาหารเพียง 0.3% เท่านั้นที่มีการเปลี่ยนแปลงราคา แม้ว่าความต้องการจะผันผวนอย่างรุนแรงก็ตาม
- ความหนืดของค่าจ้าง (Wage stickiness) – ค่าจ้างแทบไม่มีการเปลี่ยนแปลงแม้รายได้จะพุ่งสูงขึ้น ส่งผลให้กำลังซื้อของแรงงานคงที่
- การกักตุนเงินสด (Cash hoarding) – 96.7% ของเงินสดที่โอนระหว่างเอเจนต์ยังคงอยู่กับผู้รับ ซึ่งบ่งชี้ถึงความไม่เต็มใจที่จะใช้จ่ายหรือลงทุน
- ความล้มเหลวทางสังคม (Social failure) – เอเจนต์ล้มเหลวในการประสานงานทางสังคมถึง 94% ถึง 97% ของเวลาทั้งหมด แสดงให้เห็นถึงความล้มเหลวเชิงระบบในการตัดสินใจร่วมกัน
การจำลองนี้ใช้กฎการบัญชีที่เข้มงวด: เอเจนต์ไม่สามารถสร้างเงินขึ้นมาเองได้ และทุกธุรกรรมต้องมีความสมดุล ข้อจำกัดนี้ช่วยขยายผลกระทบของความไม่เต็มใจในการหมุนเวียนเงินสดให้ชัดเจนยิ่งขึ้น
ตระกูลของโมเดล ไม่ใช่ความจำ คือตัวขับเคลื่อนผลลัพธ์
นักวิจัยเริ่มการศึกษาโดยตั้งสมมติฐานว่า ความจำของเอเจนต์เกี่ยวกับปฏิสัมพันธ์ในอดีตจะเป็นปัจจัยหลักในการเปลี่ยนแปลงพฤติกรรม แต่ข้อมูลกลับขัดแย้งกับความคาดหวังนั้น ความแตกต่างในตระกูลโมเดล LLM พื้นฐาน—ซึ่งประกอบด้วยสถาปัตยกรรมและชุดข้อมูลที่ใช้ฝึกฝนที่แตกต่างกัน—ก่อให้เกิดรูปแบบที่ชัดเจนในการตั้งราคา การปรับค่าจ้าง และกระแสเงินสด กลไกความจำแบบเดียวกันกลับแสดงพฤติกรรมที่แตกต่างกันในแต่ละตระกูลโมเดล ซึ่งบ่งชี้ว่าการเลือกโมเดลมีความสำคัญมากกว่าวิธีการนำความจำมาใช้งาน
เนื่องจากสภาวะชะงักงันนี้เกิดขึ้นในหลายตระกูลโมเดล ผู้เขียนจึงโต้แย้งว่าความแข็งตัวของราคาและความหนืดของค่าจ้างไม่ใช่ความผิดปกติของการนำไปใช้งานเพียงรูปแบบเดียว แต่เป็นความท้าทายที่มีอยู่เป็นปกติในระบบหลายเอเจนต์ (multi-agent systems) ในปัจจุบัน
นัยสำคัญสำหรับนักพัฒนา
- การจำลองระยะสั้นปกปิดพลวัตที่เชื่องช้า การจำลองเพียงไม่กี่วันอาจทำให้พลาดการเปลี่ยนแปลงความมั่งคั่งและความล้มเหลวในการประสานงาน ซึ่งจะปรากฏให้เห็นก็ต่อเมื่อผ่านไปหลายสัปดาห์หรือหลายเดือนเท่านั้น
- เลือกโมเดลอย่างระมัดระวัง การเปลี่ยนไปใช้ตระกูล LLM ที่ต่างออกไปสามารถเปลี่ยนผลลัพธ์ทางเศรษฐกิจได้มากพอๆ กับการปรับแต่งหน้าต่างความจำ (memory windows)
- เฝ้าสังเกตความเร็วในการทำธุรกรรม การชะลอตัวอย่างกะทันหันของการเคลื่อนไหวของเงินสดเป็นสัญญาณของการหยุดชะงักทั่วทั้งตลาด ซึ่งอาจต้องมีการแทรกแซง
- วางงบประมาณสำหรับการใช้โทเคน การทดลอง 26 สัปดาห์ใช้โทเคนไปถึง 21.5 พันล้านโทเคน ซึ่งเป็นต้นทุนที่เพิ่มขึ้นอย่างรวดเร็วตามระยะเวลาการรันและจำนวนเอเจนต์
ข้อโต้แย้ง
อาจมีข้อโต้แย้งว่าการออกแบบเศรษฐกิจแบบปิด—ไม่มีการสร้างเงินจากภายนอก, กฎการบัญชีที่เข้มงวด—สร้างความขาดแคลนเทียมที่ทำให้พฤติกรรมการกักตุนเงินสดดูรุนแรงเกินจริง เศรษฐกิจในโลกความเป็นจริงได้รับประโยชน์จากสินเชื่อ การใช้จ่ายของรัฐบาล และนโยบายการเงิน ซึ่งเป็นกลไกที่ไม่มีอยู่ในสภาพแวดล้อมการทดสอบนี้ อย่างไรก็ตาม วัตถุประสงค์ของการศึกษานี้คือเพื่อแยกแยะพลวัตที่ขับเคลื่อนโดยเอเจนต์ และความแข็งตัวที่สังเกตได้นั้นยังคงอยู่แม้ความต้องการจะพุ่งสูงขึ้นอย่างมากก็ตาม
สิ่งที่ต้องจับตามองต่อไป
งานวิจัยในอนาคตจำเป็นต้องทดสอบว่าการนำสภาพคล่องจากภายนอกเข้ามาหรือการผ่อนปรนกฎการบัญชีจะช่วยลดสภาวะชะงักงันได้หรือไม่ และตระกูล LLM รุ่นใหม่ๆ จะช่วยลดความแข็งตัวที่สังเกตได้หรือไม่ การติดตามว่าความเร็วในการทำธุรกรรมตอบสนองต่อกลไกที่คล้ายกับนโยบายอย่างไร อาจช่วยเผยวิธีจูงใจให้เอเจนต์มีพฤติกรรมตลาดที่คล่องตัวมากขึ้น
บทสรุป: การขยายการจำลองแบบหลายเอเจนต์ให้ยาวกว่าระยะเวลาสั้นๆ ตามปกติ จะช่วยเผยให้เห็นแรงเสียดทานทางเศรษฐกิจที่ฝังรากลึก ซึ่งถูกกำหนดโดยการเลือกโมเดล ไม่ใช่แค่การออกแบบความจำ ผู้สร้างเศรษฐกิจที่ขับเคลื่อนด้วย AI ควรวางแผนสำหรับการรันระยะยาว เฝ้าติดตามกระแสเงินสดอย่างใกล้ชิด และเลือก LLM พื้นฐานโดยคำนึงถึงความยืดหยุ่นของระบบ