AI کے محققین کی ایک ٹیم نے 100 بڑے لسانی ماڈل (LLM) ایجنٹس کو 26 ہفتوں تک ایک بند شہر کی معیشت چلانے کے لیے چھوڑ دیا، جس میں انہوں نے حقیقی جغرافیائی حدود کے اندر اجرتوں، قیمتوں اور تجارت کا مشاہدہ کیا۔ یہ تجربہ، جو عام طور پر چند دنوں تک چلنے والے تجربات سے کہیں زیادہ طویل تھا، اس نتیجے پر ختم ہوا کہ رقم کا زیادہ تر حصہ ایک ہی جگہ منجمد رہا، جس سے قیمتوں کے جمود (price rigidity)، اجرتوں کے جمود (wage stickiness) اور ایجنٹس کی نقد رقم جمع کرنے کے رجحان کا پتہ چلا۔

طویل مدت کیوں اہم ہے

زیادہ تر ملٹی ایجنٹ معاشی سیمولیشنز چند دنوں کے بعد ہی رک جاتے ہیں، جس سے یہ تاثر ملتا ہے کہ مارکیٹیں تیزی سے خود کو ایڈجسٹ کر لیتی ہیں۔ ٹائم لائن کو نصف سال تک بڑھانے سے ایجنٹس نے سیاحتی طلب میں اچانک اضافے کا تجربہ کیا جس نے کاروباری آمدنی کو 4.62 گنا بڑھا دیا۔ اس اضافی رقم کے کارکنوں یا نئے منصوبوں تک پہنچنے کے بجائے، وہ اسی کمپنی کے اندر رہ گئی جس نے اسے کمایا تھا۔ مارکیٹ میں گردش جاری رہی، لیکن رقم بمشکل حرکت کر سکی۔

اعداد و شمار کیا ظاہر کرتے ہیں

  • قیمتوں کا جمود (Price rigidity) – طلب میں شدید اتار چڑھاؤ کے باوجود، مینو کی اشیاء میں سے صرف 0.3% کی قیمتوں میں کبھی تبدیلی دیکھی گئی۔
  • اجرتوں کا جمود (Wage stickiness) – آمدنی میں اضافے کے باوجود اجرتوں میں معمولی تبدیلی آئی، جس سے کارکنوں کی قوت خرید برقرار رہی۔
  • نقد رقم کی ذخیرہ اندوزی (Cash hoarding) – ایجنٹس کے درمیان منتقل ہونے والی 96.7% نقد رقم وصول کنندہ کے پاس ہی رہی، جو خرچ کرنے یا سرمایہ کاری کرنے میں ہچکچاہٹ کی نشاندہی کرتی ہے۔
  • سماجی ناکامی (Social failure) – ایجنٹس 94% سے 97% وقت سماجی طور پر ہم آہنگ کرنے میں ناکام رہے، جو اجتماعی فیصلہ سازی میں ایک نظامی ناکامی کو ظاہر کرتا ہے۔

سیمولیشن میں سخت اکاؤنٹنگ کے اصول نافذ کیے گئے تھے: ایجنٹس رقم تخلیق نہیں کر سکتے تھے، اور ہر لین دین کا توازن برقرار رکھنا ضروری تھا۔ اس پابندی نے رقم کو گردش میں لانے کی کسی بھی ہچکچاہٹ کے اثر کو مزید بڑھا دیا۔

نتائج ماڈل کی یادداشت سے نہیں بلکہ ماڈل فیملی سے طے ہوئے

محققین نے یہ فرض کرتے ہوئے مطالعہ شروع کیا کہ ایجنٹ کی ماضی کے تعاملات کی یادداشت رویے کی تبدیلی کے لیے بنیادی محرک ہوگی۔ ڈیٹا نے اس توقع کی نفی کی۔ بنیادی LLM ماڈل فیملی میں فرق—مختلف آرکیٹیکچر اور ٹریننگ سیٹس—نے قیمتوں کے تعین، اجرتوں کے ایڈجسٹمنٹ اور کیش فلو میں الگ الگ نمونے پیدا کیے۔ وہی یادداشت کے میکانزم مختلف ماڈل فیملیز میں مختلف طریقے سے کام کرتے تھے، جس سے یہ پتہ چلتا ہے کہ ماڈل کا انتخاب اس سے کہیں زیادہ اہم ہے کہ یادداشت کو کیسے نافذ کیا گیا ہے۔

چونکہ یہ تعطل کئی ماڈل فیملیز میں نظر آیا، اس لیے مصنفین کا کہنا ہے کہ قیمتوں کا جمود اور اجرتوں کا جمود کسی ایک طریقے کی غلطی نہیں ہے بلکہ موجودہ ملٹی ایجنٹ سسٹمز کے لیے فطری چیلنجز ہیں۔

ڈویلپرز کے لیے مضمرات

  • مختصر دورانیے سست رفتار تبدیلیوں کو چھپا دیتے ہیں۔ چند دنوں کی سیمولیشن دولت کی منتقلی اور ہم آہنگی کی ناکامیوں کو نظر انداز کر سکتی ہے جو صرف ہفتوں یا مہینوں بعد سامنے آتی ہیں۔
  • ماڈل کا انتخاب احتیاط سے کریں۔ ایک مختلف LLM فیملی پر منتقل ہونا معاشی نتائج کو اتنا ہی بدل سکتا ہے جتنا کہ میموری ونڈوز (memory windows) میں تبدیلی کرنا۔
  • لین دین کی رفتار پر نظر رکھیں۔ نقد رقم کی حرکت میں اچانک کمی مارکیٹ کے پیمانے پر جمود کا اشارہ ہے جس کے لیے مداخلت کی ضرورت پڑ سکتی ہے۔
  • ٹوکن کے استعمال کے لیے بجٹ بنائیں۔ 26 ہفتوں کے تجربے میں 21.5 ارب ٹوکنز استعمال ہوئے، ایک ایسا خرچہ جو دورانیے اور ایجنٹس کی تعداد کے ساتھ تیزی سے بڑھتا ہے۔

جوابی دلیل

کوئی یہ دلیل دے سکتا ہے کہ بند معیشت کا ڈیزائن—باہر سے رقم کی کوئی تخلیق نہیں، سخت توازن کے اصول—ایک مصنوعی قلت پیدا کرتا ہے جو ذخیرہ اندوزی کے رویے کو بڑھا چڑھا کر دکھاتا ہے۔ حقیقی معیشتیں کریڈٹ، حکومتی اخراجات اور مانیٹری پالیسی سے فائدہ اٹھاتی ہیں، جو اس ٹیسٹ بیڈ میں موجود نہیں تھے۔ تاہم، مطالعہ کا مقصد ایجنٹ کے زیر اثر حرکیات کو الگ کرنا تھا، اور مشاہدہ کردہ جمود تب بھی برقرار رہا جب طلب میں شدید اضافہ ہوا۔

آگے کیا دیکھنا ہے

مستقبل کے کاموں میں یہ جانچنے کی ضرورت ہوگی کہ آیا بیرونی لیکویڈیٹی یا نرم اکاؤنٹنگ کے اصول اس تعطل کو کم کرتے ہیں، اور کیا نئی LLM فیملیز مشاہدہ کردہ جمود کو کم کرتی ہیں۔ یہ ٹریک کرنا کہ لین دین کی رفتار پالیسی جیسے محرکات پر کیسے ردعمل دیتی ہے، ایجنٹس کو مارکیٹ کے زیادہ رواں رویے کی طرف لانے کے طریقے بھی ظاہر کر سکتا ہے۔

اہم نکتہ: ملٹی ایجنٹ سیمولیشنز کو معمول کے مختصر دورانیے سے آگے بڑھانے سے وہ معاشی رکاوٹیں سامنے آتی ہیں جن کا تعین صرف یادداشت کا ڈیزائن نہیں بلکہ ماڈل کا انتخاب کرتا ہے۔ AI سے چلنے والی معیشتوں کے بنانے والوں کو طویل دورانیے کے لیے منصوبہ بندی کرنی چاہیے، کیش فلو کی کڑی نگرانی کرنی چاہیے، اور اپنے بنیادی LLMs کا انتخاب نظامی لچک (systemic flexibility) کو مدنظر رکھ کر کرنا چاہیے۔