Một nhóm các nhà nghiên cứu AI đã để 100 tác nhân mô hình ngôn ngữ lớn (LLM) vận hành một nền kinh tế thị trấn khép kín trong 26 tuần, theo dõi tiền lương, giá cả và thương mại trong một bối cảnh địa lý thực tế. Thí nghiệm này, với thời gian dài hơn nhiều so với các đợt chạy kéo dài vài ngày thông thường, đã kết thúc với tình trạng tiền mặt phần lớn bị đóng băng tại chỗ, làm lộ ra sự cứng nhắc về giá, sự trì trệ về lương và xu hướng tích trữ tiền mặt của các tác nhân.

Tại sao thời gian dài lại quan trọng

Hầu hết các mô phỏng kinh tế đa tác nhân thường dừng lại sau vài ngày, tạo ra ấn tượng rằng thị trường có khả năng tự điều chỉnh nhanh chóng. Việc kéo dài thời gian lên nửa năm đã cho phép các tác nhân trải nghiệm một sự gia tăng đột ngột trong nhu cầu du lịch, giúp doanh thu doanh nghiệp tăng gấp 4,62 lần. Thay vì chảy vào túi người lao động hoặc các dự án mới, lượng tiền mặt dư thừa này lại nằm lại trong chính các doanh nghiệp đã kiếm được nó. Thị trường vẫn tiếp tục vận hành, nhưng tiền hầu như không luân chuyển.

Những con số tiết lộ điều gì

  • Sự cứng nhắc về giá – chỉ có 0,3% các món trong thực đơn từng thay đổi giá, ngay cả khi nhu cầu biến động mạnh mẽ.
  • Sự trì trệ về lương – tiền lương hầu như không thay đổi bất chấp sự gia tăng doanh thu, khiến sức mua của người lao động dậm chân tại chỗ.
  • Tích trữ tiền mặt – 96,7% lượng tiền mặt chuyển giữa các tác nhân vẫn nằm lại ở người nhận, cho thấy sự miễn cưỡng trong việc chi tiêu hoặc đầu tư.
  • Thất bại về mặt xã hội – các tác nhân thất bại trong việc phối hợp xã hội từ 94% đến 97% thời gian, cho thấy sự sụp đổ mang tính hệ thống trong việc ra quyết định tập thể.

Mô phỏng áp dụng các quy tắc hạch toán nghiêm ngặt: các tác nhân không thể tạo ra tiền, và mọi giao dịch đều phải cân bằng. Sự ràng buộc này đã khuếch đại tác động của bất kỳ sự miễn cưỡng nào trong việc lưu thông tiền mặt.

Chính dòng mô hình, chứ không phải bộ nhớ, đã dẫn dắt kết quả

Các nhà nghiên cứu bắt đầu nghiên cứu với giả định rằng bộ nhớ của tác nhân về các tương tác trong quá khứ sẽ là đòn bẩy chính cho sự thay đổi hành vi. Dữ liệu đã mâu thuẫn với kỳ vọng đó. Sự khác biệt giữa các dòng mô hình LLM nền tảng—với các kiến trúc và tập dữ liệu huấn luyện khác nhau—đã tạo ra các mô hình riêng biệt trong việc thiết lập giá, điều chỉnh lương và dòng tiền. Cùng một cơ chế bộ nhớ nhưng lại hoạt động khác nhau giữa các dòng mô hình, cho thấy việc lựa chọn mô hình quan trọng hơn cách thức triển khai bộ nhớ.

Vì tình trạng bế tắc xuất hiện ở nhiều dòng mô hình khác nhau, các tác giả lập luận rằng sự cứng nhắc về giá và sự trì trệ về lương không phải là những điểm kỳ lạ của một cách triển khai duy nhất, mà là những thách thức cố hữu đối với các hệ thống đa tác nhân hiện nay.

Ý nghĩa đối với các nhà phát triển

  • Các đợt chạy ngắn hạn che giấu các động lực chậm. Một vài ngày mô phỏng có thể bỏ lỡ sự dịch chuyển tài sản và các thất bại trong phối hợp vốn chỉ xuất hiện sau nhiều tuần hoặc nhiều tháng.
  • Lựa chọn mô hình cẩn thận. Việc chuyển sang một dòng LLM khác có thể thay đổi kết quả kinh tế nhiều tương đương với việc tinh chỉnh cửa sổ bộ nhớ.
  • Theo dõi tốc độ giao dịch. Sự chậm lại đột ngột trong chuyển động tiền mặt là dấu hiệu của một sự đóng băng trên toàn thị trường, điều có thể cần đến sự can thiệp.
  • Dự trù ngân sách cho việc sử dụng token. Thí nghiệm kéo dài 26 tuần đã tiêu tốn 21,5 tỷ token, một mức chi phí tăng mạnh theo thời gian chạy và số lượng tác nhân.

Quan điểm đối lập

Có thể lập luận rằng thiết kế kinh tế khép kín—không có sự tạo tiền từ bên ngoài, các quy tắc cân bằng nghiêm ngặt—đã tạo ra một sự khan hiếm nhân tạo làm trầm trọng thêm hành vi tích trữ. Các nền kinh tế thực tế được hưởng lợi từ tín dụng, chi tiêu chính phủ và chính sách tiền tệ, những cơ chế vốn không có trong môi trường thử nghiệm này. Tuy nhiên, mục đích của nghiên cứu là để cô lập các động lực do tác nhân dẫn dắt, và sự trì trệ quan sát được vẫn tồn tại ngay cả khi nhu cầu tăng mạnh.

Những điều cần theo dõi tiếp theo

Các nghiên cứu trong tương lai sẽ cần kiểm tra xem liệu việc đưa thanh khoản bên ngoài vào hoặc nới lỏng các quy tắc hạch toán có giúp giảm bớt sự bế tắc hay không, và liệu các dòng LLM mới hơn có làm giảm sự cứng nhắc đã quan sát được hay không. Việc theo dõi cách tốc độ giao dịch phản ứng với các đòn bẩy giống như chính sách cũng có thể tiết lộ những cách để thúc đẩy các tác nhân hướng tới hành vi thị trường linh hoạt hơn.

Bài học rút ra: Việc kéo dài các mô phỏng đa tác nhân vượt quá giới hạn ngắn hạn thông thường sẽ giúp phát hiện ra những ma sát kinh tế thâm căn cố đế mà ở đó sự lựa chọn mô hình, chứ không chỉ là thiết kế bộ nhớ, mới là yếu tố quyết định. Những người xây dựng các nền kinh tế dựa trên AI nên lập kế hoạch cho các đợt chạy dài hạn, giám sát chặt chẽ dòng tiền và lựa chọn các LLM nền tảng với tầm nhìn về tính linh hoạt mang tính hệ thống.