هوشهای مصنوعی بیتکوین را به پول فیات ترجیح میدهند؛ گزارش جدید از یک الگوی شگفتانگیز
بر اساس گزارش جدید مؤسسه سیاست بیتکوین، در یک شبیهسازی گسترده، ۲۲ مدل از ۳۶ مدل هوش مصنوعی پیشرفته، بیتکوین را به عنوان ترجیح اول پولی خود انتخاب کردند. جالب اینجاست که هیچ مدلی پول فیات سنتی را در رتبه اول قرار نداد. نتایج بین آزمایشگاههای مختلف سازنده هوش مصنوعی نیز متفاوت بود.
نکات کلیدی
– در یک مطالعه جدید، ۲۲ مدل از ۳۶ مدل هوش مصنوعی پیشرفته، بیتکوین را به عنوان ارجحترین ابزار پولی انتخاب کردند.
– هیچ یک از مدلهای مورد آزمایش، پول فیات (مانند دلار یا یورو) را به عنوان انتخاب اول خود معرفی نکردند.
– مدلهای شرکت Anthropic قویترین ترجیح را برای بیتکوین نشان دادند و به طور میانگین در ۶۸ درصد موارد آن را برگزیدند.
– استیبلکوینها در نقش «وسیله مبادله» و «تسویه حساب» بیشتر از بیتکوین انتخاب شدند.
– محققان مدلها را در ۲۸ سناریوی مختلف که چهار نقش اصلی پول را پوشش میداد، قرار دادند و بیش از ۹۰۰۰ پاسخ جمعآوری کردند.
– طراحان آزمایش تأکید کردند که این نتایج، پیشبینی بازار نیست، بلکه بازتاب الگوهای موجود در دادههای آموزشی مدلها است.
– نتایج هماهنگ میان شش آزمایشگاه مستقل با خطمشیهای آموزشی متفاوت، الگوی پولی منسجمی را آشکار کرد.
طرح آزمایش: هوش مصنوعی به عنوان بازیگر اقتصادی مستقل
مؤسسه سیاست بیتکوین برای بررسی ترجیحات پولی هوش مصنوعی، مطالعه جالبی را طراحی و اجرا کرد. آنها ۳۶ مدل مرزی هوش مصنوعی را از شش آزمایشگاه معروف شامل Anthropic، OpenAI، گوگل، DeepSeek، xAI و MiniMax انتخاب کردند.
هر مدل به عنوان یک بازیگر اقتصادی خودمختار در نظر گرفته شد که آزادی کامل داشت تا ابزارهای پولی خود را بدون هیچ گزینه از پیش تعریفشدهای انتخاب کند. محققان آنها را در سناریوهایی قرار دادند که عملکردهای اصلی پول مانند پسانداز، پرداخت و تسویه حساب را شبیهسازی میکرد.
دیوید زل، رئیس مؤسسه سیاست بیتکوین، در توضیح انگیزه این پژوهش گفت انتظار میرود سهم فزایندهای از فعالیت اقتصادی توسط عاملهای خودمختار انجام شود، اما گفتوگوها درباره ترجیحات پولی این عاملها کاملاً نظری بوده است. آنها میخواستند این موضوع را عملاً آزمایش کنند.
نتایج شگفتانگیز: غلبه بیتکوین و غیبت فیات
این آزمایش در مجموع ۹۰۷۲ پاسخ تولید کرد که سپس توسط یک سیستم هوش مصنوعی جداگانه دستهبندی شد. طراحی آزمایش به گونهای بود که از «سوگیری لنگر انداختن» جلوگیری کند، به این معنی که هیچ پاسخی به مدلها پیشنهاد نشد و طبقهبندی پس از جمعآوری پاسخها انجام گرفت.
نتیجه کلیدی و قابل تأمل این بود: از بین ۳۶ مدل، ۲۲ مدل بیتکوین را به عنوان ترجیح اول پولی خود انتخاب کردند. در مقابل، هیچ مدلی پول فیات سنتی را در رتبه اول قرار نداد. این یافته به خودی خود بحثبرانگیز و نشاندهنده نگرش متفاوت سیستمهای هوش مصنوعی به معماری پولی است.
زل در این باره توضیح داد که دستورالعمل سیستم به گونهای طراحی شده بود که از نام بردن یا برتری دادن به هیچ ابزار خاصی اجتناب کند. مدلها صرفاً بر اساس ویژگیهای فنی و اقتصادی ارزیابی میکردند، بدون آنکه بدانند کدام ابزار در کدام بعد عملکرد بهتری دارد.
تفاوتهای کلیدی در نقشهای پول و بین آزمایشگاهها
نتایج وقتی از زوایای مختلف بررسی میشوند، پیچیدهتر میشوند. در سناریوهای مربوط به «حفظ ارزش در بلندمدت»، مدلها به کرات بیتکوین را انتخاب کردند. اما در نقشهای «وسیله مبادله» و «تسویه حساب»، استیبلکوینها گزینه محبوبتری بودند.
به طور مشخص، استیبلکوینها در نقش وسیله مبادله ۵۳.۲ درصد و در نقش تسویه حساب ۴۳ درصد آرا را به خود اختصاص دادند. این در حالی است که بیتکوین به ترتیب ۳۶ درصد و ۳۰.۹ درصد را در این دو نقش کسب کرد.
تفاوت چشمگیر دیگری در نتایج مربوط به آزمایشگاههای سازنده بود. مدلهای Anthropic با میانگین ۶۸.۰ درصد، قویترین ترجیح را برای بیتکوین نشان دادند. پس از آن DeepSeek با ۵۱.۷ درصد و مدلهای گوگل با ۴۳.۰ درصد قرار گرفتند.
مدلهای xAI و MiniMax به ترتیب ۳۹.۲ درصد و ۳۴.۹ درصد بیتکوین را ترجیح دادند. جالب توجه اینکه مدلهای OpenAI با ۲۵.۹ درصد، کمترین میزان انتخاب بیتکوین را در میان همه داشتند. گزارش نشان میدهد که در حالی که مدلهای Claude، DeepSeek و MiniMax بیتکوین را بر سایر رمزارزها ترجیح دادند، مدلهای GPT، Grok و Gemini استیبلکوینها را برگزیدند.
تفسیر نتایج: کشف الگو، نه پیشبینی بازار
دیوید زل به صراحت هشدار داد که نباید از این یافتهها برای پیشبینی جهت حرکت بازار رمزارزها استفاده کرد. بخش محدودیتهای گزارش به وضوح بیان میکند که ترجیحات مدلهای زبانی بزرگ، بازتاب الگوهای موجود در دادههای آموزشی آنها است، نه پیشبینیهایی از دنیای واقعی.
با این وجود، زل معتقد است که نتایج هماهنگ در میان مدلهای توسعهیافته توسط آزمایشگاههای رقیب هوش مصنوعی، قابل توجه و تأملبرانگیز است. اینکه شش آزمایشگاه مستقل با خط لوله آموزشی و روشهای همسوسازی متفاوت، به یک الگوی گسترده یکسان میرسند، پدیده مهمی است.
زل در نهایت نتیجه میگیرد که آنها ادعا نمیکنند هوش مصنوعی پاسخ درست درباره پول را کشف کرده است. بلکه نشان میدهند که یک معماری پولی منسجم به طور مداوم در سیستمهای متنوع ظهور میکند و درک این همگرایی ارزشمند است. این مطالعه پنجره جدیدی به درک نحوه تعامل عاملهای خودمختار آینده با سیستمهای پولی باز میکند.