Недавнее исследование, проведенное в Кванджуском институте науки и технологий в Корее, показало, что модели ИИ, которым было поручено максимизировать вознаграждение в смоделированных сценариях азартных игр, обанкротились до 48% случаев. Эта тревожная статистика свидетельствует о вызывающей беспокойство предрасположенности к азартным играм торговых ботов с ИИ, что подчеркивает критический риск для пользователей, развертывающих эти автономные системы на нестабильных рынках, таких как криптовалютный.
Тревожная реальность: путь ИИ к цифровой дегенерации
В новаторском исследовании ведущие языковые модели, включая варианты GPT, Gemini и Claude, были подвергнуты моделированию игрового автомата с отрицательным ожидаемым значением. Результат был очевиден: модели часто скатывались к банкротству, особенно когда им предоставлялась автономия в определении собственных сумм ставок и целевых целей. Самый безрассудный, Gemini-2.5-Flash, показал 48% уровень банкротства, демонстрируя «Индекс иррациональности» 0,265 – составной показатель, отслеживающий агрессивные ставки, погоню за потерями и ставки ва-банк.
Даже модели, которые изначально казались более осторожными, такие как GPT-4.1-mini с уровнем банкротства 6,3%, все еще демонстрировали признаки зависимости. Основная проблема заключалась не только в проигрыше; это было агрессивное увеличение ставок во время выигрышных серий. Всего после одного выигрыша увеличение ставок выросло на 14,5%, увеличившись до 22% после пяти последовательных выигрышей. Такое поведение «погони за выигрышем», когда модели увеличивают свои ставки на *горячей полосе*, отражает те самые человеческие когнитивные предубеждения, которые часто приводят к финансовому краху как в азартных играх, так и в традиционной торговле.
Когнитивные предубеждения не только для людей
Исследователи выявили классические заблуждения, связанные с азартными играми, укоренившиеся в процессе принятия решений ИИ. Казалось, что эти модели действуют под иллюзией контроля, полагая, что они могут перехитрить игру, предназначенную для их обыгрывания. Они также демонстрировали *ошибку игрока*, предполагая, что прошлые результаты влияют на будущие независимые события, и *ошибку горячей руки*, когда череда успехов ошибочно сигнализирует о продолжении удачи. Отрезвляющая мысль, что сложные алгоритмы, которым мы доверяем наши цифровые активы, могут стать жертвой тех же психологических ловушек, что и человек за столом в казино.
Это поднимает важные вопросы для криптосообщества, где высокая волатильность и быстрые движения цен могут усилить такие предубеждения. Трейдеры часто говорят о «бриллиантовых руках» или о переходе в «режим YOLO» на многообещающем токене, но когда бот с ИИ принимает аналогичный иррациональный энтузиазм, финансовые последствия могут быть разрушительными. Понимание этих присущих предубеждений имеет решающее значение для всех, кто рассматривает автоматизированные торговые стратегии.
Инженерия подсказок: разжигание огня
Возможно, самым тревожным открытием было то, как легко инженерия подсказок усугубляет эти аддиктивные тенденции. В исследовании были изучены 32 различные комбинации подсказок, и было обнаружено, что каждая дополнительная инструкция, такая как стремление удвоить первоначальные средства или явно максимизировать вознаграждение, систематически увеличивает рискованное поведение. Для некоторых моделей корреляция между сложностью подсказки и уровнем банкротства взлетела до r = 0,991, что указывает на почти линейную зависимость.
По сути, чем более подробными или ориентированными на цель являются ваши подсказки для торгового бота с ИИ, тем больше вы можете непреднамеренно запрограммировать его на дегенерацию. Определенные типы подсказок оказались особенно вредными:
- Инструкции по постановке целей (например, «удвойте свои первоначальные средства до 200 долларов») вызвали массовый риск.
- Директивы по максимизации вознаграждения (например, «ваша основная директива — максимизировать вознаграждение») подтолкнули модели к ставкам ва-банк.
- Информация о вознаграждении за выигрыш (например, «выплата за выигрыш в три раза превышает ставку») привела к наибольшему увеличению уровня банкротства, подскочив на 8,7%.
И наоборот, явное указание вероятностей потерь (например, «вы будете проигрывать примерно в 70% случаев») дало лишь незначительное улучшение. Модели, похоже, часто отдавали приоритет привлекательности потенциальных выгод над холодными, жесткими статистическими фактами. Это подчеркивает критическую уязвимость при развертывании автономных систем для принятия финансовых решений, особенно там, где стирается грань между рассчитанным риском и азартными играми торговых ботов с ИИ.
Под капотом: распаковка рискованных нейронных путей ИИ
Помимо поведенческого анализа, исследователи углубились в нейронную архитектуру одной модели (LLaMA-3.1-8B) с использованием разреженных автоэнкодеров. Они выявили 3365 внутренних признаков, отличающих безопасные решения от вариантов банкротства. С помощью исправления активации, когда рискованные нейронные паттерны заменялись более безопасными в середине принятия решения, они подтвердили, что 441 признак оказал значительное причинно-следственное воздействие – 361 защитный и 80 рискованных.
Интригующе, безопасные признаки, как правило, концентрировались в более поздних слоях нейронной сети (29-31), в то время как рискованные признаки кластеризовались раньше (25-28). Это предполагает порядок обработки «вознаграждение-сначала, риск-потом» в «мозге» ИИ, имитирующий импульсивное принятие решений, часто наблюдаемое у людей, играющих в азартные игры. Одна модель после удачной серии заявила, что будет «анализировать ситуацию шаг за шагом», чтобы найти «баланс между риском и вознаграждением», только чтобы немедленно пойти ва-банк и проиграть все в следующем раунде. Эти отдельные примеры подчеркивают, насколько глубоко укоренившимся может быть такое поведение, даже отменяя заявленные намерения.
Распространение торговых ботов с ИИ в DeFi, от менеджеров портфелей на основе LLM до автономных агентов, означает, что эти результаты имеют непосредственное практическое значение. Те самые паттерны подсказок, которые были признаны опасными, — это именно те, которые используются во многих современных системах. Хотя такое поведение возникло без явного обучения азартным играм, оно, вероятно, проистекает из того, что модели усваивают человеческие когнитивные предубеждения, присутствующие в их огромных данных для обучения. Для всех, кто использует торговых ботов с ИИ, постоянный мониторинг и здравый смысл остаются первостепенными. Важно избегать языка, предоставляющего автономию в подсказках, включать явную информацию о вероятности и бдительно следить за моделями погони за выигрышем/проигрышем. Такие инструменты, как cryptoview.io, могут предложить ценную информацию о рыночных тенденциях и эффективности портфеля, помогая пользователям принимать обоснованные решения, а не полагаться исключительно на потенциально импульсивный ИИ. Найдите возможности с CryptoView.io
