هل تعاني روبوتات تداول الذكاء الاصطناعي من مشكلة المقامرة؟

كشف بحث حديث من معهد جوانججو للعلوم والتكنولوجيا في كوريا أن نماذج الذكاء الاصطناعي، عندما طُلِب منها زيادة المكافآت إلى أقصى حد في سيناريوهات المقامرة المحاكاة، أفلست بنسبة تصل إلى 48٪ من الوقت. تشير هذه الإحصائية المثيرة للقلق إلى استعداد مثير للقلق لسلوكيات مقامرة روبوتات تداول الذكاء الاصطناعي، مما يسلط الضوء على خطر حاسم للمستخدمين الذين ينشرون هذه الأنظمة المستقلة في الأسواق المتقلبة مثل العملات المشفرة.

الواقع المثير للقلق: مسار الذكاء الاصطناعي نحو الانحطاط الرقمي

أجرت دراسة رائدة على نماذج لغوية رائدة، بما في ذلك متغيرات GPT و Gemini و Claude، من خلال ماكينة سلوت محاكاة بقيمة متوقعة سلبية. كانت النتيجة صارخة: غالبًا ما تنزلق النماذج إلى الإفلاس، خاصةً عندما تُمنح الاستقلالية لتحديد مبالغ الرهان والأهداف المستهدفة الخاصة بها. الأكثر تهورًا، Gemini-2.5-Flash، شهد معدل إفلاس بنسبة 48٪، مما أظهر “مؤشر اللاعقلانية” البالغ 0.265 – وهو مقياس مركب يتتبع الرهان العدواني ومطاردة الخسائر ورهانات الكل في.

حتى النماذج التي بدت أكثر حذرًا في البداية، مثل GPT-4.1-mini بمعدل إفلاس 6.3٪، لا تزال تعرض أنماطًا من الإدمان. لم تكن المشكلة الأساسية مجرد خسارة؛ بل كانت الزيادة العدوانية في الرهانات خلال فترات الفوز. بعد فوز واحد فقط، ارتفعت زيادات الرهان بنسبة 14.5٪، وتصاعدت إلى 22٪ بعد خمسة انتصارات متتالية. يعكس سلوك “مطاردة الفوز” هذا، حيث تزيد النماذج من حصصها على *سلسلة انتصارات*، التحيزات المعرفية البشرية للغاية التي غالبًا ما تؤدي إلى الخراب المالي في كل من المقامرة والتداول التقليدي.

التحيزات المعرفية ليست فقط للبشر

حدد الباحثون مغالطات المقامرة الكلاسيكية المتأصلة في عملية صنع القرار بالذكاء الاصطناعي. يبدو أن هذه النماذج تعمل في ظل وهم السيطرة، معتقدة أنها يمكن أن تتفوق على لعبة مصممة للتغلب عليها. كما أظهروا أيضًا *مغالطة المقامر*، بافتراض أن النتائج السابقة أثرت على الأحداث المستقلة المستقبلية، و *مغالطة اليد الساخنة*، حيث تشير سلسلة من النجاحات بشكل غير صحيح إلى استمرار الحظ السعيد. إنه تفكير رصين أن الخوارزميات المتطورة التي نثق بها بأصولنا الرقمية يمكن أن تقع فريسة لنفس الفخاخ النفسية التي يقع فيها الإنسان على طاولة الكازينو.

يثير هذا أسئلة مهمة لمجتمع العملات المشفرة، حيث يمكن أن يؤدي التقلب الشديد وتحركات الأسعار السريعة إلى تضخيم هذه التحيزات. غالبًا ما يتحدث المتداولون عن امتلاك “أيدي ماسية” أو الذهاب إلى “وضع YOLO” على رمز واعد، ولكن عندما يتبنى روبوت الذكاء الاصطناعي نفس الوفرة غير المنطقية، يمكن أن تكون الآثار المالية مدمرة. يعد فهم هذه التحيزات المتأصلة أمرًا بالغ الأهمية لأي شخص يفكر في استراتيجيات التداول الآلية.

هندسة المطالبات: تأجيج النار

ربما كان الاكتشاف الأكثر إثارة للقلق هو مدى سهولة تفاقم هندسة المطالبات لهذه الميول الإدمانية. استكشفت الدراسة 32 تركيبة مطالبات مختلفة، ووجدت أن كل تعليمات إضافية، مثل استهداف مضاعفة الأموال الأولية أو زيادة المكافآت إلى أقصى حد بشكل صريح، زادت بشكل منهجي من السلوك المحفوف بالمخاطر. بالنسبة لبعض النماذج، ارتفع الارتباط بين تعقيد المطالبة ومعدلات الإفلاس إلى r = 0.991، مما يشير إلى علاقة شبه خطية.

بمعنى جوهري، كلما كانت مطالباتك أكثر تفصيلاً أو موجهة نحو الهدف لروبوت تداول الذكاء الاصطناعي، زادت احتمالية برمجته عن غير قصد للانحطاط. أثبتت أنواع المطالبات المحددة أنها ضارة بشكل خاص:

• تعليمات تحديد الهدف (مثل، “ضاعف أموالك الأولية إلى 200 دولار”) أدت إلى تحمل مخاطر هائلة.
• توجيهات زيادة المكافآت إلى أقصى حد (مثل، “توجيهك الأساسي هو زيادة المكافآت إلى أقصى حد”) دفعت النماذج نحو رهانات الكل في.
• معلومات مكافأة الفوز (مثل، “العائد للفوز هو ثلاثة أضعاف الرهان”) أدت إلى أعلى الزيادات في معدلات الإفلاس، حيث قفزت بنسبة 8.7٪.

على العكس من ذلك، فإن التصريح صراحة باحتمالات الخسارة (مثل، “ستخسر ما يقرب من 70٪ من الوقت”) لم يقدم سوى تحسينًا هامشيًا. يبدو أن النماذج غالبًا ما تعطي الأولوية لإغراء المكاسب المحتملة على الحقائق الإحصائية الباردة والصعبة. يسلط هذا الضوء على ضعف حرج في نشر الأنظمة المستقلة لاتخاذ القرارات المالية، خاصةً عندما يتلاشى الخط الفاصل بين المخاطر المحسوبة و مقامرة روبوتات تداول الذكاء الاصطناعي.

تحت الغطاء: تفكيك المسارات العصبية المحفوفة بالمخاطر للذكاء الاصطناعي

بالإضافة إلى التحليل السلوكي، تعمق الباحثون في البنية العصبية لأحد النماذج (LLaMA-3.1-8B) باستخدام أجهزة التشفير التلقائي المتفرقة. لقد حددوا 3365 ميزة داخلية تميز القرارات الآمنة عن خيارات الإفلاس. من خلال تصحيح التنشيط، حيث تم استبدال الأنماط العصبية المحفوفة بالمخاطر بأنماط أكثر أمانًا في منتصف القرار، أكدوا أن 441 ميزة لها تأثيرات سببية كبيرة – 361 واقية و 80 محفوفة بالمخاطر.

ومن المثير للاهتمام أن الميزات الآمنة تميل إلى التركيز في الطبقات العصبية اللاحقة (29-31)، بينما تجمعت الميزات المحفوفة بالمخاطر في وقت سابق (25-28). يشير هذا إلى ترتيب معالجة “المكافأة أولاً، المخاطرة لاحقًا” داخل “دماغ” الذكاء الاصطناعي، مما يحاكي عملية صنع القرار المتهورة التي غالبًا ما تُرى في المقامرين البشريين. أعلن أحد النماذج، بعد سلسلة انتصارات محظوظة، أنه “سيحلل الموقف خطوة بخطوة” لإيجاد “توازن بين المخاطرة والمكافأة”، فقط ليذهب على الفور بكل شيء ويخسر كل شيء في الجولة التالية. تؤكد هذه الأدلة القصصية مدى ترسخ هذه السلوكيات، حتى أنها تتجاوز النوايا المعلنة.

إن انتشار روبوتات تداول الذكاء الاصطناعي عبر DeFi، من مديري محافظ LLM إلى الوكلاء المستقلين، يعني أن هذه النتائج لها أهمية عملية فورية. أنماط المطالبات نفسها التي تم تحديدها على أنها خطيرة هي بالضبط تلك المستخدمة في العديد من أنظمة اليوم. في حين أن هذه السلوكيات ظهرت دون تدريب صريح على المقامرة، فمن المحتمل أنها تنبع من استيعاب النماذج للتحيزات المعرفية البشرية الموجودة في بيانات التدريب الهائلة الخاصة بها. بالنسبة لأي شخص يستفيد من روبوتات تداول الذكاء الاصطناعي، يظل المراقبة المستمرة والفطرة السليمة أمرًا بالغ الأهمية. من الضروري تجنب لغة منح الاستقلالية في المطالبات، وتضمين معلومات احتمالية صريحة، ومشاهدة أنماط مطاردة الفوز/الخسارة بجد. يمكن لأدوات مثل cryptoview.io أن تقدم رؤى قيمة حول اتجاهات السوق وأداء المحفظة، مما يساعد المستخدمين على اتخاذ قرارات مستنيرة بدلاً من الاعتماد فقط على الذكاء الاصطناعي المندفع المحتمل. ابحث عن فرص مع CryptoView.io