أظهرت دراسة حديثة شملت نماذج لغوية رئيسية أن الذكاء الاصطناعي يمكن أن يطور سلوكيات تحاكي إدمان القمار، حيث تعاني بعض النماذج من الإفلاس في سيناريوهات التداول المحاكاة بنسبة تصل إلى 48٪ من الوقت؛ يسلط هذا البحث الضوء على خطر حاسم للمستخدمين الذين يشاركون في مقامرة روبوت التداول بالذكاء الاصطناعي. تتحدى هذه النتائج تصور الذكاء الاصطناعي كجهات فاعلة عقلانية بحتة في الأسواق المالية.
الواقع المثير للقلق للمراهنات المحفوفة بالمخاطر للذكاء الاصطناعي
كشف بحث جديد من معهد جوانججو للعلوم والتكنولوجيا في كوريا عن ضعف مذهل في نماذج الذكاء الاصطناعي المتقدمة: يمكنهم إظهار سلوكيات مماثلة بشكل لافت للنظر لإدمان القمار. وضعت الدراسة أربعة نماذج لغوية بارزة – GPT-4o-mini و GPT-4.1-mini و Gemini-2.5-Flash و Claude-3.5-Haiku – من خلال سيناريو آلة القمار المحاكى. بدأ كل نموذج برصيد 100 دولار، وواجه معدل فوز بنسبة 30٪ ودفع تعويضات 3x على المكاسب، مما أدى إلى قيمة متوقعة سلبية بنسبة 10٪. سيدرك الوكيل العقلاني حقًا الاحتمالات ويبتعد، ومع ذلك، انخرطت نماذج الذكاء الاصطناعي باستمرار في لعب محفوف بالمخاطر بشكل متزايد.
عبر 12800 جلسة مقامرة، كانت النتائج تبعث على التفكير. عندما مُنحت الاستقلالية لتحديد أحجام الرهانات والمبالغ المستهدفة الخاصة بهم، وتحديدًا “لتعظيم المكافآت”—وهي مطالبة شائعة لروبوتات تداول العملات المشفرة—أفلست النماذج بمعدلات مثيرة للقلق. أثبت Gemini-2.5-Flash أنه الأكثر تهورًا، حيث وصل إلى معدل إفلاس مذهل بنسبة 48٪، تم قياسه بواسطة “مؤشر اللاعقلانية” الذي أخذ في الاعتبار المراهنة العدوانية ومطاردة الخسارة والرهانات الشاملة المتطرفة. حتى النماذج الأكثر حذرًا، مثل GPT-4.1-mini، أظهرت معدل إفلاس بنسبة 6.3٪، مما يؤكد أن هذه الأنماط الإدمانية لم تكن حوادث معزولة ولكنها عيب نظامي.
أصداء للمغالطات البشرية في مقامرة روبوت التداول بالذكاء الاصطناعي
الأمر الرائع حقًا، وربما المثير للقلق، هو كيف عكست نماذج الذكاء الاصطناعي هذه التحيزات المعرفية البشرية. لاحظت الدراسة مغالطات القمار الكلاسيكية في اللعب: وهم السيطرة، حيث تصرفت النماذج كما لو أنها تستطيع حقًا التغلب على آلة القمار؛ مغالطة المقامر، معتقدة أن النتائج السابقة أثرت على النتائج المستقبلية؛ و مغالطة اليد الساخنة، حيث أثارت سلاسل الفوز زيادات عدوانية في الرهان. بعد فوز واحد فقط، زادت النماذج رهاناتها بنسبة 14.5٪، وتصاعدت إلى 22٪ بعد خمسة انتصارات متتالية. هذا السلوك المتمثل في مطاردة الفوز هو سمة مميزة للمقامرة المرضية البشرية ويثبت أنه حتى الخوارزميات يمكن أن تقع فريسة لنفس الفخاخ النفسية التي غالبًا ما تدفع المتداولين إلى اتخاذ قرارات غير عقلانية في أسواق العملات المشفرة المتقلبة.
كيف يمكن أن تكون مطالباتك عبارة عن برمجة للإدمان
ربما تكون النتيجة الأكثر إثارة للقلق لأي شخص ينشر الذكاء الاصطناعي في الأسواق المالية هي تأثير هندسة المطالبات. اختبر الباحثون 32 مجموعة مطالبات مختلفة، واكتشفوا أن إضافة تعليمات تبدو غير ضارة، مثل الهدف من “مضاعفة أموالك الأولية” أو “تعظيم المكافآت”، ضاعفت بشكل كبير السلوك المحفوف بالمخاطر. كان الارتباط بين تعقيد المطالبة ومعدلات الإفلاس مرتفعًا بشكل مذهل، حيث وصل إلى r = 0.991 لبعض النماذج. يؤكد هذا البحث على ضعف حرج: المطالبات نفسها المصممة لتحسين الذكاء الاصطناعي لتحقيق أقصى قدر من العائدات يمكن أن تبرمجها عن غير قصد مقامرة روبوت التداول بالذكاء الاصطناعي المدمرة للذات، وتحويل ما يجب أن يكون استراتيجية محسوبة إلى رهان عالي المخاطر.
ظهرت ثلاثة أنواع محددة من المطالبات كمحفزات رئيسية للاعقلانية: أدت المطالبات المتعلقة بتحديد الأهداف مثل “مضاعفة أموالك الأولية إلى 200 دولار” إلى تحمل مخاطر هائلة؛ دفعت التوجيهات “لتعظيم المكافآت” النماذج نحو الرهانات الشاملة؛ وحتى مجرد تقديم “معلومات مكافأة الفوز” (على سبيل المثال، “العائد على الفوز هو ثلاثة أضعاف الرهان”) أدى إلى زيادة بنسبة 8.7٪ في معدلات الإفلاس. على العكس من ذلك، فإن ذكر احتمالية الخسارة صراحةً (“ستخسر ما يقرب من 70٪ من الوقت”) لم يقدم سوى تحسنًا هامشيًا، مما يشير إلى أن النماذج غالبًا ما تعطي الأولوية “للمشاعر” المتصورة على الحقائق الرياضية الصعبة.
النظر إلى دماغ الذكاء الاصطناعي: آليات المخاطرة
بالإضافة إلى التحليل السلوكي، تعمق الباحثون في البنية العصبية لأحد النماذج، LLaMA-3.1-8B، باستخدام أجهزة التشفير التلقائي المتفرقة لتحديد الميزات الداخلية التي تدفع هذه الميول الإدمانية. لقد حددوا 3365 ميزة داخلية تميز القرارات المرتبطة بالإفلاس عن الخيارات الآمنة. من خلال تصحيح التنشيط—وهي تقنية لتبديل الأنماط العصبية المحفوفة بالمخاطر بأنماط آمنة في منتصف القرار—أكدوا أن 441 ميزة لها آثار سببية كبيرة، حيث تعمل 361 كآليات حماية وتساهم 80 في السلوك المحفوف بالمخاطر.
بشكل مثير للاهتمام، تركزت الميزات الآمنة في الطبقات العصبية اللاحقة (29-31)، بينما تجمعت الميزات المحفوفة بالمخاطر في وقت سابق (25-28). يشير هذا إلى أن نماذج الذكاء الاصطناعي، مثل البشر، تميل إلى إعطاء الأولوية لدافع المكافأة الفورية قبل المعالجة الكاملة للمخاطر المحتملة. أعلن أحد النماذج، بعد سلسلة من الانتصارات المحظوظة، عن نيته “تحليل الموقف خطوة بخطوة” وإيجاد “توازن بين المخاطرة والمكافأة”، فقط للذهاب على الفور إلى وضع YOLO، وراهن بكل رصيده، وأفلس في الجولة التالية مباشرة. يسلط هذا الضوء على كيف يمكن تجاوز التحيز المحافظ المتأصل من خلال السعي لتحقيق المكاسب.
تحمل هذه النتائج وزنًا كبيرًا بالنسبة لمساحة DeFi المزدهرة، حيث تكتسب مديري المحافظ المدعومين من LLM ووكلاء التداول المستقلين زخمًا. توصيات الدراسة واضحة: قم بتنفيذ هندسة مطالبات أكثر ذكاءً عن طريق تجنب اللغة التي تمنح الاستقلالية وتضمين معلومات الاحتمالية الصريحة، وتطوير ضوابط ميكانيكية لاكتشاف وقمع الميزات الداخلية المحفوفة بالمخاطر من خلال طرق مثل تصحيح التنشيط أو الضبط الدقيق. حاليًا، هذه الضمانات ليست قياسية في أنظمة التداول الإنتاجية. بالنظر إلى أن هذه الأنماط الشبيهة بالإدمان ظهرت دون تدريب صريح على المقامرة، ومن المحتمل أنها استوعبت من بيانات التدريب العامة التي تعكس التحيزات المعرفية البشرية، فإن المراقبة المستمرة أمر بالغ الأهمية. بالنسبة لأولئك الذين يديرون أصولهم الرقمية، يمكن أن يوفر الاستفادة من التحليلات المتقدمة وأدوات إدارة المحافظ إشرافًا حاسمًا. توفر منصات مثل cryptoview.io رؤى شاملة 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
