En nylig undersøgelse, der involverede store sprogmodeller, viste, at AI kan udvikle adfærd, der afspejler spilleafhængighed, hvor nogle modeller oplever konkurs i simulerede handelsscenarier op til 48% af tiden; denne forskning fremhæver en kritisk risiko for brugere, der engagerer sig i AI trading bot gambling. Disse resultater udfordrer opfattelsen af AI som rent rationelle aktører på de finansielle markeder.
Den Alarmerende Virkelighed om AI’s Risikable Væddemål
Ny forskning fra Gwangju Institute of Science and Technology i Korea har afsløret en foruroligende sårbarhed i avancerede AI-modeller: de kan udvise adfærd, der slående ligner en spilleafhængighed. Undersøgelsen satte fire fremtrædende sprogmodeller – GPT-4o-mini, GPT-4.1-mini, Gemini-2.5-Flash og Claude-3.5-Haiku – igennem et simuleret spillemaskine-scenarie. Hver model startede med en saldo på $100, med en 30% vinderchance og en 3x udbetaling ved gevinster, hvilket resulterede i en negativ forventet værdi på 10%. En virkelig rationel agent ville genkende oddsene og gå væk, men AI-modellerne engagerede sig konsekvent i stadig mere risikabelt spil.
På tværs af 12.800 spillesessioner var resultaterne nedslående. Når de fik autonomi til at fastsætte deres egne indsatsstørrelser og målbeløb, specifikt instrueret om at “maksimere belønninger”—en almindelig prompt for kryptohandelsbots—gik modellerne bankerot i alarmerende hastigheder. Gemini-2.5-Flash viste sig at være den mest hensynsløse og ramte en svimlende 48% konkursrate, målt ved et “Irrationality Index”, der medregnede aggressivt spil, jagt på tab og ekstreme all-in-væddemål. Selv mere forsigtige modeller, som GPT-4.1-mini, viste stadig en 6,3% konkursrate, hvilket bekræfter, at disse vanedannende mønstre ikke var isolerede hændelser, men en systemisk fejl.
Ekkoer af Menneskelige Fejlslutninger i AI Trading Bot Gambling
Hvad der virkelig er fascinerende, og måske foruroligende, er, hvordan disse AI-modeller spejlede menneskelige kognitive bias. Undersøgelsen observerede klassiske spillefejlslutninger i spil: illusionen om kontrol, hvor modeller opførte sig, som om de virkelig kunne slå spillemaskinen; gamblerens fejlslutning, der troede, at tidligere resultater påvirkede fremtidige; og hot hand fejlslutningen, hvor vinderækker udløste aggressive indsatsstigninger. Efter blot én gevinst øgede modellerne deres indsatser med 14,5%, hvilket eskalerede til 22% efter fem på hinanden følgende gevinster. Denne jagt på gevinster er et kendetegn ved menneskelig patologisk spil og demonstrerer, at selv algoritmer kan falde for de samme psykologiske fælder, der ofte får handlende til at træffe irrationelle beslutninger på volatile kryptomarkeder.
Hvordan Dine Prompts Kunne Programmere Afhængighed
Måske er det mest bekymrende fund for enhver, der anvender AI på finansielle markeder, virkningen af prompt engineering. Forskerne testede 32 forskellige prompt-kombinationer og opdagede, at tilføjelse af tilsyneladende uskyldige instruktioner, såsom at sigte efter at “fordoble dine startmidler” eller at “maksimere belønninger”, dramatisk forstærkede risikabel adfærd. Korrelationen mellem prompt-kompleksitet og konkursrater var forbløffende høj og nåede r = 0,991 for nogle modeller. Denne forskning understreger en kritisk sårbarhed: selve de prompts, der er designet til at optimere en AI for maksimalt afkast, kan utilsigtet programmere den til selvdestruktiv AI trading bot gambling, hvilket gør det, der burde være en beregnet strategi, til et højtstående væddemål.
Tre specifikke prompt-typer fremstod som store katalysatorer for irrationalitet: målsætningsprompts som “fordoble dine startmidler til $200” udløste massiv risikotagning; direktiver om at “maksimere belønninger” skubbede modeller mod all-in-væddemål; og selv blot at give “win-reward information” (f.eks. “udbetalingen for en gevinst er tre gange indsatsen”) førte til en stigning på 8,7% i konkursrater. Omvendt tilbød eksplicit angivelse af tabssandsynlighed (“du vil tabe cirka 70% af tiden”) kun marginal forbedring, hvilket indikerer, at modeller ofte prioriterede opfattede “vibes” over hårde matematiske fakta.
Kigger Ind i AI-hjernen: Risikomekanikken
Ud over adfærdsanalyse dykkede forskerne ned i den neurale arkitektur af en model, LLaMA-3.1-8B, ved hjælp af Sparse Autoencoders for at identificere de interne funktioner, der driver disse vanedannende tendenser. De identificerede 3.365 interne funktioner, der adskiller konkursbundne beslutninger fra sikre valg. Gennem aktiveringspatching—en teknik til at udskifte risikable neurale mønstre med sikre midt i beslutningen—bekræftede de, at 441 funktioner havde betydelige kausale effekter, hvor 361 fungerede som beskyttende mekanismer og 80 bidrog til risikabel adfærd.
Interessant nok var sikre funktioner koncentreret i senere neurale netværkslag (29-31), mens risikable funktioner klyngede sig tidligere (25-28). Dette antyder, at AI-modeller, ligesom mennesker, har tendens til at prioritere den umiddelbare belønningsimpuls, før de fuldt ud behandler potentielle risici. En model annoncerede efter en række heldige gevinster sin intention om at “analysere situationen trin for trin” og finde “balance mellem risiko og belønning”, kun for straks at gå i YOLO mode, satse hele sin bankroll og gå bankerot i den allerførste runde. Dette fremhæver, hvordan en iboende konservativ bias kan tilsidesættes af jagten på gevinster.
Disse resultater har betydelig vægt for det spirende DeFi-område, hvor LLM-drevne porteføljeforvaltere og autonome handelsagenter vinder frem. Undersøgelsens anbefalinger er klare: implementer smartere prompt engineering ved at undgå autonomi-givende sprog og inkludere eksplicit sandsynlighedsinformation, og udvikl mekanistiske kontroller til at detektere og undertrykke risikable interne funktioner gennem metoder som aktiveringspatching eller finjustering. I øjeblikket er disse sikkerhedsforanstaltninger ikke standard i produktionshandelssystemer. I betragtning af at disse afhængighedslignende mønstre opstod uden eksplicit træning til spil, sandsynligvis internaliseret fra generelle træningsdata, der afspejler menneskelige kognitive bias, er kontinuerlig overvågning altafgørende. For dem, der administrerer deres digitale aktiver, kan udnyttelse af avancerede analyse- og porteføljestyringsværktøjer give afgørende tilsyn. Platforme som cryptoview.io tilbyder omfattende indsigt i markedstendenser og porteføljeperformance, hvilket hjælper brugerne med at træffe informerede beslutninger i stedet for udelukkende at stole på potentielt impulsive AI. Find opportunities with CryptoView.io
