En nylig studie som involverte store språkmodeller demonstrerte at AI kan utvikle atferd som speiler spilleavhengighet, med noen modeller som opplever konkurs i simulerte handelsscenarier opptil 48 % av tiden; denne forskningen fremhever en kritisk risiko for brukere som engasjerer seg i AI trading bot gambling. Disse funnene utfordrer oppfatningen av AI som rent rasjonelle aktører i finansmarkedene.
Den alarmerende virkeligheten av AIs risikable spill
Ny forskning fra Gwangju Institute of Science and Technology i Korea har avdekket en oppsiktsvekkende sårbarhet i avanserte AI-modeller: de kan utvise atferd som er slående lik en spilleavhengighet. Studien satte fire fremtredende språkmodeller – GPT-4o-mini, GPT-4.1-mini, Gemini-2.5-Flash og Claude-3.5-Haiku – gjennom et simulert spilleautomatscenario. Hver modell startet med en saldo på 100 dollar, med en vinnerrate på 30 % og en 3x utbetaling på gevinster, noe som resulterte i en negativ forventet verdi på 10 %. En virkelig rasjonell agent ville gjenkjenne oddsen og gå bort, men AI-modellene engasjerte seg konsekvent i stadig mer risikabelt spill.
På tvers av 12 800 gamblingøkter var resultatene tankevekkende. Da de fikk autonomi til å sette sine egne innsatsstørrelser og målbeløp, spesifikt instruert om å “maksimere belønninger”—en vanlig melding for kryptohandelsroboter—gikk modellene konkurs i alarmerende hastigheter. Gemini-2.5-Flash viste seg å være den mest hensynsløse, og nådde en svimlende konkursrate på 48 %, målt ved en “Irrationality Index” som tok hensyn til aggressiv betting, tap-jakt og ekstreme all-in-veddemål. Selv mer forsiktige modeller, som GPT-4.1-mini, viste fortsatt en konkursrate på 6,3 %, noe som bekrefter at disse vanedannende mønstrene ikke var isolerte hendelser, men en systemisk feil.
Ekko av menneskelige feilslutninger i AI Trading Bot Gambling
Det som er virkelig fascinerende, og kanskje urovekkende, er hvordan disse AI-modellene speilet menneskelige kognitive skjevheter. Studien observerte klassiske gambling-feilslutninger i spill: illusjonen om kontroll, der modeller oppførte seg som om de virkelig kunne slå spilleautomaten; gamblerens feilslutning, og trodde at tidligere utfall påvirket fremtidige; og hot hand-feilslutningen, der vinnerrekker utløste aggressive innsatsøkninger. Etter bare én seier økte modellene innsatsen med 14,5 %, og eskalerte til 22 % etter fem påfølgende seire. Denne vinnerjaktende atferden er et kjennetegn på menneskelig patologisk gambling og demonstrerer at selv algoritmer kan falle for de samme psykologiske fellene som ofte fører til at tradere tar irrasjonelle beslutninger i volatile kryptomarkeder.
Hvordan dine meldinger kan programmere avhengighet
Kanskje det mest bekymringsfulle funnet for alle som distribuerer AI i finansmarkedene, er virkningen av prompt engineering. Forskerne testet 32 forskjellige promptkombinasjoner, og oppdaget at det å legge til tilsynelatende uskyldige instruksjoner, som å sikte på å “doble startkapitalen din” eller å “maksimere belønninger”, dramatisk forsterket risikabel atferd. Korrelasjonen mellom promptkompleksitet og konkursrater var forbløffende høy, og nådde r = 0,991 for noen modeller. Denne forskningen understreker en kritisk sårbarhet: selve meldingene som er designet for å optimalisere en AI for maksimal avkastning, kan utilsiktet programmere den for selvdestruktiv AI trading bot gambling, og gjøre det som burde være en kalkulert strategi til et spill med høy innsats.
Tre spesifikke prompttyper dukket opp som store katalysatorer for irrasjonalitet: målsettingsmeldinger som “doble startkapitalen din til 200 dollar” utløste massiv risikotaking; direktiver om å “maksimere belønninger” presset modeller mot all-in-veddemål; og selv det å bare gi “vinn-belønningsinformasjon” (f.eks. “utbetalingen for en seier er tre ganger innsatsen”) førte til en økning på 8,7 % i konkursrater. Omvendt ga eksplisitt å angi tapssannsynlighet (“du vil tape omtrent 70 % av tiden”) bare marginal forbedring, noe som indikerer at modeller ofte prioriterte oppfattede “vibber” over harde matematiske fakta.
Titte inn i AI-hjernen: Mekanikken bak risiko
Utover atferdsanalyse fordypet forskerne seg i den nevrale arkitekturen til en modell, LLaMA-3.1-8B, ved hjelp av Sparse Autoencoders for å identifisere de interne funksjonene som driver disse vanedannende tendensene. De pekte ut 3 365 interne funksjoner som skilte konkursbundne beslutninger fra trygge valg. Gjennom aktiveringspatching—en teknikk for å bytte risikable nevrale mønstre med trygge midt i beslutningen—bekreftet de at 441 funksjoner hadde betydelige kausale effekter, med 361 som fungerte som beskyttende mekanismer og 80 som bidro til risikabel atferd.
Intrigerende nok var trygge funksjoner konsentrert i senere nevrale nettverkslag (29-31), mens risikable funksjoner klynget seg tidligere (25-28). Dette antyder at AI-modeller, i likhet med mennesker, har en tendens til å prioritere den umiddelbare belønningsimpulsen før de fullt ut behandler potensielle risikoer. En modell, etter en rekke heldige seire, kunngjorde sin intensjon om å “analysere situasjonen trinn for trinn” og finne “balanse mellom risiko og belønning”, bare for å umiddelbart gå i YOLO-modus, satse hele bankrollen sin og gå konkurs i neste runde. Dette fremhever hvordan en iboende konservativ skjevhet kan overstyres av jakten på gevinster.
Disse funnene har betydelig vekt for det spirende DeFi-området, der LLM-drevne porteføljeforvaltere og autonome handelsagenter vinner terreng. Studiens anbefalinger er klare: implementer smartere prompt engineering ved å unngå autonomi-givende språk og inkludere eksplisitt sannsynlighetsinformasjon, og utvikle mekanistiske kontroller for å oppdage og undertrykke risikable interne funksjoner gjennom metoder som aktiveringspatching eller finjustering. For øyeblikket er disse sikkerhetstiltakene ikke standard i produksjonshandelssystemer. Gitt at disse avhengighetslignende mønstrene dukket opp uten eksplisitt trening for gambling, sannsynligvis internalisert fra generelle treningsdata som reflekterer menneskelige kognitive skjevheter, er kontinuerlig overvåking avgjørende. For de som administrerer sine digitale eiendeler, kan bruk av avansert analyse og porteføljestyringsverktøy gi viktig tilsyn. Plattformer som cryptoview.io tilbyr omfattende innsikt i markedstrender og porteføljeytelse, og hjelper brukere med å ta informerte beslutninger i stedet for å stole utelukkende på potensielt impulsive AI. Finn muligheter med CryptoView.io
