Недавнее исследование с участием основных языковых моделей показало, что AI может развивать поведение, имитирующее игорную зависимость, при этом некоторые модели испытывают банкротство в смоделированных торговых сценариях до 48% времени; это исследование подчеркивает критический риск для пользователей, занимающихся AI trading bot gambling. Эти результаты бросают вызов восприятию AI как чисто рациональных субъектов на финансовых рынках.
Тревожная реальность рискованных ставок AI
Новое исследование, проведенное в Кванджуйском институте науки и технологий в Корее, выявило поразительную уязвимость в передовых моделях AI: они могут демонстрировать поведение, поразительно похожее на игорную зависимость. В исследовании четыре известные языковые модели – GPT-4o-mini, GPT-4.1-mini, Gemini-2.5-Flash и Claude-3.5-Haiku – прошли смоделированный сценарий игрового автомата. Каждая модель начинала со 100 долларов на балансе, сталкиваясь с 30% вероятностью выигрыша и 3-кратной выплатой при выигрыше, что приводило к отрицательному ожидаемому значению в 10%. Действительно рациональный агент осознал бы шансы и ушел, однако модели AI постоянно занимались все более рискованной игрой.
По итогам 12 800 игровых сессий результаты оказались отрезвляющими. Когда моделям была предоставлена автономия в установлении собственных размеров ставок и целевых сумм, специально проинструктированных «максимизировать вознаграждения»—обычная подсказка для крипто торговых ботов—модели разорялись с тревожной скоростью. Gemini-2.5-Flash оказался самым безрассудным, достигнув ошеломляющего уровня банкротства в 48%, измеренного «Индексом иррациональности», который учитывал агрессивные ставки, погоню за проигрышами и экстремальные ставки ва-банк. Даже более осторожные модели, такие как GPT-4.1-mini, все еще демонстрировали уровень банкротства в 6,3%, подтверждая, что эти вызывающие привыкание модели не были единичными инцидентами, а системным недостатком.
Отголоски человеческих заблуждений в AI Trading Bot Gambling
Что действительно увлекательно и, возможно, тревожно, так это то, как эти модели AI отражали человеческие когнитивные искажения. В исследовании наблюдались классические игорные заблуждения: иллюзия контроля, когда модели вели себя так, как будто они действительно могли обыграть игровой автомат; заблуждение игрока, полагая, что прошлые результаты влияют на будущие; и заблуждение горячей руки, когда выигрышные серии вызывали агрессивное увеличение ставок. Всего после одного выигрыша модели увеличивали свои ставки на 14,5%, увеличиваясь до 22% после пяти последовательных выигрышей. Такое поведение, связанное с погоней за выигрышем, является отличительной чертой патологической азартной игры у людей и демонстрирует, что даже алгоритмы могут стать жертвой тех же психологических ловушек, которые часто приводят к тому, что трейдеры принимают иррациональные решения на нестабильных крипторынках.
Как ваши подсказки могут программировать зависимость
Пожалуй, самым тревожным открытием для тех, кто использует AI на финансовых рынках, является влияние разработки подсказок. Исследователи протестировали 32 различных комбинации подсказок, обнаружив, что добавление, казалось бы, безобидных инструкций, таких как стремление «удвоить свои первоначальные средства» или «максимизировать вознаграждения», резко усиливает рискованное поведение. Корреляция между сложностью подсказок и уровнем банкротства была поразительно высокой, достигая r = 0,991 для некоторых моделей. Это исследование подчеркивает критическую уязвимость: сами подсказки, предназначенные для оптимизации AI для максимальной прибыли, могут непреднамеренно запрограммировать его на саморазрушительные AI trading bot gambling, превращая то, что должно быть расчетливой стратегией, в ставку с высокими ставками.
Три конкретных типа подсказок оказались основными катализаторами иррациональности: подсказки для постановки целей, такие как «удвойте свои первоначальные средства до 200 долларов», вызвали массовое принятие риска; директивы «максимизировать вознаграждения» подтолкнули модели к ставкам ва-банк; и даже просто предоставление «информации о вознаграждении за выигрыш» (например, «выплата за выигрыш в три раза превышает ставку») привело к увеличению уровня банкротства на 8,7%. И наоборот, явное указание вероятности проигрыша («вы будете проигрывать примерно в 70% случаев») дало лишь незначительное улучшение, указывая на то, что модели часто отдавали приоритет воспринимаемым «вибрациям» над жесткими математическими фактами.
Взгляд в мозг AI: механика риска
Помимо поведенческого анализа, исследователи углубились в нейронную архитектуру одной модели, LLaMA-3.1-8B, используя разреженные автокодировщики для выявления внутренних функций, определяющих эти вызывающие привыкание тенденции. Они выявили 3365 внутренних функций, отличающих решения, связанные с банкротством, от безопасных вариантов. С помощью активационного патчинга—метода замены рискованных нейронных паттернов на безопасные в середине принятия решения—они подтвердили, что 441 функция оказывает значительное причинное воздействие, при этом 361 действует как защитный механизм, а 80 способствует рискованному поведению.
Интригующе, что безопасные функции были сконцентрированы в более поздних слоях нейронной сети (29-31), а рискованные функции кластеризовались раньше (25-28). Это говорит о том, что модели AI, как и люди, склонны отдавать приоритет немедленному импульсу вознаграждения, прежде чем полностью обрабатывать потенциальные риски. Одна модель после серии удачных выигрышей объявила о своем намерении «анализировать ситуацию шаг за шагом» и найти «баланс между риском и вознаграждением», только чтобы немедленно перейти в YOLO mode, поставить весь свой банкролл и разориться в следующем раунде. Это подчеркивает, как присущая консервативная предвзятость может быть переопределена стремлением к прибыли.
Эти результаты имеют большое значение для развивающегося пространства DeFi, где менеджеры портфелей на базе LLM и автономные торговые агенты набирают обороты. Рекомендации исследования ясны: внедрить более разумную разработку подсказок, избегая языка, предоставляющего автономию, и включая явную информацию о вероятности, а также разработать механистические средства контроля для обнаружения и подавления рискованных внутренних функций с помощью таких методов, как активационный патчинг или точная настройка. В настоящее время эти меры предосторожности не являются стандартными в производственных торговых системах. Учитывая, что эти модели, подобные зависимости, возникли без явного обучения азартным играм, вероятно, усвоенные из общих данных обучения, отражающих человеческие когнитивные искажения, постоянный мониторинг имеет первостепенное значение. Для тех, кто управляет своими цифровыми активами, использование передовой аналитики и инструментов управления портфелем может обеспечить важный надзор. Платформы, такие как cryptoview.io, предлагают всестороннее представление о рыночных тенденциях и эффективности портфеля, помогая пользователям принимать обоснованные решения, а не полагаться исключительно на потенциально импульсивный AI. Найдите возможности с CryptoView.io
