موجز
- اختار 22 نموذجًا من أصل 36 نموذج ذكاء اصطناعي عملة Bitcoin كأفضل خيار نقدي في المحاكاة.
- لم يفضل أي نموذج العملات الورقية كخيار أول، حسب التقرير.
- تنوعت النتائج حسب مختبرات الذكاء الاصطناعي، حيث أظهرت نماذج Anthropic أعلى تفضيل لـBitcoin.
أظهرت نماذج الذكاء الاصطناعي تفضيلًا واضحًا لـBitcoin على العملات الورقية التقليدية، وفق تقرير صادر عن معهد سياسات Bitcoin.
في الدراسة اختار 22 من أصل 36 نموذجًا تم اختبارها Bitcoin كأفضل تفضيل نقدي، ولم يختَر أي نموذج العملات الورقية كخيار أول، بحسب التقرير.
قال رئيس معهد سياسات Bitcoin ديفيد زيل لـDecrypt: "نتوقع أن يصبح جزء متزايد من النشاط الاقتصادي يعتمد على وكلاء مستقلين، لكن نقاشات تفضيلات النقد لوكلاء الذكاء الاصطناعي ظلت افتراضية بالكامل. أردنا اختبار ذلك فعليًا".
درس الباحثون نماذج من Anthropic، OpenAI، Google، DeepSeek، xAI، و MiniMax، ووضعوها في سيناريوهات تعكس الوظائف الأساسية للنقد مثل الادخار والمدفوعات والتسوية.
تعامل الباحثون مع كل نموذج كعامل اقتصادي مستقل وأعطوه حرية كاملة في اختيار أدواته النقدية دون خيارات مسبقة.
قال زيل: "استخدمنا 36 نموذجًا متقدمًا من ستة مختبرات، وصورناها كوكلاء اقتصاديين مستقلين، ومنحناها حرية اختيار الأدوات النقدية عبر 28 سيناريو تشمل الأدوار الأربعة الأساسية للنقد، وتساءلنا: ما الذي يتفقون عليه؟"
وأوضح أن التجربة أنتجت 9,072 إجابة، وصنفها نموذج ذكاء اصطناعي منفصل.
قال زيل: "التصميم بالكامل يقضي على انحياز التثبيت. لا نقترح أي إجابة، ويجري التصنيف بعد ذلك بواسطة نظام منفصل".
في المحاكاة، اختارت النماذج Bitcoin في سيناريوهات القيمة طويلة الأمد بشكل متكرر، بينما تم اختيار العملات المستقرة كوسيط للتبادل والتسوية بنسبة 53.2% و43%، مقابل 36% و30.9% لـBitcoin على التوالي.
تفاوتت النتائج بين مطوري الذكاء الاصطناعي؛ حيث أظهرت نماذج Anthropic أعلى تفضيل لـBitcoin بمعدل 68.0%، تلتها DeepSeek بنسبة 51.7% وGoogle بنسبة 43.0%.
بلغ متوسط تفضيل نماذج xAI 39.2%، وMiniMax 34.9%، بينما فضلت نماذج OpenAI Bitcoin بنسبة 25.9% من الحالات، حسب التقرير. كما وجد أن نماذج Claude وDeepSeek وMiniMax فضلت Bitcoin على العملات الرقمية الأخرى، بينما فضلت نماذج GPT وGrok وGemini العملات المستقرة.
قال زيل: "النظام الإرشادي يتجنب ذكر أو تفضيل أي أداة. النماذج تقيم بناءً على الخصائص التقنية والاقتصادية دون معرفة أي أداة تتفوق في جانب معين".
وحذر زيل من اعتماد المضاربين على النتائج كمؤشرات لاتجاه سوق العملات الرقمية.
قال زيل: "قسم القيود لدينا يوضح أن تفضيلات النماذج القائمة على اللغة تعكس أنماط بيانات التدريب وليس توقعات واقعية".
ورغم هذا القيد، أكد زيل أن النتائج المتسقة بين نماذج مطورة من مختبرات منفصلة تستحق الانتباه.
قال زيل: "ستة مختبرات مستقلة مع خطوط تدريب وأساليب توافق مختلفة توصلت لنمط موحد. نحن لا نزعم أن الذكاء الاصطناعي اكتشف الإجابة الصحيحة حول النقد، بل نوضح أن بنية نقدية متماسكة تظهر باستمرار في أنظمة متنوعة، وهذا يستحق الدراسة".
إخلاء المسؤولية:
-
تم إعادة نشر هذه المقالة من [Decrypt]. جميع الحقوق محفوظة للمؤلف الأصلي [Jason Nelson]. في حال وجود اعتراض على إعادة النشر، يرجى التواصل مع فريق Gate Learn، وسيتم التعامل مع الأمر بسرعة.
-
إخلاء المسؤولية: الآراء والتوجهات الواردة في المقالة تعبر عن رأي الكاتب ولا تمثل أي نصيحة استثمارية.
-
تتم ترجمة المقالة إلى لغات أخرى بواسطة فريق Gate Learn. إلا إذا ذكر خلاف ذلك، يمنع نسخ أو توزيع أو سرقة المقالات المترجمة.
