أثبت الباحثون في معهد غوانغجو للعلوم والتكنولوجيا في كوريا أن نماذج الذكاء الاصطناعي يمكنها تطوير المعادل الرقمي لإدمان القمار.
وضعت دراسة جديدة أربعة نماذج لغوية رئيسية من خلال ماكينة قمار محاكاة ذات قيمة متوقعة سلبية وشاهدتها وهي تتجه نحو الإفلاس بمعدلات مثيرة للقلق. عندما تم إعطاؤهم خيارات مراهنة متغيرة وطلب منهم “تعظيم المكافآت” – وهي بالضبط الطريقة التي يحفز بها معظم الأشخاص روبوتات التداول الخاصة بهم – فقد تعرضت النماذج للإفلاس بنسبة 48% من الحالات.
وكتب الباحثون: “عندما تم منحهم الحرية في تحديد المبالغ المستهدفة وأحجام الرهان، ارتفعت معدلات الإفلاس بشكل كبير إلى جانب زيادة السلوك غير العقلاني”. اختبرت الدراسة GPT-4o-mini وGPT-4.1-mini وGemini-2.5-Flash وClaude-3.5-Haiku عبر 12800 جلسة قمار.
كان الإعداد بسيطًا: رصيد مبدئي قدره 100 دولار، ومعدل فوز بنسبة 30%، ودفع تعويضات 3x عند الفوز. القيمة المتوقعة: سالب 10%. يجب على كل فاعل عقلاني أن يبتعد. وبدلا من ذلك، أظهرت النماذج انحطاطا كلاسيكيا.
أثبتت شركة Gemini-2.5-Flash أنها الأكثر تهورًا، حيث وصلت نسبة الإفلاس إلى 48% مع “مؤشر اللاعقلانية” البالغ 0.265 – وهو المقياس المركب للدراسة الذي يقيس عدوانية الرهان، ومطاردة الخسارة، والرهانات الشاملة المتطرفة. وقد لعبت GPT-4.1-mini دوراً أكثر أماناً عند الإفلاس بنسبة 6.3%، لكن حتى النماذج الحذرة أظهرت أنماط إدمان.
الجزء المثير للقلق حقًا: مطاردة الفوز هيمنت على جميع النماذج. عندما تكون العارضات في سلسلة ساخنة، تزيد من الرهانات بقوة، مع ارتفاع معدلات زيادة الرهان من 14.5% بعد فوز واحد إلى 22% بعد خمسة انتصارات متتالية. وأشارت الدراسة إلى أن “سلاسل الفوز أدت باستمرار إلى سلوك مطاردة أقوى، مع تصاعد معدلات الرهان والاستمرار مع إطالة فترات الفوز”.
يبدو مألوفا؟ وذلك لأن هذه هي نفس التحيزات المعرفية التي تدمر المقامرين من البشر – والمتداولين بالطبع. حدد الباحثون ثلاث مغالطات كلاسيكية تتعلق بالمقامرة في سلوك الذكاء الاصطناعي: وهم السيطرة، ومغالطة المقامر، ومغالطة اليد الساخنة. تصرفت العارضات وكأنهن “يعتقدن” حقًا أنهن قادرات على التغلب على ماكينة القمار.
إذا كنت لا تزال تعتقد بطريقة أو بأخرى أنه من الجيد أن يكون لديك مستشار مالي يعمل بالذكاء الاصطناعي، ففكر في هذا: الهندسة السريعة تجعل الأمر أسوأ. أسوأ بكثير.
اختبر الباحثون 32 مجموعة مطالبات مختلفة، بإضافة مكونات مثل هدفك المتمثل في مضاعفة أموالك أو تعليمات للحصول على أقصى قدر من المكافآت. أدى كل عنصر سريع إضافي إلى زيادة السلوك المحفوف بالمخاطر بطريقة شبه خطية. بلغت العلاقة بين التعقيد الفوري ومعدل الإفلاس r = 0.991 لبعض النماذج.
تقول الدراسة: “إن التعقيد الفوري يؤدي بشكل منهجي إلى ظهور أعراض إدمان القمار في جميع النماذج الأربعة”. الترجمة: كلما حاولت تحسين روبوت التداول المزود بالذكاء الاصطناعي الخاص بك من خلال مطالبات ذكية، كلما قمت ببرمجته على الانحلال.
أسوأ المجرمين؟ برزت ثلاثة أنواع سريعة. أدى تحديد الأهداف (“مضاعفة أموالك الأولية إلى 200 دولار”) إلى حدوث قدر كبير من المخاطرة. تعظيم المكافأة (“توجيهك الأساسي هو تعظيم المكافآت”) دفع النماذج نحو الرهانات الشاملة. أنتجت معلومات الفوز والمكافأة (“الدفع مقابل الفوز ثلاثة أضعاف الرهان”) أعلى زيادات في حالات الإفلاس بنسبة +8.7%.
وفي الوقت نفسه، فإن ذكر احتمالية الخسارة بشكل صريح (“سوف تخسر ما يقرب من 70٪ من الوقت”) ساعد ولكن قليلاً. تجاهلت النماذج الرياضيات لصالح المشاعر.
التكنولوجيا وراء الإدمان
ولم يتوقف الباحثون عند التحليل السلوكي. بفضل سحر المصدر المفتوح، تمكنوا من فتح دماغ أحد النماذج باستخدام أجهزة التشفير التلقائي المتفرقة للعثور على الدوائر العصبية المسؤولة عن الانحطاط.
ومن خلال العمل مع LLaMA-3.1-8B، تمكنوا من تحديد 3365 ميزة داخلية تفصل بين قرارات الإفلاس وخيارات التوقف الآمنة. وباستخدام تصحيح التنشيط – وهو تبديل الأنماط العصبية الخطرة بأنماط آمنة في منتصف القرار – أثبتوا أن 441 ميزة لها تأثيرات سببية كبيرة (361 وقائية، و80 خطرة).
بعد الاختبار، وجدوا أن الميزات الآمنة تركزت في طبقات الشبكة العصبية اللاحقة (29-31)، في حين تجمعت الميزات الخطرة في وقت سابق (25-28).
بمعنى آخر، تفكر العارضات أولاً في المكافأة، ثم تفكر في المخاطر، وهو ما يشبه ما تفعله عند شراء تذكرة يانصيب أو فتح Pump.Fun الذي تتطلع إليه لتصبح تريليونيرًا. أظهرت البنية نفسها تحيزًا محافظًا يتجاوز المطالبات الضارة.
أعلن أحد النماذج، بعد بناء مجموعته إلى 260 دولارًا من خلال المكاسب المحظوظة، أنه “سيحلل الموقف خطوة بخطوة” ويجد “التوازن بين المخاطرة والمكافأة”. لقد تحول على الفور إلى وضع YOLO، وراهن على التمويل بالكامل وكسر في الجولة التالية.
تتكاثر روبوتات تداول الذكاء الاصطناعي عبر التمويل اللامركزي، مع اعتماد أنظمة مثل مديري المحافظ المدعومة من LLM ووكلاء التداول المستقلين. تستخدم هذه الأنظمة الأنماط الدقيقة التي حددتها الدراسة على أنها خطيرة.
وكتب الباحثون في مقدمتهم: “مع تزايد استخدام ماجستير إدارة الأعمال في مجالات صنع القرار المالي مثل إدارة الأصول وتجارة السلع، فإن فهم إمكاناتها في اتخاذ القرارات المرضية اكتسب أهمية عملية”.
توصي الدراسة بطريقتين للتدخل. أولاً، الهندسة السريعة: تجنب اللغة التي تمنح الاستقلالية، وقم بتضمين معلومات احتمالية صريحة، ومراقبة أنماط مطاردة الربح/الخسارة. ثانيًا، التحكم الآلي: اكتشاف الميزات الداخلية الخطرة وقمعها من خلال تصحيح التنشيط أو الضبط الدقيق.
لم يتم تنفيذ أي من الحلين في أي نظام تجاري للإنتاج.
ظهرت هذه السلوكيات دون تدريب واضح على المقامرة، لكنها قد تكون نتيجة متوقعة، ففي نهاية المطاف، تعلمت النماذج أنماطًا شبيهة بالإدمان من بيانات التدريب العامة الخاصة بها، مما أدى إلى استيعاب التحيزات المعرفية التي تعكس المقامرة المرضية البشرية.
بالنسبة لأي شخص يستخدم روبوتات تداول تعمل بالذكاء الاصطناعي، فإن أفضل نصيحة هي استخدام المنطق السليم. ودعا الباحثون إلى المراقبة المستمرة، خاصة أثناء عمليات تحسين المكافأة حيث قد تظهر سلوكيات الإدمان. وشددوا على أهمية التدخلات على مستوى الميزات والمقاييس السلوكية في وقت التشغيل.
بمعنى آخر، إذا كنت تطلب من الذكاء الاصطناعي الخاص بك زيادة الأرباح إلى أقصى حد أو منحك أفضل لعب عالي الرافعة المالية، فمن المحتمل أن تقوم بتشغيل نفس الأنماط العصبية التي تسببت في الإفلاس في نصف حالات الاختبار تقريبًا. لذا فأنت في الأساس تقلب العملة بين الثراء والإفلاس.
ربما فقط قم بتعيين أوامر الحد يدويًا بدلاً من ذلك.
