قد تؤدي إتاحة مزيد من المعلومات للذكاء الاصطناعي إلى نتائج تجعله أقل قدرة على تحقيق الأرباح.
اختبرت تجربة في جامعة ستانفورد 10 نماذج لغوية كبيرة متطورة، شملت التداول والمساومة والمزادات مزدوجة الطرف. ولم يغيّر الباحثون سوى عامل واحد: مقدار ما تعرفه النماذج عن التقييم الحقيقي للطرف المقابل.
وكانت النتيجة مخالفة للحدس إلى حدّ كبير: كلما ازدادت المعلومات اكتمالًا، أصبحت بعض النماذج أكثر عرضة لخسارة الأرباح.
في تجربة المزاد، عندما عرف كل من البائع والمشتري التقييم الدقيق للطرف الآخر، انخفضت حصة الأرباح المحتملة التي يستطيع Claude Opus 5.5 تحقيقها من 94% إلى 64%.
وفي تجربة التداول، اختلف أداء النماذج حتى وصل إلى نتائج متعاكسة:
انخفضت أرباح GPT-6 Sol من 98% من أعلى قيمة إلى 91%، بينما ارتفعت أرباح Claude Sonnet 5 من 72% إلى 86%.
وفي سيناريو المزاد، أظهرت النماذج أيضًا ميلًا إلى رفع أسعارها المطلوبة عند تزويدها بمعلومات أكثر اكتمالًا؛ إذ تراجعت حصة أرباح Grok 4.7 من 97% إلى 62%.
أدى إدخال المعلومات نفسها إلى نتائج مختلفة تمامًا باختلاف النموذج.
وتحمل هذه الدراسة تنبيهًا مهمًا للتطبيقات العملية لوكلاء الذكاء الاصطناعي: لا يكفي اختبار قدرة النموذج على التداول بحد ذاتها، بل يجب أيضًا اختبار أدائه في اتخاذ القرارات ضمن ظروف معلومات مختلفة.
ولا سيما عندما تطلب من الذكاء الاصطناعي أن يتفاوض نيابةً عنك، أو يقدّم عروض الأسعار، أو يدير أموالك؛ فالمزيد من المعلومات لا يعني بالضرورة قرارات أفضل. فبعض النماذج، بعد حصولها على معلومات أكثر، قد تصبح أكثر اندفاعًا، ما يضر في نهاية المطاف بأرباحها.
اختبرت تجربة في جامعة ستانفورد 10 نماذج لغوية كبيرة متطورة، شملت التداول والمساومة والمزادات مزدوجة الطرف. ولم يغيّر الباحثون سوى عامل واحد: مقدار ما تعرفه النماذج عن التقييم الحقيقي للطرف المقابل.
وكانت النتيجة مخالفة للحدس إلى حدّ كبير: كلما ازدادت المعلومات اكتمالًا، أصبحت بعض النماذج أكثر عرضة لخسارة الأرباح.
في تجربة المزاد، عندما عرف كل من البائع والمشتري التقييم الدقيق للطرف الآخر، انخفضت حصة الأرباح المحتملة التي يستطيع Claude Opus 5.5 تحقيقها من 94% إلى 64%.
وفي تجربة التداول، اختلف أداء النماذج حتى وصل إلى نتائج متعاكسة:
انخفضت أرباح GPT-6 Sol من 98% من أعلى قيمة إلى 91%، بينما ارتفعت أرباح Claude Sonnet 5 من 72% إلى 86%.
وفي سيناريو المزاد، أظهرت النماذج أيضًا ميلًا إلى رفع أسعارها المطلوبة عند تزويدها بمعلومات أكثر اكتمالًا؛ إذ تراجعت حصة أرباح Grok 4.7 من 97% إلى 62%.
أدى إدخال المعلومات نفسها إلى نتائج مختلفة تمامًا باختلاف النموذج.
وتحمل هذه الدراسة تنبيهًا مهمًا للتطبيقات العملية لوكلاء الذكاء الاصطناعي: لا يكفي اختبار قدرة النموذج على التداول بحد ذاتها، بل يجب أيضًا اختبار أدائه في اتخاذ القرارات ضمن ظروف معلومات مختلفة.
ولا سيما عندما تطلب من الذكاء الاصطناعي أن يتفاوض نيابةً عنك، أو يقدّم عروض الأسعار، أو يدير أموالك؛ فالمزيد من المعلومات لا يعني بالضرورة قرارات أفضل. فبعض النماذج، بعد حصولها على معلومات أكثر، قد تصبح أكثر اندفاعًا، ما يضر في نهاية المطاف بأرباحها.