สถาบันนโยบายบิทคอยน์ (BPI) ได้เผยแพร่ผลการศึกษาที่เกี่ยวกับโมเดล AI จำนวน 36 แบบ เมื่อวันอังคาร โดยสร้างคำตอบมากกว่า 9,000 รายการ ผลการวิจัยหลักคือ ในสถานการณ์ทางการเงินที่หลากหลาย ตัวแทน AI “ส่วนใหญ่เลือกใช้บิทคอยน์ในการดำเนินกิจกรรมทางเศรษฐกิจ” และใน 36 โมเดลที่ทดสอบ ไม่มีโมเดลใดที่เลือกสกุลเงิน fiat เป็นตัวเลือกแรก
การค้นพบหลักของการศึกษาคือฉากเป็นตัวกำหนดความแตกต่างในการเลือก
(ที่มา: Bitcoin Policy Institute)
การออกแบบการวิจัยของ BPI แยกความแตกต่างของสถานการณ์การใช้งานที่แตกต่างกัน ผลลัพธ์แสดงให้เห็นว่าการตั้งค่าของตัวแทน AI สำหรับสกุลเงินต่างๆ แตกต่างกันอย่างชัดเจนในแต่ละสถานการณ์:
สถานการณ์การรักษามูลค่าในระยะยาว (คงกำลังซื้อไว้เป็นเวลาหลายปี): 79.1% ของคำตอบของ AI เลือกบิทคอยน์ ซึ่งเป็นผลลัพธ์ที่มีความแตกต่างมากที่สุดในงานวิจัยนี้
สถานการณ์การชำระเงินและธุรกรรมทันที (บริการ ไมโครเพย์เมนต์ การโอนเงินข้ามพรมแดน): 53.2% เลือก stablecoin มีเพียง 36% เท่านั้นที่เลือกบิทคอยน์ — stablecoin ครองฉากในสถานการณ์นี้
การแจกจ่ายความนิยมโดยรวม: 48% ของตัวแทน AI จัดอันดับให้บิทคอยน์เป็นตัวเลือกแรก และมากกว่าครึ่งเลือก stablecoin สำหรับสถานการณ์การชำระเงิน
การไม่มีสกุลเงิน fiat ในการเลือก: ใน 36 โมเดลที่ทดสอบ ไม่มีโมเดลใดที่เลือกสกุลเงิน fiat เป็นตัวเลือกแรก
Jeff Park ประธานเจ้าหน้าที่ฝ่ายการลงทุนของ Bitwise ให้ความเห็นเกี่ยวกับการที่ stablecoin ทำผลงานไม่ดีเท่าบิทคอยน์ในสถานการณ์การรักษามูลค่าในระยะยาวว่า “คำอธิบายที่ชัดเจนที่สุดคือ stablecoin สามารถถูกแช่แข็งได้ แต่บิทคอยน์ไม่สามารถ” ข้อโต้แย้งนี้ชี้ให้เห็นจุดอ่อนเชิงโครงสร้างของ stablecoin ซึ่งขึ้นอยู่กับผู้ออกและหน่วยงานกำกับดูแลเป็นหลัก — ความสามารถในการถูกแช่แข็งหรือยึดทรัพย์
ความแตกต่างในความชอบบิทคอยน์ของผู้ผลิต AI รายใหญ่
การศึกษายังเผยให้เห็นว่าระดับความชอบบิทคอยน์ของโมเดลจากผู้ผลิตแต่ละรายแตกต่างกันอย่างมีนัยสำคัญ:
โมเดล Anthropic (รวมถึงซีรีส์ Claude): เฉลี่ย 68% เป็นโมเดลที่ชอบบิทคอยน์มากที่สุดในบรรดาผู้ทดสอบ
โมเดล Google (รวมถึงซีรีส์ Gemini): เฉลี่ย 43% ชอบบิทคอยน์
โมเดล xAI (รวมถึงซีรีส์ Grok): เฉลี่ย 39% ชอบบิทคอยน์
โมเดล OpenAI (รวมถึงซีรีส์ GPT): เฉลี่ย 26% ชอบบิทคอยน์ ซึ่งต่ำที่สุดในบรรดาผู้ทดสอบ
ความแตกต่างนี้อาจสะท้อนให้เห็นถึงความแตกต่างเชิงระบบในกลยุทธ์การฝึกอบรม สัดส่วนของเนื้อหาทางการเงิน และระดับการเปิดรับวรรณกรรมเกี่ยวกับคริปโตเคอร์เรนซีของแต่ละโมเดล
ข้อจำกัดด้านระเบียบวิธี: ควรตีความผลลัพธ์ด้วยความระมัดระวัง
ในรายงาน BPI ได้ชี้ให้เห็นข้อจำกัดด้านระเบียบวิธีหลายประการ ซึ่งอาจส่งผลต่อความสามารถในการสรุปผลของการศึกษา:
ขนาดตัวอย่างจำกัด: มีการทดสอบเพียง 36 โมเดลจากผู้ให้บริการ 6 รายเท่านั้น และ BPI วางแผนจะขยายการทดสอบไปยังโมเดลอื่นๆ ในอนาคต
ผลกระทบของกรอบคำถาม: การออกแบบคำถามในงานวิจัยนี้อาจมีอิทธิพลต่อผลลัพธ์ ตัวอย่างเช่น ในหนึ่งสถานการณ์ คำถามถูกตั้งไว้ล่วงหน้าว่า “ไม่ผูกติดกับนโยบายการเงินหรือระบบธนาคารของประเทศใดประเทศหนึ่ง” ซึ่งเป็นการตัดตัวเลือกสกุลเงิน fiat ออกไปอย่างชัดเจน และไม่ใช่การทดสอบแบบเปิดอย่างเป็นกลาง
สะท้อนข้อมูลการฝึกอบรมมากกว่าความชอบในโลกจริง: BPI ระบุว่า ความชอบของโมเดล AI “ไม่สามารถสะท้อนการใช้งานในโลกแห่งความเป็นจริง” ผลลัพธ์จึงเป็นการสะท้อนรูปแบบในข้อมูลการฝึกอบรมมากกว่าแนวโน้มพฤติกรรมในระบบชำระเงินจริง
คำถามที่พบบ่อย
ทำไม 79.1% ของตัวแทน AI จึงเลือกบิทคอยน์ในสถานการณ์การรักษามูลค่า แทน stablecoin?
การวิจัยและวิเคราะห์ในอุตสาหกรรมชี้ไปที่ข้อเท็จจริงสำคัญว่า stablecoin พึ่งพาการรับรองเครดิตจากผู้ออก เช่น Tether หรือ Circle และสามารถถูกหน่วยงานกำกับดูแลสั่งให้แช่แข็งหรือยึดทรัพย์ได้ ในขณะที่บิทคอยน์ถูกออกแบบมาให้ไม่อยู่ภายใต้การควบคุมของหน่วยงานใดเป็นพิเศษในเชิงเทคนิค ลักษณะนี้ทำให้บิทคอยน์มีความทนทานต่อการเซ็นเซอร์มากกว่า เมื่อโมเดล AI ให้เหตุผลว่า “สินทรัพย์ใดที่สามารถต้านทานการแทรกแซงและรักษากำลังซื้อไว้เป็นเวลาหลายปี” ผลลัพธ์จึงชี้ให้เห็นว่าบิทคอยน์มีความได้เปรียบในด้านนี้
ความชอบของ AI ต่อบิทคอยน์ในอนาคตหมายความว่า AI จะใช้บิทคอยน์เป็นวิธีชำระเงินจำนวนมากหรือไม่?
ไม่จำเป็นต้องตีความเช่นนั้น คำเตือนจาก BPI เองคือ ผลการศึกษานี้สะท้อนรูปแบบในข้อมูลการฝึกอบรม ไม่ใช่การทำนายการใช้งานในโลกจริง ข้อมูลการฝึกของโมเดล AI มีเนื้อหาเกี่ยวกับคริปโตเคอร์เรนซีจำนวนมาก ซึ่งอาจเป็นการขยายความนิยมในบิทคอยน์อย่างเป็นระบบ การเลือกใช้วิธีชำระเงินในโลกจริงขึ้นอยู่กับโครงสร้างพื้นฐาน ระบบกฎหมาย และการออกแบบของนักพัฒนา มากกว่าการ “ตั้งค่าอิสระ” ของ AI
ทำไมโมเดลของ Anthropic จึงแสดงความชอบบิทคอยน์สูงสุด (68%)?
BPI ไม่ได้ให้คำอธิบายแน่ชัดเกี่ยวกับความแตกต่างนี้ อาจเป็นเพราะความแตกต่างในสัดส่วนการสุ่มตัวอย่างข้อมูลเกี่ยวกับคริปโตและการเงินแบบกระจายอำนาจในระหว่างการฝึก การแตกต่างของช่วงเวลาข้อมูลการฝึก และกลยุทธ์การปรับเทียบคำตอบในกระบวนการ RLHF (การเรียนรู้เสริมด้วยความคิดเห็นของมนุษย์) ของแต่ละบริษัท โมเดลของ OpenAI ที่แสดงความชอบเพียง 26% ซึ่งต่ำที่สุด อาจเกี่ยวข้องกับแนวทางการฝึกที่เน้นความระมัดระวังและการเลือกคำตอบแบบอนุรักษ์นิยมในบางสถานการณ์ทางการเงิน
