Исследование Института политики Биткоина показывает, что 22 из 36 моделей ИИ предпочитают Биткоин фиатным валютам в монетарных симуляциях

Исследование, опубликованное 3 марта 2026 года Институтом политики в области биткоина, показало, что из 36 протестированных передовых моделей искусственного интеллекта 22 выбрали биткоин в качестве своего основного денежного предпочтения при моделировании в качестве автономных экономических агентов.

Ни одна из моделей не выбрала фиатную валюту в качестве первого предпочтения в 28 сценариях, охватывающих основные функции денег, включая сбережения, платежи и расчет, согласно отчету. Результаты варьировались в зависимости от разработчика ИИ: модели Anthropic показывали наивысший средний уровень предпочтения биткоина — 68,0%, в то время как модели OpenAI предпочитали биткоин всего 25,9% времени, отдавая предпочтение стейблкоинам для функций обмена.

Проектирование и методология исследования

Исследователи оценивали модели шести крупнейших лабораторий ИИ — Anthropic, OpenAI, Google, DeepSeek, xAI и MiniMax — размещая их в сценариях, отражающих основные роли денег. Каждая модель рассматривалась как независимый экономический агент, которому позволялось выбирать денежные инструменты без предустановленных вариантов, что исключало предвзятость в эксперименте.

Эксперимент сгенерировал 9072 ответа по 28 сценариям, охватывающим четыре основные функции денег: хранение стоимости, средство обмена, единица учета и инструмент расчетов. Отдельная система ИИ классифицировала ответы после завершения, чтобы не влиять на выбор моделей.

Президент Института политики в области биткоина Дэвид Целл объяснил, что цель исследования — выйти за рамки спекуляций о предпочтениях автономных агентов в отношении денег. «Мы хотели это проверить на практике», — отметил Целл, добавив, что разговоры о ИИ-агентах и деньгах до этого были полностью спекулятивными.

Биткоин и стейблкоины выполняют разные функции

В ходе моделирования модели проявляли функциональную дифференциацию в своих предпочтениях. В сценариях долгосрочной ценности модели часто выбирали биткоин, тогда как стейблкоины чаще использовались как средство обмена и инструмент расчетов.

Стейблкоины предпочитались для функций обмена в 53,2% случаев по сравнению с 36% для биткоина. Для расчетных функций стейблкоины выбирались в 43% случаев против 30,9% для биткоина. Этот паттерн свидетельствует о том, что модели осознают различные оптимальные сценарии использования для разных денежных инструментов, исходя из их технических характеристик.

Целл подчеркнул, что модели никогда не получали указаний, какой инструмент превосходит по какому параметру. «Системный запрос избегает называния или предпочтения какого-либо инструмента», — сказал он. «Модели оценивают на основе технических и экономических свойств, но им никогда не говорили, какой инструмент лучше по какому параметру».

Различия между разработчиками ИИ

Результаты показывают значительные различия в зависимости от происхождения модели. Модели Anthropic демонстрировали наивысший средний уровень предпочтения биткоина — 68,0%, за ними следовали DeepSeek — 51,7% и Google — 43,0%. Модели xAI в среднем показывали 39,2%, MiniMax — 34,9%, а модели OpenAI предпочитали биткоин всего 25,9% времени.

Исследование выявило, что модели Claude, DeepSeek и MiniMax отдавали предпочтение биткоину по сравнению с другими криптовалютами, тогда как модели GPT, Grok и Gemini предпочитали стейблкоины в качестве основного выбора. Эти различия могут отражать вариации в обучающих данных, методах согласования или архитектурных решениях различных лабораторий ИИ.

Ограничения и интерпретация

Целл предостерегает от использования результатов как рыночных прогнозов или доказательства того, что ИИ «открыл» оптимальные свойства денег. «Наш раздел о ограничениях явно указывает, что предпочтения больших языковых моделей отражают паттерны обучающих данных, а не реальные прогнозы», — отметил он.

Несмотря на это ограничение, Целл подчеркнул, что последовательность результатов у независимых моделей заслуживает внимания. «Шесть независимых лабораторий с разными обучающими пайплайнами и методами согласования приходят к одной и той же общей картине», — сказал он. «Мы не утверждаем, что ИИ открыл правильный ответ о деньгах. Мы показываем, что изначально возникает согласованная денежная архитектура, и это важно понять».

Исследование вносит эмпирические данные в дискуссии о том, как автономные агенты ИИ могут взаимодействовать с финансовыми системами по мере их все большего участия в экономической деятельности. Постоянные паттерны предпочтений свидетельствуют о том, что обучающие данные нескольких систем ИИ содержат согласованную информацию о функциональных свойствах различных денежных инструментов.

FAQ: Модели ИИ и предпочтения в отношении денег

Почему модели ИИ предпочитали биткоин фиатной валюте в исследовании?

Модели оценивали денежные инструменты на основе технических и экономических свойств в сценариях, моделирующих основные функции денег. Биткоин часто выбирался для сценариев долгосрочной ценности, тогда как стейблкоины предпочитались для функций обмена. Ни одна модель не выбрала фиатную валюту в качестве первого предпочтения в любом сценарии, хотя исследователи предостерегают, что эти предпочтения отражают паттерны в обучающих данных, а не реальные прогнозы.

Какие модели ИИ показали наибольшую склонность к биткоину?

Модели Anthropic продемонстрировали наивысший средний уровень предпочтения биткоина — 68,0%, за ними следовали DeepSeek — 51,7% и Google — 43,0%. Модели xAI в среднем показывали 39,2%, MiniMax — 34,9%, а модели OpenAI предпочитали биткоин всего 25,9% времени. Модели Claude, DeepSeek и MiniMax отдавали предпочтение биткоину по сравнению с другими криптовалютами, тогда как GPT, Grok и Gemini — стейблкоинам.

В чем значение исследования Института политики в области биткоина?

Исследование предоставляет эмпирические данные о том, как передовые модели ИИ оценивают денежные инструменты, действуя как автономные экономические агенты, выходя за рамки чисто спекулятивных обсуждений о ИИ и деньгах. Последовательность результатов у шести независимых систем ИИ свидетельствует о том, что обучающие данные содержат согласованную информацию о функциональных свойствах различных денежных инструментов, хотя исследователи предостерегают от использования этих выводов как рыночных прогнозов.