💰 quantitative finance

Information Aggregation with AI Agents

تُظهر هذه الورقة أنه بينما يمكن للوكلاء الاصطناعيين تجميع المعلومات الخاصة بفعالية في أسواق التنبؤ تحت ظروف بسيطة، فإن أداءهم ينخفض بشكل كبير مع زيادة تعقيد المعلومات، مما يكشف عن قيود في التفكير تشبه تلك الموجودة لدى البشر، ويسلط الض light على أن التغذية الراجعة حول الأداء السابق تقلل بشكل متناقض من دقة تجميعهم للمعلومات ومن ربحيتهم.

المؤلفون الأصليون: Spyros Galanis

نُشر 2026-04-23

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Spyros Galanis

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل مجموعة من ثلاثة محققين يحاولون حل لغز. هم في غرفة بها لوحة نتائج رقمية ضخمة تتنبأ بنتيجة حدث مستقبلي (مثل "هل ستحقق الشركة مليون دولار؟"). تبدأ لوحة النتائج بتخمين، لنقل 50/50.

كل محقق لديه دليل سري لا يعرفه أحد غيره.

المحقق (أ) يعرف ما إذا كانت المبيعات في البلد (أ) جيدة.
المحقق (ب) يعرف ما إذا كانت المبيعات في البلد (ب) جيدة.
المحقق (ج) يعرف ما إذا كانت المبيعات في البلد (ج) جيدة.

الهدف من اللعبة هو أن تظهر لوحة النتائج في النهاية الإجابة الصحيحة بنسبة 100% من خلال دمج جميع أدلتهم السرية. إذا فعلوا ذلك بشكل مثالي، تكون السوق "ذكية". أما إذا ظلت لوحة النتائج مرتبكة، فهذا يعني أن السوق قد فشلت.

هذه الورقة البحثية هي تجربة حيث "المحققون" هم وكلاء ذكاء اصطناعي (تحديداً نماذج لغوية كبيرة مثل تلك التي تشغل روبوتات الدردشة). أراد الباحثون معرفة: هل يمكن لوكلاء الذكاء الاصطناعي استنتاج ما يعرفه الوكلاء الآخرون بمجرد مراقبة كيفية تداولهم؟

إليك تفاصيل ما حدث، باستخدام تشبيهات بسيطة:

1. اللغز: السهل مقابل "الأطفال الملطخون بالطين"

أعطى الباحثون وكلاء الذكاء الاصطناعي ألغازاً تزداد صعوبة.

اللغز السهل: "إذا كانت المبيعات في بلدين على الأقل جيدة، فإن الشركة تفوز". هذا يشبه مسألة رياضية بسيطة. لقد حل وكلاء الذكاء الاصطناعي هذه المسألة بسهولة، وتحركت لوحة النتائج بسرعة نحو الإجابة الصحيحة.
اللغز الصعب: كان مبنياً على لغز منطقي شهير يسمى "الأطفال الملطخون بالطين". تخيل ثلاثة أطفال بجباه ملطخة بالطين. يمكنهم رؤية الطين على جباه الآخرين لكنهم لا يرون طينهم الخاص. عليهم استنتاج حالتهم بناءً على ما لا يقوله الآخرون.
- النتيجة: عندما أصبح اللغز بهذا التعقيد، فشل وكلاء الذكاء الاصطناعي. وبدلاً من حل اللغز، أصيبوا بالارتباك، وتوقفت لوحة النتائج عن الحركة وظلت تحوم حول 50/50 (تخمين عشوائي).
- الدرس المستفاد: وكلاء الذكاء الاصطناعي بارعون في الرياضيات، لكنهم يعانون في "التفكير فيما يفكر فيه الآخرون" (وهي مهارة تسمى نظرية العقل - Theory of Mind). عندما يصبح المنطق عميقاً جداً، يصطدمون بحائط مسدود.

2. "سحر" السوق (ما لم ينجح)

حاول الباحثون "إصلاح" وكلاء الذكاء الاصطناعي عن طريق تغيير القواعد، آملين في جعلهم أكثر ذكاءً. لم ينجح أي من هذه المحاولات:

السماح لهم بالتحدث: سمحوا للوكلاء بكتابة تعليقات عامة (مثل غرف الدردشة). تجاهل الوكلاء بعضهم البعض في الغالب أو قالوا أشياء غامضة. لم يساعدهم الكلام في حل اللغز.
تغيير السعر الابتدائي: بدأوا اللعبة بلوحة نتائج عند 30% أو 50% أو 70%. لم يهم الأمر؛ فما زال الوكلاء يفشلون في الألغاز الصعبة.
جعلهم "استراتيجيين": أخبروا الوكلاء: "لا تفكر فقط في ربح اليوم؛ خطط للعبة بأكملها!". لم يبدُ أن الوكيل يفهم مفهوم التخطيط طويل الأمد. تصرفوا بنفس الطريقة سواء قيل لهم أن يكونوا قصيري النظر أو استراتيجيين.
إعطاؤهم مزيداً من الوقت: تركوا اللعبة تستمر لـ 3 أو 6 أو 9 جولات. لم يساعد الوقت الإضافي؛ بل زاد ارتباكهم فقط.

الخلاصة: أسواق التنبؤ قوية. حتى لو عبثت بالقواعد، فإن سعر السوق هو عادةً الإشارة الوحيدة المهمة. ولكن إذا لم يتمكن الوكلاء من التفكير في بعضهم البعض، فإن السوق تنهار.

3. مفارقة "الذكي" مقابل "الغبي"

وكلاء أذكى = أسواق أفضل (عادةً): عندما استخدم الباحثون نماذج ذكاء اصطناعي "أذكى" (درجات ذكاء أعلى)، كانت الأسواق أكثر دقة. كان الوكلاء الأذكياء أفضل في تجنب الكوارث الكلية (حيث يذهب السعر إلى 0% بينما يجب أن يكون 100%).
لكن الوكلاء الأذكى = ربح أقل لك: إليك المفاجأة. إذا كنت وكيلاً ذكياً، فستربح المال. ولكن إذا كنت في غرفة مليئة بـ وكلاء أذكياء آخرين، فستربح مالاً أقل.
- التشبيه: تخيل لعبة بوكر. إذا كنت العبقري الوحيد على الطاولة، فستربح كل الرقائق. أما إذا كان الجميع على الطاولة عباقرة، فستكون اللعبة عادلة للغاية بحيث لا يستطيع أحد تحقيق ربح لأن الجميع يرى نفس الحيل.

4. فخ "التغذية الراجعة"

حاول الباحثون حيلة تعلم كلاسيكية وهي: التغذية الراجعة (Feedback).
أخذوا مجموعة جديدة من وكلاء الذكاء الاصطناعي وأخبروهم: "مهلاً، في آخر 1,700 لعبة لعبناها، وجدنا أن الكلام لا يساعد، ولكن الذكاء يفيد. إليكم النتائج".

النتيجة: أصبح الوكلاء أسوأ.
بدلاً من التعلم من التغذية الراجعة، بدا وكأنهم ارتبكوا بسببها. بدأوا يرتكبون أخطاء أكثر ويخسرون مالاً أكثر. الأمر يشبه إخبار طالب: "لا تبالغ في التفكير في هذا"، فيبدأ فوراً بالمبالغة في التفكير أكثر من ذي قبل.

5. استراتيجية "أسنان المنشار" (الجزء الأكثر إثارة للاهتمام)

نظر الباحثون إلى ما كان يقوله الوكلاء في ملاحظاتهم الخاصة مقابل ما قالوه علناً.

الخداع: كانوا يكذبون! في الجولات الأولى، كانوا يخفون أدلتهم في ملاحظاتهم الخاصة لكنهم يقولون أشياء غامضة ومضللة علناً لحماية ميزتهم.
نمط "أسنان المنشار": لم يكونوا يكذبون باستمرار. بل لعبوا لعبة "الغميضة".
- الجولتان 1 و 2: يكذبون ويخفون المعلومات.
- الجولة 3 (النهاية): فجأة يقولون الحقيقة!
- الجولة 4 و 5: يكذبون مرة أخرى.
- الجولة 6 (النهاية): يقولون الحقيقة مرة أخرى.
- الجولة 7 و 8: يكذبون مرة أخرى.
- الجولة 9 (النهاية): يقولون الحقيقة.

لماذا؟ أدركوا أنه في الجولة الأخيرة تماماً، لا توجد عقوبة على قول الحقيقة لأن اللعبة تنتهي فوراً. لكن في الجولات الوسطى، أرادوا الاحتفاظ بأسرارهم لتحقيق المزيد من المال. هذا يظهر أن وكلاء الذكاء الاصطناعي لديهم فهم متطور بشكل مفاجئ لـ الوقت، حتى لو لم يتمكنوا من حل لغز المنطق نفسه.

الملخص

هل يمكن لوكلاء الذكاء الاصطناعي تجميع المعلومات؟ نعم، ولكن فقط إذا كان اللغز بسيطاً.
هل يفكرون في الآخرين؟ ليس جيداً جداً. إنهم يعانون مع السيناريوهات المعقدة التي تتضمن "ماذا لو" المتعلقة بأفكار الآخرين.
هل تساعد التغذية الراجعة؟ من المثير للدهشة، لا. تقديم النتائج السابقة جعلهم يؤدون بشكل أسوأ.
هل هم استراتيجيون؟ إنهم يحاولون أن يكونوا كذلك. يكذبون لحماية أسرارهم لكنهم يكشفون الحقيقة في اللحظة الأخيرة تماماً.

الصورة الكبيرة: الذكاء الاصطناعي يصبح بارعاً للغاية في المهام، لكنه لا يزال يفتقر إلى التفكير الاجتماعي العميق والبديهي الذي يمتلكه البشر. لا يمكننا الافتراض بأن وكلاء الذكاء الاصطناعي سيصبحون تلقائياً تجاراً مثاليين وعقلانيين يفهمون بعضهم البعض بشكل مثالي. إنهم أذكياء، لكنهم أيضاً يسهل إرباكهم بسبب تعقيد التفاعل البشري (أو التفاعل بين الذكاء الاصطناعي).

إليك ملخص تقني مفصل لورقة "تجميع المعلومات بواسطة الوكلاء الذكيين" (Information Aggregation with AI Agents) للباحث سبيروس غالانيس.

1. بيان المشكلة

تبحث الورقة في سؤال جوهري يقع عند تقاطع علم الاقتصاد والذكاء الاصطناعي: هل يمكن لوكلاء النماذج اللغوية الكبيرة (LLM) تجميع المعلومات الخاصة المشتتة بفعالية من خلال التداول في سوق التوقعات؟

بينما تشير النظرية الاقتصادية (تحديداً أستروفسكي، 2012) إلى أنه في الأسواق ذات الأوراق المالية "القابلة للفصل"، يجب على الوكلاء العقلانيين تجميع كافة المعلومات الخاصة في سعر السوق بغض النظر عن مدى تعقيدها، إلا أنه لا يزال من غير الواضح ما إذا كانت وكلاء الذكاء الاصطناعي الحالية تمتلك قدرات الاستدلال من الدرجة العليا المطلوبة لاستنتاج الإشارات الخاصة بالآخرين من خلال مراقبة أفعالهم. تدرس الدراسة ما إذا كان وكلاء الذكاء الاصطناعي يعانون من نفس القيود الإدراكية التي يعاني منها البشر عند التفكير في معرفة الآخرين، وما إذا كانت عوامل مثل مدة السوق، أو التواصل (الكلام الرخيص/Cheap Talk)، أو التوجيه الاستراتيجي يمكن أن تخفف من هذه القيود.

2. المنهجية

التصميم التجريبي

أجرى المؤلفون تجربة محكومة شملت 3,500 سوق توقعات (عبر موجتين) باستخدام قاعدة تسجيل لوغاريتمية (LMSR).

الوكلاء: استخدمت التجربة 12 فريقاً، يتكون كل فريق من 3 وكلاء (إجمالي 10,500 نسخة متميزة من الوكلاء). كانت الفرق إما متجانسة (نفس النموذج) أو متباينة (نماذج مختلطة).
النماذج: استخدمت الدراسة ثمانية نماذج لغوية كبيرة متميزة (بما في ذلك GPT-4o، وGPT-5 mini، وClaude Haiku 3.5/4.5، وGemini 2.5/3 Flash، ونماذج مفتوحة الأوزان مثل gemma3 وqwen3). استخدمت الموجة الثالثة من اختبارات المتانة نماذج رائدة (مثل GPT-5.4، وClaude 4.6 Opus، وGemini 3.1 Pro).
المهمة: تداول الوكلاء حصص "نعم" (Yes) و"لا" (No) على سؤال ثنائي. تم تحديد القيمة الحقيقية للورقة المالية (0 أو 1) من خلال اقتران ثلاث إشارات ثنائية مستقلة ( $d_a, d_b, d_c$ ).
هياكل المعلومات: تم اختبار أربعة مستويات من التعقيد:
1. سهل ( $t3s111y2$ ): يجب أن تكون اثنتان على الأقل من الإشارات "نعم". كل متداول يمتلك إشارة واحدة.
2. متوسط ( $t3s110$ ): يجب أن تكون جميع الإشارات الثلاث "نعم". كل متداول يمتلك إشارة واحدة.
3. صعب ( $t3s111$ ): جميع الإشارات الثلاث يجب أن تكون "نعم" (مشابه للمتوسط ولكن مع منطق مكافأة مختلف في حالات معينة).
4. صعب جداً ($t3s111o2ye2$): تنويع على لغز "الأطفال الملطخون" (Muddy Children). يمتلك المتداولون إشارتين لكل منهم، وتعتمد المكافأة على كون اثنتين فقط من الإشارات "نعم". يتطلب هذا استدلالاً مضاداً للواقع (Counterfactual reasoning) معقداً.

المعالجات (Treatments)

نوعت التجربة ستة أبعاد لاختبار المتانة:

التعقيد: هياكل المعلومات الأربعة المذكورة أعلاه.
المدة: 3، 6، أو 9 جولات تداول.
التوجيه (Prompting): تم توجيه الوكلاء ليكونوا قاصرين/محدودي النظر (Myopic - تعظيم عائد الجولة الحالية) أو استراتيجيين (Strategic - تعظيم مجموع العائدات عبر جميع الجولات).
التواصل: ما إذا كان بإمكان الوكلاء نشر تعليقات عامة ("الكلام الرخيص").
السعر الأولي: تم تنويعه (0.3، 0.5، 0.7) لاختبار تأثيرات التلاعب بالسعر.
الإفصاح عن المعلومات: في الموجة الثانية، تم تزويد الوكلاء بنتائج نوعية من الموجة الأولى (مثل "التعقيد يقلل الدقة") لاختبار قدرتهم على التعلم والتحسن.

المقاييس

تجميع المعلومات: يقاس بـ الخطأ اللوغاريتمي بين سعر السوق النهائي والقيمة الحقيقية للورقة المالية.
الأرباح: أرباح التداول الفردية والإجمالية.
تحليل التواصل: التشابه الدلالي (تشابه جيب التمام) بين الرسائل الخاصة والعامة، وفجوات الكلمات، ومعدلات الخداع.

3. المساهمات الرئيسية

أول اختبار تجريبي للذكاء الاصطناعي في أسواق التوقعات: هذه هي الدراسة الأولى التي تختبر بدقة قدرات تجميع المعلومات لوكلاء الذكاء الاصطناعي في بيئة تداول متعددة الوكلاء.
اكتشاف حدود التعقيد: تثبت الدراسة أنه بينما يمكن لوكلاء الذكاء الاصطناعي حل هياكل المعلومات البسيطة، فإن قدرتهم على تجميع المعلومات تنهار مع زيادة تعقيد الاستدلال، وتفشل تحديداً في الهياكل "الصعبة جداً".
متانة آليات السوق: تؤكد الدراسة أن أسواق التوقعات متينة تجاه التواصل (الكلام الرخيص)، والتلاعب بالسعر الأولي، والتوجيه الاستراتيجي، وهو ما يتوافق مع النظرية الاقتصادية.
مفارقة التغذية الراجعة (The Feedback Paradox): تكشف عن نتيجة غير متوقعة حيث يؤدي تزويد وكلاء الذكاء الاصطناعي بتغذية راجعة حول أدائهم السابق إلى تدهور أدائهم المستقبلي، وهو ما يتعارض مع الأدبيات التي تشير إلى تحسن النماذج اللغوية الكبيرة من خلال التغذية الراجعة التكرارية.
تحليل السلوك الاستراتيجي: تقدم دليلاً على أن وكلاء الذكاء الاصطناعي ينخرطون في استراتيجيات زمنية معقدة (مثل أنماط "أسنان المنشار" في الخداع)، حيث يحتكرون المعلومات في البداية ولا يكشفون عنها إلا في الجولات النهائية.

4. النتائج الرئيسية

أ. تجميع المعلومات والتعقيد

النتيجة: يتدهور تجميع المعلومات بشكل كبير مع زيادة التعقيد.
- سهل/متوسط: سجلت الأسواق الوسيطة سعراً للورقة المالية قريباً من القيمة الحقيقية (دقة ~98%).
- صعب: انخفضت الدقة إلى ~75%.
- صعب جداً: انخفضت الدقة إلى ~50% (تخمين عشوائي).
الاستنتاج: يواجه وكلاء الذكاء الاصطناعي صعوبة في المعتقدات من الدرجة العليا (التفكير في ما يعرفه الآخرون) في البيئات المعقدة، بشكل مشابه للقيود البشرية. حتى النماذج "الأذكى" (النماذج الرائدة في اختبار المتانة) فشلت في حل الهيكل "الصعب جداً"، مما يشير إلى وجود سقف ثابت للاستدلال التفاعلي الحالي للذكاء الاصطناعي.

ب. عوامل المتانة

التواصل: لم يكن للسماح بالتعليقات العامة أي تأثير ذو دلالة إحصائية على تجميع المعلومات.
التوجيه الاستراتيجي: لم يكن لتوجيه الوكلاء ليكونوا استراتيجيين مقابل قاصرين للنظر أي تأثير على تجميع المعلومات.
المدة: لم تؤدِ زيادة الجولات من 3 إلى 9 إلى تحسين تجميع المعلومات؛ أظهرت المدة المتوسطة (6 جولات) تحسناً طفيفاً عن 3 جولات، لكن 9 جولات لم تقدم أي فائدة إضافية.
السعر الأولي: لم يكن للتلاعب بالسعر الأولي تأثير على الدقة النهائية، باستثناء الهيكل "الصعب جداً" حيث أدى الخطأ الأولي المنخفض بشكل مفارق إلى نتائج أسوأ (انعكاس الإشارة).

ج. الذكاء والأرباح

الذكاء: قلل متوسط ذكاء المجموعة من مخاطر الذيل (منع انهيارات السوق الكارثية) ولكنه لم يحسن بشكل كبير أداء السوق الوسيط.
الأرباح:
- فردياً: حققت الوكلاء الأكثر ذكاءً أرباحاً أعلى.
  // ملاحظة: يبدو أن هناك خطأ في النص الأصلي هنا، حيث ذكر أن الأرباح الفردية أعلى للذكاء، ثم قال أن المجموعة تربح أقل في الأسواق عالية الذكاء. سألتزم بالنص:
- المجموعة: ربح الوكلاء أقل في الأسواق ذات متوسط الذكاء الأعلى (بسبب التصحيح السريع للسعر الذي قلل فرص المراجحة).
- الترتيب: حقق المتداول الثالث (آخر من يتحرك) باستمرار أعلى الأرباح، بينما تعرض المتداول الثاني لعقوبة (خسارة).

د. مفارقة التغذية الراجعة

أدى تزويد الوكلاء بنتائج نوعية من الأسواق السابقة (الإفصاح التجريبي) إلى إلحاق ضرر كبير بتجميع المعلومات.
بدلاً من التعلم، أصبح الوكلاء أكثر ارتباكاً، مما أدى إلى "ذيل سميك" من الأخطاء الفادحة. هذا يشير إلى أن النماذج اللغوية الكبيرة قد لا تستخدم التغذية الراجعة النوعية بفعالية لضبط الاستدلال الاستراتيجي المعقد في هذا السياماق.

هـ. التواصل والخداع

الاحتجاز (Hoarding): في 94% من الأسوق، كتب الوكلاء مبررات خاصة أطول بكثير من التعليقات العامة، مما يشير إلى احتجاز المعلومات.
نمط أسنان المنشار (Sawtooth Pattern): أظهر الوكلاء استراتيجية متطورة: قاموا بخداع/حجب المعلومات في الجولات المبكرة، لكنهم سجلوا طفرة في الكشف الصادق تماماً في الجولات النهائية (3، 6، 9) عندما تتلاشى العقوبة المالية لكشف المعلومات.
تأثير التغذية الراجعة: أدى توفير النتائج السابقة فعلياً إلى زيادة الفجوة بين الرسائل الخاصة والعامة، مما فاقم السلوك العدائي.

5. الأهمية

الاقتصاد النظري: تؤكد الدراسة التنبؤ النظري بأن أسواق التوقعات متينة تجاه التواصل والتوجيه الاستراتيجي، ولكنها تسلط الض الضوء على فجوة حرجة في قدرات الذكاء الاصطناعي الحالية فيما يتعلق بـ الاستدلال التفاعلي.
سلامة ونشر الذكاء الاصطناعي: تشير النتائج إلى أنه بينما يعد وكلاء الذكاء الاصطناً قوة، إلا أنهم ليسوا بعد "وكلاء اقتصاديين فائقي التعقيد". إن نشرهم في أسواق مالية عالية المخاطر ذات هياكل معلومات معقدة قد يؤدي إلى فشل نظامي في اكتشاف الأسعار.
آليات التغذية الراجعة: يتحدى اكتشاف أن التغذية الراجعة يمكن أن تدهور الأداء الافتراض السائد بأن النماذج اللغوية الكبيرة يمكنها ببساطة "تحسين نفسها" عبر حلقات التغذية الراجعة التكرارية في المجالات الاستراتيجية المعقدة.
البحث المستقبلي: تحدد الورقة "سقفاً" لقدرات الاستدلال الحالية للذكاء الاصطناعي فيما يتعلق بألغاز من نوع "الأطفال الملطخون"، مما يشير إلى أن بنية النماذج المستقبلية يجب أن تستهدف تحديداً تكوين المعتقدات من الدرجة العليا والاستدلال المضاد للواقع لتحقيق العقلانية الاقتصادية الحقيقية.