तकनीकी सारांश: EconAI – विकसित होते आर्थिक वातावरण में गतिशील व्यक्तित्व विकास और स्मृति-जागरूक एजेंट

1. समस्या विवरण

एजेंट-आधारित मॉडलिंग (ABM) ढांचे, जो आर्थिक सिमुलेशन के लिए उपयोग किए जाते हैं, एक महत्वपूर्ण द्वंद्व का सामना करते हैं:

• नियम-आधारित मॉडल (जैसे LEN, CATS) हस्त-निर्मित ह्यूरिस्टिक्स (heuristics) पर निर्भर करते हैं जिनमें लचीलेपन की कमी होती है और नए परिदृश्यों के लिए व्यापक विशेषज्ञ अंशांकन (calibration) की आवश्यकता होती है।
• लर्निंग-आधारित मॉडल (जैसे Deep RL एजेंट) अनुकूलन क्षमता तो प्रदान करते हैं लेकिन मैक्रो स्केल पर अत्यधिक कम्प्यूटेशनल लागत और डेटा आवश्यकताओं से ग्रस्त होते हैं।
• वर्तमान LLM-संचालित दृष्टिकोण तर्क करने की क्षमताओं में सुधार करते हैं लेकिन अल्पकालिक अनुकूलन (short-term optimization) और दीर्घकालिक रणनीतिक योजना (long-term strategic planning) के बीच सूक्ष्म अंतर्संबंधों को पकड़ने में विफल रहते हैं। विशेष रूप से, वे घटना स्मृति (event memory) (ऐतिहासिक अनुभव) और आर्थिक विश्वास (economic beliefs) (आत्मविश्वास और भावना) के एकीकरण की उपेक्षा करते हैं, जिससे सिमुलेशन त्रुटियां समय के साथ संचित होती हैं और मॉडलों को अवास्तविक बना देती हैं।

मूल चुनौती यह है कि एक एकीकृत ढांचा कैसे विकसित किया जाए जो सूक्ष्म-स्तर के एजेंटों की अंतःक्रियाओं और व्यापक आर्थिक (macroeconomic) गतिशीलता दोनों का सटीक सिमुलेशन कर सके, जबकि दीर्घकालिक सुसंगतता और अनुकूल व्यवहार बनाए रख सके।

2. कार्यप्रणाली: EconAI ढांचा

EconAI एक नवीन, LLM-संचालित सिमुलेशन प्रणाली है जो व्यापक आर्थिक और सूक्ष्म आर्थिक वातावरण को एकीकृत करती है। यह एजेंटों (परिवारों और फर्मों) को एक संज्ञानात्मक बैकबोन के साथ मॉडल करता है जिसमें तीन मुख्य मॉड्यूल शामिल हैं:

A. घटना धारणा और स्मृति संरचना (Event Perception and Memory Architecture)

प्रणाली ऐतिहासिक संदर्भ और तात्कालिक स्थितियों को प्रबंधित करने के लिए एक दोहरी-स्मृति बैंक संरचना का उपयोग करती है:

• दीर्घकालिक स्मृति बैंक ($M_L$): ऐतिहासिक अंतःक्रियाओं से प्राप्त उच्च-स्तरीय घटना सारांशों ($\phi(t_j, o_j)$) के वेक्टर प्रतिनिधित्व को संग्रहीत करता है। इन्हें टेक्स्ट एनकोडर (जैसे MiniLM) का उपयोग करके एनकोड किया जाता है और एम्बेडिंग-आधारित तंत्रों के माध्यम से पुनर्प्राप्त किया जाता है।
• अल्पकालिक स्मृति बैंक ($M_S$): एक विशिष्ट सत्र के भीतर चल रही गतिविधियों के लिए प्रासंगिक जानकारी को बनाए रखता है।
• घटना सारांश मॉड्यूल: ज़ीरो-शॉट LLM दृष्टिकोणों के विपरीत, यह मॉड्यूल आर्थिक गतिविधियों के संरचित सारांश उत्पन्न करने के लिए इंस्ट्रक्शन ट्यूनिंग (instruction tuning) का उपयोग करता है, जिसमें कार्य पृष्ठभूमि, प्रासंगिक गतिविधियाँ और विशिष्ट सारांशीकरण निर्देश शामिल हैं।

B. गतिशील व्यक्तित्व और आर्थिक भावना (Dynamic Persona and Economic Sentiment)

वस्तुनिष्ठ डेटा और व्यक्तिपरक निर्णय लेने के बीच के अंतर को पाटने के लिए, EconAI निम्नलिखित पेश करता है:

• गतिशील व्यक्तित्व निष्कर्षण (Dynamic Persona Extraction): एक मॉड्यूल जो विकसित होते एजेंटों की प्राथमिकताओं और आर्थिक विश्वासों को मॉडल करता है, जिसे दीर्घकालिक व्यक्तित्व बैंक में संग्रहीत किया जाता है। यह व्यक्तिगत और संदर्भ-संवेदनशील निर्णय लेने की अनुमति देता है।
• आर्थिक भावना सूचकांक (Economic Sentiment Index - ESI): एक मात्रात्मक मीट्रिक ($ESIt$) जो एजेंट के आर्थिक विश्वास को कैप्चर करता है, जिसे क्षय कारक ($\lambda$) और LLM के नवीनतम भावना मूल्यांकन के माध्यम से अपडेट किया जाता है:
  $$ESIt = \lambda ESIt-1 + (1-\lambda)ESIt,LLM$$
  यह सूचकांक निर्णय लेने को नियंत्रित करता है:
  • निम्न विश्वास ($ESIt < 0$): एजेंट उपभोग कम करते हैं और काम करने की इच्छा बढ़ाते हैं।
  • उच्च विश्वास ($ESIt > 0$): एजेंट उपभोग बढ़ाते हैं और काम कम करते हैं।
  • कॉन्फिडेंस एडजस्टमेंट: अल्पकालिक झटकों के प्रति अति-प्रतिक्रिया को रोकने के लिए अंतिम निर्णयों ($p_{wi}, p_{ci}$) को आत्मविश्वास स्तरों और ESI के आधार पर समायोजित किया जाता है।

C. आर्थिक वातावरण और निर्णय लेना

सिमुलेशन परिवारों, फर्मों, सरकार और वित्तीय संस्थानों को शामिल करते हुए एक एकीकृत ढांचे के भीतर संचालित होता है:

• एजेंट निर्णय: श्रम भागीदारी की संभावना ($p_{wt}$) और उपभोग-से-आय अनुपात ($p_{ct}$) के रूप में मॉडल किए जाते हैं, जिन्हें आय, मूल्य, बचत, बेरोजगारी दर, ब्याज दर और ESI के आधार पर LLM द्वारा उत्पन्न किया जाता है।
• व्यापक आर्थिक गतिशीलता (Macroeconomic Dynamics):
  • उत्पादन: घटते प्रतिफल (diminishing returns) के साथ कोब-डगलस (Cobb-Douglas) फंक्शन का पालन करता है।
  • बाजार असंतुलन: $\hat{\phi} = (D-G)/\max(D,G)$ द्वारा परिभाषित किया जाता है, जो मूल्य और मजदूरी समायोजन को संचालित करता है।
  • नीति: इसमें प्रगतिशील कराधान और मुद्रास्फीति एवं बेरोजगारी विचलन के प्रति प्रतिक्रिया देने वाला एक संशोधित टेलर नियम (Taylor rule) शामिल है।

3. प्रमुख योगदान

1. एकीकृत सिमुलेशन प्रणाली: EconAI पहला LLM-संचालित सिस्टम है जो व्यापक आर्थिक गतिशीलता और सूक्ष्म-स्तर की एजेंट अंतःक्रियाओं को एक ही ढांचे के भीतर एकीकृत करता है, जिससे एजेंटों को बाजार वातावरण और व्यक्तिगत आर्थिक निर्णयों दोनों के अनुकूल होने में सक्षम बनाया जाता है।
2. अनुकूलन तंत्र (Adaptive Mechanisms): यह ढांचा आर्थिक भावना सूचकांक (ESI), मेमोरी वेटिंग और गतिशील निर्णय लेने वाले मॉडल को पेश करता है। ये घटक सिस्टम को बाजार की स्थितियों के अनुसार निरंतर समायोजित होने और वास्तविक दुनिया के उतार-चढ़ाव का अनुकरण करने की अनुमति देते हैं, जो स्थिर भविष्यवाणी मॉडलों से बेहतर है।
3. उन्नत सटीकता और मजबूती: व्यापक सिमुलेशन के माध्यम से, EconAI नियम-आधारित, सुदृढीकरण शिक्षण (reinforcement learning) और मौजूदा LLM-आधारित बेसलाइनों की तुलना में आर्थिक संकेतकों (मुद्रास्फीदय, बेरोजगारी) को दोहराने और आर्थिक नियमों (फिलिप्स कर्व, ओकुन्स लॉ) को सत्यापित करने में श्रेष्ठ प्रदर्शन प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम

20 साल के क्षितिज पर GPT-4o-mini का उपयोग करके प्रयोग किए गए, जिसमें EconAI की तुलना LEN, CATS, AI-Eco (RL-आधारित), और EconAgent जैसे बेसलाइनों से की गई।

• मैक्रो-स्तर की स्थिरता: EconAI ने मुद्रास्फीति, बेरोजगारी और GDP विकास के लिए काफी अधिक स्थिर प्रक्षेपवक्र (trajectories) उत्पन्न किए। बेसलाइनों के विपरीत, जो बड़े आयाम वाले दोलनों या क्षयकारी शासन (degenerate regimes) (जैसे AI-Eco द्वारा 46% बेरोजगारी तक पहुँचना) को प्रदर्शित करते थे, EconAI के मेमोरी और सेंटीमेंट चैनलों ने क्षणिक व्यवधानों को अवशोषित कर लिया।
• आर्थिक नियमितताएँ: EconAI ने सफलतापूर्वक पाठ्यपुस्तक वाले नीचे की ओर झुके हुए फिलिप्स कर्व (पियर्सन $\rho = -0.522$) और ओकुन्स लॉ (Okun's law) के सह-संबंध को पुनः प्राप्त किया। बेसलाइन इन संबंधों को दोहराने में विफल रहे, अक्सर कठोर निर्णय नियमों के कारण प्रतिकूल सकारात्मक ढलान उत्पन्न करते थे।
• सूक्ष्म-स्तर की गतिशीलता: फर्मों की अंतःक्रियाओं के सिमुलेशन ने विनाशकारी प्रतिस्पर्धा (मूल्य युद्ध, शून्य-योग परिणाम) और स्वस्थ प्रतिस्पर्धा (नवाचार, सकारात्मक-योग विकास) दोनों को सफलतापूर्वक कैप्चर किया।
• बाहरी हस्तक्षेप: जब 2020 के COVID-19 आपातकाल के संबंध में एक गुणात्मक प्रॉम्प्ट इंजेक्ट किया गया, तो EconAI एजेंटों ने एहतियाती बचत और आय विविधीकरण की ओर रुख किया, जिसके परिणामस्वरूप बेरोजगारी दरों में एक यथार्थवादी उछाल और विलंबित रिकवरी देखी गई, जो गुणात्मक संकेतों को मात्रात्मक मैक्रो-प्रभावों में अनुवादित करने की प्रणाली की क्षमता को प्रदर्शित करता है।
• एब्लेशन अध्ययन (Ablation Studies): ऐतिहासिक स्मृति को हटाने से बेरोजगारी में तीव्र उतार-चढ़ाव आया; भावना सूचकांक को हटाने से अस्थिरता बढ़ गई; विश्वास कारक को हटाने से विसंगतियां पैदा हुईं। यह स्थिरता के लिए सभी घटकों की आवश्यकता की पुष्टि करता है।
• स्केलेबिलिटी: एजेंटों की संख्या को 100 से बढ़ाकर 300 करने से मुद्रास्फीति दरों की स्थिरता या यथार्थवाद में कोई महत्वपूर्ण परिवर्तन नहीं हुआ, जो जनसंख्या आकार परिवर्तनों के प्रति मजबूती को दर्शाता है।

5. महत्व और दावे

लेख का दावा है कि EconAI यथार्थवादी, अनुकूल आर्थिक एजेंट सिमुलेशन की दिशा में एक महत्वपूर्ण कदम है। इसका प्राथमिक महत्व है:

• अंतर को पाटना: यह सफलतापूर्वक स्मृति, भावना और भाषा-स्तर के तर्क को एक एकल लूप में बांधता है, जो हस्त-निर्मित नियमपुस्तिकाओं या विशेष प्रशिक्षण पाइपलाइनों के लिए एक व्यवहार्य विकल्प के रूप में कार्य करता है।
• दीर्घकालिक सुसंगतता: ऐतिहासिक स्मृति को वर्तमान संदर्भ के विरुद्ध वेट करने और आर्थिक भावना के माध्यम से निर्णयों को मॉड्युलेट करके, सिस्टम वर्तमान LLM-संचालित दृष्टिकोणों में सामान्य सिमुलेशन त्रुटियों के संचय से बचता है।
• व्यवहार संबंधी यथार्थवाद: ढांचा स्मृति-संचालित शिक्षण और विश्वास-संचालित अनुकूलन के बीच गतिशील अंतर्संबंध को कैप्चर करता है, जो सटीक दीर्घकालिक आर्थिक मॉडलिंग के लिए आवश्यक है।

6. सीमाएं

लेखकों ने कई बाधाओं को स्वीकार किया है:

• कम्प्यूटेशनल ओवरहेड: बड़े पैमाने के भाषा मॉडलों पर निर्भरता के कारण महत्वपूर्ण भंडारण और कम्प्यूटेशनल लागत आती है, जो वास्तविक समय के व्यापक सिमुलेशन के लिए स्केलेबिलिटी को सीमित कर सकती है।
• पैरामीटर ट्यूनिंग: कई मॉड्यूल (मेमोरी डिके, सेंटीमेंट वेटिंग) को एकीकृत करने से पैरामीटर ट्यूनिंग में जटिलता आती है, जिसके लिए विविध परिदृश्यों में और अधिक सत्यापन की आवश्यकता है।
• डेटा स्कोप: मूल्यांकन मुख्य रूप से सिम्युलेटेड डेटा पर आधारित है, जो सभी वास्तविक दुनिया की चरम घटनाओं या आर्थिक उतार-चढ़ाव की बारीकियों को पूरी तरह से कैप्चर नहीं कर सकता है।