Toward a new AI winter? How diffusion of technological innovation on networks leads to chaotic boom-bust cycles

Technische Samenvatting: Naar een nieuwe AI-winter? Hoe de diffusie van technologische innovatie op netwerken leidt tot chaotische boom-bust cycli

Probleemstelling
Het artikel behandelt de uitdaging van het modelleren van het complexe techno-sociale landschap van kunstmatige intelligentie (AI) en technologische innovatie. Hoewel fundamentele theorieën zoals de Rogers-diffusiecurve bestaan, gaan deze vaak uit van onafhankelijke adoptietrajecten of lineaire marktdynamiek, waardoor ze er niet in slagen de algemene aard van AI, de snelle recursieve vooruitgang en de diepe onderlinge afhankelijkheden tussen data, rekenkracht en protocollen te vatten. De auteurs stellen dat huidige modellen de ongelijke diffusie van AI of de omstandigheden waaronder de markt zou kunnen instorten in een nieuwe "AI-winter" niet adequaat kunnen verklaren. Specifiek is er een gebrek aan kwantitatieve modellen die innovatiediffusie, bedrijfscycli (aanbod, vraag, investering) en netwerkeffecten verenigen om de opkomst van chaotische boom-bust cycli te verklaren.

Methodologie
De auteurs stellen een theoretisch kader voor dat bestaat uit drie progressief complexe dynamische systemen, gemodelleerd als gewone differentiaalvergelijkingen (ODE's) en numeriek opgelost met behulp van Julia (DifferentialEquations library). De studie maakt gebruik van random regular graphs (en test de robuustheid op scale-free en star netwerken) om het netwerk van onderling afhankelijke technologieën te representeren.

1. Zuiver Diffusiemodel: Dit model vangt de groei van een technologie $y_i$ en haar marktcapaciteit $u_i$. Groei is logistiek en wordt beperkt door capaciteit. Cruciaal is dat de capaciteit $u_i$ niet statisch is; deze neemt toe via een diffusiemechanisme dat wordt gedreven door de ontwikkeling van naburige technologieën in het netwerk. Het model gebruikt een ReLU-functie om te waarborgen dat de capaciteit alleen groeit (niet-negatieve diffusie), wat weerspiegelt dat gerelateerde technologieën elkaar versterken.
2. Bedrijfscyclusmodel: Dit is een systeem met drie variabelen dat aanbod ($x$), vraag ($y$) en investering ($z$) vertegenwoordigt.
   • Aanbod groeit met investeringen maar neemt in de loop van de tijd af.
   • Vraag herstelt logistisch maar wordt verminderd wanneer deze wordt bevredigd door aanbod (gemodelleerd via een interactieterm van het type Lotka-Volterra $-\alpha xy$).
   • Investering neemt toe op basis van het product van aanbod en vraag (marktsucces) maar neemt in de loop van de tijd af.
3. Techno-landschap Marktmodel: Dit integreert de vorige twee modellen. Het past de bedrijfscyclusdynamiek toe op elk knooppunt in het technologienetwerk, terwijl de marktcapaciteit ($u_i$) voor elk knooppunt evolueert volgens het diffusiemodel. Dit creëert een gekoppeld systeem waarbij economische feedbackloops interageren met technologische onderlinge afhankelijkheden.

Belangrijkste Bijdragen

• Verenigd Kader: Het artikel introduceert een wiskundig kader dat tegelijkertijd technologische diffusie, de expansie van marktcapaciteit via netwerkeffecten en economische bedrijfscycli modelleert.
• Identificatie van Regimes: De studie identificeert onderscheidende dynamische regimes op basis van kritieke parameters: de investeringsgevoeligheid ($\alpha$) en de diffusiesnelheid ($\sigma$).
• Chaos en Instabiliteit: De auteurs demonstreren dat wanneer investerings- of diffusiesnelheden specifieke drempels overschrijden, het systeem overgaat van stabiele evenwichten naar limietcycli en, in de context van netwerken, naar transiënte chaotische boom-bust cycli.
• Netwerktopologie Effecten: Het onderzoek toont aan dat netwerkheterogeniteit (bijv. door hubs gedomineerde scale-free netwerken) de drempel voor chaos verlaagt, waardoor systemen met sterk verbonden hubs gevoeliger zijn voor instabiliteit.

Resultaten

• Diffusiedynamiek: In het zuivere diffusiemodel leiden hoge intrinsieke groeicijfers gecombineerd met lage diffusiesnelheden tot een eerdere stagnatie op lagere ontwikkelingsniveaus. Omgekeerd zorgen lagere groeicijfers met hoge diffusiesnelheden voor een langere duur van de groei en bereiken zij een hogere algehele ontwikkeling, wat suggereert dat kennisdeling belangrijker is dan pure groeisnelheid voor langetermijnstabiliteit.
• Bedrijfscycli: Het bedrijfscyclusmodel vertoont een superkritische Hopf-bifurcatie. Onder een kritieke investeringsdrempel ($\alpha_c$) stabiliseert het systeem zich bij een vast punt. Boven deze drempel komt het in een stabiele limietcyclus (oscillaties).
• Chaotische Boom-Bust Cycli: In het gecombineerde netwerkmodel leiden hoge waarden van zowel investering ($\alpha$) als diffusie ($\sigma$) tot chaotische dynamiek. Het systeem vertoont transiënte chaos, gekenmerkt door grillige boom-bust cycli waarbij vraag en aanbod oscilleren met een toenemende amplitude voordat ze uiteindelijk instorten.
• Empirische Correlatie: Het chaotische regime van het model komt kwalitatief overeen met de transactiegegevens van Non-Fungible Tokens (NFT's), die scherpe, asymmetrische boom-bust patronen vertonen. De auteurs merken ook op dat het model de stagnatie- en vernieuwingspatronen reproduceert die worden gezien in computerhardware (bijv. de verschuiving van single-thread prestatieplateaus naar multi-core groei) en Large Language Models (LLM's).
• Lyapunov-exponenten: Het chaotische regime wordt bevestigd door positieve eindige-tijd Lyapunov-exponenten, wat wijst op gevoeligheid voor beginvoorwaarden en deterministische chaos.

Betekenis en Claims
Het artikel claimt dat deze kwantitatieve overwegingen een structurele verklaring bieden voor potentiële marktinstortingen in AI. De auteurs stellen dat:

• Ononderbroken expansie kan fragiel zijn: Een persistent groeiende marktcapaciteit kan een illusie van grenzeloze potentie creëren, wat leidt tot overinvestering en speculatie.
• Condities voor een AI-winter: Het model suggereert dat een nieuwe "AI-winter" structureel plausibel is als het huidige regime van hoge investeringen en hoge diffusie (gedreven door hype en speculatieve verwachtingen) voortduurt zonder matiging. Dit zou een instorting kunnen triggeren die vergelijkbaar is met de AI-winter van de jaren '80, gedreven door dezelfde structurele mechanismen: excessieve investeringen, beperkte diffusie (kennis-silo's) en systemische fragiliteit.
• Beleidsimplicaties: De auteurs suggereren dat beleidsmechanismen moeten streven naar het matigen van investeringspercentages en het verbeteren van diffusie (bijv. via open standaarden, interoperabiliteit en kennisdeling). Contra-cyclische publieke financiering zou kunnen helpen om langetermijn-trajecten te stabiliseren.
• Bescheiden Voorspellingen: Ze stellen expliciet dat ze niet de timing of de ernst van een toekomstige AI-winter voorspellen. In plaats daarvan schetsen ze de condities waaronder de waarschijnlijkheid van een dergelijke neergang toeneemt, waarbij ze benadrukken dat het huidige traject niet onvermijdelijk is maar structureel riskant.

De studie concludeert dat hoewel de modellen theoretisch zijn, ze kwalitatieve kenmerken van echte gegevens vastleggen en een conceptueel fundament bieden voor het begrijpen van hoe de interactie tussen technologische diffusie en investeringen tot instabiliteit kan leiden, wat oproept tot een verschuiving naar meer veerkrachtige technologische ecosystemen.