Streszczenie AI
Thousand Token Wood to innowacyjna symulacja mikroekonomii, w której pięć małych modeli językowych (po 3 miliardy parametrów) tworzy dynamiczny rynek z prawdziwymi zjawiskami, takimi jak bańki spekulacyjne czy nierówności społeczne. Kluczem do działania była sztucznie wprowadzona niedobór zasobów (np. psujące się towary, zimowy kryzys opałowy), która zmuszała agenty do handlu i generowała realistyczne cykle rynkowe.
Projekt pokazuje, że małe modele mogą efektywnie symulować złożone systemy, choć wymagają precyzyjnego promptowania i inżynierii ekonomicznej – a nie tylko większej mocy obliczeniowej. Druga wersja rozszerza to o wielomodelową „dramę finansową”, ilustrując potencjał współpracy między mniejszymi modelami w budowie AI ekonomii.
Thousand Token Wood to symulacja mikroekonomii stworzona na hackathon Build Small Hackathon organizowany przez Hugging Face. Projekt pokazuje, jak pięć małych modeli językowych (≤3B parametrów) może napędzać działającą w czasie rzeczywistym ekonomię wieloagentową, w której występują prawdziwe cykle rynkowe: bańki spekulacyjne, krachy i rosnące nierówności społeczne.
Kluczowe fakty techniczne
| Element | Opis |
|---|---|
| Model | Qwen2.5-3B (3 miliardy parametrów) – wybrany ze względu na niskie opóźnienia i niezawodność w generowaniu formatu JSON. |
| Agenci | 5 leśnych zwierząt, z których każde działa jako niezależny agent handlowy. |
| Towary | 5 produktów (np. żołędzie, miód, drewno) wymienianych na kamyki (pebbles), które pełnią rolę waluty. |
| Infrastruktura | vLLM na platformie Modal do serwowania modelu; Gradio jako interfejs wizualny. |
| Dane | Zapisy działań (traces) agentów opublikowane na Hugging Face Hub – zawierają pełne prompty, odpowiedzi i podjęte akcje. |
Główne mechanizmy ekonomii
Pierwsza wersja symulacji nie działała – produkcja była zbyt duża w stosunku do konsumpcji, więc agenci nie mieli motywacji do handlu. Rozwiązaniem okazał się zaprojektowany niedobór (designed scarcity), wprowadzony za pomocą trzech mechanik:
- Zróżnicowana dieta: każde zwierzę może zjeść tylko 1 jednostkę danego rodzaju pożywienia na posiłek. Zmusza to agentów do kupowania dóbr, których sami nie produkują.
- Psująca się żywność: niezużyte jedzenie gnije w magazynie, co wymusza rynkową sprzedaż nadwyżek.
- Zimowy kryzys opałowy: każde zwierzę potrzebuje drewna na opał w każdej turze (a zapotrzebowanie z czasem rośnie), ale tylko jeden agent je produkuje. Prowadzi to do monopolu i zawirowań na rynku.
„Emergent systems need designed scarcity; abundance is boring.”
(Systemy emergentne wymagają zaprojektowanego niedoboru; obfitość jest nudna.)
Wyniki z reprezentatywnego uruchomienia (15 tur)
| Metryka | Wynik |
|---|---|
| Poprawne wywołania JSON | 100% (75/75 wywołań) |
| Transakcje na turę | od 3 do 9 (rynek nigdy nie zamarł) |
| Cena miodu | krach z 10 do 3 w wyniku rynkowej paniki (bank run) |
| Cena drewna | wzrost z 4 do 7 z powodu rosnącego, zimowego popytu |
| Nierówności (Współczynnik Giniego) | wzrost z 0.14 do 0.38 |
| Zakończenie | Drwal (producent drewna) stał się najbogatszy, gromadząc większość zapasów. |
Wersja v2 – nowe informacje
Zgodnie z artykułami o Thousand Token Wood Sim v2, druga wersja rozszerza projekt na pięć różnych małych modeli od różnych dostawców (Mistral, Nous, Meta/Llama, Stability AI), co tworzy złożoną „dramę finansową” w środowisku wielomodelowym. Ukazuje to rynkowe przejście w kierunku budowy AI opartej na współpracy i optymalizacji zasobów, zamiast polegania wyłącznie na drogich, największych modelach komercyjnych (frontier models).
Najważniejsze wnioski dla budowania z małymi modelami
- Model 3B to świetny generator formatu, ale słabo wnioskuje: w 100% generuje poprawny kod JSON, jednak jego zdolność do analizy ekonomicznej jest ograniczona. Wymaga to lepszego promptowania, a niekoniecznie użycia większego modelu.
- Struktura i prompting są ważniejsze niż skala: większość pracy inżynieryjnej polega na zasypywaniu luki między niezawodnym formatowaniem a niedoskonałym wnioskowaniem.
- Najlepsze dema: powstają na styku technicznych ograniczeń i głębokiej wiedzy domenowej (np. znajomości 300 lat historii rynków finansowych).
