В научной среде случилось событие, которое вполне может войти в историю: исследователи из Университета Джорджа Вашингтона создали первую модель заседания Федерального комитета по операциям на открытом рынке (FOMC), в котором роль членов совета исполняют агенты искусственного интеллекта. Проект получил название "FOMC in silico" и уже вызвал широкий интерес у экономистов и специалистов по ИИ.
Авторы — София Казинник и Тара М. Синклер - объединили два подхода. Первый основан на теории игр: агенты следят за макроэкономическими данными, обновляют свои убеждения с помощью байесовского вывода и голосуют за то или иное решение. Второй — это языковая модель, где цифровые участники ведут диалог на естественном языке, обсуждают и спорят, проявляя индивидуальные особенности и институциональные привычки.
"Мы устраняем этот пробел с помощью двухканальной модели, которая объединяет заседание FOMC, управляемое LLM, с моделью голосования на основе теории игр", — пояснили Казинник и Синклер.
Иными словами, исследователи попытались воспроизвести как рациональную логику, так и живое обсуждение, которое обычно происходит в зале заседаний.
Для правдоподобности команда собрала массив данных: биографии членов комитета, их политические взгляды, выступления, экономическую статистику и ситуацию в округах. На основе этой информации были построены профили виртуальных участников. Каждый агент имел свои предпочтения по ставкам, уровень уверенности и текстовое обоснование.
Этот процесс напоминает маркетинговую практику создания "персон" для понимания целевой аудитории. Только здесь задача сложнее — смоделировать экономическую логику и поведение влиятельных политиков.
| Трек | Основа | Особенности |
|---|---|---|
| Теория игр | Байесовский вывод | Рациональный выбор на основе данных |
| Языковая модель | Диалоги LLM | Обсуждения, субъективность, институциональные привычки |
Особый интерес вызвал эксперимент с симуляцией давления на председателя ФРС Джерома Пауэлла. В сценарии, вдохновлённом реальными атаками президента США на главу ФРС, влияние председателя ослабевало, а его предложения сдвигались в сторону "голубиной" политики (то есть более мягкой).
"Сценарий политического давления снижает вес повестки дня председателя, навязывает "голубиные" сдвиги и влияет на карьерные перспективы членов", — пишут авторы.
Таким образом, агенты изменяли свои позиции заранее, ориентируясь на возможную смену руководства.
Чтобы понять разницу, исследователи сравнили результаты модели с настоящими протоколами заседаний FOMC. В реальных документах много канцелярита и длинных предложений. Например, одно из них содержит 31 слово и трудно воспринимается на слух. Языковая модель ИИ легко упростила его, сохранив смысл.
Это показывает, что симуляция способна не только моделировать решения, но и анализировать стили коммуникации.
Собрать массив данных: биографии, выступления, экономические индикаторы.
Построить профили агентов с историей решений.
Разделить модель на рациональный и поведенческий треки.
Запустить симуляцию и сравнить результаты с историческими данными.
Анализировать влияние внешних факторов — политического давления, кризисов, изменений в руководстве.
Ошибка: игнорировать личностные факторы.
Последствие: модель будет сухой и не отражающей реальность.
Альтернатива: использовать языковые модели для имитации дискуссий.
Ошибка: ограничиваться только статистикой.
Последствие: решения выглядят слишком идеализированными.
Альтернатива: вводить параметры "карьерных ожиданий" и институциональных норм.
Ошибка: воспринимать модель как прогноз.
Последствие: риск ошибочной интерпретации.
Альтернатива: рассматривать её как инструмент анализа сценариев.
А что если такие симуляции начнут использовать в корпорациях? Представьте себе заседания совета директоров, где перед голосованием тестируется несколько сценариев поведения. Это может изменить процесс стратегического планирования, но и породить вопросы о зависимости от ИИ.
| Плюсы | Минусы |
|---|---|
| Новая методология анализа | Нет гарантии достоверности решений |
| Учет человеческих факторов | Сложность интерпретации результатов |
| Возможность моделировать давление и кризисы | Риск использования как "прогнозного оракула" |
| Автоматизация анализа протоколов | Высокие требования к данным |
Можно ли доверять симуляции как прогнозу?
Нет, её цель — исследование сценариев, а не предсказание будущего.
Сколько стоит создание такой модели?
Стоимость зависит от объёма данных: от сотен тысяч долларов за базовую версию до миллионов за полноценную симуляцию.
Что лучше: простые экономические модели или гибрид с ИИ?
Гибрид позволяет учитывать больше факторов, включая субъективные.
Миф: ИИ заменит настоящих членов совета.
Правда: модель лишь инструмент анализа.
Миф: достаточно статистики.
Правда: без поведенческого аспекта результаты искажены.
Миф: симуляции бесполезны.
Правда: они помогают исследовать сложные сценарии и давление.
• Проект стал первой в истории попыткой воспроизвести заседание ФРС с помощью агентов ИИ.
• В модель встроены сценарии карьерных мотивов, что раньше не учитывалось.
• Протоколы заседаний ФРС служат "учебным материалом" для поведенческого трека.
1913 — создание Федерального резерва США.
1930-40-е — первые попытки моделирования денежно-кредитной политики через формулы.
2020-е — внедрение ИИ в экономические симуляции, появление "FOMC in silico".
Эксперимент Вашингтонского университета показал: моделирование на базе ИИ способно открыть новые горизонты в изучении экономической политики. Оно не заменяет реальные заседания, но помогает увидеть скрытые факторы, такие как давление или карьерные амбиции. В будущем подобные подходы могут стать стандартом для анализа политических и корпоративных решений.