آیا قیمت‌گذاری Polymarket دقیق است؟ من یک بحران را با ۲۰۰ عامل شبیه‌سازی کردم تا بفهمم

عنوان اصلی: چگونه ۲۰۰ عامل هوش مصنوعی را در بحران هرمز با Mirofish اجرا کردم و آن را با Polymarket مقایسه کردم
نویسنده اصلی: میمون هوشمند
ترجمه: پگی، BlockBeats

یادداشت سردبیر: زمانی که هوش مصنوعی شروع به شبیه‌سازی یک میدان نظر عمومی می‌کند، پیش‌بینی خود رویداد به آرامی در حال تغییر است.

این مقاله یک آزمایش در مورد وضعیت اطراف تنگه هرمز را مستند می‌کند: نویسنده از MiroFish برای ساخت یک سیستم شبیه‌سازی متشکل از ۲۰۰ عامل استفاده کرد که به دولت‌ها، رسانه‌ها، شرکت‌های انرژی، بازرگانان و مردم عادی اجازه می‌دهد تا در یک شبکه اجتماعی شبیه‌سازی شده با هم زندگی کنند و از طریق تعامل مداوم، بحث و انتشار اطلاعات، قضاوت‌هایی را شکل دهند و نتایج این گروه را با قیمت‌گذاری بازار Polymarket مقایسه کنند.

نتایج یکسان نبودند. بحث گروهی به طور کلی خوش‌بینانه‌تر بود، در حالی که بازار به طور قابل توجهی بدبین‌تر بود؛ در آزادی بیان، چند بدبین نزدیک‌تر به قیمت‌گذاری واقعی بودند؛ و زمانی که در یک سناریوی مصاحبه قرار می‌گرفتند، تقریباً همه عوامل به یک بیان معتدل و همکاری نزدیک می‌شدند.

این نوع تقسیم برای ما ناآشنا نیست. در دنیای واقعی، بیانیه‌های عمومی معمولاً تمایل به پایدار و خوش‌بینانه دارند، در حالی که ارزیابی واقعی ریسک در اعمال و بیان‌های غیررسمی پنهان است. به عبارت دیگر، آنچه مردم می‌گویند، آنچه فکر می‌کنند و چگونه پول می‌گذارند، معمولاً سه سیستم مختلف هستند.

در چنین ساختاری، ارزشمندترین سیگنال معمولاً از اجماع نمی‌آید، بلکه از آن صداهایی که در میان سر و صدا غیرمتعارف به نظر می‌رسند، می‌آید.

متن اصلی به شرح زیر است:

من از MiroFish برای شبیه‌سازی وضعیت در تنگه هرمز برای چند هفته آینده استفاده کردم. این ابزار در برخورد با چنین مسائلی عالی است زیرا می‌تواند تحلیل سناریوهای بسیار پیچیده‌ای را انجام دهد: معرفی چندین شرکت‌کننده، نقش‌های مختلف با انگیزه‌های خود در یک سیستم واحد و اجازه دادن به این عوامل برای بازی مداوم، بحث و به تدریج شکل‌گیری نتیجه‌ای شبیه به اجماع.

در اینجا مراحل خاصی که برای اجرای این شبیه‌سازی انجام دادم و نتایجی که در نهایت به دست آوردم، آورده شده است. هر کسی می‌تواند آن را بازتولید کند؛ کلید فقط دانستن مراحل لازم است.

اول، میرو فیش یک پروژه متن باز از یک تیم تحقیقاتی چینی است. پس از اینکه یک دسته از اسناد را به آن وارد کردید، ابتدا یک گراف دانش ایجاد می‌کند، سپس شخصیت‌های مختلفی از عوامل را بر اساس این گراف تولید می‌کند و سپس این عوامل را در یک محیط شبیه‌سازی شده توییتر قرار می‌دهد. در این محیط، آنها پست می‌گذارند، بازنشر می‌کنند، نظر می‌دهند، لایک می‌کنند و با یکدیگر بحث می‌کنند. پس از پایان شبیه‌سازی، می‌توانید هر عامل را یکی یکی مصاحبه کنید تا مواضع و فرآیندهای استدلال آنها را ببینید.

وقتی که یک سناریوی بحران را به آن می‌دهید، یک بحث حول آن رویداد تولید می‌کند؛ از آن بحث، می‌توانید پیش‌بینی را استخراج کنید.

من آن را به یک سوال بازار در حال حاضر در پلی مارکت نشانه‌گذاری کردم: آیا تا پایان آوریل 2026، حمل و نقل دریایی در تنگه هرمز به حالت عادی بازخواهد گشت؟

بنابراین، من تمام این اطلاعات را به میرو فیش دادم و 200 نقش عامل تولید کردم—شامل دولت، رسانه، نظامی، شرکت‌های انرژی، بازرگانان و شهروندان عادی—و آنها را برای 7 روز شبیه‌سازی شده به بحث واداشتم. در نهایت، من خروجی آنها را با قیمت‌گذاری بازار مقایسه کردم.

تنظیم کلی به صورت زیر بود:

· مدل: GPT-4o mini، تعادل بهینه هزینه و کارایی در یک سناریوی 200 عاملی

· سیستم حافظه: Zep Cloud، برای ذخیره‌سازی حافظه‌های عامل و گراف‌های دانش استفاده می‌شود

· موتور شبیه‌سازی: OASIS (یک محیط کلون توییتر که توسط Camel-AI ارائه شده است)

· سخت‌افزار: مک مینی M4 پرو، ۲۴ گیگابایت رم

· زمان اجرا: تقریباً ۴۹ دقیقه برای تکمیل ۱۰۰ دور شبیه‌سازی

· هزینه: تماس‌های API حدود ۳ تا ۵ دلار

· ماده اولیه: یک خلاصه ۵۸۰۰ کاراکتری که از ویکی‌پدیا، CNBC، الجزیره، فوربز، رویترز به دست آمده است، شامل یک جدول زمانی نظامی، وضعیت محاصره، قیمت‌های نفت، خسارات اقتصادی، تلاش‌های دیپلماتیک و عوامل مربوط به سرمایه‌گذاری ۳.۲ تریلیون دلاری شورای همکاری خلیج فارس. به عبارت دیگر، تمام اطلاعات اصلی مورد نیاز برای قضاوت‌های عوامل شامل شده است.

چگونه این روند را تکرار کنیم (راهنمای گام به گام)

اگر می‌خواهید این فرآیند را خودتان اجرا کنید، در اینجا مراحل کامل را که من انجام دادم آورده‌ام. کل فرآیند حدود ۲ ساعت طول می‌کشد تا راه‌اندازی شود، با هزینه‌های API حدود ۳ تا ۵ دلار؛ افزایش تعداد دورها یا عوامل هزینه را بیشتر افزایش خواهد داد.

چه چیزی نیاز خواهید داشت

· پایتون ۳.۱۲ (از ۳.۱۴ استفاده نکنید، زیرا tiktoken در این نسخه خطا می‌دهد)

· Node.js ۲۲ و بالاتر

· یک کلید API OpenAI (GPT-4o Mini به اندازه کافی ارزان و مناسب برای این سناریو است)

· یک حساب کاربری Zep Cloud (نسخه رایگان برای شبیه‌سازی‌های کوچک کافی است)

· یک دستگاه با حافظه مناسب. من از یک مک مینی M1 پرو با ۲۴ گیگابایت حافظه استفاده می‌کنم، اما ۱۶ گیگابایت نیز باید کافی باشد

مرحله ۱: نصب MiroFish

سپس فایل .env خود را پیکربندی کنید

OPENAI_API_KEY=sk-your-key

OPENAI_BASE_URL=link

OPENAI_MODEL=gpt-4o-mini

ZEP_API_KEY=your-zep-key

مرحله ۲: یک پروژه ایجاد کنید و سند اولیه خود را بارگذاری کنید

سند اولیه مهم‌ترین بخش کل فرآیند است زیرا تعیین می‌کند که عامل چه اطلاعاتی درباره وضعیت کنونی دارد. من خلاصه‌ای از حدود ۵۸۰۰ کاراکتر تهیه کردم که شامل یک جدول زمانی نظامی، وضعیت محاصره، قیمت‌های نفت، خسارات اقتصادی، تلاش‌های دیپلماتیک و جنبه سرمایه‌گذاری شورای همکاری خلیج فارس است، با منابعی از ویکی‌پدیا، CNBC، الجزیره، فوربز و رویترز.

مرحله ۳: استخراج انتولوژی

این مرحله به MiroFish می‌گوید که چه نوع موجودیت‌هایی را باید شناسایی کند و چه روابطی ممکن است بین این موجودیت‌ها وجود داشته باشد.

من در نهایت ۱۰ نوع موجودیت تولید کردم: کشور، نظامی، دیپلمات‌ها، موجودیت‌های تجاری، سازمان‌های رسانه‌ای، موجودیت‌های اقتصادی، سازمان‌ها، افراد، زیرساخت، بازارهای پیش‌بینی؛ و ۶ نوع رابطه. اگر نتایج به‌طور خودکار تولید شده به‌طور کامل با سناریوی شما مطابقت نداشته باشد، می‌توانید آن‌ها را به‌صورت دستی نیز تنظیم کنید.

مرحله ۴: نمودار دانش را بسازید

این مرحله شامل استفاده از Zep Cloud است. MiroFish سند اولیه و انتولوژی را به Zep ارسال می‌کند، که مسئول استخراج موجودیت و ساخت نمودار خواهد بود.

این فرآیند تقریباً یک تا دو دقیقه طول خواهد کشید. در پایان، من یک نمودار حاوی ۶۵ گره و ۸۵ لبه به‌دست آوردم که عناصری مانند کشورها، شخصیت‌ها، سازمان‌ها و کالاها را به هم متصل می‌کند.

مرحله پنجم: ایجاد عوامل

MiroFish از گراف دانش برای ایجاد یک شخصیت جامع برای هر موجودیت استفاده خواهد کرد، از جمله نوع شخصیت MBTI، سن، کشور مبدا، سبک پست گذاری، محرک‌های احساسی، موضوعات تابو و حافظه سازمانی.

در ابتدا، من ۴۳ عامل اصلی از گراف دانش ایجاد کردم. سپس، سیستم می‌تواند این نقش‌های اصلی را به تعداد دلخواه شما گسترش دهد. من در نهایت تعداد کل عوامل را به ۲۰۰ تنظیم کردم و نقش‌های غیرنظامی متنوع اضافی مانند معامله‌گران ارز دیجیتال، خلبانان هواپیما، استادان، دانشجویان، فعالان اجتماعی و غیره را شامل شدم.

مرحله ششم: آماده‌سازی محیط شبیه‌سازی

این مرحله پیکربندی کامل شبیه‌سازی را تنظیم خواهد کرد، از جمله برنامه‌های اقدام عوامل، پست‌های اولیه و پارامترهای زمانی. MiroFish به‌طور خودکار مجموعه‌ای از تنظیمات پیش‌فرض معقول را انتخاب خواهد کرد، مانند ساعات اوج فعالیت، زمان‌های غیرفعال و فرکانس‌های پست‌گذاری برای انواع مختلف عوامل.

پیکربندی من در آن زمان این بود: شبیه‌سازی مجموع ۱۶۸ ساعت (۷ روز)، ۱۰۰ دور (هر دور نمایانگر ۱ ساعت)، به‌طور انحصاری با استفاده از سناریوی توییتر، و تنظیم برنامه‌های فعالیت فردی برای عوامل مختلف.

مرحله هفتم: شروع اجرای شبیه‌سازی

سپس، زمان انتظار است. در سمت من، اجرای ۲۰۰ عامل و ۱۰۰ دور شبیه‌سازی با GPT-4o mini تقریباً ۴۹ دقیقه طول کشید. شما می‌توانید پیشرفت را از طریق یک API نظارت کنید یا به‌طور مستقیم لاگ‌ها را مشاهده کنید.

در طول کل فرآیند، عوامل به‌طور خودمختار عمل خواهند کرد: آنها زمان‌بندی را مشاهده کرده و تصمیم می‌گیرند که آیا پست بگذارند، نظرات را بازنشر کنند، به اشتراک بگذارند، لایک کنند یا فقط از فید عبور کنند، همه اینها بدون نیاز به مداخله انسانی.

مرحله هشتم (اختیاری): مصاحبه با عوامل

پس از اتمام شبیه‌سازی، سیستم به حالت فرمان وارد خواهد شد. در این مرحله، می‌توانید مصاحبه‌های فردی با نمایندگان خاص انجام دهید یا همه نمایندگان را به طور همزمان مصاحبه کنید:

تحلیل

میروفیش ابتدا سند اولیه را می‌خواند و به طور خودکار ساختار هستی‌شناسی را تولید می‌کند (شامل ۱۰ نوع موجودیت و ۶ نوع رابطه)؛ سپس یک گراف دانش بر اساس این تعاریف استخراج می‌کند (شامل ۶۵ گره و ۸۵ لبه). بر اساس این بنیاد، برای هر موجودیت یک شخصیت کامل ایجاد می‌کند، شامل نوع شخصیت MBTI، سن، کشور مبدا، سبک ارسال، محرک‌های عاطفی و عناصر حافظه سازمانی.

در نهایت، ۴۳ نماینده اصلی از گراف دانش تولید شد که سپس به مجموع ۲۰۰ نماینده گسترش یافت. این مجموعه‌ای متنوع‌تر از نقش‌های عامه را معرفی کرد تا تنوع و واقع‌گرایی کلی شبیه‌سازی را افزایش دهد.

تقسیم‌بندی خاص به شرح زیر است:

· ۱۴۰ نماینده عامه: معامله‌گران ارز دیجیتال، خلبانان خطوط هوایی، مدیران زنجیره تأمین، دانشجویان، فعالان اجتماعی، استادان و غیره.

· ۱۶ نقش دیپلماتیک/دولتی: وزیر امور خارجه ایران، وزیر امور خارجه عربستان، وزیر امور خارجه عمان، نخست‌وزیر بحرین، وزیر امور خارجه چین، اتحادیه اروپا، سازمان ملل و غیره.

· ۱۵ سازمان رسانه‌ای: رویترز، سی‌ان‌ان، بلومبرگ، الجزیره، بی‌بی‌سی، فاکس، وال استریت ژورنال و غیره.

· ۱۰ نقش مرتبط با انرژی/حمل و نقل: اوپک، پلاتس، قطر انرژی، آرامکو، مرسک و غیره.

· ۷ مؤسسه مالی: پولیمارکت، کالشی، گلدمن ساکس، جی‌پی‌مورگان، سیتادل، آدیا و غیره.

· ۲ شخصیت نظامی/سیاسی: ترامپ، فرمانده سپاه پاسداران

در طول فرآیند شبیه‌سازی ۷ روزه (۱۰۰ دور)، موارد زیر تولید شد:

۱,۸۸۸ پست

۶٬۶۶۱ ردیابی رفتار (ضبط تمام اقدامات)

۱٬۶۱۱ بازنشر نقل قول (نمایندگان که به یکدیگر پاسخ می‌دهند)

۴٬۰۵۱ تازه‌سازی (فقط مشاهده فید)

۳۱۱ بی‌تحرک (انتخاب به مشاهده)

۲۰۸ لایک، ۲۰۷ بازنشر

۷۰ دیدگاه اصلی (مواضع یا قضاوت‌های جدید و مستقل)

به‌طور کلی، این سیستم نه تنها تولید اطلاعات ساده را ارائه می‌دهد بلکه چیزی نزدیک‌تر به شبیه‌سازی رفتار اجتماعی است. بیشتر اوقات، نمایندگان مشاهده می‌شوند که اطلاعات را هضم کرده و تعامل می‌کنند تا اینکه به طور مداوم خروجی تولید کنند. این ساختار بیشتر شبیه توزیع رفتار در یک محیط واقعی نظر عمومی است—محتوای اصلی محدود که با تکرار گسترده، بازی و بازخورد عاطفی پوشش داده شده است.

نمایندگان بیشتر وقت خود را صرف خواندن و نقل قول از دیدگاه‌های دیگران می‌کنند تا اینکه به طور فعال محتوای جدیدی ایجاد کنند.

کل گروه یک تعصب واضح در انتشار عاطفی نشان می‌دهد: دیدگاه‌های خوشبینانه به راحتی تقویت و به اشتراک گذاشته می‌شوند، در حالی که قضاوت‌های بدبینانه، حتی اگر منطقی به واقعیت نزدیک‌تر باشند، تمایل به انتشار کمتر و صدای ضعیف‌تری دارند.

جالب‌تر این است که ۱۹ نماینده به‌طور خودجوش ارزیابی‌های خاصی از احتمال را در حین ارسال خود ارائه دادند، نه به این دلیل که از آنها خواسته شده بود، بلکه به عنوان یک تکامل طبیعی از بحث.

میانگین احتمال گروه خودجوش ۴۷.۹٪ است، در حالی که بازار Polymarket احتمال ۳۱٪ را ارائه می‌دهد که منجر به تفاوت ۱۶.۹ درصدی بین این دو می‌شود.

در طول فرآیند شبیه‌سازی، برخی از نمایندگان حتی موضع خود را در بیش از ۱۰۰ دور تعامل تغییر دادند.

پس از شبیه‌سازی، من از ویژگی مصاحبه MiroFish استفاده کردم تا همان سوال را از ۴۳ نماینده اصلی بپرسم: احتمال، از حالا تا پایان آوریل ۲۰۲۶، برای بازگشت ترافیک دریایی در تنگه هرمز به حالت عادی (۰–۱۰۰٪) چیست؟

نتایج به شرح زیر بود: ۳۱ نفر از ۴۳ نماینده مقادیر خاصی ارائه دادند، در حالی که ۱۲ نفر دیگر انتخاب کردند که پاسخ ندهند. شایان ذکر است که محتاط‌ترین صداها اغلب به خودسانسوری روی می‌آورند تا اینکه پیش‌بینی‌های صریحی ارائه دهند—رفتاری که به‌طور نزدیک به رفتار این نهادها در زندگی واقعی شباهت دارد.

میانگین ارزش برای هر دسته بالای ۶۰٪ است: نظامی ۷۵٪، رسانه ۶۹٪، انرژی ۶۶٪، مالی ۶۵٪، دیپلماسی ۶۱٪. عدد بازار ۳۱.۵٪ است.

نتیجه گروه ارگانیک از تکامل طبیعی در مقابل نتیجه مصاحبه دو تصویر کاملاً متفاوت را ترسیم می‌کند.

این مهم‌ترین یافته است.

نتایج مصاحبه معمولاً خوشبینانه‌تر هستند. زمانی که عوامل آزاد به ارسال می‌پردازند، نظرات خرس‌ها (بدبین‌ها) اغلب بلندتر و خاص‌تر است؛ با این حال، در مصاحبه‌های یک به یک، به دلیل تمایل به همکاری، تقریباً همه قضاوت‌هایی در محدوده ۶۰٪–۷۰٪ ارائه می‌دهند.

نتایج ارگانیک قابل اعتمادتر هستند. یک مشاور مالی در حین یک بحث داغ اعلام کرد که آن‌ها برآورد می‌کنند که این ۶۵٪ است، قضاوتی که در حین تعامل شکل گرفته است؛ در حالی که یک عامل که به سوالات در یک مصاحبه پاسخ می‌دهد، اساساً در حال تطبیق الگو است.

به طرز عجیبی، بدبین‌ها در بیان‌های طبیعی بهترین پیش‌بینی‌کننده‌ها هستند. در میان ۷ عاملی که در شبیه‌سازی احتمال ≤۳۰٪ را ارائه دادند (وزیر امور خارجه ایران، وزیر امور خارجه چین، کالشی، پلاتس، یک استاد اقتصاد، یک دانشجوی ایرانی، یک فعال ضد جنگ)، میانگین ۲۲٪ بود که کمتر از ۱۰ درصد اختلاف با نتیجه پولی‌مارکت است. تخصص + بیان طبیعی = نزدیک‌ترین به بازار.

بیشتر به طور بحرانی، این فقط یک پدیده هوش مصنوعی نیست؛ بازیگران دنیای واقعی به همین شکل رفتار می‌کنند.

زمانی که شما هر رهبر ملی را درباره یک بحران مصاحبه می‌کنید، آن‌ها همیشه درباره تعهد ما به صلح، خوشبینی ما درباره راه‌حل‌ها صحبت خواهند کرد. این یک سناریوی استاندارد است، چیزی که باید برای دوربین گفته شود. اما اگر به آنچه که آن‌ها واقعاً انجام می‌دهند نگاه کنید: استقرارهای نظامی، تحریم‌ها، مسدود کردن دارایی‌ها، واگذاری‌ها—اقدامات آن‌ها اغلب داستان کاملاً متفاوتی را روایت می‌کند.

ولیعهد سعودی به رویترز می‌گوید ما به روش‌های دیپلماتیک اعتقاد داریم، در حالی که صندوق ثروت ملی او به دنبال تخصیص دارایی‌های ۳.۲ تریلیون دلاری در ایالات متحده است. رئیس‌جمهور ایران می‌گوید صلح هدف مشترک ماست، اما سپاه پاسداران انقلاب اسلامی در حال مین‌گذاری در تنگه است. ترامپ می‌گوید خواهیم دید، در حالی که هر پیشنهاد آتش‌بس را رد می‌کند.

این شبیه‌سازی به طور ناخواسته همان شکاف ساختاری را بازتولید کرد: در حالی که ارسال‌کنندگان آزاد به عنوان نمایندگان بحث می‌کنند، پاسخ می‌دهند و اطلاعات را منتشر می‌کنند، گروه کارشناسی به تدریج در محدوده ۲۰٪–۳۰٪ همگرا می‌شود—بدبین‌تر و نزدیک‌تر به واقعیت؛ اما به محض اینکه آن‌ها را به یک اتاق هیئت مدیره می‌آورید و به طور رسمی می‌پرسید پیش‌بینی شما چیست؟، آن‌ها بلافاصله به حالت دیپلماتیک تغییر می‌کنند: ۶۵٪–۷۰٪، به وضوح خوشبینانه‌تر.

پست طبیعی، بیشتر شبیه به رفتار خصوصی و گفتگوهای غیررسمی؛ نتایج مصاحبه، بیشتر شبیه به کنفرانس‌های مطبوعاتی. اگر واقعاً می‌خواهید بدانید کسی چه فکر می‌کند، مستقیماً از او نپرسید—به رفتار او زمانی که هیچ‌کس نمره نمی‌دهد نگاه کنید.

بعدی چیست

این فقط یک آزمایش اولیه بود. هدف ارائه یک پیش‌بینی قطعی نیست، بلکه دیدن این نوع شبیه‌سازی گروهی است که کدام سیگنال‌ها مفید هستند، کجا تحریف وجود دارد و کدام بخش‌ها ارزش بهینه‌سازی دارند.

پاسخ‌ها قبلاً وجود دارند: بحث‌های طبیعی تکامل‌یافته می‌توانند سیگنال‌های مؤثری تولید کنند، مصاحبه‌ها نمی‌توانند؛ بدبین‌ها منبع سیگنال هستند؛ و ترجیح همکاری GPT-4o mini واقعاً یک مسئله است.

آزمایش بعدی چندین ارتقاء خواهد داشت.

اولین آن داده‌های اولیه بزرگتر است. دیگر فقط یک خلاصه 5800 کلمه‌ای نیست، بلکه معرفی بیش از 20 سال زمینه تاریخی: رویدادهای مرتبط در هرمز، تشدید درگیری‌های ایران و ایالات متحده، بحران‌های نفتی گذشته، تغییرات دیپلماتیک GCC و غیره—در واقع آنچه یک تحلیلگر واقعی ژئوپلیتیک قبل از ارزیابی‌ها در ذهن خود دارد.

دومین آن یک مدل قوی‌تر است. GPT-4o mini برای تأیید با هزینه 3 دلار کافی بوده است، اما یک مدل قوی‌تر باید عامل را به تفکر خود نقش نزدیک‌تر کند، به جای اینکه به طور پیش‌فرض به دیدگاه خوشبینانه من از گفتگو در لحظات بحرانی برگردد.

در نهایت، نمایندگی‌های بیشتری. 200 عدد خوب است، اما هنوز جا برای گسترش بیشتر وجود دارد: نقش‌های انسانی منظم متنوع‌تر، صداهای منطقه‌ای بیشتر، موارد حاشیه‌ای بیشتر. هرچه شرکت‌کنندگان بیشتر باشند، ساختار بحث غنی‌تر و سیگنال حاصل ارزشمندتر خواهد بود.

[لینک مقاله اصلی]