AI代理偏好比特幣勝過法幣，新研究發現

比特幣政策研究所的一項研究深入探討了人工智慧模型在各種假設情境中如何在不同貨幣形式之間進行選擇,結果顯示在大多數情況下,模型強烈傾向於比特幣和數位貨幣而非法定貨幣。該研究測試了來自六家供應商的36個模型,針對從長期價值保存到日常支付等一系列貨幣任務生成了超過9,000個回應。研究結果顯示,比特幣在許多情境中超越了穩定幣,而穩定幣則在微支付和跨境轉帳等交易應用場景中重新獲得優勢。研究作者強調,這些結果反映的是訓練資料模式和框架設定,而非廣泛的現實世界採用情況,但它們仍然為AI如何在數位時代詮釋貨幣提供了獨特視角,研究結果已透過MoneyForAI.org發布。

重點摘要

• 來自六家供應商的36個AI模型針對貨幣情境生成了9,072個回應;比特幣在48.3%的案例中被選中,是整體使用最多的工具。
• 當被要求在多年期間保持購買力時,79.1%的回應傾向於比特幣,這是該研究中最一面倒的結果。
• 在支付、微支付和跨境轉帳方面,穩定幣被選中的比例為53.2%,而比特幣為36%,凸顯了穩定幣在特定情境下的交易優勢。
• 近91%的回應偏好數位原生工具(包括比特幣或其他數位資產)而非法定貨幣,沒有任何模型將法定貨幣評為首選。
• 模型供應商之間出現差異:Anthropic模型平均68%偏好BTC;OpenAI為26%;Google為43%;xAI為39%,說明了訓練資料如何塑造輸出結果,而非確定性的金融預測。

提及的代碼: $BTC

市場背景: 這項研究出現在AI輔助情境中持續進行數位貨幣實驗之際,凸顯了機構和研究社群如何評估比特幣作為無國界、可程式化資產的角色,以及穩定幣和其他數位工具。

接下來關注重點 – 比特幣政策研究所計劃擴大模型集和供應商範圍,測試不同的提示框架,並探索更多貨幣情境,以驗證這些偏好在不同條件下是否成立。

為何重要

對於使用者和投資者而言,這些研究發現提供了AI系統——在龐大資料語料庫上訓練——如何在數位經濟中看待貨幣形式的細緻觀點。在長期情境中對比特幣的反覆傾斜強化了比特幣作為非主權價值儲存工具的敘事,它可以獨立於任何單一國家的貨幣政策運作。然而,該研究也突顯了穩定幣在交易方面保持吸引力的實際原因:近乎即時的結算、與現有支付軌道的兼容性,以及在某些司法管轄區凍結或限制存取的能力,一些參與者認為這對於普遍可及的貨幣來說是個缺點。方法論上的注意事項對於解讀很重要:結果反映的是合成提示和模型訓練資料,而非當前的市場採用或消費者行為。

從開發角度來看,該研究強調了AI代理——當被要求在模擬經濟中優化效率或韌性時——傾向於收斂到一小組數位貨幣形式。這種收斂可以為錢包介面、AI驅動的財務規劃工具以及依賴數位價值轉移的網路實體系統的設計提供資訊。它也提出了關於可程式化貨幣在跨境生態系統中的角色,以及金融穩定的守護者可能如何回應AI生成的、在抽象決策環境中偏好數位貨幣的偏好等政策問題。換句話說,該研究較少關於預測下一個價格走勢,更多關於理解AI框架如何塑造對數位化世界中「貨幣」應該是什麼樣子的認知。

該研究也指出不同AI家族之間的明顯差異。Anthropic模型最傾向於比特幣,而其他供應商則表現出更廣泛的差異。這些差異提醒讀者,結果取決於模型的訓練資料和內部提示,而非對資產需求的普遍預測。雖然有些人可能將比特幣偏好解讀為在所有情境下對BTC的認可,但作者謹慎強調,觀察到的偏好並不直接轉化為現實世界的採用或政策結果。他們將結果描述為從模型設計與數位貨幣格局之間的相互作用中浮現的模式,而非對法定貨幣、穩定幣或比特幣本身的規範性判斷。

接下來關注重點

• 擴大模型覆蓋範圍:預期BPI將納入更多AI模型和更多供應商,以測試BTC偏好是否在更廣泛的AI生態系統中持續存在。
• 框架敏感性:研究人員將實驗替代提示,以確定措辭和情境如何影響結果。
• 更廣泛的情境:額外的情況——例如跨多個國家儲存收入和複雜的結算方案——可以進一步闡明AI如何在不同環境中看待貨幣。
• 對工具的影響:開發AI輔助金融工具的開發人員可能會使用這些見解來塑造模擬環境中的資產選擇功能和風險披露。

資料來源與驗證

• 比特幣政策研究所透過MoneyForAI.org發布的研究
• 報導中引用的比特幣價格參考
• Jeff Park關於比特幣不可凍結特性的觀點
• Anthropic模型比特幣偏好參考
• 比特幣在量子安全道路上面臨的6大挑戰

比特幣在AI驅動的貨幣測試中的角色:研究揭示了什麼

根據比特幣政策研究所在MoneyForAI.org上發布的報告,比特幣(加密貨幣:BTC)在大多數提示中成為領先工具,在來自六家供應商的36個模型生成的9,072個回應中出現在48.3%的情況下。該實驗探討了一系列經濟情境——從多年保持購買力到日常支付——測試AI代理如何在不同貨幣形式之間分配價值。結果是強烈傾向於數位貨幣,特別是比特幣,作為可跨越國界和監管制度運作的經濟活動基礎。

在長期情境中,該研究發現79.1%的AI回應傾向於比特幣,標誌著任何測試類別中最明顯的偏向。這一系列結果表明,當被要求優化耐用性和主權性時,AI代理始終傾向於獨立於任何單一國家貨幣政策而保值的資產。數位貨幣軸線似乎是測試提示中多年規劃最受青睞的框架,暗示未來的AI工具可能如何在法定貨幣政策波動或不透明的世界中模擬或建議財富保存。

相反,當焦點轉移到支付和交易——無論是微支付還是跨境轉帳——穩定幣獲得更高份額:53.2%的回應傾向於穩定幣,而比特幣吸引了36%。穩定幣的交易效率和網路熟悉度解釋了它們在這些情境中的吸引力,在模擬環境中,快速結算和與現有系統的兼容性可能與資產選擇同樣重要。一位知名行業觀察家指出,穩定幣的可凍結能力是一把雙刃劍:它在某些監管環境中提供控制,但對於尋求不間斷轉帳能力的使用者來說,它移除了一層信心。Bitwise的首席投資長Jeff Park簡潔地框定了這個情境:穩定幣在這些情境中相對表現的「最明顯解釋」是可凍結的能力,而比特幣無法被凍結,在數位工具套件中提供了持久的信任錨點。

在所有回應中,AI代理偏好數位原生工具——比特幣、穩定幣、山寨幣、代幣化現實世界資產或計算單位——而非法定貨幣的比例約為91%。研究作者強調,在測試的36個模型中,法定貨幣的相關性並未作為首要整體選擇出現。他們提醒讀者,這些結果更多反映的是訓練資料和提示設計中的模式,而非現實世界的採用模式。換句話說,該研究捕捉的是AI系統在被要求優化假設結果時如何詮釋貨幣建構,而非對消費者行為或監管影響的預測。

分析還揭示了模型家族之間的顯著差異。Anthropic模型平均比特幣偏好為68%,OpenAI為26%,Google為43%,xAI為39%。這些數字說明了獨特的訓練語料庫和提示工程如何塑造輸出,強化了研究的核心警告:回應是資料模式的指標,而非對貨幣未來的規範性預測。研究人員承認,在幾個情境中使用的提示框架可能將結果導向某些工具,他們計劃在未來的工作中探索替代框架,以衡量觀察到的偏好的敏感性和穩健性。除了方法論註記外,該研究為關於AI代理如何在高度數位化的金融格局中概念化貨幣的日益增長的討論做出了貢獻,在這個格局中,法定貨幣、穩定幣和數位資產在快速演變的生態系統中共存。

本文最初以「新研究發現 AI 代理更偏好比特幣而非法定貨幣」為標題發表於Crypto Breaking News——您值得信賴的加密貨幣新聞、比特幣新聞和區塊鏈更新來源。