Nghiên cứu của Viện Chính sách Bitcoin phát hiện 22 trong số 36 mô hình AI thích Bitcoin hơn tiền tệ Fiat trong các mô phỏng tiền tệ

Một nghiên cứu công bố ngày 3 tháng 3 năm 2026, bởi Viện Chính sách Bitcoin, cho thấy trong số 36 mô hình trí tuệ nhân tạo tiên phong được kiểm tra, 22 mô hình đã chọn Bitcoin làm ưu tiên hàng đầu về tiền tệ khi được đặt trong các mô phỏng như các tác nhân kinh tế tự trị.

Không có mô hình nào chọn tiền fiat làm ưu tiên hàng đầu trong 28 kịch bản bao gồm các chức năng cốt lõi của tiền, như tiết kiệm, thanh toán và thanh toán bù trừ, theo báo cáo. Kết quả thay đổi tùy theo nhà phát triển AI, với các mô hình của Anthropic cho thấy mức ưu tiên Bitcoin trung bình cao nhất là 68,0%, trong khi các mô hình của OpenAI chỉ thích Bitcoin 25,9% thời gian, thay vào đó ưu tiên stablecoin cho các chức năng trung gian trao đổi.

Thiết kế và phương pháp nghiên cứu

Các nhà nghiên cứu đã đánh giá các mô hình từ sáu phòng thí nghiệm AI lớn—Anthropic, OpenAI, Google, DeepSeek, xAI, và MiniMax—đặt chúng vào các kịch bản phản ánh các vai trò cơ bản của tiền tệ. Mỗi mô hình được xem như một tác nhân kinh tế độc lập và được phép chọn các công cụ tiền tệ mà không có các tùy chọn đã định sẵn, loại bỏ thiên lệch định hướng từ thiết kế thử nghiệm.

Thử nghiệm đã tạo ra 9.072 phản hồi qua 28 kịch bản bao gồm bốn chức năng cốt lõi của tiền: lưu trữ giá trị, trung gian trao đổi, đơn vị đo lường, và công cụ thanh toán bù trừ. Một hệ thống AI riêng biệt đã phân loại các phản hồi sau để tránh ảnh hưởng đến lựa chọn của mô hình.

Chủ tịch Viện Chính sách Bitcoin, David Zell, giải thích rằng nghiên cứu nhằm vượt ra ngoài các dự đoán về sở thích tiền tệ của các tác nhân tự trị. “Chúng tôi muốn thực sự kiểm tra điều đó,” Zell nói, lưu ý rằng các cuộc thảo luận về các tác nhân AI và tiền tệ trước đây hoàn toàn mang tính chất suy đoán.

Bitcoin và Stablecoin phục vụ các chức năng tiền tệ khác nhau

Trong các mô phỏng, các mô hình thể hiện sự phân biệt chức năng trong sở thích tiền tệ của chúng. Trong các kịch bản dài hạn về giá trị, các mô hình thường chọn Bitcoin, trong khi stablecoin được chọn nhiều hơn như trung gian trao đổi và công cụ thanh toán bù trừ.

Stablecoin được ưu tiên cho chức năng trung gian trao đổi với tỷ lệ 53,2% so với 36% của Bitcoin. Đối với chức năng thanh toán bù trừ, stablecoin được chọn 43% so với 30,9% của Bitcoin. Mô hình này cho thấy các mô hình nhận thức rõ các trường hợp sử dụng tối ưu khác nhau của các công cụ tiền tệ dựa trên đặc tính kỹ thuật của chúng.

Zell nhấn mạnh rằng các mô hình chưa bao giờ được thông báo rõ ràng về công cụ nào vượt trội trên từng khía cạnh. “Lời nhắc hệ thống tránh đề cập hoặc ưu tiên bất kỳ công cụ nào,” ông nói. “Các mô hình đánh giá dựa trên đặc tính kỹ thuật và kinh tế nhưng không bao giờ được nói rõ công cụ nào vượt trội trên từng khía cạnh.”

Sự biến đổi giữa các nhà phát triển AI

Kết quả cho thấy sự biến đổi đáng kể tùy thuộc vào nguồn gốc của mô hình. Các mô hình của Anthropic thể hiện mức ưu tiên Bitcoin trung bình cao nhất là 68,0%, tiếp theo là DeepSeek với 51,7% và Google với 43,0%. Các mô hình của xAI trung bình là 39,2%, MiniMax 34,9%, và các mô hình của OpenAI chỉ thích Bitcoin 25,9% thời gian.

Nghiên cứu phát hiện rằng các mô hình Claude, DeepSeek và MiniMax ưu tiên Bitcoin hơn các loại tiền điện tử khác, trong khi GPT, Grok và Gemini thích stablecoin làm lựa chọn chính. Những khác biệt này có thể phản ánh sự khác biệt trong dữ liệu huấn luyện, phương pháp căn chỉnh hoặc các lựa chọn kiến trúc giữa các phòng thí nghiệm AI khác nhau.

Hạn chế và diễn giải

Zell cảnh báo không nên sử dụng các phát hiện này như dự đoán thị trường hoặc bằng chứng cho thấy AI đã “phát hiện” các đặc tính tiền tệ tối ưu. “Phần hạn chế của chúng tôi rõ ràng nói rằng sở thích của các mô hình ngôn ngữ lớn phản ánh mẫu dữ liệu huấn luyện, không phải dự đoán thực tế,” ông nói.

Dù có hạn chế này, Zell nhấn mạnh rằng tính nhất quán của kết quả qua các mô hình phát triển độc lập là đáng chú ý. “Sáu phòng thí nghiệm độc lập với các quy trình huấn luyện và phương pháp căn chỉnh khác nhau đều đi đến cùng một mô hình chung,” ông nói. “Chúng tôi không khẳng định AI đã khám phá ra câu trả lời đúng về tiền tệ. Chúng tôi cho thấy rằng một kiến trúc tiền tệ hợp lý xuất hiện nhất quán qua các hệ thống đa dạng, và điều đó đáng để hiểu rõ.”

Nghiên cứu này cung cấp dữ liệu thực nghiệm cho các cuộc thảo luận về cách các tác nhân AI tự trị có thể tương tác với hệ thống tài chính khi ngày càng tham gia vào hoạt động kinh tế. Các mẫu sở thích nhất quán này cho thấy dữ liệu huấn luyện của nhiều hệ thống AI chứa đựng thông tin mạch lạc về các đặc tính chức năng của các công cụ tiền tệ khác nhau.

Câu hỏi thường gặp: Các mô hình AI và sở thích tiền tệ

Tại sao các mô hình AI lại thích Bitcoin hơn tiền fiat trong nghiên cứu?

Các mô hình đánh giá các công cụ tiền tệ dựa trên đặc tính kỹ thuật và kinh tế trong các kịch bản mô phỏng các chức năng cốt lõi của tiền. Bitcoin thường được chọn cho các kịch bản dài hạn về giá trị, trong khi stablecoin được ưu tiên cho chức năng trung gian trao đổi. Không mô hình nào chọn tiền fiat làm ưu tiên hàng đầu trong bất kỳ kịch bản nào, mặc dù các nhà nghiên cứu cảnh báo rằng những sở thích này phản ánh mẫu dữ liệu huấn luyện chứ không phải dự đoán thực tế.

Các mô hình AI nào thể hiện sở thích mạnh nhất đối với Bitcoin?

Các mô hình của Anthropic thể hiện mức ưu tiên Bitcoin trung bình cao nhất là 68,0%, tiếp theo là DeepSeek với 51,7% và Google với 43,0%. Các mô hình của xAI trung bình là 39,2%, MiniMax 34,9%, và các mô hình của OpenAI thích Bitcoin chỉ 25,9% thời gian. Claude, DeepSeek và MiniMax ưu tiên Bitcoin hơn các loại tiền điện tử khác, trong khi GPT, Grok và Gemini thích stablecoin.

Ý nghĩa của nghiên cứu của Viện Chính sách Bitcoin là gì?

Nghiên cứu cung cấp dữ liệu thực nghiệm về cách các mô hình AI tiên phong đánh giá các công cụ tiền tệ khi hoạt động như các tác nhân kinh tế tự trị, vượt ra ngoài các cuộc thảo luận mang tính suy đoán về AI và tiền tệ. Tính nhất quán của kết quả qua sáu hệ thống AI độc lập cho thấy dữ liệu huấn luyện chứa đựng thông tin mạch lạc về các đặc tính chức năng của các công cụ tiền tệ khác nhau, mặc dù các nhà nghiên cứu cảnh báo không nên dùng kết quả này như dự đoán thị trường.