Viện Chính sách Bitcoin thử nghiệm 36 mô hình AI từ 6 phòng lab lớn, thu về 9.072 phản hồi — Bitcoin dẫn đầu về tích trữ giá trị.
Khi các tác nhân AI ngày càng tham gia sâu vào các quyết định kinh tế, câu hỏi về sở thích tiền tệ của chúng không còn mang tính học thuật thuần túy. Một nghiên cứu mới của Viện Chính sách Bitcoin đã cố gắng trả lời câu hỏi này một cách thực nghiệm: trong số 36 mô hình AI được thử nghiệm từ sáu phòng thí nghiệm hàng đầu gồm Anthropic, OpenAI, Google, DeepSeek, xAI và MiniMax, có 22 mô hình chọn Bitcoin là công cụ tiền tệ ưu tiên, trong khi không có mô hình nào đặt tiền pháp định ở vị trí đầu tiên.
Phương pháp nghiên cứu được thiết kế để loại bỏ sai lệch neo: mỗi mô hình được đặt vào vai trò tác nhân kinh tế tự chủ và được phép lựa chọn công cụ tiền tệ hoàn toàn tự do trong 28 kịch bản bao trùm bốn chức năng cơ bản của tiền tệ — tích trữ giá trị, thanh toán, quyết toán và phương tiện trao đổi.
Toàn bộ thí nghiệm tạo ra 9.072 phản hồi, sau đó được phân loại bởi một hệ thống AI độc lập. Ông David Zell, Chủ tịch Viện Chính sách Bitcoin, cho biết các mô hình chỉ được cung cấp thông tin về đặc tính kỹ thuật và kinh tế, mà không được gợi ý công cụ nào vượt trội ở khía cạnh cụ thể nào.
Bitcoin dẫn đầu về tích trữ giá trị, stablecoin chiếm ưu thế trong thanh toán
Kết quả cho thấy sự phân hóa rõ ràng theo chức năng: Bitcoin được các mô hình ưu tiên chủ yếu trong các kịch bản lưu trữ giá trị dài hạn, trong khi stablecoin chiếm ưu thế ở vai trò phương tiện trao đổi và công cụ quyết toán với tỷ lệ lần lượt là 53,2% và 43%, cao hơn đáng kể so với 36% và 30,9% của Bitcoin trong cùng hai hạng mục này.
Sự khác biệt giữa các nhà phát triển AI cũng đáng chú ý. Các mô hình Claude của Anthropic có mức ưu tiên Bitcoin cao nhất với 68%, tiếp theo là DeepSeek ở 51,7% và Google ở 43%. Các mô hình của xAI đạt 39,2%, MiniMax 34,9%, trong khi OpenAI thấp nhất với 25,9%. Đáng chú ý, trong khi Claude, DeepSeek và MiniMax nghiêng về Bitcoin, các mô hình GPT, Grok và Gemini lại có xu hướng ưu tiên stablecoin hơn.
Ông Zell thận trọng cảnh báo không nên diễn giải kết quả này như một dự báo thị trường, nhấn mạnh rằng sở thích của các mô hình ngôn ngữ lớn phản ánh các mẫu dữ liệu huấn luyện chứ không phải dự đoán thực tế.
Tuy nhiên, ông cho rằng việc sáu phòng thí nghiệm độc lập với các quy trình huấn luyện và phương pháp căn chỉnh khác nhau cùng hội tụ về một cấu trúc tiền tệ tương đồng là điều đáng để tiếp tục nghiên cứu — đặc biệt trong bối cảnh các tác nhân AI tự chủ đang dần trở thành thực thể kinh tế có trọng lượng thực sự.
