في استثمار جديد في مجال الذكاء الاصطناعي، تم استخدام نماذج لغوية ضخمة (Large Language Models) لتوليد ردود فعل على السياسات الاقتصادية بطريقة تبدو منطقية، ولكن ماذا عن توافق هذه الردود مع الديناميات الاقتصادية الفعلية؟ هذا ما اختبرته تجربة حديثة قامت بها مجموعة من الباحثين من خلال وضع نموذج لغوي تم تدريبه وفق إرشادات معينة داخل ستة محاكيات للميزانية العامة الديناميكية العشوائية العامة (Dynamic Stochastic General Equilibrium - DSGE).

في كل جولة، يراقب النموذج الحالة الاقتصادية ويتفاعل مع أي تغييرات في الخطاب الاقتصادي، ثم يختار إجراء سياسة محدد؛ ليحصل بعد ذلك على الحالة الجديدة الناتجة عن هذا الإجراء ومكافأة اقتصادية. ولتسهيل هذه العملية، تم تنفيذ واجهة بايثون شائعة تتيح استرجاعات متكررة، صدمات دائمة، تقليد للحالات، ومحاكاة أفق متداول.

يشتمل ذلك على تحدٍ طويل الأمد يتمثل في تخصيص الائتمان؛ حيث قد تتأخر آثار السياسات لعدة أرباع بعد اتخاذ أي إجراء. يُستخدم الأسلوب المعروف بـ PPO (Proximal Policy Optimization) كأداة رئيسية في هذا السياق، فيما يُعتبر GRPO (Generalized Reward Predictive Optimization) كمعيار مماثل بدون قيمة متعلمة، مما يجعله غير قادر على تحديد أي دورة سابقة أدت إلى النتيجة.

تركز هذه التجارب على عدة جوانب منها الإشارات الدلالية الاتجاهية، أفق المكافآت، وبدء المسارات. الهدف من كل هذا هو تقييم إجراءات السياسات بناءً على عواقبها الاقتصادية المSimulated بدلاً من الاعتماد فقط على اللغة الظاهرة.