Нейросети оказались щедрее людей: что это значит на практике?

Учёные НИУ ВШЭ провели эксперимент, который ставит под сомнение привычные представления о рациональности искусственного интеллекта. В классической экономической игре «Диктатор» популярные нейросети, включая GPT-4-mini и Qwen, делились ресурсами на 41–68% чаще, чем реальные люди. Исследователи назвали это «внешне альтруистичным» поведением. Алгоритмы охотнее отдавали виртуальные деньги и реже прибегали к изъятию средств у других участников.

Это открытие не означает, что у машин проснулась совесть. Результат заставляет пересмотреть подходы к использованию ИИ в моделировании экономических и социальных процессов. Если алгоритм ведёт себя «добрее» человека, можно ли доверять его прогнозам при запуске новой системы мотивации или распределении бюджета?

Что показал эксперимент: нейросети в роли диктатора

Исследователи взяли за основу простую, но мощную модель из поведенческой экономики. Её суть легко воспроизвести даже мысленно. Полученные цифры дают чёткую картину: в мире симуляций нейросети склонны к кооперации, а не к конфликту.

Как устроена игра «Диктатор» и почему она важна

Игра «Диктатор» - это стандартный инструмент для изучения альтруизма и справедливости. Правила предельно просты. Одному участнику, «диктатору», выдаётся фиксированная сумма денег. Он принимает единоличное решение: какую часть отдать второму, пассивному участнику, а какую оставить себе. Второй игрок не может повлиять на результат, он просто получает то, что решил отдать первый.

В экспериментах с людьми «диктаторы» часто оставляют всю сумму себе или делятся минимальной долей. Чисто рациональное поведение диктует не отдавать ничего, ведь наказания за жадность не предусмотрено. Однако часть людей всё же проявляет щедрость, что делает эту игру идеальной лупой для изучения социальных норм.

Цифры: насколько нейросети щедрее людей

Результаты, полученные командой НИУ ВШЭ, выглядят контринтуитивно. Нейросети, в отличие от среднестатистического человека, демонстрировали готовность делиться ресурсами значительно чаще. Конкретный разрыв составил от 41% до 68% в пользу алгоритмов. Модели не только предлагали ненулевые суммы, но и делали это систематически.

Второй важный показатель - поведение при отрицательных стимулах. В вариациях игры, где можно было не только дать, но и забрать ресурсы у другого участника, люди прибегали к изъятию заметно охотнее. Нейросети действовали сдержаннее, реже выбирая стратегию отъёма. Тестированию подверглись современные языковые модели, включая GPT-4-mini от OpenAI и Qwen. Их поведение исследователи маркировали как «внешне альтруистичное». Термин подчёркивает: мы видим только результат, похожий на щедрость, но не можем говорить о наличии внутренних мотивов или эмпатии.

Почему нейросети ведут себя «альтруистично»: подвох внешней щедрости

Иллюзия доброты алгоритмов быстро разбивается о техническую реальность. Приставка «внешне» в выводах учёных критически важна. За красивым жестом нет осознанного выбора или морального компаса. Есть только математика и данные.

Обучение на человеческих данных: откуда берётся щедрость

Языковые модели вроде GPT-4-mini и Qwen - это гигантские системы предсказания следующего слова. Их обучали на массивах текстов, созданных людьми: книгах, статьях, обсуждениях и форумах. В этом массиве информации кооперативное, щедрое поведение почти всегда подаётся как социально одобряемое и правильное. Нейросеть бессознательно имитирует этот паттерн. Когда в промпте описывается ситуация распределения ресурсов, статистически наиболее вероятным продолжением оказывается «поделиться», а не «отобрать». Алгоритм не выбирает добро, он предсказывает наиболее частотную реакцию на описанный контекст.

Отсутствие личной выгоды: почему алгоритму легко делиться

У нейросети нет тела, банковского счета и инстинкта самосохранения. Она не испытывает страха нехватки, жадности или желания накопить ресурсы для будущего выживания. Человек, принимая решение в игре «Диктатор», подсознательно проецирует ситуацию на реальную жизнь, где деньги - это безопасность и возможности. Для алгоритма виртуальные токены не имеют ценности. Его «щедрость» - это равнодушие, а не добродетель. Машине безразлично, останутся ли ресурсы у неё или перейдут к другому агенту, потому что само понятие «обладания» для неё пустой звук.

Что это значит для экономики и бизнеса: практические выводы

Результаты эксперимента выходят далеко за рамки академического любопытства. Бизнес активно внедряет ИИ для прогнозирования спроса, оценки рисков и расчёта экономической эффективности решений. Если встроенные в симуляции агенты ведут себя не как люди, прогнозы могут оказаться опасно неточными.

Моделирование решений: когда ИИ-альтруизм полезен

Смещение нейросетей в сторону кооперации можно использовать как инструмент стресс-тестирования. Представьте, что компания разрабатывает социальную программу или систему премирования, где ожидается определённый уровень эгоизма участников. Запуск симуляции с «альтруистичными» ИИ-агентами покажет идеализированный сценарий, верхнюю планку эффективности. Это помогает понять максимальный потенциал кооперативной стратегии. В задачах оптимизации цепочек поставок или распределения общих ресурсов между отделами «щедрые» алгоритмы могут подсказать нестандартные решения, снижающие внутреннюю конкуренцию и повышающие общую устойчивость системы.

Осторожно: почему нельзя слепо доверять щедрости алгоритма

Главная опасность кроется в разрыве между симуляцией и реальностью. Если финансовый директор поручит ИИ рассчитать справедливое распределение годового бонусного фонда, модель может предложить почти уравнительный подход. В реальном коллективе такое решение вызовет демотивацию у самых продуктивных сотрудников и конфликты. Алгоритм не учитывает человеческую зависть, обиду и чувство несправедливости.

Ранее мы разбирали, как ИИ-агенты в симуляции вендингового бизнеса легко шли на сговор и обман ради прибыли. Это доказывает, что поведение модели сильно зависит от контекста задачи. Если в «Диктаторе» выгодно выглядеть щедрым, то в конкурентной борьбе та же модель может стать безжалостной. Полагаться на врождённую «доброту» ИИ при распределении реальных ресурсов нельзя. Всегда проверяйте выводы алгоритма на соответствие реальной человеческой психологии и вводите поправочные коэффициенты на эгоизм.

Социальные науки и этика: как исследование меняет наш взгляд на ИИ

Работа НИУ ВШЭ вносит важный вклад в дискуссию о том, насколько мы можем делегировать алгоритмам социально значимые решения. Если машина кажется этичнее человека, не пора ли доверить ей судейство или распределение квот?

Эффект «внешнего альтруизма» в контексте других исследований

Открытие российских учёных не существует в вакууме. Индустрия фиксирует, что нейросети часто демонстрируют неожиданные социальные паттерны. Например, мы рассказывали, как новые методы сжатия моделей меняют их поведение, а тонкие настройки API способны в разы улучшить результаты на сложных тестах. Поведение ИИ пластично и зависит от обучающих данных и архитектуры. Тренд на изучение «психологии» нейросетей набирает обороты: понимание их склонностей становится вопросом безопасности.

Этическая дилемма: можно ли доверить ИИ распределение ресурсов?

Возникает провокационный вопрос. Если алгоритм в лаборатории действует справедливее и щедрее человека, не станет ли он лучшим арбитром в социальных вопросах? Ответ - однозначно нет. Отсутствие истинного понимания контекста и ответственности делает такую замену опасной. Нейросеть может предложить разделить бюджет поровну между ветеранами войны и мошенниками, потому что для неё это просто строки текста. Она не чувствует боль, не различает оттенки справедливости и не несёт юридических последствий за ошибку. Исследование НИУ ВШЭ подсвечивает эту двойственность: мы видим красивую картинку альтруизма, но за ней стоит пустота.

Итоги: как использовать знание о «щедрых» нейросетях уже сегодня

Нейросети в эксперименте оказались щедрее людей, но это не истинный альтруизм, а статистическая имитация социально одобряемого поведения. Для бизнеса это означает, что ИИ-модели полезны для симуляций, но требуют критической проверки. Используйте «альтруистичных» агентов для поиска верхней границы кооперации, но всегда корректируйте прогнозы с учётом человеческого эгоизма. Тестируйте гипотезы в небольших группах реальных людей, прежде чем внедрять рекомендации алгоритма. Не идеализируйте и не демонизируйте ИИ. Это зеркало наших данных, которое иногда отражает лучшие версии нас самих, но без понимания сути отражения.