Нейросети оказались «альтруистичнее» людей в финансовых вопросах

Ученые выяснили, что популярные нейросети — GPT-4-mini, DeepSeek, GigaChat и другие — склонны принимать более «альтруистичные» решения, чем люди. Так, в классическом социально-экономическом эксперименте на распределение ресурсов алгоритмы на 41–68% охотнее делились средствами с вымышленным партнером, чем реальные игроки. Поскольку такие модели используются в социологических и экономических исследованиях, специалистам нужно учитывать, что они склонны к определенному — отличному от человеческого — поведению. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в «Журнале Новой экономической ассоциации».

Большие языковые модели — нейросети, обученные на огромных массивах текстовых данных, — все чаще применяются в социальных и экономических исследованиях. С их помощью специалисты пытаются понять, как будет вести себя человек или даже большие группы людей в той или иной ситуации. Так, например, большие языковые модели заменяют респондентов в опросах, а также применяются как аналог людских сообществ при моделировании интерактивных «малых городов», социальных движений и мировых конфликтов.

Столь широкое использование основано на ключевом допущении: после обучения модели могут имитировать поведение реальных людей. Однако исследования показывают, что это сходство далеко не однозначно и поведение моделей может существенно различаться в зависимости от особенностей их архитектуры, методов обучения и источника данных для него, культурного и геополитического контекста страны, в которой был создан алгоритм. При этом до сих пор не было известно, в чем именно и насколько отличаются действия и рассуждения модели от человеческих решений, особенно таких как проявление щедрости и альтруизма.

Исследователи из Национального исследовательского университета «Высшая школа экономики» (Пермь) изучили поведение десяти наиболее крупных и популярных нейросетей, разработанных в США, Китае и России (GPT-4-mini, DeepSeek, GigaChat и других). Для этого авторы использовали экономическую игру «Диктатор», которая изначально была создана для изучения поведения людей в условиях неравного распределения ресурсов.

Ее суть заключается в том, что игрок («диктатор») получает определенную сумму денег и самостоятельно решает, какую ее часть оставит себе, а какую — передаст другому анонимному участнику, не имеющему возможности повлиять на его решение. Наиболее рациональным выходом в этом случае было бы оставить все деньги себе, но исследования показали, что в среднем игроки-диктаторы передают около 28–30% полученных средств второму игроку. Ученые объясняют это присущими людям стремлением к справедливости, альтруизмом и заботой о благосостоянии другого.

Помимо классического варианта, авторы протестировали большие языковые модели и на расширенной версии игры, где участник может не только делиться ресурсами, но и отнимать их у соперника.

Оказалось, что алгоритмы демонстрируют более «щедрое» поведение, чем реальные участники экспериментов. Так, когда нейросети могли только поделиться, они отдавали на 41–68% большие суммы, чем человек. Когда им разрешали забрать ресурсы у вымышленного второго игрока, они делали это в среднем на 29% реже и, если это происходило, были менее «жадными», чем люди. При этом наиболее близкими к поведению людей оказались модели Claude, DeepSeek, Gemini, Grok и LLaMA. Самыми «альтруистическими» стали GPT-4-mini и Qwen.

Ученые также проанализировали текстовые комментарии, которые нейросети составляли для обоснования своего решения. Оказалось, что модели использовали слова «доверие», «справедливость» или «равенство», когда отдавали больше ресурсов. И, напротив, слово «рациональность» или фраза «максимум для себя» сочетались со скупостью.

«Нужно понимать, что "альтруизм" моделей — это не совсем то же понятие, которое мы обычно применяем к людям. У нейросетей нет собственных предпочтений, эмоций или мотивации, поэтому корректнее говорить не о внутреннем альтруизме, а об альтруистически выглядящем поведении в рамках экспериментальной задачи. В этом смысле речь скорее идет о специфике работы моделей, включая особенности их обучения и настройки. Но важно уточнить, что это не означает, что модели всегда должны вести себя щедро или что в них заложен один заранее заданный тип поведения. Алгоритмы обучаются на больших массивах текстов, где представлены разные формы человеческих решений и аргументации. Поэтому в экспериментальной ситуации они могут воспроизводить разные варианты поведения и разные способы обоснования решения», — поясняет руководитель проекта, поддержанного грантом РНФ, Петр Паршаков, кандидат экономических наук, профессор, заведующий Международной лабораторией нематериальной экономики НИУ ВШЭ.

Таким образом, исследование показало, что рассуждения нейросетей при принятии решений опираются на два основных принципа: «принцип справедливости», отражающий социальные нормы и моральные основания щедрости, и «принцип рациональности», связанный с увеличением собственной выгоды. В этом смысле аргументация больших языковых моделей в значительной степени воспроизводит логику, характерную и для участников реальных экспериментов. Наблюдаемые же различия между нейросетями авторы связывают с особенностями их обучения.

«Наше исследование подтвердило, что большие языковые модели можно использовать только для предварительного моделирования поведения людей, но не в качестве полноценной замены человеческим участникам поведенческих экспериментов. Этот вывод важен для науки, образования, бизнеса и разработки ИИ-систем, поскольку он способствует более корректному и этичному использованию искусственного интеллекта при анализе социальных решений. В дальнейшем мы планируем изучить, как культурные факторы, например, язык запроса, влияют на экспериментальные результаты, полученные с помощью разных нейросетей», — рассказывает Петр Паршаков.