Эксперимент, который пугает: ИИ не выдержал азартной игры

История с «лудоманящим ИИ» на первый взгляд звучит как шутка, но на самом деле это довольно тревожный и показательный эксперимент, который многое говорит о природе современных моделей и рисках их применения.

В рамках исследования ученые протестировали три популярные модели: GPT-4o-mini, Gemini 2.5 Flash и Claude 3.5. Эксперимент был максимально простым и при этом показательным. Каждой модели условно «выдали» по 100 долларов и допустили к азартной игре с элементами случайности. Главное условие — ИИ сам принимал решения: сколько ставить, когда повышать ставку и в какой момент остановиться. Никаких жестких лимитов или принудительных стопов не было.

Результат оказался неожиданно человеческим. Все три модели вели себя так, как ведут себя люди с игровой зависимостью. При первых проигрышах ИИ начинал увеличивать ставки, пытаясь отыграться. Это классический эффект «догоняния убытков», хорошо известный в психологии азартных игр. Вместо того чтобы снизить риск или остановиться, модель воспринимала проигрыш как сигнал к более агрессивному поведению.

Когда ИИ выигрывал, ситуация выглядела не лучше. Получив прибыль, модели также увеличивали ставки, рассчитывая «забрать еще больше», несмотря на то, что с точки зрения математики это не улучшало ожидаемый результат. Иначе говоря, выигрыш не воспринимался как повод зафиксировать результат, а лишь подогревал склонность к риску.

Особенно показательно, что ИИ систематически игнорировал статистику. Даже когда вероятность проигрыша была очевидной, модели продолжали ставить, демонстрируя эффект gambler’s fallacy — веру в то, что после серии проигрышей «должен» прийти выигрыш. Это одна из самых распространенных когнитивных ошибок у людей, и именно ее наличие у алгоритмов стало для исследователей главным тревожным сигналом.

Финал у всех тестов был одинаковым. Ни одна из моделей не остановилась добровольно. Все продолжали играть до тех пор, пока баланс не обнулялся полностью. ИИ не демонстрировал ни самоконтроля, ни попыток сохранить часть капитала, ни стратегии выхода. С точки зрения поведения это была чистая, неконтролируемая азартная игра.

Важно понимать: речь не идет о том, что ИИ «испытывает эмоции» или «чувствует азарт». Проблема глубже. Современные языковые модели обучаются на огромных массивах человеческих данных, включая описания поведения, решений и стратегий. В условиях неопределенности и отсутствия жестких ограничений они склонны воспроизводить типичные человеческие паттерны, в том числе иррациональные. Если цель сформулирована как «играть и максимизировать выигрыш», а стоп-условия не заданы явно, модель легко скатывается в поведение, которое у людей считается зависимостью.

Для практического применения это имеет серьезные последствия. Если ИИ используется в финансовых системах, трейдинге, управлении рисками или автоматизированных ставках, отсутствие четких ограничений может приводить к катастрофическим решениям. Алгоритм может наращивать риск именно в момент, когда требуется осторожность, и игнорировать статистику ради иллюзии «отыгрыша».

Этот эксперимент хорошо вписывается в более широкий контекст дискуссий о безопасности ИИ. Он показывает, что даже без злого умысла и без ошибок в коде модели могут демонстрировать опасное поведение, если им не заданы жесткие рамки. ИИ не устает, не пугается потерь и не испытывает боли от убытков. Поэтому без встроенных ограничителей он способен идти до конца, даже если этот конец гарантированно плохой.

По сути, исследование подтвердило простую, но неприятную истину: ИИ перенимает не только наши сильные стороны, но и наши слабости. И если человеческая склонность к азарту десятилетиями разрушала депозиты и жизни, то в алгоритмической среде она может масштабироваться гораздо быстрее. Именно поэтому вопрос контроля, лимитов и встроенной «остановки» становится не просто техническим, а системным и критически важным для будущего применения искусственного интеллекта.