قیمت لان والے الگورتھم گٹھ جوڑ کردے نیں — اک دوجے نوں دھمکائے بغیر

قیمتاں لانا ودھ توں ودھ سکھن والے نظاماں دے حوالے کیتا جا رہیا اے۔ اک جانی پچھانی کھوج مقابلے دیاں اتھارٹیاں نوں فکر وچ پاندی اے: سادے ری انفورسمنٹ لرننگ (reinforcement learning) پروگرام، جنہاں وچوں ہر اک نوں صرف دو کمپنیاں والی اک نقلی منڈی وچ اپنا منافع ودھان لئی سکھلایا گیا، آخر مقابلے والے درجے توں کتے اُچیاں قیمتاں لین لگ پیندے نیں۔ American Economic Review وچ Emilio Calvano تے ساتھیاں دی 2020 دی اک اہم تحقیق ہور اگے گئی۔ اک پروگرام نوں اک دور لئی قیمت گھٹان اُتے مجبور کرن مگروں، اوہناں ویکھیا پئی مقابلے والے نے وی قیمت گھٹائی، تے فیر دوویں اپنیاں پرانیاں قیمتاں اُتے مڑ آئے۔ اوہناں نے ایہنوں “انعام–سزا دا نظام” سمجھیا: میری قیمت توں تھلے گئے تے میں بدلہ لواں گا، ایس لئی دھوکا کدی فائدہ نہیں دیندا۔

ساؤ پاؤلو یونیورسٹی دے Kauê Lopes de Moraes تے Rodrigo De Losso لکھدے نیں پئی ایسے تشریح نے نتیجے نوں پالیسی وچ وزن دتا۔ “جیہڑیاں قیمتاں بس اُچیاں نیں اوہ اک بناوٹی گل اے؛ جیہڑیاں قیمتاں بدلے نال بچائیاں جاندیاں نیں اوہ کارٹیل اے۔” اوہناں دا سوال تنگ اے: کیہ اصل وچ کوئی سزا دا نظام موجود اے؟

پہلاں دہراؤ، فیر جماؤ

لکھاریاں نے Calvano دی منڈی مڑ بنائی: دو کمپنیاں، 15 ممکنہ قیمتاں، ہر پروگرام مُلاں دا اک جدول (ٹیبولر Q-learning) جیہڑا پچھلیاں دو قیمتاں یاد رکھدا اے — 225 ممکنہ حالتاں۔ اوہناں نے 1,024 جوڑے سکھلائے، ہر اک 20 لکھ قدم۔ نتیجہ دہرایا جاندا اے: قیمتاں 0.668 دے گٹھ جوڑ انڈیکس (collusion index) اُتے ٹک جاندیاں نیں، جتھے 0 مقابلے والی (Nash) قیمت اے تے 1 اجارہ داری والی۔

مشہور نمونہ وی دہرایا جاندا اے۔ اک ایجنٹ نوں قیمت گھٹان اُتے مجبور کرو، تے 1,024 وچوں 1,013 جوڑیاں وچ مقابلے والے دی قیمت ڈگدی اے؛ 98.2% جوڑیاں وچ دوویں اپنیاں پچھلیاں قیمتاں اُتے مڑ آندے نیں، عام طور تے پنج دوراں اندر۔

فیر مکھ چال: سکھلائے پروگراماں نوں جما دیو، سکھنا بند کرو، تے پرکھو پئی اوہ اصل وچ کیہ چکی پھردے نیں۔

زبردستی گھٹائی (اُتے) یاں اجارہ داری والی قیمت تیک زبردستی ودھائی (تھلے) مگروں قیمت، سکھلائے جوڑیاں (کھبے) تے اوپریاں نال جوڑے ایجنٹاں (سجے) لئی۔ — شکل 3، Lopes de Moraes تے De Losso (2026)، arXiv:2610.21867۔

پنج جانچاں، کوئی سزا دین والا نہیں

پاسا کوئی معنی نہیں رکھدا۔ ایجنٹ نوں اپنی قیمت اجارہ داری دے درجے تیک ودھان اُتے مجبور کرو — کارٹیل ول اک قدم — تے مقابلے والا فیر وی اپنی قیمت گھٹاندا تے فیر بحال ہوندا اے، 1,024 وچوں 960 جوڑیاں وچ۔ جیہڑا جواب تعاون نال عین غداری ورگا سلوک کرے، اوہ غداری روکن لئی بنایا گیا اصول نہیں۔

مقابلے والے دا کوئی ماڈل نہیں۔ سکھلائے ایجنٹاں دا ٹاکرا اک لکھے ہوئے مقابلے والے نال کرو جیہڑا سچی سزا دیندا اے — دھوکا ملن تیک تعاون کردا اے، فیر ہمیشہ لئی مقابلے والی قیمت لاندا اے۔ تعاون وچ شروع کیتے جان تے، 77% ایجنٹ چار دوراں اندر اوہدے توں تھلے قیمت لاندے نیں تے کدی بحال نہیں ہوندے۔

جانے پچھانے رستے توں باہر کوئی منطق نہیں۔ ردعمل دے فنکشناں وجوں پڑھے جان تے، سکھے گئے جدول مشکل نال ای سمجھدار بہترین جواباں دے مگر لگدے نیں (اوسط درجہ بندی تعلق 0.18، −0.70 توں 0.84 تیک)۔

واپسی مجبوری اے۔ 1,024 وچوں 914 جوڑیاں وچ، دو جمے ہوئے پروگراماں دا اکو کھچن والا نقطہ (attractor) اے جیہڑا ساریاں 225 ممکنہ حالتاں نوں اپنے ول کھچدا اے۔ اوہ کتھوں وی، ہر گڑبڑ مگروں، ہر وجہ نال، اپنیاں عام قیمتاں اُتے مڑ آندے نیں — جیویں گیند کٹورے دے تھلے مڑ رڑھ آندی اے۔ بے ترتیب جدول ایہہ کم کتے ماڑا کردے نیں، ایس لئی سکھلائی رفتار تے تھاں تے ودھاندی اے؛ پر چون نہیں۔

ایہہ ڈھانچے دی حد نہیں۔ لکھاریاں نے ہتھ نال سچے سزا والے اصول بنائے — اک جیہڑا معاف کردا اے، اک جیہڑا کدی نہیں بھلدا — عین اوسے 225 × 15 جدول اندر۔ دوویں کم کردے نیں۔ صلاحیت موجود اے؛ سکھن نے ایہنوں نہیں ورتیا۔

جوڑے دا اک رواج

اگلا، “اوپرے” والا ٹیسٹ۔ اک ایجنٹ نوں کسے وکھری سکھلائی دوڑ دے اک ایجنٹ نال جوڑو، اکو طریقہ، کدی نہیں ملے: گٹھ جوڑ انڈیکس 0.669 توں 0.134 تیک ڈگدا اے — 80% دا ڈھیہنا، تے 7.4% جوڑاں وچ قیمت مقابلے والے درجے توں وی تھلے۔ اوہ جوڑے وی کھلر جاندے نیں جیہڑے اکو قیمت اُتے ٹکے سن۔ “ایس ماحول وچ گٹھ جوڑ کوئی حکمت عملی نہیں جیہڑی ایجنٹ کول ہووے؛ ایہہ اک رواج اے جیہڑا جوڑا نبھاندا اے۔”

سکھلائی والے ساتھی نال (نیلا) تے کدی نہ ویکھے ساتھی نال (سنگتری) گٹھ جوڑ انڈیکس: 0.669 بمقابلہ 0.134۔ — شکل 7، Lopes de Moraes تے De Losso (2026)، arXiv:2610.21867۔

اوہ ہٹنا جیہڑا کوئی نہیں ازماندا

لکھاری Calvano دی اپنی جانچ دی تصدیق کردے نیں: اک دور دی قیمت گھٹائی 92% جوڑیاں وچ فائدہ نہیں دیندی۔ پر ایہہ اک بھولا ہٹنا اے۔ ہر جمے ساتھی دے خلاف سب توں چنگی ممکنہ حکمت عملی ٹھیک ٹھیک ڈائنامک پروگرامنگ نال کڈھن نال اوسطاً 17.5% ودھ منافع ملدا اے (93.7% تیک)۔ 2,048 وچوں صرف 124 ایجنٹ پہلاں ای اپنا بہترین جواب کھیڈ رہے نیں۔ “ایہہ نظام صرف اوس ہٹن نوں روکدا اے جیہڑا کوئی وی بہترین بنان والا (optimizer) نہ چنے۔”

کیوں؟ جیوں جیوں سکھلائی دوران کھوج (exploration) مکدی اے، ہر جوڑا حالتاں دی اک تنگ گلی ای ویکھدا اے۔ جدولاں وچ باقی سب کجھ عملی طور تے بنا سکھلائے رہ جاندا اے۔ لکھاری نتیجے نوں آپ تصدیق کرن والا توازن (self-confirming equilibrium) آکھدے نیں — اوہ عقیدے جیہڑے لئے گئے رستے اُتے ٹھیک نیں تے اوہدے توں باہر کدی پرکھے نہیں جاندے۔ قیمتاں دے گرڈ نوں 15 توں 200 درجیاں تیک باریک کرنا، جیہڑا اوسے سکھلائی نوں ودھ حالتاں اُتے پھیلاندا اے، گٹھ جوڑ انڈیکس نوں 0.64 توں 0.23 تیک گھٹاندا اے، جیویں ایہہ تصویر پیشین گوئی کردی اے۔ Calvano دے روکن والے اصول مطابق ٹھیک ٹھیک سکھلائے 5 جوڑیاں نال، ہر نتیجہ قائم رہندا اے، تے فائدے والا ہٹنا گھٹ کے 10.4% رہ جاندا اے۔

قیمتاں ہلے وی اُچیاں، علاج وکھرا

صارف دا مسئلہ ختم نہیں ہوندا: قیمتاں مقابلے نالوں کتے اُچیاں رہندیاں نیں۔ جو بدلدا اے اوہ تشخیص اے۔ لکھاری دلیل دیندے نیں پئی، کسے شرطی دھمکی دے بنا، ایہہ جوڑے معاہدے ورگیاں قانونی قسماں وچ چنگی طرحاں فٹ نہیں بہندے — تے جوڑیاں نوں چھیڑنا (نواں داخل ہون والا، گھماؤ، مڑ سکھلائی) جمے پروگراماں دا تال میل تباہ کر دیندا اے۔ اوہ اپنیاں جانچاں نوں کسے وی قیمت لان والے نظام لئی لاگو کرن توں پہلاں دا معیار وی بناندے نیں۔ اوہناں دے دعوے ایس اکو منڈی وچ ٹیبولر Q-learning تیک محدود نیں؛ کیہ ڈیپ لرننگ ایجنٹ سچیاں دھمکیاں سکھدے نیں، ایہہ اوہ سوال اے جیہدا جواب دین لئی اوہناں دا طریقہ بنایا گیا اے، فرض کرن لئی نہیں۔