Fem djur och en liten språkmodell byggde en fungerande marknad – det visar mer än du tror

När skogen fick en ekonomi

Föreställ dig en digital skog. Fem djur bor där. De handlar med varandra, samlar stenar som valuta, skvallrar vid lägerelden och panikuppköper ved när vintern nalkas. Det låter som ett barnspel – men under ytan körs ett av de mer tankeväckande AI-experimenten jag sett på länge.

Projektet heter Thousand Token Wood och skapades under en hackathon med fokus på just små modeller, enligt Hugging Face-bloggen. Varje djur styrs av Qwen2.5-3B, en relativt liten språkmodell med tre miljarder parametrar. Det är inte en teknisk genväg – det är ett medvetet val. En stor, resurstung modell hade aldrig klarat av att fatta beslut för flera handlare i realtid. Småskalighet är här en förutsättning, inte ett kompromissande.

Brist är marknadens bränsle

Den första versionen av simuleringen kollapsade snabbt. Utan friktion blev varje djur självförsörjande, och handel uppstod aldrig. Det är egentligen en djupt mänsklig insikt som programmeraren snubblade över: marknader kräver brist.

Lösningen var att konstruera in friktion i systemet. Djuren kan bara äta en enhet av varje matvara per måltid. Färskvaror ruttnar. Och ved – som bara ett enda djur producerar – är en nödvändighet som ökar i efterfrågan med kyla och tid. Det sista greppet skapar det verkliga dramat: en enda leverantör, en monopolställning, och en vedhuggare som plötsligt blir skogens rikaste invånare medan de andra slåss om värmen.

Det är nästan för bra för att vara konstruerat. Men det är just konstruerat – och det är poängen. Väl utformade systemregler kan få AI-agenter att uppvisa komplexa, nästan organiska beteenden utan att modellen ens förstår varför den gör det.

Det modellen är bra på – och det den inte är

Här blir projektet riktigt intressant ur ett affärsperspektiv. Hugging Face-bloggen lyfter fram en central iakttagelse: modellen är en pålitlig formatgenerator men en opålitlig analytiker.

Den producerar felfri JSON gång efter gång – strukturerade beslut, korrekt syntax, inga tekniska snedsteg. Det är fantastiskt för automatisering. Men när det gäller att faktiskt resonera om marknadsförhållanden, fatta strategiska beslut eller anpassa sig till förändrade spelregler – där haltar den.

Djuren panikköper ibland utan logisk grund. De missar uppenbara affärsmöjligheter. De skvallrar om saker som inte är relevanta. Det är inte buggar – det är modellens grundläggande begränsningar när det komplexa samspelet kräver mer än mönsterigenkänning.

Men – och det här är avgörande – systemet fungerar ändå. Marknaden lever. Handel sker. Vedhuggaren blir rik. Det beror inte på att varje agent är briljant, utan på att spelreglerna är väldesignade nog att producera meningsfull dynamik trots individuella brister.

Vad detta säger om öppen källkod och tillgänglighet

Det som imponerar mig mest är inte tekniken i sig – det är tillgängligheten. Det här projektet kördes av en enskild utvecklare, under en hackathon, med öppna modeller som vem som helst kan ladda ned gratis. Inget avtal med en molnjätte. Inga dyra API-licenser. Ingen företagshemlighet.

Det är ett konkret bevis på att rörelsen kring öppen källkod inom AI inte bara handlar om ideologi – den handlar om demokratisering av experimentell kraft. Forskare, studenter, nyfikna entreprenörer och småbolag kan idag bygga fungerande agentsystem som för tre år sedan hade krävt ett dedikerat forskarteam.

Och det är precis den typen av experiment som driver branschen framåt. Inte de stora modellerna från de stora bolagen – utan de tusental små projekten som testar gränserna, misslyckas öppet och publicerar sina lärdomar på Hugging Face för alla att ta del av.