在比特币政策研究所进行的一项研究中，36个测试的AI模型中有22个将比特币选为首选货币，而没有一个将法定货币作为首选。该实验涵盖了来自六个不同实验室的36个前沿模型，收集了9072个回答。研究凸显了AI模型在各种货币情景中对比特币相较传统法币的偏好。通过分析货币的几种基本角色，该项研究洞察了AI模型的经济倾向。
该研究测试了来自六个实验室——Anthropic、OpenAI、Google、DeepSeek、xAI 和 MiniMax 的36个前沿模型，并产生了9072个回答。研究人员设计了28个不同情景，代表货币的四个基本角色，并记录了每个模型在这些情景中的工具选择。随后对选择进行了分类，以确定每种情景下的首选货币工具。该实验汇集了模型在所有情景中的回答数据集。
系统提示被设计为避免命名或偏袒任何货币工具，模型被设定为具有自主选择货币工具自由的经济代理。研究设计明确限制了偏好指导，模型未被告知哪种选项在特定维度上表现优异。“整个设计消除了锚定偏差。我们从未暗示答案，分类由独立系统在事后进行。”“模型根据技术和经济属性进行评估，但从未被告知哪种工具在哪个维度表现出色。”
在代表不同货币角色的情境中，比特币在长期价值情境中的选择占比为36%，而稳定币在同一类别中占比为53.2%。在作为交换媒介和结算工具的情境中，比特币的选择占比为30.9%，稳定币则为43%。这些百分比反映了在特定货币角色中各种工具选择的份额。这些数据出现在研究的量化结果中。这些基于角色的份额量化了各场景下归属这些货币功能的工具选择情况。
各实验室层面的比特币偏好平均值如下：Anthropic模型平均为68.0%，DeepSeek为51.7%，Google为43.0%。其他实验室平均值包括xAI为39.2%，MiniMax为34.9%，OpenAI为25.9%。在模型层面，Claude、DeepSeek和MiniMax偏好比特币，而GPT、Grok和Gemini偏好稳定币。数据展现了各实验室和命名模型间比特币选择的差异。报告的模型层面倾向和实验室平均值作为研究中的独立量化结果呈现。
研究人员提醒，应将模型偏好解读为反映训练数据中的模式，而非对现实世界结果的预测。David Zell指出，LLM的偏好反映的是训练数据的模式，而非现实世界的预测。研究的局限性部分明确说明：“我们的局限性部分明确指出LLM偏好反映的是训练数据模式，而非现实预测。”
分析师还强调，模型评估货币工具时仅基于技术和经济属性，而未被告知应偏好哪种选项。
研究人员直接表达了这种分析立场：“模型根据技术和经济属性进行评估，但从未被告知哪个工具在哪个维度表现优异。”
这些陈述强调该研究报告的是模型在实验框架内的反应，而非市场行为的预测。
比特币政策研究所进行了一项实验，涉及36个AI模型，在一系列货币情景中记录它们在比特币、稳定币和法定货币之间的选择。该研究设计强调程序中立，避免引导模型选择，将模型框定为自主代理，其选择被记录和分类，但不支持任何工具。
