Искусственный интеллект (ИИ) представляет собой моделирование человеческого интеллекта в машинах. Эта расплывчатая цель включает в себя множество методов и технологий, которые позволяют компьютерам и машинам выполнять широкий спектр задач; среди них принятие решений, обучение, распознавание определенных элементов на изображениях или видео, понимание человеческого голоса и реагирование на определенные стимулы.
Некоторые применения ИИ очень знакомы. Например, виртуальные помощники, такие как Siri или Alexa, распознают естественный язык, обрабатывают вопросы или запросы, которые мы им задаем, и отвечают на них. Стриминговые платформы дают персональные рекомендации на основе нашего предыдущего выбора. Алгоритмы обнаружения мошенничества выявляют мошенничество, изучая отклонения в структуре расходов. Навигационные приложения используют информацию о дорожной обстановке в режиме реального времени, чтобы указать лучшие маршруты. В конечном счете, все эти приложения ИИ имеют два общих элемента: они собирают цифровую информацию и анализируют ее с помощью сложных методов.
ИИ — это технология общего назначения, что означает, что он имеет широкий спектр применений в различных секторах и потенциально может изменить производственные процессы во всей экономике.
Потенциал, открываемый применением ИИ во многих производственных видах деятельности, заставил аналитиков задавать самые разные вопросы. Смогут ли машины заменить людей? Сможет ли ИИ произвести революцию в производственных процессах и привести к беспрецедентному росту уровня жизни? Будет ли это трансформировать организации, устраняя менеджеров среднего звена и заменяя их армией технологов, отвечающих за алгоритмы обучения? Сделает ли это распределение доходов более неравномерным и приведет ли к росту социальной напряженности?
Хотя эти вопросы заставляют задуматься, любой конкретный ответ сегодня является всего лишь предположением, учитывая неопределенность относительно будущей эволюции ИИ, его приложений и того, как мы будем их использовать. Кроме того, дополнительная трудность заключается в том, что, в отличие от других технологий, использование которых очевидно невооруженным глазом (например, автомобилей или ветряных турбин), большинство приложений ИИ нелегко наблюдать, когда кто-то совершает пробежку в парке или работает в офисе. что затрудняет даже измерение его текущего распространения и его влияния на экономику.
Технология общего назначения
После этих предостережений можно строить предположения относительно ответов на некоторые из этих вопросов, поскольку, подобно электричеству или компьютерам, ИИ — это то, что мы называем технология общего назначения (ТПГ). TPG — это технологии с широким спектром применения в различных отраслях и потенциалом изменить производственные процессы во всей экономике. Развитие и распространение TPG следуют общим закономерностям. Поэтому, глядя на прошлое, мы можем понять, что произойдет в будущем.
Первой характеристикой TPG является то, что это не изолированные технологии, а скорее группа взаимодополняющих технологий, которые при совместном использовании дают гораздо больше преимуществ, чем при использовании по отдельности. Одним из последствий является то, что TPG начинают широко использоваться только после разработки значительного количества приложений. Отсюда и длительная задержка в распространении технологий, не связанных с TPG. Например, спрос на электричество достиг заметного уровня только после изобретения набора бытовой техники, включающего радио, стиральную машину, холодильник и электрическую духовку, в первые два десятилетия 20-го века. То есть примерно через четыре десятилетия после того, как Эдисон изобрел первую коммерчески жизнеспособную лампочку.
Первые улицы, подключенные к электричеству, — шаг, получивший распространение во всем мире в 20 веке. XXI считает себя цифровым и находится в руках ИИ.
Разработка радикально новых технологий, таких как TPG, является длительной и сложной. Томас Эдисон, например, испытал более шести тысяч различных материалов, чтобы сделать нить накаливания своей лампочки в 1879 году. И это произошло спустя десятилетия после того, как другие изобретатели разработали первые модели лампочек; Но это были лампочки с таким коротким сроком службы, что они были нежизнеспособны с коммерческой точки зрения.
Из-за взаимодополняемости технологий, составляющих TPG, и сложности разработки этих технологий, их влияние на экономику очень постепенное и проявляется только в статистике производительности спустя десятилетия после их внедрения. Классический пример — компьютеры. В 1987 году, через шестнадцать лет после того, как первый персональный компьютер был коммерциализирован, лауреат Нобелевской премии Роберт Солоу сформулировал свой знаменитый парадокс: «Компьютеры присутствуют повсюду, за исключением статистики производительности». Лишь в середине 1990-х годов рост производительности труда в Америке ускорился, а затем в течение десятилетия имел темпы, сравнимые с темпами золотых 1960-х годов.
Влияние на производительность
Помимо влияния на производительность, большая часть интереса к TPG сосредоточена на их возможных распределительных эффектах. Есть ли в вашей трансляции победители и проигравшие? И если да, можем ли мы предсказать, кем они будут? Экономисты подробно изучили влияние некоторых ТПГ на относительный спрос на работников с университетским образованием по сравнению с теми, у кого его нет. Например, компании воспользовались преимуществами улучшений, вызванных вычислительной мощностью и новыми компьютерными программами, для включения в свои производственные процессы новых задач, требующих использования компьютеров работниками. Таким образом, появились новые профессии, такие как программист, разработчик микросхем или консультант по информационным технологиям; а тот факт, что как в новых, так и в старых профессиях работники с высшим образованием имели преимущество в использовании компьютеров, способствовал их относительному спросу и вызывал рост их заработной платы по сравнению с заработной платой работников, не имеющих высшего образования.
Однако ТПГ не всегда увеличивают относительный спрос на квалифицированную рабочую силу. Электричество способствовало созданию более крупных и эффективных заводов, что повысило производительность труда относительно низкоквалифицированных рабочих. TPG, связанные с транспортом, такие как автомобили, грузовики или самолеты, позволили компаниям выйти на новые и более удаленные рынки и увеличили масштабы своей деятельности, что привело к повышению эффективности. И это оказало симметричное влияние на производительность всех работников, как квалифицированных, так и неквалифицированных. Таким образом, исторические данные не подтверждают постоянную предвзятость распределения, вызванную ТПГ, хотя некоторые из них могут ее вызывать.
Я предсказываю, что непрозрачность и потенциальная предвзятость алгоритмов создадут сопротивление разработке приложений и ограничит потенциальное влияние ИИ на экономику.
Что мы можем экстраполировать на ИИ из исторических закономерностей TPG? Какие сходства и различия существуют между ИИ и предыдущими TPG?
Начнем со скорости распространения и времени, которое потребуется, чтобы ИИ появился в совокупных данных о производительности. В настоящее время мы уже можем утверждать, что распространение ИИ аналогично предыдущим TPG. Методы анализа данных (например, машинное обучение или нейронные сети) существуют уже несколько десятилетий. Как и в случае с электричеством или компьютерами, разрабатываются новые приложения, которые повышают привлекательность внедрения ИИ в производственные процессы. Очевидно, что приложения ИИ далеки от совершенства. Например, я попросил ChatGPT написать за меня эту статью, и результат оказался настолько разочаровывающим, что я пишу здесь.
По моему мнению, есть три аспекта, которые мы должны учитывать, чтобы оценить, как долго нам придется ждать, пока мы не увидим отражение ИИ в статистике производительности.
Медленное развитие
Разработка приложений ИИ может занять больше времени, чем приложений для других TPG, по двум причинам. Во-первых, методы машинного обучения и нейронных сетей очень эффективны для выявления ценных нелинейных закономерностей, присутствующих в данных. Однако для работы им требуется много данных. Например, данные о финансовых операциях нескольких миллионов заемщиков необходимы для разработки алгоритма нейронной сети, который прогнозирует невозвраты по кредитам более точно, чем традиционные эконометрические модели, используемые…
