Может ли текущий ИИ решить парадокс производительности?

Может ли текущий ИИ решить парадокс производительности?
ИИ, дополняющий людей и работающий на общее процветание

«Компьютерный век можно увидеть везде, кроме статистики производительности».
Роберт Солоу

«Производительность — это еще не все, но в долгосрочной перспективе это почти все».
Пол Кругман

Парадокс производительности
Многие страны с развитой экономикой с конца 2000-х годов борются с низкой производительностью (выпуск, измеряемый в ВВП, делится на затраты, измеряемые в рабочей силе, капитале и материалах). Парадоксально, но за это время была волна новых технологических достижений (включая достижения в области ИИ). Во многих странах производительность в среднем превышала 2% в двадцатом веке, но с 2008 года она упала до 0–1%. Хотя производительность подскочила во время первой волны Covid в США, после Covid она снова упала. Производительность считается важной, поскольку она должна повышать заработную плату работникам и является ключевым источником экономического роста и конкурентоспособности.

Существует длинный список возможных объяснений, включая обвинение низкой производительности в лени рабочего. Например, бывший премьер-министр Великобритании Лиз Трасс сказала, что рабочим за пределами Лондона нужно больше взяток, в то время как другие политики назвали британских рабочих «худшими бездельниками в мире». Причины исключительно низкой продуктивности в Великобритании являются предметом особых жестоких дискуссий. Но этот более общий разочаровывающий производительность (и рост) в развитых странах с 2008 года был описан Ларри Саммерсом как долговременная стагнация и является важным мотивирующим фактором экономической политики во всем мире (от дебатов о приемлемости долга до инфраструктуры). планы).

Некоторые, например экономист из Стэнфорда Эрик Брайнолфссон, видят в ИИ решение этих проблем с производительностью. Хотя цифровая экономика, похоже, не привела к значительному повышению производительности, Бринолфссон утверждает, что это происходит потому, что мы измеряем производительность с точки зрения ВВП (или того, сколько люди платят за вещи в совокупности), а не ценность (включая неденежную стоимость), которую они получить от продуктов, так как цифровые продукты сложнее взимать плату. Несмотря на это, Бринолфссон утверждает, что производительность в том виде, в каком мы ее измеряем в настоящее время, значительно вырастет в течение следующего десятилетия из-за пошаговых изменений в использовании ИИ. Не все экономисты согласны с этим, и на самом деле Бринолфссон и историк экономики Роберт Гордон спорят о том, будет ли производительность США в 2020-х годах в среднем выше 1,8%.

Автозаполнение для всего может изменить производительность сотрудников
Недавняя волна генеративного ИИ продемонстрировала огромные возможности повышения производительности. Некоторые утверждают, что генеративный ИИ может быть автозаполнением для всего. Они отмечают, что ИИ дополнит людей, а не заменит их из-за того, что люди должны настраивать вывод, а также потому, что участие человека повышает производительность. Франсуа Шоле также утверждает, что неспособность моделей машинного обучения обобщать на совершенно новые задачи означает, что они не могут быть автономными и, следовательно, будут автоматизировать только часть человеческих задач. Однако очевидно, что потенциальное повышение производительности является экстремальным, поэтому Сэм Альтман назвал потенциальное воздействие законом Мура для всего.

Дополнение к ИИ
Почему же ИИ еще не изменил продуктивность? Одна из причин заключается в том, что предприятиям требуется время, чтобы продуктивно использовать новые технологии. Бриньолфссон утверждает, что долгосрочные инвестиции в бизнес-процессы, образование и продукты необходимы для того, чтобы использовать силу новых технологий на протяжении всей истории. Например, ИТ-революция 1970-х годов не отражалась в статистике производительности до 1990-х годов. Он называет это производительностью J-образной кривой. Другим примером отставания в производительности от новых технологий была пишущая машинка, по словам Джеймса Бессона, поскольку людям потребовалось много времени, чтобы научиться ими пользоваться.

По словам Бриньолфссона, еще одна причина, по которой ИИ до сих пор не повысил производительность, заключается в том, что для использования ИИ фирмам нужен сложный набор бизнес-процессов и структур. Он описывает эту потребность в архитектуре бизнеса для использования ИИ как редкий дополнительный фактор. По словам Бриньолфссона и соавторов, этот архитектурный фактор наблюдается только у суперзвездных организаторов, небольшого числа фирм, которые обладают уникальной способностью создавать ценность с помощью ИИ. В настоящее время в основном очень крупные компании действительно использовали возможности ИИ. Причина того, что эти фирмы так редки (и, следовательно, получают сверхприбыли), заключается в том, что по мере того, как товары и услуги становятся более сложными, уровень взаимодополняемости ресурсов, необходимых для их производства, становится выше и его труднее достичь. Количество провалов увеличивается на полиномиальной основе. Тем не менее, возможно, что в будущем ИИ может быть разработан для упрощения производства. Примерами упрощения технических достижений прошлого являются революция Коперника и переход от пропеллера к двигателю реактивного самолета.

Однако последние достижения в области генеративных моделей могут снизить сложность использования ИИ в бизнес-среде. Большие языковые модели и модели генеративного искусства продемонстрировали, насколько легко компании или отдельные лица могут использовать эти мощные модели для решения множества задач. Теперь кажется, что каждый может использовать чрезвычайно мощную модель SOTA. Параллельно с этим экосистема MLOP все еще молода, но претерпевает быстрые изменения и улучшения. Хотя внедрение ИИ было очень сложным для бизнеса до сих пор, это может наконец измениться.

Направление ИИ на повышение производительности труда человека
Однако ИИ должен быть направлен на увеличение, а не на автоматизацию работы человека. Возможно, наиболее доминирующей экономической моделью, с помощью которой можно понять влияние ИИ на работу (и, как следствие, эффекты смещения), является модель Аджемоглу и Рестреппо, основанная на задачах. В этой формулировке работа разбивается на задачи, и эффект ИИ заключается в замене определенного количества этих задач и улучшении других. Важно отметить, что степень замены по сравнению с улучшением зависит от формы, которую принимает ИИ (независимо от того, разрабатывается ли он с учетом увеличения человеческого интеллекта).

Это подчеркивает, что мы не должны натурализировать ИИ и предполагать, что существует единственный путь, по которому должно идти развитие ИИ. То, как ИИ развивался на сегодняшний день, очень своеобразно (на него повлияло, например, существование определенных эталонных наборов данных и оборудования). ИИ был изобретен людьми и может быть разработан или развернут различными способами.

Действительно, Дарон Асемоглу утверждал, что мы не хотим создавать ИИ такого типа, который предполагает низкопроизводительные улучшения, полностью автоматизирующие людей. Он утверждает, что нам нужно быть очень осторожными, чтобы гарантировать, что ИИ приносит общее процветание, отслеживая цели общего процветания, гораздо более широкий набор показателей воздействия (например, влияние ИИ на трудовой доход, занятость и занятость). качество). Это включает в себя влияние на найм и компенсацию в компаниях, использующих ИИ. Эти показатели должны рассчитываться по категории работника, а не только в совокупности. Другие потенциальные способы реализации ИИ, обеспечивающего процветание, — избегать налоговых структур (таких, как в настоящее время в США), которые лишают стимулов нанимать людей по сравнению с использованием роботов (в настоящее время капитал облагается налогом по более низкой ставке, чем труд, что стимулирует автоматизацию).

Ландшафт производительности
Распространение ИИ на предприятия имеет решающее значение для его общего влияния на производительность экономики. Следовательно, наряду с совокупными изменениями производительности, вызванными ИИ, мы должны учитывать влияние на распределение производительности в экономике. Профиль производительности в Великобритании очень длинный, например, в том смысле, что существует небольшое количество очень высокопродуктивных компаний и длинный хвост относительно менее производительных фирм. Поэтому критический вопрос заключается в том, в какой степени ИИ по-прежнему используется лишь небольшим числом суперзвездных компаний в терминах Бриньольфссона. Если ИИ не может быть использован широким кругом различных компаний (а не только самыми сложными), влияние распределения также может быть заметно в глобальном масштабе и может повлиять на относительную силу стран с низким и средним уровнем дохода.

В конечном счете, мы все еще находимся в самом начале развертывания ИИ, и поэтому курс, заданный в ближайшие годы, особенно важен. То, как ИИ разрабатывался и внедрялся до сих пор, зависело от очень специфического набора обстоятельств. Ставки настолько высоки, что их влияние на производительность, работу и общество следует тщательно учитывать и измерять, поскольку развитие ИИ стремительно ускоряется.

Ссылки

Бензелл, С. и др. al., Компромисс между инновациями и сложностью: как узкие места создают суперзвезд и сдерживают рост.

Бессен, Дж. Обучение на практике: реальная связь между инновациями, заработной платой и богатством

Бриньолфсон, Э. и др., Цифровое изобилие встречается с дефицитом архитекторов: влияние на заработную плату, процентные ставки и экономический рост

Холдейн, А. Загадки производительности, Банк Англии.

Партнерство в области ИИ, Переработка ИИ для всеобщего процветания: повестка дня

Смит, Н. и Роон, Генеративный ИИ: автозаполнение для всего