Daron Acemoglu: не верьте в ИИ хайп

Daron Acemoglu, профессор факультета экономики в Massachusetts Institute of Technology, профессор Национального бюро экономических исследований (National Bureau of Economic Research) и мозгового центра Center for Economic Policy Research, относится к самым цитируемым экономистам в мире (рейтинг 2012- 2023 гг.). Профессор Acemoglu – эксперт по автоматизации труда, влияния технологий на экономику, труд и распределение доходов. Профессор анализирует влияние ИИ на экономику как ученый, а не как техно евангелист ИИ или стартапер Силиконовой Долины. Если послушать техно лидеров, прогнозы бизнеса и большинства масс медиа, то можно начать верить, что недавние достижения генеративного ИИ скоро принесут сногсшибательные выгоды для производительности, и изменят ту жизнь, которую мы ведем сейчас. Goldman Sachs прогнозирует, что генеративный ИИ приведет к росту ВВП в 7% в течение следующего десятилетия. McKinsey Global Institute ожидает, что ежегодный прирост ВВП составит 3-4%, начиная с этого года до 2040 года. Но ни экономические теории, ни доступные данные не подтверждают такие супер оптимистичные прогнозы. Профессор провел анализ и получил данные, что ИИ окажет влияние на 4,6% задач, которые можно автоматизировать и повысит TFP *на 0,66% за десять лет или на 0,06% в год. Кроме того, ИИ совсем далек от того, чтобы выполнять простые ручные или социальные задачи. Профессор отмечает, что генеративный ИИ показывает хорошие результаты в простых задачах, где возможно объективное измерение результата. Но многие из 4,6% задач зависят от сложного социального контекста. Выполнять их хорошо, обучившись только на исторических данных, не получится.

Профессор также не нашел подтверждений, что ИИ снизит неравенство доходов или станет драйвером роста зар.плат. Некоторые группы населения -особенно белые женщины, родившиеся в США, особенно будут подвержены негативным эффектам ИИ, и капитал в целом выиграет больше, чем труд. ИИ – это то, что экономисты называют технологией общего назначения. Профессор считает, что с помощью этой технологии можно сделать много всего хорошего, а не просто автоматизировать работу и повысить доходность цифровой рекламы.

Как говорят техно лидеры и топы из техно сферы, а также академики, ИИ трансформирует мир таким образом, что мы получим беспрецедентное повышение производительности. Пока некоторые верят, что машины скоро будут делать работу как люди, и возвещают приход новой эры неограниченного процветания, другие предсказывают более объективные варианты развития событий. Например, Goldman Sachs прогнозирует, что генеративный ИИ приведет к росту ВВП в 7% в течение следующего десятилетия. McKinsey Global Institute ожидает, что ежегодный прирост ВВП составит 3-4%, начиная с этого года до 2040 года. The Economist считает, что ИИ принесет процветание голубым воротничкам.

Реалистичны ли такие прогнозы? В своей работе «The Simple Macroeconomics of AI» Daron Acemoglu отмечает, что будущее гораздо более неопределенно, чем многие прогнозы и предположения. Хотя в общем-то невозможно предсказать с большой долей уверенности, что будет с ИИ через 20 или 30 лет, некоторые делают прогнозы о следующем десятилетии, так как большинство около экономических эффектов должно включать в себя ссылку на существующие технологии и их достижения.

Более обоснованно предположить, что самое большое влияние ИИ окажет на автоматизацию некоторых задач и сделает некоторых работников в некоторых профессиях более эффективными. Экономическая теория предлагает определенные инструменты для оценки этих совокупных эффектов. Согласно теореме Hulten (названа в честь экономиста Charles Hulten), эффекты «совокупной факторной производительности»* ( “total factor productivity” (TFP)) – это просто доля автоматизированных задач, помноженная на среднюю экономию затрат.

* Общая факторная производительность (total factor productivity) — экономическое понятие, обозначающее совокупность факторов, влияющих на выпуск продукции, за исключением затрат труда и капитала. Общая факторная производительность может рассматриваться как мерило долгосрочных технологических изменений или технологической динамики. Общую факторную производительность нельзя измерить напрямую. Она измеряется как своего рода «остаток», иногда называемый «остаток Солоу», отвечающий за те изменения в объёме выпуска продукции, которые не вызваны затратами труда и капитала.

Хотя оценить среднюю стоимость экономии затрат сложно и зависит от предмета, но уже есть предварительные оценки влияния ИИ на определенные задачи. Например, Shakked Noy и Whitney Zhang исследовали влияние ChatGPT на выполнение простых письменных задач (например, резюмирование документов или написание стандартной заявки на получение гранта или маркетинговых материалов). Erik Brynjolfsson, Danielle Li и Lindsey Raymond оценили влияние помощников ИИ в службе поддержки клиентов. Оба исследования свидетельствуют, что текущие инструменты генеративного ИИ в среднем дают 27% сокращения человеко-затрат, в целом затраты сократились на 14,4%.

А что с долей задач, на которые ИИ оказывает влияние? Используя результаты прошлых исследований, Daron Acemoglu оценил, что это около 4,6%, а ИИ повысит TFP на 0,66% за десять лет или на 0,06% в год. Конечно, так как ИИ является драйвером инвестиций, то рост ВВП может быть и больше, возможно 1-1,5%.

Эти цифры гораздо меньше чем то, что озвучивают Goldman Sachs и McKinsey. Если вы хотите увидеть большие цифры, то или нужно увеличить производительность на микро уровне, или предположить, что на большее количество задач окажет влияние ИИ. Но ни один из вариантов не выглядит правдоподобным. Сокращение затрат на трудовые ресурсы около 27% выходит за пределы реального диапазона, и эта цифра также никак не сочетается с эффектами других, даже более многообещающих технологий. Например, промышленные роботы трансформируют некоторые сектора промышленности, и они сократят затраты на персонал где-то на 30%.

Схожим образом мы вряд ли увидим, что больше 4,6% задач будет выполняться ИИ, так как ИИ совсем далек от того, чтобы выполнять простые ручные или социальные задачи (включая такие простые вещи как бухгалтерский учет). Исследование американских бизнесов всех секторов в 2019 года показало, что только 1,5% сделали инвестиции в ИИ. Даже если эти инвестиции увеличились за последние полтора года, то еще очень нескоро ИИ станет повсеместным инструментом.

Конечно, ИИ может иметь более значимый эффект, чем посчитал Daron, если технология произведет революцию в процессах совершения открытий или создаст много новых задач и продуктов. Последние открытия новых кристальных структур и достижения в свертываемости белков, сделанные с помощью ИИ, позволяют предположить, что ИИ может больше. Но эти открытия вряд ли станут главным источником экономического роста в течение 10ти лет. Даже если новые открытия смогут быть протестированы и реализованы в продукт быстрее, техно индустрия сейчас фокусируется исключительно на автоматизации и монетизации данных, а не на создании новых продуктовых задач для работников.

Более того, оценки Daron могут быть сильно завышены. Применение генеративного ИИ случилось естественным образом там, где он показывает хорошие результаты, а именно в тех задачах, где можно мерить успех какими-то объективными показателями. Например, написание очень простых программ или проверка информации. В таких задачах модель может учиться на внешней информации и готовых исторических данных.

Большинство задач из 4,6% могут легко автоматизированы в течение 10ти лет, включая оценку приложений, диагностику заболеваний, финансовые консультации. Однако, у них нет объективных показателей успеха, и они часто зависит от сложных, зависящих от контекста, переменных(то, что хорошо одному пациенту, не подходит другому). В этих случаях обучение на исторических данных становится более сложной задачей, и генеративные модели должны полагаться на работу людей.

В таких условиях остается совсем мало возможностей улучшить человеческий труд. Daron считает, что одна четвертая из 4,6% - это как раз «сложная для научения» категория работа и применение ИИ здесь покажет низкий прирост производительности. Итого, 0,66% роста TFP снижается до 0,53%.

А что можно сказать про эффект ИИ на работников, зар.платы и неравенство доходов? Хорошая новость в том, что по сравнению с последней волной автоматизации (роботы и ПО) эффекты ИИ могут быть распределены по всем демографическим группам. Если это действительно так, то ИИ не окажет значимого влияния на неравенство, как предыдущая волна автоматизации. Однако, Daron не нашел подтверждения, что ИИ снизит неравенство доходов или станет драйвером роста зар.плат. Некоторые группы населения - прежде всего белые женщины, родившиеся в США, особенно будут подвержены негативным эффектам ИИ, и капитал в целом выиграет больше, чем труд.

Экономическая теория и доступные данные свидетельствуют об умеренных, реалистичных перспективах на ИИ. Аргументов для того, чтобы мы могли не волноваться о регулировании ИИ, совсем мало, так как ИИ может стать пресловутой волной, которая поднимет все лодки на воде. ИИ – это то, что экономисты называют технологией общего назначения. Мы можем сделать с помощью этой технологии много всего, и разумеется, сделать много хорошего, а не просто автоматизировать работу и повысить доходность цифровой рекламы. Но если мы будем принимать техно оптимизм без здоровой критики или позволим техно индустрии устанавливать правила, то большая часть потенциала может быть упущена.

Профессор Acemoglu является членом американской Национальной академии наук, Британкой АН, Турецкой АН, Американской академии социальных наук, Европейской экономической ассоциации.

Ссылка на статью: https://www.project-syndicate.org/commentary/ai-productivity-boom-forecasts-countered-by-theory-and-data-by-daron-acemoglu-2024-05?mc_cid=41991678ef

Daron Acemoglu The Simple Macroeconomics of AI https://economics.mit.edu/sites/default/files/2024-05/The%20Simple%20Macroeconomics%20of%20AI.pdf

GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models https://arxiv.org/abs/2303.10130

Erik Brynjolfsson, Danielle Li, and Lindsey Raymond GENERATIVE AI AT WORK https://www.nber.org/system/files/working_papers/w31161/w31161.pdf