Искусственный интеллект и парадокс производительности: четыре гипотезы

Экономика становится все более цифровизированной благодаря многочисленным новым системам информационных технологий, основанным на искусственном интеллекте и машинном обучении. Эти технологии позволяют существенно повысить эффективность производственных процессов, но, если судить по статистическим данным, не ускоряют рост производительности в экономике.

Системы искусственного интеллекта, основанные на нейросетях, существенно продвинулись в своем развитии и становятся все более точными в восприятии информации, ее анализе и квалификации. Один из показательных индикаторов – бенчмарк GLUE ( General Language Understanding Evaluation), который тестирует, насколько хорошо системы искусственного интеллекта способны воспринимать естественный язык. За прошлый год точность тестируемых систем потрясающе выросла. Хотя GLUE был запущен всего лишь в мае 2018 г., проведенные им тесты уже показали, что к июню 2019 г. качество восприятия испытуемых систем превзошло результаты обычных людей в тех же заданиях на восприятие текстов и продолжает расти.

В то же время последние десять лет глобальный рост производительности стагнирует, хотя он должен отражать возрастающую эффективность производственных процессов, поскольку производительность отражает затраты на единицу выпуска. За исключением развивающихся стран, крупнейшие экономики, такие как США и Евросоюз, последнее десятилетие демонстрируют схожие тенденции, указывающие на стагнацию производительности. Так, в США производительность за 2005–2016 гг. росла в среднем на 1,3% в год, что более чем вдвое ниже темпов ее роста за 1995–2004 гг., составлявших в среднем 2,8% в год. Если сравнить темпы роста производительности в Евросоюзе за эти же два десятилетия, картина будет аналогичной. Замедление видно и если отдельно анализировать совокупную факторную производительность: в крупнейших экономиках ее рост непрерывно замедляется и сейчас темпы на исторических минимумах.

Это так называемый современный парадокс производительности: «современный» – потому что изначально о парадоксе производительности говорили применительно к периоду развития компьютеров и информационных технологий в начале 1980-х гг. Существуют четыре основные гипотезы, объясняющие современный парадокс производительности.

Гипотеза 1: Ложные надежды

Возможно, ожидания выгод от искусственного интеллекта строились на ложных надеждах. Согласно этому весьма пессимистичному взгляду, искусственный интеллект не способен существенно ускорить рост производительности, а его добавленная стоимость ограниченна, если сравнивать с эффектом от внедрения электричества и двигателей внутреннего сгорания в производственный процесс. Искусственный интеллект вносит небольшой вклад в производительность, и поэтому его эффект незаметен в макроэкономических показателях. Иными словами, парадокс производительности – следствие ложных надежд, переоценивающих преимущества искусственного интеллекта.

Однако, если посмотреть назад и оценить революционные изобретения и технологии общего пользования с точки зрения их воздействия на производительность, мы увидим, что всегда требовалось время, чтобы технологии «окупились». И паровой двигатель, и электричество, и двигатель внутреннего сгорания, и компьютеры увеличили производительность не только напрямую, но и стимулируя важные дополняющие их инновации. В исследованиях есть примеры, показывающие, как работает этот механизм взаимодополняющих технологий: например, паровой двигатель не только помог откачивать воду из угольных шахт, что было самым важным его применением на начальном этапе, но и способствовал созданию новых форм заводского оборудования и новых видов транспорта – парохода и паровоза. В свою очередь, эти изобретения запустили инновации в цепочках поставок и маркетинге, привели к созданию компаний с сотнями тысяч работников и к внедрению инноваций, на первый взгляд не имеющих к этим изобретениям непосредственного отношения, – среди них, например, стандартизация времени, которая была необходима для железнодорожного расписания.

Гипотеза 2: Ошибки измерений

Возможно, выгоды искусственного интеллекта уже имеют место, но их еще только предстоит точно измерить. То есть даже если искусственный интеллект значимо способствует росту производительности, его вклад не улавливает статистика и, следовательно, темпы роста производительности в реальности выше, чем в статистическом представлении.

Хэл Вэриан, главный экономист Google, иллюстрирует это на примере фотографий. В 2000 г. в США было сделано 80 млрд фотографий – это известно, потому что тогда существовало лишь три компании, производившие пленку; за 2015 г. было сделано 1,6 трлн фото. В 2000 г. сделать фото стоило около 50 центов за штуку, сегодня затраты в сущности нулевые. Таким образом, обычный человек мог бы удивиться фантастическому росту производительности, потому что мы видим огромный прирост выпуска при значительно более низких затратах. Но если посмотреть на эту ситуацию сквозь призму ВВП, то мы ничего не увидим, поскольку большинство фотографий распространяются среди друзей или отправляются в альбомы, а не продаются на рынке. ВВП – это стоимость рыночных транзакций, но в ситуации с фотографиями никто ничего не продает, а значит, и рост их «выпуска» не отражается в ВВП.

С одной стороны, исследования показывают, что бесплатные блага, доступные онлайн, могут иметь значительную стоимость для пользователей: например, пользователи WhatsApp не готовы отказаться от приложения, даже если взамен им предлагают значительную денежную компенсацию. С другой стороны, как продемонстрировала работа экономистов ОЭСР, даже если искусственный интеллект измеряется статистикой неверно, масштаб возможной ошибки не позволяет целиком объяснить повсеместное замедление роста измеряемого ВВП и производительности. Поэтому нам придется искать другие объяснения.

Гипотеза 3: Несправедливое распределение преимуществ

Эта гипотеза состоит в том, что искусственный интеллект дает существенный прирост эффективности только немногим крупным фирмам, а положение остальных участников рынка остается неизменным. Таким образом, влияние искусственного интеллекта на рост производительности в целом оказывается скромным и незаметным для медианного работника. Немногочисленные большие компании могут повысить эффективность за счет искусственного интеллекта и дополнительно расширить свой бизнес, увеличив отрыв от конкурентов. Как следствие, в отраслях сокращаются стимулы для инноваций, которые могли бы способствовать росту производительности.

Эмпирические данные действительно подтверждают этот тезис:

1. Разница в производительности между фирмами-лидерами и их конкурентами внутри отраслей увеличивается.
2. Уровень концентрации внутри отраслей растет, что сопровождается потерями в общем благосостоянии, а доля рынка малого количества компаний-суперзвезд продолжает расти.

Исследования также обнаруживают связь между растущей рентой лидеров отрасли и неравенством, что оказывает дополнительное негативное влияние на экономический рост. Таким образом, необходимы новые подходы в государственной политике, которые обеспечили бы эффективную конкуренцию, чтобы устранить риски для производительности от однобокого распределения выгод искусственного интеллекта.

Гипотеза 4: Задержки внедрения

Наконец, речь может идти просто о медленном внедрении. Искусственный интеллект – технология общего пользования. Исторический опыт показывает, что таким технологиям требуется время, иногда – десятилетия, прежде чем они изменят то, как мы живем и работаем. Сначала предприятия должны реорганизоваться для эффективного применения новых технологий, а также должны быть созданы дополняющие технологии, которые позволяют получить максимум от инновационного прорыва. Исследователи сравнивали рост производительности в 1870–1940 гг. – в эпоху изобретения, внедрения и распространения электричества и технологий его передачи – и в период начиная с 1970 г., который считается эрой информационных технологий. Выяснилось, что у производительности в эпоху электричества и в эпоху ИТ много общего: сначала идет период медленного роста длиной в 25 лет, затем в обеих эпохах было десятилетие ускорения производительности (1915–1924 и 1995–2004 гг.). Авторы считают эту гипотезу наиболее устойчивой. Таким образом, нам придется подождать, чтобы увидеть вклад искусственного интеллекта в рост производительности, когда эта технология станет более развитой и, что еще важнее, будут внедрены дополняющие ее инновации, которые помогут дополнительно ее развивать и распространять.

Выводы и практические рекомендации

Судя по всему, тем, кто ждет, когда вклад искусственного интеллекта отразится в статистике, предстоит запастись терпением, но уже сейчас мы можем работать над тем, чтобы сделать распределение выгод от искусственного интеллекта более справедливым. Как долго нам придется ждать видимого в темпах роста производительности эффекта искусственного интеллекта – открытый вопрос, но есть факторы и меры государственной политики, которые могут ускорить приближение этого момента:

• реформировать системы образования и институты рынка труда, чтобы они соответствовали производственному процессу эпохи искусственного интеллекта;
• развивать производственные модели так, чтобы получать максимальный выигрыш от тесного и эффективного сотрудничества работников и машин;
• эффективно обучать рабочую силу, чтобы люди могли лучше выполнять новые задачи, появляющиеся благодаря искусственному интеллекту;
• улучшить качество управления компаниями (производительность фирмы позитивно коррелирует с качеством менеджмента, показывают исследования). Менеджеры должны быть лучше информированы о последствиях автоматизации для бизнеса их компании и внедрять системы искусственного интеллекта только в тех областях, где такие системы могут привнести значимую добавленную стоимость. Следует избегать чрезмерной автоматизации, как у Tesla, что Илон Маск назвал ошибкой;
• обеспечить достаточно средств (и частных, и государственных) для инвестиций компаний;
• внедрить регулирование, обеспечивающее эффективную конкуренцию и ее защиту, чтобы выгоды от искусственного интеллекта распределялись равномерно.

В какой-то степени потенциал искусственного интеллекта, а точнее то, насколько будет велик выигрыш от этих технологий и насколько они позволят нарастить производительность, – в наших руках. И бизнес, и правительства должны принимать меры и стратегии, которые обеспечат быструю и полную реализацию доступных выигрышей. Иначе огромные возможности использования мощи искусственного интеллекта могут быть упущены на десятилетия вперед.

Оригинал статьи опубликован на портале Bruegel. Перевод выполнен редакцией Econs.online.