Оптимистичный сценарий для ИИ в сфере производительности: как языковые модели могут преобразовать экономический рост

Источник: Blockworks
Оригинальное название: Продуктивный бычий сценарий почти для всего
Оригинальная ссылка: https://blockworks.co/news/productivity-bull-case

«Производительность — это не всё, но в долгосрочной перспективе это почти всё.»

— Пол Кругман

Совокупная факторная производительность [image]TFP( — это показатель, с помощью которого экономисты оценивают вклад технологических инноваций в экономический рост — устойчивую способность экономики производить больше продукции с тем же количеством ресурсов.

В этом смысле это, пожалуй, самый важный показатель для экономистов, потому что постоянный процесс производства большего с меньшими затратами — это путь к улучшению жизни.

«Способность страны повышать уровень жизни со временем почти полностью зависит от её способности увеличивать выпуск на одного работника», — объясняет Пол Кругман. Именно технологии обеспечивают этот процесс, а TFP позволяет его измерить.

Чтобы нагляднее понять, насколько важна производительность, создаваемая технологиями, представьте: недавнее исследование Национального бюро экономических исследований )NBER( оценивает, что дополнительные 0,5% ежегодного роста TFP стабилизировали бы финансы правительства США на сегодняшнем уровне соотношения долга к ВВП.

0,5%!

Звучит не так уж много, но если этот рост сохранится в течение следующих 10 лет, NBER оценивает, что это снизит базовый прогноз по госдолгу США на )триллион. За 30 лет устойчивое повышение TFP на 0,5% приведёт к тому, что соотношение госдолга к ВВП будет на 42 процентных пункта ниже базового прогноза NBER (и на 80 процентных пунктов ниже его пессимистичного сценария).

![]$2 https://img-cdn.gateio.im/webp-social/moments-8462e7c21b-739bcad8a6-153d09-6d5686.webp(

Учитывая, насколько безнадёжным кажется положение государственных финансов, сохранение нынешнего уровня задолженности выглядит почти несбыточной мечтой.

Но исследователи из Anthropic считают, что мы можем добиться ещё большего.

Anthropic провела исследование 100 000 диалогов, чтобы «оценить, сколько времени заняли бы задачи в этих диалогах с помощью ИИ и без него, а также изучить влияние этого на производительность в экономике».

Вывод? Крупные языковые модели могут увеличить совокупную факторную производительность на 1,1 процентного пункта.

1,1%!

Если 0,5% стабилизируют финансы правительства США на десятилетия, что даст 1,1%? Вероятно, решит почти все проблемы.

Конечно, есть причины скептически относиться к этому оптимистичному прогнозу. Например, исследование показывает, что ИИ экономит учителям четыре часа работы, создавая учебные программы всего за 11 минут. Но чтобы оценить, как такие временные сбережения приведут к росту экономического выпуска, нужны экономические модели с множеством предположений и неточной точностью.

Так что, даже если исследование правильно оценивает экономию времени, оно может ошибаться относительно производительности: возможно, всё сэкономленное ИИ время мы потратим на что-то экономически бесполезное, например, просмотр видео или чтение контента.

В таком случае ИИ повысит наше благосостояние )больше свободного времени(, но не наше богатство )больше экономического выпуска( — что тоже хорошо для людей, но не поможет правительствам, рассчитывающим на чудо-решение проблемы долга.

С другой стороны, есть основания полагать, что модель слишком пессимистична: «Мы не учитываем скорость внедрения», — объясняют исследователи, — «или более масштабные эффекты производительности, которые дадут более продвинутые ИИ-системы».

Другими словами, исследование предполагает, что мы продолжаем использовать ИИ так, как сейчас, и что мы используем сегодняшние языковые модели без улучшений ещё 10 лет.

Языковые модели заметно улучшаются каждые несколько месяцев, а мы только начинаем учиться их использовать — так что исследователи правы, говоря, что их оценка может быть «приближённой нижней границей эффекта производительности ИИ».

Если это так — если 1,1% — это нижняя граница для производительности, вызванной ИИ, — мы можем выплатить госдолг и получить гораздо больше времени для досуга.

И это учитывает только влияние ИИ на нематериальный труд — а что будет, когда появятся роботы!

Полностью отвергать такой оптимизм — значит считать, что триллионы долларов, которые корпорации собираются потратить на капвложения и R&D в ИИ, окажутся потрачены впустую. А такое возможно — технологические революции не всегда приходят вовремя.

Но главный повод для оптимизма — в том, что оценка основана только на ускорении выполнения уже существующих задач с помощью ИИ — модель не учитывает потенциал ИИ полностью изменить способ их выполнения.

«Исторически, — отмечают исследователи, — трансформационные улучшения производительности — от электрификации, вычислений или интернета — происходили не из-за ускорения старых задач, а благодаря фундаментальной перестройке производства».

Невозможно смоделировать эти новые способы действий, но, вероятно, их эффект будет больше, чем тот, который удалось измерить.

Исследователи осторожно оговаривают свои оптимистичные выводы, перечисляя ограничения своей методологии и фиксируя множество допущений. И даже если все эти допущения оправдаются и производительность ИИ решит проблему госдолга, законодатели, вероятно, всё равно потратят излишки и вернутся к прежним проблемам.

Но учитывая, насколько неизбежными выглядят фискальные вызовы, даже небольшой шанс, что оценки производительности ИИ окажутся верны, — это повод пересмотреть наши взгляды: государственные финансы не так безнадёжны, как принято думать, а долгосрочные экономические перспективы могут быть лучше, чем кажется.

В долгосрочной перспективе производительность — почти всё, и ИИ может вот-вот сделать нас гораздо более продуктивными.