Искусственный интеллект может вывести нас на путь экономического процветания, но для этого потребуются серьезные корректировки курса.
Когда сегодня Чад Сайверсон заходит на сайт Бюро трудовой статистики США в поисках последних данных о производительности труда, он делает это с чувством оптимизма, которого не испытывал уже много лет.
Показатели за последний год в целом были высокими по ряду финансовых и деловых причин, восстановившись после первых дней пандемии. И хотя квартальные данные, как известно, отличаются неточностью и непоследовательностью, экономист из Чикагского университета внимательно изучает данные, чтобы обнаружить первые признаки начала экономического роста, обусловленного ИИ.
По его словам, любое влияние на текущую статистику, вероятно, будет весьма незначительным и не «изменит мир», поэтому его не удивляет, что признаки влияния ИИ пока не обнаружены. Но он внимательно следит за развитием событий, надеясь, что в ближайшие несколько лет ИИ сможет помочь обратить вспять двадцатилетний спад роста производительности, который подрывает значительную часть экономики. Если это произойдёт, говорит Сайверсон, «тогда мир изменится».
Новейшие версии генеративного ИИ поражают воображение реалистичными видеороликами, прозой, звучащей словно эксперт, и другими, слишком уж человечными, особенностями поведения. Руководители компаний беспокоятся о том, как преобразовать свои компании, поскольку миллиарды долларов текут в стартапы, а крупные компании, занимающиеся ИИ, создают всё более мощные модели. Существует множество прогнозов о том, как ChatGPT и растущий список крупных языковых моделей изменят наш подход к работе и организации жизни, предоставляя мгновенные советы по любым вопросам: от финансовых инвестиций до того, где провести следующий отпуск и как туда добраться.
Но для таких экономистов, как Сайверсон, самый важный вопрос, связанный с нашей одержимостью ИИ, заключается в том, как эта новая технология повысит (или не повысит) общую производительность, и если да, то сколько времени это займёт. Представьте себе итоговый результат шумихи вокруг ИИ: способна ли эта технология привести к возрождению процветания после многих лет стагнации экономики?
Рост производительности труда — это то, благодаря чему страны становятся богаче. Технически, производительность труда — это показатель того, сколько в среднем производит работник; инновации и технологический прогресс обеспечивают большую часть этого роста. По мере того, как работники и предприятия могут производить больше товаров и предлагать больше услуг, заработная плата и прибыль растут — по крайней мере, в теории, и при условии справедливого распределения выгод. Экономика расширяется, и правительства могут инвестировать больше и приближаться к сбалансированности своих бюджетов. Для большинства из нас это ощущается как прогресс. Именно поэтому до последних нескольких десятилетий большинство американцев считали, что их уровень жизни и финансовые возможности будут выше, чем у их родителей и бабушек с дедушками.
Но когда рост производительности труда стабилен или почти стабилен, пирог перестаёт расти. Даже ежегодное замедление или ускорение на 1% может означать разницу между экономикой, находящейся в состоянии кризиса, и процветающей. В конце 1990-х и начале 2000-х годов производительность труда в США росла значительными темпами, почти на 3% в год, с началом эпохи интернета. (В период бурного роста после Второй мировой войны она росла ещё быстрее, значительно превышая 3%). Однако примерно с 2005 года рост производительности труда в большинстве развитых стран стал удручающим.
Виновных можно найти разных. Но есть и общая тема: казалось бы, гениальные технологии, созданные за последние два десятилетия, от iPhone до вездесущих поисковых систем и всепоглощающих социальных сетей, привлекли наше внимание, но не смогли обеспечить масштабного экономического процветания.
В 2016 году я написал статью под названием «Дорогая Кремниевая долина: забудьте о летающих автомобилях, дайте нам экономический рост». Я утверждал, что, хотя крупные технологические компании совершали один прорыв за другим, они в значительной степени игнорировали столь необходимые инновации в важнейших промышленных секторах, таких как обрабатывающая промышленность и производство материалов. В каком-то смысле это было совершенно разумно с финансовой точки зрения: зачем инвестировать в эти зрелые, рискованные предприятия, если успешный стартап в сфере социальных сетей может принести миллиарды?
Связанная история
Однако такой выбор обернулся медленным ростом производительности труда. Хотя некоторые люди в Кремниевой долине и других местах сказочно разбогатели, политический хаос и социальные волнения, наблюдавшиеся в ряде развитых стран за последние десятилетия, по крайней мере отчасти можно объяснить неспособностью технологий расширить финансовые возможности многих работников и предприятий и способствовать развитию жизненно важных секторов экономики в различных регионах.
Некоторые проповедуют терпение: «Прорывы дадут о себе знать в экономике не сразу, но как только это произойдёт, будьте бдительны!» Вероятно, это правда. Но пока что результатом стала глубоко расколотая страна, где технооптимизм и несметное богатство, источаемые Кремниевой долиной, кажутся актуальными лишь для немногих.
Пока ещё слишком рано говорить о том, как всё обернётся на этот раз — станет ли генеративный ИИ действительно прорывом, случающимся раз в столетие и способствуя возвращению к финансовому благополучию, или же он мало что сделает для достижения настоящего всеобщего процветания. Другими словами, будет ли он похож на освоение электричества и изобретение электродвигателя, которые привели к промышленному буму, или, скорее, на смартфоны и социальные сети, которые поглотили наше коллективное сознание, не обеспечив существенного экономического роста?
Чтобы ИИ, особенно генеративные модели, оказали большее экономическое влияние, чем другие цифровые достижения последних десятилетий, нам необходимо использовать эту технологию для преобразования производительности во всей экономике, даже в том, как мы генерируем новые идеи. Это огромная задача, и она не будет решена в одночасье, но мы находимся на переломном этапе. Начнём ли мы этот путь к всеобщему росту благосостояния, или создатели сегодняшнего прорывного ИИ продолжат игнорировать огромный потенциал этой технологии для реального улучшения нашей жизни?
Холодная вода для (пере)горячих спекуляций
Серия исследований, проведённых за последний год, показывает, как генеративный ИИ может повысить производительность труда людей, выполняющих различные задачи. Экономисты Стэнфордского университета и Массачусетского технологического института обнаружили, что сотрудники колл-центров на 14% более продуктивны при использовании ИИ-помощника в диалоговом режиме; в частности, производительность неопытных и низкоквалифицированных сотрудников выросла на 35%. Другое исследование показало, что инженеры-программисты могут писать код вдвое быстрее с помощью этой технологии.
В прошлом году Goldman Sachs подсчитал, что генеративный ИИ, вероятно, будет способствовать общему росту производительности труда на 1,5 процентных пункта в год в развитых странах и увеличит мировой ВВП на 7 триллионов долларов в течение 10 лет. Некоторые прогнозируют, что эффект проявится уже скоро.
Антон Коринек, экономист из Университета Вирджинии, отмечает, что дополнительный рост пока не отразился на показателях производительности, поскольку для внедрения генеративного ИИ в экономику требуется время. Однако он прогнозирует рост производительности труда в США на 1–1,5% к следующему году. А если прорывы в области моделей генеративного ИИ продолжатся — например, ChatGPT5 — то конечный эффект может быть «значительно выше», говорит Коринек.
Не все так оптимистичны. Дарон Асемоглу, экономист Массачусетского технологического института, говорит, что его расчёты — это «корректировка тех, кто утверждает, что в течение пяти лет вся экономика США преобразится». По его мнению, «генеративный ИИ может стать серьёзным прорывом. Мы пока не знаем. Но если это так, мы не увидим преобразующего эффекта в течение 10 лет — ещё слишком рано. Потребуется время».
В апреле Асемоглу опубликовал статью, в которой предсказал, что влияние генеративного ИИ на совокупную производительность факторов производства (СПФП) — ту часть, которая отражает вклад инноваций и новых технологий — составит около 0,6% в течение 10 лет, что значительно меньше, чем ожидают Goldman Sachs и другие. На протяжении десятилетий рост СПФП был медленным, и он считает, что генеративный ИИ мало что может сделать для существенного изменения этой тенденции, по крайней мере, в краткосрочной перспективе.
Асемоглу утверждает, что ожидает относительно скромного прироста производительности от генеративного ИИ, поскольку его создатели из числа крупных технологических компаний в основном были сосредоточены на использовании ИИ для замены людей автоматизацией и обеспечения «онлайн-монетизации» поиска и социальных сетей. По его мнению, для большего влияния на производительность ИИ должен быть полезен гораздо более широкому кругу работников и актуален для большего числа отраслей экономики. Важно, чтобы он использовался для создания новых рабочих мест, а не только для замены работников.
Асемоглу утверждает, что генеративный ИИ может быть использован для расширения возможностей работников, например, предоставляя данные в режиме реального времени и достоверную информацию для многих типов работ. Представьте себе интеллектуального ИИ-агента, разбирающегося, скажем, в тонкостях заводского производства. Однако, пишет он, «эти достижения останутся недостижимыми, если не произойдет фундаментальная переориентация [технологической] отрасли, включая, возможно, серьёзное изменение архитектуры наиболее распространённых моделей генеративного ИИ».
Возникает соблазн подумать, что, возможно, достаточно просто дополнить современные крупные базовые модели соответствующими данными, чтобы сделать их широко применимыми в различных отраслях. Но на самом деле нам потребуется переосмыслить сами модели и найти способы их более эффективного применения в гораздо более широком спектре областей.
Достижение прогресса
Возьмём, к примеру, обрабатывающую промышленность. Долгие годы она была одним из важных источников роста производительности в экономике США. На неё по-прежнему приходится значительная часть НИОКР страны. Недавний рост автоматизации и использование промышленных роботов может указывать на повышение производительности труда в обрабатывающей промышленности, но это не так. По несколько загадочным причинам производительность в обрабатывающей промышленности США находится в катастрофическом состоянии примерно с 2005 года, что сыграло огромную роль в общем замедлении роста производительности.
Перспектива генеративного ИИ в деле восстановления производительности заключается в том, что он может помочь интегрировать всё: от исходных материалов и выбора конструкции до данных в режиме реального времени, получаемых с датчиков, встроенных в производственное оборудование. Мультимодальные возможности могут позволить заводскому рабочему, например, сфотографировать проблему и запросить у модели ИИ решение на основе изображения, руководства по эксплуатации компании, любых соответствующих нормативных требований и огромного количества данных, получаемых в режиме реального времени с оборудования.
По крайней мере, таково видение.
Реальность такова, что попытки внедрить современные базовые модели в проектирование и производство находятся на самом начальном этапе. Использование ИИ до сих пор ограничивалось «узкими сферами», говорит Фаез Ахмед, инженер-механик Массачусетского технологического института, специализирующийся на машинном обучении, — например, планированием технического обслуживания на основе данных с конкретного оборудования. В отличие от этого, генеративные модели ИИ теоретически могут быть широко полезны для самых разных целей: от улучшения первоначальных проектов с использованием реальных данных до мониторинга этапов производственного процесса и анализа данных о производительности на заводе.
В опубликованной в марте статье группа экономистов и инженеров-механиков Массачусетского технологического института (включая Асемоглу и Ахмеда) выявила многочисленные возможности для генеративного ИИ в проектировании и производстве, прежде чем пришла к выводу, что «текущие решения [генеративного ИИ] не могут достичь этих целей из-за ряда ключевых недостатков». Главными недостатками ChatGPT и других моделей ИИ являются их неспособность предоставлять достоверную информацию, отсутствие «соответствующих знаний в предметной области» и «незнание требований отраслевых стандартов». Эти модели также плохо спроектированы для решения пространственных задач на производственных площадках и обработки различных типов данных, создаваемых производственным оборудованием, включая старое оборудование.
По словам Ахмеда, самая большая проблема заключается в том, что существующим моделям генеративного ИИ не хватает необходимых данных. Они обучаются на данных, собранных из интернета, и «всё это скорее про кошек, собак и мультимедийный контент, чем про то, как на самом деле управлять токарным станком». «Причина, по которой эти модели относительно плохо справляются с производственными задачами, заключается в том, что они никогда не сталкивались с производственными задачами».
Получить доступ к таким данным непросто, поскольку большая их часть является конфиденциальной. «Некоторые действительно боятся, что модель похитит мои данные и унесёт их», — говорит он. Связанная с этим проблема заключается в том, что производство требует точности и, зачастую, строгого соблюдения отраслевых или государственных норм. «Если системы неточны и ненадёжны, люди реже ими пользуются», — говорит он. «И это проблема курицы или яйца: потому что модели неточны; потому что нет данных».
Исследователи Массачусетского технологического института призвали к созданию «следующего поколения» моделей ИИ, адаптированных для производства. Но есть проблема: создание ИИ для производства, использующего возможности базовых моделей, потребует тесного сотрудничества между промышленностью и компаниями, разрабатывающими ИИ, а это пока находится на начальной стадии.
По словам Ранвира Чандры, управляющего директора по исследованиям в промышленности в Microsoft Research, отсутствие прогресса пока «обусловлено не тем, что людям неинтересно или они не видят ценности для бизнеса». Проблема в поиске способов защитить данные и убедиться, что они представлены в полезной форме и дают релевантные ответы на конкретные вопросы, связанные с производством.
Microsoft использует несколько стратегий. Одна из них заключается в том, чтобы базовая модель основывала свои ответы на закрытых данных компании, например, на руководстве по эксплуатации и производственных данных. Гораздо более сложная, но привлекательная альтернатива — тонкая настройка базовой архитектуры модели для лучшего соответствия производственным требованиям. Ещё один подход — так называемые модели малого языка, которые также можно обучать специально на данных компании. Поскольку они меньше базовых моделей, таких как GPT-4, им требуется меньше вычислительной мощности, и они могут быть более точно ориентированы на конкретные производственные задачи.
«Но пока это всего лишь исследование», — говорит Чандра. «Мы решили эту проблему? Пока нет».
Золотая жила новых идей
Использование ИИ для стимулирования научных открытий и инноваций может оказать наибольшее влияние на общую производительность в долгосрочной перспективе. Экономисты давно признали новые идеи источником долгосрочного роста, и есть надежда, что новые инструменты ИИ смогут ускорить их поиск. Хотя повышение эффективности, скажем, работы сотрудника колл-центра может означать единовременный скачок производительности в этой сфере, использование ИИ для оптимизации процесса изобретения новых технологий и бизнес-практик — для создания полезных новых идей — может привести к устойчивому повышению темпов экономического роста, поскольку оно преобразует инновационный процесс и методы проведения исследований.
Уже сейчас имеются заманчивые намеки на потенциал ИИ.
В частности, Google DeepMind, определяющая свою миссию как «решение некоторых из самых сложных научных и инженерных задач нашего времени», сообщает, что более 2 миллионов пользователей воспользовались её системой глубокого обучения на основе искусственного интеллекта для прогнозирования сворачивания белков. Многие препараты воздействуют на определённый белок, и знание трёхмерной структуры таких белков — то, что традиционно требует кропотливого лабораторного анализа — может стать бесценным шагом в создании новых лекарств. В мае Google выпустила AlphaFold 3, заявив, что он «предсказывает структуру и взаимодействие всех молекул живого», помогая определить, как различные биомолекулы взаимодействуют друг с другом, предоставляя ещё более эффективные инструменты для поиска новых лекарств.
Создатели моделей ИИ, включая DeepMind и Microsoft Research, также работают над другими проблемами в области биологии, геномики и материаловедения. Есть надежда, что генеративный ИИ поможет учёным извлекать ключевую информацию из обширных наборов данных, распространённых в этих областях, упрощая и ускоряя, например, поиск новых лекарств и материалов.
Связанная история
Нам крайне необходим такой стимул. Несколько лет назад группа ведущих экономистов написала статью под названием «Становится ли сложнее находить идеи?» и обнаружила, что для поиска новых идей, необходимых для поддержания технологического прогресса, требуется всё больше исследователей и средств. С технической точки зрения, проблема заключается в том, что производительность исследований — количество идей, генерируемых в расчёте на число учёных, — стремительно падает. Другими словами, да, идеи становится всё сложнее находить. В целом, мы поддерживаем темпы роста, привлекая больше исследователей и увеличивая инвестиции в НИОКР, но общая производительность исследований в США резко снижается.
Чтобы соблюдать закон Мура, предсказывающий, что число транзисторов на кристалле будет удваиваться примерно каждые два года, полупроводниковой промышленности требуется в 18 раз больше исследователей, чем в начале 1970-х годов. Аналогично, для разработки примерно такого же количества новых лекарств требуется гораздо больше учёных, чем несколько десятилетий назад.
Сможет ли ИИ придумать безопасные и эффективные новые лекарства и найти удивительные новые материалы для вычислений и чистой энергии?
Джон Ван Ринен, профессор Лондонской школы экономики и один из авторов статьи, понимает, что пока рано говорить о каких-либо реальных изменениях в данных о производительности труда благодаря ИИ, но, по его словам, «есть надежда, что [это] может что-то изменить». AlphaFold — это «живой пример» того, как ИИ может изменить науку, говорит он, и «вопрос в том, сможет ли это перейти от анекдотов к чему-то более систематическому».
Цель состоит не только в предоставлении различных инструментов, облегчающих жизнь учёных, таких как автоматизированный поиск литературы, но и в том, чтобы сам ИИ мог предлагать оригинальные и полезные научные идеи, которые иначе ускользнули бы от внимания исследователей. В рамках этой концепции ИИ придумывает новые соединения, более эффективные и безопасные, чем существующие лекарства, а также удивительные материалы, расширяющие возможности вычислений и чистой энергии. Цель особенно привлекательна, поскольку вселенная потенциальных молекул практически безгранична. Машинное обучение особенно эффективно ориентируется в таком практически бесконечном пространстве и исследует огромное количество возможностей.
Но не ждите от ИИ момента Томаса Эдисона. Хотя научная популярность AlphaFold повысила ожидания относительно потенциала ИИ, до воплощения исследований в реальные продукты — будь то новые лекарства или новые материалы — ещё очень рано. В недавнем анализе группа учёных Массачусетского технологического института сформулировала это так: «Генеративный ИИ, несомненно, расширил и ускорил ранние этапы химического проектирования. Однако реальный успех достигается на более поздних этапах, где влияние ИИ пока ограничено».
На самом деле процесс превращения интригующих научных достижений в использовании ИИ в реальные, полезные вещи все еще находится в зачаточном состоянии.
Это материальный мир.
Пожалуй, нигде так не воодушевляются потенциалом ИИ для трансформации исследований, как в часто игнорируемой области открытия материалов. Мир отчаянно нуждается в более качественных материалах. Они нужны нам для более дешёвых и мощных аккумуляторов и солнечных элементов, а также для новых типов катализаторов, которые сделают возможными более чистые промышленные процессы; нам нужны практичные высокотемпературные сверхпроводники, которые коренным образом изменят способы передачи электроэнергии.
Поэтому, когда DeepMind заявила, что с помощью глубокого обучения обнаружила около 2,2 миллиона неорганических кристаллов, включая около 380 000, которые, как ожидается, будут стабильными и перспективными кандидатами для реального синтеза, отчёт был встречен с большим энтузиазмом, особенно в сообществе ИИ. Революция в области материалов! Это казалось золотой жилой новых знаний — «на порядок больше, чем количество стабильных материалов, известных человечеству», — написали исследователи DeepMind в журнале Nature. База данных DeepMind, называемая GNoME (аббревиатура от «Graph Networks for Materials Exploration»), «эквивалентна 800 годам знаний», согласно пресс-релизу компании.
Но спустя несколько месяцев после публикации статьи некоторые исследователи оспорили эту шумиху. Материаловеды из Калифорнийского университета в Санта-Барбаре опубликовали статью, в которой сообщили об отсутствии «скудных доказательств» того, что какая-либо из структур в базе данных DeepMind отвечает «триаду новизны, достоверности и полезности».
Для тех, кто занимается поиском новых материалов, огромные базы данных возможных неорганических кристаллов, многие из которых могут быть недостаточно стабильными для реального существования, кажутся отвлекающим фактором. «Если вы засыпаете нас 400 000 новых материалов, а мы даже не знаем, какие из них реалистичны, то мы не знаем, какой из них подойдёт для аккумулятора, катализатора или чего-то ещё, что вы хотите из них сделать. В таком случае эта информация бесполезна», — говорит Лесли Шуп, химик из Принстона, соавтор статьи, описывающей сложности использования автоматизации и ИИ в поиске и синтезе материалов.
Если говорить точнее, это не означает, что ИИ не сыграет важной роли в материаловедении и химии. Даже критики говорят, что их воодушевляют долгосрочные возможности. Но эта критика лишь намекает на то, насколько рано мы начали использовать ИИ для решения непростой задачи открытия материалов и превращения его в надёжный инструмент для поиска новых соединений, превосходящих существующие.
Связанная история
Производство и тестирование любого потенциально нового материала чрезвычайно дорого и требует много времени. Промышленным исследователям действительно нужны надёжные подсказки, указывающие на материалы, которые предсказуемо стабильны, могут быть синтезированы и, вероятно, обладают интересными свойствами, в том числе дешевизной производства.
База данных GNoME, вероятно, содержит интересные соединения, утверждают её создатели из DeepMind. Но они признают, что это лишь предварительный шаг в демонстрации того, как ИИ может помочь в поиске материалов. Ещё многое предстоит сделать, чтобы расширить её возможности.
Экин Догус Кубук, исследователь Google и соавтор статьи в журнале Nature, описывает представленную в ней работу как достижение в прогнозировании большого числа возможных неорганических кристаллов, стабильных, на основе квантово-механических расчётов, при абсолютном нуле, где движение атомов прекращается. Такие прогнозы могут быть полезны для тех, кто проводит компьютерное моделирование новых материалов — на самом раннем этапе их открытия.
Однако, по его словам, машинное обучение пока не использовалось для прогнозирования кристаллов, стабильных при комнатной температуре. После того, как эта цель будет достигнута, появится возможность использовать ИИ для прогнозирования того, как структуры можно синтезировать в лаборатории, а в конечном итоге и как производить их в больших масштабах. Всё это необходимо сделать, прежде чем машинное обучение действительно сможет преобразовать длительный и дорогостоящий процесс создания новых материалов, говорит он.
Для тех, кто надеется, что модели ИИ смогут повысить экономическую производительность, преобразуя науку, один урок очевиден: будьте терпеливы. Подобные научные достижения вполне могут когда-нибудь оказать влияние. Но это займёт время — вероятно, измеряемое десятилетиями.
Парадокс Солоу
Джеймс Манийка, старший вице-президент Google по исследованиям, технологиям и обществу, неудивительно с энтузиазмом относится к огромному потенциалу ИИ для преобразования экономики. Однако он далек от беззастенчивого энтузиаста, помня об уроках, извлеченных им за годы изучения влияния технологий на производительность.
До прихода в Google в 2022 году Маньяка несколько десятилетий проработал консультантом, исследователем и, наконец, председателем правления McKinsey Global Institute, подразделения экономических исследований этого консалтингового гиганта. В McKinsey он стал ведущим экспертом в области взаимосвязи технологий и экономического роста, а одним из своих первых наставников он считает Роберта Солоу — экономиста Массачусетского технологического института, получившего Нобелевскую премию 1987 года за объяснение того, как технический прогресс является основным источником роста производительности труда.
Один из уроков Солоу, скончавшегося в конце прошлого года в возрасте 99 лет, заключается в том, что даже мощным технологиям требуется время, чтобы повлиять на экономический рост. В 1987 году Солоу язвительно заметил: «Компьютерный век виден повсюду, но только не в статистике производительности». В то время информационные технологии переживали революцию, наиболее заметную с появлением персонального компьютера. Однако, по оценкам экономистов, производительность труда росла медленно. Это стало известно как парадокс Солоу. Только в конце 1990-х годов, спустя десятилетия после наступления компьютерного века, рост производительности труда начал наконец набирать обороты.
Связанная история
Продуктивная карьера Роберта СолоуЧитать далее
История научила Маньику быть осмотрительным в прогнозах того, как и когда экономика в целом ощутит влияние генеративного ИИ. «У меня нет точных сроков», — говорит он. «Оценки [прироста производительности], как правило, впечатляюще велики, но когда речь заходит о сроках, я говорю: „Это зависит“».
В частности, он говорит, что это зависит от того, что экономисты называют «темпом распространения», — по сути, от того, насколько быстро пользователи осваивают технологию как внутри секторов, так и между ними. Это также зависит от способности различных пользователей, особенно предприятий в крупнейших секторах экономики, «[реорганизовать] функции, задачи и процессы, чтобы извлечь выгоду из технологии» и повысить производительность своей деятельности и сотрудников. Без этих факторов мы застрянем в «стране парадокса Солоу», считает Маньика.
«Технологии могут делать всё, что им вздумается, и с точки зрения производительности труда это не имеет значения», — говорит он, поскольку численность рабочей силы в них относительно невелика. «Нам нужно добиться изменений в крупнейших секторах, прежде чем мы начнём видеть рост производительности на уровне экономики».
В конце прошлого года Маньика совместно с Майклом Спенсом, лауреатом Нобелевской премии по экономике 2001 года, написала статью в журнале Foreign Affairs под названием «Грядущая экономическая революция ИИ; может ли искусственный интеллект обратить вспять падение производительности?». В ней авторы предложили явно оптимистичный, хотя и осторожный ответ.
«К началу следующего десятилетия переход на ИИ может стать ведущим фактором мирового процветания», — пишут они, поскольку он потенциально может повлиять «практически на все аспекты человеческой и экономической деятельности». Они добавили: «Если эти инновации удастся использовать, ИИ может обратить вспять долгосрочное снижение роста производительности труда, с которым сейчас сталкиваются многие развитые экономики». Но это ещё вопрос, признали они, добавив, что «это не произойдёт само собой» и потребует «позитивной политики, способствующей максимально эффективному использованию ИИ».
Призыв к разработке политики — это признание масштабности предстоящей задачи и того, что даже такие гиганты в области искусственного интеллекта, как Google, не справятся с ней в одиночку. Для этого потребуются масштабные инвестиции в инфраструктуру и дополнительные инновации со стороны правительств и бизнеса.
Компаниям, от небольших стартапов до крупных корпораций, потребуется взять базовые модели, такие как Gemini от Google, и «адаптировать их для своих приложений, в своей среде и в своих областях», — говорит Манийка. В некоторых случаях, по его словам, Google уже сама занималась адаптацией, «потому что нам это интересно».
Например, в мае Google выпустила Med-Gemini, используя мультимодальные возможности своей базовой модели для решения широкого спектра медицинских задач, включая принятие диагностических решений на основе изображений, видеозаписей операций и информации из электронных медицинских карт. Теперь, по словам Маниики, медицинским работникам и исследователям предстоит «подумать, как это применить, поскольку мы не занимаемся здравоохранением в этом смысле». Но, по его словам, «это даёт им хороший старт».
Но именно в этом и заключается главная проблема, с которой нам предстоит столкнуться, если ИИ намерен преобразовать экономику.
Несмотря на ажиотаж вокруг генеративного ИИ и миллиарды долларов, вливаемые в стартапы, работающие с этой технологией, скорость его проникновения в деловой мир не слишком обнадёживает. Согласно опросу тысяч предприятий, проведённому Бюро переписи населения США в марте, доля компаний, использующих ИИ, выросла с примерно 3,7% в сентябре 2023 года до 5,4% в феврале этого года, и ожидается, что к концу года она достигнет около 6,6%. Большая часть этого внедрения пришлась на такие секторы, как финансы и технологии. Такие отрасли, как строительство и производство, практически не затронуты. Основная причина отсутствия интереса: большинство компаний считают ИИ «неприменимым» для своего бизнеса.
Для многих компаний, особенно небольших, всё ещё требуется огромный шаг веры, чтобы сделать ставку на ИИ и вложить деньги и время в реорганизацию бизнес-процессов вокруг него. Помимо того, что многие руководители не видят никакой ценности в этой технологии, у них постоянно возникают вопросы о надёжности генеративных моделей ИИ: галлюцинации — это одно в чате, но совсем другое на производстве или в отделении неотложной помощи. Их также беспокоят вопросы конфиденциальности данных и безопасности конфиденциальной информации. Без моделей ИИ, более адаптированных к потребностям различных компаний, многие, вероятно, останутся в стороне.
Тем временем Кремниевая долина и крупные технологические компании одержимы интеллектуальными агентами и видео, созданными с помощью генеративного ИИ; частные лица и корпорации сколачивают состояния на обещаниях ускорения смартфонов и интернет-поиска. Как и в начале 2010-х, значительная часть остальной экономики остаётся в стороне. Они не получают выгоды ни от финансовой выгоды от технологий, ни от их способности расширять крупные секторы и повышать их производительность.
Возможно, слишком наивно ожидать, что крупные технологические компании изменятся и вдруг задумаются об использовании своей огромной мощи на благо таких секторов, как производство. В конце концов, крупные технологические компании делают то, что делают.
И компаниям, работающим в сфере ИИ, будет непросто переосмыслить свои масштабные базовые модели для решения таких реальных задач. Им потребуется взаимодействовать с отраслевыми экспертами из самых разных секторов и реагировать на их потребности. Но реальность такова, что крупные компании, работающие в сфере ИИ, — единственные организации, обладающие огромной вычислительной мощностью для запуска современных базовых моделей и необходимыми кадрами для создания технологий следующего поколения.
Нравится нам это или нет, но, доминируя в этой области, они взяли на себя ответственность за её широкое применение. Возьмут ли они на себя эту ответственность ради всех нас или (в очередной раз) проигнорируют её ради сладкого пения сирен о накоплении богатства, в конечном итоге проявится само собой — возможно, первоначально в тех зачастую практически неразборчивых квартальных цифрах с сайта Бюро статистики труда США.
Исправление: Мы обновили описание статьи, написанной в соавторстве с Лесли Шуп.
Источник: www.technologyreview.com
