از دگرگونی نظام دستمزد تا وظایف جدید کارگران؛ ترسیم آینده دنیا با پیشرفت هوش مصنوعی
به گزارش اقتصادنیوز، هوش مصنوعی (AI) در چند دهه گذشته تاثیرات زیادی بر زندگی ما انسانها گذاشته است. اما تاریخچه هوش مصنوعی در جهان عملاً از قرن بیستم آغاز شده است. داستانهای علمی-تخیلی در نیمه اول این قرن باعث آغاز مفهومی به نام هوش مصنوعی در جهان شد. پیشگامانی مثل آلن تورینگ (Allen Turing) در دهه ۱۹۵۰ آغازگر هوش مصنوعی بودند، هرچند که ایدهها و مفاهیم مرتبط با آن به قدمتهای قدیمیتری برمیگردد. اما اصطلاح «هوش مصنوعی» برای اولینبارها از سوی جان مککارتی و ماروین منسکی در سال ۱۹۵۶ معرفی شد. این دو پژوهشگر به شروع دوران جدیدی در علوم کامپیوتر و هوش مصنوعی دامن زدند. از آن زمان تاکنون، هوش مصنوعی به شکلهای مختلف توسعه یافته و پیشرفتهای چشمگیری کرده است.
از الگوریتمهای یادگیری ماشین و شبکههای عصبی تا روباتیک و پردازش زبان طبیعی، هوش مصنوعی همهجا به کار گرفته شده است. هوش مصنوعی در بخشهای مختلفی پیشرفت داشته است، از جمله: توانایی برتری در بازیهای استراتژیک مانند شطرنج و پوکر، پیشرفت در فناوری خودران، از خودروهای خودران تا بلاییروباتها، پیشرفت در پزشکی، به ویژه در تشخیص بیماریها و تصویربرداری پزشکی، توانایی پردازش هرچه بیشتر دادهها و اطلاعات به سرعت بیشتر، ایجاد واقعیت افزوده و واقعیت مجازی. این پیشرفتها نشان از این دارد که هوش مصنوعی به یکی از حیاتیترین فناوریهای قرن بیست و یکم تبدیل شده و همچنین نشان از این دارد که در آینده نیز پیشرفتهای بیشتری در این زمینه پیشبینی میشود. عوامل متعددی در تکامل هوش مصنوعی در سالهای اخیر موثر بودند. توانایی جمعآوری و تجزیهوتحلیل حجم وسیعی از دادهها به صورت سریع که با پیشرفتهای فناوری محاسباتی ممکن شده، نقش بزرگی در تکامل هوش مصنوعی داشته است. اما این پیشرفتهای اخیر در بخش هوش مصنوعی چه پیامدهای اقتصادی داشته است؟ استفاده از هوش مصنوعی در فرآیندهای تولید و خدمات باعث افزایش بهرهوری و کاهش هزینهها میشود. علاوه بر این، هوش مصنوعی میتواند فرصتهای شغلی جدید ایجاد کند، به ویژه در زمینههایی که نیاز به تواناییهای تخصصی و یادگیری عمیق دارند. همچنین هوش مصنوعی میتواند به تغییرات اساسی در صنایع مختلف منجر شود و صنایع جدیدی را به وجود آورد.
بر اساس گزارش تجارت فردا، با استفاده از هوش مصنوعی میتوان دقت و کیفیت محصولات و خدمات را بهبود بخشید. بهطور کلی، پیامدهای اقتصادی پیشرفت هوش مصنوعی بهبود عملکرد اقتصاد و افزایش رقابتپذیری کشورها را در پی خواهند داشت. اما باید توجه داشت که این پیامدها نیازمند مدیریت مناسب و تعامل هوشمندانه میان مردم و فناوری هستند تا بتوان از مزایای هوش مصنوعی بهرهمند شد و از مخاطرات آن جلوگیری کرد. در همین زمینه، دارون عجم اوغلو، اقتصاددان آمریکایی، مقالهای تحت عنوان «اقتصاد کلان هوش مصنوعی» به چاپ رساند که به ارزیابی ادعاهای مربوط به پیامدهای اقتصادی پیشرفتهای جدید در هوش مصنوعی میپردازد. در این مقاله از یک مدل از اثرات هوش مصنوعی استفاده شده است که بر اساس صرفهجویی در هزینه متوسط در سطح کار، میتوان تولید ناخالص داخلی و بهرهوری کل را تخمین زد. تخمینهای این مقاله نشان میدهد که اثرات هوش مصنوعی در بهرهوری کل عوامل (TFP) در طول 10 سال در حدود 66/0 درصد است.
این مقاله استدلال میکند که حتی این تخمینها میتوانند اغراقآمیز باشند، زیرا شواهد اولیه تاثیرات هوش مصنوعی مربوط به کارهای آسان است، در حالی که در آینده کارها و وظایف آنها سختتر میشود و هیچ معیار نتیجهای عینی وجود ندارد که بتوان عملکرد موفق را اندازه گرفت. در نتیجه، تاثیر پیشبینیشده TFP طی 10 سال آینده حتی کمتر از 53/0 درصد است. نویسنده این مقاله همچنین تاثیرات دستمزد و نابرابری هوش مصنوعی را بررسی میکند و از نظر تئوری نشان میدهد که حتی زمانی که هوش مصنوعی بهرهوری کارگران کممهارت را در کارهای خاص بهبود میبخشد، ممکن است باعث افزایش نابرابری شود. البته بعید است پیشرفتهای هوش مصنوعی به اندازه پیشرفت در فناوریهای قبلی، نابرابری را افزایش دهد، زیرا تاثیر آنها بهطور مساوی در بین گروههای جمعیتی توزیع شده است، اما همچنین هیچ مدرکی وجود ندارد که هوش مصنوعی نابرابری درآمد نیروی کار را کاهش دهد، در عوض، پیشبینی میشود که هوش مصنوعی شکاف سرمایهای و درآمدی نیروی کار را افزایش دهد. در ادامه خلاصهای از این مقاله ارائه میشود.
این مقاله به دنبال چیست؟
براساس گزارش تجارت فردا، هوش مصنوعی (AI) به سرعت در حال پیشرفت است. رشد سریع بهرهوری و همچنین راههای جدید برای تکمیل انسانها عادی شده است. شکی نیست که پیشرفتهای اخیر در هوش مصنوعی و الگوهای زبان که متن، اطلاعات و تصاویر را در پاسخ به درخواستهای ساده کاربر تولید میکنند، بینظیر هستند. یکی از تازهترین آنها، ChatGPT است که در ابتدا در 30 نوامبر 2022 منتشر شد و خیلی زود تبدیل به سریعترین پلتفرم فناوری در تاریخ شد که تنها دو ماه پس از راهاندازی، صد میلیون کاربر ماهانه به دست آورد.
واضح است که هوش مصنوعی پیامدهایی برای اقتصاد کلان، بهرهوری، دستمزدها و نابرابری خواهد داشت، اما پیشبینی همه آنها بسیار دشوار است. پیشبینیهای سال گذشته درباره تاثیرات هوش مصنوعی غالباً بر افزایش بهرهوری تمرکز دارند. برخی از کارشناسان بر این باورند که پیامدهای پیشرفت هوش مصنوعی واقعاً دگرگونکننده خواهد بود، مثلاً هوش عمومی مصنوعی (AGI) در آیندهای نزدیک قادر خواهد بود تمام وظایف انسانی را انجام دهد. دیگر پیشبینیکنندگان بیشتر محافظهکارند، اما هنوز پیشبینی میکنند که اثرات بزرگی بر تولید میگذارد. به عنوان مثال، گلدمن ساکس در سال 2023 پیشبینی کرده است که هوش مصنوعی باعث افزایش هفتدرصدی در تولید ناخالص داخلی جهانی، معادل هفت تریلیون دلار و 5/1درصدی در رشد بهرهوری آمریکا در یک دوره 10ساله میشود. علاوه بر این، پیشبینیهای اخیر موسسه جهانی مککینزی در سال 2023 نشان میدهد که هوش مصنوعی مولد میتواند علاوه بر تخمینهای قبلی رشد اقتصادی ناشی از افزایش اتوماسیون کار، 1/17 تا 6/25 تریلیون دلار به اقتصاد جهانی کمک کند.
آنها بر این باورند که تاثیر کلی هوش مصنوعی و سایر فناوریهای اتوماسیون میتواند تا 5/1 تا 4/3 درصد، رشد متوسط سالانه تولید ناخالص داخلی را در اقتصادهای پیشرفته در دهه آینده افزایش دهد. آیا چنین تاثیرات بزرگی به وقوع میپیوندد؟ و اگر قرار باشد دستاوردهای بهرهوری حاصل شود، چه کسی نفع خواهد برد؟ با فناوریهای اتوماسیون قبلی، مانند روباتیک، بیشتر سودها نصیب صاحبان و مدیران شرکت میشد، در حالی که کارگران در مشاغل خود، تاثیر منفی را تجربه کردند. آیا اینبار ممکن است قضیه متفاوت باشد؟ برخی از کارشناسان و صاحبنظران خوشبینترند. چند مطالعه تجربی در این زمینه وجود دارد که دستاوردهای بهرهوری هوش مصنوعی را مستند میکنند که عمدتاً میگویند این موضوع ناشی از پیشرفت کارگران کمبازده یا با عملکرد پایینتر است و این باعث شده است که برخی از کارشناسان با احتیاط نیز خوشبین باشند.
اثرات اقتصاد کلان میانمدت هوش مصنوعی
این مقاله از چهارچوب مقالات مختلف این زمینه برای ارائه برخی بینشها استفاده میکند، به ویژه چهارچوبهای نظری مربوط به اثرات اقتصاد کلان میانمدت (حدود 10ساله) هوش مصنوعی. نویسنده این مقاله یک الگوی مبتنی بر وظیفه میسازد که در آن تولید یک کالای نهایی منحصربهفرد مستلزم انجام یکسری وظایف است و این وظایف را میتوان به سرمایه یا نیروی کار اختصاص داد که دارای مزایای نسبی متفاوتی هستند.
در این چهارچوب، اتوماسیون مجموعه وظایفی است که بهوسیله سرمایه (از جمله ابزارهای دیجیتال و الگوریتمها) تولید میشود و سود بهرهوری مبتنی بر هوش مصنوعی -که بهعنوان رشد متوسط تولید به ازای هر کارگر یا بهعنوان رشد بهرهوری کل عوامل (TFP) اندازهگیری میشود- میتواند از تعدادی کانال مجزا حاصل شود که شامل الگوهای هوش مصنوعی میشود که هزینهها را کاهش میدهند. یکی از کانالها در مورد هوش مصنوعی مولد، کارکردهای مختلف اداری سطح متوسط، خلاصه متن، طبقهبندی دادهها، تشخیص الگوی پیشرفته و وظایف بینایی کامپیوتری هستند که میتوانند بهطور سودآوری خودکار شوند. کانال دیگر، مکمل بودن کارهایی است که میتواند بهرهوری را در کارهایی که کاملاً خودکار نیستند افزایش دهد و حتی ممکن است محصول حاشیهای کار را افزایش دهد. برای مثال، کارگرانی که وظایف خاصی را انجام میدهند ممکن است اطلاعات بهتری داشته باشند یا به ورودیهای مکمل دیگر دسترسی داشته باشند.
از سوی دیگر، هوش مصنوعی ممکن است برخی از وظایف فرعی را خودکار کند، در حالی که در عین حال کارگران را قادر میکند تا در سایر جنبههای شغل خود متخصص شوند و بهرهوری خود را افزایش دهند. تعمیق اتوماسیون نیز میتواند رخ دهد و بهرهوری سرمایه را در کارهایی که قبلاً خودکار شدهاند افزایش دهد. برای مثال، یک کار امنیتی فناوری اطلاعات که قبلاً خودکار شده است، ممکن است از طریق هوش مصنوعی مولد با موفقیت بیشتری انجام شود. علاوه بر این، وظایف جدید ممکن است به لطف هوش مصنوعی ایجاد شود و این وظایف ممکن است بر بهرهوری کل فرآیند تولید تاثیر بگذارد. در این مقاله، نویسنده بر دو کانال اول تمرکز میکند، هرچند اینکه چگونه کارهای جدید فعالشده بهوسیله هوش مصنوعی میتوانند اثرات مثبت یا منفی داشته باشند، قابل بحث است. در مقاله به تعمیق اتوماسیون پرداخته نمیشود، زیرا وظایف تحت تاثیر هوش مصنوعی (تولیدکننده) با کارهایی که توسط موج قبلی فناوریهای دیجیتال، مانند روباتیک، تجهیزات ساخت پیشرفته و سیستمهای نرمافزاری خودکار شده بود، متفاوت است. نویسنده این مقاله همچنین در مورد اینکه چگونه هوش مصنوعی میتواند با تغییر روند علم تاثیرات انقلابی داشته باشد (احتمالی که با پیشرفتهای شبکه عصبی در تاشوی پروتئین و ساختارهای کریستالی جدید کشفشده از طریق DeepMind زیرمجموعه گوگل نشان داده شده است) بحث نمیکند، زیرا پیشرفتهای بزرگ در این زمینه در چهارچوب زمانی 10ساله محتمل به نظر نمیرسد و بسیاری از بحثهای فعلی بر اتوماسیون و مکملهای کار متمرکز هستند.
در این مقاله نشان داده میشود که وقتی اثرات اقتصاد خرد هوش مصنوعی با صرفهجویی در هزینه (بهبود بهرهوری) در سطح وظیفه هدایت میشود -به دلیل اتوماسیون یا مکملهای کار- پیامدهای اقتصاد کلان آن بهوسیله نسخهای از قضیه هالتن ارائه میشود: تولید ناخالص داخلی و سودهای بهرهوری کل را میتوان با توجه به کسری از وظایف تحت تاثیر و میانگین صرفهجویی در هزینه در سطح کار تخمین زد. این معادله هرگونه تولید ناخالص داخلی و اثرات بهرهوری از هوش مصنوعی را مشخص میکند. بهرغم سادگی آن، بهکارگیری این معادله کمتر مورد توجه است، زیرا ابهام زیادی در مورد اینکه کدام وظایف خودکار یا تکمیل خواهند شد و صرفهجویی در هزینهها چقدر خواهد بود وجود دارد.
با وجود این، نویسنده این مقاله از دادههای تعدادی از مطالعات اخیر، به ویژه الوندو و همکاران (2023) و سوانبرگ و همکاران (2024) استفاده میکند. همچنین اولین تخمینهای سیستماتیک را از اینکه چه وظایفی تحت تاثیر فناوریهای هوش مصنوعی و بینایی رایانهای مولد قرار خواهند گرفت، ارائه میدهد. روششناسی این مقالات بهطور کامل تشخیص نمیدهد که آیا تاثیر به شکل اتوماسیون یا مکمل کارها خواهد بود و اطلاعاتی در مورد اینکه چه زمانی باید انتظار داشته باشیم این تاثیرات تحقق یابد و میزان صرفهجویی در هزینه آنها چقدر خواهد بود، ارائه نمیدهد. اما در این میان، برای فناوریهای بینایی کامپیوتری، سوانبرگ و همکاران (2024) تخمینهایی را ارائه میدهند که چه کسری از وظایفی که بهطور بالقوه در معرض هوش مصنوعی قرار میگیرند میتوانند بهطور عملی در بازههای زمانی مختلف خودکار شوند.
کارهایی که تحت تاثیر هوش مصنوعی هستند
نویسنده مقاله از تخمینهای الوندو و همکاران (2023) درباره کارهایی که تحت تاثیر هوش مصنوعی هستند، استفاده میکند، سپس این موضوع را در سطح شغلی جمع میکند و اهمیت هر شغل را بر اساس سهم دستمزد آن در اقتصاد آمریکا ارزیابی میکند. این محاسبه نشان میدهد که 20 درصد از کارهای نیروی کار آمریکا در معرض پیشرفت هوش مصنوعی قرار میگیرد. در ادامه عجم اوغلو از تخمین سوانبرگ و همکاران (2024) برای کارهای بینایی کامپیوتری استفاده میکند که در بین تمام وظایف مربوط به این زمینه، 23 درصد میتواند از طریق هوش مصنوعی انجام شود.
عجم اوغلو میانگین صرفهجویی در هزینه نیروی کار را 27 درصد میداند و این را با استفاده از سهم نیروی کار صنعت به صرفهجویی در هزینه کلی، تخمین میزند. این محاسبه نشان میدهد که اثرات بهرهوری کل عوامل (TFP) در 10 سال آینده نباید بیش از 66/0 درصد در کل باشد.
برای تبدیل این اعداد به تخمین تولید ناخالص داخلی، باید بدانیم که سهم سرمایه ناشی از پیشرفت هوش مصنوعی چقدر افزایش خواهد یافت. نویسنده این مقاله با معیار افزایش موجودی سرمایه متناسب با افزایش TFP شروع میکند. این معیار با این واقعیت همخوانی دارد که به نظر نمیرسد هوش مصنوعی مولد به سرمایهگذاریهای کلان از سوی کاربران (فراتر از سرمایهگذاریهای طراحان و مربیان الگوها) نیاز داشته باشد. با گنجاندن این اثرات سرمایهگذاری، تولید ناخالص داخلی نیز طی 10 سال آینده 93/0 تا 16/1 درصد رشد خواهد کرد. وقتی فرض میشود که واکنش سرمایهگذاری مشابه واکنشهای مربوط به فناوریهای اتوماسیون قبلی باشد، حد بالایی بر اثرات تولید ناخالص داخلی به حدود 56/1-4/1 درصد افزایش مییابد.
با وجود این، چهارچوب این مقاله روشن میکند که اگر نسبت سرمایه به تولید در پاسخ به افزایش TFP افزایش یابد، ممکن است تولید ناخالص داخلی بیش از TFP افزایش یابد. اما این به رفاه کمک نمیکند، زیرا سرمایهگذاری اضافی از مصرف خارج میشود. عجم اوغلو استدلال میکند که اعداد تخمین زدهشده ممکن است بیشازحد برآوردی از مزایای بهرهوری کل حاصل از هوش مصنوعی باشند، زیرا تخمینهای موجود از سود بهرهوری و صرفهجویی در هزینهها مربوط به کارهایی هستند که «آسان یادگیر» هستند، که یادگیری آنها را برای هوش مصنوعی آسان میکند. در مقابل، برخی از تاثیرات آتی از وظایف «سخت یادگیر» وجود دارند، جایی که عوامل وابسته به زمینه بر تصمیمگیری تاثیر میگذارند و بیشتر یادگیریها بر اساس رفتار عوامل انسانی است که وظایف مشابه را انجام میدهند. در نتیجه، دستاوردهای بهرهوری از هوش مصنوعی در این کارهای سخت، کمتر خواهد بود- اگرچه، تعیین دقیق آن چالشبرانگیز است. با استفاده از طیفی از مفروضات (نظری)، عجم اوغلو حد بالایی از 73 درصد وظایف آسان را در میان وظایف آشکار تخمین میزند. او تصور میکند که افزایش بهرهوری در کارهای سخت تقریباً یکچهارم کارهای آسان باشد. این باعث افزایش متوسط در TFP و GDP در 10 سال آینده میشود که میتواند به ترتیب با 53/0 درصد و 90/0 درصد محدود شود.
وظایف جدید ایجادشده با هوش مصنوعی میتواند به میزان قابل توجهی بهرهوری را افزایش دهد. با این حال، برخی از کارهای جدید تولیدشده بهوسیله هوش مصنوعی ممکن است ارزش اجتماعی منفی داشته باشند، مانند دیپ فیک، تبلیغات دیجیتال گمراهکننده، رسانههای اجتماعی اعتیادآور یا حملات رایانهای مخرب مبتنی بر هوش مصنوعی. در حالی که اعداد و ارقام در مورد وظایف جدید خوب و بد دشوار است، بر اساس تحقیقات اخیر عجم اوغلو مشخص شده است که اثرات منفی کارهای بد میتواند قابل توجه باشد.
او بیان میکند که مطالعات جدید با استفاده از تخمینهایی در مورد اثرات منفی رفاهی رسانههای اجتماعی درمییابند که مصرفکنندگان تمایل مثبتی برای پرداخت هزینه برای استفاده از رسانههای اجتماعی به ویژه اینستاگرام و TikTok زمانی که دیگران از آن استفاده میکنند، دارند، اما ترجیح میدهند نه خودشان و نه دیگران از آن استفاده نکنند. بهطور کلی، تخمین این مطالعات نشان میدهد که درآمد افراد میتواند حدود 53 دلار در هر ماه افزایش یابد، اما این تاثیر منفی بر کل تولید ناخالص داخلی / رفاه معادل 19 دلار در هر ماه برای هر کاربر است. با ترکیب این اعداد با تخمین بخشی از فعالیتهایی که ممکن است ارزش اجتماعی منفی ایجاد کنند (در عمل، درآمدهای حاصل از رسانههای اجتماعی و هزینههای مربوط به رقابتهای تسلیحاتی دفاعی-حمله در امنیت فناوری اطلاعات)، نویسنده این مقاله پیشنهاد میکند که با استفاده فشردهتر از هوش مصنوعی، ممکن است افزایشهای غیرضروری در تولید ناخالص داخلی داشته باشد. به عنوان مثال، هوش مصنوعی ممکن است تولید ناخالص داخلی را تا دو درصد افزایش دهد، در حالی که در واقعیت، رفاه را 72/0 درصد کاهش دهد.
در نهایت، عجم اوغلو تاثیرات دستمزد و نابرابری هوش مصنوعی را بررسی میکند. چهارچوب او نشان میدهد که افزایش بهرهوری ناشی از هوش مصنوعی بعید است که به افزایش قابل توجه دستمزدها منجر شود. علاوه بر این، حتی اگر هوش مصنوعی بهرهوری کارگران سطح پایین و متوسط را افزایش دهد، عجم اوغلو استدلال میکند که از نظر تئوری، این ممکن است به نابرابری کمتر منجر نشود.
در واقع، او با استفاده از یک مثال ساده نشان میدهد که چگونه افزایش بهرهوری کارگران کممهارت در برخی وظایف میتواند موجب نابرابری بیشتر (و نه کمتر) شود. او بیان میکند که بعید است استفاده فشردهتر از هوش مصنوعی به کاهش قابل توجه دستمزد برای گروههای آسیبدیده منجر شود، زیرا وظایف در معرض هوش مصنوعی بهطور مساوی در میان گروههای جمعیتی مختلف توزیع میشود. با وجود این، او تخمین میزند که هوش مصنوعی نابرابری را کاهش نخواهد داد و احتمالاً تاثیر منفی بر درآمد واقعی زنان با تحصیلات پایین خواهد داشت. یافتههای او همچنین نشان میدهد که هوش مصنوعی شکاف بین درآمد سرمایه و نیروی کار را در کل بیشتر خواهد کرد.