دیدگاه‌های خوشبینانه و بدبینانه نسبت به هوش مصنوعی وجود دارد

پیشرفت‌های زیادی در سال‌های اخیر در مباحث فنی و تکنیکی هوش مصنوعی اتفاق افتاده است. این فناوری همانند برق، اینترنت و ماشین بخار یک تکنولوژی با هدف عمومی است که تمرکز زیادی بر یادگیری و توسعه ماشینی دارد و متغیرهای مهمی همچون بهره‌وری، رشد اقتصادی، نابرابری، قدرت بازار، نوآوری و اشتغال در اقتصاد از آن متأثر هستند. در سال 2015 کاخ سفید گزارشی مبنی بر قدرت تأثیرگذاری این فناوری تهیه کرد که این گزارش در سال 2018 منجر به سیاست‌هایی برای میانجی‌گری هوش مصنوعی در اقتصاد ایالات متحده شد. دولت فرانسه و چین نیز آن را در اولویت خود قرار داده‌اند. حال سوال اینجاست که در کشور ما باید چگونه با این فناوری برخورد کرد؟ برای این منظور ابتدا باید ابعاد این فناوری و کارکردهای آن شناخته شود. این نوشتار به عنوان یک بحث مقدماتی سعی در ارایه تصویری از ابعاد آن برای شناخت و چگونگی تاثیر آن بر اقتصاد دارد تا شرایط برای تصمیم‌گیری و سیاستگذاری آسان‌تر شود. برای این منظور بحث در دو بخش سیاست‌های اقتصادی و پیامدهای اقتصادی هوش مصنوعی تنظیم و ارائه می‌شود. بخش اول شامل سیاست‌ها و بخش دوم شامل پیامدها است.

تأثیر اقتصادی کامپیوتر هوشمند می‌تواند آنچه باشد که انسان به شکل خارق‌العاده انجام می‌دهد. دیکشنری آکسفورد هوش مصنوعی را «نظریه و توسعه سیستم‌های کامپیوتری که قادر به انجام و کارکرد وظایف مورد نیاز به هوش انسانی است» تعریف کرده که این تعریف هم وسیع و هم روان است. در این باره، یک جوک قدیمی بین دانشمندان کامپیوتری وجود دارد و آن این است که هوش مصنوعی آن چیزی است که ماشین‌ها هنوز نمی‌توانند انجام دهند.

در سال‌های اخیر یادگیری ماشینی خیلی نقل محافل شده است. عقیده بر این است که کامپیوترها از داده‌ها نسبت به انسان که درگیر وظایف متعدد هستند، بهتر «یاد می‌گیرند». مثل اینکه افراد «صورت‌های» هم‌نوعان را خوب سازماندهی می‌کنند اما برای آنها مشکل است که این مهارت را توضیح دهند. با تمرکز بر داده‌ها شامل نام و تصویر، یادگیری ماشینی این مشکل را حل می‌کند و می‌تواند با الگوسازی داده‌های تصویری آن را به نام افراد تطبیق دهد.

اقتصاددانان در موضوعات مشابهی شامل رگرسیون چندگانه، تحلیل عاملی، تخمین حداکثر راستنمایی، مدل‌های مارکف، شبکه‌های عصبی، یادگیری عمیق و هویت یادگیری نیز از یادگیری ماشین استفاده کرده و می‌کنند.  در این زمینه تفاوت‌هایی وجود دارد به گونه‌ای که موضوعات اقتصادسنجی بر علیت استنتاج‌ها تمرکز دارند در حالی که یادگیری ماشینی تمرکز بر پیش‌بینی دارد. وقتی داده‌ها زیاد باشند مشکلات قدیمی در پیش‌بینی و همچنین یادگیری عمیق با تکنیک‌های بهتری انجام می‌شود. لذا هزینه پیش‌بینی و سازماندهی در ماهیت کارها با هوش مصنوعی کاهش می‌یابد.  پیش‌بینی‌های بهتر باعث پیامدهای بهتر می‌شود به دلیل آنکه پیش‌بینی اساس تصمیم‌سازی و تصمیم‌گیری بشر است. هوش مصنوعی به عنوان فناوری با هدف عمومی بر بهره‌وری و استاندارد زندگی بشر در هر دوره موثر است. این موضوع با مقایسه رشد بهره‌وری نیروی کار و قدرت جابه‌جایی در 50 سال اخیر با ورود فناوری اطلاعات موثر بوده است و هوش مصنوعی در این موضوع نقش مهمی دارد. در این باره ولادیمیر پوتین رییس‌جمهور روسیه عنوان کرده که «هر کسی رهبر این حوزه شود تبدیل به حاکم جهان خواهد شد.»  در این زمینه بسیاری از این فرصت‌ها در علم و نوآوری نمود دارد. در حال حاضر یادگیری ماشین در بسیاری از موضوعات علمی خارج از علم کامپیوتر تسری یافته است. آمار و ارقام هم این موضوع را تأیید می‌کند. میزان استفاده از یادگیری ماشین در علوم خارج کامپیوتر با شیب تندتری افزایش یافته است که این موضوع موید فناوری با ویژگی هدف عمومی هوش مصنوعی است. لذا تأثیر زیادی بر شتاب رشد اقتصادی و طرف عرضه اقتصاد خواهد گذاشت. این موضوع در سه زمینه منطق نمادی، رباتیک و یادگیری ماشین مصداق دارد. در ادبیات اقتصادی امروز، هوش مصنوعی به عنوان یک نهاده تولید اندیشه است. بنابراین می‌تواند باعث ایجاد رشد نمایی شود بدون آنکه در تعداد اندیشه‌های خلق بشری باعث افزایش شود. بیشتر مطالعاتی که تاکنون شده تمرکز بر یادگیری ماشین داشته‌ و تمرکز کمتری بر تأثیر فناوری هوش مصنوعی دارند. در این باره برخی ادعا می‌کنند باید هفت سال منتظر ماند اما برخی معتقدند که تا سال 2040 هوش مصنوعی عمومی قابل دسترسی است. برخی هم یک دوره 30 تا 70 ساله را برای گسترش هوش مصنوعی عمومی پیش‌بینی می‌کنند و البته هستند کسانی هم که معتقدند این هرگز اتفاق نمی‌افتد. چالش مهم موسسات با گسترش هوش مصنوعی، حفظ توانایی‌ها و نیازهای یک جهان با هوش مصنوعی است. برخی به تجربیات تاریخی فناوری با هدف عمومی متمرکز می‌شوند اما در تغییرات سریع هوش مصنوعی بر اقتصاد ممکن است تجربیات تاریخی مفید نباشد. برخی هم معتقدند که اگر یادگیری ماشین با بسیاری از پیشرفت‌های دیگر ترکیب شود در طیف وسیعی از برنامه‌ها مورد استفاده قرار می‌گیرد و استفاده از تاریخ بسیار مناسب و مفید خواهد بود. اگر ماهیت هوش مصنوعی عمومی محتمل باشد می‌توان از آن به عنوان فناوری با هدف عمومی به عنوان یک پتانسیل تمرکز کرد.

  سیاست‌های گسترش هوش مصنوعی

سیاست‌ها بر نرخ بهبود هوش مصنوعی، سرعت انتشار و ماهیت فناوری موثر هستند. مشاهدات اخیر حاکی از آن هستند که حمایت‌های تحقیقاتی و حفظ حقوق مالکیت معنوی برای هوش مصنوعی مشابه پیشرفت دیگر فناوری‌ها است. با این حال سه دسته سیاست مهم دیگر شامل حریم خصوصی، تجارت و مسوولیت در انتشار و توسعه هوش مصنوعی به گونه متفاوتی نسبت به دیگر نوآوری‌های فناورانه موثر هستند که در ادامه به آنها می‌پردازیم. داده‌ها در هوش مصنوعی یک نهاده کلیدی هستند. یادگیری ماشین با استفاده از داده‌ها قادر به پیش‌بینی آن چیزی است که افراد ممکن است تحت تأثیر آن باشند یا انجام دهند. این موضوع باعث نگرانی‌های امنیتی می‌شود. در این باره به سه دلیل «حریم خصوصی»، چالش‌برانگیز است:  «ذخیره‌سازی ارزان» به این مفهوم که داده‌ها به مدت طولانی تر نسبت به تولید داده‌ها توسط شخص باقی می‌مانند. «وضعیت غیررقابتی» به این مفهوم که داده‌ها ممکن است در مواردی غیر از موضوع اصلی تولیدشده مورد استفاده قرار گیرند. «اثرات خارجی» به این مفهوم که تولید اطلاعات وارده در مورد یک نفر شامل اطلاعات و داده‌های دیگری نیز می‌شود. بنابراین جمع‌آوری و استفاده از اطلاعات ممکن است به افرادی که از جمع‌آوری و استفاده از اطلاعات و داده‌ها آگاهی نداشته باشند زیان وارد کند. بنابراین همانطور که جمع‌آوری و استفاده از آمارها بهبود یافته است، سیاستگذار باید توجه بیشتری به قواعد و مقررات جمع‌آوری و ذخیره‌سازی و استفاده از داده‌ها کند. در فعالیت‌های داده‌محور مقررات حفظ حریم خصوصی بر نرخ و میزان و جهت نوآوری موثر است. حفاظت کم از حریم خصوصی، به این مفهوم است که مصرف‌کننده ممکن است به شکل ناخواسته در مبادلات بازار مشارکت کند که داده‌ها و اطلاعات آن به او آسیب وارد کند. مقررات حفاظت از حریم خصوصی دیگران نیز به این مفهوم است که بنگاه‌ها از داده‌ها برای نوآوری نمی‌توانند استفاده کنند.

حریم خصوصی یا نوآوری؟

شواهد تجربی در مورد تنظیم حریم خصوصی بر هوش مصنوعی متمرکز نبودند. اما مشاهدات تجربی به طور گسترده در تاریخ نشان می‌دهد که تلاش دولت‌ها برای تنظیم حریم خصوصی باعث کاهش نوآوری شده است. در این باره مطرح است که قوانین اروپایی باعث کاهش اثربخشی آگهی‌ها حدود 65% نسبت به آگهی‌های امریکایی شده است. یعنی نحوه مقررات‌گذاری برای استفاده از داده در اروپا باعث کاهش توانایی تبلیغ‌کنندگان اروپایی شده است. بسیاری از کمپانی‌های ارزشمند بین‌المللی امروزه پلتفرم‌های آگهی و تبلیغ هستند (مثل فیسبوک، گوگل). مزایای حفظ حریم خصوصی در اینها باعث ایجاد هزینه برای شرکت‌های محلی در این فعالیت‌ها می‌شود. در این باره با استارت‌آپ‌های جدید و خروجی از این فناوری‌ها در کشورهای در حال توسعه مثل ایران باید توجه جدی شود. در حوزه بهداشت و سلامت حفظ حریم خصوصی باعث کاهش امنیت بر پرونده‌های پزشکی افراد می‌شود. فناوری‌های طول زندگی مزایای قابل توجهی برای سلامتی فراهم می‌کنند. در مجموع مطرح می‌شود که تنظیم مقررات حفظ حریم خصوصی افراد در حوزه سلامت باعث کاهش پیامدهای سلامت می‌شود و همچنین باعث کاهش انتشار فناوری‌های متکی بر داده در این حوزه شده است. اگر حفظ حریم خصوصی یک حقوق بنیادین مدنی است پس باید تمایل به مبادله چیزی در برابر آن داشته باشیم. در غیر این صورت یک ارزش کمی برای این حقوق در نظر گرفته‌ایم. در حالی که تحقیقات هنوز بر سیاست‌های حفظ حریم خصوصی و نوآوری هوش مصنوعی تمرکز نکردند اما روشن است این سیاست‌ها بر انتشار هوش مصنوعی موثر هستند. با توجه به گسترش این موضوع در ایران، دولت باید فکری به حال حریم خصوصی از قبل قوانین و مقررات و بستر گسترش این فناوری در کشور کند و غافلگیر نشود.

  چین در صدر

برخی کشورها سرمایه‌گذاری در هوش مصنوعی را به عنوان یک موضوع استراتژیک تلقی کرده‌اند. به عنوان مثال دانشمندان چینی در نوشتن مقاله‌های علمی در حوزه هوش مصنوعی در کنفرانس‌های بزرگ دنیا به شکل قابل ملاحظه‌ای نسبت به دانشمندان اروپایی، استرالیایی و کانادایی پیشتاز بوده‌اند. سیاست‌های تجاری در هوش مصنوعی عمدتاً در توافقنامه‌های تجاری نمود پیدا می‌کند. سیاست حفظ حریم خصوصی در کشورها متفاوت است لذا این سیاست باعث تأثیر بر انتشار نسبی هوش مصنوعی در کشورها است. اگر سیاست حفظ حریم خصوصی مطلوب برای انتشار هوش مصنوعی در کشوری کم باشد باعث ایجاد یک مزیت کوتاه‌مدت برای آن کشور قلمداد می‌شود.

مقیاس اقتصادی در داده‌ها و پتانسیل یادگیری باعث به وجود آمدن انگیزه‌ها برای به وجود آمدن «مسابقه رو به پایین» در سیاست‌های حفظ حریم خصوصی می‌شود. لذا کشورها، سیاست‌های کمتری را برای حوزه حریم خصوصی در جهت تقویت انتشار و نوآوری در هوش مصنوعی به‌کار می‌گیرند. چنین سیاست‌هایی قبلاً در بازار کار و محیط زیست و نیروهای مشابه در دنیا تجربه شده است. اروپا در سیاست‌های حفظ حریم خصوصی سخت‌تر از ایالات متحده عمل کرده و می‌کند و در عوض ایالات متحده قاطع‌تر از چین است و این موضوع می‌تواند بر ساخت و تولید انواع هوش مصنوعی با استفاده از داده‌ها در کشورهای مورد نظر متفاوت باشد. در سیاست‌های تجاری موافقت‌نامه‌های تجاری با تعیین استانداردهای بین‌المللی حفظ حریم خصوصی می‌تواند مسابقه رو به پایینی را همانند استانداردهای بازار کار و محیط زیست در سطح جهان به وجود آورند.  این قبیل سیاست‌های تجاری استاندارد بین‌المللی می‌تواند بر نرخ و جهت نوآوری موثر باشند اما مزیت کوتاه‌مدت را برای هر کشور از بین می‌برند و روشن نیست که چگونه بر رشد اقتصادی و بهره‌وری موثرند؟

برخی کشورها که حمایت‌های سخت بر حریم خصوصی دارند می‌توانند بر دیگر فعالیت‌ها تمرکز کنند. به عنوان مثال در قرن نوزدهم در سوئد برای نوآوری بر اسرار تجاری تمرکز کردند و حمایت از ثبت اختراع در آن کشور ضعیف بود. مهارت در ساخت ساعت‌های سوییسی به آسانی قابل تقلید نیست. برخی محققین نشان دادند که در مدل‌های استراتژیکی تجاری، مسابقه رو به پایین، زمانی قابلیت اجرایی پیدا می‌کند که رانت فناوری در سطح کشور وجود داشته باشد. سیاست‌های دیگری در حوزه تجارت قابل اجرا هستند که در برخی موافقت‌نامه‌های تجاری آمده باشد مانند قوانین مربوط به محلی‌سازی داده‌ها، محدودیت دسترسی به داده‌های دولتی، مقررات فعالیت‌ها (مثل مواردی که در مورد هواپیماهای بدون سرنشین و خودروهای بدون سرنشین مورد استفاده قرار می‌گیرد و مسائلی که مربوط به دسترسی منابع کدها است).

منافع دانش هوش مصنوعی چقدر است؟

سوال کلیدی در مورد هوش مصنوعی این است که آیا سرریزی محلی از هوش مصنوعی وجود دارد یا اینکه منافع انتشار فناوری به اندازه کافی گسترده است که ورود آزاد برای هر پتانسیل بالقوه را فراهم کند؟ به طور کلی سیاست‌های تجاری تا آنجا که سطح رانت‌های فناوری برای کشوری سودمند باشند در مورد هوش مصنوعی موثر است. عملکرد برخی دولت‌های دنیا حاکی از آن است که منافع دانشی هوش مصنوعی به قدر کافی بزرگ خواهد بود. سرمایه‌گذاری برخی کشورها مثل فرانسه و چین نشان می‌دهد که این کشورها انتظار دارند که منافع دانشی محلی این فناوری بزرگ باشد. بسیاری از شرکت‌های خصوصی بزرگ دنیا بر روی هوش مصنوعی سرمایه‌گذاری زیادی انجام دادند. یادگیری ماشینی باعث بهبود در داده‌های بیشتر می‌شود و بنابراین شرکت‌های بزرگ و کشورهای بزرگ‌تر منافع بیشتری به دست می‌آورند. از طرف دیگر سرعت انتشار سریع جغرافیایی تحقیقات و نوآوری هوش مصنوعی نشان می‌دهد که ممکن است رانت‌های محلی وجود نداشته باشد. برنامه‌های کاربردی تجاری اغلب از محل اختراعات فاصله گرفته‌اند. سالانه هزاران نفر از الگوریتم‌های یادگیری ماشینی از کدهای باز استفاده می‌کنند. علاوه بر آن به لحاظ فنی، بازدهی کاهنده در مقیاس در داده‌ها به دلیل آنکه افت در پیش‌بینی‌ها با مجذور ریشه n‌ام بهبود می‌یابد اتفاق می‌افتد. کاربرد صنعتی هوش مصنوعی هنوز دوران کودکی خود را سپری می‌کند و میزان رانت محلی هوش مصنوعی هنوز روشن نیست. با این حال با توجه به سرمایه‌گذاری دولت‌ها احتمال دارد یک مسابقه رو به پایین شروع شود که این مساله احتمالاً در موافقت‌نامه‌های تجاری آینده دیده می‌شود. برخی محققین حال حاضر دنیا تأکید می‌کنند که پیشرفت‌های سریع در هوش مصنوعی و رباتیک باعث به وجود آمدن بحث‌های پرجنب و جوشی در مورد استفاده از قانون جریمه در این فناوری‌ها شده است. جریمه اقدامی است که به دلیل آسیب و زیان مطرح می‌شود و باعث ایجاد مسوولیت قانونی برای هر فردی می‌شود که این عمل را مرتکب شده است. هدف از ایجاد سیستم جریمه این است که مردم و شرکت‌ها از آسیب رساندن به دیگران پرهیز کنند و آسیب‌ها را جبران کنند. در این باره پورتر (1990) مطرح می‌کند که ریسک‌های مسوولیت باعث کاهش نوآوری در امریکا شده است. وی بحث می‌کند چون میزان جریمه مسوولیت بسیار بالاست بنگاه‌ها با وجود داشتن منفعت زیاد، کمتر دنبال نوآوری می‌روند و خطر و ریسک دریافت جریمه را تقبل نمی‌کنند. شواهد تجربی در مورد مسوولیت بسیار متفاوت از هم هستند. اقتصاددانانی معتقدند که رابطه بین مسوولیت و تحقیق و توسعه در سطح فعالیت‌ها (به‌جز موارد با ریسک زیاد) مثبت است. در موارد با ریسک زیاد، به سرمایه‌گذاری بیشتری در فناوری‌هایی با بهبود امنیتی بالا نیاز است. برخی نتایج تحقیقاتی نشان می‌دهد که کاهش خطر جریمه باعث کاهش نوآوری در دستگاه‌های پزشکی می‌شود. اکنون نیازمند تدارک قوانین شفاف مسوولیت، در حوزه محصولات هوش مصنوعی هستیم در غیر این صورت ممکن است بسیاری از بنگاه‌های اقتصادی که درگیر آن هستند تمایلی به سرمایه‌گذاری نداشته باشند. به عنوان مثال در تولید خودروهای خودکار، بنگاه‌های متعددی همچون تولیدکنندگان سنسورها، ارایه‌دهندگان خدمات مخابراتی، تولیدکنندگان وسایل نقلیه و توسعه‌دهندگان نرم‌افزارهای هوش مصنوعی ورود دارند. بدون مشخص کردن حق مسوولیت شفاف در مورد عملکرد ناقص یا معیوب خودروها در هر زمینه، همه بنگاه‌ها ممکن است از سرمایه‌گذاری در تولید این خودروها دریغ کنند. در زمینه مراقبت‌های بهداشت و سلامت، جراحی رباتیک و تشخیص‌های مبنی بر یادگیری ماشین ممکن است باعث انتقال مسوولیت مراقبت‌های بهداشتی و سلامتی به سمت ابزارهای صنعتی انتقال داده شود. به همین دلیل در بودجه 2017، پارلمان اروپا قوانین و مقررات اتحادیه اروپا را در مورد ربات‌های پیشرفته و پیچیده، ربات‌ها، اندرویدها و دیگر وجوه هوش مصنوعی تنظیم و تصویب کرد. امریکا هم در سپتامبر 2017 قوانین مسوولیت برای وسایل نقلیه خودکار را تصویب کرد. در این باره اریب‌های الگوریتمی بیشتر از دیگر مواردی است که مسوولیت می‌تواند بر ماهیت و انتشار هوش مصنوعی موثر باشد. شواهد تأکید می‌کنند که پیش‌بینی‌های مبتنی بر هوش مصنوعی نسبت به پیش‌بینی‌های بشری کمتر اریب دارند اما هنوز آموزش برای خلق داده‌ها توسط انسان انجام می‌شود، بنابراین پیش‌بینی‌های مبنی بر هوش مصنوعی این اریب‌ها را از خود بروز خواهند داد. علاوه بر آن، تصمیم‌گیری‌های مبنی بر هوش مصنوعی بسیار آسان‌تر از تصمیم‌گیری مبتنی بر انسان است و این موضوع نیز دعاوی زیادی را در مورد مسوولیت باز می‌کند. الگوریتم‌ها هم می‌توانند اریب داشته باشند حتی زمانی که بنگاه‌ها قصدی در آنها نداشته باشند ولی آموزش داده‌ها بطور وضوح اریب‌ها را نشان نمی‌دهد. در این باره نتایج برخی تحقیقات نشان داده است که آگهی‌های بدون آموزش علم، تکنولوژی، مهندسی و ریاضیات، در فیسبوک و توییتر بیشتر به سمت مردان است تا زنان و این موید اریب در موضوعات علم، تکنولوژی، مهندسی و ریاضیات است. آنها نشان دادند که این تفاوت ناشی از قیمت آگهی بوده و هیچگونه اریب صریحی وجود نداشته است. به‌ویژه الگوریتم‌های قیمت‌گذاری پویا، قیمت آگهی‌های مربوط به زمان را بالاتر از مردان تنظیم می‌کند و لذا این الگوریتم‌ها به گونه‌ای برنامه‌ریزی شده‌اند که صرفه‌جویی پولی برای مردان بیشتر از زنان در مورد هر دلار باشد.  لذا در چنین شرایطی، بنگاه‌ها در مورد خطر مسوولیت‌ها کار دشواری دارند. اینچنین ریسک‌هایی باعث بازدارندگی برای پذیرش هوش مصنوعی می‌شوند به خصوص در شرایطی که الگوریتم‌ها منحرف شوند. بطور کلی با دخالت انسان هم این الگوریتم‌ها برای بنگاه‌ها در مورد ریسک مسوولیت چندان مقبول نیستند.

هوش مصنوعی خوب یا بد؟

توافق عمومی جهانی در مورد اینکه انتشار هوش مصنوعی خوب است وجود ندارد. دیدگاه‌های بدبینانه و خوشبینانه‌ای در این زمینه وجود دارد. درخصوص دیدگاه بدبینانه دو مولفه منفک وجود دارد. اول اینکه هوش مصنوعی جایگزین شغل‌هایی خواهد شد که برای انسان‌ها کم می‌شود. دوم اینکه هوش مصنوعی به همان اندازه که فناوری‌ها بین سال‌های 1870 تا 1970 گسترش یافت تأثیر چندانی نخواهد داشت و بر جامعه موثر نخواهد بود. در حالی که هر دو این مولفه به بنگاه بدبینانه کمک می‌کند اما خبرهای خوب هم مطرح است: خبر خوب این است که هر دو پیش‌بینی‌های بدبینانه نمی‌تواند درست باشد حتی اخبار بهتر این است که هر دو نادرست هستند. اگر هوش مصنوعی کارآمد باشد آن حتماً جایگزین انسان خواهد شد اگر چنین تغییری اتفاق نیفتد اثر کمی خواهد داشت. در مورد مباحث اقتصادی، هوش مصنوعی یک فناوری احیاء بهره‌وری است. نگرانی این است که سرعت گسترش آن خیلی کند باشد و به عبارتی خیلی سریع نباشد. در عین حال تأثیر آن بر همه افراد و شرکت‌ها یکسان نیست. دو سوال کلیدی در این باره مطرح است. اولین سوال در مورد اشتغال است. سوال اساسی این است که اگر ربات‌ها شغل‌های ما را بگیرند آیا ما روش‌هایی را جهت صرف زمان خود پیدا می‌کنیم؟ و سوال دوم در مورد درآمد است. آیا ما می‌توانیم به توزیع درآمد پایدار و منصفانه برسیم؟

  وضعیت فرصت‌های شغلی با گسترش هوش مصنوعی

یکی از نگرانی‌های مشترک در مورد انتشار و گسترش فناوری‌های جدید موضوع تأثیر آن بر مشاغل و فرصت‌های شغلی است. اگر فناوری‌ها کاری را که یک کارگر انجام می‌دهد بیشتر و بهتر انجام می‌دهند پس کارگران باید چه کنند؟ در این باره باید بر این نکته تأکید کرد که شغل‌ها باید به وظایف مختلف تجزیه شوند و تأثیر هوش مصنوعی و اتوماسیون بر شغل‌ها وابسته بر جابه‌جایی وظایف بین هوش مصنوعی و انسان خواهد بود. دراین زمینه بر اثر جابه‌جایی تأکید می‌شود و ماشین‌ها برخی وظایف انسان‌ها را کسب می‌کنند و به این ترتیب اثر فزاینده‌ای بر رشد اقتصادی خواهند داشت و آن به‌دلیل خلق وظایف جدید برای نیروی کار است که نسبت به ماشین مزیت نسبی دارد.

لذا شواهد مطرح می‌کنند که خبرها خوشبینانه است و تنها نگرانی این است که فرایند آن کند باشد و احتمال ناسازگاری کوتاه‌مدت و میان‌مدت بین فناوری و مهارت‌ها به وجود بیاید. لذا گرایش کلیدی سیاست باید مربوط به هوش مصنوعی و شغل‌ها مربوط به حرفه‌های تجاری و سیاست آموزشی باشد. برای سیاست آموزشی، سه نوع از مهارت برای انتشار هوش مصنوعی لازم است: تفکر تحصیلی و خلاق، ارتباط بین فردی و کنترل احساس.

در این باره نقش قضاوت انسان بسیار مهم است چرا که آن به عنوان توانایی انسان برای انجام پیش‌بینی تعریف می‌شود (به مفهوم تعیین عملکرد در زمینه تصمیم‌گیری). قضاوت مهارت شناخت اهداف یک سازمان و تبدیل آن به داده که قابلیت جمع‌آوری دارد است. بطور مشابه تأکید بر مهارت گفتن ماشین‌ها برای شبیه‌سازی هم در این باره بسیار مهم است. این نیازمند درک هر دو توانایی ماشین و اهداف سازمان است و نشان‌دهنده ترکیبی از مهارت‌های فنی و علوم اجتماعی است. یک آلترناتیو اجتماعی، مهارت اجتماعی است. اگر ماشین‌ها کارهای پیش‌بینی و فنی انجام دهند آنچه برای انسان باقی می‌ماند شامل جذب، انگیزه دادن و ایجاد آرامش برای دیگران است. شغل‌های خوب و رشد مداوم اقتصادی، نیازمند مهارت‌های فنی، مهارتهای اجتماعی یا مواردی که مربوط به بخش‌های بزرگ اقتصاد که سهمی زیاد در اقتصاد دارند است. با توجه به اینکه هوش مصنوعی باعث افزایش بهره‌وری می‌شود، بامول (1967) باید بر «هزینه بیماری» به عنوان نگرشی برای محدودیت رشد تمرکزکرد. معمولا، رشد اقتصادی محدود به عوامل مهمی است که بهبود در آنها سخت است و بنابراین با رشد سریع بهره‌وری و سهم کاهشی در تولیدکل اقتصاد دیده می‌شود. به عبارت دیگر بخش‌هایی که به شکل سریع و موثر خود را با هوش مصنوعی تطبیق بدهند ممکن است در طول زمان در اقتصاد نقش کمتری ایفا کنند. این افزایش پتانسیل برای از دست دادن شغل در کوتاه‌مدت است و سوال این است که چه مهارت‌هایی برای رشد اقتصادی قوی مورد نیاز است. بخش‌هایی با رشد سریع در زمینه اشتغال ممکن است نتوانند از هوش مصنوعی در بهترین شرایط استفاده کنند و بسیاری از مشاغل آینده ممکن است در بخش‌هایی باشند که از هوش مصنوعی تأثیر کمتری می‌پذیرند.

چگونه آموزشی برای هوش مصنوعی مناسب است؟

مسئله دیگری که در مورد سیاست آموزشی هست این است که آیا مدل آموزش ابتدایی کنونی بشر که در اوایل زندگی فرد است بهتر خواهد بود یا خیر؟ اگر هوش مصنوعی قادر به یادگیری ماشین‌ها است و انسان‌ها با تغییرات مداوم در مهارت‌های مورد نیاز برای اشتغالزایی مواجه هستند، پس ممکن است نیاز باشد در مورد ساختار آموزشی فعلی فکری شود. سیاست آموزشی نیازمند تطبیق با هوش مصنوعی از منظر هر دوی شرایط مهارت و ساختار تحویل است. لذا ممکن است نیازمند آموزش مهارت‌های مربوط به گفتن آنچه هوش مصنوعی پیش‌بینی می‌کند باشد. ممکن است یک مدل یادگیری مستمر در دوره بزرگسالی ارایه شود. بدون تحقیق بیشتر، ماهیت انطباق همچنان به عنوان یک سوال باز باقی می‌ماند. به‌طور خلاصه در بین اقتصاددانان یک تفاهم مثبت برای رشد اقتصادی و شغل در بلندمدت وجود دارد. با این حال بلندمدت می‌تواند یک زمان بسیار طولانی باشد و ملاحظات کوتاه‌مدتی با توجه به جریمه‌های تجاری و عدم هماهنگی بین مهارت و فناوری وجود دارد. به‌طور خاص سیاست آموزشی برای انتشار هوش مصنوعی بسیار مهم است. در این باره یک سوال سیاستی مهم در مورد مفهوم کار برجسته است که باید به آن توجه شود. در نظر داشته باشید که در طول قرن گذشته تعدادی از جوامع توسعه یافته تصمیم به صرف ثروت انباشته خود در اوقات فراغت کرده‌اند.کودکان کار کاهش پیدا کردند. ساعت کار در هفته کاهش یافته است و بازنشستگی به مرحله مورد انتظار در مراحل زندگی رسیده است. اگر هوش مصنوعی باعث افزایش ثروت بیشتر می‌شود ممکن است باعث افزایش فراغت بیشتر به جای از دست دادن مشاغل شود. در این باره یک چالش کلیدی برای جوامع، شناخت مفهوم فقدان شغل تمام‌وقت برای بسیاری از افراد است. اگر ما انتخاب کنیم که فراغت بیشتری داشته باشیم و آن را به عنوان فراغت درک کنیم این نتیجه مثبتی از انتشار و گسترش هوش مصنوعی است حتی اگر ساعات کار کاهش یابد.

  تاثیر هوش مصنوعی بر نابرابری

تعدادی از اقتصاددانان تأکید دارند که هوش مصنوعی ممکن است باعث افزایش نابرابری شود حتی اگر این موضوع برای رشد اقتصادی و شغل هم چشم‌انداز مثبت داشته باشد باز برای بهبود نابرابری چاره‌ای ندارد. دو دلیل عمده برای این موضوع مطرح است. یکی اینکه هوش مصنوعی مثل کامپیوتر و اینترنت ممکن است مهارت‌گریز باشد. ممکن است هوش مصنوعی باعث افزایش نیروهای تحصیلکرده و کاهش دستمزد نیروهای کمتر تحصیلکرده شود. با این نگرش، پیش‌بینی‌های جاری از شغل‌های از دست رفته برای شغل‌های با درآمد پایین و شغل‌های نیازمند به آموزش کمتر بسیار بیشتر است. در این زمینه، «افراد با آموزش بیشتر و توانایی‌های ذاتی بالاتر قادر به درک ابزارهای جدید و پیچیده خواهند بود». افراد با آموزش بالا مهارت‌های جدید را بیشتر یاد می‌گیرند و مهارت‌ها با هوش مصنوعی در طول زمان تغییر خواهد کرد و لذا افراد با آموزش بالا سود بیشتری می‌برند.  بنابراین سرراست‌ترین سیاست، مربوط به سیستم آموزشی است. اگر افراد آموزش‌دیده سود بیشتری می‌برند، پس نتیجه‌گیری منطقی این است که افراد آموزش‌دیده بیشتری را به وجود آوریم. این منطق زمانی کار می‌کند که همه افراد جامعه به اندازه یکسان از تحصیل برخوردار باشند. در مقابل اگر مهارت‌اندوزی افراد اریب داشته باشد، آموزش و سیاست‌های آموزشی باعث ناکامی و شکست می‌شود.  پیشرفت‌های اخیر در هوش مصنوعی به عنوان بهبود در فناوری قابل پیش‌بینی قلمداد می‌شود. بسیاری از شغل‌هایی که امروزه دریافتی خوبی هم دارند «پیش‌بینی می‌کنند» که باز هم یک وظیفه اصلی هستند. به عنوان مثال نقش کلیدی پزشک تشخیص است و بسیاری از جنبه‌های دیگر مراقبت‌های پزشکی درآمدهای کمتری را دریافت می‌کنند. تشخیص، یک مساله پیش‌بینی است.در این باره پزشک، اطلاعاتی در مورد علایم از بیمار دریافت می‌کند و اطلاعات موجود در مورد علت بیماری و خود بیماری، قدرت پیش‌بینی را فراهم می‌کند. اگر پیش‌بینی بالاترین مهارت شغلی با بالاترین درآمدهای شغلی است، گسترش هوش مصنوعی می‌تواند باعث کاهش مهارت افراد و کاهش نابرابری شود. در حالی که احتمال چنین چیزی کمتر محتمل است. در گذشته کارگران ماهر توانایی کسب مهارت‌های جدید مرتبط با شغل‌شان با فناوری‌های خودکار را کسب می‌کردند در حالی که کارگران با مهارت کمتر در این باره به چالش کشیده می‌شدند. حسابداری یک مثال خوب در این زمینه است. حسابداران وقت زیادی را صرف اضافه کردن ستون‌هایی از اعداد می‌کردند.

کامپیوترها به‌طور آرمانگرایانه‌ای زمان صرف شده حسابداران را کاهش دادند و حسابداران هم مهارت‌های جدیدی را که توانمندی‌های استفاده از کامپیوتر به آنها می‌داد، کسب کردند. در مقابل، کارگران صنایع کارخانه‌ای زمان بیشتری را برای تعدیل با کارخانه‌های صنعتی خودکار صرف کردند. در حالی که دلایل مختلفی پشت این موضوع وجود دارد یک بحث کلیدی چالش یادگیری مهارت‌های جدید توسط افراد است که در بزرگسالی خود تمرکز بر یادگیری مهارت‌های جدی نمی‌کنند. دومین دلیل مبنی بر نقش هوش مصنوعی در افزایش نابرابری منطبق با نظریه پی‌کتی در سال 2013 است که قایل به افزایش سهم سرمایه در اقتصاد است.

شواهد زیادی وجود دارد که نشان می‌دهد سهم نیروی کار در تولید ناخالص داخلی کاهش یافته است. لذا اگر هوش مصنوعی یک شکل جدیدی از سرمایه باشد، به نظر می‌رسد که سهم سرمایه نسبت به هزینه نیروی کار در تولید افزایش یابد. سیاست‌هایی که با هدف مواجه با نابرابری ناشی از هوش مصنوعی هستند بیشتر درگیر تفسیر در خالص ایمنی اجتماعی هستند. یک سیاست که بیشتر مورد بحث قرار گرفته است مالیات بر سرمایه است. بیل گیتس این را مالیات بر ربات‌ها نامیده است گرچه مدل‌های استاندارد نشان می‌دهند که اتخاذ چنین سیاست‌هایی منجر به کاهش سرمایه‌گذاری، کاهش رشد بهره‌وری و فقر بیشتر جوامع خواهد شد اما در این باره مدل‌هایی که در آن مالیات بر سرمایه ارایه شده و باعث کاهش نابرابری شود و رکود اقتصادی هم ایجاد نکند ارایه شده است.  این مدل‌ها نشان می‌دهند که نخست تا زمانی که یک عامل ضروری اما عامل ثابت تولید (مثل مواد اولیه) وجود دارد مالیات بر این عامل می‌تواند باعث توزیع مجدد درآمد بدون اختلال شود. دوم اینکه تا زمانی که کشش عرضه سرمایه به اندازه کافی کوچک باشد، یک ترکیبی از حقوق مالکیت فکری و مالیات بر سرمایه می‌تواند توزیع مجدد درآمد را با حداقل اختلال به ارمغان آورد. سیاست دوم که توجه زیادی را به خود جلب کرده است بر مبنای درآمد جهانی است که باید برای آنها مقررات تنظیم شود تا بدون قید و شرط برای هر فرد در جامعه فراهم شود.

  رقابت و آنتی‌تراست با هوش مصنوعی

در حال حاضر شرکت‌های پیشرو و فعال در هوش مصنوعی از لحاظ درآمد، سرمایه‌گذاری بازاری بزرگ هستند. این مساله منجر به افزایش در نظارت بر ضدتراست بنگاه‌های بیشتر و فناوری از طریق دولت‌ها (به‌ویژه کمیسیون اتحادیه اروپا) و مطبوعات شده است. بخش عمده این بررسی ضدتراستی تمرکز بر نقش سیستم عامل این بنگاه‌ها دارد. در اینجا بر هوش مصنوعی که نقش ضدتراستی دارد توجه می‌کنیم و بیشتر این تمرکز بر نقش داده‌ها است. داده‌ها یک منبع نادر و کمیاب هستند که بازده کاهنده نسبت به مقیاس در فناوری از خود بروز می‌دهند. دقت پیش‌بینی در تئوری با ریشه دوم تعداد مشاهدات افزایش می‌یابد و این یک رابطه مقعر در میزان داده و ارزش بهبود پیش‌بینی پیشنهاد می‌کند. با این استدلال، بعید است که موضوع هوش مصنوعی نگرانی‌هایی مرتبط با آنتی‌تراست نداشته باشد.

در یک چشم‌انداز پویا نشان داده می‌شود که مقیاس اقتصادی داده‌ها در ارزش کسب و کار وجود دارد. به‌طور خاص، اگر تغییری اندک در کیفیت منجر به افزایش تعداد زیادی مصرف‌کننده و مشتری می‌شود، باعث خلق یک جریان چرخه‌ای با تغییر کیفیت کم در داده‌ها می‌شود که اجازه می‌دهد شرکت‌ها داده‌های بهتر و بیشتری را جمع‌آوری کنند و تقویت آن در طول زمان سبب ایجاد سلطه در بازار می‌شود. در چنین شرایطی انتشار هوش مصنوعی اهمیت یک نیروی ضدتراست را گوشزد می‌کند. در نهایت نگرانی‌های ضدتراست مرتبط با هوش مصنوعی مطرح می‌شود. بنگاه‌ها الگوریتم‌های برنامه‌ریزی شده را برای یادگیری با قیمت‌های رقابت انحصاری با دیگر شرکت‌ها و الگوریتم‌ها تنظیم می‌کنند. این ممکن است توسط رقبای هوش مصنوعی‌ها بطور ضمنی برای کسب سود حداکثر در بلندمدت مورد مخالفت قرار گیرد. این امر باید بدون هیچ توافق آشکار یا ارتباطی با هوش مصنوعی‌ها برای برطرف شدن پیچیدگی‌های فنی در همکاری در محیط‌های اصلی به دست آید، اما این موضوع هنوز به صورت نظری باقی خواهد ماند. بازارهای کنونی هوش مصنوعی هنوز در محیط‌ها با فضای عملیاتی محدود عمل می‌کنند. یک نرم‌افزار آنتی‌تراست احتمالاً قادر به راه‌اندازی تکنیک‌های هوش مصنوعی برای شناسایی رفتار مخالفان هست.

سیاستگذار چه کند؟

دو نوع استراتژی در مورد پیشرفت فناوری هوش مصنوعی وجود دارد. یکی سیاست‌هایی که بر الگوی انتشار و توسعه هوش مصنوعی تمرکز دارند و دیگری سیاست‌هایی که بر پیامدهای انتشار و توسعه آن متمرکز هستند. مرتبط‌ترین سیاست‌ها مربوط به انتشار و توسعه هوش مصنوعی که باید سیاستگذار فکری برای آن بکند عبارتنداز حفظ حریم خصوصی، تجارت و مسوولیت. طراحی سیاست برای توازن مطلوب بین تشویق و انتشار هوش مصنوعی بدون ایجاد خطر بر ارزش‌های اجتماعی تمرکز دارد. همان‌گونه که هوش مصنوعی منتشر می‌شود، عواقبی برای اشتغال و فرصت‌های شغلی، نابرابری و رقابت خواهد داشت. با توجه به این عواقب، نقش سیاست‌های آموزشی، شبکه امنیت اجتماعی و اجرای قانون ضدتراست بسیار مهم خواهد بود. حال با توجه به این تجربه حرکت به سمت اقتصاد دیجیتال و تحول دیجیتال در کشور بازگو‌کننده شرایط مهم و حساس برای استفاده از فناوری هوش مصنوعی است که سیاستگذار در اقتصاد ایران با توجه به شرایط اقتصادی کشور باید به آن توجه کند.