اشتراک
تصویرسازی: آلوارو برنیس
تصویرسازی: آلوارو برنیس
مالی و اقتصاد فناوری علوم

هوش مصنوعی ریاضیات را می‌بلعد؛ آیا نوبت به اقتصاد می‌رسد؟

علم اندوهگین برای اختلال آماده می‌شود

در یک نگاه چکیدهٔ خودکار موتور هوش مصنوعی افق آبی

هوش مصنوعی در حال تغییر چهره اقتصاد است. پس از آنکه مدل‌های هوش مصنوعی مسائل حل‌نشده ریاضی را حل کردند، اکنون اقتصاد به عنوان «علم اندوهگین» خود را برای اختلالی آماده می‌کند. اگرچه بن گولوب، اقتصاددان دانشگاه نوروسترن، معتقد است اضطراب اقتصاددانان کمتر از ریاضیدانان است، اما هوش مصنوعی هزینه تولید پژوهش را کاهش داده و استفاده از مدل‌های زبانی بزرگ فراگیر شده است. به گفته استفانی استانتچوا از هاروارد، مقالات ارسالی صیقل‌خورده‌تر شده‌اند و طبق تحلیل پل گلداسمیت-پینکام از ییل، در ژوئیه حدود یک‌چهارم مقالات کاری NBER با کمک هوش مصنوعی نوشته شده بود. برخی مجلات مانند ژورنال اقتصاد سیاسی برای مقابله با سیل مطالب بی‌کیفیت، هزینه ارسال مقاله را افزایش می‌دهند. هوش مصنوعی فراتر از نگارش، در تحلیل نیز وارد شده است. پروژه ارزیابی خودکار سیاست‌گذاری (APE) به رهبری داوید یاناگیزاوا-دروت از زوریخ، با استفاده از داده‌های عمومی اثرات سیاست‌ها را می‌سنجد. اما بررسی ۱۰۰۰ مقاله APE نشان داد هیچ‌کدام عاری از خطا نبودند و ۸۴۲ مورد حداقل یک خطای جدی داشتند. در مقایسه، همکاری اکونومیست با شرکت Refine روی صد مقاله پذیرفته‌شده در پنج مجله برتر نشان داد یکی از هر ده مقاله انسانی حداقل یک خطای فاحش دارد؛ نرخی پایین‌تر از APE. انسان‌ها در ایده‌پردازی نیز برتری خود را حفظ کرده‌اند؛ آزمایش الکسیس آکیرا تودا نشان داد هوش مصنوعی هنوز جایگزین قابل اعتماد قضاوت انسانی نیست. مطالعه میشل زامپا نیز نشان داد هوش مصنوعی در حوزه‌های شلوغ بهتر عمل می‌کند، اما انسان‌ها مستقل از حجم ادبیات، عملکرد یکسانی دارند. نگرانی دیگر، تولید نتایج باورپذیر از طریق دستکاری آماری است. نیک فیشرمن و گابریل سکرس محاسبه کرده‌اند که بررسی استحکام مورد نیاز برای عوامل هوش مصنوعی ۷۰۰۰ مورد است، در مقابل ۵۰ مورد برای انسان. با این حال، ماشین‌ها در حال پیشرفت هستند؛ آزمایش بنجامین کلر نشان داد با بهتر شدن مدل‌ها، تعادل به ضرر انسان‌ها تغییر می‌کند. دانی رودریک از هاروارد معتقد است باید به هوش مصنوعی به عنوان هم‌نویسنده نگاه کرد، هرچند هنوز عدم قطعیت زیادی درباره مدل‌های مناسب و چارچوب پژوهشی صحیح وجود دارد. کینز نیز یادآور شد که تعداد کمی از انسان‌ها معیارهای یک اقتصاددان کامل را دارند.

درسال ۱۹۳۰ جان مینارد کینز پیش‌بینی کرد که انباشت سرمایه و پیشرفت فناوری به نسل‌های آینده امکان زندگی مرفه و بیکارانه را خواهد داد. شاید کینز تأثیر انباشت سرمایه و پیشرفت فناوری بر نوادگان فکری خود را پیش‌بینی نکرده باشد. پس از آنکه مدل‌های هوش مصنوعی صدها مسئله حل‌نشده در ریاضیات را حل کردند، علم اندوهگین (اقتصاد) خود را برای یک اختلال غیربیکارانه آماده می‌کند. بن گولوب، نظریه‌پرداز اقتصادی دانشگاه نوروسترن، می‌گوید اضطراب موجود احتمالاً کمتر از آنچه در میان ریاضیدانان حاکم است، وجود دارد. اما هوش مصنوعی شروع به تغییر اقتصاد کرده و هزینه تولید پژوهش را کاهش می‌دهد. آیا این فناوری مزیت انسانی در ایده‌پردازی را نیز فرسایش خواهد داد؟

استفاده از مدل‌های زبانی بزرگ هم‌اکنون فراگیر شده است. استفانی استانتچوا از دانشگاه هاروارد، یکی از سردبیران ژورنال فصلی اقتصاد (QJE)، تغییراتی را در مقالات ارسالی مشاهده می‌کند: «فرمت نمودارها، برخی تحلیل‌ها و متن صیقل‌خورده‌تر». طبق تحلیلی از پل گلداسمیت-پینکام از دانشکده مدیریت ییل، در ماه ژوئیه حدود یکی از هر چهار مقاله کاری ثبت‌شده در دفتر ملی تحقیقات اقتصادی (NBER)، مخزن داده‌های آمریکایی، شامل نگارش کمک‌شده توسط هوش مصنوعی بود. با آسان‌تر شدن نوشتن مقالات، برخی مجلات از سیل دریافت مطالب نگران هستند. ژورنال اقتصاد سیاسی (JPE)، نشریه برتر دیگر، قصد دارد تا سال ۲۰۲۷ هزینه ارسال مقاله را تا ۵۰۰ دلار افزایش دهد تا از انتشار مطالب بی‌کیفیت جلوگیری کند.

مسئله تنها مربوط به نثر نیست. هسته تحلیلی مقالات اقتصادی روزبه‌روز بیشتر توسط عوامل هوش مصنوعی قابل انجام است. داوید یاناگیزاوا-دروت از دانشگاه زوریخ برنامه‌ای پژوهشی به نام ارزیابی خودکار سیاست‌گذاری (APE) را راه‌اندازی کرده است. همان‌طور که اقتصاددانان انسانی پیش از این انجام می‌دادند، هوش مصنوعی دکتر یاناگیزاوا-دروت از داده‌های عمومی برای سنجش اثرات سیاست‌ها استفاده می‌کند. از جمله یافته‌های آن، کاهش قابل توجه سرمایه‌گذاری در ساخت‌وساز مسکونی و تجاری پس از ممنوعیت خانه‌های دوم در سوئیس و تأثیر بیشتر افت شدید ارزش پول مصر در سال ۲۰۱۶ بر تولیدکنندگان کالاهای مصرفی نسبت به سازندگان کالاهای سرمایه‌ای بود.

آیا پژوهش عامل‌محور کیفیت خوبی دارد؟ دکتر یاناگیزاوا-دروت و همکارش اولاف ویلنر از یک راستی‌آزمای هوش مصنوعی برای بررسی ۱۰۰۰ مقاله APE استفاده کردند. هیچ‌کدام عاری از خطا نبودند؛ ۸۴۲ مورد حداقل یک خطای جدی داشتند، از جمله مواردی که نتایج اصلی را بی‌اعتبار می‌کرد. برای مقایسه تقریبی عملکرد APE با پریمات‌های انسانی، اکونومیست با شرکت Refine، مؤسسه اعتبارسنجی پژوهش تأسیس‌شده توسط دکتر گولوب، همکاری کرد. Refine صد مقاله را به صورت تصادفی از میان مقالات پذیرفته‌شده برای انتشار در پنج مجله برتر (شامل QJE و JPE) در نه ماه اول سال ۲۰۲۶ انتخاب کرد. سپس آن‌ها را با استفاده از چندین مدل پیشرفته هوش مصنوعی و همچنین یک بازبینی انسانی برای خطاهای جدی، به دقت مورد بررسی قرار داد. این فرآیند ۴۱۵۸ مورد مشکل را در ۱۰۰ مقاله شناسایی کرد. یکی از هر ده مقاله حداقل یک خطای فاحش داشت (سایر مشکلات مربوط به تفسیر یا ناسازگاری بین جداول و متن بود).

این دو آزمایش مستقیماً قابل مقایسه نیستند، اما نرخ خطای پایین‌تر اقتصاددانان انسانی ممکن است امیدبخش باشد. در زمینه ایده‌ها نیز، انسان‌ها برتری خود را حفظ کرده‌اند. یک آزمایش توسط الکسیس آکیرا تودا از دانشگاه اموری نشان داد که هنگام بررسی مقالات نظریه اقتصادی، هوش مصنوعی هزینه بررسی نقص‌های احتمالی را کاهش می‌دهد، اما «هنوز جایگزین قابل اعتمادی برای قضاوت انسانی که نقص را در وهله اول شناسایی می‌کند، نیست». آزمایش دیگری که مقالات APE را با مقالات منتشرشده مقایسه کرد، نشان داد تفاوت عمدتاً در ایده‌هاست، نه در اجرا.

در مطالعه‌ای دیگر، میشل زامپا از موسسه تحصیلات تکمیلی ژنو از داور هوش مصنوعی برای نمره‌دهی به ۹۸۱ مقاله هوش مصنوعی و ۴۱ مقاله انسانی بر اساس معیارهایی مانند نوآوری پرسش‌های پژوهشی و اذعان به محدودیت‌های روش‌شناختی استفاده کرد. هوش مصنوعی در حوزه‌های شلوغ با حجم بالای پژوهش‌های موجود بهتر عمل کرد. انسان‌ها صرف‌نظر از حجم ادبیات پژوهشی، در سطح یکسانی عملکرد داشتند.

نگرانی مرتبط دیگر این است که هوش مصنوعی با زور بازو نتایج باورپذیر تولید می‌کند؛ یعنی داده‌ها را به صدها روش مختلف خرد و زیرخرد می‌کند تا چیزی از نظر آماری معنادار ظاهر شود. چنین «دستکاری آماری» (p-hacking) را می‌توان با بررسی حساسیت نتایج نسبت به تغییرات در داده‌ها یا روش‌ها مهار کرد. نیک فیشرمن از هاروارد و گابریل سکرس از دانشگاه کرنل محاسبه کرده‌اند که تعداد بررسی‌های استحکام (robustness checks) مورد نیاز برای نویسنده انسانی ۵۰ مورد است، اما برای عوامل هوش مصنوعی به رقم غیرعملی ۷۰۰۰ مورد می‌رسد. جای تعجب نیست که پروژه APE برچسب هشداردهنده‌ای دارد که از استفاده از مقالات آن برای سیاست‌گذاری مبتنی بر شواهد منع می‌کند.

با این حال، ماشین‌ها در حال کسب امتیاز هستند. بنجامین کلر از ETH زوریخ، دانشگاه سوئیسی دیگر، و همکارانش اجازه دادند هوش مصنوعی ۴۸ مقاله علوم اجتماعی را بازتولید کند؛ تنها با استفاده از داده‌های خام مطالعات و توضیحی از روش کار. اختلافات بین مقالات اصلی و نسخه‌های هوش مصنوعی تقریباً به طور مساوی ناشی از مشکلات کار هوش مصنوعی و کار انسانی بود. اما هرچه مدل هوش مصنوعی بهتر شد، تعادل بیشتر به ضرر انسان‌ها تغییر کرد.

اقتصاد ۱۰۱۰۰۱۱۱۰۰۱۱۱۱

با کم‌خطاتر و خلاق‌تر شدن هوش مصنوعی، این فناوری مشقت تجزیه و تحلیل داده‌های تاریخی را از بین می‌برد، مدل‌سازی پیچیده را به سادگی کدنویسی حسی (vibe-coding) می‌کند، اعداد دستچین‌شده را شناسایی کرده و اقتصاد را به طرق بی‌شماری بهبود می‌بخشد. هم‌اکنون این فناوری بیش از یک ابزار است. دانی رودریک از هاروارد می‌گوید: «ما باید به هوش مصنوعی به عنوان یک هم‌نویسنده فکر کنیم»، اگرچه مدتی طول می‌کشد تا اقتصاد بتواند کاملاً از هم‌نویسندگان انسانی چشم‌پوشی کند. «هنوز عدم قطعیت زیادی درباره مدل‌های مناسب، نحوه استنتاج از شواهد و چارچوب پژوهشی صحیح وجود دارد.»

کینز موافق خواهد بود. او اشاره کرد که یک اقتصاددان ارشد «باید ریاضیدان، مورخ، statesman (دولتمرد)، فیلسوف... باشد. او باید نمادها را بفهمد و با کلمات صحبت کند. او باید جزئیات را در قالب کلیات contemplate (تأمل) کند و مفاهیم انتزاعی و عینی را در یک پرواز فکری لمس کند.» ممکن است مدتی طول بکشد تا هوش مصنوعی معیارهای کینزی را برآورده کند. از سوی دیگر، همان‌طور که کینز نیز یادآوری کرد، تعداد کمی از انسان‌ها نیز این معیارها را دارند. ■

مشترکان اکونومیست می‌توانند در خبرنامه نظر (Opinion) ما عضو شوند که بهترین سرمقاله‌ها، ستون‌ها، مقالات مهمان و مکاتبات خوانندگان را گرد هم می‌آورد.

اشتراک:
این گزارش ترجمه و بازنویسی خبری با موتور هوش مصنوعی افق آبی است و برای خوانندهٔ فارسی‌زبان بازتنظیم شده. منبع اصلی: economist.com