Tag Archives: AlphaGo

AI Economist: veštačka inteligencija za usavršavanje poreskih modela

Simulator ekonomskih trendova zasnovan na veštačkoj inteligenciji, AI Economist u stanju je da nakon milion izvršenih simulacija ekonomskih trendova sačini model jedne pravednije poreske politike.

Duboko učenje (Deep RL, ili, DL, „temeljito učenje“; Deep Reinforcement Learning) je tokom proteklih godina obučilo i osposobilo veštačku inteligenciju da nadmaši čoveka u nekim složenim igrama, mozgalicama kao što su Go ili StarCraft. Da li bi takav princip primene veštačke inteligencije mogao da uradi i bolji posao u, recimo, vođenju nacionalne i globalne ekonomije?

Nejednakost prihoda jedan je od najvećih problema ekonomije. Jedno od najefikasnijih sredstava koje političari moraju imati je način da se postigne što uravnoteženije oporezivanje: vlade prikupljaju novac od građana u skladu s onim što oni zarađuju i taj novac redistribuiraju direktno, putem socijalnih šema ili indirektno, koristeći ga za plaćanje troškova javnih projekata. Ali, iako više oporezivanja može dovesti do veće jednakosti među građanima u društvu, previše oporezivanja bi ih moglo obeshrabriti da rade ili ih motivisati da iznalaze načine izbegavanja plaćanja – što, automatski, po logici, smanjuje i ukupni iznos u budžetskoj kasi.

Postići što racionalniji balans u oporezivanju nije lako. Ekonomisti se obično oslanjaju na pretpostavke koje je teško potvrditi. Ponašanje ljudi vezano za „matematiku para“ odnosno ekonomiju, kako ličnu tako i onu sistemski uspostavljenu je složeno, a prikupljanje podataka i formiranje „info-inputa“ o tome je teško. Ekonomisti su proveli decenije istražujući načine kako da što bolje osmisle poreske politike, ali je ona i dalje, sve do danas, ostala otvoren problem: kako utisnuti što je moguće veću racionalnost u oporezivanju, i na čemu bi taj zdravorazumski pristup trebalo da se zasniva?

Naučnici američke kompanije za poslovnu tehnologiju Salesforce misle da bi veštačka inteligencija mogla pomoći pri rešavanju najboljeg i najpravičnijeg oporezivanja građana i firmi u odnosu na njihove prihode. Vođeni Ričardom Sočerom, tim ove firme je razvio sistem koji se zove ‘AI Economist’ koji koristi duboko učenje – istu vrstu tehnike koja stoji iza ’AlphaGo’ i ’AlphaZero’ kompanije DeepMind – da identifikuje optimalne poreske politike za simuliranu ekonomiju. Alat je još uvek relativno jednostavan (ne postoji način da obuhvata sve složenosti stvarnog sveta ili ljudskog ponašanja), ali je obećavajući prvi korak ka procenjivanju politika na potpuno novi način. „Bilo bi neverovatno učiniti poresku politiku manje ispolitizovanom a sa što više realnih podataka na osnovu kojih izvodi svoje proračune,“ kaže član tima Alex Trott.

U jednom od početnih rezultata, ova ekonomska AI je pronašla politiku koja je, s aspekta maksimuma kako produktivnosti tako i jednakosti dohotka, bila 16% pravednija od najsavremenijeg progresivnog poreskog okvira koji su proučavali ekonomisti iz akademskih krugova. Poboljšanje u odnosu na trenutnu američku politiku bilo je još veće. “Mislim da je to potpuno zanimljiva ideja”, kaže Blejk Lebaron s Univerziteta Brendajs (Blake LeBaron, Brandeis univ., Massachusetts), koji je AI neuronske mreže koristio za modeliranje finansijskih tržišta.

U jednoj simulaciji, četiri osobe zaposlene na ovom istraživanju prihvatile su da ih nadgleda veštačka inteligencija sazdana upravo po njihovim modelima dubokog učenja; upregli su svoju ekonomsku AI dajući joj svoje podatke, potrebne veštačkoj inteligenciji za određivanje njihove poreske osnovice. Oni komuniciraju s dvodimenzionalnim svetom, prikupljajući, recimo, drvo i kamen, ili trgujući tim resursima sa drugima, ili ih koriste za izgradnju kuća, što im donosi novac. Radnici poseduju različite nivoe veština, što ih dovodi do specijalizacije u određenim oblastima. Radnici s nižom kvalifikacijom uče da rade bolje ako prikupljaju resurse, a oni sa višom kvalifikacijom uče da rade bolje ako kupe sredstva za izgradnju kuća. Na kraju svake simulirane godine, svi radnici oporezuju se po stopi koju je odredio kreator politike pod kontrolom AI, koristeći se svojim algoritmom dubokog učenja. Cilj kreatora politike je da poveća i produktivnost i prihode svih radnika. Tako se AI, shodno tome, približavaju optimalnom ponašanju ponavljanjem simulacije do, recimo – milion puta.

Oba modela dubokog učenja (DL) počinju od nule, bez prethodnog znanja o ekonomskoj teoriji, i uče kako da dalje postupaju i funcionišu putem pokušaja i pogrešaka – na potpuno isti način na koji veštačka inteligencija kompanije ‘DeepMind’’ uči, bez ljudskog doprinosa, recimo, da igra Go ili StarCraft na, skromno govoreći, nadljudskim nivoima.

Možete li puno naučiti od samo četiri radnika iz AI? Teoretski, da, jer jednostavne interakcije između nekolicine ispitanika ubrzo dovode do vrlo složenih modela ponašanja. (Na primer, igra ‘Go’ i dalje obuhvata samo dva igrača). I mada je tako, svi uključeni u projekat slažu se da će povećanje broja radnika koje će AI ispitivati u simulaciji biti od suštinske važnosti – ako će ovaj alat za analizu većeg broja ispitanika uspeti da modeluje realne scenarije.

Poigravanje sistemom

Od ključne je važnosti primena „duple doze“ veštačke inteligencije: AI neuronske mreže su i ranije korišćene pri kontroli ispitanika u simuliranim ekonomijama. Ali, stvaranje AI za donosioce politika. pa i za poreske politike, takođe vodi ka modelu u kojem se radnici i odlučioci međusobno neprekidno prilagođavaju jedni drugima, a shodno svojim postupcima. Ovo dinamičko okruženje bilo je izazov za modele dubokog učenja primenjenog na ekonomiju i poreske modele, s obzirom da strategija naučena u okviru jedne poreske politike možda neće funkcionisati tako dobro u interakciji s nekom drugom vrstom poreske politike. Ovo je, međutim, takođe značilo da je AI iznašao načina da izigra sistem. Na primer, neki radnici su naučili da izbegavaju porez smanjujući svoju produktivnost da bi se kvalifikovali za niži poreski razred, da bi je zatim ponovo povećali (produktivnost). Ekipa kompanije Salesforce kaže da ovo uzimanje i davanje uspostavljeni između radnika i kreatora politika dovodi do simulacije ekonomskog stanja i poreskog modela na način realističniji od bilo čega postignutog prethodnim modelima, gde su poreske politike obično fiksne i ne variraju (a što već po sebi nije realno stanje stvari).

Poreska politika koju je smislio AI Economist pomalo je neobična. Za razliku od većine postojećih politika, koje su ili progresivne (tj. oni koji više zarađuju bivaju i više oporezovani) ili regresivno (oni koji više zarađuju se oporezuju manje), poreska politika stvorena veštačkom inteligencijom spojila je aspekte oba, primenjujući najviše poreske stope na bogate i siromašne, dok su najniže poreske stope primenjene na radnicima sa srednjim primanjima. Kao i mnoga rešenja koja AI smisle – poput nekih poteza AlphaZero-a za pobedu u igrama – rezultat se čini kontraintutivan, a ne kao nešto što je čovekov um prethodno zamislio. Pa ipak, njegov uticaj na ekonomiju doveo je do manjeg jaza između bogatih i siromašnih.

U nastojanju da uoče hoće li poreska politika nastala uz pomoć veštačke inteligencije slično uticati i na ljudsko ponašanje, tim je testirao više od 100 radnika angažovanih preko Amazonovog “Mehaničkog Turčina” (Mechanical Turk), od koga je u simulaciji zatraženo da preuzme kontrolu nad radnicima (Naziv je potekao od mehaničke igračke-automatona iz 18. veka za simulaciju igranja šaha – a zapravo lutke iza koje se nalazio čovek koji je povlačio poteze). Otkrili su da je poreska politika proistekla iz veštačke inteligencije ohrabrila ljude da „igraju“ i ponašaju se na gotovo isti način kao i AI, sugeriršući – barem u principu – da se ’AI Economist’ može koristiti za uticaj na stvarnu ekonomsku aktivnost.

Beskrajno podešavanje

Još jedna prednost ekonomske simulacije pokretane veštačkom inteligencijom se ogleda u mogućnosti prilagođavanja parametara kako biste istražili raznolike scenarije. Na primer, uticaj pandemije bi se mogao stvoriti dodavanjem ograničenja kao što su međusobno distanciranje i ograničeni pristup resursima, ili pak uklanjanjem ljudi iz pula radne snage. „Teško je smisliti optimalne poreske teorije zasnovane na prošlosti i primerima iz ekonomske istorije ukoliko budućnost izgleda toliko drugačije od onoga što su do pre neki dan bili modeli predviđanja“, kaže Sočer.

Sposobnost simulacije da menja model je veliki plus, kaže LeBaron: „Prilično je zanimljivo videti radnike koji se prilagođavaju poreskom zakonu“. Ovo je zaobišlo jednu od inače krupnih kritika na račun već postojećih poreskih modela, u kojima je ponašanje obično fiksno, odnosno, nepromenljivo, kaže on.

Glavna rezervisanost LeBarona prema ’AI Ekonomisti’ odnosi se na mali broj ispitanika na kojima je ovaj alat primenjen. „Postoje oni koji tvrde da možete steći dublji intelektualni uvid sa samo nekoliko ispitanika“, kaže on. “A nisam jedan od njih.” On bi želeo da vidi kako ishode simulacije sprovedene na, recimo, stotinjak radnika – što je takođe cifra kojoj teži tim kompanije Salesforce.

LeBaron, međutim, veruje da bi se ovaj AI alat već mogao koristiti za proveru postojećih ekonomskih modela: „Da sam ja kreator politika, pokrenuo bih ovu ‘stvar’ čisto da vidim šta će ‘reći’ o već postojecim modelima“. Ako se AI Economist ne bi složio sa drugim, tradicionalnim „ljudskim“ modelima, to bi mogao biti znak da tim drugim modelima nešto nedostaje, kaže on.

Dejvid Parks, harvardski informatičar i ekonomista koji je sarađivao sa timom iz firme Salesforce je takođe optimističan. On se slaže s LeBaronom da im je potrebno znatno veći broj ispitanika. Ali, nakon što su to primenili nekoliko dodatnih karakteristika kao što je dodavanje kompanija simulaciji, Parks predviđa da će moći da ponovi postojeće teorijske rezultate. “Tada ishod AI simulacije odmah postaje koristan i upotrebljiv”, kaže on.

Američki profesor Doin Farmer (Doyne Farmer), koji na Oksfordu predaje ekono-fiziku i kompleksne matematičke sisteme u ekonomiji je, međutim, nešto malo manje ubeđen u valjanost budućih ishoda ekonomskog AI simulatora. Iako pozdravlja ukrštanje i primenu dubokog učenja sa igara na oblast ekonomije – „Postavlja se pitanje da li možete istraživati politike na isti način na koji AlphaZero igra apstraktnu stratešku igru kao što je Go“. On smatra da će proći još neko vreme pre nego što ovaj AI alat postane zaista koristan u ekonomskim predviđanjima i modeliranju. „Stvarni svet je, ipak, previše komplikovan“, kaže Farmer.

Tim iz Salesforce-a prihvata činjenicu da će neki ekonomisti biti, tek vremenom, i postepeno, ubeđivani u prihvatanje ekonomskih ishoda proizašlih isključivo iz algoritma. U tom smislu, oni puštaju svoj kod i pozivaju ostale da kroz njega pokreću svoje modele. Dugoročno gledano, ova otvorenost biće takođe važan deo prerastanja takvih alata u pouzdane, kaže Sočer. „Ako koristite AI kako biste ga preporučili nekim ljudima u formiranju njihovih nižih ili viših stopa oporezivanja,“ ističe on, „onda bi bilo bolje da budete dobro upoznati zašto je tako – da dobro poznajete razloge zbog kojih je proračun baš takav, a ne drugačiji.“

Will Douglas Heaven, MIT Technology Review

Nauka – rizik, tajna i misterija, a ne udoban biznis

Superkompjuter AlphaGo Zero pokazuje kako biznisi gube bitku s inovacijama. Da li je najbolje što čovek može da uradi s veštačkom inteligencijom igranje igara kao što su šah i go, ili je to dalji napredak kroz ključne naučne proboje, pita se Tim Harford u autorskom članku za Fajnenšel tajms.

Teško je ne biti impresioniran – uz to možda i pomalo uznemiren – napretkom. Superračunar “Duboko plavetnilo“ (Deep Blue) kompanije IBM je pre 20 godina (1997) pobedio je tada najvećeg svetskog šahistu, Garija Kasparova. Taj je računar bio astronomski skup hardver, brižno opsluživan i podučavan od strane ljudi.

Kompjuteru je bilo daleko teže da ovlada igrom Go, koja je mnogostruko komplikovanija od šaha. Ipak, kada se program AlphaGo uz fanfare pojavio 2016. godine, nakon nekoliko meseci obuke je lagano potukao najbolje svetske igrače.

Pretprošle nedelje je DeepMind, istraživačka firma za razvoj veštačke inteligencije objavila da je napravila superiornog AI igrača pod imenom AlphaGo Zero. Ovaj unapređeni model je brži, koristi manje hardvera, a „patosirao“ je svog prethodnika AlphaGo u 100 duela, ne dajući mu priliku ni za jednu pobedu. Uz sve to,  AlphaGo Zero je potpuno „samouk“ i uči bez ikakve ljudske asistencije: On je, štaviše, postigao ovakav nesvakidašnji rezultat nakon samo 72 sata prakse.

Neverovatan napredak kompanije AlphaGo Zero doprineo je već prisutnoj grozničavoj uznemirenosti što roboti preuzimaju ljudske poslove, izazivajući masovnu nezaposlenost. Pa ipak, ta anksioznost teško da se uklapa s visokim stopama zaposlenosti i razočaravajućim rastom produktivnosti koju vidimo u Sjedinjenim Državama, a posebno u Britaniji. Postoji veliki broj (ljudskih) poslova i profesija, ali, očigledno, ne i puno inovacija.

Za ovaj paradoks postoje različita moguća objašnjenja, ali najjednostavnije je ovo: AlphaGo Zero je izuzetak. Produktivnost i tehnološki napredak su slabi, jer istraživanje koje stoji iza napretka veštačke inteligencije zapretene u mašinu AlphaGo Zero nije tipičan način na koji pokušavamo da proizvedemo nove ideje.

Gledište Garija Kasparova u vezi veštačke inteligencije upregnute u igranje ljudskih igara je fascinantno. U svojoj nedavno objavljenoj knjizi „Deep Thinking“, on citira pokojnog kompjuterskog naučnika Alana Perlisa: “Optimizacija ometa evoluciju”. U slučaju kompjuterskog šaha, Perlisova maksima dobro opisuje istraživače koji su izabrali pragmatične „kratke rezove“ zarad brzog rezultata. Ipak, jedno dublje, rizičnije istraživanje biva danas zanemareno. IBM-ov prioritet sa Deep Blue mašinom nije bilo sticanje novih saznanja u oblasti AI, već pobeda – a pobeda je, u naučnom smislu, bila ćorskokak.

A ovoga bi se trebalo sramiti. Pioniri računarstva, Alan Tjuring i Klod Šenon (Claude Shannon) verovali su da bi šah mogao predstavljati plodno polje za istraživanje i razvoj veštačke inteligencije u nekim daleko značajnijim oblastima. Ta nada je bila brzo skrajnuta brutalnim pristupom, od kojeg se malo šta naučilo izuzev saznanja da ova mašina dobro igra šah..

Lako je shvatiti zašto bi jedna komercijalna kompanija imala jedva neko zrno interesovanja za tehnike ranog prepoznavanja obrasca, koje su pročišćene, prerađene i „oplemenjene“ u računaru AlphaGo. Gari Kasparov opisuje pokušaj njihovog korišćenja u šahu; posmatrajući kako bi velemajstori odmah osvajali igre u kojima su žrtvovali svoje najjače adute, figuru kraljice, mašina je, shodno njihovom „paternu“ tj obrascu (pogrešno) zaključila da bi morala žrtvovati svoju kraljicu u svakoj prilici.

Pa ipak, na kraju, ove tehnike prepoznavanja obrazaca su se pokazale daleko snažnijim i generalno primenjivim za razliku od metoda koje koriste najbolji šahovski kompjuteri; stoga, pitanje glasi: želimo li da promenimo naš svet ili da samo osvojimo šahovsku igru?

Nije ovo samo opominjuća priča koja se tiče šaha. Korporacije su „protegle“ pipke svojih ambicija i na mnoga druga mesta. Korporativne istraživačke laboratorije nekada su finansirale fundamentalna istraživanja od najvećeg značaja. Leo Esaki, koji je radio u korporacijama Sony i IBM dobitnik je Nobelove nagrade za fiziku, kao i Džek Kilbi iz kompanije Texas Instruments. Irving Lengmjuir (Irving Langmuir) iz Dženeral Elektrika dobitnik je Nobelove nagrade iz oblasti hemije. Laboratorije kompanije Bel (Bell Labs) iznedrile su toliki broj nobelovaca – zajedno sa samim Šenonom. Davno su prohujala vremena kada se kompanije nisu plašile ulaganja u fundamentalne nauke.

To se, vremenom, promenilo, kako pokazuje istraživački rad troje ekonomista – Ašiša Arore, Šeron Belenzon i Andrea Pataconija (Ashish Arora, Sharon Belenzon, Andrea Patacconi). Kompanije još uvek ulažu u inovacije, ali se fokus stavlja na praktične primene a ne na osnovne nauke, dok se rezultati istraživanja često prenose na manje poslovne jedinice, čija se intelektualna svojina može lako kupiti i prodati.

Korporativni istraživači proizvode više patenata, ali ih je teže uočiti na stranicama naučnih časopisa. Kako kaže profesor Arora, istraživanje i razvoj postali su “manje I, više R” (manje istraživanje a više razvoj „Less Research, more Development“). Istraživanje AlphaGo-a, kaže on, predstavlja izuzetak od ovog pravila. A ovo je izuzetno bitno, jer i najosnovnije istraživanje na kraju završi kao komercijalno korisno. Volimo zlatna jaja, ali možda izgladnjujemo zlatnu koku.

Sve ovo ne mora biti katastrofalno ako bi druga istraživačka tela, kao što su univerziteti, popunjavali ovaj jaz između komercijale i ključnih istraživačkih proboja. Ipak, to nije nešto što bi trebalo uzeti zdravo za gotovo. Kao što je dokumentovao ekonomista Bendžamin Džouns (Benjamin Jones), teže je, naravno – pronaći/iznedriti nove ideje. Jedan od znakova ovoga se ogleda u složenosti sastava istraživačkih timova, koji su nikad veći i sačinjeni od enormnog broja sve uže specijalizovanih istraživača… koji su, uzgred, i sve skuplji…

Možda bi bilo naivno kada bismo naprosto podsticali kompanije da potroše više na fundamentalna istraživanja – ali neko mora da ih motiviše i na to podseća. Jedan interesantan pristup je kada bi sama država finansirala nagrade za inovacije koje bi išle u ruke istinski progresivnim rešenjima koje prave značajne naučne skokove i menjaju anticipaciju. Takve nagrade mobilišu javne fondove i javne ciljeve sve dok koriste agilnost i raznolikost pristupa privatnog sektora. Takve nagrade, međutim, funkcionišu samo u određenim situacijama.

Profesionalni sport je popularizovao praksu “marginalnih dobitaka”: brza optimizacija, u potrazi za probojem – tamo gde je sadašnja istraživačka granica „najtanja“. Ispostavilo se da su korporativna istraživanja imala isti obrt pre više decenija. Nema ničeg pogrešnog u marginalnim poboljšanjima i sitnim pomacima, ali se ne sme dozvoliti da ona istiskuju špekulativno istraživanje, koje je u samoj srži svakog istraživanja. Nauka, ona fundamentalna,  ima dublju i zbrkaniju praksu od sporta. Stoga moramo nastaviti da joj posvećujemo vreme, prostor i novac, kako bismo učinili da naučni skokovi budu veći – rizičniji.

Fajnenšel Tajms

AI & roboti vs. Radnik & osnovni prihod

Čak i najjednostavniji poslovi zahtevaju određene veštine – poput, recimo, kreativnog rešavanja problema – to je ono što AI sistemi još uvek ne mogu da kompetentno obavljaju piše Vinsent Konicer, profesor računarstva, ekonomije i filozofije na Univerzitetu Duke a prenosi MIT Technology Review.

33

Ne prođe ni dan a kada ne čujemo nešto novo o “opasnostima” koje za sobom povlači prodor veštačke inteligencije u radni proces, što nam već neko vreme svakodnevno preuzima poslove: od vozača kamiona, preko računovođa, do radiologa. Analiza instituta Mekinsi sugeriše da je “sada prisutna tehnologija sposobna da potpuno automatizuje 45 odsto aktivnosti ljudi koji su plaćeni da ih obavljaju.” Postoje čak i onlajn-alati, koncipirani na istraživanjima Univerziteta u Oksfordu, kojima je moguće validno proceniti stepen verovatnoće i rok u kojem će određeni poslovi biti automatizovani.

Ova rastuća zabrinutost da će napredak u AI učiniti da najveći broj naših profesija postane zastareo, navelo je neke da se opsete (univerzalnog) osnovnog prihoda, naime, ideju po kojoj bi svi građani povremeno i bezuslovno primali novac od države (videti: Basic Income: A Sellout of the American Dream, “Osnovni prihod: rasprodaja američkog sna”). Y Combinator, istaknuti startup inkubator u Silicijumskoj dolini, pokrenuće pilot studiju o osnovnom prihodu u Ouklendu, Kalifornija. Predsednik ove firme izjavio je da “u nekom trenutku u budućnosti, kako tehnologija bude nastavila da eliminiše tradicionalne poslove i bude stvarano novo opšte bogatstvo, imaćemo prilike da vidimo neku verziju ovog društveno-ekonomskog fenomena na nacionalnom nivou (Sjedinjenih Država). Nedavnim izveštajem Evropskog parlamenta o mogućim posledicama koje će robotika i veštačka inteligencija imati na tržiše rada,”opšti osnovni prihod treba ozbiljno razmotriti”, dok, istovremeno, ova evropska institucija “poziva sve države članice da to i učine”. U junu ove godine, Švajcarska je održala referendum o osnovnom prihodu (iako je 77 odsto birača glasalo protiv njega).

Da li je kolaps potražnje za ljudskim radom zaista neminovan? Kao AI istraživač, pisac ovih redaka misli da je odgovor odričan, a evo i njegovog objašnjenja.

“Da budem jasan, mislim da u bliskoj budućnosti možemo očekivati značajan napredak AI kao i da će roboti izvršiti značajan uticaj na tržište radnom snagom. S obzirom na napredak u autonomnim vozilima, može se zamisliti da će mnogi profesionalni vozači  u velikoj meri biti eliminisani. Značajan napredak ostvaren je u automatizaciji analize medicinskih snimaka i drugih podataka. Algoritmi preuzimaju sve veći udeo u profesijama koje se tiču finansijskog sektora. Roboti-kuvari su uveliko u fazi razvoja. Ova lista je podugačka i za sada se još više nastavlja”, piše Vinsent Konicer.

32

S druge strane, prikladno je ostaviti “u rezervi” i neki stepen skepticizma. Zapitajte se: Koliko smo tokom protekle decenije bili impresionirani napretkom robota-usisivača? Šta reći o napretku robo-mašine za pranje posuđa? Zapravo, ,,veoma je teško osmisliti potpuno autonomne AI sisteme spremne za ovakav entropičan i neuredan svet poput našeg, i naše realno okruženje koje je neretko u stanju haosa. Uopšteno govoreći, trenutni AI sistemi nemaju široko shvatanje sveta, uključujući i naše društvene konvencije, a ne poseduju ni zdrav razum. Razumevanje jezika je dobar primer za tu vrstu problema; izuzetno je teško proizvesti kompjutere koji će uspešno odgovarati na široku paletu veoma jednostavnih pitanja (videti članak “Problem jezika u veštačkoj inteligenciji” i “Tvrđi dubinski Turingov test pokazuje koliko su chatbot programi zapravo glupi” – “AI’s Language Problem”, “A Tougher Turing Test Exposes Chatbots’ Stupidity”)..

AI sistemi još uvek nisu u stanju da istinski apstrahuju; stran im je svet apstrakcije, baš kao i uzmicanje korak unazad kako bi ponovo porazmislili i uzeli u razmatranje i neke druge alternative i opcije; nesposobni za preispitivanje sopstvenih procesa rezonovanja, a nisu sposobni ni da uopštavaju ono što se dešava i iz toga izvuku zaključak. Jedna od posledica ovih nedostataka je da su mašine i dalje ograničene kada je u pitanju kreativnost. One, istina, mogu doći do novih rešenja problema. Google DeepMind, je, recimo, sačinio računarski program AlphaGo za igranje igre “Go”, koji je odigrao izuzetno neobičan potez u jednoj od svojih nadmetanja protiv šampiona u ovoj igri, Lija Sidola (Lee Sedol). Veštačka inteligencija može stvoriti neku vrstu “umetnosti”, kao što je očigledno bio slučaj s psihodeličnim radovima nastalim preko Guglove neuronske mreže DeepDream. To, ipak, nije ona vrsta kreativnosti koja zaista može pružati jednu novu perspektivu iz prve ruke. Nije potrebno ni pomišljati a ni potezati takve uzvišene duhovne podvige kao što je, recimo, Ajnštajnova formulacija Opšte teorije relativnosti da bismo potvrdili još uvek nedodirljivu teritoriju rada ljudske mašte i duha. Uzmimo, na primer, asistenta koji predlaže kombinovanje dva sastanka u jedan kako bi učesnici uštedeli vreme. Takvo rešavanje problema za nas je sasvim rutinsko, ali bi veštačkoj inteligenciji i njenom “mentalnom sklopu” bilo veoma teško da ga ponovi.

Sve u svemu, dok nastojimo da AI prodre u naša postojeća radna mesta kako bi ih preuzela, često možemo zapaziti neuspeh mašina, i to u aktivnostima u kojima ljudsko biće ne bi nikada pogrešilo. Istorija AI istraživanja obiluje primerima gde istraživači stvaraju sisteme koji funkcionišu iznenađujuće dobro kada se radi o dobro definisanim zadacima – samo kako bismo se još jednom uverili da je teško zameniti ljude koji još uvek obavljaju slične zadatke u ovom stvarnom i nepredvidljivom, neuređenom svetu.

Možda će tipičniji slučaj biti da poslovi budu delimično eliminisani jer će jedan njegov deo moći da obavlja AI. Tehnološki napredak takođe može da dodatno olakša outsourcing poslove širom sveta. Istovremeno, mnogi poslovi ostaće imuni na robotizaciju, barem u doglednoj budućnosti, jer oni u osnovi zahtevaju veštine koje AI teško da može da oponaša.27

Uzmimo, na primer, terapeute, trenere, ili vaspitače u vrtiću: ovi poslovi zahtevaju opšte razumevanje sveta, uključujući ljudsku psihologiju, društvenu inteligenciju i rezonovanje, sposobnost da se nosi sa neobičnim okolnostima i tako dalje. AI može čak da jedan deo radne snage ponovo vrati u radni proces. Na primer, napredak u robotici mogao bi biti neprocenjivo olakšanje za osobe sa invaliditetom, pružajući im priliku da zadrže neke poslove, dok napredak AI u obradi jezika može isto učiniti za osobe koji imaju poteškoća pri korišćenju postojećih računarskih interfejsa.

“Svakako da je moguće kako uopšte nisam u pravu, i da će napredak u AI nastupiti daleko brže nego što sam očekivao; tehnološki napredak je jako teško prognozirati. Ali, ako neko zaista veruje da postoji dobra šansa da će veštačka inteligencija u relativno kratkom roku uveliko premašiti ljudske sposobnosti, onda čovek, kao vrsta, ima veći problem nego što je dilema da li primeniti osnovni prihod ili ne (zapravo, postoje ljudi koji ozbiljno brinu o tome, ali to je već jedan poseban članak).

Ideja da će najskoriji napredak u razvoju AI sprečiti većinu ljudi da smisleno doprinose društvu je besmislica. Možda ćemo, doduše, morati da načinimo neke promene u načinu na koji društvo funkcioniše, uključujući i to što će biti olakšana obuka za radnike koji su se izmestili usled gubitka posla; a možda će u nekom trenutku nezadrživa robotizacija nagnati državu da poveća javnu potrošnju, trošeći na (recimo) pažljivo odabrane infrastrukturne projekte kao protivtežu gubitku radnih mesta u privatnom sektoru. Takođe, treba imati na umu da napredak u AI može doći neočekivano, pa stoga treba učiniti sve kako bismo se na to pripremili, stvarajući društvo dovoljno otporno na takve šokove.

Ali ideja da smo zakoračili u tehno-utopije skoro bez potrebe za ljudskim radom nije podržana trenutnim stanjem u oblasti AI istraživanja. Zemlje koje u potpunosti revidiraju svoje sisteme zaštite na osnovu ove ideje, sada bi se mogle jako pokajati – ukoliko postane jasno da najnoviji napredak u AI, koliko god impresivan, i dalje ima svoja ograničenja.

MIT Technology Review, 31. Okt, 2016