AI三难选择:拯救地球没有破坏我们的工作

1。介绍

过去的十年见证了发生爆炸的应用程序由人工智能(AI)。无处不在的大,非结构化数据库(“大数据”)和快速计算成本下降在过去的四十年里,人工智能应用程序使用非线性统计和机器学习的方法获得了新的地位后失宠的《盗梦空间》以来的长期人工智能领域的正确说话。这引发了与机器robo-apocalypse主宰世界的担忧以及热情techno-scenarios,人类可以解决大多数当前的全球性挑战,是他们有关气候变化、贫穷或疾病(Brynjolfsson和McAfee, 2014年;弗雷和奥斯本2017年;弗雷,2019;福特,2021)。然而,现在这些场景似乎不能被实现。相反,我们看到特定的人工智能的广泛使用带来的挑战,特别是当涉及到社会媒体的使用。同时,数字工具的日益增长的生态足迹特别AI-powered applications-notably至于cryptocurrencies¹和基础模型²,这些发展的可持续性表示担忧(罗宾斯和van Wynsberghe, 2022年)。同时,增强我们的生活方式也同样有限,主要集中在改进数字导航或网上购物的快速上升和交付。的这些,而有限的影响织机有关趋势:上升的一些主要技术经济实力的公司,之前似乎日益增加的不平等已经普遍上涨的人工智能。

到目前为止,所有三个挑战源于人工智能的兴起都被记录在案,是否关注有限的生产力(戈登,2021),恶化的不平等(Bessen 2020)或生态成本上升(范Wynsberghe 2021)。本文认为这三个挑战带来的都是相互关联的,需要被理解为一个“人工智能三难选择:“在当前路径的技术范式AI会恶化其生态足迹和深化的经济不平等没有提供更好的生活水平。使用开发的技术范式的概念Dosi (1982)和夜莺et al。(2008)的核心,我认为这三难选择所在的特定方式这一技术的发展,相关的技术和经济两方面当前的范式。我也认为这些发展并不像具体的政策措施和制度变迁的必然可以修改这种模式等方式提供积极贡献我们的生活方式没有恶化,甚至提高其生态和社会成本成为一个真正可持续的模式。这一点类似于提出的一个阿西莫格鲁(2022)在一样无拘无束的技术发展在当前模式不太可能带来预期收益从人工智能;相比之下,我认为识别技术变革的方向提供这些好处需要理解固有的不平等之间的取舍,生态成本和生产率增长,当前的范式。

许多研究人员和观察员关注世界上的人工智能分析应用程序的工作,最初失业率上升的担忧广泛技术(弗雷和奥斯本2017年;Balliester Elsheikhi, 2018;弗雷,2019)。是否自主的出租车,完全自动化的物流中心,Robo-Hotel礼宾胡椒或调酒员醉了机器人;在越来越多的领域机器似乎能够取代我们。在这些地区尤其如此,我们一直相信的不可替代的:在艺术或智力活动(Muro et al ., 2019)。呼吁全民基本收入无条件或其他形式的政府转移比比皆是为了确保所有这些大量员工失业下降和提供他们一些最低的生活方式。同时,然而,似乎(技术)失业率应该是我们最关心的问题有了这些新的数字技术,至少在发达经济体(Carbonero et al ., 2018)。事实上,如果有的话,在经合组织国家失业率下降在过去的十年里直到Covid-19爆发大流行(见图1)。

的部分原因AI-powered应用迄今尚未导致减轻工作的未来与不同窄范围的应用程序目前正在开发的行业(恩斯特Mishra, 2021影响),只有一小部分的劳动力。事实上,在过去的十年中大多数应用程序一直围绕业务流程自动化,自动驾驶,电子商务和数字平台,占超过40%的2010年和2020年之间的所有开发的应用程序(请参阅图2)。特别是,在会计和业务流程robotisation-such应用compliance-seem已经发展在一定程度上反应合规成本上升和管理开销,而不是替代就业。一些研究人员甚至强调,这些应用程序可能会证明劳动增加而不是取代,可能导致工作丰富化,,原则上,应该允许工人更高的收入和公司享受更高的生产率(Fossen Sorgner, 2019)。

然而,这些积极的结论似乎也没有兑现。生产率增长仍在继续它的世俗下降超过2010年代(恩斯特et al ., 2019),似乎并没有加速与复苏的开始我们逐渐流行。尽管吹捧受益于在家工作和电子商务的进一步发展,明显的每小时劳动生产率增长在经合组织并没有增加图3),除了美国,逐渐增加自1990年代中期以来,尽管远低于水平取得了前几十年来第二次石油危机在1980年代初。

同时开发和利用生态成本的上涨人工智能已经成为一个重要问题。这已成为该地区最明显的cryptocurrencies特定安全比特币背后的概念,例如,导致爆炸的使用电力,到几个国家有限制或完全禁止使用(如中国、科索沃)。数字经济的其他领域也有经验的增加约束。一些大型数码公司已经开始尝试将其云计算服务器放置在海洋深层水进行冷却。大规模神经网络等自然语言处理网络GPT-3,目前最大的和最强大的工具之一,据报道,花费1200万美元在一个训练,使它非常昂贵的正确训练的错误(例如由于偏置数据)和有效地排除更广泛的应用程序的工具,特别是规模较小的公司(经合组织,2021年)。更重要的是,这些工具变得更加复杂,而且可能更精确、经济成本、精力充沛的爆炸,不扩大线性(汤普森et al ., 2020)。同时,呼吁“绿色AI”或可持续的人工智能已经出现,关注如何降低这些工具和确保他们的碳足迹(低成本)可访问性的大范围的研究人员和用户(罗宾斯和van Wynsberghe, 2022年)。已经提出各种可能的技术改进,但到目前为止,没有一个人看起来足够有前途做出显著贡献的一个解决方案,我们将在后面详细讨论。据推测,增加可再生能源在能源结构会降低AI的碳足迹,但只有在其使用并不继续观察指数上升在过去的十年中,这似乎是不可能的。

有趣的是,这些地区人工智能替换和(直接)补充工作都没有得到太多的关注。在经济方面,新技术会影响生产力的三个层次:劳动、资本或全要素生产率。后者通常是指技术帮助结合生产要素在更有效的方法,例如通过重组的工作流程。更广泛地说,技术更有效地管理网络,例如在运输和物流,在电力和废物管理或信息交换,是提高全要素生产率的主要候选人(2018年联合国DESA)。现代城市交通控制系统可以使用灵活的交通管理直接的个人和公共交通的交通量是最佳和有效的管理。AI将会变得越来越重要的电力网络领域的控制,尤其是在更多的和不同的能源(如可再生能源)必须连接,经济体过境向可持续能源供应。同样,随着经济正试图减少其整体生态负担,废物管理将变得更加重要和越来越扮演的角色循环经济。(复杂的)供应链仍然超出了人工干预的范围和需要高速控制机器。

然而,到目前为止,这些应用程序似乎发挥重要作用在讨论经济学家和社会科学家如何变革这项技术可能可以。我下面会说,这与特定的技术业务运作方式,需要有意识的努力重定向(部分)我们的努力在这个领域在发展中创新。我将从一些方法论考虑之前AI三难选择简而言之,突出的关键机制。我将深入研究它的三个主要组件:缺乏生产力的增长,上升的不平等和市场集中度和恶化的生态足迹。在第四节,我将展示一些地区的技术进步在数字的工作确实可以有助于解决AI三难选择和现在的一些政策建议如何煽动这样的改变。最后一节总结道。

2。AI三难选择简而言之:技术范式

2.1。技术范式

潜在的理解AI三难选择作为socio-technological技术范式的概念之间的交互技术能力、经济条件和社会结构决定的未来发展经济的生产力(Dosi 1982;夜莺et al ., 2008)。之间的组合技术在这里指的是一组劳动、资本和思想产生一定的经济产出。在最基本的层面上,技术的发展可以自主推动科学进步(“想法”)——科学供给推动范式或由经济条件下企业经营劳动和资本市场——需求拉动模式。因此,技术范式的概念扩展了库恩的科学范式,甚至更广泛的适用于外学术社区。

也突出了Dosi (1982),两种理想形式不反映技术进步的动力,这将不可避免地浏览可用的科学知识之间的任何特定时代和特定的社会经济条件下企业运作。应当添加到这个,两股力量将受到制度和监管环境,如法律、法规知识产权、税收制度或政府R&D补贴等。

正是在这一概念的技术范式,AI将在本文开发的三难选择:我将探讨当前科技发展的数字工具、特别是人工智能与劳动力和资本市场的制度和监管制度。我将分析这个交互产生的具体社会经济结果表明某些无法克服的不良特性在这个主流技术范式。因此AI三难选择不是一个逻辑不可能达到更理想的结果与现有技术而是一种上下文三难选择,可以克服与正确的制度和监管的调整。

开发我的论点,我开始通过评审的技术特点是什么通常被称为“机器智能”和比较它与我们当前对人类认知过程的理解。具体来说,我将展示当前的机器智能与浓度显著的规模效应,使经济进一步技术发展的先决条件。通过实证研究的概述我将演示这样的浓度效应的程度已经可以观察和讨论特定的潜在机制。基于这一分析,我认为这种趋势经济浓度有其他不良后果从宏观经济的角度来看,包括放缓技术扩散和生产率增长的减速。我的论点,因此,在考虑当前的技术范式在人工智能的“供给推动,”主要由技术驱动的考虑,而不是一个“面向需求拉动”的政策目标关于生产力的发展、可持续的社会。

AI的三难选择在以下依赖于正在开发一个广泛审查了现有的证据是由计算机科学家聚集在一起,形成一个新的经济学家和政策专家,连贯的理解当前的困难,帮助理解一个看似加速技术进步的明显的矛盾和困难来检测这一进展出现在经济和社会指标的改善。

2.2。AI三难选择作为一个供应推动模式

图4总结了人工智能的关键信息可持续性三难选择:我们不能低不平等,同时高生产力和生态的可持续性,至少不是在追求当前的技术范式基础AI-powered自动决策系统的发展。因此,AI三难选择由三个相互关联的dilemmata其中只有两个可以同时解决的第三个。

具体来说,AI三难选择包含以下三个相互关联的dilemmata:

•productivity-energy困境(图4,右上角的腿):增加生产力(劳动)只能通过人类劳动的更换机器的使用能源(电力)。这不是特定于人工智能革命。在数字经济的情况下,它意味着人类认知的工作被机器智能取代。在下一节中我们将看到更紧密,这通常意味着决策过程的能源效率下降,而不是提高。从云计算的数据存储中心,通过高性能计算机数据分析,即使是最小的能耗的移动数码设备需要保持联系,数字经济已经使用了超过6%的平均用电量。这种趋势正在加速。没有主要的效率提高,用电量预计将增长到2030年的20% (琼斯,2018)。这一困境只能克服如果生产率增长超出了人类可以实现与相同数量的能源消耗。我们认为,这是目前不是这样。

•节能浓度困境(图4,左上角的腿):能源效率提高,而不是下降,数据集中需求进一步增长,以利用在大样本的变化信息。这是目前潜在的逻辑发展的大型语言模型等方法,利用几乎整个图书馆(英语)。鉴于网络外部性参与数据收集(我们将在后面详细讨论),市场集中度必将恶化,至少在数据收集和算法的一小部分培训。这样的浓度数据收集确实可以提高能源效率,因此产生生产力但是只在个别公司的水平。在总体层面上,这个浓度加剧经济不平等。这一困境只能克服如果访问数据监管作为公益,让强大的数据用户之间的竞争。在第4部分中,我们将讨论如何实现不同的选项。

•concentration-productivity困境(图4,底部腿):高收入不平等,特别是在成熟经济体,与较低的生产率增长相关联。随着收入越来越集中在顶部,总需求变得更加缓慢,减缓技术变革,即。,这部分需要投资在新机器的技术进步。更高的生产率增长是否增加或减少不平等,另一方面,取决于整个经济和新技术扩散的速度有多快。高度专业化的技术,只有少数行业受益可能永久取消不平等在其他经济领域不能从它的优势。相比之下,通用技术被认为“取消所有船只,尽管有时长时间的推迟,创建一个j曲线效应(Brynjolfsson et al ., 2021),在短期内增加失业和更快的就业增长从长远来看(陈和Semmler, 2018年)。在第四节,我们将讨论可能的方式解决growth-depressing更高经济集中的后果。

确实有一些争论关于j曲线效应是否相关在理解为什么主要经济体尚未看到生产力改进相应的预期从最新的技术进步的浪潮。取决于平“J”,效果可能需要几十年,相关的主要行业重组和工作流程的重组。恩斯特(2022)认为,由于不平等的上升引发的特定条件下数字技术的发展,它是不太可能看到这些新应用程序的快速扩散蔓延的经济。在最坏的情况下,这些好处可能永远不会实现。换句话说,它是数字公司和市场集中度的增加收入差异扩大,防止更强劲的增长。数字的增长并不是包容,它不是资源有效的根据。

如何解释这种人工智能的可持续性三难选择?本文认为trilemma-low增长,更多的不平等和高能源消耗虽然日新月异的技术进步是主要是由于特定的技术体制的数字经济目前:在当前知识产权制度,能源效率的硅基信息处理工具只能通过高程度的数据集中,防止整个经济的生产率溢出效应而产生重大经济不平等。换句话说,它是一种技术范式supply-push受特定条件下的技术公司开发他们的应用程序。现在“轻便经济”占据了最大的地方,导致市场扭曲,迄今没有收到足够的重视(Haskel和西湖,2017)。此外,AI-powered工具触发各种形式的不平等在未能分散其更广泛的好处。事实上,在微观层面上,新兴,延续现有的不平等问题。历史数据的使用,例如,需要人工智能程序训练,经常反映了歧视,特别是女性或少数民族的劳动力市场。如果AI-routine美联储有这些数据没有相应的过滤器,将永远存在着缺点,例如通过持续的歧视在招聘流程。几个主要科技公司已经经历了这个缺点。综上所述,人工智能的具体制度和工艺特点和基于AI创新导致AI三难选择可持续发展和延续。为了提供一种可能的方式,但是,我们首先需要更好地理解是什么推动这三个不同元素的三难选择下一节。

3所示。理解三难选择的机制

3.1。为什么的大脑比电脑更有效?

人工智能的核心主张三难选择是计算机高度能源密集型。因此,他们大量使用在当前数字转换我们的经济带来了巨大代价对环境,特别是在形式的电力的使用及其相关的碳足迹。从全要素生产率perspective-i.e看着它。,considering all input factors, labor, capital and energy—we start by exploring the first axis of the AI trilemma: the trade-off between using computing power vs. brain power in the drive toward higher levels of productivity. This first section starts by looking into the reasons why digital tools in general—and machine learning in particular, at least as it is currently being conceived—are high consumers of energy. I discuss key differences between brains and computers, arguing that despite many broad similarities, their underlying architecture and information processes show remarkable differences that explain much of why brains are much more efficient than computers. I also discuss how recent changes in the way computer algorithms have evolved have integrated ideas inspired by neurological research, producing remarkable improvements in computing performance. My core argument in this section is that the way computers are currently being used is unsustainable from an ecological point of view. That is not to say that a different kind of use could not prove beneficial for society, but it would require reorienting our current technological paradigm away from trying to substitute for human cognition toward a paradigm where computers and brains are complements³。

关键参数在本节中要了解计算机的功能之间的权衡取舍相比大脑。这可能是一个惊喜对一些电脑经常被看见和建模后,大脑的结构。的确,看到电脑(更好的)版本的大脑有着悠久的历史,回到早期的计算机时代的开端(科布,2020,ch。12)。然而,存在着根本性的差异在工作电脑和一个大脑,超出的物理特性(无机和有机物质)。

增加了混淆计算机和大脑这一事实具有类似功能的关键部件都出现在:内存和电路,即。,structured connections between elementary units that can recall previously stored information—using transistors in the case of computers and neurons in the case of brains. Both elements have been shown to be essential for information processing. Indeed at a fundamental level, all mathematical functions can be represented by a suitable connection of basic logical gates, represented as neural networks, which makes the comparison of computers and brains particularly appealing (Hornik et al ., 1989)。此外,计算性能的进展在过去的几十年中已经花费部分由改进算法设计,往往受到更好的理解一些关键原则背后的大脑的工作方式。神经网络的指数开发和使用,例如,负责事情的巨大进步,简单的硬件发展会成为可能(雪莉和汤普森,2021年)。

因此,许多研究人员认为电脑对大脑的融合正在进行中。此外,计算机应用在人工智能的快速增长表明,最终不仅工作方式类似于大脑,他们甚至会遵循相同的信息过程,根据有限的信息输入(做出预测Friston 2010;Agrawal et al ., 2018)。然而,直接比较显示显著差异(见的性能和效率表1)。特别是,权衡变得明显对于能源消耗和精度/速度计算被执行:人类个体神经元非常缓慢和不精确时处理信息。同时,他们是更强大的比晶体管计算机,显示更复杂的活动比一个简单的二元模式激活潜在的(Gidon et al ., 2020)。另一方面,计算机可以计算以更高的速度和精度,尽管他们中的大多数处理减少晶体管,连接更简单的激活模式⁴。此外,这种更高的精度和速度是有显著的价格标签的形式更高的能源消耗。

同样,电脑是更好的长期存储信息(内存),它可以跨越几十年,根据物理特性,技术更新的速度和流程将信息从一个(数字)介质到另一个地方。相比之下,人类有困难甚至回忆准确的个人信息,可以很容易地操纵他们记住(肖,2016)和“遭受”系统地从忘记由于大脑的可塑性,适应外部输入,计算机不能做的事(瑞安和弗兰克兰,2022年)。

电脑和大脑之间的几个建筑差异似乎解释所观察到的差异的很大一部分的性能,尽管计算机科学家热衷于在关于他们中的一些人试图缩小差距。问题就变成了:如果建筑差异可以关闭,电脑还会执行比大脑他们目前的比较优势在哪里?换句话说:不是比提高电脑的尺寸,他们目前有优势而不是试图模仿大脑?至少从经济的角度来看,这样的权衡将呼吁更加谨慎的评估数字工具的使用取决于他们的比较优势所在。在下面,我专注于四个相关的差异从效率的角度来看⁵。

第一个差异,如上所述表1,源于大脑的平行结构主要是串行的方式相比,计算机的功能。机器学习方法的大规模扩张在计算机科学表明,可以通过大幅提高效率在计算机并行计算。本质上,神经网络的核心对人工智能的最新进展使用并行节点层堆叠在彼此,类似于大脑结构中发现,至少对一阶。不过研究人员越来越多地认识到,这不仅是平行结构,还具体的神经元连接的方式,可以解释性能差异(罗,2021)。事实上,一个特定的网络拓扑结构的重要性在解释这个网络的功能是目前的一个活跃的研究领域和一些见解已经反映在神经网络的方式被设置为了进一步提高性能(西班牙舞et al ., 2020)。相关,大脑似乎已经成型为特定任务,为我们的社会经验是很重要的。例如,我们的面孔识别能力(阿莱山脉et al ., 2021)或字母(Turoman和风格,2017年)在我们的大脑似乎是天生的,而电脑需要学习。同样,我们似乎都受益于一个通用语法,让我们学习语言甚至没有接触丰富的语言,很久以前由诺姆·乔姆斯基⁶。这样的“训练”,尽管越来越多的用于ML-applications使得我们的大脑特别节能要是不灵活。

第二个区别在于大脑中特定的内存结构。如上所述,记忆丧失似乎扮演了一个重要的角色在促进大脑的能源效率逐渐移除不再需要的信息(李和van Rossum, 2020年)。此外,而不是一个固定大小的内存芯片,存储所有信息,动态内存分配和存储。信息,因此,不需要改变,读出但可以真正需要的地方。这激发了最近的研究开发集成内存运算电路,允许信息被存储在计算发生,所谓的“mem-resistors”(Zahedinejad et al ., 2022)。到目前为止,这仍然是实验和尚未成功实现大规模计算,但表明,显著提高效率即使在硬件设计仍然是可用的。

第三个,我们的论点最决定性的区别在于信息被记录在神经元相比计算机字节。实际上,计算机处理信息的形式小,固定大小的块,所谓的字节,在二进制格式。不管具体的计算机类型,在任何时候在操作期间,大量的单个比特组成每个字节是活跃的。换句话说,电脑使用密度表示的信息。更重要的是,每次这样有点失去了通过计算操作动作电位,能量被释放。相比之下,神经元已被证明与稀疏表示,单个神经元的树突在哪里被激活时一定比例(小)的大量潜在的链接是活跃的,通常不到5% (Ahmad Scheinkman, 2016;霍金斯和艾哈迈德,2016;洞,艾哈迈德,2021年)。不仅对稀疏表示的操作使用更少的能源比浓度最操作涉及zeros-they也针对错误的健壮:计算霍金斯和艾哈迈德(2016)证明为典型的神经元突触出错率可以达到50%而不失去能力正确识别潜在的模式。这种鲁棒性错误是一个额外的因素对能源效率,因为它避免了昂贵的误差修正的计算需要进行标准的计算设备,尤其是关键的硬件。

最后,虽然这些建筑差异主要指向不同的硬件,稀疏也是一个重要的问题关于算法的计算机和大脑之间的区别。也突出了卡尼曼(2011),人类处理两个主要的决策模式:慢,优化和计算决策过程和快速、启发式的例程。后者可能有认知偏见但允许快速决策,特别是有关压力和高威胁的时期。启发式通常特定于域的,这就是为什么他们的应用程序到其他领域引起认知偏见不考虑所有相关的选择(吉仁泽et al ., 2011)。与此同时,他们是快速和节能。角色执行的大脑在这方面是确定具体情况,动员每个决策问题的相关资源。相比之下,算法目前从事计算机系统动员所有可用的资源,任何问题。整合这些考虑有转向使用更专业的cpu,专注于特定的任务和更高的效率。然而,到目前为止,这个更模块化和专业设置的大脑还没有达到成熟的水平。

综上所述,电脑的具体优势在于快速、高精度的计算,例如那些需要设计高科技设备或快速搜索通过人类知识的可用的库(或蛋白质折叠)。相比之下,人类的大脑已经进化响应特定社会环境带来的挑战,同情和理解社交场合发挥着基础性的作用。这里,协调、协作和适应性变化(社会)环境(集体)成功的关键,一个任务,计算机很难实现,因为它是编程(固定的)数量的任务。第一个电脑的相对性能的比较结果和大脑,因此,是互补而不是大脑和计算能力的可置换性。这个关系很好地与其他研究表明人工智能的重要性作为一种变革的力量,而不是破坏性的一个(Fossen Sorgner, 2019;Carbonero et al ., 2021)。这也意味着当前试图生成大量替代劳动生产率增长的电脑不会导致预期的结果。相反,它将导致恶化的能源法案那些依赖于这些技术的公司。

因此,数字设备的技术发展、特别是AI-powered工具建议生态足迹指数上升在当前技术范式(琼斯,2018;汤普森et al ., 2020)。一个简单的增长模型的投影的大小,是由上升的精度要求,表明经济和生态成本将迅速成为不可持续的表2)。正如作者指出的,这投影是一个简单的插图和随后的轨迹不太可能随着经济,金融和生态的限制将阻止它发生。一个领域,这已经可以观察到把应用程序在cryptocurrencies几个地区发布了限制或禁止所谓的“挖掘”货币在自己的领土范围内,主要原因与能源成本上涨(连锁效应在其他活动在这些国家)。

无论“增长的极限”为特定的应用程序中,一个关键的挑战在促进更有效的计算程序和评估任务可以更好地进行人类而不是机器仍然是适当的评估涉及的能源消费在整个计算价值链,从数据收集、存储机器学习和数据使用(Garcia-Martin et al ., 2019;亨德森et al ., 2020)。

3.2。信息规则:对市场结构的影响

高能源消耗的直接后果是一个上涨的市场集中在AI生产企业和最promising-i.e浓度的人工智能应用程序。,大多数profitable-applications所示图2。的一个直接后果隐含的经济成本上升指数增加能源消耗是一个人工智能研究的“缩小”(科林格et al ., 2022)。作者所强调的,这缩小的人工智能的研究与关注数据,computational-intensive方法在深度学习的其他方法在人工智能可能更容易由较小的媒体和学术研究人员的研究。的确,无处不在的可用性大、非结构化数据库和自1980年代以来指数计算成本下降造成了研究人员专注于一个特定的人工智能发展的分支,即统计和机器学习的早期尝试使用符号人工智能编程专家系统所可能更容易更广泛的开发人员。

相关,缩小人工智能研究和生态和经济成本上升导致市场集中度、发展和培训新(大)模型(本德et al ., 2021等)和相关数字应用cryptocurrency市场区块链应用程序,也可以观察到类似倾向寡头浓度(Arnosti温伯格,2022)。这个不应该感到惊讶,任何市场,需要大量固定资产投资进入将显示浓度的迹象。这并不需要一个问题如果有可用的替代产品和服务(关闭)的替代品,垄断竞争的情况下,许多经济增长模型(的核心阿吉翁和何汇特,1992年)。然而,人工智能的缩小的研究表明,这种潜在的提供接近的替代品也下降,这的确会导致整个市场的浓度。事实上,数字技术的趋势导致巨星公司主导的市场都有连锁效应,和上游市场力量越来越有据可查(Coveri et al ., 2021;Rikap 2021)。

但还有另一种力量,推动经济向浓度数据:数据收集的网络外部性(琼斯和Tonetti, 2020年)。实际上,个人数据有三个特点,区别于标准产品和服务:(1)条款(几乎)不花钱的,经常做其他活动的副产品(如购买一个好的在线;Arrieta-Ibarra et al ., 2018);(2)提供可以共享和重用没有成本;和(3)最后,其个人价值在一些极端情况下以外的几乎可以忽略不计(例如,罕见疾病)。只有当数据库的一部分将个人数据生成一些经济价值,例如为了确定客户档案或申请人的特征(瓦里安2018)。这样的网络外部性是导致浓度效应称为已成为明显的只有一小部分的份额上升对全球证券交易所平台和社交媒体供应商。

原则上,浓度可以生产率提高,由于网络外部性产生的生产力数据提供集中共享平台用户。这可能发生,例如当price-regulated平台时,这一原则被应用与先前的网络垄断电信或配电。数据的垄断,这是几乎不可能使用这些数字工具不是定价和用户支付这些服务通过其他方式,更加难以规范(例如,接触广告)。由替代平台提供者或者,激烈的竞争可以帮助分享这些生产力更广泛,但很多现任平台变得如此之大,他们要么抢先购买潜在的竞争者(例如,Instagram的Facebook)或使用掠夺性定价策略对可能的新人,以限制其增长或减少条目完全(如亚马逊,见汗,2017)。因此,生产率增长仍高度集中在少数,更大的公司,看到他们评估飞涨。相比之下,经合组织国家的平均公司几乎没有经历过任何(生产力)增长尽管越来越大的数字资产投资(安德鲁斯et al ., 2015;Haskel和西湖,2017)。实际上,一个简单的计算可以证明这些收益在股市上涨的形式评估宏观经济比例:如果整个股票市值最大的五个数字公司被无限期年金支付,美国GDP将增长近1.1%,显著改善⁷。

越来越多使用的人工智能的分配方面不仅出现在宏观经济层面,他们也出现在微观——meso-economic水平。产能增加的直接后果算法对大型数据库的可能性多精制定价策略,所谓个人定价(或价格歧视)。这样的方法重新分配福利收益从消费者到生产商,可,在某些情况下,被welfare-enhancing在某种程度上,它们允许生产总量的增加。事实上,它可以证明,这种情况下很容易出现,等更放松的立场,认为价格歧视策略(瓦里安1985,2010年)。另一方面越来越多的研究表明,人工智能的缩放,这些welfare-enhancing输出扩张正是缺乏:相反,客户歧视是被用来排除某些socio-demographic类别的服务。尤其在申请人力资源管理问题,例如,在自动化招聘工具通常似乎过于严格的标准,申请选择,从而排除大部分申请人池(“隐藏的工人,”Fuller et al ., 2021)。通常,这是在讨论算法由于历史的偏见歧视这些算法在训练数据库。然而,更深刻的原因这些welfare-reducing AI在这种情况下的影响在于法律的特权,以防止公开歧视,从而为企业树立激励只限制对某些群体的服务。

最近的辩论已经开始专注于算法的分布影响在meso-economic层面,具体问题上因算法勾结(经合组织,2017年;Calvano et al ., 2020)。在传统的环境中,就签约往往是必要的在市场只有少数球员为了从福利最大化价格水平(Bertrand寡头垄断)的利润最大化,但welfare-reducing更高的价格水平较低的输出(“古诺寡头”)。反垄断监管机构,因此,花大量精力在记录这样的书面或口头承诺在数量而不是价格竞争。在这个世界上,价格可以调整几乎瞬间,通过算法,这类协议不再是必要的:算法将从彼此学习行为和默许同意利润最大化定价策略(Ezrachi爱车,2020)。

有重大分歧,然而,是否这样的隐性勾结已经观察到或甚至可能成为一个严重的威胁,不仅收入分配,而是提高效率获得AI (杜诺2021)⁸。证据主要来自网上平台,如在线药品销售商或机票定价(布朗和麦凯,即将到来的)而且零售汽油市场价格调整频繁,越来越多的通过使用算法(阿萨德et al ., 2020)。市场是否容易算法勾结可能取决于销售的产品或服务的特点,包括交易的频率,透明的程度和产品的同质性,除了算法的可用性,可以利用这样的机会(伯恩哈特和Dewenter, 2020)。无论如何今天是普遍现象,然而,传统的反垄断监管将有困难来确定这种情况下,正是因为他们的隐性性质。因此,风险扩大使用人工智能在决定价格(工资)不仅会导致进一步的浓度和寻租行为,它也会大大降低效率无论任何劳动位移影响这些技术。通过适当设置一些选项的存在是为了规范公司行为的罚款和剥离,但当前涉及社交媒体平台的例子表明这样的监管行动很可能遭到了强烈的反对(Beneke Mackenrodt, 2021)。

3.3。为什么我们没有看到更多的生产率增长?

最后一个方面我们的AI三难选择看着低和生产率增长下降在大多数发达国家和主要新兴经济体。如上所述,经济学家们早就注意到生产力明显加速技术进步之间的难题,特别是在数字技术,以及缺乏观察生产率增长,至少在国家层面上(Brynjolfsson et al ., 2019)。要理解这个问题,国家的生产率增长需要被分解成其组成部分:的确,总增加生产力是生产力改进的产品在公司或工厂水平和整个经济的这些成果的传播。简单地说,生产力=创新扩散。问题因此变成了两方面的:缺乏观察生产率增长是由于数字经济的失败和AI推动生产力水平还是个人公司的失败相关的收益分散到更广泛的经济问题。研究人员给了到目前为止的答案是:问题驻留两端和可能相关。

在公司层面,引入新技术,人工智能特别是一直面对一个必要的重组工作流程(Dhondt et al ., 2021)。因此重组需要时间和精力,出现j曲线效应:每个新技术需要前期成本的形式重组,可能会降低生产率和公司盈利能力。然而,一旦这些调整已经成功地发生,生产力将超越级别的调整过程(Brynjolfsson et al ., 2021)。在公司层面,证据确实是新兴的,最近激增的专利在人工智能和自动化已经导致了全球提高公司生产力水平,尤其是中小企业和服务(Damioli et al ., 2021)。专门为美国研究似乎表明,然而,AI的影响尤其强劲,这在大公司专利显著(Alderucci et al ., 2020)。看着生产率溢出效应,另一方面,Venturini (2022)表明,至少在早期的过渡时期对自动化基于人工智能和机器人技术,显著的溢出效应可能导致观察到的生产力的提高。换句话说,尽管增加生产力的公司和行业层面上,是由人工智能和自动化,总劳动生产力增长明显减速,这表明其他因素一定是阻碍AI对增长的可能的积极贡献。

一个可能的因素可能躺在生产链的重组。事实上,正如被突出显示麦克纳尼et al。(2022),随着经济的成熟,生产链通常变长,从而增加他们的能力从个体生成总生产率增长,公司级或部门改善生产力。然而,在过去的15年里,全球贸易增长已经停滞,建议至少停滞如果不减少生产链条的长度,这将表明损失的能力,人工智能生成总体层面的生产率增长。不幸的是,证据麦克纳尼et al。(2022)2009年停止,但表明,其中一些抑制的影响全球贸易增长缓慢可能实际上已经开始出现的观察期。

接近这里开发的论点,人工智能研究表明另一种可能的缩小,之后企业(2019):事实上,人工智能应用的快速增长可能会集中在监控软件和人力资源管理工具,影响工作场所组织超过它有助于整体生产力的提高。重组的一部分,与其说此类软件引起的影响企业的整体创新能力,而是创新的类型,与对公司盈利能力和员工输出。换句话说,这种类型的投资AI关注人力资源管理对整体信息处理具有更大的帮助和激励条款,而不是创造价值,这就是为什么公司水平的研究似乎表明,只有一些公司受益于这些工具。

在宏观层面,另一个因素限制总生产率增长从人工智能探索葛瑞斯和诺德(2020)扩大在阿赛莫格卢和雷斯特雷波(2019)和分析一个内生增长模型。作者分析的影响AI-induced自动化的任务而不是整个工作,证明无论AI和人类劳动之间的替代弹性,总劳动收入份额下降,对总需求和生产率增长产生不利的影响。替代弹性很高时,位移效应总是大于恢复效应的新任务(阿赛莫格卢和雷斯特雷波,2019年)。然而,葛瑞斯和诺德(2020)表明,即使在替代弹性低的情况下,恢复效果未能弥补劳动力位移在内生增长受益于人工智能,提供大量集中在资本所有者的直接后果分布方面的人工智能在前一节中讨论。相比前一波又一波的自动化,因此,经济数据生成高度集中的好处,不能产生足够的需求在广泛的基础上推动经济增长的溢出效应。

最后一个因素,密切相关的数据的分布影响经济担忧其对市场竞争程度的影响,强调了阿吉翁et al。(2021)。事实上,熊彼特的创新带来的租金等人工智能需要逐渐侵蚀通过新的生产者的入口高度可替换的商品和服务,以允许生产率增长的广泛扩散。这是的本质阿吉翁和何汇特(1992)原创作品的创造性破坏和随后的经验证据。所证明的伊达尔戈和豪斯曼(2009)和ibsen Pinheiro et al。(2021)当这样的增长模式普遍存在在一个大范围的不相关的领域他们领导国家高和持续的经济发展道路。在这种情况下,垄断性竞争加上创造性破坏确保生产率的持续升级范围广泛的行业,一个模型,又广泛的前两波工业革命。然而,随着数字资本主义和数据市场的到来,数据平台提供商和AI创新者所产生的租金只有部分扩散通过经济,从而降低劳动收入份额和总需求,这一趋势观察自1980年代计算机革命的到来,一直持续到今天。

这种关系与另一个一直困扰经济学家一段时间的观察:创业和创业活动的下降在过去的二十年里(Bessen 2022)。的确,全球市场崛起的趋势良好的文档记录,之后直接从缺乏市场可竞争性较小,年轻的公司(Eeckhout 2021)。作为Bessen (2020)演示,这个行业集中趋势可以直接与经济增长数据和相关的专有信息技术的增长。这样的行业集中,即使由创新产品和服务,并不是没有不良后果总生产力的增长(De Loecker et al ., 2020)。

然后关闭循环的AI三难选择。尽管创建大量的潜在生产力的提高公司水平和一些证据的生产率溢出效应,广泛增加总生产率的潜力是有限的不利分布的数据经济功能的后果。经验,这出现在前沿公司生产力差距不断扩大,其余(安德鲁斯et al ., 2015)。与此同时,高能源消耗不仅限制了该技术的社会效益;它本身就是部分负责人工智能的高浓度的提供者和缩小人工智能应用程序。在这方面,一些观察人士提出的建议改变经济数据的监管环境,例如通过修改电流调节知识产权可能不足以解决三难选择这里介绍(例如,Karakilic 2019)。在下一节中我们将看到,解决人工智能三难选择需要更多的方法,目标的具体利益,广泛采用人工智能可以通过减轻其不利的生态和社会成本。

4所示。解决人工智能三难选择

解剖的基础AI三难选择允许的理解如何解决它。任何政策或监管干预的关键是三难选择特定于当前技术范式下的数字经济的发展,而不是一个技术的固有特性。这种模式不仅受到特定技术的物理特性也的制度框架技术正在开发(Dosi 1982;Bassanini恩斯特,2002;夜莺et al ., 2008)。具体地说,是认为在前一节中,当前的技术范式是一个supply-push之一,在技术发展主要通过单个公司的策略。在这一节中,我认为克服AI三难选择切换到需求拉动型技术政权通过深思熟虑的转变是必要的,技术发展的制度框架面向应用程序有益的从社会的角度来看。

在下面,我提供三种方法解决AI三难选择,每一个针对一个特定的轴的三难选择突出显示图4。接下来的一节讨论的是,打破三难选择需要三件事之一:一个互补的技术发展方向,提高创新效率;一个更公平的分配创新租金;或更广泛扩散通过恢复生产力的竞争市场。

第一个方法使用标准公共经济学:如果当前技术政权AI开发运营产生外部性(环境、社会等),这些需要内化通过监管或制度变迁,例如通过公司税法的变化或加强劳动力市场机构。第二种方法考虑直接干预东方科技发展政策行动进入应用程序具有很高的社会价值,可以提高生产力增长足以证明额外的能源消耗,即。,这种方法会导致整体减少资源消耗。最后一个方法侧重于浓度困境,解决公共产品当前的数字技术政权的问题。以下图5总结了解决方案解决的AI三难选择在下面讨论。

4.1。解决能源集中化的两难境地:energy-labor平衡转变

解决人工智能三难选择面临着两个相互关联的挑战:(i)转向技术进步方向,至少是中立的和理想的补充工作(Mazzucato 2021),这样引进新机器加强了对劳动力的需求;和(2)确保在将军和增加使用人工智能技术进步particular-reduces其生态足迹而不是增加(阿西莫格鲁et al ., 2012)。然而,随着讨论的文学环境转变,这两个目标往往冲突,尤其是因为投资新的环保技术需要时间充分允许对资源的重新分配。此外,许多行业的工作,沉重的生态足迹通常是高薪工作对工人不到研究生学位(Montt et al ., 2018)。换句话说,我们的AI三难困境引发政策之间的权衡更好的工作和更多的能源效率,与转换可能到来的代价在least-temporary生产率增长放缓甚至下降。

在这里,我们想说另一种调整路径,可以直接解决这些问题还是解决AI三难选择。这是由特殊的人工智能的特点,它不存在相同的程度上与先前的形式的技术变革,包括机器人等技术。为此,我们需要扩展我们的观点在总生产不仅包括能源,而且组织资本广泛的理解:

输入因素指出在哪里K资本,l劳动,E能源,O组织资本。这样的扩展经济学有着悠久的历史,特别是在公司级的实证分析(见,例如,阿特基森和凯赫,2005)。然而,在宏观经济层面,改善组织资本,O的标题通常归入“全要素生产率”,没有明确是否这些发生在微观,中间或宏观经济水平。

当前的范本,专注于人工智能技术,取代或补充的工作类似于以前的自动化(Fossen Sorgner, 2019)。尽管经济分析的事实越来越关注技术的影响而不是对个人的工作,但在底层任务正在执行的工作(奥特et al ., 2003,2006年;奥托,2013;阿赛莫格卢和雷斯特雷波,2019年),人工智能是不被认为是不同于以前的形式的技术进步在这方面。然而,正如在开幕式前一节的一部分,讨论人工智能的一个特征是其处理信息的能力为了做出预测,例如关于一个特定的动力学系统。在微观经济层面上,这样的预测可以帮助个体工人,例如,在尊重一个特定的顺序来处理工作流给建议下一步。同样,在研究环境中,人工智能已经被用来促进新药的发现过程,从而提高生产力的创新过程。在行业层面,AI能够并且已经用于动态定价(Calvano et al ., 2020)。都可以被认为是补充劳动力,在传统的生产函数。在宏观经济层面,这些考虑添加一个新的维度。在这里,应用程序可以看作存在不容易补充或代替劳动。例如,人工智能工具越来越被用于提高废弃物的管理和电力网络或帮助改善交通系统的使用和利用,包括通过内陆连接(参见下一小节的讨论)。这些活动都直接关系到人类劳动(例如,除非一个认为通勤上下班的总生产函数,通常这不是)。这些人工智能的应用,因此属于创新来提高全要素生产率。

这种创新集中在提高资源效率不太可能有任何直接就业效应但可能影响不同行业的比较优势影响资本和劳动力的方式被使用。改善废物管理应用程序(例如,在巴塞罗那),更快帮助市政官员识别基础设施缺陷(例如,阿姆斯特丹)或改善交通系统的管理(如德里,吉隆坡)降低管理费用。因此,他们不替代任何当前或未来工作(除了工程师开发软件)。然而,在某种程度上,应用程序有助于提高资源效率在特定的产业或行业,对这个行业的比较优势和影响,国内外资源将重新分配各部门对就业和经济增长的影响(Rentsch Brinksmeier, 2015)。同样,在某种程度上,城市受益于AI不同,更先进的城市可能会吸引新的企业和工作,导致地理资源的重新分配。目前,据我们所知,但是,没有好的经验的理解程度的人工智能骨料可以帮助提高资源效率,在部门级别或空间,这就排除了一个适当的定量评估这个维度的改进AI。

这样的间接影响效率改进劳动力市场可以通过特定的干预措施,帮助补充加强劳动是补充,而不是替代。特别是,有三个地方决策者和社会合作伙伴都可以帮助引导技术变革成为工人的补充而不是替代:

•第一个和最直接的方式进行干预,防止过度的自动化通过研发激励和税收抵免:突出显示图2,投资在AI是高度集中在少数地区,大多与过度自动化(阿赛莫格卢和雷斯特雷波,2019年,2020年)。这种干预总是可能的,可能带来一个更加平衡的发展关于人工智能的发展及其社会影响。然而,从人工智能的讨论三难选择,由此可见,广泛支持的人工智能的发展补充劳动未必会同时解决能源问题。相反,与先前的一波又一波的技术进步,自动化可以过度使用能源的成本。换句话说,直接干预对于人工智能的发展需要同时关注他们的效能和labor-complementarity方面为了试图解决AI三难选择时是有效的。

•第二次干预是通过减少劳动力的税务负担,特别是在美国导致强烈的激励自动化(阿西莫格鲁et al ., 2020)。相反,税收负担从劳动力转向能源消耗可以解决不利资源和劳动力AI的影响。事实上,正如讨论Ciminelli et al。(2019)中性税制改革的一个经常被忽视的通道对消费税是加强低端劳动力供给激励收入分配,从而在一定程度上纠正其倒退的收入效应。

•最后,最间接的和富有挑战性的方式引导节约型发展人工智能的程度可以产生积极成果在就业和工作条件是通过加强劳动力市场机构,比如工作在公司层面的影响技术选择委员会(El-Ganainy et al ., 2021)。这样的制度安排已经被证明能够影响的技术被应用和实现在工作场所的水平。在场景设想,活动将在部门和职业发展,受益于AI-triggered资源效率的提高和制度比较优势支持合作的劳资关系(恩斯特,2005)。

AI三难选择第一种方法来解决,因此,在于引导的必要性人工智能发展的方向提高全要素生产率作为人工智能的一个方面是特别适合,其潜在的替代劳动是最小化,因为到目前为止,这些网络功能都实现了人类劳动。互补的干预是必须的,然而,应对可能的不利影响效能的增强人工智能应用程序在劳动密集型行业和部门。在下面,我们将讨论如何在特定网络互补性暗示了AI可能挑战这样的方法。

4.2。解决productivity-energy困境:激励网络应用程序的使用

并不是所有的人工智能应用程序由AI-trilemma影响程度不尽相同。特别是已经提到网络应用程序有可能执行特别好时降低资源消耗和提高包容性。训练有素的人工智能程序,例如关于电力管理或农业用水量今天已经减少环境的负担,提供有效地应对气候变化的可能性(见,例如,Rolnick et al ., 2023)。数字技术可能会扮演一个关键的角色在帮助我们的社会适应气候风险上升,使关键基础设施更有弹性(Argyroudis et al ., 2022)。此外,这样的解决方案也向发展中国家提供有效的知识转移的机会,那里仍然是一个伟大的需要赶上现代技术适应当地条件。谷歌和微软等公司已经发现了这种需求,已开始在一些发展中国家建立自己的研究中心。和当地的解决方案,特别是在农业,也显示这些国家的潜在生产率增长(恩斯特et al ., 2019)。在下面,我们简要讨论三个领域人工智能的网络管理工具可以证明特别支持:能源管理、交通管理和远程工作。

能源管理议程上的人工智能应用程序特别高。管理复杂电网在不同的司法管辖区(在欧洲尤其突出)和多样化的能源作为能源生产是由可再生能源日益确保电网管理带来巨大的挑战。失败的适当的管理和外部(天气)事件的预期会导致电网故障,经历了冬季在德克萨斯州的2020/21,例如。结合物联网设备和智能电表智能电网是一个关注能源行业的发展(Ahmad et al ., 2022)。除了网格管理、预防性维护和智能消费也主要领域的研究和开发,可以帮助减少停机的风险和整体消费⁹。尤其是能耗管理,已经成为一个活跃的研究领域为科技公司在试图减少自己的碳足迹,并很可能导致大量减少能源消耗的人工智能模型¹⁰。

移动性管理的智能城市政策是另一个领域的高潜力解决AI三难选择数字工具。物流管理是现代通信网络的一个领域和复杂的供应链管理已经利用AI-powered工具¹¹。同样,关于模态应用互联互通为个体运输收到越来越多的关注,特别是在地区运输供给弹性是有限的。这些应用程序是为了促进个人交通密集的城市设置为同样的路线提供了选择运输方式。管理此类交通网络通过AI-powered工具将允许提高交通流畅,更有效地管理基础设施能力有限(Nepelski 2021)。

最后一个区域被认为是人工智能在当前能够扮演的角色过渡到更高的远程工作。尤其是发达经济体,展示了令人惊讶的弹性与需求相关的在家工作,与pandemic-induced锁定在2020/21。被称为“潜在的资本,“大部分的数字基础设施和个人计算设备允许的很大一部分劳动力继续他们的经济活动和限制经济健康危机的排水口(希伯et al ., 2021)。随着经济复苏从这个冲击,远程工作仍将是现实至少在劳动力的一部分,创造挑战的调度、信息共享和联网(卡恩,2022)。在特定的个人和职业关系的开发和维护,对经济发展很重要是严重影响远程工作(杨et al ., 2022)。到目前为止,远程已经微薄的收益。商业领袖和员工仍在试图找出如何最好地利用新的灵活性,在家工作提供(卡佩里,2021)。在这里,AI工具可以是一个重要的答案来解决这个挑战至少部分,开发复杂的调度软件,帮助保持信息完整性在高度分布式网络的员工。

总的来说这样的应用程序使用人工智能工具来直接解决问题的潜在总资源的效率,而不是用资本代替劳动力,从而使我们更接近解决AI-trilemma。

4.3。解决concentration-productivity困境:重新分配租金

前面的讨论表明,这些变化不仅需要调整的技术正在开发还在制度和政策环境下,创新和企业运作。在本节结束,三种方法正在讨论有可能解决技术和人工智能的分配方面三难选择:

首先,传统的解决办法是试着用税收来更好的获取资本利得,同时从劳动向资本转移的税收压力。这经常被讨论了与机器人有关的税(Merola 2022)。一方面,它将允许的巨大利润数字公司被捕获。另一方面,税收公平将会恢复,这可能会缓解因素劳动力和减轻走向合理化和失业的压力。然而,在全球经济中,各国政府严格限制多少税收国际运营公司。试图延长税收利润的数字服务的消费,而不是被那些抵制国家无数的大,数码公司。此外,正如之前提到的,税收负担需要脱离劳动力和能源消费如果三难选择妥善解决。

第二,更具创新性的方法是确保更大的数字企业之间的竞争,比如便于传输数据平台之间使用统一的标准和协议。一些解决方案还提出数据所有权为了提供一个货币激励对于那些提供他们的数据通过使用平台。然而,到目前为止,这些解决方案都完全开发和可行的。此外,只有很少的用户可以获得相对较大的利润从这种方法中,而绝大多数的他们也不会有太大的期望。动力切换平台或获得金钱奖励会解决AI三难选择过低。

最后,小争论的解决方案是建立一个主权数字财富基金,参与广泛的数字经济。目前,主权财富基金(SWF)建立了与有形公共产品等自然资源。离开私营企业等资源的开发,主权财富基金投资于这些活动,公众股东的好处,如政府。这允许这种公共产品的好处是通过广泛的人群。然而,而不是喂养了油井(如沙特阿拉伯,挪威)或鱼类(如在阿拉斯加),数字化主权财富基金将由税收和新债,为了生成返回通过投资基金创新数码公司。同时,这样一个基金,投资提供足够深,也能直接影响有效的业务让这些公司为了防止这类职位的剥削。同样,该基金也可以瞄准施加影响在微观层面上确保伦理和生态标准得到满足时使用人工智能。现有越来越多的主权财富基金投资在技术领域,没有,然而,采取积极的姿态至于科技发展和经济影响的公司投资了恩格尔et al。(2020)。

这里列出的任何解决方案中,将在自己足够解决AI三难选择。国家的解决方案通常不提供足够的保证所有市场参与者会提供同样的条件。国际方法,特别是在税收领域,正在慢慢地获得认同,但通常只在最小公分母。创新的解决方案如数据所有权需要制度变迁,将最有可能需要一些时间才能建立和执行。然而,一个方法解决三个提议解决方案应该能够找到最初的答案AI三难选择,同时提供新的、个性化的建议,优化潜力,AI适用于工作,收入和包容性。不仅工作要求的未来技术创新,也是政治和制度。

5。结论

介绍和讨论了人工智能可持续性三难选择,不可能达到生态可持续发展,平等和生产率增长(收入)在当前技术范式。它呈现参数为什么当前的能源密集型性质计算能力结合强大的网络外部性导致市场集中度,狭窄的人工智能研究和弱(总)生产率增长。三难选择这篇论文还讨论了可能的答案,证明向网络应用技术变革的可能,比如在电力和流动性管理,来提高全要素生产率,将导致较低的整体生态足迹和更高的总生产率没有恶化的不平等。这样的技术变革要求,然而,技术和制度发生变化以减少对市场集中度数字经济的趋势。

可能克服AI的三难选择仍然投机在这个阶段,只是因为的总体影响定向技术变革尚未大规模测试或实现。所需的一些制度变化可能会遭到强烈的在职者,可能会失去他们的市场统治地位。在技术层面上,单独的应用程序显示可能解决当前的技术变革方向的缺点但是实际的例子是缺乏本文的写作的时候。为新的应用程序正在开发和实现规模、细致的实证研究是必要的,以评估他们才能真正解决AI三难选择和可能的额外政策变化充分受益于技术进化所需的数字工具和人工智能。政策转变,鼓励减少资源使用和减少(税)惩罚雇佣劳动可以引起更多对社会有益的数字工具的发展。更积极的立场,例如,通过建立主权数字财富基金与现有模型在自然资源管理应该用于加速对新技术范式转变,克服了AI三难选择。开关从supply-push需求拉动型技术政权作为本文需要进一步分析认为对于特定的应用程序,可以帮助克服三难选择。尤其值得一提的是,除了这些变更的技术可行性,特定的政治和制度障碍需要仔细识别和解决,打开另一个有趣的研究途径。

数据可用性声明

最初的贡献提出了研究中都包含在本文/辅料,可以针对相应的作者进一步询问。

作者的贡献

作者证实了这项工作的唯一贡献者和已批准出版。

确认

作者希望欣然承认很有帮助的评论巴特•范•伊恩•贝格蒂姆•Leunig和三个裁判。

的利益冲突

作者说,这项研究是在没有进行任何商业或金融关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

脚注

引用