Ерик Бриньолфсон: „Това може да е най-доброто десетилетие в историята — или най-лошото“
Това е част от поредица „“, включваща разговори между водещи коментатори на FT и водещи икономисти
The потенциалът на генеративния изкуствен интелект доминира дискусиите в Давос този месец. Бизнес лидери и политици се чудят дали миналогодишният шум около големите езикови модели (LLM), който подхрани ралито на фондовия пазар, всъщност ще бъде съпоставен с печалби в производителността. Тази година – тъй като технологията се възприема и комерсиализира все повече – ще започнем да виждаме нейното въздействие върху нашите икономики, общества и институции.
Ерик Бриньолфсон, професор, автор и старши сътрудник в Станфордския институт за човека -Centered AI, е авторитет за потенциалното въздействие на gen-AI върху производителността. Той беше сред първите изследователи, които измерват приноса на информационните технологии в производителността. Един от неговите ментори беше Робърт Солоу, носител на Нобелова награда, който почина миналия месец.
В това интервю той обсъжда влиянието на Солоу върху неговата работа, как ген. AI се класира спрямо историческите технологии и неговите концепции за „J-кривата“ на производителността и „капана на Тюринг“.
Tej Parikh: Новите технологии винаги предизвикват шум. Колко трябва да се вълнуваме от генеративния AI?
Ерик Бриньолфсон: Винаги съм бил оптимистичен за потенциала на AI и мисля, че моделите на основата или LLM са надхвърлили дори най-много оптимистични прогнози на повечето изследователи на ИИ и със сигурност на икономистите.
TP: За какъв тип повишаване на производителността говорим?
EB: < /strong>Оптимист съм, че технологиите ще засегнат голям брой задачи. Голям процент от работата, която се извършва в съвременната икономика, може да бъде подсилена от LLMs и генеративен AI. Ефектите върху тези задачи са значителни — двуцифрени печалби в производителността само за няколко месеца в някои от случаите, които съм изучавал. Умножете големия процент на засегнатите задачи със значително повишаване на производителността за всяка от тях и ще получите голямо общо икономическо въздействие. Обзалагам се, че ръстът на производителността е може би значително по-висок през 2020 г., отколкото прогнозира Бюджетната служба на Конгреса. Те прогнозираха 1,4% средно годишно. Мисля, че може да е два пъти повече — по-близо до 3 процента — може би повече.
TP: В исторически контекст как трябва да мислим за gen-AI — главен изпълнителен директор на Alphabet Сундар Пичай го сравни с огън или електричество.
EB: Не съм сигурен за огъня, но мисля, че електричеството не е лошо сравнение. Технологиите с общо предназначение или GPT (въпреки че това съкращение е някак откраднато от икономистите) имат три важни характеристики. Те са широко разпространени и засягат повечето сектори на икономиката; второ, те се подобряват бързо; и трето, те създават допълнителни иновации. Електричеството със сигурност отговаря на сметката. Същото направиха и компютърните технологии, а сега и gen-AI.
Но те са още по-разпространени, по-бързо се подобряват и може би най-важното, раждат още повече допълващи се иновации от по-ранните технологии. Така че, докато повечето GPT отнемат десетилетия, за да се разработят напълно - в случая с електричеството, най-големите ефекти се случиха 30 до 40 години след първото му въвеждане в американските фабрики - за генеративния AI очаквам ефектите върху производителността върху икономиката да бъдат много по-бързи . В конкретни приложения установихме, че това е само въпрос на няколко месеца.
TP: Това базирано ли е на рандомизирани контролни изпитвания на ниво работник?
EB: Да, направих проучване с Линдзи Реймънд и Даниел Ли, където разгледахме въвеждането на инструмент за LLM в помощ на агентите за обслужване на клиенти. Имаше средно около 14 процента увеличение на производителността само за няколко месеца. Най-малко опитните агенти имаха 34% увеличение на производителността - много повече от по-опитните агенти. Също така видяхме подобрения в удовлетвореността на клиентите. Дори самите представители на обслужването на клиенти изглеждаха по-щастливи. Имаше по-малка вероятност да напуснат, което доведе до по-малко текучество. И така, акционерите, клиентите и служителите изглеждат по-добре в рамките само на няколко месеца.
Има други проучвания, които разглеждат роли от софтуерно кодиране до управленско консултиране и различни видове писмени задачи. И всеки от тях откри много подобен модел, при който 1) често имаше двуцифрени печалби в производителността, 2) по-малко квалифицираните работници обикновено се възползваха повече и 3) печалбите се появиха само в рамките на няколко месеца.
TP: Приложенията в публичния сектор също са обещаващи, особено в здравеопазването. Но това, което има значение сега, за да се види повишаване на производителността, както в публичния, така и в частния сектор, е ефективното приемане.
EB: Мисля, че това ще се случи по-бързо. Традиционно GPT отнемат десетилетия, за да се разиграят. Не бих се изненадал, ако има много промени в бизнес процесите и се развият нови умения. Но добрата новина с gen AI е, че можете да получите много от предимствата дори и без това. Вече имаме инфраструктурата; интернет ни позволява да доставяме тези инструменти много бързо. ChatGPT достигна 100 милиона потребители в рамките на 60 дни. Ние също знаем как да използваме неща като ChatGPT или други LLMs — не е необходимо да учите специални езици за кодиране или неясни умения. Основно е английски. Бихте могли да станете по-добри в бързото инженерство, но хората могат да получат ползи почти веднага.
TP: Робърт Солоу, ваш наставник – който за съжаление почина миналия месец – направи пионерски изследвания върху производителността и технологиите. Всеки знае неговия цитат: „Можете да видите възрастта на компютрите навсякъде, освен в статистиката за производителността.“ Може ли този така наречен „парадокс на Солоу“ да се отнася и за поколението AI?
EB: С неговото насърчение написах първата си статия като докторант, излагайки набор от обяснения защо ИТ възрастта не се показва в статистиката за производителността. Първият беше, че цифровите технологии често създават много ползи по начини, които не са добре уловени в данните. По-специално, цифровите продукти често имат нулева цена. Брутният вътрешен продукт измерва всички неща, които се купуват и продават, с няколко изключения, ако нещо има нулева цена, то не се улавя. Второ, подобно на други GPT, за да получите пълните ползи за производителността, трябва да промените работните си процеси и често да преразпределите работната сила, а това може да отнеме години или дори десетилетия.
TP: Вторият фактор се отнася до „J-кривата“ на производителността, нали?
EB: Да, не само отнема известно време, докато нещата се появят, но дори може да имате първоначален отрицателен ефект. Първоначално компаниите ще инвестират много време и усилия в редизайн на бизнес процеси, но нищо от това незабавно не се превръща в по-голяма продукция. Така че механично имате повече вход без по-голям изход. Това всъщност намалява производителността ви. По-късно започвате да събирате реколтата от тези инвестиции и след това имате по-висока производителност — оттук и J-образната форма на печалбите в производителността с времето.
Имаше доста висок растеж на производителността през по-голямата част от следвоенния период до 1970-те години. След това имаше забавяне до около 1995 г. Това беше периодът, в който Солоу направи забележката си за парадокса на производителността. И след това през 1995 г. до около 2005 г. имахме скок в производителността, което отчасти се дължи на приемането на интернет, а също и на системите за планиране на корпоративните ресурси на места като Walmart. След това някак изчезна до последната година или две, което понякога наричам „парадокс на модерната производителност“.
TP: Как може „J-кривата“ за Gen AI изглежда различно от това на други технологии, като да речем компютърните?
EB: Това е страхотен въпрос. Виждали сме нещо като J-крива с по-ранни технологии с общо предназначение като парната машина, електричеството и ранните компютри. Изглежда, че времената на цикъла стават по-бързи, от десетилетия до години. Моят прочит на доказателствата е, че това ще се случи по-бързо с AI, отколкото с някои от по-ранните технологии. Така частта от кривата се компресира или дори става по-плитка.
TP: И това се свежда до допълването със съществуваща инфраструктура или предходни технологии, по-ниските разходи и лекотата на използване на генериращ AI.
EB: Точно така. Освен това може би добавете още един. AI е може би най-общата от всички технологии с общо предназначение, защото преследва интелекта. Ако можем да „разрешим интелекта“, можем да го използваме за решаване на много други проблеми в света.
TP: Капиталовите инвестиции, изисквани от разработчиците, по отношение на изчисленията мощност и данни, е значителен. Виждаме напредък там, но допълнителните разходи от потенциални осиновители за неща като ИТ и обучение изглежда изостават.
EB: Все още сме в ранните етапи на ген. AI революция. Докато разработчици като OpenAI и Google правят значителни инвестиции в изчислителна мощност за изграждане на все по-големи модели, повечето потребители са само в етапи на проучване и ранно внедряване. Разбира се, много от тях ще разчитат на облачни услуги, така че инвестициите ще се появят там. Както можем да видим от продажбите и пазарната капитализация на Nvidia, търсенето е силно и вероятно ще нарасне значително за изчислителна мощност. По същия начин водещите компании сега разработват агресивни планове за инвестиции в софтуер и обучение, за да могат да внедрят решения от поколение AI.
TP: Фокусирахме се върху потенциалните печалби в производителността , но какво да правим с контрапродуктивните аспекти на gen-AI?
EB: Да, бих го разделил в две категории. Едната е, че хората могат да ги използват по разрушителни начини: за създаване на дезинформация, вируси или оръжия, кибератаки и фишинг атаки. Това прави „лошите“ по-продуктивни. Може да се използва и за дейности с нулева сума, като целеви маркетинг, който се измества около икономическите наеми.
Вторият е, че за да го използвате ефективно, трябва да научите нови техники и нови норми. Точно както при по-ранните технологии, като въвеждането на железопътните линии, трябваше да имаме стандартизирани часови зони, а индустриализацията въведе поточни линии и нови начини за координиране на работата във фабриките. Ще трябва да измислим някои нови начини за управление на претоварването с информация. Всички ние ще трябва да развием защити и нови норми, за да не бъдем претоварени и разсеяни.
TP: Какво ще кажете за въпроса с халюцинациите?
EB: Трябва да научим къде технологията е ефективна и къде не. Така че за дезинформация, халюцинации и разсейване - това са всички неща, които тези най-нови технологии понякога създават. Ще трябва да намерим начини да се справим с тях.
Вземете конкретно случая с халюцинациите: част от това е да знаете за какви задачи са подходящи. Така че, ако се опитвате творчески да обмислите идеи за нов дизайн или рекламна кампания, може би това е нещо повече от грешка. Ако искате да имате точната препратка към дадена статия или част от данни, това може да е проблематично. Мисля, че технологиите се подобряват и нивата на халюцинации намаляват. По-важното е, че смятам, че можете да го комбинирате с други технологии, като генериране с разширено извличане, където свързвате LLM с по-надеждна база данни, за да получите правилната версия на елемента с данни, за разлика от халюцинираната.
TP: Другият вид антипроизводителни ефекти, поне в краткосрочен план, е смущението, което непременно ще причини, особено на пазарите на труда.
EB: Ще има огромни икономически сътресения. Компаниите ще се раждат и унищожават, както и професиите. В зависимост от това как използваме технологията, можем да я използваме по начин, който е по-вероятно да създаде широко споделен просперитет или повече концентрация на богатство и власт.
По-специално, ако технологиите се използват главно за имитиране на хора, имитиране на задачите по същия начин, по който ние ги изпълняваме и замяна на хората с машини, това вероятно ще доведе до по-ниски заплати и по-голяма концентрация на богатство и власт като капиталови заместители на труда. Но ако ние нас
