4つのレベルから見た人工知能の経済分析

[51CTO.com クイック翻訳] 人工知能 (AI) システムは経済を変え、大量の失業と巨大な独占を引き起こすと主張する人もいます。しかし、専門の経済学者はどう考えているのでしょうか?

[[321467]]

経済学者は、アダム・スミスのピン工場以来、技術の変化、生産性、雇用の関係を研究してきました。したがって、AI システムがますます多くの状況で適切に機能できるようになるのは驚くことではありません。

2017 年 9 月、著名な経済学者のグループがトロントに集まり、人工知能 (AI) の経済学の研究課題を策定しました。 AIの経済的な独自性と影響、そして関連する政策をどのように策定するかについて議論しました。

昨年9月、私はトロントで開催された第3回カンファレンスに出席し、AIの経済的発展を直接見る機会に恵まれました。ここでは、会議の主なトピックを 4 つのレベルから概説します。

1. マクロ視点：生産性、雇用、格差など、AIが経済全体に与える影響
2. メソビュー：科学研究や規制などの個別分野に対するAIの影響
3. ミクロな視点：AIが組織と個人の行動に与える影響
4. メタ視点：経済学者がAIを研究するために使用するデータと方法に対するAIの影響

人工知能に関する経済学者の見解

カンファレンスのリーダーであるアジェイ・アグラワル氏、ジョシュア・ガンズ氏、アヴィ・ゴールドファーブ氏は、AI システムを「予測マシン」と表現しました。AI システムは予測をより容易かつ豊かにし、組織がより多くの、より良い意思決定を行えるようにするだけでなく、それらの意思決定の一部を自動化もします。典型的な例は、各訪問者にウェブサイトのパーソナライズされたバージョンを提供する Amazon の推奨エンジンです。このようなカスタマイズは機械学習システムがなければ不可能です。機械学習システムは、顧客の行動や他の類似顧客に関するデータに基づいて、各顧客が興味を持つ可能性のある製品を自動的に予測できます。

AI システムは、農業から金融まで、経済のほぼすべての分野において、予測の問題に直面しているあらゆる部門で導入できます。 AI の幅広い応用性から、一部の経済学者は AI を変革をもたらす「汎用テクノロジー」と呼んでいます。この技術は、歴史の初期に蒸気機関や半導体がそうであったように、経済を一変させるでしょう。

マクロビュー

AI は経済における意思決定を強化および自動化し、生産性を向上させます。これは労働と投資にどのような影響を与えるのでしょうか?

AIが労働力に与える影響

AI が労働力に与える影響を分析するための主要なフレームワークは、Daron Acemoglu 氏と Pascual Restrepo 氏によって開発されたタスクベースのモデルです。このモデルでは、経済を生産タスクの大規模な集合体として想定しています。これらのタスクを実行できる AI システムの出現は、労働需要、資本の所得シェアなどに影響を与えます。 AI によって労働力が減少するか、労働力に流入する資本の割合が増加すると、より多くの資本が少数の人に集中する傾向があり、経済の不平等が拡大する可能性があります。

AI が労働力に及ぼす影響は 4 つあります。

• まず、AI システムがこれまで人間が行っていた一部のタスクを引き継ぐ場合です。たとえば、Amazon が自動推薦システムを採用したとき、書籍のレビューは置き換えられました。これにより労働需要が減少するでしょう。
• 第二に、AI システムは人間のタスクに価値を付加します。たとえば、Amazon の Web 開発と在庫管理のタスクを考えてみましょう。Web サイトの改善とさまざまな書籍の在庫に投資された 1 ドルごとに、AI 推奨システムのおかげで会社に大きな利益がもたらされます。
• 3つ目は、資本の深化です。新しい AI システムは、労働者が使用する資本ストックを増加させる投資であり、労働者の生産性を高め、労働需要を増加させます。
• 最後に、AI システムが機械学習システムの開発や、これらのシステムをトレーニングするためのデータセットのラベル付けなど、まったく新しいタスクを作成すると、これらの新しいタスクによって新しい仕事が生まれ、労働需要が増加します。

これら 4 つの側面を総合すると、AI が労働需要に与える影響が決まります。仕事の終焉が差し迫っているという見方とは対照的に、このモデルは AI システムによって労働力の需要が増加する可能性があることを明らかにしています。同時に、新しいテクノロジーは拡大を通じて常に労働需要を増加させるという経済学の標準的な仮定とは対照的に、タスクベースのモデルでは、新しいテクノロジーが労働需要に与える純粋な影響はマイナスになる可能性があることを認識しています。たとえば、企業が労働者を置き換えるほどの生産性はあるが、他のチャネルを通じて労働需要を増やすほどの生産性はない「平凡な」AI システムを導入した場合などです。

会議では以下の提案がなされた。

• ジャクソン氏とカニック氏は、企業が Amazon Web Services などのサービスを使用してサプライチェーンを通じて取得する中間入力として AI モデルを使用します。このモデルでは、AI が労働需要と生産性に与える影響は、置き換えられる労働者によって異なります。置き換えられる仕事の生産性が低ければ、AI は生産性に悪影響を及ぼします。 AI の導入により、企業が AI ベンダーを利用して、これまで労働者が提供していたサービスにアクセスするようになり、経済の相互接続性が高まっています。これによりバリューチェーンが集中し、市場力が増大する可能性がありますが、システムリスクも生じる可能性があります。
• オーター氏とサロモンズ氏は、1950年代以降に米国国勢調査局が発行した職業名の辞書を使用して、新しい職業名を生み出した業界と職業の進化を調査しました。分析によると、当時は所得分布の中間に位置する職業が最も多くの新しい職種を生み出していたが、現在では新しい職種のほとんどが高度なスキルが求められる技術集約型の職業で生み出されている。人工知能などの現代の技術によって、高度なスキルを要する仕事の需要が高まり、労働市場の二極化が進んでいるようです。また、高技能職種における技能不足と非熟練労働者の失業が共存するリスクもある。

無形資産

生産性を向上させるには、AI への投資に加えて、IT インフラストラクチャ、スキル、ビジネス プロセスへの投資も必要です。これらの投資の一部には、データ、情報、知識などの「無形資産」の蓄積が含まれます。機械や建物などの有形資産と比較すると、無形資産は保護、模倣、販売が難しく、作成には多くの場合、費用のかかる実験と実践による学習が必要になります。

引き続き Amazon の例を挙げると、同社はその歴史を通じて、AI システムを補完する具体的なデータと IT インフラストラクチャを構築してきました。同時に、同社は無形のプロセス、実践、顧客中心の考え方を開発し、自社の情報システムとサプライヤーやユーザーの情報システムとの間にオープンなインターフェースを確立しました。これらは同社の成功に不可欠であると同時に模倣が難しい無形の資産です。

こうした無形資産を経済全体で蓄積する必要性こそが、AIの進歩にこれほど時間がかかっている理由だと、エリック・ブリニョルフソン氏とその同僚は2018年の論文で主張した。

今年トロントで発表されたいくつかの論文では、以下の疑問を実証的に検証しています。

• ダニエル・ロック氏は LinkedIn のデータを活用して、エンジニアリング スキルが企業価値に与える影響を測定しました。これは、企業の無形要因がエンジニアリング人材のビジネスへの影響を決定することを示唆しています。彼の分析では、市場はこれらの無形投資が将来的に大きな利益を生み出すと期待していることも示されています。Google が TensorFlow をリリースしたとき、すでに AI の才能のある人材を採用していた企業の市場価値が上昇しました。 1 つの説明としては、発明者は TensorFlow を、これらの企業が AI に関連する無形投資から価値を生み出すのに役立つツールと見なしているということです。もうひとつの説明は、これらの企業は AI システムやサービスの開発者によって混乱が生じると予想しているということです。
• プラサナ・タンベ氏と共同研究者は、LinkedIn のデータを使用して AI への無形投資の価値も推定し、それが少数の「スター企業」に集中していることを発見しました。これは、市場の期待利益が少数の企業に集中しており、AI経済に基づく市場勢力がまださらに発展していないことを意味します。

業界ごとのAI導入の違いと影響

[[321468]]

医療業界を例に挙げてみましょう。医療業界の生産の性質、データの入手可能性、ビジネスプロセスの変更範囲、産業構造（競争レベルや起業家精神を含む）は、たとえば金融や広告とはまったく異なります。これは、AI がさまざまな業界に非常に異なる影響を及ぼすことを意味します。

AI の経済学に関するこれまでのセッションには、メディアやヘルスケアなどの分野における AI の影響に関する論文が含まれていました。今年は、科学研究開発や規制など、他の分野の具体的な問題も検討されました。

機械がより良いアイデアを生み出す

コックバーン、ヘンダーソン、スターンは、「人工知能の経済学」会議で初めて、人工知能は一般的な技術であるだけでなく、科学的研究開発の生産性を変え、この知識が使用される分野に重要な波及効果を生み出すことができる「発明方法の発明」でもあると提唱しました。つまり、「より良いアイデアを生み出す AI システム」は、再帰ループの中でより良いシステムを生み出す能力が向上します。

今年、ベンチャーキャピタリストのスティーブ・ジャーベットソン氏と新興企業アトムワイズのCEOアブラハム・ハイフツ氏は、自らのビジネスでこうした機会のいくつかを特定したと述べた。 2 つの論文では、AI が研究開発に与える影響について検討しました。

• 私と私の同僚は、arxiv でコンピューター サイエンス研究における人工知能の応用を分析しました。人工知能は、少なくともコンピューティング手法における発明です。人工知能は、コンピューター サイエンスの多くの分野で採用され、重要な影響を与えてきました。人工知能は、機械学習システムをトレーニングできる大規模なデータセットを持つコンピュータービジョン、自然言語処理、音声処理、情報検索などの分野でより速く発展しており、これらの分野では人工知能の研究開発がより速く進んでいます。
• アグラワル氏らは、バイオメディカルや材料科学などの科学研究分野における人工知能の影響を研究するためのモデルを構築した。人工知能システムは、研究開発の分野で無駄を減らし、生産性を高める可能性が最も高い薬剤の組み合わせを特定するために役立つ。著者らは、これらの利点を実現するには、トレーニング データへのアクセスと、AI スキルと採用する科学分野のドメイン知識を組み合わせた研究チームの編成が必要になると述べています。

AI規制

人工知能などの新しいテクノロジーの開発と導入には、新しいゲームのルールが必要です。同時に、規制はそれ自体が産業であり、その構造とプロセスは、技術の変化を加速し、新たな機会を生み出す人工知能システムによって変革されつつあります。会議では、規制と AI の双方向の関係に焦点が当てられた 2 つの講演が行われました。

Suk Lee らは、さまざまな AI 規制モデルに応じて企業が AI 導入計画をどのように変更するかを調査しました。一般的な規制は、業界固有の規制よりも AI 導入に対する障壁となり、規制によって管理者が AI 導入を監督する必要性が高まり、技術職や低技能労働者の需要が減少します。また、中小企業にとって大きな障壁となり、イノベーションと競争の面で規制強化に伴う潜在的なコストも増大します。

クラーク氏とハドフィールド氏は、AI技術の急速な変化に対応するために規制業界は革新する必要があるが、公共部門の規制当局にはこれを効果的に行う柔軟性と意欲が欠けていると主張している。これに対処するために、彼らは、政府が民間企業に測定可能な目標を掲げて AI の導入を規制するライセンスを与える規制市場の創設を提案している。これにより、民間企業には革新的な規制手法やビジネス モデルを開発するインセンティブと自由が与えられるが、同時に、これらの新しい規制機関を誰が規制するのか、また、規制機関内での問題をどうやって回避するのかという疑問も生じる。

マイクロ

機械学習アルゴリズムに基づく最新の AI システムは、予測の説明や理解が難しいため、ブラックボックスと呼ばれることがよくあります。同様に、マクロな視点を持つ経済学者にとって、AI システムを導入する企業はブラック ボックスのように見えます。結局のところ、AI の無形資産は、さまざまなプロセス、実践、新規ビジネス、組織モデルの実験を含む、ビジネス投資の広範なカテゴリです。しかし、これらの企業は AI システムを導入する際に実際に何を行っているのでしょうか? また、その影響はどのようなものでしょうか?

経済学者は、AIの影響を測定するために、これらのビジネスのブラックボックスを開くでしょう。企業が AI システムを導入するのは、予測や意思決定の改善のためだけではなく、自社の環境における従業員、消費者、競合他社、そして AI システム自体の役割を再構築するためでもあります。

• Susan Athey らはシカゴにおける UberX と UberTaxi のサービス品質を比較しました。運転速度、運転時間、ブレーキ頻度などの詳細な遠隔データを分析することで、UberXドライバーの仕事がユーザーレビューに影響されていることを確認しました。また、研究者らは、ドライバーにパフォーマンスに関する情報を提供し、それがドライバーの行動に変化をもたらすかどうかをテストしたところ、パフォーマンスが最も低いドライバーがこれらの「インセンティブ」に反応し、運転技術を向上させる傾向があることがわかった。この論文は、AIシステムが「デジタルプラットフォームと市場の管理と規制にとってますます重要なアプローチ」となっていると示唆する一方で、従業員のプライバシーに関する多くの懸念も引き起こしている。
• マイケル・ルカ氏らは、ボストンのレストランの衛生検査を例に、さまざまな戦略の有効性をテストしました。研究によると、洗練された機械学習アルゴリズムによる推奨は、人間のレビュー担当者によるランキングよりも優れていることがわかっています。興味深いことに、AI の推奨に従わない検査官も多数存在し、労働者がシステムを信頼していないことが示唆された。
• アデア・モース氏と共著者らは、「フィンテック」AIシステムが住宅ローン差別に与える影響を分析し、これらのシステムは対面の貸し手と比較して、金利と融資承認率の両方の点でラテン系およびアフリカ系アメリカ人の借り手に対する差別を減らす傾向があることを発見した。ただし、AI システムは依然としてデータ内のさまざまな特徴を識別することで区別を行っています。これは、AI を導入すると、古い問題 (人間の偏見) を解決するのに役立つ一方で、新しい問題 (アルゴリズムの偏見) も生み出す可能性があることを示唆しています。

AIを使ってAIを研究する

経済研究ではデータ内の因果パターンを発見しようとすることが多いため、人工知能技術は経済研究に大きく貢献します。スーザン・アシー氏は、第1回AI経済学会議で講演し、機械学習をどのように活用して既存の計量経済学的手法を改善できるかに特に焦点を当てました。

上記の論文のいくつかでは、LinkedIn や Uber の大規模なデータセットの使用や、UberX ドライバーがプッシュ通知にどのように反応するかのテストなど、新しいデータ ソースと方法が検討されました。 Nesta では、機械学習の手法を使用してオープンデータセットを分析し、AI マップを作成しています。

これらのアプローチは新たな分析の機会を開きますが、特に他の研究者と共有できない独自のデータセットに依存する研究の場合、再現性の課題も生じます。これらの課題の一部は、分析に使用されるデータとコードを共有し、新しい方法の適用に関する倫理ガイドラインを策定することで解決できる可能性があります。

AI経済の今後の道筋

会議の主なトピックと論文を要約した後、見逃されたと思われるいくつかの問題に焦点を当てます。

人工知能モデリング

AI の影響に関するマクロ研究では、企業が必要な補完的投資を行う限り、AI によって生産性が向上すると想定されています。彼らは、アルゴリズムの操作、偏見やエラー、従業員による AI の推奨事項への非遵守、AI 市場における情報の非対称性など、AI がもたらす新たな問題にはほとんど注意を払っていません。これらの要因により、AI が生産性に与える影響が減少し、AI 製品やサービスの取引が妨げられる可能性があります。

AI に関するマクロ研究では、AI の採用と影響に関するこれらの複雑な側面を、無形投資のブラックボックスに隠したり、AI の展開とは無関係であると想定したりするのではなく、考慮する必要があります。さまざまな業界にわたるアルゴリズムエラーのリスクと、それを管理するために必要な人間による監視への投資を考慮に入れると、このモデルはどのようになるでしょうか。

全体として、AI の経済学カンファレンスで発表された研究では、TensorFlow のリリースが企業の市場価値に与える影響に関する Daniel Rock の研究など、AI が経済に及ぼしている外部ショックが特定されました。しかし、AI の開発自体が経済プロセスであり、その分析は AI 経済アジェンダの一部となるべきです。

OpenAIのジャック・クラーク氏はカンファレンスのディナースピーチで、AI研究開発の主な動向について次のように述べた。企業の研究室、大規模なデータセット、大規模なITインフラがAI研究においてより重要になり、オープンソースソフトウェア、オープンデータ、クラウドコンピューティングがより「民主化」されるにつれて、高度なAIシステムの導入が容易になり、AIの「産業化」が進行している。これらの変化は経済に重要な影響を及ぼします。たとえば、学術界の研究者は、高度な人工知能システムをトレーニングするために必要なデータを取得するために、企業と協力する必要性が高まっています。同時に、オープンチャネルを通じた AI 研究の発展は、AI テクノロジーの導入が GitHub からソフトウェアをダウンロードしてインストールするのと同じくらい簡単な環境でコンプライアンスを監視する必要がある規制当局にとって大きな課題となります。会議で発表される論文では、これらの問題が取り上げられることはほとんどありません。

今後の取り組みでは、データ、ソフトウェア、コンピューティング インフラストラクチャ、実証済みの経験を使用して AI モデルを開発することで、これらのギャップを埋めることができます。この論文では、マイルズ・ブランデージ氏が、AI 業界の構造、構成、生産性、そして AI 技術と知識を他のセクターに提供する方法について検討するために、このモデルがどのようなものになるかを定性的に概説し始めます。フェルテン、ラジ、シーマンズによる研究は、この種の分析が AI の経済的影響を予測し、政策に情報を提供するのに役立つ可能性があることを示唆しています。

AIイノベーション活動に関する研究

特に、テクノロジーの長所と短所がわからない場合には、テクノロジーの多様性を維持することが有益です。しかし、ダロン・アセモグル氏が 2011 年の論文で指摘しているように、研究者が技術の多様性の恩恵を受けることができない場合、市場で支配的な技術を置き換える方法はなくなるでしょう。

NBER カンファレンスで発表された研究のほとんどは、AI の「全体論的」定義を採用し、AI を現在この分野を支配しているディープラーニングと同一視しましたが、このアプローチの限界に焦点を当てることを怠っていました。しかし、ゲイリー・マーカスが最近の研究で指摘しているように、AI システムをより堅牢にし、健康などの重要な分野に適したものにするには、他の技術が必要になる可能性があります。

AI分野では技術的多様性の欠如が問題になるのでしょうか？AI研究の産業化の一環として、民間企業はAI研究の課題設定においてますます影響力を増しています。 AI の技術的多様性と、それが関係する人々や組織の目標、好み、課題によってどのように形成されるかを測定するためのさらなる研究が必要です。私たちは、AI 研究トピックの構成に関する記事を公開しました。これは、多様性の進化と仕事の未来におけるその推進要因を分析するための基礎を提供します。

人工知能の政治経済学

初の AI 経済学会議で、トラジェンバーグ、コリネック、スティグリッツは次のように問いかけました。「AI が登場すると、誰が恩恵を受け、誰が苦しむのか。AI の導入は政治的に受け入れられなくなるのか。」最近では、ダロン・アセモグルとパスクアル・レストレポが、AI 業界が AI の間接的な影響 (労働市場の混乱など) を考慮に入れていないため、何か間違ったものを構築している可能性があり、また、一部のリーダーが欠点があるにもかかわらず大規模な自動化を支持していることに懸念を表明しました。これらの重要な問題はトロントではほとんど議論されていないが、経済学者は、経済的利益が広く共有され、国民の反対のリスクが軽減されるように、これらの問題を定量化し、モデル化する必要がある。

結論は

私にとって、昨年の AI 経済学会議から得た最大の教訓は、AI の影響は一部の新聞記事が予想するよりも複雑で、現れるまでに時間がかかる可能性が高いということでした。企業はAIから価値を生み出そうとします。これらの実験のいくつかは失敗する可能性があり、あるいは AI を導入することが経済的でないことが判明する可能性もあります。しかし、失敗から学び、再度挑戦する企業もあります。スキル不足、規制強化、消費者の懸念により、一部の AI システムの導入は遅れるでしょう。業界や企業に人工知能が導入されると、予想外の結果が生まれ、関連業界に新たな変化がもたらされます。

言い換えれば、将来、人工知能が経済に与える影響はインターネットに似たものとなり、複雑なものとなるでしょう。 AI ベースの予測マシンはアドバイスを提供するだけでなく、経済と社会の参加者である私たちは、人工知能技術の将来の発展、それをより有効に活用する方法、そしてそれを管理する方法を決定する必要があります。 AI経済学会議が示したように、世界最高の経済学者の何人かがこれらの決定に取り組んでいます。

原題: 今日の AI の経済学、著者: Juan Mateos-Garcia

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]