AI var miljoniem reižu simulēt ekonomiku, lai izveidotu godīgāku nodokļu politiku

Tonijs Vebsters / Flickr

Ienākumu nevienlīdzība ir viena no galvenajām ekonomikas problēmām. Viens no efektīvākajiem instrumentiem, kas politikas veidotājiem ir jārisina, ir nodokļi: valdības iekasē naudu no cilvēkiem atkarībā no tā, ko viņi nopelna, un pārdala to vai nu tieši, izmantojot labklājības shēmas, vai netieši, izmantojot to, lai apmaksātu valsts projektus. Taču, lai gan lielāka nodokļu uzlikšana var novest pie lielākas vienlīdzības, pārāk liela cilvēku aplikšana ar nodokļiem var viņus atturēt no darba vai motivēt viņus meklēt veidus, kā izvairīties no maksāšanas, kas samazina kopējo banku.

Pareizu līdzsvaru panākt nav viegli. Ekonomisti parasti paļaujas uz pieņēmumiem, kurus ir grūti apstiprināt. Cilvēku ekonomiskā uzvedība ir sarežģīta, un par to ir grūti iegūt datus. Desmitiem ilgi ekonomikas pētījumi ir cīnījušies ar labākās nodokļu politikas izstrādi, taču tā joprojām ir atklāta problēma.

ASV biznesa tehnoloģiju uzņēmuma Salesforce zinātnieki domā, ka AI var palīdzēt. Ričarda Sočera vadībā komanda ir izstrādājusi sistēmu, ko sauc par AI ekonomists kas izmanto pastiprināšanas mācīšanos — tādu pašu paņēmienu kā DeepMind AlphaGo un AlpahZero, lai noteiktu optimālu nodokļu politiku simulētai ekonomikai. Šis rīks joprojām ir salīdzinoši vienkāršs (tas nekādā gadījumā nevar ietvert visas reālās pasaules vai cilvēku uzvedības sarežģītības), taču tas ir daudzsološs pirmais solis, lai novērtētu politiku pilnīgi jaunā veidā. Būtu pārsteidzoši padarīt nodokļu politiku mazāk politisku un vairāk balstītu uz datiem, saka komandas loceklis Alekss Trots.

Vienā agrīnā rezultātos AI atklāja politiku, kas gan produktivitātes, gan ienākumu vienlīdzības palielināšanas ziņā bija par 16% taisnīgāka nekā akadēmisko ekonomistu pētītā progresīvā nodokļu sistēma. Uzlabojumi salīdzinājumā ar pašreizējo ASV politiku bija vēl lielāki. Manuprāt, tā ir ļoti interesanta ideja, saka Bleiks LeBarons no Brandeisas universitātes Masačūsetsā, kurš ir izmantojis neironu tīklus, lai modelētu finanšu tirgus.

Simulācijā četrus AI darbiniekus kontrolē katrs ar saviem pastiprināšanas-mācību modeļiem. Viņi mijiedarbojas ar divdimensiju pasauli, savācot koku un akmeni un vai nu tirgojot šos resursus ar citiem, vai izmantojot tos māju celtniecībai, kas viņiem pelna naudu. Darbiniekiem ir dažāda līmeņa prasmes, kas liek viņiem specializēties. Zemāk kvalificēti darbinieki mācās, ka viņiem klājas labāk, ja viņi savāc resursus, un augstāk kvalificēti darbinieki mācās, ka viņiem veicas labāk, ja viņi pērk resursus māju celtniecībai. Katra simulētā gada beigās visiem darbiniekiem tiek uzlikti nodokļi pēc likmes, ko izstrādājis AI kontrolēts politikas veidotājs, kurš izmanto savu pastiprināšanas-mācību algoritmu. Politikas veidotāja mērķis ir palielināt visu darbinieku produktivitāti un ienākumus. AI konverģē uz optimālu uzvedību, atkārtojot simulāciju miljoniem reižu.

Abi pastiprināšanas apmācības modeļi sākas no nulles, bez priekšzināšanām par ekonomikas teoriju, un mācās rīkoties, izmantojot izmēģinājumus un kļūdas — līdzīgi kā DeepMind AI mācās bez cilvēka iejaukšanās spēlēt Go un šahu pārcilvēciskā līmenī. .

Vai jūs varat daudz mācīties tikai no četriem AI darbiniekiem? Teorētiski jā, jo vienkārša mijiedarbība starp nedaudziem aģentiem drīz noved pie ļoti sarežģītas uzvedības. (Neraugoties uz visu tās sarežģītību, Go joprojām ietver, piemēram, tikai divus dalībniekus.) Tomēr visi projektā iesaistītie piekrīt, ka simulācijā iesaistīto darbinieku skaita palielināšana būs būtiska, ja rīks paredzēts reālistisku scenāriju modelēšanai.

Sistēmas spēlēšana

Galvenais ir dubultā AI deva. Neironu tīkli ir izmantoti aģentu kontrolei modelētās ekonomikās. Taču, padarot politikas veidotāju par AI, tiek izveidots modelis, kurā darbinieki un politikas veidotāji pastāvīgi pielāgojas viens otra darbībām. Šī dinamiskā vide bija izaicinājums pastiprināšanas-mācību modeļiem, jo ​​stratēģija, kas apgūta saskaņā ar vienu nodokļu politiku, var nedarboties tik labi citā. Bet tas arī nozīmēja, ka AI atrada veidus, kā spēlēt sistēmu. Piemēram, daži darbinieki iemācījās izvairīties no nodokļu nomaksas, samazinot savu produktivitāti, lai iegūtu zemāku nodokļu kategoriju, un pēc tam to atkal palielinot. Salesforce komanda saka, ka šī došana un ņemšana starp darbiniekiem un politikas veidotāju rada reālistiskāku simulāciju nekā jebkas, kas panākts ar iepriekšējiem modeļiem, kur nodokļu politika parasti ir fiksēta.

AI Economist izstrādātā nodokļu politika ir nedaudz neparasta. Atšķirībā no vairuma esošo politiku, kas ir vai nu progresīva (tas ir, lielākas peļņas saņēmējiem tiek uzlikti lielāki nodokļi), vai regresīva (augstāk pelnošiem tiek uzlikti mazāki nodokļi), AI politika apvieno abus aspektus, piemērojot augstākās nodokļu likmes bagātajiem un nabadzīgajiem, kā arī zemākajiem. darbiniekiem ar vidējiem ienākumiem. Tāpat kā daudzi risinājumi, ko piedāvā mākslīgais intelekts, piemēram, daži AlphaZero spēles uzvarošie gājieni, rezultāts šķiet pretrunā intuitīvam, nevis cilvēka izdomātam. Taču tā ietekme uz ekonomiku izraisīja mazāku plaisu starp bagātajiem un nabadzīgajiem.

Lai noskaidrotu, vai mākslīgā intelekta radītā nodokļu politika līdzīgā veidā ietekmēs cilvēku uzvedību, komanda to pārbaudīja ar vairāk nekā 100 pūļa darbiniekiem, kas tika nolīgti ar Amazon Mechanical Turk starpniecību un kuriem tika lūgts pārņemt kontroli pār simulācijas darbiniekiem. Viņi atklāja, ka šī politika mudināja cilvēkus spēlēt tādā pašā veidā kā AI, kas vismaz principā liek domāt, ka AI Economist varētu izmantot, lai ietekmētu reālo ekonomisko darbību.

Bezgalīga pielāgošana

Vēl viena ar AI darbināmas simulācijas priekšrocība ir tā, ka varat pielāgot parametrus, lai izpētītu dažādus scenārijus. Piemēram, būtu iespējams modelēt pandēmijas ietekmi, pievienojot tādus ierobežojumus kā sociālā distancēšanās un ierobežota piekļuve resursiem vai atņemot cilvēkus no darbaspēka. Ir grūti nākt klajā ar optimālām nodokļu teorijām, kuru pamatā ir pagātne, ja nākotne izskatās ļoti atšķirīga, saka Sočers.

Simulācijas spēja modelēt izmaiņas ir liels pluss, saka LeBarons: Ir diezgan interesanti redzēt, kā darbinieki pielāgojas nodokļu kodeksam. Viņš saka, ka tas attiecas uz vienu no lielajām kritikām par esošajiem nodokļu modeļiem, kuros uzvedība parasti ir fiksēta.

LeBarona galvenā atruna ir nelielais aģentu skaits, ar kuriem līdz šim rīks ir ierobežots. Ir cilvēki, kuri apgalvo, ka dziļu intelektuālu ieskatu var iegūt tikai ar dažiem aģentiem, viņš saka. Es neesmu viens no tiem. Viņš vēlētos, lai tas simulētu aptuveni 100 darbiniekus, un tas ir arī Salesforce komandas mērķis.

Taču LeBarons uzskata, ka šo rīku jau varētu izmantot, lai pārbaudītu esošos ekonomikas modeļus: ja es būtu politikas veidotājs, es to palaistu, lai redzētu, kas tajā teikts. Ja AI Economist nepiekrita citiem modeļiem, tā varētu būt zīme, ka šiem citiem modeļiem kaut kā trūkst, viņš saka.

Optimistiski noskaņots ir arī Hārvardas universitātes datorzinātnieks un ekonomists Deivids Pārkss, kurš sadarbojās ar Salesforce komandu. Viņš piekrīt, ka viņiem ir ievērojami jāpalielina aģentu skaits. Bet, kad viņi to ir izdarījuši un simulācijai pievienojuši dažas papildu funkcijas, piemēram, uzņēmumus, viņš paredz, ka varēs atkārtot esošos teorētiskos rezultātus. Tad tas uzreiz kļūst noderīgs, viņš saka.

Tomēr Doins Fārmers, Oksfordas universitātes ekonomists, ir mazāk pārliecināts. Lai gan viņš atzinīgi vērtē pastiprināšanas mācīšanās pāreju no spēlēm uz ekonomiku — tas attiecas uz jautājumu, vai jūs varat izmeklēt politiku tādā pašā veidā, kā AlphaZero spēlē Go, viņš domā, ka paies kāds laiks, līdz rīks patiešām būs noderīgs. Reālā pasaule ir pārāk sarežģīta, viņš saka.

Komanda piekrīt, ka daži ekonomisti būs jāpārliecina. Šim nolūkam viņi izlaiž savu kodu un aicina citus izmantot savus modeļus. Ilgtermiņā šī atvērtība būs arī svarīga sastāvdaļa, lai šādi rīki būtu uzticami, saka Sočers. Ja jūs izmantojat mākslīgo intelektu, lai ieteiktu dažiem cilvēkiem piemērot zemākus vai augstākus nodokļus, viņš norāda: “Labāk jūs varētu pateikt, kāpēc.

paslēpties