Sztuczna inteligencja może symulować gospodarkę miliony razy, aby stworzyć sprawiedliwszą politykę podatkową

Tony Webster / Flickr

Nierówność dochodów jest jednym z nadrzędnych problemów ekonomii. Jednym z najskuteczniejszych narzędzi, jakie decydenci muszą się z tym uporać, są podatki: rządy zbierają pieniądze od ludzi według ich zarobków i redystrybuują je albo bezpośrednio, za pośrednictwem systemów opieki społecznej, albo pośrednio, wykorzystując je do płacenia za projekty publiczne. Ale chociaż wyższe opodatkowanie może prowadzić do większej równości, nadmierne opodatkowanie ludzi może zniechęcić ich do pracy lub zmotywować ich do znalezienia sposobów na uniknięcie płacenia – co zmniejsza ogólną pulę.

Uzyskanie właściwej równowagi nie jest łatwe. Ekonomiści zazwyczaj opierają się na założeniach, które są trudne do zweryfikowania. Zachowania ekonomiczne ludzi są złożone, a gromadzenie danych na ich temat jest trudne. Dziesięciolecia badań ekonomicznych zmagały się z zaprojektowaniem najlepszej polityki podatkowej, ale pozostaje to otwartym problemem.

Naukowcy z amerykańskiej firmy Salesforce zajmującej się technologiami biznesowymi uważają, że sztuczna inteligencja może pomóc. Zespół kierowany przez Richarda Sochera opracował system o nazwie Ekonomista AI który wykorzystuje uczenie się przez wzmacnianie — ten sam rodzaj techniki, co AlphaGo i AlpahZero firmy DeepMind — w celu określenia optymalnych polityk podatkowych dla symulowanej gospodarki. Narzędzie jest nadal stosunkowo proste (nie ma mowy, aby mogło obejmować wszystkie zawiłości świata rzeczywistego lub ludzkie zachowanie), ale jest to obiecujący pierwszy krok w kierunku oceny polityk w zupełnie nowy sposób. Byłoby niesamowite, gdyby polityka podatkowa była mniej polityczna i bardziej oparta na danych, mówi członek zespołu Alex Trott.

W jednym z pierwszych wyników sztuczna inteligencja znalazła politykę, która – pod względem maksymalizacji zarówno produktywności, jak i równości dochodów – była o 16% sprawiedliwsza niż najnowocześniejsze progresywne ramy podatkowe badane przez ekonomistów akademickich. Poprawa w stosunku do obecnej polityki USA była jeszcze większa. Myślę, że to całkowicie interesujący pomysł, mówi Blake LeBaron z Brandeis University w Massachusetts, który wykorzystał sieci neuronowe do modelowania rynków finansowych.

W symulacji każdy z czterech pracowników sztucznej inteligencji jest kontrolowany przez własne modele uczenia się przez wzmacnianie. Wchodzą w interakcję z dwuwymiarowym światem, zbierając drewno i kamień, a następnie wymieniając je z innymi lub wykorzystując je do budowy domów, co daje im pieniądze. Pracownicy mają różne poziomy umiejętności, co prowadzi ich do specjalizacji. Pracownicy o niższych kwalifikacjach uczą się, że radzą sobie lepiej, gdy zbierają zasoby, a pracownicy o wyższych umiejętnościach uczą się, że lepiej sobie radzą, gdy kupują zasoby do budowy domów. Pod koniec każdego symulowanego roku wszyscy pracownicy są opodatkowani według stawki opracowanej przez decydenta kontrolowanego przez sztuczną inteligencję, który stosuje własny algorytm uczenia się przez wzmacnianie. Celem decydenta jest zwiększenie zarówno produktywności, jak i dochodów wszystkich pracowników. Sztuczna inteligencja skupia się na optymalnym zachowaniu, powtarzając symulację miliony razy.

Oba modele uczenia się przez wzmacnianie zaczynają się od zera, bez wcześniejszej znajomości teorii ekonomii i uczą się, jak działać metodą prób i błędów — w taki sam sposób, w jaki sztuczna inteligencja DeepMind uczy się, bez udziału człowieka, grać w Go i szachy na nadludzkich poziomach .

Czy można się wiele nauczyć od zaledwie czterech pracowników AI? Teoretycznie tak, ponieważ proste interakcje między garstką agentów prowadzą wkrótce do bardzo złożonych zachowań. (Mimo całej swojej złożoności, Go nadal angażuje na przykład tylko dwóch graczy). Mimo to wszyscy zaangażowani w projekt zgadzają się, że zwiększenie liczby pracowników w symulacji będzie niezbędne, jeśli narzędzie ma modelować realistyczne scenariusze.

Granie w system

Kluczem jest podwójna dawka AI. Sieci neuronowe były już wcześniej wykorzystywane do kontrolowania agentów w symulowanych gospodarkach. Ale uczynienie decydenta również sztuczną inteligencją prowadzi do modelu, w którym pracownicy i decydent nieustannie dostosowują się do swoich działań. To dynamiczne środowisko było wyzwaniem dla modeli wzmacniania uczenia się, ponieważ strategia wyuczona w ramach jednej polityki podatkowej może nie działać tak dobrze w przypadku innej. Ale oznaczało to również, że AI znalazły sposoby na oszukanie systemu. Na przykład niektórzy pracownicy nauczyli się unikać opodatkowania, zmniejszając swoją produktywność, aby kwalifikować się do niższego progu podatkowego, a następnie ponownie go zwiększając. Zespół Salesforce twierdzi, że to dawanie i branie między pracownikami a decydentem prowadzi do symulacji bardziej realistycznej niż wszystko, co osiągnięto w poprzednich modelach, w których zasady podatkowe są zwykle ustalane.

Polityka podatkowa, którą wymyślił AI Economist, jest nieco nietypowa. W przeciwieństwie do większości istniejących polityk, które są albo progresywne (tj. osoby o wyższych zarobkach są opodatkowane w większym stopniu) lub regresywne (osoby o wyższych zarobkach są opodatkowane mniej), polityka AI połączyła aspekty obu, stosując najwyższe stawki podatkowe wobec bogatych i biednych oraz najniższe pracownikom o średnich dochodach. Podobnie jak w przypadku wielu rozwiązań wymyślonych przez sztuczną inteligencję – takich jak niektóre zwycięskie ruchy AlphaZero – wynik wydaje się sprzeczny z intuicją i nie jest czymś, co mógłby wymyślić człowiek. Ale jego wpływ na gospodarkę doprowadził do zmniejszenia przepaści między bogatymi a biednymi.

Aby sprawdzić, czy polityka podatkowa wygenerowana przez sztuczną inteligencję w podobny sposób wpłynie na ludzkie zachowanie, zespół przetestował ją na ponad 100 pracownikach społecznościowych zatrudnionych przez firmę Amazon Mechanical Turk, których poproszono o przejęcie kontroli nad pracownikami symulacji. Odkryli, że polityka zachęca ludzi do grania w taki sam sposób jak AI, sugerując – przynajmniej w zasadzie – że ekonomista AI może być wykorzystany do wpływania na rzeczywistą działalność gospodarczą.

Niekończące się ulepszanie

Kolejną zaletą symulacji opartej na sztucznej inteligencji jest możliwość dostosowywania parametrów w celu eksploracji różnych scenariuszy. Na przykład możliwe byłoby modelowanie wpływu pandemii poprzez dodanie ograniczeń, takich jak dystans społeczny i ograniczony dostęp do zasobów, lub usunięcie ludzi z siły roboczej. – Trudno wymyślić optymalne teorie podatkowe w oparciu o przeszłość, jeśli przyszłość wygląda zupełnie inaczej – mówi Socher.

Zdolność symulacji do modelowania zmian jest dużym plusem, mówi LeBaron: To całkiem interesujące widzieć, jak pracownicy dostosowują się do przepisów podatkowych. Mówi, że pozwala to uniknąć jednej z największych krytyki istniejących modeli podatkowych, w których zachowanie jest zwykle ustalone.

Głównym zastrzeżeniem LeBarona jest niewielka liczba agentów, do których narzędzie jest do tej pory ograniczone. Są ludzie, którzy twierdzą, że można uzyskać głęboki wgląd intelektualny przy pomocy zaledwie kilku agentów, mówi. Nie jestem jednym z nich. Chciałby, aby symulował około 100 pracowników — co jest również liczbą, do której dąży zespół Salesforce.

Ale LeBaron uważa, że ​​narzędzie to można już wykorzystać do sprawdzania poprawności istniejących modeli ekonomicznych: gdybym był decydentem, odpaliłbym to, aby zobaczyć, co mówi. Jeśli ekonomista AI nie zgodziłby się z innymi modelami, może to oznaczać, że tym innym modelom czegoś brakuje, mówi.

David Parkes, informatyk i ekonomista z Uniwersytetu Harvarda, który współpracował z zespołem Salesforce, jest również optymistą. Zgadza się, że muszą znacznie zwiększyć liczbę agentów. Ale kiedy już to zrobią i dodadzą do symulacji kilka dodatkowych funkcji, takich jak firmy, spodziewa się, że będą w stanie odtworzyć istniejące teoretyczne wyniki. Wtedy to natychmiast się przydaje, mówi.

Doyne Farmer, ekonomista z Uniwersytetu Oksfordzkiego, jest jednak mniej przekonany. Chociaż z zadowoleniem przyjmuje przejście uczenia się przez wzmacnianie z gier do ekonomii — dochodzi do pytania, czy można badać zasady w taki sam sposób, jak AlphaZero gra w Go — uważa, że ​​minie trochę czasu, zanim narzędzie będzie rzeczywiście przydatne. Rzeczywisty świat jest zbyt skomplikowany, mówi.

Zespół zgadza się, że niektórzy ekonomiści będą potrzebować perswazji. W tym celu udostępniają swój kod i zapraszają innych do uruchamiania przez niego własnych modeli. Na dłuższą metę ta otwartość będzie również ważnym elementem uczynienia takich narzędzi godnymi zaufania, mówi Socher. Jeśli korzystasz ze sztucznej inteligencji, aby zalecić niektórym ludziom niższe lub wyższe podatki, zaznacza: „lepiej umieć powiedzieć, dlaczego.

ukryć