Pricing Intelligence: Task-Based Learning and Labor Displacement in the AI Economy
تحلل هذه الورقة كيف أن التفاعل بين تعظيم الأرباح والتعلم الداخلي للذكاء الاصطناعي في المهام المعقدة يخلق توتراً يحدد ما إذا كان إزاحة العمالة ستتبع مساراً محدباً أو فخاً تعليمياً، مع عمل المنافسة في السوق كمسرع رئيسي لهذه العملية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
منحنى تعلم الذكاء الاصطناعي العظيم
تخيل الاقتصاد كمطبخ ضخم وصاخب حيث يحاول ملايين الأشخاص إعداد وجبة العشاء. بعض المهام بسيطة، مثل تقطيع الجزر أو غلي الماء؛ وأخرى معقدة، مثل تحديد مزيج التوابل المثالي لوصفة جديدة أو التعامل مع زبون غاضب بسبب وجبة محترقة. لفترة طويلة، كان البشر هم الطهاة الوحيدين القادرين على التعامل مع الأمور المعقدة، بينما كانت الآلات جيدة في الغالب في المهام البسيطة والمتكررة مثل التقطيع. ولكن الآن، دخل الذكاء الاصطناعي إلى المطبخ. لقد أصبح سريعًا للغاية في المهام البسيطة، لكنه لا يزال يتعلم كيفية التعامل مع المهام التي تتطلب تقديرًا وحكمًا معقدين.
السؤال الكبير الذي يطرحه الاقتصاديون ليس فقط "هل يستطيع الذكاء الاصطناعي القيام بالمهمة؟" بل "ما مدى سرعة تحسنه؟" وهذا يعتمد على مفهوم يسمى التعلم بالممارسة. تمامًا كما يصبح الطاهي البشري أفضل في تقطيع البصل كلما قطع بصلًا أكثر، يصبح الذكاء الاصطناعي أفضل في مهمة معينة كلما أداها بشكل أكبر. إذا قام الذكاء الاصطناعي بالمهام البسيطة فقط، فلن يتعلم أبدًا كيفية التعامل مع المهام المعقدة. تستكشف هذه الورقة توترًا مثيرًا للاهتمام: من الذي يشتري الذكاء الاصطناعي حقًا؟ إذا بيع الذكاء الاصطناعي فقط للأشخاص الذين يحتاجون إلى إنجاز مهام بسيطة، فسيصبح الذكاء الاصطناعي أسرع في المهام البسيطة ولكنه سيظل متعثرًا في المهام المعقدة. ولكن إذا بيع للأشخاص ذوي الاحتياجات المعقدة، فإنه سيتعلم بشكل أسرع، لكن هؤلاء العملاء قد يكون من الصعب إقناعهم بالدفع. تسأل الورقة: كيف تغير الأسعار التي تفرضها شركات الذكاء الاصطناعي والمنافسة بينها سرعة تعلم الذكاء الاصطناعي للسيطرة على الوظائف البشرية؟
ثمن الذكاء الاصطناعي وفخ التعلم
في هذه الدراسة، يبني المؤلف، كارل كريستيان غروه، نموذجًا رياضيًا ليرى كيف تقرر شركات الذكاء الاصطناعي (مثل الشركات العملاقة التي نعرفها اليوم) من يحق له استخدام تقنيتها. تدور القصة حول نوعين من العمال: أولئك الذين يحتاجون في الغالب للمساعدة في المهام السهلة (مثل كتابة بريد إلكتروني قياسي) وأولئك الذين يحتاجون للمساعدة في المهام المعقدة (مثل صياغة حجة قانونية لقضية غريبة وجديدة).
إليك المفاجأة: في الحالة الحالية للذكاء الاصطناعي "منخفض التقنية"، فإنه يعتبر بطلًا في المهام السهلة ولكنه لا يزال متعثرًا قليلاً في المهام المعقدة. وبسبب ذلك، لا يرغب العمال الذين لديهم مهام معقدة في الغالب في دفع الكثير مقابل الذكاء الاصطناعي؛ إذ يفضلون القيام بالتفكير الصعب بأنفسهم. أما العمال الذين لديهم مهام سهلة في الغالب، فهم متحمسون للدفع لأن الذكاء الاصطناعي بارع بالفعل فيما يحتاجونه.
يخلق هذا موقفًا صعبًا لشركة الذكاء الاصطناعي. إذا أرادت الشركة تحقيق أكبر قدر من المال الآن، فعليها أن تبيع فقط للأشخاص ذوي المهام السهلة. ولكن إذا فعلت ذلك، فلن يحصل الذكاء الاصطناعي أبدًا على البيانات التي يحتاجها للتعلم كيفية القيام بالمهام المعقدة. الأمر يشبه مدرسة طبخ لا تقبل إلا الطلاب الذين يريدون تعلم غلي الماء؛ المدرسة تجني المال، لكن الطلاب لا يتعلمون أبدًا كيفية طهي وجبة فاخرة.
تجد الورقة أن هذا التوتر يؤدي إلى مستقبليْن مختلفين تمامًا للاقتصاد:
- الانطلاق المحدب (المسار السعيد): إذا تعلم الذكاء الاصطناعي بسرعة كبيرة من خلال القيام بالمهام المعقدة، فستدرك الشركة في النهاية أن خفض الأسج لجذب عمال المهام المعقدة أمر يستحق العناء. ومع انضمام المزيد من هؤلاء العمال، يصبح الذكاء الاصطناعي أفضل في المهام المعقدة بشكل أسرع، مما يجذب المزيد من العمال. هذا يخلق منحنى "محدبًا" — بداية بطيئة تتبعها قفزة مفاجئة، مما يؤدي إلى إزاحة وظيفية سريعة مع إتقان الذكاء الاصطناعي للأمور الصعبة.
- فخ التعلم (المسار العالق): إذا كان الذكاء الاصطناعي أفضل في التعلم من المهام السهلة، أو إذا كان هناك عدد قليل جدًا من الأشخاص ذوي المهام المعقدة، فستستمر الشركة في تجاهل عمال المهام المعقدة لتعظيم الأرباح قصيرة المجل. سيصبح الذكاء الاصطناعي بارعًا جدًا في غلي الماء ولكنه لن يتعلم أبدًا طهي الوجبات الفاخرة. والنتية؟ يظل تبني الذكاء الاصطناعي بطيئًا، ويستمر البشر في القيام بالوظائف المعقدة لفترة طويلة.
تأثير المنافسة: المزيد من المنافسين، تعلم أسرع؟
ثم تسأل الورقة: ماذا يحدث إذا لم يكن هناك شركة واحدة للذكاء الاصطناعي، بل شركتان أو أكثر يتنافسن على العملاء؟
قد تعتقد أن تقسيم العملاء بين شركتين سيؤدي إلى إبطاء العملية لأن كل شركة ستحصل على بيانات أقل للتعلم منها. وفي بعض الحالات، هذا صحيح. إذا كانت المنافسة ضعيفة (مثل شركتين لا تتنافسان حقًا بقوة على السعر)، فسينتهي بهما الأمر لفرض أسعار مرتفعة. وهذا يبقي عمال المهام المعقدة بعيدين، ويظل التعلم بطيئًا.
ومع ذلك، توضح الورقة أنه إذا كانت المنافسة شديدة — أي أن الشركات تتنافس بقوة لخفض الأسعار — فإن القصة تتغير. فالأسعار المنخفضة تجعل شراء الذكاء الاصطناعي متاحًا لعمال المهام المعقدة. وعلى الرغم من أن كل شركة تحصل على إجمالي بيانات أقل، إلا أن نوع البيانات التي تحصل عليها يتغير. إنهم يحصلون على حصة أكبر بكثير من بيانات المهام المعقدة. يمكن لـ "تأثير تكوين المهمة" هذا أن يجعل الذكاء الاصطناعي يتعلم في الواقع بشكل أسرع مما لو كانت هناك شركة احتكارية واحدة. حرب الأسعار الشرسة تجبر الشركات على خدمة المستخدمين الذين هم الأكثر قيمة لتعليم الذكاء الاصطناعي كيفية القيام بالأشياء الصعبة.
تحول التخصص
أخيرًا، تنظر الورقة فيما يحدث إذا بدأت الشركتان المتنافستان بنقاط قوة مختلفة. تخيل أن الشركة (أ) أفضل طبيعيًا في المهام السهلة، والشركة (ب) أفضل طبيعيًا في المهام المعقدة.
يشير النموذج إلى أن هذه الاختلافات الأولية الصغيرة يمكن أن تنمو لتصبح فجوة هائلة. فالشركة (ب)، لكونها أفضل قليلاً في المهام المعقدة، ستجذب طبيعيًا عمال المهام المعقدة. ومع خدمتها لهم، تصبح أفضل في المهام المعقدة، مما يجذب المزيد من هؤلاء العمال. يُسمى هذا التخصص الداخلي. إنه حلقة تعزيز ذاتي حيث تنتهي الشركة التي بدأت بتفوق طفيف في "الأمور الصعبة" بالسيطرة على ذلك السوق بأكره، وتتعلم بسرعة فائقة، وتسرع من عملية إزاحة العمالة البشرية في تلك المجالات المعقدة.
الخلاصة
لا تقول هذه الورقة فقط "الذكاء الاصطناعي سيأخذ الوظائف". بل تقترح أن سرعة و اتجاه هذا الاستحواذ يعتمدان بشكل كبير على القرارات التجارية.
- الاحتكار مقابل المنافسة: قد تقع شركة ذكاء اصطناعي واحدة في "فخ التعلم" إذا كانت جشعة للغاية، متجاهلة المهام المعقدة لجني أرباح المهام السهلة. ولكن إذا كانت المنافسة شرسة، فيمكنها إجبار الشركات على خدمة مستخدمي المهام المعقدة، مما يسرع تطور الذكاء الاصطناعي.
- فخ التعلم: إذا تعلم الذكاء الاصطناعي ببطء من المهام المعقدة، أو إذا كان السوق يهيمن عليه مستخدمو المهام السهلة، فقد لا يتعلم الذكاء الاصطناعي أبدًا القيام بالوظائف الصعبة، مما يترك البشر في حالة سيطرة على أصعب الأعمال لفترة طويلة.
يستخدم المؤلف عمليات المحاكاة لإظهار هذه المسارات. النتائج ليست ضمانًا للمستقبل، لكنها تسلط الضوء على مقايضة حرجة: الرغبة في كسب المال اليوم يمكن أن تؤدي أحيانًا إلى إبطاء التعلم الذي قد يجعل الذكاء الاصطناعي مفيدًا لأصعب المشكلات غدًا. وسواء حصلنا على انطلاق منحنى سريع أو فخ تعلم بطيء وعالق، فإن ذلك يعتمد على كيفية هيكلة السوق ومدى قدرة الذكاء الاصطناعي على التعلم من المهام الصعبة التي يواجهها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.