AI gali milijonus kartų imituoti ekonomiką, kad sukurtų teisingesnę mokesčių politiką

Tony Webster / Flickr

Pajamų nelygybė yra viena iš svarbiausių ekonomikos problemų. Viena iš veiksmingiausių priemonių, kurią turi spręsti politikos formuotojai, yra mokesčiai: vyriausybės renka pinigus iš žmonių pagal tai, ką jie uždirba, ir perskirsto juos tiesiogiai, naudodamas gerovės programas, arba netiesiogiai, naudodamas juos viešiesiems projektams apmokėti. Tačiau nors didesnis apmokestinimas gali lemti didesnę lygybę, per didelis žmonių apmokestinimas gali atgrasyti juos nuo darbo arba paskatinti juos ieškoti būdų, kaip išvengti mokėjimo, o tai sumažina bendrą pinigų sumą.

Tinkamą pusiausvyrą pasiekti nėra lengva. Ekonomistai paprastai remiasi prielaidomis, kurias sunku patvirtinti. Žmonių ekonominis elgesys yra sudėtingas, o rinkti duomenis apie tai sunku. Dešimtmečius trukę ekonominiai tyrimai kovojo su geriausios mokesčių politikos kūrimu, tačiau tai išlieka atvira problema.

JAV verslo technologijų bendrovės „Salesforce“ mokslininkai mano, kad dirbtinis intelektas gali padėti. Richardo Socherio vadovaujama komanda sukūrė sistemą, vadinamą „ AI ekonomistas kuri naudoja sustiprinimo mokymąsi – tą pačią techniką kaip ir DeepMind AlphaGo ir AlpahZero – siekiant nustatyti optimalią mokesčių politiką modeliuojamai ekonomikai. Priemonė vis dar gana paprasta (jokiu būdu negali apimti viso realaus pasaulio ar žmogaus elgesio sudėtingumo), tačiau tai yra daug žadantis pirmasis žingsnis siekiant visiškai nauju būdu įvertinti politiką. Būtų nuostabu, kad mokesčių politika būtų ne tokia politinė ir labiau pagrįsta duomenimis, sako komandos narys Alexas Trottas.

Viename pirmajame rezultate AI nustatė politiką, kuri, kalbant apie maksimalaus našumo ir pajamų lygybės didinimą, buvo 16% teisingesnė nei akademinių ekonomistų ištirta moderniausia progresinių mokesčių sistema. Palyginti su dabartine JAV politika, pagerėjimas buvo dar didesnis. Manau, kad tai visiškai įdomi idėja, sako Blake'as LeBaronas iš Brandeis universiteto Masačusetse, kuris naudojo neuroninius tinklus finansų rinkoms modeliuoti.

Modeliavimo metu keturi AI darbuotojai yra valdomi pagal savo mokymosi modelius. Jie sąveikauja su dvimačiu pasauliu, renka medieną ir akmenį ir prekiauja šiais ištekliais su kitais arba naudoja juos namams statyti, o tai uždirba pinigų. Darbuotojai turi skirtingą įgūdžių lygį, todėl jie specializuojasi. Žemesnės kvalifikacijos darbuotojai sužino, kad jiems geriau sekasi, jei renka išteklius, o aukštesnės kvalifikacijos darbuotojai – geriau, jei perka išteklius namams statyti. Kiekvienų modeliuojamų metų pabaigoje visi darbuotojai apmokestinami taikant tarifą, kurį nustato dirbtinio intelekto kontroliuojamas politikos formuotojas, vykdantis savo sustiprinimo mokymosi algoritmą. Politikos formuotojo tikslas yra padidinti visų darbuotojų našumą ir pajamas. AI suartėja prie optimalaus elgesio, kartodami modeliavimą milijonus kartų.

Abu sustiprinimo mokymosi modeliai pradedami nuo nulio, neturint išankstinių žinių apie ekonomikos teoriją, ir mokomasi, kaip elgtis per bandymus ir klaidas – panašiai kaip DeepMind AI mokosi be žmogaus indėlio žaisti Go ir šachmatais antžmogišku lygiu. .

Ar galite daug išmokti tik iš keturių AI darbuotojų? Teoriškai taip, nes paprasta sąveika tarp kelių agentų greitai sukelia labai sudėtingą elgesį. (Nepaisant viso sudėtingumo, „Go“ vis dar apima tik du žaidėjus, pavyzdžiui.) Nepaisant to, visi projekte dalyvaujantys sutinka, kad norint modeliuoti realistiškus scenarijus bus būtina padidinti modeliuojant dirbančių darbuotojų skaičių.

Žaidimas sistemoje

Svarbiausia yra dviguba AI dozė. Neuroniniai tinklai anksčiau buvo naudojami agentams valdyti imituojamose ekonomikose. Tačiau politikos formuotojo pavertimas dirbtiniu intelektu taip pat sukuria modelį, pagal kurį darbuotojai ir politikos formuotojai nuolat prisitaiko prie vienas kito veiksmų. Ši dinamiška aplinka buvo iššūkis stiprinimo ir mokymosi modeliams, nes strategija, išmokta pagal vieną mokesčių politiką, gali neveikti taip gerai pagal kitą. Tačiau tai taip pat reiškė, kad AI rado būdų, kaip žaisti sistemą. Pavyzdžiui, kai kurie darbuotojai išmoko išvengti mokesčių sumažindami savo našumą, kad galėtų gauti mažesnę mokesčių kategoriją, o vėliau jį vėl padidindami. „Salesforce“ komanda teigia, kad šis darbuotojų ir politikos formuotojų davimas ir priėmimas leidžia sukurti tikroviškesnį modeliavimą nei bet kas, pasiektas naudojant ankstesnius modelius, kuriuose mokesčių politika paprastai yra fiksuota.

Mokesčių politika, kurią sukūrė AI Economist, yra šiek tiek neįprasta. Skirtingai nuo daugumos galiojančių politikos krypčių, kurios yra progresyvios (ty daugiau uždirbantieji apmokestinami didesniais mokesčiais) arba regresyviosios (daugiau uždirbantieji apmokestinami mažiau), dirbtinio intelekto politika apjungė abiejų aspektus, taikant didžiausius mokesčių tarifus turtingiesiems ir vargšams bei mažiausiems. vidutines pajamas gaunantiems darbuotojams. Kaip ir daugelis sprendimų, kuriuos sugalvoja dirbtinis intelektas, pvz., kai kurie AlphaZero žaidimo laimėjimai, rezultatas atrodo priešingas, o ne kažkas, ką galėjo sugalvoti žmogus. Tačiau jo poveikis ekonomikai lėmė mažesnį atotrūkį tarp turtingųjų ir vargšų.

Siekdama išsiaiškinti, ar dirbtinio intelekto sukurta mokesčių politika panašiai paveiks žmonių elgesį, komanda ją išbandė su daugiau nei 100 minios darbuotojų, pasamdytų per „Amazon's Mechanical Turk“, kurių buvo paprašyta perimti simuliacijos darbuotojų kontrolę. Jie nustatė, kad ši politika skatino žmones žaisti taip pat, kaip ir dirbtinio intelekto, o tai rodo (bent jau iš principo), kad AI Economist gali būti naudojamas paveikti tikrąją ekonominę veiklą.

Begalinis koregavimas

Kitas dirbtinio intelekto modeliavimo pranašumas yra tai, kad galite keisti parametrus, kad galėtumėte ištirti skirtingus scenarijus. Pavyzdžiui, būtų galima modeliuoti pandemijos poveikį pridedant suvaržymus, tokius kaip socialinis atsiribojimas ir apribota prieiga prie išteklių, arba pašalinus žmones iš darbo jėgos. Sunku sugalvoti optimalias mokesčių teorijas, pagrįstas praeitimi, jei ateitis atrodo labai kitaip, sako Socher.

Modeliavimo galimybė modeliuoti pokyčius yra didelis pliusas, sako LeBaronas: Gana įdomu matyti, kaip darbuotojai prisitaiko prie mokesčių kodekso. Jis sako, kad tai yra viena iš didžiausių esamų mokesčių modelių, kuriuose elgesys paprastai yra fiksuotas, kritikos.

Pagrindinė LeBarono išlyga yra nedidelis agentų skaičius, iki kurio šis įrankis ribojamas. Yra žmonių, kurie teigia, kad gilių intelektualinių įžvalgų galite gauti tik su keliais agentais, sako jis. Aš nesu vienas iš jų. Jis norėtų, kad jis imituotų apie 100 darbuotojų – to taip pat siekia „Salesforce“ komanda.

Tačiau LeBaronas mano, kad šis įrankis jau gali būti naudojamas esamiems ekonominiams modeliams patikrinti: jei būčiau politikos formuotojas, norėčiau paleisti šį dalyką, kad pamatyčiau, kas jame sakoma. Jei AI Economist nesutiko su kitais modeliais, tai gali būti ženklas, kad tiems kitiems modeliams kažko trūksta, sako jis.

Davidas Parkesas, kompiuterių mokslininkas ir ekonomistas iš Harvardo universiteto, bendradarbiavęs su „Salesforce“ komanda, taip pat nusiteikęs optimistiškai. Jis sutinka, kad jiems reikia gerokai padidinti agentų skaičių. Tačiau kai jie tai padarys ir į modeliavimą įtrauks keletą papildomų funkcijų, tokių kaip įmonės, jis tikisi, kad pavyks pakartoti esamus teorinius rezultatus. Tada jis iš karto tampa naudingas, sako jis.

Tačiau Doyne'as Farmeris, Oksfordo universiteto ekonomistas, yra mažiau įsitikinęs. Nors jis palankiai vertina sustiprinimo mokymosi perėjimą iš žaidimų į ekonomiką – kyla klausimas, ar galima tirti politiką taip pat, kaip AlphaZero žaidžia „Go“, jis mano, kad praeis šiek tiek laiko, kol įrankis iš tikrųjų bus naudingas. Tikrasis pasaulis yra pernelyg sudėtingas, sako jis.

Komanda sutinka, kad kai kuriuos ekonomistus reikės įtikinti. Tuo tikslu jie išleidžia savo kodą ir kviečia kitus per jį paleisti savo modelius. Ilgainiui šis atvirumas taip pat bus svarbi dalis, kad tokie įrankiai būtų patikimi, sako Socher. Jei naudojate dirbtinį intelektą, kad rekomenduotumėte tam tikriems žmonėms mokėti mažesnius ar didesnius mokesčius, jis pabrėžia: „Geriau galėtumėte pasakyti, kodėl.

paslėpti