Найти в Дзене
uley.ai

Нобелевский лауреат Акемоглу: эффект от генеративного ИИ будет очень скромен ближайшие 10 лет

Интересное исследование эксперта по экономическому росту, нобелевского лауреата по экономике Дарона Акемоглу (брал у него пару курсов в MIT в далеком 2017) по теме потенциального эффекта генеративного ИИ на экономический рост в мире. Акемоглу ожидает эффект от генИИ на производительность труда в мире кумулятивно в следующие 10 лет всего лишь на уровне только +0,53%. Эффект на ВВП за 10 лет кумулятивно он ожидает на уровне всего лишь +0.9%. При этом он отмечает, что дискуссия не о потенциале технологии вообще - она может оказать огромный эффект на методы научных исследований, инновации, новые продукты и тд. Спор скорее о том, когда это произойдет, и мнение Акемоглу, что основный эффект от генИИ будет не в ближайшие 10 лет, а позже. Следующие 10 лет эффект будет ограничен повышением производительности труда отдельных задач.
Для подсчета эффекта Акемоглу использует теорема Хултона, которая считает экономический прирост учитывая долю задач, затронутых ИИ, и среднюю экономию затрат на эти

Интересное исследование эксперта по экономическому росту, нобелевского лауреата по экономике Дарона Акемоглу (брал у него пару курсов в MIT в далеком 2017) по теме потенциального эффекта генеративного ИИ на экономический рост в мире.

Акемоглу ожидает эффект от генИИ на производительность труда в мире кумулятивно в следующие 10 лет всего лишь на уровне только +0,53%. Эффект на ВВП за 10 лет кумулятивно он ожидает на уровне всего лишь +0.9%.

При этом он отмечает, что дискуссия не о потенциале технологии вообще - она может оказать огромный эффект на методы научных исследований, инновации, новые продукты и тд. Спор скорее о том, когда это произойдет, и мнение Акемоглу, что основный эффект от генИИ будет не в ближайшие 10 лет, а позже. Следующие 10 лет эффект будет ограничен повышением производительности труда отдельных задач.

Для подсчета эффекта Акемоглу использует теорема Хултона, которая считает экономический прирост учитывая долю задач, затронутых ИИ, и среднюю экономию затрат на эти задачи. Статья вводит понятие "легких" и "трудных" задач.

Легкие характеризуются наблюдаемыми и измеримыми показателями результатов и простыми связями между действиями и результатами, что упрощает их изучение и автоматизацию с помощью ИИ.

Сложные задачи, с другой стороны, не имеют четких показателей результатов и предполагают сложные взаимосвязи между действиями и желаемыми результатами, что затрудняет их освоение ИИ.

Акемоглу прогнозирует, что прирост производительности ИИ будет более выраженным в простых задачах, о чем свидетельствуют существующие экспериментальные исследования. Предполагается, что применение текущих оценок прироста производительности от простых задач к сложным задачам может привести к завышению общей экономической эффективности ИИ.

Ссылка на исследование: https://economics.mit.edu/sites/default/files/2024-05/The%20Simple%20Macroeconomics%20of%20AI.pdf

Ссылка на интервью Goldman Sachs: 
https://www.goldmansachs.com/images/migrated/insights/pages/gs-research/gen-ai--too-much-spend%2C-too-little-benefit-/TOM_AI%202.0_ForRedaction.pdf