О чем не говорят исследования
С уважением относясь к опыту экономистов, получивших все приведенные выше оценки, я не могу согласиться с выводами ОЭСР. Во-первых, я сомневаюсь в правильности их входных данных и уравнений, а во-вторых, я иначе представляю себе вызванное ИИ разрушение рынков труда. Эти противоречия заставляют меня согласиться с более высокими оценками PwC, хотя я настроен еще более пессимистично. Во-первых, я не согласен с тем, как в исследованиях оценивались технические возможности машин в предстоящие годы. В оксфордском исследовании 2013 года группу специалистов по машинному обучению попросили предсказать, будут ли автоматизированы 70 профессий в ближайшие два десятилетия, а затем эти данные использовались для оценки потенциала автоматизации в других отраслях. И хотя исследователи ОЭСР и PwC использовали другой, основанный на задачах, подход, их оценки все равно строились на данных 2013 года. На тот момент эти предположения экспертов выглядели правомерными, но за последние пять лет были сделаны огромные шаги вперед в области машинного обучения. В то время эксперты иногда могли предсказать отдельные новшества, которые уже были на подходе. Но мало кто из них ожидал, что глубокое обучение станет настолько результативным и настолько быстрым. Когда дело доходит до реального применения, эти неожиданные новшества расширяют практические возможности ИИ и, следовательно, уничтожают рабочие места. Один из ярких примеров тому – соревнование ImageNet. На конкурсе алгоритмы команд-участниц должны выявить тысячи различных объектов (таких как птицы, мячи, отвертки и мечети) на миллионах изображений. Он быстро стал одним из самых уважаемых соревнований в области распознавания изображений, а его результаты превратились в ключевой показатель прогресса ИИ в области компьютерного зрения.
Незадолго до того, как в начале 2013 года оксфордские эксперты по машинному обучению сделали свой прогноз, состоялось соревнование ImageNet 2012 года, на котором «дебютировали» методы глубокого обучения. Команда Джеффри Хинтона, используя эти методы, сделала рекордно малое количество ошибок – около 16 %, и значительно обогнала остальных участников соревнований, ни одному из которых не удавалось добиться доли ошибок ниже 25 %.
Итоги конкурса вызвали большой интерес к глубокому обучению в сообществе ИИ, но это была всего лишь первая ласточка. К 2017 году алгоритмы почти всех команд делали 5 % ошибок: это приблизительно соответствовало результатам, которые показывают люди при выполнении аналогичных заданий. Причем средний по своим возможностям алгоритм 2017 года делал в три раза меньше ошибок, чем лучший алгоритм 2012 года. За годы, прошедшие после прогноза ученых из Оксфорда, компьютерное зрение стало лучше, чем человеческое. Теперь эта технология применяется на практике во многих областях. Но компьютерным зрением дело не ограничивается. Алгоритмы бьют все новые рекорды в области распознавания речи, машинного чтения и машинного перевода. Хотя все эти достижения нельзя назвать фундаментальными, они воодушевляют предпринимателей. Все вышесказанное заставляет меня поверить в более пессимистичный прогноз PwC, предполагающий, что к началу 2030-х годов 38 % рабочих мест в США все же окажется в зоне высокого риска.
Два вида утраты рабочих мест: полная замена и исчезновение при модернизации отраслей
Но помимо вышеописанных расхождений в методологии, я считаю, что если использовать только один подход – основанный на оценке возможности автоматизации отдельных задач, – то мы упускаем из виду совершенно отдельную проблему: потери рабочих мест в результате внедрения новых бизнес-моделей, разработанных на основе ИИ. Я назову свой подход отраслевым, чтобы разграничить его и те два подхода, о которых шла речь выше. В какой-то степени он сформировался под влиянием моей собственной работы. Прежние исследования проводились в основном экономистами, в то время как я – технический специалист и венчурный инвестор. Экономисты, делая свои прогнозы, оценивали задачи, решаемые специалистом-человеком, и выясняли, способна ли их решить машина. Другими словами, целью этого подхода было установить, можно ли полностью заменить работника-человека машиной.
Мой опыт подсказывает мне, что следует подходить к проблеме иначе.
Когда-то я работал над превращением передовых технологий на основе ИИ в полезные продукты, а теперь, став венчурным инвестором, я финансирую и помогаю строить новые стартапы. Поэтому я вижу, что ИИ создает две разные угрозы для рынка труда: автоматизация отдельных профессий и потеря рабочих мест из-за коренных преобразований в разных отраслях. Многие компании, в которые я инвестировал капитал, хотели создать на основе ИИ один продукт, способный выполнять конкретный вид деятельности: например, робота, который мог бы поднимать и перемещать продукцию вместо работника склада, или алгоритм для автономного транспортного средства, справляющийся с основными задачами таксиста. В случае успеха эти компании начнут продавать свой продукт другим компаниям, а те станут увольнять лишних работников. Именно такой тип однозначной замены, вызывающий потерю рабочих мест, рассматривается экономистами, которые придерживаются подхода, основанного на автоматизации задач. И я считаю тридцативосьмипроцентную оценку PwC оправданной для этой категории.
Но существует и совершенно другой тип стартапов, которые с первых шагов строят свою работу на принципиально новом подходе. Эти компании не стремятся заменить одного сотрудника-человека на одного робота, справляющегося с теми же задачами; скорее они ищут новые пути удовлетворения основных человеческих потребностей, применяя революционные отраслевые решения.
Яркими примеры компаний такого типа – это Smart Finance (система, выдающая кредиты на основе решений ИИ), F5 Future Store (китайская сеть автоматизированных супермаркетов наподобие Amazon Go) и Toutiao (использующее алгоритмы новостное приложение без редакторов).
Алгоритмы не вытесняют работников из таких компаний просто потому, что людей там не было с самого начала. Но так как более низкие цены и лучший сервис позволяют этим компаниям захватить большую долю рынка, они будут оказывать давление на своих конкурентов, которые пока еще держат штат сотрудников. И этим конкурентам тоже придется измениться – провести реструктуризацию рабочих процессов, использовать ИИ и сократить число сотрудников, – в противном случае им грозит разорение. Так или иначе, конечный результат тот же: рабочих мест станет меньше.
Утрата рабочих мест, к которой могут привести такие процессы, почти не рассматривается в исследованиях экономистов. Очевидно, что работа редактора новостей включает десятки задач, которые нельзя алгоритмизировать. Машины не могут читать и понимать новости и тематические статьи, субъективно оценивать, насколько интересен аудитории конкретный материал, или общаться с журналистами и другими редакторами. Но когда основатели Toutiao занимались разработкой своего приложения, они и не искали алгоритм, который выполнял бы все перечисленные задачи. Вместо этого они попытались понять, как новостное приложение может выполнять свою основную функцию без редактора, а когда поняли, то просто использовали подходящий алгоритм ИИ.
