※長文のため、テキストの読み上げ機能の使用を想定しております。各OS標準搭載のアクセシビリティ機能(読み上げコンテンツ)でも良いですが、個人的にはMicrosoft Edgeブラウザの「音声で読み上げる」機能をおすすめします。
産業革命は200年ほどかけて起こりましたが、私たちは同じ規模の変化をわずか数十年で経験することになるでしょう。コンピューターのある部屋と人間のいる部屋があり、それぞれに質問をする。おそらくテレタイプのような印刷された形で。もしどちらがどちらかわからなければ、その機械は知的であると考えられました。これはチューリングテストとして知られるようになりました。私が子供の頃は素晴らしいテストだと思っていましたが、今では知能のテストとしては、魔術師が女性を宙に浮かせるのを見て重力を解決したかどうかをテストするのと同じくらい良いテストだと思います。
これに適応するのはずっと難しいのです。間違っていることの一つ、私たちが絶対にすべきでないことは、すべての仕事を現状のまま凍結しようとすることです。私は本当に、ジョン・メイナード・ケインズが「経済問題の終焉」と呼んだものを楽しみにしています。つまり、歴史上初めて食料、衣服、住居の不足の問題に取り組めるということです。私たちはそれに非常に近づいていると思いますし、すぐにそれが実現するのを見ることができると思います。
個人的に私の心に強く残っているのは、このAI変革の中で、どのような仕事が適切なのかということです。私の二人の娘たちはもうすぐ高校に入学しますが、どのようなキャリアを追求するべきかアドバイスするのに本当に困っています。あなたのアドバイスはどうでしょうか。
こんにちは、アレクサンダーです。B4 AGIへようこそ。AIの最も重要な影響の一つは、労働市場への影響です。それが私たちの仕事、生産性、生活にどのように影響するかということです。技術が労働に与える影響は、もちろん古くからある問題ですが、AIの文脈では多くのユニークな問題や可能性が生じます。それが良いものであれ悪いものであれです。だからこそ、今日エリック・ブリニョルフソンと話せることを幸運に思います。
エリックはスタンフォード大学の教授で、デジタル経済研究所を指揮しています。以前はMITにいました。長年にわたり、情報技術の経済的影響に関する先駆的な研究を行ってきました。実際、AIが人気になるずっと前からこれを行っていたのです。
今日は、私たちの未来の異なる道筋について議論します。AIは人間を補完するのか、それとも置き換えるのか。不平等を拡大するのか、それとも平等化するのか。個人の生産性を向上させるのか、それとも成長を停滞させるのか。エリックはこれらの問題について深く考え、多くの興味深い見解を持っています。そして、より明るい未来を実現できると本当に信じています。では、それがどのように可能なのか見てみましょう。
エリック、お会いできて光栄です。
こちらこそ喜んでお会いしました。
労働とAIについて考えると、多くの不確実性があります。多くの興奮、多くの感情があります。あなたは自分のことを「思慮深い楽観主義者」と呼んでいると思います。
その通りです。
では、ポジティブなケースを聞かせてください。
ポジティブなケースですが、AIは常に仕事を破壊し、常に仕事を創造してきました。技術が発明されて以来、そうであり続けてきたのです。これは変化の速い時期ですが、これが私たちが今まで経験した中で最高の10年になる可能性があると期待しています。究極的な生産性が私たちの生活水準を向上させ、より健康で豊かで、より良い状態にしてくれるのです。生産性の鍵は技術です。より良い技術がより高い生産性につながります。つまり、労働者一人当たりの生産量が増えるのです。そしてそれがより良い生活につながります。
もう少し具体的にしましょう。2035年、私は一般的なオフィスワーカーだとします。私の生活はどのようになっているでしょうか。
実は2035年はかなり先のことです。2014年にアンディ・マカフィーと「第二の機械時代」を書いたとき、AGIや人間ができるほとんどのタスクをこなすAIは50年、60年、あるいは100年先のことだと思っていました。しかし、ここ数年、OpenAIやAnthropicやGoogleなどの人々と話をすると、2035年までに、つまり10年以内に人間ができるほとんどのタスクをこなせる技術ができると非常に楽観的な見方をする人々の声を聞いています。それが正しいかどうかはわかりません。私は技術者ではないので、これらの異なる見方をキュレーションしているだけです。しかし、2035年までにAIが今日人々が行っている認知タスクの大部分をこなせるようになる可能性はあります。
それは本当に非常に異なる世界になるでしょう。富と収入の分配を、単に労働に依存する以外の方法で考え始めなければならない世界です。10年以内にそれらのマイルストーンに到達するかどうかはわかりません。しかし、計画の視野に入ってきていると思います。
なるほど。ちなみに、私のタイムラインについて話すこともできますが、OpenAIに入社して以来、それらは確実に短くなりました。ただし、私が言うように、OpenAIに入社しただけで未来を半年か1年先まで見通せるようになったわけではありません。10年先までは無理でしょう。
でも、まだ「仕事がない」未来、少なくとも認知的な仕事が必要ない未来に到達する前に、たとえば5年後のオフィスワークにAIがどのように組み込まれると考えていますか。
5年後はずっと現実的です。なぜなら、私たちはすでにその兆しを見始めているからです。5年後に広く使用される技術の多くはすでに存在しています。経済学者として、そしてこの分野で30年以上働いてきた中でますます明らかになってきたのは、技術を発明することと、それが広く採用されることは別物だということです。技術が普及するまでには5年、10年、さらには20年や30年かかることがよくあります。
現在、メモを書くのを助ける技術、病気の診断を助ける技術、カスタマーサービスやコーディングを助ける技術が見られます。まだ広く普及していませんが、ごく一部の先進的な企業で使用されています。5年後には、それがずっと広く普及していると予想しています。
私が行っている研究では、技術が企業間の格差を拡大していることがわかっています。上位10%、上位20%の企業が引き離しています。利益、売上、投資収益率など、どの指標で測っても、これらの企業がこれらの技術を採用し、大きな利益を得ています。一方、中央値の企業や遅れをとっている企業はさらに遅れをとっています。上位企業とそれ以外の企業の間の格差が拡大しており、おそらく今後3〜5年もその傾向が続くでしょう。
正しく理解したとすれば、ある意味、5年後にオフィスワークで広く普及する技術の一部は、基本的に今すでに存在していて、普及に5年かかるということですね。
その通りです。大多数の人々にとってはまさにそうなるでしょう。驚くほど長い時間がかかるのです。多くの聴衆の方々は、電気が発明されてから工場での生産性が大きく向上するまでに30年から40年かかったという話を聞いたことがあるかもしれません。1880年代に工場で電気が発明され早期に採用されてから、1920年代まで時間がかかったのです。
その間に何が起こったかというと、最初は人々は単に蒸気機関を電気に置き換えただけで、基本的に以前と同じように仕事をしていました。工場を再発明するまでに1世代かかったのです。1つの大きな中央動力源の代わりに、電力で動く小さなモーターを工場全体に分散させ、1階建ての工場にしました。材料の流れが機械の配置を決定するようになったのです。この2番目のアプローチにより、生産性は2倍か3倍に向上しましたが、それは電気だけではなく、電気と新しい作業方法の組み合わせによるものでした。
コンピューターの導入や、さらに遡って蒸気機関の導入でも同じことが見られました。AIでも同じようなことが起こると思います。
なるほど。人々は「より速い馬」のような、すでにあるものを単に明らかな方法で拡張するだけのことを考えがちですが、普及はそのようには起こらないのですね。
その通りです。ヘンリー・フォードは有名な言葉を残しています。「もし顧客に何が欲しいか聞いていたら、彼らはより速い馬と答えただろう」と。当時の人々には、その後登場する郊外や大型スーパー、高速道路などを想像するのは難しかったのです。
今日では、人型ロボットについて議論が行われています。人間と同じ形状のロボットを見かけますが、そのメリットは、ドアノブを開けたり、ナイフとフォークを使ったりと、人間用に作られたものを使用できることです。人型の形状に合わせて世界が作られているという議論もありますが、これも「より速い馬」の誤謬に陥る可能性があります。機械が持つ驚くべき能力を本当に活用していないのかもしれません。
結局のところ、移動するには足よりも車輪の方がずっと優れています。なぜそれを使わないのでしょうか。アマゾンの工場では、物を拾うのに吸盤やその他の道具を使うことがありますが、それは私たちの5本の指よりもうまく機能します。
同様に、なぜ皿を洗うロボットが必要なのでしょうか。すでに食器洗い機があり、それがその仕事を非常に効率的に行っています。
その通りです。非常に効率的です。両方の意見を聞きます。私はこれらの議論のコノスールのようなものです。もう一方の意見は、1つのハードウェアで多くの異なる種類のタスクをソフトウェアだけで実行できるというものです。皿を洗うのと同じものが床を拭いたり、窓を洗ったり、さらには車を運転したりすることもできるのです。
アンドレイ・カーパシーが、彼が設計しているソフトウェアの代わりに、人型ロボットが自動運転車を運転するという悪夢のようなビジョンを話していたのを聞きました。
もちろん、正確にどのように起こるかはわかりませんが、これらはすべて、技術が可能にする新しい生産性や可能性についての、ポジティブな未来だと言えるでしょう。しかし、私たちは皆、この未来がそのように展開することを望んでいますが、中にはより楽観的でない道筋を心配する人もいます。もしかしたら、すべてが霧散してしまうかもしれません。想像するほどの成長はないかもしれません。あなたはロバート・ゴードンとこれについて賭けをしたと思いますが、この賭けについて教えていただけますか。
少し後退して考えてみましょう。技術が過大評価されるのをみんな見てきました。今、AIについては非常に多くの誇大宣伝があります。AI搭載の掃除機とか、本当にそれが有益かどうかはっきりしないものです。あちこちで少しずつできることはありますが、必ずしも最も重要な使用法ではありません。中には完全にナンセンスなものもあります。
しかし、実際に価値のある核心部分もあります。これが主にハイプなのか、それとも主に現実なのかという疑問があります。私はかなり確信しています。それは現実です。たとえ周辺部分に多くのハイプがあったとしても、主に現実です。
私はAIの冬を経験しました。1985年に初めてAIのコースを教えたときは、ハーバード・エクステンション・スクールでエキスパートシステムのコースを教え、別のAIアプリケーションのコースも教えました。8年間教えました。とても楽しかったです。単純なタスクを解決できるルールベースのシステムを構築していました。人々は、最終的にはあらゆる種類の専門知識をこの方法で捉えられるのではないかと大きな楽観主義を持っていました。結果的に、それは本当にスケールせず、私たちが行っていた初期のアプリケーションを超えてあまり進展しませんでした。
これが、人々が「AIの冬」と呼ぶものにつながりました。投資が枯渇し、多くの企業が倒産しました。そして、それが再び起こるのではないかという恐れがあります。しかし、私はそうは思いません。これらの技術について、もう一度AIの冬は来ないと思います。少し速くなったり遅くなったりするかもしれませんが、すでに多くの人々が関わっており、多くの根本的なブレークスルーが見られ、まだ完全には普及していないので、私たちにはまだまだ前進の余地があります。
そして、ボブ・ゴードンとこの賭けをしました。少しその話をさせてください。ボブ・ゴードンは最も優れた経済学者の一人です。アメリカの生産性の興隆と衰退について素晴らしい本を書きました。多くの点で彼に同意しますし、歴史について彼の記述は非常に優れています。しかし、未来については意見が異なります。彼は悲観主義者で、AIが過去の偉大な発明、例えば内燃機関や電気などに匹敵するとは考えていません。
そこで、私たちは賭けをしました。2020年代、この10年間で、生産性が議会予算局（CBO）が予測したよりも速く成長すると私は言いました。CBOは年間1.4%の生産性成長を予測しています。彼に公平を期すために、私は1.8%にしましょう。0.4%ポイント譲ります。彼はそれよりも低くなると賭けました。2029年に誰が正しいかがわかります。
しかし、私はすでに曲線の先を行っています。過去3四半期はかなり良好でした。生産性はトレンドをやや上回っています。正直に言うと、AIはまだ本当には効果を発揮していないと思います。それは無料で手に入れたようなものです。本当の成果は、AIが経済に影響を与え始める数年後に現れるでしょう。
今日は、これについてもっと掘り下げてみたいと思います。これは素晴らしい概要でした。しかし、それを適切に行うために、少し後退して考えてみましょう。技術が生産性と労働にどのような影響を与えるかという問題は、全く新しい問題ではありません。実際、あなたはすでに言及したように、数十年にわたってこれを研究してきました。基本的に、あなたは情報技術が生産性に与える影響を研究した初期の研究者の一人でした。AIについて楽観的になる前から楽観的だったと言えるでしょう。
そうですね。ただし、少し間違っていました。正直に言うと、少し早すぎたかもしれません。
まあ、「遅れる唯一の方法は早すぎることだ」という言葉がありますが、ここではうまくいったようですね。では、少し教えてください。技術があって、その労働や成長への影響を理解したいとき、どのようにアプローチしますか。
いくつかの異なるレベルがあります。一つの方法は、特定のタスクを見ることです。トム・ミッチェルやダニエル・ロックと一緒に、私たちは「タスクベースのアプローチ」と呼ぶものを開発しました。この考え方は、経済全体を産業に分解し、職業に分解し、さらに職業を個々のタスクに分解するというものです。
つまり、すべての仕事を個々のタスクに分解できるのです。例えば、放射線科医の場合、ジェフ・ヒントンが機械学習に置き換えられると話している放射線科医ですが、彼は放射線科医が行うタスクの一つである医療画像の読影に焦点を当てています。しかし、O*NETと私たちの研究によると、放射線科医には約27の異なるタスクがあります。彼らは時々身体検査も行い、他の医師と協力し、患者にアドバイスを与えます。
これらの一部にAIは大いに役立ちますが、他のものには役立ちません。タスク全体を見ると、AIはどの職業でもすべてのタスクを完全にこなすことはできませんが、ほぼすべての職業で一部のタスクをこなすことができます。
さらに深く掘り下げると、AIが影響を与えている特定のタスクを研究しました。例えば、リンジー・レイモンドとダニエル・リーと一緒に、コールセンターの研究を行いました。Crestaという会社がLLMベースのツールを導入して、コールセンターのオペレーターを支援していることがわかりました。少し詳しく説明させてください。これはその事例だけでなく、私たちが見てきた多くの原則を示しています。
コールセンターでは、彼らは労働者を置き換えようとはしませんでした。代わりに、コールセンターのLLMがオペレーターに質問の答え方についてアドバイスを提供しました。オペレーターは時々そのアドバイスを受け入れ、時々は従いませんでした。
研究者として私にとって素晴らしかったのは、彼らがそれを段階的に展開したことです。ABテストを行い、時間をかけて展開したので、技術がオペレーターによって使用されたときと使用されなかったときの因果関係を推論することができました。
私たちが発見したことは目を見張るものでした。以前お話しした電気の例とは異なり、数十年ではなく、わずか数ヶ月の間に大きな改善が見られました。4〜5ヶ月以内に、技術にアクセスできるオペレーターのパフォーマンスが大幅に向上しました。1時間あたりの処理コール数が最大35%増加しました。
顧客満足度も向上しました。ネットプロモータースコアや顧客感情が向上しました。何百万もの会話記録を分析したところ、幸せな言葉が増え、怒った言葉が減っていることがわかりました。
さらに、オペレーター自身も幸せでした。これが電子的な搾取工場のようになり、彼らを圧迫するのではないかと心配していましたが、実際にはオペレーターはこのシステムを好み、システムを使用している人の方が仕事を辞める可能性が低かったのです。
つまり、3つのグループ全て – 株主、顧客、そしてオペレーター（労働者）- がこの技術によって恩恵を受けたのです。私は数十年にわたってこれらの技術を研究してきましたが、特定のタスクにこれほど迅速に影響を与える技術を見たことがありません。
この研究以来、他の人々がコーディングなどの分野で研究を行い、そこでの利益はさらに大きいことがあります。経営コンサルティングやアドバイスの分野では、生産性だけでなく品質も向上しています。ライティング、セールス、その他多くの分野でも同様です。多くの特定のタスクが急速に改善しているのを目にしています。
もう一つの分析レベルは、経済全体に引き上げることです。個々のタスクは素晴らしいですが、それがどのように集計されるのでしょうか。ここで経済学の概念である「ホルトンの定理」を適用できます。簡単に言えば、個々のタスクにどれだけの生産性があるかを見て、その後、異なるタスクがどれだけあるか、経済のどれだけの割合が影響を受けるかを見ます。この2つの数字を掛け合わせると、経済のどれだけの部分が影響を受ける可能性があるかの大まかな見積もりが得られます。
これを行うと、かなり楽観的になります。経済には、コールセンターやコーディング、経営コンサルティングのようなタスクがたくさんあり、これらは経済の30%、40%、あるいは50%にも及ぶ可能性があります。これらは認知的で言語ベースのタスクです。これは、既存の技術だけでも本当に状況を変えることができることを示唆しています。
数字で表すと、過去10年間の生産性の伸びは年間約1.4%でした。これが議会予算局がベースラインとした数字です。正直に言うと、彼らは基本的に過去の年を見て外挿しているだけです。それが外挿の方法です。私は、コア技術を見て、単に過去が未来の予測だと仮定するのではなく、実際の変化を見ようとしています。
実際の変化を見ると、それが2倍になる可能性が十分にあると考えています。つまり、年間3%近くまで上昇する可能性があるのです。もしそれが実現すれば、良いニュースは、私たちが直面している多くの問題が解決される、少なくとも緩和されるということです。
例えば、社会保障には大きな赤字が予想されています。人口の高齢化と、約束された給付が徴収される税金と一致しないためです。メディケアやメディケイド、環境問題、そして社会の他の多くの課題があります。貧困などです。これらの問題に取り組むのが、より高い生産性とより大きな経済成長があれば、はるかに容易になります。
はい、私も全くそう思います。あなたが言ったことを2つほど詳しく見てみたいと思います。一つは、仕事全体ではなく、タスクのレベルで仕事を考えるということです。そしてもう一つは、ヒントンの発言についてです。彼の行った多くの素晴らしい業績に対して大いに敬意を払っていますが、これは残念ながら不適切な予測だったと思います。彼は2017年頃に、「5年後には放射線科医の教育を完全に停止すべきだ。なぜなら5年後には彼らの仕事がなくなるから」と言いました。明らかに…
はい、彼はそう言いました。彼は天才です。ディープラーニングの創始者の一人で、これらすべてのことが起こっている理由の一人です。経済学に関しては、彼はあまり正しくなかったと思います。これらの異なる影響について十分に考えていなかったのです。彼がその発言をした後、私はチェックしてみました。5年後、放射線科医の求人数はほぼ2倍になっていたのです。減少するどころか、実際にかなり増加していました。
その理由の一部は、私たちが言ったように、放射線科医が多くのことを行うからです。もう一つの理由は、技術の採用が遅いということです。そして3つ目の理由は、これは少し直感に反するかもしれませんが、何かの価格が下がると、時々支出が増えることがあるのです。
これは需要曲線の傾きに関係しています。右下がりの需要曲線は、価格が下がると数量が増えることを意味します。数量の増加が価格の低下よりも速ければ、支出は増加します。
直感的な例を挙げると、ジェットエンジンが導入され、パイロットの生産性が大幅に向上し、乗客1マイル当たりのコストが大幅に下がったとき、パイロットの雇用が減ったわけではありません。明らかに、はるかに多くのパイロットが雇用されることになりました。これは経済では頻繁に起こることで、実際、そうでない場合よりも多いのです。
そうですね、需要の弾力性という用語がありますね。
その通りです。需要の弾力性です。これは数量の変化を価格の変化で割ったもの、あるいはそれぞれのパーセンテージ変化です。もしこれが1より大きければ、全体的な支出が増えることになります。
多くの財、すべてではありませんが多くの財は非常に弾力的です。つまり、数量が増加し、経済で何が起こっているのかを直感的に理解したい場合、私たちは現在、アメリカ経済で記録的な低失業率に近づいています。しかし、これまでで最も驚くべき技術、最も労働節約型の技術を持っています。どうしてこのようなことが可能なのでしょうか。
それは、平均して、私たちが10年前や50年前、200年前よりも多くのさまざまなものを消費しているからです。素晴らしいです。用語の話題に来たところで、もう一つ興味深い用語があります。GPTですが、OpenAIが話すGPTではなく、経済学でのGPTです。「GPTsはGPTsである」というタイトルの素晴らしい論文がありますね。経済学的な意味でのGPTとは何か、そしてGPTがどの程度GPTであるかについて説明していただけますか。
はい、私はまだそのGPTという略語について少し不満があります。経済学者である私たちがGPTsと言及するとき、汎用技術（General Purpose Technologies）を指していました。これには電気、蒸気機関、コンピューター、そしてほとんどの人が同意すると思いますが、AIも含まれます。
ほとんどの経済成長は技術から来ますが、特定の種類の技術、つまり汎用技術から来ます。これらは単に一つの小さなこと、例えばより良いコーヒーカップのようなものに影響を与えるだけでなく、多くのセクターに影響を与え、最も重要なのは、それらの上に構築される補完的なイノベーションにつながる技術です。
例えば、電気は私たちが今ここで使っている照明や空調、電気モーター、そして他の多くのものにつながりました。電子機器もそうです。GPTsはこのようなスピンオフ発明やイノベーションを多く生み出します。AIも同様に多くのスピンオフイノベーションを生み出しています。
そのため、私たちはAIをGPTと考えています。そのGPTに関する素晴らしい論文は、OpenAIの人々によって書かれました。私も少しだけ貢献しています。私の元学生の一人であるダニエル・ロックが共著者の一人だったからです。彼は今はウォートン校の教授ですが、MITで私と一緒に働いていました。
それは、影響を受けるさまざまなタスクを見て、生成事前学習済みトランスフォーマー（Generative Pre-trained Transformers）がどのように一種の汎用技術であるかを検討した素晴らしい論文でした。
そうですね、これはヒントンと今回の用語の問題を見ても、AI関係者があまり経済学を読んでいないことを示していますね。これが変わることを願っています。
そうですね。また、AI関係者と正面から対決したくないことも示しています。彼らの略語が勝つでしょうから。
そうですね。今では、この略語を再利用しようとしているように見えるかもしれませんが、それが人気だからです。
さて、AIが私たちの生産性と生活にどのように影響を与えると考えているかについて、もう少し詳しく話しましょう。あなたはすでに言ったように、この分野では早くから取り組んでおり、「機械との競争」と「第二の機械時代」という2冊の本を書きました。これらはポジティブな未来について書かれています。そこには非常に重要な概念があります。AIが代替ではなく補完であるという概念です。また、チューリングの罠についても言及していますね。これについてもう少し詳しく教えてください。
ありがとうございます。これを強調してくださって嬉しいです。経済学者として私が遭遇する最大の誤解は、おそらくAIがすべての仕事を奪うという仮定、AIが人間の完全な代替品になるという仮定です。
確かに、AIが人々を代替することもありますが、より頻繁には補完的になります。代替とは何かが他のものに取って代わることです。補完とは何かをより価値あるものにすることです。
歴史を通じて見ると、技術は両方の性質を持っていましたが、より重要なのはAIが補完的であるということです。それを見る一つの方法は、人間の労働1時間がどれだけ価値があるかを考えることです。時間とともにそれはますます価値が高くなってきました。
1700年には本当にそれほど価値がありませんでした。1800年、1900年、そして今日、これまでで最も価値があります。なぜでしょうか。それは技術によって補完されているからです。溝を掘る場合、ブルドーザーや蒸気機関があり、物を持ち上げることができます。ソフトウェアを書く場合、これまでよりも速くソフトウェアを作成するのに役立つコンピューターがあります。
このように、技術的な補完のおかげで、1時間の労働がこれまでよりもはるかに多くの価値を生み出すことができるのです。AIの場合も同様で、ほとんどのビジネスでは、AIを使って人間の労働者を補完する方が、置き換えようとするよりも価値が高くなります。
その理由の一部は、機械学習の専門家がどれほど優秀であっても、人間ができることの全てをこなせる機械を作ることができていないからです。通常、問題を解決しようとする場合、AIは一部を行うことができますが、他の部分にはまだ人間が必要です。
コールセンターの例で見たように、私たちはさまざまな質問を分析しました。「パスワードを変更するにはどうすればいいですか」「ロックアウトされました」といった非常に頻繁に聞かれる質問がある一方で、データに1回しか現れない長いテールの質問もあります。例えば、これまでに見たことがないような複雑な税金の質問などです。
驚くことではありませんが、機械学習は多くのデータがある分野で優れています。機械学習にはデータが必要です。そのため、よくある質問には本当に良い明確な回答がありますが、珍しい質問の長いテールに対しては、AIや機械学習はあまり役に立ちません。
しかし、私たち人間は実際にそういった状況でもなんとかやり遂げます。正確な質問を以前に見たことがなくても、なんとか対処します。そこに自然な分業があり、両者を組み合わせることで、一方だけの場合よりも良い結果が得られることを繰り返し見てきました。
これは非常に興味深いですね。しかし、ここに少し問題があります。AIシステムの訓練方法を考えると、これらのモデルは代替品になるように訓練されています。そうですね、彼らの仕事は一部を代替することです。
そうですね。
そして、結果として補完的になるのです。これが私たちが特に求めているものです。システムを設計する際に、補完を念頭に置くためのアドバイスはありますか。
もっと意識的な意図があればいいのにと思います。その通りです。多くの機械学習研究者は、主に代替として考えています。それは部分的に、偉大なアラン・チューリングからのインスピレーションによるものです。彼は最初の本格的なコンピューター科学者の一人でした。
1950年に、彼は機械が知的であるかどうかをどのように知ることができるかを推測していました。彼は次のようなテストを考案しました。コンピューターのある部屋と人間のいる部屋があり、それぞれに質問をします。おそらくテレタイプのような印刷された形で。もしどちらがどちらかわからなければ、その機械は知的であると考えられました。これはチューリングテストとして知られるようになりました。
私が子供の頃は素晴らしいテストだと思っていましたが、今ではひどいテストだと思います。それは要点を完全に外しています。知能のテストとしては、魔術師が女性を宙に浮かせるのを見て重力を解決したかどうかをテストするのと同じくらい良いテストです。人々は簡単に騙されます。AIプログラムにも魔術師にも騙されることがあります。
チューリングテストのもう一つの問題は、機械学習やAI研究者の何世代もの人々を、人間を完璧に複製する機械を作ろうとする方向に導いてしまったことです。人間を完璧に模倣できれば、素晴らしい技術的ブレークスルーを達成したと考えているのです。
それはある意味でクールなことですが、経済学者の観点からすると、それは全く間違った目標です。今や私たちは車を追いかけていた犬がついに捕まえたようなものです。さて、どうしますか。
私たちは多くの点で人間を複製し、チューリングテストに合格できる機械を作っていますが、経済学者の観点からすると、これには2つの根本的な問題があります。これが私が「チューリングの罠」と呼ぶものにつながります。
一つ目は、多くの点で実際には十分に野心的でないということです。単に人間のスキルを複製することは、野心的に聞こえますが、多くの点で私たちはそれ以上のことをする機械を持つべきです。ヘンリー・フォードが「人間と同じくらい速く歩いたり走ったりできる車を作る」と言ったら、非常に中途半端でしょう。車はそれ以上のことができ、機械は知的にも人間以上のことができるのです。だから、もっと高い目標を設定すべきです。
二つ目の問題は、これが富と力の集中につながることです。人間の労働者がすることを複製する機械を作れば、それは代替品になる傾向があり、富と力の集中につながります。人間を補完する機械、つまり人間とは異なることを行い、人間のスキルをより価値あるものにし、人間がうまくできないことを行う機械を作れば、労働をより価値の低いものにするのではなく、より価値のあるものにする傾向があります。
なぜ労働をより価値あるものにしたいのでしょうか。それは、より広く分散した富につながり、最終的には力につながるからです。単に繁栄だけでなく、共有された繁栄を望むのであれば、代替よりも補完を好むべきです。
機械学習研究者は、人間を置き換えるのではなく、人間を助ける機械を作るにはどうすればいいかをもっと意識的に考える必要があると思います。例えば、説明可能性により多く取り組むことです。機械が推奨を行うとき、人間がそれを批評し、「この部分には同意するが、この部分には同意しない」と言えるようにすることで、人間と機械がより効果的に協力できるようになります。
AIの医師を想像してみてください。すべてのデータを見て、「患者の左足を切断すべきだ」と言ったとします。多くの医師は「ちょっと待って」と言うでしょう。機械が「私は98%の確率で正しい」と言っても、医師はまだ躊躇するでしょう。「これをやるのは確信が持てない」と。
一方、機械が何をしているのか説明すれば、それはより補完的になります。そうすれば医師は自分の知識を活かすことができ、二人で一緒により良い決定を下すことができます。時にはその決定に従い、時には覆すこともあるでしょう。これは機械が代替品ではなく補完品になる一例です。
はい、私もそのすべてに同意します。特に、AIが特定の文脈でどのように有用になり得るかについて、人々の考え方が比較的狭いことに驚きます。あるいは驚かないかもしれません。AIはあなたのコーチになったり、ミューズになったり、タスクの最初の一歩を踏み出したりすることができます。このように豊かな可能性があるのです。
現在のところ、私たちはケースバイケースでこのマッチングを行う必要があると思います。あなたにはWorkHelixという会社があり、これらのことを試み、解明しようとしていると思います。それについてもう少し教えてください。
WorkHelixは、私が今話したことに非常に触発されています。技術を使って人間の能力を増幅し、強化できるということ、そしてそうすることで多くの経済的可能性と生産性を解き放つことができるということです。
WorkHelixは、先ほど説明したタスクベースのアプローチを採用しています。組織のタスクを最大20万個まで分析し、各企業がAIをどこで最も活用できるかについて、ユニークな「指紋」のようなものを作成します。特に、AIが労働力を強化し、より効果的にし、より高品質な製品を生産し、新しい商品やサービスを生み出し、顧客満足度を高めることができる場所を特定します。
これは単に労働者に親切であるためだけではありません。労働者に親切であることは良いことですが、最終的にはより多くの価値を生み出すからです。そのようにすれば、システムが単独ですべての問題を解決しようとするよりも、より堅牢で成功する可能性が高いのです。自動運転車の例を見ても、あらゆる状況で機能する車を作るのがいかに難しいかがわかります。人間の運転手をサポートする方がずっと簡単です。コールセンターの例や放射線科医の例でも同じことが言えます。ケースごとに、人間を補完することでより多くの価値が生まれるのです。
WorkHelixは現在、多くのフォーチュン500企業と協力して、これらの機会を見出すためのロードマップを作成しています。タイミングは素晴らしいものでした。今、ほとんどすべての取締役会がほとんどすべてのCEOに「生成AIに関するロードマップは何か、ゲームプランは何か」と尋ねているからです。多くのCEOが苦戦しています。彼らは多くのハイプを耳にし、ノイズを聞き、AIに関する話を聞きますが、何が本物で何がそうでないかわかりません。
そこでWorkHelixは、これらすべてのタスクを分析し、最初に取り組むべき最適なタスクを優先順位付けするためのデータ駆動型アプローチを提供しています。
はい。あなたが言及した自動運転車について少し詳しく見てみましょう。人々は明らかに自動運転車に興奮し、なぜまだそこに到達していないのかと疑問に思っています。私も驚くほど多くの車がサンフランシスコで機能しているように見えます。
はい、私も乗ってみました。
しかし、確かに私たちが望んでいたところにはまだ到達していません。しかし、その間に、この取り組みの一部として、私たちの通常の車には車線を維持するのを助けるなど、実際に多くのAIが搭載されています。そこには実際にかなりのAIが含まれていますよね。おそらく最もセクシーなAIではないかもしれませんが、実際に違いを生み出し、私たちに警告を与えています。
その通りです。私は2012年に初めてウェイモの自動運転車（当時はまだGoogleの自動運転車でした）に乗りました。マウンテンビューからサンフランシスコまでアンディ・マカフィーと一緒に乗りました。「ワオ、もうすぐそこまで来ている、ほとんど実現している」と思いました。しかし、それが予想以上に難しいことが判明しました。
聴衆の皆さんもご存知かもしれませんが、自動運転には実際に6つのレベルがあります。レベル0は全く自動化がない状態で、レベル5は完全な自動化です。レベル5の車はほとんど、あるいは全く存在しません。サンフランシスコでは時速25マイル未満で走行する場合はかなり良好ですが、ほとんどの場合、中間のカテゴリーにあります。これらはすべて、人間と機械が協力する異なるレベルを含んでいます。
私が取り組んでいるプロジェクトの一つは、人間と機械の協力のこれらの異なるレベルについて考え、それらを他のタスクにどのように適用できるかを検討することです。チェスのように、私たちはすべての異なるレベルを通過し、今ではコンピューターが本当にすべてを行えるようになったものもあります。しかし、私たちが世界で行うほとんどすべてのことは、8×8の白黒のマス目よりもはるかに複雑です。
そのため、人々が行っている残りのタスクでは、人間と機械が協力する方が、どちらか一方だけよりもうまくいくことが多いのです。これがこのタスクベースの分析が焦点を当てているところです。
はい、それは理にかなっています。ちなみに、自動運転車についてまた少し詳しく話しますが、自動運転車の概念だけでなく、運転手のいない車という概念もあります。つまり、実際には人間がまだ車の運転に関与していますが、おそらく1人の人間が10台の異なる車を監督しているという状況です。つまり、運転手の数を車1台あたり減らしているだけで、完全に自動運転ではありません。これもまた、エッジケースに役立ちます。
先ほど、よくあるケースと珍しいケースがあり、機械学習はしばしばこれらの珍しいケースを見逃すと話しました。私はサンフランシスコでウェイモの車に乗りました。セバスチャン・スランと一緒に車に乗りました。彼は本当にこの分野を創始した人物です。たまたまパーティーで一緒になり、同じウェイモの車に乗ることになりました。
車は駐車していましたが、私たちが降りる直前に、人間の運転手が前に車を停めて、私たちを半ば閉じ込めてしまいました。車が道路に出られないような状況でした。1〜2分ほどそこで立ち往生し、どうすればいいかわかりませんでした。車には運転手がいません。
そして、人間のオペレーターがリモートで呼び出され、何が起こっているのかを把握しようとしました。私たちは別の車にブロックされている状況を説明しました。幸いなことに、私たちが約10秒話している間に、その別の車が移動し、私たちは出ることができました。
これは、このような奇妙なケースが訓練データには含まれておらず、どうすればいいかわからなかった良い例です。しかし、人間ならそれに対処できました。そのような労働の分業が非常に役立ったのです。
はい、良い例ですね。では、AIによる生産性向上の強気なケースについては理解しました。しかし、それは主に補完に基づいています。AIによる生産性向上についてのもう一つの希望は、新しい科学や新しいイノベーションを生み出すことです。これについてはどのようにお考えですか。
それについて私はとてもワクワクしています。本当に大きな見返りが得られるのはここです。AIと機械学習を使って科学やイノベーションを促進し、これまでに見たことのない新しいものを創造できれば素晴らしいですね。
AIが行っていることの多くは、私たちがすでに持っているものを複製し、それをより効率的に行うことです。例えば、優秀なコールセンターオペレーターの知識を捉えて、それをあまり熟練していないオペレーターにアクセス可能にすることなどです。
しかし、AIは潜在的に創造性やイノベーションも促進できます。新しい種類のタンパク質折りたたみの理解につながったり、新しい材料の開発につながったりする可能性があります。さらには、公開されたすべての論文を読み、ギャップや機会を見つけることで、新しい科学的発見につながる可能性もあります。
明日、私のスタンフォードの授業「AIの覚醒」で、アナノマ・アノマさんをゲストに迎えます。彼女はカリフォルニア工科大学の教授で、以前はNVIDIAにいました。彼女はまさにこの科学的発見のためのAIについて話をする予定です。
これが興奮する理由は、単に生産性のレベルを上げるだけでなく、成長率を変えることができるからです。新しい発明や科学的発見のペースを加速させることができます。つまり、より高いレベルに到達するだけでなく、より速い軌道に乗ることができるのです。
はい、それは確かにポジティブなケースです。しかし、世界が常にバラ色ではないことを思い出して、少し悲観的な側面についても考えてみましょう。もちろん、すでに簡単に触れましたが、AIによる混乱が既存の仕事にどのように影響し、社会がどのように反応するかについて多くの懸念があります。
これは人類の歴史で初めてのことではありません。かつてはラッダイト運動が起こりました。今日の状況は、第一次機械革命時代に起こったことといくつかの類似点があると思いますか。
はい、注意を払う必要があります。ラッダイト運動の人々を軽視する人もいますが、実際に多くの人々がスキルを失い、仕事を失ったのは事実です。労働者が利益の大部分を得られなかった期間がありました。
1820年代に戻って、ラッダイト運動の人々が機械を破壊していた時代を考える必要があります。21世紀初頭にも、グローバリゼーションが広がり、中国が世界貿易機関に加盟した時期がありました。私のような経済学者は「自由貿易はパイを大きくし、私たち全員をより豊かにします。貿易から利益を得られるのです。これについての定理があります」と言っていました。
もちろん、それは自動的に誰もが勝者になることを保証するものではありません。勝者と敗者が出るでしょう。しかし、それは簡単に修正できます。パイが大きくなれば、より多くの富があるということです。そのため、利益の一部を再分配し、誰もが前よりも良い状態になるようにすることができます。
しかし、結果として私たちは最初の半分だけを行い、2番目の半分は行いませんでした。つまり、グローバリゼーションは進めましたが、ミシガンやノースカロライナなどで仕事を失った人々は、大部分が以前よりも悪い状況になりました。
これが大きな反発を引き起こしました。過去10年間、グローバリゼーションによって被害を受けた人々からの多くの怒りとポピュリズムが見られました。今では多くのアメリカ人やヨーロッパ人、その他の人々が自由貿易に反対し、それに反発しています。トランプ政権もバイデン政権も、より高い関税を課しています。
これは私たち経済学者の大きな失敗だと思います。両方の部分を確実に行うべきだったのです。今、同じことが再び起こることを心配しています。技術もパイを大きくすることができますが、勝者と敗者がいます。
誰もが利益を得るという経済法則はありませんし、誰も後退しないという保証もありません。一部の人々が悪化し、他の人々が利益を得る可能性があります。もしそれが再び起これば、技術への反発が起こるでしょう。
富と力のさらなる集中が起こる可能性があり、悪化した人々はかなり怒るでしょう。私は彼らを責めません。彼らの最初の本能は、技術全般に反対することでしょう。しかし、実際に反対すべきは、この集中につながる技術の誤用です。
正しく行えば、共有された繁栄につながる可能性がありますが、自動操縦にして勝手にうまくいくと仮定すれば、そうなる保証はありません。その政治や経済を心配しています。技術を共有された繁栄につながる方法で使用することを非常に意識的に考える必要があると思います。
はい、私も全くその見方に同意します。はい、この「パイを大きくする」哲学は、その哲学の両方の部分を実行する限り機能します。2番目の部分は常に遅れるか、実行されないか、または無言のままになる傾向があります。
あなたが言うように、今回はそれを正しく行うことが非常に重要です。特にこれほど重要な影響力のある…
その通りです。
では、それに備えて何をすべきだとお勧めでしょうか。反応するのではなく、実際に準備するために。
先ほど簡単に触れた「チューリングの罠」という以前の論文で、人間を模倣する技術を作ろうとすると富と力の集中につながる可能性があると警告しました。これは罠です。なぜなら、一度人々が富と力を失うと、それを修正するのは難しくなるからです。定義上、彼らはもはや以前持っていた力を持っていないのです。
これを避けるためにいくつかのことができます。私は3つの異なるグループが影響を受ける可能性があると考えています。
一つ目は技術者たちです。彼らは多くのこれらの技術を発明しています。ターゲットを設定すると、彼らがそれを達成する能力に私は驚かされてきました。最近、AI指標レポートを発表しましたが、そこには多くのベンチマークがあります。ベンチマークの問題の一つは、技術が非常に優れているため、作成されてからわずか1年、あるいは数ヶ月後にはそれらを達成してしまうことです。
しかし、これは良いニュースでもあります。人間を補完するAIを作ろう、代替ではなく、共有された繁栄を生み出す方法を考えようというベンチマークを設定すれば、多くの技術者はそれを喜んで行うでしょう。彼らと話をすると、「ああ、それが私たちに望むことですか。できますよ。そう言ってくれればよかったのに」と言います。
アラン・チューリングが提示した、人間を模倣する技術を作るというイメージとは対照的です。公平を期すために言えば、チューリングだけでなく、ニルソン・ニルソンなど他の人々も、人間を置き換える技術を「強いAI」の定義として描いてきました。ダグ・エンゲルバートのように、人間を補完するAIや知能増幅について話した人もいます。
この点で文化的にできることがたくさんあると思います。
二つ目のグループは、私がよく時間を過ごす経営者や起業家たちです。彼らはAIを使って生産性を向上させようとしています。しかし、あまりにも頻繁に、想像力の欠如から、既存のビジネスプロセスに入り込み、各従業員を機械で置き換えることだけを考えています。それが最も単純なことだからです。「どうすれば労働力を削減できるか」と。
確かに、それは利益を増やし、コストを下げるでしょう。しかし、プロセスを根本的に見直すほどの利益は得られません。先ほど言及したように、ジェフ・ベゾスが小売業を再発明したようにです。
これは、インセンティブとも関係があります。会社をより生産的にすれば、それは経営者にとっても労働者にとっても良いことです。労働を資本で置き換えれば、経営者には役立ち、労働者には役立ちません。労働を資本で置き換えることは、ある種のゼロサムゲームであり、経営者が勝者となります。価値を単に移動させるだけで、社会に真の利益はありません。
そのため、インセンティブを整理し、より創造的な方法を考える想像力を育む必要があります。これが、私がビジネススクールで経営者を教えるときに行っていることです。単に労働者を置き換えるのではなく、新しいことを行うことも含めて、もっと創造的に、枠にとらわれずに考えるよう求めます。
最後に注目すべきグループは、政策立案者です。私はつい先日ワシントンDCから戻ってきたところです。ホワイトハウスで経済諮問委員会と話をし、議会にも行きました。現在の政策を変更して、より広く共有された繁栄を支援する方法を考える必要があります。
実際、現在の多くの政策は、意図的であるかどうかにかかわらず、起業家や仕事を代替よりも労働者を支援する方向に向けています。例えば、資本に対する税金は労働に対する税金の約半分です。
そのため、起業家や経営者が新しいビジネスを考え、1000人の労働者か1000台の機械のどちらかで行うことができる場合、政府は「機械を使えば税金が低くなる」と言っているようなものです。事実上、政府は経済を特定の方向に誘導しているのです。労働者に不利で資本に有利な方向に。
これには特に合理的な理由はないと思います。しかし、現在そうなっています。おそらく、技術がそれほど強力でなかったときには大きな違いはなかったでしょう。しかし今、私たちは非常に強力な技術を持っており、私たちの政策は公平な競争の場を提供していません。
これら3つのグループすべて – 技術者、経営者と起業家、政策立案者 – には不適切なインセンティブがあり、少し異なることができるのです。これらのギャップに対処すれば、チューリングの罠から抜け出し、労働者を増強するAIを持つ可能性が高くなり、富と力のこの増大する集中を持つ可能性が低くなるでしょう。
はい、これらは素晴らしい指摘です。実際、一度深く掘り下げてみると、初めて浮かび上がってくることがたくさんあります。表面的には、すべてが正しく見えるからです。
実際、経営者の点について触れたいと思います。経営者と話すときに私がよく指摘することの一つは、従業員のインセンティブについても考えることです。AIの真の利点は、ポイントごとの自動化だけでなく、AIを中心にタスクを再考することだとあなたは言いました。では、タスクを最も効果的に再考する方法を見つけるのに最適な人は誰でしょうか。実際にそのタスクに取り組んでいる人々、つまり放射線科医や、現在置き換えを検討している人々でしょう。
しかし、彼らを置き換えようと考えているのであれば、彼らにはこの文脈であなたを助けるインセンティブは何でしょうか。どれだけの放射線科医が、自分たちを失業させるために喜んであなたと協力するでしょうか。
その通りです。労働者が最もよく知っているのはこれらの機会です。彼らを味方につけたいのです。敵対的にしたくありません。彼らを巻き込んで、「この技術を使ってどのように助けることができるか理解するのを手伝ってください」と言えば、はるかに多くの価値を生み出すでしょう。
しかし、そうすることで仕事を失わないようにインセンティブを整合させる必要があります。私のMITの同僚の一人、レジーナ・バージについて話しましょう。彼女は素晴らしいAI研究者で、乳がんをより良く認識するためのツールを開発しました。
彼女はそれを病院に導入しようとしていましたが、多くの抵抗に遭いました。彼女と話をしたとき、彼女は実際にそれを放射線科医の代替として位置づけていました。より良いアプローチは、「これはあなたの仕事をより良く行うのを助け、より良い品質を実現し、より良い患者ケアを提供できます。究極的には、これまで以上に多くの画像診断を行い、サービスを拡大することさえできるかもしれません。放射線科医の数を増やすことさえあるかもしれません」と言うことだったでしょう。
同様に、企業がこれを採用する場合、より生産的になったとしても、必ずしも人員削減をする必要はありません。先ほど話した需要の弾力性だけでなく、実際には早期採用者は成長する傾向があり、遅れをとる採用者が後退する傾向があります。
自社の労働者にとって最良のことは、これらの技術の最先端にいることです。これによって彼らの仕事がより効果的になり、その会社が市場シェアを獲得するのを助けることができると示すことです。
それを表現する素晴らしい方法ですね。ところで、生産性向上の共有利益について人々が考えるとき、よく出てくる質問があります。私たちの労働日や労働週は短くなるでしょうか。
私はそうなると思います。ただし、それは選択肢になるでしょう。ノルウェーは多くの点でより豊かです。部分的には石油の富によるものですが、また非常に生産的な労働者がいるからでもあります。彼らは労働週を短縮しました。
アメリカでさえ、1世紀前は労働週は60時間に近かったのです。ジョン・メイナード・ケインズは労働週が短縮されると話しました。彼は15時間にまで短縮されると考えていました。それは実現していませんが、過去数十年にわたって着実に短縮されてきました。
そう見えないかもしれませんが、データを見ると、公式の労働週や実効労働週はかなり短縮されています。これは今後も続くと予想しています。
本質的には、私たちが豊かになるにつれて – そして私たちは豊かになっています。そう見えないかもしれませんが、あらゆる指標で見ると、家の大きさ、寿命、ほぼすべてのものの消費量など、私たちは豊かになっています – 人々がより多く消費したいものの一つは余暇です。
多くの人々は、限界的には少し less time 働くことを選びます。私は自分の仕事が大好きなので、「労働」と呼ばれるものを気にしません。そのような人もいますが、以前ほど長時間働かなくても食料や衣服を賄える選択肢があるでしょう。
わかりました。これは前向きな未来ですが、あなたの同僚の中にはあなたほど楽観的でない人もいるかもしれません。AI可能な労働の未来について、彼らの予測があなたと異なる理由は何だと思いますか。彼らが見落としているか、過小評価しているものは何でしょうか。
二種類の悲観論があります。どちらについても、あるいは両方について話すことができます。一つは、技術が離陸しないというものです。現在あるものを見て、それが大きな変化をもたらすとは考えない人々がいます。
もう一つは、技術は大きく動くが、悪い方向に動くと考える人々です。どちらについて話しましょうか。
実際、両方について話していただけますか。
技術については、技術者と話す必要がある問題です。過去から単純に外挿することはできません。議会予算局がそうしているのを責めることはできませんが、本当に起こっていることの核心に迫りたいのであれば、技術をもう少し深く理解する必要があります。
特に過去数年間に、トランスフォーマーやLLMがはるかに広く採用されるようになり、以前は解決できなかった多くの問題を解決する能力は驚くべきものです。主要なAI研究者と話をすれば、ほとんど全員が、それがどれほどうまく機能しているか、そして今後どのように機能すると期待しているかについて、本当に驚いていると言うでしょう。
DeepMindのデミス・ハサビス、OpenAIのグレッグ・ブロックマンやマイラ、その他の人々は、これらのモデルが何をできるか、そしてこれからできるようになることに本当に感銘を受けています。
これは楽観的な理由です。たとえ技術が今すぐ凍結したとしても、それらがすでに可能なことを実装するだけでも生産性の向上があると思います。
これが私の楽観的な根拠です。私は、あまり楽観的でない経済学者の多くは – これは少し厳しく聞こえるかもしれませんが – 単に技術との時間を十分に過ごしていないのだと思います。
東海岸に行くと、主要な政府関係者やその他の人々は、文字通り技術が何をできるかを見ていません。彼らがそれに触れるにつれて、私が更新したように、彼らも皆、技術ができることについてより楽観的な方向に更新していきます。
そうですね。実際、私も技術の未来を決定する立場にある非常に上級の政策立案者たちが、一度も技術と対話したことがないのを見てかなりショックを受けました。
その通りです。名前は挙げませんが、上級の人物と会ったときに、私は「まず最初にすべきことは、自分で使い始めることです。それはあなたの仕事をより良くするのに役立つでしょうし、また直接体験する必要があります」と言いました。
最新世代の技術の素晴らしい点の一つは、特殊なスキルが必要ないことです。Pythonや電気工学を学ぶ必要はありません。ご存じのように、英語で対話するだけでいいのです。
そのため、それで遊んでみて、おそらく自分の仕事での生産性の向上をすぐに得られない理由はありません。より多くの人々がそうし始めるにつれて、これらの技術が大きな影響を与える可能性があるという見方に至る人が増えると思います。
これに関連する問題として、私は一部の非常に賢い友人たち – 一流大学を卒業した友人たち – が懐疑的であることに気づきました。彼らの話を聞いていると、多くのハイプやナンセンスが出回っていることがわかりました。
私が本物の技術者たちと多くの時間を過ごしているのに対し、3000マイル離れたところでは、技術について何も知らない人々が多くのことを語り、ただバンドワゴンに乗っているのです。暗号通貨や他の過大評価された技術と同様に、これらのハイプが本物の技術者の声を drowning out しています。そのため、多くの懐疑論が生まれているのです。
時間とともに、本物の技術的ブレークスルーがより明らかになることを願っています。CEOや経営者と話すたびに、技術を使用するよう奨励しています。つまり、ある意味で evangelizing しているのです。
公平に言えば、これは比較的新しい技術であり、これらのものが普及するには時間がかかります。多くの点で、これほど急速に普及したことは驚くべきことです。だから、過度に焦ってはいけません。もっと早く起こってほしいと思いますが、それでも多くの以前の技術と比べてかなり速く起こっています。
物事には時間がかかるのです。そのため、私は、既にパイプラインに入っている解決策があると思っています。これらの技術によって動かされる人々がますます増え、より多くの企業がそれらを採用し始めるのを見ることになるでしょう。
私の会社WorkHelixは、より多くの企業にそれをアクセス可能にし、機会がどこにあるかを特定するのを助けることをミッションとしています。そして同様に重要なのは、どれがハイプで、どれを避けるべきかを示すことです。
そのため、今後数年間でそれがはるかに急速に普及するのを見ることになると思います。それは起こるでしょう。私たちはそれらの利益を得ることになると思います。心配していません。
毎年、同じ金額でより多くのコンピューター性能を得ることができます。実際、年間約20〜25%増加しています。私がそれをプロットしたとき、これらの数字は、コンピューター性能の実際の採用が急上昇していることを示していました。
さまざまな産業、さまざまな職業にわたってそれをトレースしようとしましたが、すべてコンピューター採用の指数関数的に成長する曲線でした。私はそれを見て、多くの人々が同様の種類の曲線を見ているように、「これは明らかにゲームチェンジャーになるだろう」と言いました。ビル・ゲイツなども同様です。
それは80年代に始まり、90年代に加速し、それ以来毎年、より多くのコンピューター性能を持つようになりました。これが機械学習や他の多くの進歩の核心だと思います。つまり、より多くの計算能力を持ち、より多くのデジタルデータを持っているのです。
80年代や90年代にはほとんどデジタルデータがありませんでしたが、今では溢れています。これら2つが機械学習の生命線です。そのため、問題を解決する能力が向上することはほぼ避けられないように思えました。
そして、2012年頃からそれが見え始めました。それはディープラーニング革命の初期段階でした。ImageNetは、私たちの友人ジェフ・ヒントンがディープラーニング技術を導入して画像を認識したものです。1400万の画像です。
それは一例でした。彼のチーム – 彼のチームと言うべきですね – がそれを行ったとき、誰もがこれらの方法を採用し始めました。それは初期段階でした。
トランスフォーマーが発明されることや、詳細がどうなるかは知りませんでしたが、大まかな軌道は正しかったのです。2025年や2026年にどのような発明があるかは正確にはわかりませんが、さらなる改善があることは確信しています。
この時点では、たとえそれがなくても、スケーリング則やデータを回すだけで、多くの利益が得られるでしょう。
わかりました。この点は押さえましたが、もう一度元の質問に戻りましょう。AIが大きなプラスにならないと人々が言う一つの理由は、技術が離陸しないと信じていることでした。もう一つは、それが離陸するかもしれないが、望ましくない方向に進むかもしれないというものでした。この点についてもう少し詳しく話していただけますか。
はい、それは正当な恐れだと思います。AIが非常に強力になるが、危険な方法で使用される可能性があるということです。私は多くの人々よりもこのことを心配しています。
極端な破滅的リスクのキャンプにはいませんが、それは重大な可能性だと思います。私たちがこれまでで最も強力なツールを持っているという原則に戻ります。
10万年前、誰かが槍を持っていたかもしれません。それを投げて人を殺すことができたかもしれません。崖の側面に少し傷をつけることができたかもしれません。しかし、世界を大きく変えることはできませんでした。
その後、機関銃、原子爵、生物兵器と、時間とともに世界を変える能力がますます増えてきました。ポジティブな方向にも、残念ながらネガティブな方向にも。
初めて、地球上の大部分の人々を一掃するような存在的なレベルの技術を持ち始めています。経済や雇用に破滅的な影響を与える可能性があります。民主主義に大きな影響を与える可能性があります。
これらを非常に真剣に受け止め、どのように管理するかについて考え始める必要があります。ポジティブな方法で使用されることを望んでいますが、何も悪いことは起こり得ないと盲目的に仮定するべきではありません。
そうですね、大きな力には大きな責任が伴います。私もそう思います。実際、私のチームは、可能な限り具体的に、リスクは何か、技術を誤用しようとした場合の最悪のケースは何かを理解しようとしています。
私は経済学者なので、特に経済的なものに焦点を当てています。新しいスキルが多く必要になる可能性が高いと思います。多くの職の変動があるでしょう。
冒頭で言ったように、技術は常に仕事を創造し、常に仕事を破壊してきました。しかし今、そのペースがこれまで以上に速くなっています。産業革命は200年ほどかけて起こりましたが、私たちは産業革命に匹敵する、あるいはそれ以上の規模の変化を数十年、あるいはそれ以下の期間で経験することになるでしょう。
これに適応するのはずっと難しいのです。間違っていることの一つ、私たちが絶対にすべきでないことは、すべての仕事を現状のまま凍結しようとすることです。物事をそのままの状態に保とうとすることです。
これは常に失敗します。しかし、残念ながら多くの人々の最初の本能は、「以前のものをどうやって維持できるか」ということです。実際、それはより危険な戦略です。
より安全な戦略は、前に進み、柔軟な経済を持つことです。仕事を変えることを可能にし、人々が職業から職業へ移動することを可能にし、人々が新しいスキルを学ぶことを可能にします。少し不快かもしれませんが、最終的には仕事をそのままの状態に保つ brittleness よりも、より多くのクッションと富の保護につながります。
はい、しかしもちろん、人々にとってそれが非常に不快であることは完全に理解できます。また、それを導き、可能にするための何らかの助けの手が必要かもしれません。
その通りです。助けの手が必要です。また、セーフティーネットも必要です。なぜなら、それが常に誰にでもうまくいくわけではないからです。その柔軟性を持ちたいのです。
私はデンマーク生まれなので、偏見があるかもしれませんが、デンマークのアプローチは素晴らしいと思います。彼らはそれを「フレキシキュリティ」と呼んでいます。
デンマーク人はかなり寛大なセーフティーネットを持っていますが、同時に人々を簡単に雇ったり解雇したりすることができます。誰かがビジネスを始めてうまくいかなかった場合、人々を簡単に解雇できます。
他のヨーロッパの国々では、解雇や事業の開始が非常に難しくなっています。デンマークは柔軟な経済を持とうとし、両方の世界の良いところを少し得ようとしています。
それは実際に私が知らなかったことです。彼らが良い福祉の考え方を持っていることは知っていましたが、これは私が学んだ新しいことです。ヨーロッパ出身の私でさえも。
そうですね。ところで、あなたはどこの出身ですか。
ポーランドです。
ポーランドは最近、実際にかなり良くやっていますね。
はい、経済的にはかなり良くやっています。しかし、その成長の多くは多くの労働によって苦労して得られたものだと思います。正直に言えば、この成長には一部の困難もありました。
共産主義時代からの成長は印象的でしたが、全員が勝者というわけではありませんでした。
その通りです。全員が勝者になることは決してありません。しかし、そのクッションとなるセーフティーネットがあれば、アメリカで行っていることよりもずっと良くできると思います。
安全網がイノベーションと創造性、起業家精神と矛盾すると考える人もいますが、それは全く逆だと思います。新しい会社を始めたいが、健康保険を失うのが怖いという人をたくさん知っています。それはリスクが高すぎます。
健康保険やその他の給付を維持できる方法があれば、より多くの起業家精神とダイナミズム、そして移動性が生まれるでしょう。
わかりました。トレンドの大まかな全体像について多く話しましたが、今度は個人レベルに焦点を当ててみましょう。
AIが個人の生産性を向上させる方法について、あなたはかなり多く話していますが、人々がそこで間違った考え方をしているのはどのような点だと思いますか。自分自身の生産性のためにAIを活用することについて、人々はどのような点で正しく考えていないのでしょうか。
そうですね、いくつかのことがあります。まず、最大の誤解は、先ほど言ったように、代替として考えるのではなく、補完として考え、新しいことをする上でどのように役立つかを考えることです。
また、正確な答えを与える古いタイプの技術として考えるのではなく、時には正しく、時には間違うかもしれないが、創造的で新しいことを考えさせてくれる技術として考えることです。
もう一つは、これらの新しい技術の導入障壁が、以前の技術よりもはるかに低いということです。英語で対話し、物事を学び、それらで遊び、発見することができます。
そのため、以前は技術に intimidated だった人も、そうである必要はありません。何か難解なコーディング言語を学ぶ必要はありません。これにより、物事を探索するのがはるかに簡単になります。
三つ目は、人々が、どれほど多くの新しい領域があり、どれほど多くの発見があるかに驚くだろうということです。OpenAIなどのトップ開発者でさえ、これらの技術が何をできるかを常に認識しているわけではありません。
ユーザーが可能性を発見しているのです。コーディング自体が、LLMからの最大の単一の生産性向上の一つでしょう。プログラマーやコーダーがより良いソフトウェアを書くことを可能にしました。
これは最初にLLMをウェブのスクレイピングに使用したときには意図していなかったことです。それは彼らが発見したことでした。他にも多くの発見があり、人々は技術を使って、開発者さえも実現できると気づいていなかった問題を解決しています。
そうですね。ちなみに、今もしあなたがプログラマーで、GitHub Copilotのような技術を使っていないなら、あなたは遅れをとっているでしょう。まさにその通りです。
2017年のハーバード・ビジネス・レビューの記事の最後で、アンディと私が言ったかもしれません。「AIは経営者に取って代わらないだろうが、AIを使用する経営者は、使用しない経営者に取って代わるだろう」と。
これはどの職業にも当てはまります。コーダー、医師、弁護士、放射線科医…AIを使用する人は、使用しない人に取って代わるでしょう。
個人について話しているところで、私たちが何度か触れたトピックですが、正面から向き合いたいのは不平等の問題です。皮肉なことに、AIの多くは低スキルの仕事を置き換えるアイデアで開発されましたが、実際に起こっているのは、少なくともある程度、中スキルや高スキルの仕事を置き換える段階に入っているということです。先ほど言ったように、タスクについて話しているのですが。
いずれにせよ、この変化による不平等への影響をどのように見ていますか。特に、誰が取り残される可能性があるかという観点から。
予測について断定的になりたくありませんが、リンジーとダニエルと行ったコールセンターの研究に戻ると、異なるグループがどのように影響を受けたかが非常に印象的でした。
最も経験の浅い労働者と、最もスキルの低い労働者（これらは重複していますが、別々に測定しました）が最も恩恵を受けたことがわかりました。彼らは約35%の生産性向上を示しました。
最もスキルの高い労働者、つまりトップの労働者は、私たちが見る限り、0%の向上でした。推定値にはいくらかのノイズがありますが、ほとんど向上が見られませんでした。そして、その間は滑らかな勾配でした。
これは、生産性とパフォーマンスの差を圧縮する技術でした。あなたが先ほど言ったように、これは実際に以前の波とは逆のことです。
私が90年代後半から2000年代初頭に最初の論文を書いたとき、私たちは経済学者が「スキル偏向型技術変化」と呼ぶものについて話しました。コンピューターがより大きな格差をもたらしていました。
過去30〜40年の大部分において、より教育を受けた、より高給の労働者が、高校卒業者や中退者から引き離されていきました。その格差の拡大が、アメリカやその他の先進経済国での不平等の拡大につながりました。
経済的指標だけでなく、死亡率、自殺、アルコール中毒、薬物乱用といった他の指標でも、これらのグループ間で格差が広がっています。
この技術は、それを逆転させる可能性を持っています。イーサン・モルクは、経営コンサルタントに関する他の研究で同様の効果を強調しています。コーダーの場合、必ずしもトップではありませんが、中間層が恩恵を受けています。
多くの異なるカテゴリーでこれを見ています。まだ初期段階なので、完全な一般化はしたくありませんが、少なくとも、過去の技術が不平等を拡大したことの一部を元に戻す可能性があります。これが、より広く共有された繁栄につながる可能性があります。
はい、まだ初期段階ですね。だから、私たちが何をすべきかについて非常に具体的なことを言うにはまだ早すぎるかもしれません。ただし、あなたはすでに資本に対する税率と労働に対する税率の違いなど、いくつかのことを言及しました。
私たちの社会が、ポジティブな未来ではなくネガティブな未来に向かって進むのを避けるために、どのようなマインドセットを持つべきだと思いますか。
非常にプロアクティブである必要があると思います。なぜなら、これらのツールは非常に強力だからです。ツールが強力になればなるほど、私たちの価値観がより重要になります。なぜなら、過去よりも世界を方向づける力が大きくなるからです。
私たちの選択が違いを生むのです。世界をどのようにしたいのか決める必要があります。全員が参加する世界を望むのか、それとも富と力が大きく集中する世界を望むのか、それとも分散された富と力を持つ世界を望むのか。ほとんどの人は2番目のカテゴリーを好むでしょう。
これは技術が決定することではありません。私たちが運命を形作るのです。2013年のTEDトークで最後に言ったことですが、今でも信じています。「技術は運命ではない。私たちが運命を形作る」のです。
この技術に何をして欲しいのか考えましょう。スケーリング則や他の根本的な力のために、自動操縦にすると、より集中する傾向があることを心配しています。
LLMモデルはますます大きくなっています。また、経済の他の部分でも、これらのモデルにより、より中央集権的な意思決定が可能になっています。大規模な小売業者は、国中からデータを集め、意思決定を行い、効率的でない可能性のある多くの中小小売業者を競争で打ち負かすことができます。
データを見ると、小売業だけでなく、金融、製造業、あらゆる産業で集中が進んでいることがわかります。トップ企業がより大きなシェアを獲得し、他の企業から引き離されています。
これは、より効率的で生産性が高い世界かもしれませんが、所得だけでなく権力の分配も非常に偏った負の副作用があります。私は政治学者ではありませんが、最終的に政治的権力は経済的権力に従う傾向があると思います。そして、それは非常に不安定になる可能性があります。
はい、それは素晴らしい指摘です。さらに一歩進めて、地政学的な状況を見てみましょう。発展途上国があり、情報技術の段階にさえ到達していない国もあります。彼らの未来はどうなると思いますか。彼らもAIの勝者になれるでしょうか。
それについては非常に懸念しています。歴史的に見て、製造業、特に中スキルや低スキルの製造業は、これらの国々の繁栄への切符でした。
韓国、ベトナム、フィリピン、そして中国でさえ、この「エスカレーター」に乗りました。彼らは低スキルの製造業を行い、徐々に国内外の投資を増やし、人々の生活水準を向上させ、今や豊かな国々の仲間入りをしました。
韓国やシンガポールは、今や最も豊かな国々の一つです。私は1990年代にシンガポールを訪れましたが、当時はアメリカよりも貧しかったです。今ではアメリカよりも豊かです。
しかし、AIが人間によって行われていたこれらのタスクの多くを置き換えるようになると、発展途上国の人々がそのような形で参加するのが難しくなる可能性があります。
アップルのような企業が、Macコンピューターの製造の多くを本国に戻しているのを見ています。これは、アメリカの労働力がより安いからではなく、労働力がコスト構造の中でますます重要でなくなっているからです。
これはまた、生産性にとっては素晴らしいことかもしれませんが、世界の不平等の拡大につながる可能性があります。そして、不平等の拡大は政治的不安定につながる可能性があります。
その通りです。また、これは人類全体に本当に利益をもたらすようには感じません。この種の未来を回避するために、私たちに何ができるでしょうか。
いくつかのことができます。一つの解決策は、私のお気に入りではありませんが、より多くの再分配を行うことです。システムをそのまま進ませ、富が集中し、力が集中するのを許し、その後で課税し、UBI（普遍的基本所得）や海外援助などを通じて、恵まれない人々を支援するというものです。
しかし、それがどれほど安定しているか、どれほど信頼できるかわかりません。
もう一つの方法は、人間を代替するのではなく補完する技術を発明し、その方向に技術を押し進めようとすることです。これは、より広く使用される技術と、より分散された繁栄につながる傾向があります。
これらのどちらも完璧な解決策ではありませんが、2番目のアプローチ、つまりシステム自体がより平等主義的であるという「事前分配」と呼ばれるものの方が、より望ましい結果につながる可能性が高いと思います。
また、最終的にはより生産的な世界になる可能性が高いと思います。より多くの人々が参加し、貢献し、発明するからです。小さな核心だけがフロンティアを押し進めようとするよりも。
そのため、私は技術者の友人たち、起業家の友人たち、政策立案者の友人たちに、技術を広く人々を助けるために使用する方法を考えるよう奨励しています。
実際、これはインクルーシブ・イノベーション・チャレンジというものを共同設立するきっかけになりました。これは、技術を使ってイノベーションを起こすが、少数の人のためだけでなく、多くの人々を広く包含する方法でイノベーションを起こすというアプローチに触発されたものです。
少し話題を変えましょう。個人的に私の頭の中にあるのは、このAI変革の中で、どのような仕事が適切なのかということです。私の二人の娘たちはもうすぐ高校に入学しますが、どのようなキャリアを追求するべきかアドバイスするのに本当に困っています。あなたのアドバイスはどうでしょうか。
私のアドバイスは、私からのアドバイスには注意するということです。なぜなら、これは本当に難しいからです。
「第二の機械時代」で、私は多くの人々と同じように、ある種のビジョンを持っていました。技術は定型的で反復的なタスクが得意で、より創造的な仕事は人間の方が得意、より対人的な仕事は人間の方が得意、というものでした。
私はアンディ・マカフィーと一緒にそれについて書きました。それはその当時は正しく、数年間は正しかったと思います。しかし今、LLMや生成AIが、それを覆しています。
多くの創造的な仕事が今では機械によって行われる可能性があります。ある程度創造的な、そしてますます創造的になっています。さらに、多くの対人的な仕事も同様です。
最近の研究では、医療の質問に答えるLLMを調べました。事実に基づく知識では、LLMは医師を上回りました。医学的診断について、より正確な回答を提供しました。これは少し驚きでした。私たちはそれに慣れつつありますが。
もう一つの驚きは、LLMが患者とのつながりやベッドサイドマナーでも医師を上回ったことです。より人間味があったのです。医師は2番目のカテゴリーでさらに大きく負けました。
これは、これらの機械が知的能力を超人的なレベルに達する前に、感情的知能で超人的なレベルに達する可能性があることを示唆しています。
そのため、10年前に私が与えたアドバイスは、今では崩れつつあります。おそらくしばらくの間は良かったのでしょう。
さて、新しいアドバイスに切り替えていますが、それに従うべきではありません。わかりません。
私の新しいアドバイスは、柔軟であることです。変化する準備をし、固定観念を持たないことです。「私はコーダーになる」とか「コーダーにはならない」とか「英語専攻になる」などと考えないことです。適応性を持つことです。
それが人間の advantage があるかもしれません。最近、リード・ホフマンと会話をしていて、この話をしました。私は、人間はまれなタスクが得意で、機械は一般的なタスクが得意だと言及しました。そして、機械がその曲線を下っていくように見えると言いました。
彼は「確かに、でも人間はただ長い尾を延ばし続けるんだ」と言いました。人間は即興と新しいことを考え出すのが得意なんです。
彼が挙げた例は、仮にあなたや私がAlphaZeroと囲碁やチェスで勝たなければならないとしたらどうするか、というものでした。表面上は負けることはわかっていますが、本当に勝たなければならないのなら、おそらく勝てるでしょう。
囲碁をプレイするだけでは勝てないでしょう。その電源供給を見つけ出すかもしれません。何らかのバグを導入する方法を見つけるかもしれません。人間には、コーダーやLLMが考えもしなかったような創造的な方法がたくさんあるのです。
私たちの種は即興に特に優れていると思います。つい最近、何十億マイルも離れた宇宙船、おそらくボイジャー宇宙船だと思いますが、それが機能を停止したという記事を読みました。彼らは記憶を再配向する何か crazy な方法を見つけ出し、コードを再び機能させました。これは元の設計者たちが全く計画していなかったことでしたが、彼らはこの回避策を見つけ出したのです。
また、アポロ13号のことも聞いたことがあるでしょう。実際、ジム・ラベルが私の家に来たことがあります。彼はアポロ13号のパイロットでした。私が12歳くらいの時に家に来ました。彼らは crazy なことをたくさん即興で考え出さなければなりませんでした。
そのため、しばらくの間は、予期せぬことに対処し、即興で対応し、柔軟であることが私たちの比較優位になるかもしれません。
はい、これは私が読んだ話を思い出させます。最近、人間がAlphaGoではありませんが、ある囲碁AIに勝ったそうです。彼らがそれを行った方法は、別のAIを使って、このエンジンを混乱させる戦略のセットを見つけ出したのです。まさに、全く予想外のことを考え出したわけです。
はい、その通りです。実際、囲碁の戦略だけを使っても、巨大な円を作るような crazy な戦略があって、それはどの人間も見ればすぐに気づくものですが、AlphaGoは一度も見たことがないというものがありました。AlphaZeroでさえもです。
しかし、それは一時的なものです。これは一般的な原則の一例に過ぎません。私たちには、人々が投げかける puzzle に対して回避策を見つける何年もの進化があります。
さて、伝統的な最後の質問です。エリック、あなた自身のことを考えると、AIのある未来について、経済学者として、最も楽しみにしていることと、最も心配していることは何ですか。
個人的なことではありませんが、経済学者として、私は本当に、ジョン・メイナード・ケインズが「経済問題の終焉」と呼んだものを楽しみにしています。つまり、歴史上初めて食料、衣服、住居の不足の問題に取り組めるということです。
私たちはそれに非常に近づいていると思いますし、すぐにそれが実現するのを見ることができると思います。これは、すべての欲求や必要が満たされるということではありません。人々は常に野心を持つでしょう。しかし、基本的なニーズは満たされる可能性があります。
しかし、個人的には、他に2つ挙げたいと思います。短期的には、コーチを持ちたいですね。私はあまり組織的ではなく、私のシステム2が常に制御しているわけではありません。何かをしたいと思っても、しばしばシステム1が優先してしまいます。原則に焦点を当て、優先順位を保つことを思い出させてくれるコーチがほしいですね。
もう一つは、私は人生を楽しんでいます。本当に素晴らしい時間を過ごしていて、本当に楽しんでいます。しかし、誰もが年を取っていきます。シリコンバレーの人々と付き合っていると、AIが老化に対処したり、逆転させたりするのを助けることができるという crazy なアイデアを持っています。それが本当かどうかはわかりません。本当であることを願っています。ただ、彼らが急いでくれることを願っています。時計は動き続けていますから。
エリック、お話を聞かせていただき、ありがとうございました。私と同じくらい楽しんでいただけたなら嬉しいです。コメント欄でフィードバックを残し、友人と共有してください。
コメント