هوش مصنوعی به عنوان یک تهدید برای مهندسین نرم افزار، چاقویی است که می‌­تواند دسته خود را ببُرد. بسیاری از کُدهای برنامه­‌نویسی که پیش­تر با صرف هزینه‌­های گزاف توسط نیروی انسانی متخصص تولید می‌­شد، به راحتی از طریق محصولات هوش مصنوعی نظیر چت جی‌­بی‌­تی[1] قابل ساختن است. هوش مصنوعی به عنوان محصول و خروجی برنامه­‌نویسی، در حال حاضر تهدیدی برای خود برنامه­‌نویسان است. اما سوال اینجاست که پیشرفت‌­های عجیب در این حوزه، چه سرنوشتی را برای علوم اجتماعی به خصوص اقتصاد به ارمغان خواهد آورد؟ علت تاکید بر اقتصاد، نزدیکیِ این دیسیپلین به علوم مهندسی است، طوری که اقتصاد از این حیث «ملکۀ علوم اجتماعی»[2] نام دارد. مشخصاً تقویت هوش مصنوعی به شکل مذکور، علم اقتصاد را بیش از پیش در باتلاق فرمالیسم[3] فرو خواهد برد که برخی مختصات آن به شرح زیر است:

پُرنویسی و علم­‌سازی

زمانی که افزونۀ «ترجمه گوگل» به دنیا معرفی شد، همچنان که شغل مترجمی مورد تهدید قرار گرفت، بسیاری از مقالات و کتاب‌­هایی که پیش­تر به دلیل هزینه، ترجمه نمی‌­شدند، با اِقبال مترجمین به ویترین ترجمه­‌های جدید اضافه شدند. حال تصور کنید با ابزار هوش مصنوعی نه تنها می‌­توانید ترجمه­‌های خود را ویرایش کنید، بلکه این امکان را خواهید داشت که یک کتاب یا مقاله را از صفر تا صد بنویسید؛ فقط کافی است به ربات دستور بدهید!

در گذشته نوشتن کتاب یا مقالۀ علمی یک فضیلت محسوب می­‌شد، ولی در حال حاضر و با بهره‌­گیری از هوش مصنوعی، معلوم نیست چه کتاب یا نوشته‌­ای محصول تفکر انسان است و کدامیک محصول کدهای صفر و یکِ ماشین‌­های یادگیرنده[4]! اوضاع وقتی وخیم­‌تر می­شود که شما این امکان را دارید که به زبانی که نمی‌­دانید و در رشته‌­ای که دانشی در آن ندارید، به تولید علم بپردازید! البته طرفداران هوش مصنوعی پاسخ خواهند داد که از کجا معلوم، خروجی دانش اقتصاد ما از خروجی دانش اقتصادی که سابقاً محصول تفکر انسانی بوده است بهتر نباشد؟ اینجاست که باید مهندسین اقتصادی درصدد دفاع از خود بربیایند تا مانند برنامه‌­نویسان، در خطر بیکاری قرار نگیرند!

مدلسازی و شبیه‌­سازی افراطی

طرفداران اقتصاد آزمایشگاهی که مدعی بودند اگر در آزمایشگاه «کاگنیتیو[5]» خود چند سیم به مغز انسان وصل کنند، مرزهای علم و دانش را فتح خواهند کرد، به راحتی و بدون نیاز به همان آزمایشگاه­‌های پرهزینه، می­‌توانند یک مدل اقتصادی را میلیون‌­ها بار با متغیرهای مختلف بسازند و میلیاردها بار خروجی‌­های آنرا شبیه­‌سازی کنند. کاری را که پیشتر پایتون[6]، در شبیه­‌سازی[7] و بازی‌­سازی[8] آغاز کرده بود، ربات­‌های هوش مصنوعی به پایان خواهند رساند.

سابقاً طبق آموزه­‌های اقتصادشناختی، هم در رفتار و هم در ذهن انسان سلسله مراتبی از قواعد حاکم است که اساسی­‌ترین آنها در حوزۀ فراآگاهی یعنی در ورای توانایی ادراک ما، قرار دارد. بااین حال، این قواعد ثابت و عمومی و پیوسته به ذهن ما نیستند، بلکه محصول تکامل و تحول اند. درحالی که ما از رشد قواعد عمل یا اندیشۀ خود آگاهی می‌­یابیم، تحت عملکرد قواعد فرا آگاهانۀ جدید قرار می‌گیریم. عقل انسانی جزئی از رشد تمدن است و ذهن هیچگاه نمی­‌تواند پیشرفت آیندۀ خود را پیش­‌بینی کند. ولی در حال حاضر به نظر می‌­رسد هوش مصنوعی گزاره‌­های شناختی مذکور را به راحتی نقض می­‌کند. وقتی شما بتوانید در آزمایشگاه خود بدون محدودیت هرکدام از رفتارهای ممکن در ذهن انسان اقتصادی را شناسایی و شبیه‌­سازی کنید، به نظر می­‌رسد پیش­‌بینی رفتار بعدی کار دشواری نباشد!

سطحی شدن جریان علم و از بین رفتن تفکر

مقالاتی که سابقاً جایزه نوبل اقتصادی را اخذ می‌­کردند، معمولاً مقالات نحیف ولی پرمغزی بودند که ریشه در تفکر عمیق اقتصادی و بعضاً فلسفی داشتند. مدل رشدِ رابرت سولو (1987)، حقوق اقتصادیِ رونالد کوز (1992) و بازار دست دومِ[9] جرج اکِرلوف (2001) به این دلیل مستحق دریافت نوبل اقتصادی شدند که بدون توجه به مدلسازی و فرمول­‌های چشم­‌نواز، یافته­‌ای عمیق و بدیعی برای دانش اقتصادی به ارمغان آوردند.[10]

زیگفرید در مقاله‌­ای روشنگر و بسیار کوتاه که در سال 1970 در مجله اقتصاد سیاسی به عنوان یکی از مهم­ترین و معتبرترین مجلات اقتصادی منتشر شد، درس مهمی در مورد روش‌­شناسی اقتصادسنجی ارائه کرد. او به کنایه، پیشنهاد داد که چطور مقالات اقتصادسنجی را بنویسیم که مورد قبول داوران مجلات قرار بگیرد. او پیشنهاد می‌­کند به جای 1+1=2 عبارت زیر را بنویسیم:

هر دو معامله فوق نتیجه یکسانی دارد و به وضوح معادلۀ اول یعنی 1+1=2 ساده­‌از معادلۀ دوم است، ولی درس اول در اقتصادسنجی این است که باید تا می­‌توانیم از ریاضیات و مدلسازی استفاده کنیم و بنابراین عبارت دوم باید جایگزین عبارت اول شود! تقویت جریان سطحی‌­شدن و سطحی­‌نویسی به مرگ تفکر و اندیشه در اقتصاد منجر شده و هیچ ابزاری به خوبی هوش مصنوعی نمی‌­تواند به تشدید این وضعیت کمک کند.

تقویت ابزارگرایی در برابر رئالیسم

یکی از دوگان­ه‌ای مرسوم در روش­‌شناسی اقتصادی، دوگان ابزارگرایی-رئالیسم[12] است که طبق آن ارزشمندی نظریه اقتصادی به یکی از دو مورد زیر مرتبط است:

• ابزار پیش­بینی: براین اساس اگر نظریه بتواند به میزان معناداری پیش­‌بینی پذیر باشد، ارزشمند است. عمدۀ روش­‌شناسی متعارف در اقتصاد مبتنی بر همین رویکرد است و اقتصادسنجی با تکیه بر همین منطق پیش می­‌رود. یعنی اگر یک نظریه از محتوا تهی باشد ولی ابزار خوبی برای پیش­بینی در اختیار ما قرار گذارد، کافی است که آنرا معتبر پنداریم. همچنین سنجه مناسب برای اعتباربخشی به نظریه، اکتفا به قدرت پیش بینی آن است؛ به شرحی که آنقدر فروض را تغییر می­‌دهیم تا پیش‌­بینی مورد نظر محقق شده و نظریه معتبر گردد. روش‌­شناسی فرضیه-استنتاجی به همین واقعیت اشاره دارد.
• تبیین درست از واقعیت: بر این اساس بدون توجه به قدرت پیش­‌بینی‌­پذیری یک نظریه، آنچه بدان اعتبار می‌­دهد، قوت و استحکام آن در تبیین و شرح واقعیت است. واقع‌­نمایی نظریه کافی است تا آنرا معتبر بدانیم. طرفداران این نحلۀ متاخر نظیر اوسکالی ماکی و تونی لاوسون با نقد شدید به جریان ابزارگرایی، معتقدند این رویکرد اقتصاد را از واقعیت جامعه به داخل آزمایشگاه ها برده و نظریات اقتصادی امروزی، توانایی حل مسائل اقتصادی را ندارند.

انقلاب هوش مصنوعی معلوم نیست چه تأثیری بر رویکرد رئالیستی در اقتصاد خواهد گذاشت، اما آنچه مسلم است جریان ابزارگرایی به واسطه چنین ابزار قدرتمندی، قطعاً بیش از گذشته تقویت خواهد شد. چه ابزاری بهتر از بات‌­های امروزی می­تواند آن­قدر داده‌­ها را شکنجه دهد[13] تا بهترین نتیجه در مدل اقتصادسنجی برازش[14] شود؟

جمع بندی

علم اقتصاد، همواره دغدغۀ محدودیت منابع را داشته است؛ ولی هوش مصنوعی دست­کم در آزمون-بازآزمون و شبیه­‌سازی، مقاله نویسی و کتاب نویسی، هرگونه محدودیتی را از سر راه برمی‌­دارد. دورنمایی از تلفیق متاورس و هوش مصنوعی را در نظر بگیرید که در آن، انسانِ عافیت‌­طلب بدون حتی یک روز حضور در کلاس دانشگاه، می‌­تواند انبوهی از آثار علمی از جمله مقاله، کتاب و حتی پایان­نامه خود را با ابزار هوش مصنوعی تولید و با محصولات متاورسی عرضه و ارائه کند. این، همان تصویری است که حکایت از نابودی جریان علم دارد؛ چه بسا شاید تا بدان روز، جریان هنر و علوم انسانی نیز تضعیف و نابود شده باشد و هوش مصنوعی، از هر بی‌­هنری، بتواند یک هنرمند بسازد.

حتی اگر نخواهیم افراطی و بدبینانه به موضوع نگاه کنیم، با تکیه بر قانون گرشام[15]، وقتی سیلِ مقاله­‌نویسی و مدلسازی به راه بیفتد (چه اینکه شاید این سیل تا این لحظه نیز راه افتاده باشد)، «علم بد»، «علم خوب» را از جریان علمی خارج خواهد ساخت و درخت متکامل علم که هر روز شاخ و برگ فربه‌­تری به خود دیده است، با موریانۀ «مدلسازی»، بی­‌مغز و ریشه خواهد شد. این همان هشداری است که منتقدان فرمالیسم بارها در مورد آن سخن به میان آورده بودند. هوش مصنوعی بد نیست، ولی ترکیب هوش مصنوعی با آن آیۀ مقدسی که اقتصاددانان «نفع شخصی[16]» خطابش می­کنند، قطعاً آینده­ای خطرناک و مبهم برای دانش اقتصاد ایجاد می­‌کند.

شاید مدعای این نوشته، قابل تطبیق به هر ابزار دیگری نیز باشد، چرا که هر تکنولوژی یا ابزار، هم می­تواند در خدمت علم باشد و هم به تخریب آن کمک کند، ولی تأکید نویسنده بر آن است که هوش مصنوعی تهدیدی نزدیک­تر و خطرناک­تر است. هوش مصنوعی در حال حاضر چاقوی تیزی است که بیشتر از کَندن پوست میوه، برای سربریدن مورد استفاده قرار می­گیرد و وظیفۀ سیاست­گذاران و تنظیم‌­گران حوزۀ «علم» در این زمینه بیش از گذشته سنگین خواهد بود.