فردای اقتصاد: این روزها سروصدای چت‌جی‌پی‌تی در حوزه فناوری بسیار زیاد است. اما مدل موفقیت این محصول هوش مصنوعی می‌تواند برای پیداکردن راه‌های توسعه اقتصادی الهام‌بخش باشد.
ریکاردو هازمن استاد دانشگاه هاروارد است که به تازگی یادداشتی در وبسایت Project Syndicate با عنوان درس‌های چت‌جی‌پی‌تی برای توسعه اقتصادی نوشته است. او معتقد است طراحی ChatGPT که به آن توانایی‌های بسیار بیشتری نسبت به پیش‌بینی سازندگانش داده است، آموزه‌های ارزشمندی برای مقابله با پیچیدگی‌های توسعه اقتصادی ارائه می‌دهد. هازمن برای ترسیم این ارتباط و الهامی که توسعه ChatGPT برای توسعه اقتصادی دارد، ابتدا توضیحی درباره الگوریتم یادگیری هوش‌های مصنوعی ارائه می‌کند و سپس سری به نظریات توسعه در اقتصاد می‌زند. در این گزارش، مروری بر یادداشت او خواهیم داشت.
چت‌جی‌پی‌تی چگونه موفق شد؟
ریکاردو هازمن می‌گوید برای یادگیری، الگوریتم‌های هوش مصنوعی نیاز به آموزش دارند که می‌توان از طریق دو رویکرد اصلی انجامش داد: یادگیری تحت نظارت و بدون نظارت. در یادگیری نظارت شده، انسان‌ها مجموعه‌ای از تصاویر دارای برچسب مانند «سگ»، «گربه»، «همبرگر»، «ماشین» و غیره را در اختیار رایانه قرار می‌دهند. سپس الگوریتم مورد آزمایش قرار می‌گیرد که برچسب‌های تصاویری را که هنوز ندیده به خوبی پیش‌بینی کند.
مشکل رویکرد نظارت‌شده این است که انسان را ملزم می کند تا فرآیند خسته‌کننده برچسب‌زدن دستی هر تصویر را طی کند. در مقابل، یادگیری بدون نظارت به داده‌های برچسب‌دار متکی نیست. اما عدم وجود برچسب‌ها این سوال را ایجاد می‌کند که الگوریتم قرار است چه چیزی را بیاموزد. برای رفع این مشکل، ChatGPT الگوریتم را به سادگی برای پیش‌بینی کلمه بعدی متنی که برای آموزش آن استفاده می‌شود، آموزش می‌دهد.
پیش‌بینی کلمه بعدی ممکن است یک کار بی‌اهمیت به نظر برسد، شبیه به عملکرد تکمیل خودکار در جستجوی Google. اما مدل ChatGPT به آن اجازه می‌دهد تا وظایف بسیار پیچیده‌ای را انجام دهد، مانند قبولی در آزمون وکالت با نمره بهتر نسبت به اکثر دانشجویان حقوق. کلید چنین شاهکارهایی در قدرت چشمگیر این فرآیند یادگیری ساده نهفته است. به منظور پیش‌بینی کلمه بعدی، الگوریتم مجبور است درک دقیقی از زمینه، دستور زبان، نحو، سبک و موارد دیگر ایجاد کند. سطح پیچیدگی که این الگوریتم به آن دست یافت، همه از جمله طراحان آن را شگفت زده کرد.
درس این موضوع برای توسعه اقتصادی این است که سیاستگذاران باید بر روی کاری تمرکز کنند که ممکن است پیش پا افتاده به نظر برسد، مشروط بر اینکه برای برتری در آن، به طور غیرمستقیم مجبور به یادگیری چالش‌های بسیار پیچیده‌تر توسعه شوند. اما محل تمرکز باید کجا باشد؟
رویکرد غالب در اقتصاد توسعه کار می‌کند؟
به عقیده این استاد دانشگاه هاروارد، در مقابل، رویکرد غالب در حوزه اقتصاد توسعه، تمایز بین علل سطحی و عوامل عمیق‌تر رشد و تمرکز بر دومی بوده است. این رویکرد مشابه این است که بگوییم: «به جای تلاش برای پیش‌بینی کلمه بعدی، زمینه و مفهوم کل کتاب را درک کنید.»
برای مثال، دارون عجم‌اوغلو و جیمز رابینسون در کتاب «چرا ملت‌ها شکست می‌خورند» در سال ۲۰۱۲ استدلال می‌کنند که نهادها با تأثیرگذاری بر ساختار مشوق‌ها در جامعه، تعیین‌کننده نهایی نتایج اقتصادی هستند. اودد گالور، اقتصاددان دانشگاه براون، رویکرد متفاوتی را اتخاذ کرده است و بر دگرگونی‌های پیچیده جمعیتی و فناوری که بشریت را از تعادل مالتوسی بیرون آورده و منجر به امید به زندگی طولانی‌تر، نرخ باروری پایین‌تر و سرمایه‌گذاری بیشتر در آموزش و پرورش شده است، تاکید کرده است. این روندها با هم، مشارکت زنان را در نیروی کار افزایش داد و در دسترس بودن مهارت‌های مورد نیاز برای اقتباس فناوری و رشد اقتصادی را زیاد کرد.
اما آیا این نظریه‌ها با واقعیت‌ها مطابقت دارند؟ در طول چهار دهه گذشته، جهان در حال توسعه واقعاً دستخوش بسیاری از دگرگونی‌های بنیادینی شده است که گالور توضیح داد. شکاف بین کشورهای در حال توسعه و توسعه‌یافته در امید به زندگی، مرگ‌ومیر نوزادان، باروری، تحصیلات، ثبت نام در دانشگاه، مشارکت زنان در نیروی کار و شهرنشینی به شدت باریک شده است. با استدلال عجم‌اوغلو و رابینسون، نهادهای کشورهای در حال توسعه اگر قادر به پیشرفت در بسیاری از زمینه‌ها شده‌اند، نمی توانند آنقدرها بد باشند. در چارچوب گالور، پیشرفت در همه این زمینه‌ها باید باعث شده باشد که کشورهای در حال توسعه از نظر درآمد به کشورهای توسعه‌یافته برسند.
اما چنین اتفاقی رخ نداده است. کشورهای متوسط نسبت به چهار دهه قبل به سطح درآمد ایالات متحده نزدیک‌تر نشده‌اند. چگونه ممکن است که شکاف‌های کاهش‌یافته در آموزش، بهداشت، شهرنشینی و توانمندسازی زنان نتوانسته‌اند شکاف درآمدی را نیز کاهش دهند؟ چرا پیشرفت در ریشه‌های اصلی مفروض به تولید محصولات بیشتر منجر نشده‌اند؟
کدام کشورها توانسته‌اند در توسعه جلو بزنند؟
برای درک این نتیجه گیج‌کننده، اقتصاددانان به شکاف تکنولوژیکی در حال افزایش استناد می کنند. بیش از یک توضیح، این یک ضرورت ریاضی است: اگر ورودی‌های بیشتر خروجی بیشتری تولید نمی‌کنند، چیزی باید ورودی‌ها را کم‌اثرتر کرده باشد.
برای توضیح این نتیجه غیرمنتظره، ذکر این نکته مفید است که معدود کشورهایی که در دهه‌های اخیر موفق شدند به گروه توسعه‌یافته‌ها برسند، دو ویژگی متمایز دارند: صادرات آنها بسیار سریع‌تر از تولید ناخالص داخلی آنها رشد کرد و آنها صادرات خود را با تغییر جهت به سمت کالاهای پیچیده‌تر، متنوع کردند.
برای دستیابی به این موفقیت، این کشورهای موفق باید فناوری‌های بهتری را اتخاذ کرده و تطبیق داده باشند، ارائه کالاهای عمومی و نهادهای خود را برای حمایت از صنایع نوظهور تنظیم کرده و با افزایش بهره‌وری و آموزش کارگران، ناکارآمدی و هزینه‌ها را کاهش داده باشند. در این فرآیند، آنها ممکن است یک سری مشکلات دیگر را هم برطرف کرده باشند.
روند توسعه هوش مصنوعی چگونه می‌تواند الهام‌بخش توسعه اقتصادی باشد؟
یک استراتژی توسعه با الهام از ChatGPT بر یک هدف ساده تمرکز دارد: بهبود رقابت، تنوع و پیچیدگی صادرات. فهمیدن اینکه چگونه این کار انجام شود، سیاستگذاران را مجبور می‌کند تا نحوه انجام کارهای مهم را بیاموزند، درست مانند پیش‌بینی کلمه بعدی که ChatGPT را برای یادگیری زمینه، دستور زبان، نحو و سبک فعال کرد.
نویسنده باور دارد مانند برنامه‌نویسان اولیه هوش مصنوعی که توسط زبان‌شناسان و نظریه‌های پیچیده آنها منحرف شدند، سیاستگذاران نیز با اهداف بسیار زیادی مانند ۱۷ هدف توسعه پایدار سازمان ملل متحد منحرف شده‌اند. اما استفاده از رویکرد ChatGPT برای توسعه اقتصادی می‌تواند کارها را ساده کند: همانطور که مدل زبان سعی می‌کند فقط کلمه بعدی را پیش‌بینی کند، سیاستگذاران می‌توانند تلاش کنند تا بر تسهیل صادرات بعدی تمرکز کنند، همانطور که به نظر می‌رسد کشورهای موفق انجام داده‌اند. اگرچه ممکن است این یک گام کوچک به نظر برسد، اما می تواند به نتایج شگفت‌انگیزی منجر شود.
تبادل نظر