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.
[1] Chat GBT
[2] Queen of social science
[3] Formalism
فرمالیسم یا اصالت فرم در اقتصاد، به استفاده افراطی از ریاضیات و اعداد و ارقام گفته میشود که کم کم منجر به کنارگذاشتن واقعیت اقتصادی شده و قالب ریاضیاتی اصالت خواهد داشت.
[4] Learning machines
[5] Cognitive
[6] python
[7] Simulation
[8] Gamification
[9] Lemon market
[10] در حال حاضر کتابهای دارن عجم اوغلو نیز چنین مسیری را طی میکند.
[12] Instrumentalism/ Realism Duality
[13] در اقتصادسنجی، می توان آن قدر داده‌ها را تغییر داد تا بهترین خروجی ممکن از مدل به دست آید. به این کار اصطلاحاً «شکنجۀ داده» نیز میگویند.
[14] Fit
[15] Gresham's law
قانون گرشام در اقتصاد، یک اصل پولی است که بیان میکند «پول بد، پول خوب را از رواج می‌اندازد» به عنوان مثال، اگر دو شکل پول کالایی در گردش باشد که توسط قانون پذیرفته شود که دارای ارزش اسمی مشابهی است، کالای با ارزش‌تر به تدریج از گردش ناپدید میشود.
[16] self-interest
تبادل نظر