Skip to main content

Cookies and Privacy

We use cookies to improve your experience on our website. To find out more, read our updated Cookie policy, Privacy policy and Terms & Conditions

sargent1_Wenjie Dong Getty Images_AIdatahuman Wenjie Dong/Getty Images

Передовые рубежи искусственного интеллекта в экономической теории

НЬЮ-ЙОРК – До недавнего времени существовали два больших препятствия, которые ограничивали возможности учёных-экономистов в изучении мира с помощью мощных методов, разрабатывавшихся с начала XIX века математиками и статистиками для выявления и интерпретации тенденций в полных неразборчивого шума наборах данных: базы данных были маленькими и затратными, а компьютеры были медленными и дорогими. Естественно, когда увеличение компьютерной мощности радикально сократило эти препятствия, экономисты поспешили воспользоваться большими данными и искусственными интеллектом для нахождения тенденций во всякого рода деятельности и её результатах.

Но сводки данных и распознавание тенденций являются важным элементом ещё и в физических науках. Физик Ричард Фейнман однажды сравнил естественный мир с игрой, в которую играют боги: «вы не знаете правил игры, но вам разрешают посмотреть иногда на доску, наверное, на её небольшой уголок. И из этих наблюдений вы пытается сделать вывод, какими же являются правила».

Метафора Фейнмана буквально описывает то, чем занимаются многие экономисты. Подобно астрофизикам, мы обычно получаем неэкспериментальные данные, генерируемые процессами, которые мы хотим понять. Математик Джон фон Ньюман определил игру как (1) список игроков; (2) список действий, доступных каждому игроку; (3) список, объясняющий, как выигрыш, получаемый каждым игроком, зависит от действий всех игроков; и (4) хронометрический протокол, в котором говорится, кто выбирает что и когда. Это элегантное определение включает то, что мы подразумеваем под «конституцией» или «экономической системой»: социальные представления о том, кто выбирает что и когда.

Как перед метафорическим физиком Фейнмана, перед нами стоит задача сделать выводы об «игре» (для экономистов этой игрой является структура рынка или система рынков) из обследуемых данных. Но затем мы хотим сделать нечто, чего физики не делают: мы задумываемся о том, как другие «игры» могли бы привести к улучшению результатов. То есть, мы хотим проводить эксперименты с целью исследовать, как гипотетические изменения в правилах игры или в паттернах изучаемого поведения некоторых «игроков» (скажем, государственных регуляторов или центрального банка) могли бы повлиять на паттерны поведения остальных игроков.

Соответственно, «строители структурных моделей» в экономической науке стремятся уловить в исторических паттернах поведения набор неизменных параметров для гипотетических (зачастую беспрецедентных в истории) ситуаций, в которых правительство или регулятор начинают следовать новым правилам. Как гласит китайская пословица, у правительства есть стратегии, а у народа – контрстратегии. «Структурные модели» ищут подобные неизменные параметры, чтобы помочь регуляторам и создателям рынков понять и спрогнозировать паттерны данных, причём в исторически беспрецедентных ситуациях.

Трудной задаче создания структурных моделей пойдёт на пользу быстрое развитие тех направлений в разработке искусственного интеллекта, которые ограничиваются распознаванием паттернов. Хорошим примером служит AlphaGo. Команда компьютерных учёных разработала алгоритм для игры в китайскую игру го, очень умно соединив наборы инструментов, разработанные ранее специалистами по статистике, симулированию, теории принятия решений, а также сообществами теории игр. Многие из этих инструментов, которые были просто использованы в правильной пропорции для создания выдающего рукотворного игрока в го, являются базовыми инструментами экономистов при строительстве структурных моделей для изучения макроэкономики и индустриальной организации.

Subscribe now
ps subscription image no tote bag no discount

Subscribe now

Subscribe today and get unlimited access to OnPoint, the Big Picture, the PS archive of more than 14,000 commentaries, and our annual magazine, for less than $2 a week.

SUBSCRIBE

Конечно, экономическая наука отличается от физики в одном важнейшем аспекте. Если Пьер-Симон Лаплас считал «нынешнее состояние вселенной результатом её прошлого и причиной её будущего», то в экономике верно обратное: наши ожидания по поводу того, что будут потом делать другие люди, становятся причиной того, что мы делаем сейчас. Обычно мы используем персональные теории по поводу желаний других людей, чтобы спрогнозировать, что они будут делать. Когда у нас есть хорошие теории по поводу других людей, тогда то, что они будут делать с наибольшей вероятностью, определяет наши ожидания того, что они сделают. Данная линия рассуждений, иногда называемая «рациональные ожидания», объясняется идеей, согласно которой в экономических системах «будущее является причиной настоящего». И учёт всех этих факторов лежит в основе строительства «структурных» экономических моделей.

Например, я присоединюсь к бегству вкладчиков из банка, если я буду ожидать, что и другие люди к нему присоединятся. Без системы страхования вкладов у клиентов появляются стимулы избегать банков, которым грозит бегство вкладчиков. С введением страхования вкладов клиенты перестают волноваться, и они не бегут. С другой стороны, если правительство начнёт страховать вклады, тогда владельцы банков захотят, чтобы их активы стали максимально крупными и рискованными, а вкладчиков это не будет волновать. Аналогичный компромиссный баланс возникает со страхованием от безработицы и инвалидности (страхование людей от неудач может ослабить их стимулы заботиться о себе самостоятельно), а также при оказании официальной финансовой помощи правительствам и компаниям.

Если говорить шире, моя репутация – это ожидания других по поводу того, что я буду делать. Передо мной стоит выбор: подтвердить эти ожидания или не оправдать их. И этот выбор повлияет на то, как другие будут вести себя в будущем. Центральные банки очень много думают на эту тему.

Подобно физикам, мы, экономисты, используем модели и данные, чтобы учиться. Но мы не учимся новому, пока мы не решаем, что наши старые модели не способны объяснить новые данные. И тогда мы строим новые модели, учитывая то, как провалились предшествовавшие им. Этим объясняется, как мы учились у прошлых депрессий и финансовых кризисов. А с большими данными, более быстрыми компьютерами и улучшенными алгоритмами мы сможем увидеть паттерны там, где когда-то мы слышали только шум.

Read more about the changing nature of value in the age of Big Data, artificial intelligence, and automation.

Click here

https://prosyn.org/pe8vx4bru;
  1. op_dervis1_Mikhail SvetlovGetty Images_PutinXiJinpingshakehands Mikhail Svetlov/Getty Images

    Cronies Everywhere

    Kemal Derviş

    Three recent books demonstrate that there are as many differences between crony-capitalist systems as there are similarities. And while deep-seated corruption is usually associated with autocracies like modern-day Russia, democracies have no reason to assume that they are immune.

    7