Чтобы ответить на эти вопросы, мы можем извлечь уроки из последних 200 лет автоматизации труда и экономической теории, учитывая при этом уникальные характеристики автоматизации, основанной на искусственном интеллекте.
Исторический контекст
На протяжении всей истории мы были свидетелями волн автоматизации, производивших революцию в различных отраслях и секторах труда. Каждая волна приводила к смещению определенных рабочих мест, но также рождала совершенно новые категории занятости.
Хотя этот процесс вызывал временные сбои и массовую миграцию, в конечном итоге он приводил к общему процветанию и созданию большего количества рабочих мест.
В 2023 году люди беспокоятся об исчезновении существующих рабочих мест. Но в прошлом неожиданно вслед за автоматизацией появлялись новые категории должностей.
Например, в 19 веке никто не мог предвидеть появление «инженеров-программистов» или «постобработки видео» как категорий занятости. Однако исторические данные свидетельствуют о том, что появятся новые возможности трудоустройства, даже если мы не можем их предвидеть сегодня.
Автоматизация работы через ИИ и научные концепции
Экономическая теория, в частности заблуждение о «общем куске пирога», бросает вызов аргументам о сокращении рабочих мест из-за автоматизации.
Но научная теория утверждает, что не существует фиксированного объема работы. Когда автоматизация делает товары и услуги дешевле, больше людей могут их себе позволить, стимулируя спрос и создавая новые рабочие места.
Эффективность автоматизации приносит пользу не только конкретной автоматизируемой задаче — это вызывает волновой эффект во всей экономике.
Задача преодоления барьера
Одна из проблем, возникающих в нынешнюю эпоху автоматизации ИИ, заключается в том, не исчерпаются ли у нас постепенно задачи для автоматизации. Исторически сложилось так, что мы автоматизировали физический труд.
Теперь ИИ угрожает автоматизировать еще более сложные задачи менеджеров и даже программистов.
Чтобы решить эту проблему, мы можем обратиться к парадоксу Джевонса, возникшему во время промышленной революции. В нем говорится, что по мере повышения эффективности использования ресурсов (например, угля для паровых двигателей), потребление этого ресурса может парадоксальным образом вырасти из-за снижения затрат и повышения доступности.
Применительно к автоматизации труда этот парадокс означает, что по мере того, как мы повышаем эффективность задач с помощью ИИ, мы создаем новые приложения и требования к автоматизации, что приводит к постоянному созданию рабочих мест.
Эволюция рабочих инструментов и Автоматизация работы через ИИ
Когда появлялись новые технологии: пишущие машинки, счетные машины или электронные таблицы, они изначально адаптировались к существующим рабочим процессам.
Однако со временем эти инструменты изменили способ выполнения работы, открыв новые возможности и эффективность. По мере развития инструментов менялся и характер занятости, что приводило к увеличению числа рабочих мест и к росту экономики.
Большие языковые модели, включая ChatGPT — не исключение из этого правила. Хотя они действительно способны автоматизировать различные задачи и генерировать контент, важно понимать, что их интеграция на рабочие места — это постепенный процесс. LLM дополняют существующие рабочие процессы, но не заменяют их мгновенно.
Автоматизация работы через ИИ: контраргументы
Несмотря на исторический прецедент и потенциал по созданию новых возможностей, есть два контраргумента, которые стоит рассмотреть:
- Скорость перемен. Некоторые утверждают, что внедрение LLM гораздо более быстрое, чем предыдущие технологии, может создать серьезные трудности и усложнить адаптацию рабочей силы. Есть опасения, что переход к автоматизации на основе LLM произойдет быстро, что приведет к сокращению рабочих мест до того, как появятся новые возможности.
- Сложность современной рабочей среды. Современное рабочее место характеризуется множеством специализированных программных приложений и сложных специализированных задач. Хотя LLM обладают потенциалом для расширения и автоматизации многих из этих задач, сложный характер этих рабочих процессов означает, что их широкое внедрение потребует времени.
Одна из проблем при внедрении преобразующих технологий заключается в резком контрасте между яркими демонстрациями технологий и их практической интеграцией в крупных и сложных организациях.
Например, продать ключ API для перевода или анализа юридической фирме не так просто. Компании предъявляют сложные требования к контролю, безопасности, управлению версиями, управлению доступом и множеству других факторов.
Продажа «технологий» этим организациям часто приводит к продаже комплексных инструментов и продуктов, в которых ИИ считается лишь одним из компонентов. Переход от демонстрации технологии к полностью реализованному продукту — трудоемкий процесс.
Даже после того, как инструмент трансформации будет приведен в соответствие с требованиями рынка, его внедрение в крупных корпорациях пойдет медленно. Стартапы обычно работают по 18-месячному циклу финансирования, в то время как многие предприятия работают по 18-месячному циклу принятия решений.
Хотя модели «Программное обеспечение как услуга» (SaaS) ускорили этот процесс, устранив необходимость развертывания в локальных центрах обработки данных, все еще остаются вопросы закупок, интеграции и обучения.
У крупных компаний с миллионами клиентов и десятками тысяч сотрудников есть веские причины избегать внезапных разрушительных изменений. Будущее требует времени, особенно за пределами Кремниевой долины.
Сложности в автоматизации работы через ИИ
Контраргументы предполагают, что ChatGPT и LLM представляют собой сдвиг в уровнях абстракции — технологии с гораздо более широким применением. Они обещают ответить на любой вопрос и потенциально объединить многочисленные вертикальные приложения в единое операционное подразделение. Это означает большую скорость и автоматизацию.
Однако такая интерпретация может не отражает всей сложности проблемы. Например, юридическому партнеру может потребоваться первый проект документа, а продавцу страховых услуг — оспорить претензию, и каждый из них имеет различную подготовку и набор инструментов.
Хотя ChatGPT позиционируется как технология «общего назначения», практические случаи использования часто требуют адаптированных интерфейсов и рабочих процессов.
Excel и SQL также инструменты общего назначения, однако они дали начало различным типам баз данных. Это намекает на то, что в будущем LLM перейдут от простых текстовых подсказок к большему количеству графических интерфейсов и кнопок.
Сосуществование «быстрого проектирования» и «естественного языка» не может быть взаимоисключающим, и для удовлетворения разнообразных потребностей предприятиям понадобится тонкий подход.
Несовершенность ИИ
ChatGPT и LLM следует шаблонам, но не обладает глубоким пониманием контента, который он генерирует. Крайне важно признать, что ИИ не намеренно «лжет» или «выдумывает».
Вместо этого он пытается сопоставить шаблоны, хотя и несовершенно. Например, ИИ может создать изображение трехногих людей, потому что он распознает закономерности на изображениях, на которых он обучался, а не потому, что у него есть подлинное знание анатомии человека.
Сама природа ИИ может привести к недоразумениям и неверным толкованиям, как это продемонстрировал юрист Кевин Кастел. Он запросил прецеденты по делу клиента, а в ответ получил выдуманные истории. ИИ не заменяет базу данных человеческих знаний; он оперирует шаблонами и ассоциациями.
Полезность программ LLM
Люди часто поднимают вопрос о том, где LLM полезны на практике. Имеет ли смысл иметь автоматизированных «студентов» или «стажеров», которые могут воспроизводить шаблоны, но при этом требуют человеческого контроля?
Этот вопрос аналогичен концепции парадокса Джевонса, согласно которой повышение технологической эффективности приводит к широкому использованию ресурса и увеличению спроса на него.
Автоматизация работы через ИИ и Вопрос по АГИ
Важный аспект этой дискуссии вращается вокруг общего искусственного интеллекта (AGI). AGI представляет собой гипотетическую систему, которая может выполнять любую задачу, которую может выполнить человек, без ограничений текущего ИИ.
Возникает фундаментальный вопрос: если бы у нас был AGI, нужен ли нам человеческий надзор и вмешательство в задачи, автоматизированные с помощью LLM?
Если мы представим машину без ограничений, сможет ли она выполнять любые задачи? Ответ неясен, и дискуссии на эту тему без четких выводов. Дебаты в сообществе информатики еще не дали однозначных ответов, оставляя нас в неопределенности.
Утопические предположения
Некоторые утверждают, что идея волшебного программного обеспечения, изменяющего все и обходящего сложные сценарии реального мира, кажется техническим решением. Но важно подходить к таким предположениям с осторожностью.
Автоматизация работы через ИИ не считается гарантией утопии, а представляет собой еще одну волну технологического прогресса.
Для аналитика разумно принять эмпиризм Юма вместо философии Декарта. Мы можем только анализировать то, что существует и что мы можем наблюдать. AGI остается концепцией будущего, а до тех пор мы имеем дело с продолжением тенденций автоматизации.
Нет никаких оснований полагать, что эта волна автоматизации будет разрушительнее предыдущих. Важно подходить к интеграции ИИ в нашу жизнь взвешенно и осознанно.
Подведем итог
Дискуссия об автоматизации с помощью ИИ, проблемах интеграции ИИ в сложные корпоративные среды и потенциале общего искусственного интеллекта (AGI) подчеркивает сложности технологического прогресса.
Хотя ИИ может трансформировать отрасли, его ограничения и неопределенность вокруг AGI подчеркивают важность эмпирического анализа и детального подхода к развивающейся сфере автоматизации.
