В последнее время мир охвачен ажиотажем вокруг искусственного интеллекта (ИИ), особенно генеративных моделей, таких как ChatGPT. Бизнес-лидеры спешно пересматривают стратегии своих компаний, стартапы привлекают миллиардные инвестиции, а крупные технологические гиганты создают все более мощные ИИ-модели. Среди этого шума возникает ключевой вопрос: сможет ли ИИ действительно стимулировать экономический рост и повысить продуктивность?
Продуктивность как ключевой фактор
Экономисты внимательно следят за показателями продуктивности, надеясь увидеть признаки влияния ИИ. Продуктивность — это мера того, сколько в среднем производит работник. Ее рост является основным источником экономического процветания, позволяя странам становиться богаче, а работникам — получать более высокую зарплату.
Однако последние два десятилетия рост продуктивности в развитых странах был удручающе низким. После периода здорового роста в конце 1990-х и начале 2000-х годов (около 3% в год), связанного с развитием интернета, темпы роста продуктивности резко замедлились примерно с 2005 года.
Прогнозы и реальность
Оптимисты предсказывают значительное влияние ИИ на продуктивность. Goldman Sachs прогнозирует, что генеративный ИИ может увеличить рост продуктивности на 1,5 процентных пункта ежегодно в развитых странах и повысить мировой ВВП на 7 триллионов долларов за 10 лет. Антон Коринек из Университета Вирджинии ожидает увеличения продуктивности США на 1-1,5% уже к следующему году.
Однако не все эксперты разделяют этот оптимизм. Дарон Аджемоглу из MIT прогнозирует более скромное влияние: около 0,6% роста общей факторной продуктивности за 10 лет. Он утверждает, что для более значительного воздействия ИИ должен стать полезным для более широкой части рабочей силы и релевантным для большего числа секторов экономики.
Проблемы внедрения
Несмотря на шумиху, реальное внедрение ИИ в бизнес идет медленно. Согласно опросу Бюро переписи населения США, доля фирм, использующих ИИ, выросла с 3,7% в сентябре 2023 года до 5,4% в феврале 2024 года и ожидается, что достигнет около 6,6% к концу года. Большинство этого роста приходится на финансовый и технологический секторы, в то время как такие отрасли, как строительство и производство, практически не затронуты.
Основные препятствия для внедрения включают:
- Непонимание применимости ИИ к конкретному бизнесу
- Вопросы надежности генеративных ИИ-моделей
- Проблемы конфиденциальности данных
- Безопасность проприетарной информации
ИИ в производстве и науке
Производство, когда-то бывшее важным источником роста продуктивности в США, сейчас переживает кризис. Несмотря на увеличение автоматизации и использования промышленных роботов, продуктивность в производстве США резко снизилась с 2005 года.
Потенциал генеративного ИИ в возрождении продуктивности заключается в возможности интегрировать все аспекты производства: от начального выбора материалов и дизайна до анализа данных в реальном времени с сенсоров производственного оборудования. Однако реализация этого видения сталкивается с рядом проблем, включая отсутствие релевантных данных для обучения моделей и необходимость в точности и соответствии строгим отраслевым стандартам.
В научных исследованиях ИИ уже показывает обнадеживающие результаты. Например, система AlphaFold от Google DeepMind произвела революцию в предсказании структуры белков, что может ускорить разработку новых лекарств. Однако от научных прорывов до реальных продуктов путь еще долгий.
Материаловедение: большие надежды и реальность
Особенно большие надежды возлагаются на ИИ в области открытия новых материалов. Мир остро нуждается в лучших материалах для более дешевых и мощных батарей, солнечных элементов, новых типов катализаторов для более чистых промышленных процессов и практичных высокотемпературных сверхпроводников.
DeepMind заявила об открытии с помощью глубокого обучения около 2,2 миллиона неорганических кристаллов, включая около 380 000, предположительно стабильных и перспективных для синтеза.
Однако некоторые исследователи оспаривают эти заявления, указывая на недостаточность доказательств новизны, достоверности и полезности этих структур.
Уроки истории и перспективы
Джеймс Манйика, старший вице-президент по исследованиям, технологиям и обществу в Google, напоминает об уроках прошлого. Он ссылается на «парадокс Солоу» — наблюдение, сделанное экономистом Робертом Солоу в 1987 году, что эпоха компьютеров видна везде, кроме статистики продуктивности. Потребовались десятилетия, прежде чем информационные технологии начали оказывать заметное влияние на рост продуктивности.
Манйика считает, что потенциал ИИ для трансформации экономики огромен, но его реализация будет зависеть от скорости распространения технологии и способности бизнеса реорганизовать свои процессы для ее эффективного использования.
Несмотря на огромный потенциал ИИ, его влияние на экономическую продуктивность пока не очевидно. Для реализации этого потенциала потребуются значительные инвестиции в инфраструктуру, адаптация ИИ-моделей к конкретным отраслям и преодоление барьеров внедрения.
Остается открытым вопрос: смогут ли технологические гиганты, доминирующие в сфере ИИ, взять на себя ответственность за широкое применение технологии во благо всего общества, или они снова сосредоточатся на накоплении богатства, игнорируя возможности для трансформации важнейших секторов экономики?
