انقلاب اقتصادی هوش مصنوعی

«جهان‌صنعت»- «پل رابین کروگمن»، اقتصاددان برجسته آمریکایی از مکتب نئو-کینزین، در حال حاضر به‌عنوان استاد ممتاز اقتصاد در مرکز تحصیلات تکمیلی دانشگاه نیویورک فعالیت می‌کند. او بین سال‌های ۲۰۰۰ تا ۲۰۲۴ ستون‌نویس روزنامه «نیویورک تایمز» بود. در سال ۲۰۰۸ جایزه نوبل علوم اقتصادی به طور انحصاری به او تعلق گرفت؛ این جایزه به پاس نظریه‌های نوآورانه‌اش در حوزه تجارت نوین و جغرافیای اقتصادی جدید به وی اعطا شد. کمیته نوبل، پژوهش‌های او درباره الگوهای تجارت بین‌المللی و توزیع جغرافیایی فعالیت‌های اقتصادی را به‌دلیل تمرکز بر تاثیر صرفه‌جویی‌های ناشی از مقیاس و ترجیحات مصرف‌کنندگان برای کالاها و خدمات متنوع، شایسته تقدیر دانست.
اریک برینجولفسون نیز یکی دیگر از چهره‌های برجسته در این حوزه است؛ دانشگاهی، نویسنده و مخترع آمریکایی که در حال حاضر عنوان استاد «جری یانگ و آکیکو یامازاکی» و پژوهشگر ارشد دانشگاه استنفورد را برعهده دارد. او مدیر آزمایشگاه اقتصاد دیجیتال در موسسه هوش مصنوعی انسان‌محور استنفورد است و همزمان، در موسسه سیاست اقتصادی استنفورد (SIEPR)، دانشکده اقتصاد و دانشکده مدیریت بازرگانی این دانشگاه نیز فعالیت می‌کند. افزون بر این، برینجولفسون پژوهشگر وابسته در دفتر ملی پژوهش اقتصادی (NBER) و نویسنده چندین کتاب علمی در زمینه اقتصاد دیجیتال است. او طی سال‌های ۱۹۹۰ تا ۲۰۲۰ استاد موسسه فناوری ماساچوست (MIT) بود و بیش از هر چیز به‌خاطر پژوهش‌هایش درباره بهره‌وری فناوری اطلاعات، اقتصاد اطلاعات، اقتصاد هوش مصنوعی و اقتصاد دیجیتال شناخته می‌شود. «مارتین ولف»، روزنامه‌نگار و تحلیلگر اقتصادی، درباره او گفته است: «هیچ اقتصاددانی بیش از اریک برینجولفسون از MITتاثیرات انقلابی فناوری اطلاعات را ترویج نکرده است.»
در کنار همه تحولات دیگر، ما در حال تجربه گسترش فناوری انقلابی در جامعه هستیم که آن را
«هوش مصنوعی» می‌نامند، حتی اگر (هنوز؟) شباهت چندانی با تصویری که از آن در ذهن داشتیم، نداشته باشد. با این حال، در هنگام بررسی این انقلاب فناورانه و تاثیرات اقتصادی آن، با مانعی جدی روبه‌رو هستیم: اقتصاددانان معمولا دانش فنی کافی برای تحلیل درست این پدیده را ندارند و از سوی دیگر، فناوران نیز از درک عمیق مفاهیم اقتصادی بی‌بهره‌اند. هرچند این مساله، خود می‌تواند موضوع بحثی جداگانه در آینده باشد. بنابراین، می‌خواستم در مورد آنچه در حال رخ دادن است با یکی از معدود اقتصاددانانی که واقعا وقت گذاشته و فناوری اطلاعات را درک کرده است، صحبت کنم: «اریک برینجولفسون» از دانشگاه استنفورد. متن کامل گفت‌و‌گو در ادامه می‌آید.

پل کروگمن: سلام به همه. این جدیدترین گفت‌وگوی ویدئویی من است و حالا به موضوعی کاملا متفاوت می‌پردازیم. می‌خواستم تا حد زیادی از فضای سیاست و سیاستگذاری فعلی فاصله بگیرم و به یکی از بزرگ‌ترین مسائل، یعنی هوش مصنوعی و به طور کلی فناوری بپردازم. بنابراین، گفت‌وگویی با اریک برینجولفسون ضبط کردم. او از معدود اقتصاددانانی است که واقعا فناوری را دنبال کرده، نه‌فقط اینکه آن را در مدل‌هایشان بگنجانند (کاری که من انجام می‌دهم). اگر کنجکاوید، من در حال حاضر در اتاق هتلی در بلژیک هستم و مرتکب گناه بزرگ یک مصاحبه ویدئویی شده‌ام: داشتن تخت در پس‌زمینه! اما خب، اتاق هتل خیلی کوچک است. به هر حال، سلام اریک!

اریک برینجولفسون: سلام پل، خوشحالم که می‌بینمت.
پل کروگمن: مدتی بود که می‌خواستم با تو گفت‌وگو کنم. چند مانع در این مسیر بود اما اگر تمام اتفاقات دیگر در جهان رخ نمی‌داد، فناوری یکی از بزرگ‌ترین داستان‌ها می‌شد. قطعا اتفاقات جالبی در حال وقوع است. همان‌طور که گفتم، تو اقتصاددانی هستی که واقعا چیزی درباره فناوری می‌دانی که این کمبود دانش هم مانع از این نشده که برخی از همکاران ما نظرات محکمی داشته باشند! اما بگذار از تو بپرسم، چگونه به این مسیر رسیدی و تخصصت در این حوزه چگونه شکل گرفت؟
اریک برینجولفسون: حتما. پل، احتمالا این را به خاطر نداری اما وقتی که در مقطع کارشناسی بودم، تو برای یک سخنرانی مهمان به‌هاروارد آمدی. همان زمان بود که برای اولین‌بار تو را دیدم. آن زمان، من بین فناوری و اقتصاد مردد بودم و نمی‌دانستم کدام مسیر را انتخاب کنم. از من خواسته شد که در مدرسه توسعه‌یافته ‌هاروارد تدریس کنم و من و هم‌اتاقی‌ام، تاد لووفبورو، یک دوره درباره ساخت سیستم‌های خبره و دوره‌ای دیگر درباره کاربردهای هوش مصنوعی برگزار کردیم. ما یک شرکت به نام «Foundation Technologies» تاسیس کردیم که ادای احترامی بود به نویسنده محبوب علمی‌تخیلی‌مان، آیزاک آسیموف.
پل کروگمن: وای خدای من، من این را نمی‌دانستم!
اریک برینجولفسون: بله، ما آن زمان مشغول ساخت این سیستم‌ها بودیم. اما بعدا به این نتیجه رسیدم که برای درک عمیق‌تر به مدرک تحصیلات تکمیلی نیاز دارم، بنابراین تصمیم گرفتم به MIT بروم و امیدوار بودم بتوانم همزمان در حوزه هوش مصنوعی و اقتصاد کار کنم اما این کار خیلی عملی نبود و در نهایت مجبور شدم یکی را انتخاب کنم. مسیر اقتصاد را در پیش گرفتم اما همچنان علاقه‌مند به فناوری بودم. خوشبختانه باب سولو مرا تحت حمایت خود قرار داد. شاید به‌یاد داشته باشی که در دهه ۸۰ میلادی، معمایی اقتصادی مطرح شد. همان‌طور که باب سولو بیان کرد: «ما عصر رایانه را همه جا می‌بینیم، جز در آمارهای بهره‌وری!» من این را «پارادوکس بهره‌وری» نامیدم. بنابراین، پرسش اصلی این بود که این فناوری‌ها دقیقا چه تاثیری بر اقتصاد دارند؟ اولین مقاله مهم من هم درباره حل این معما بود.
پل کروگمن: خیلی عالی! راستی، شاید همه ندانند، اما رمان‌های بنیاد آیزاک آسیموف درباره دانشمندان ریاضی است که تمدن کهکشانی را نجات می‌دهند! وقتی بچه بودم، می‌خواستم یکی از آن افراد باشم! و این کاری است که در نهایت توانستم به آن نزدیک شوم اما بیایید برگردیم به پارادوکس بهره‌وری. اقتصاددانان، از جمله باب سولو که پایه‌گذار نظریه رشد اقتصادی در اقتصاد بود، همواره نقش بسیار مهمی برای پیشرفت فناوری قائل بوده‌اند.
اریک برینجولفسون: بله، چیزی که همه ما در دوره تحصیلات تکمیلی یاد گرفتیم این بود که باب سولو در دهه ۱۹۵۰ که بعدا به خاطر آن جایزه نوبل گرفت، نشان داد که دلیل اصلی بهبود استانداردهای زندگی، کار کردن بیشتر یا داشتن سرمایه بیشتر نیست، بلکه فناوری بهتر است. او فناوری را در مدل‌هایش به عنوان یک متغیر خارجی وارد کرد و نتیجه‌اش افزایش بهره‌وری و پیشرفت اقتصادی شد. از آن زمان تاکنون، بسیاری از افراد سعی کرده‌اند این مدل را با جزئیات بیشتری تکمیل کنند. یکی از موضوعات مرتبط با هوش مصنوعی، فناوری‌های عمومی
(General Purpose Technologies – GPTs) هستند. جالب است که اقتصاددانان این اصطلاح را قبلا برای فناوری‌هایی مانند موتور بخار، برق و هوش مصنوعی به کار می‌بردند اما متخصصان هوش مصنوعی آن را دزدیدند اما در نهایت، همین فناوری‌های عمومی هستند که باعث پیشرفت استانداردهای زندگی ما می‌شوند و دلیل تمرکز من بر این فناوری‌ها نیز همین است.
پل کروگمن: تو می‌گویی که باب سولو این موضوع را مطرح کرد، مطمئن نیستم اولین بار چه زمانی این حرف را زد، سال ۱۹۸۷؟
اریک برینجولفسون: بله، در سال ۱۹۸۷ در یک مقاله کوتاه در نیویورک ریویو آوبوکس.
پل کروگمن: بسیاری از جوانان امروز شاید ندانند که فناوری اطلاعات (IT) چقدر انقلابی به نظر می‌رسید. وقتی من دانشجوی تحصیلات تکمیلی بودم، استفاده از رایانه یعنی اینکه باید یک جعبه کارت پانچ را به مسوولان پشت دیوار شیشه‌ای در اتاق سرور تحویل می‌دادیم و یک ساعت صبر می‌کردیم تا یک پرینت بگیریم. اگر حتی یک خطا در پانچ کارت وجود داشت، تنها چیزی که دریافت می‌کردی انبوهی از کدهای هگزادسیمال بود و بعد، کامپیوترهای رومیزی آمدند که واقعا … .
اریک برینجولفسون: مجله تایم آن را ماشین سال معرفی کرد. فکر می‌کنم در سال ۱۹۸۲ بود چون همه ما تحت تاثیر این تحول بودیم.
پل کروگمن: بله، از نظر کار علمی، انقلاب واقعی اتفاق افتاد. ناگهان، می‌توانستی تمام کارهای آماری خود را انجام دهی، بدون نیاز به رفتن به مرکز کامپیوتر در ساعت سه صبح! اما این تغییرات در آمار بهره‌وری (Productivity) منعکس نمی‌شد. به نظرت چه اتفاقی برای پارادوکس بهره‌وری افتاد؟ من یک نظری دارم، می‌خواهم ببینم نظر تو با من مطابقت دارد یا نه.
اریک برینجولفسون: خب، این پارادوکس در دهه ۱۹۹۰ از بین رفت زیرا شاهد افزایش شدید بهره‌وری بودیم. نرخ بهره‌وری به ۳درصد در سال رسید که از نظر اقتصاددانان نرخ بسیار خوبی است. بخشی از این افزایش به خاطر اینترنت بود اما بخش بزرگ‌تری که کمتر مورد توجه قرار گرفته است، ورود سیستم‌های سازمانی بزرگ (Enterprise Systems) مانند ERP (برنامه‌ریزی منابع سازمانی)، مدیریت زنجیره تامین و مدیریت ارتباط با مشتری (CRM) بود که نحوه انجام تجارت را کاملا تغییر دادند. نکته کلیدی اینجاست که فناوری‌های عمومی (General Purpose Technologies) به تنهایی و در همان ابتدا تاثیر زیادی ندارند. اثر بزرگ آنها زمانی رخ می‌دهد که فرآیندهای کسب‌وکار تغییر کنند و شرکت‌ها روش‌های خود را بازنگری کنند. این تغییرات در مدل‌های کسب‌وکار، مهارت‌های نیروی کار و سازماندهی شرکت‌ها معمولا زمان می‌برد تا به بهره‌وری اقتصادی تبدیل شوند.
پل کروگمن: بله، این موضوع را یک مقاله کلاسیک مطرح می‌کند، احتمالا تو هم آن را می‌شناسی مقاله پل دیوید درباره دیناموی کامپیوتر که نشان می‌دهد چندین دهه طول کشید تا شرکت‌ها یاد بگیرند چگونه از برق استفاده کنند. در ابتدا، برق همه‌جا بود اما بهره‌وری تغییری نمی‌کرد، تا زمانی که کسب‌وکارها مدل خود را متناسب با آن تغییر دادند.
اریک برینجولفسون: درست است. در دهه ۱۸۸۰، شرکت‌ها شروع به نصب موتورهای الکتریکی کردند اما طبق بررسی‌هایی که پل دیوید انجام داده بود، هیچ افزایش قابل‌توجهی در بهره‌وری مشاهده نمی‌شد تا ۳۰ تا ۴۰ سال بعد. تغییر بزرگ- اگر بخواهم داستان را ساده کنم- این بود که در ابتدا آنها فقط موتور بخار را خارج کرده و یک موتور الکتریکی را جای آن قرار می‌دادند، بدون اینکه چیز دیگری را تغییر دهند! حدود یک نسل از مدیران طول کشید تا متوجه شوند که موتورهای الکتریکی می‌توانند در اندازه‌های کوچک، متوسط و بزرگ باشند و می‌توان آنها را براساس جریان مواد در کارخانه چیدمان کرد، به جای اینکه فقط یک موتور بزرگ در وسط کارخانه باشد. این تغییر در چیدمان کارخانه‌ها بود که منجر به خطوط مونتاژ و بهینه‌سازی جریان تولید شد و در نهایت، طبق یافته‌های پل دیوید، منجر به افزایش بهره‌وری سه‌رقمی (بیش از ۱۰۰درصد) شد اما نکته مهم این است که برق به تنهایی باعث این افزایش بهره‌وری نشد، بلکه ترکیب برق با فرآیندهای جدید کسب‌وکار بود که این جهش را ایجاد کرد.
پل کروگمن: بله، آن کارخانه‌های شش‌طبقه‌ای با راهروهای باریک و محورهای میل‌لنگ بالای سر کارگران جای خود را به کارخانه‌های مدرن و گسترده با راهروهای باز دادند. حدود سال ۱۹۹۷ یا ۱۹۹۸ همه ما می‌گفتیم: «ببین، پل دیوید درست می‌گفت.» فقط زمان و بلوغ لازم بود تا این جهش بزرگ در بهره‌وری اتفاق بیفتد؛ حداقل طبق آمار. من شخصا فکر می‌کردم که ما شاهد یک افزایش مداوم و پایدار در بهره‌وری خواهیم بود اما چنین نشد.
اریک برینجولفسون: بله، از سال ۲۰۰۵ به بعد بهره‌وری دوباره شروع به کاهش کرد و به 4/‏1درصد در سال رسید، یعنی تقریبا نصف آن چیزی که در دهه ۹۰ تجربه کرده بودیم. این اتفاق بسیار ناامیدکننده بود. در واقع، می‌توان گفت که ما اکنون شاهد یک پارادوکس دوم بهره‌وری هستیم. من همراه «چاد سِورسن» و «دنیل راک » مقاله‌ای با عنوان «پارادوکس بهره‌وری هوش مصنوعی» نوشتم که در آن به این موضوع پرداختیم که چرا این موج جدید فناوری، برخلاف انتظار، به بهره‌وری تبدیل نمی‌شود.
پل کروگمن: بله، در واقع ما یک دهه افزایش خوب بهره‌وری داشتیم که به نظر می‌رسد ناشی از فناوری اطلاعات (IT) بود اما فقط بین سال‌های ۱۹۹۵ تا ۲۰۰۵. ۲۰ سال است که -حداقل طبق آمار رسمی- دیگر شاهد چنین افزایش‌هایی نیستیم. در همین دوره آیفون معرفی شد، اینترنت پرسرعت (Broadband) گسترش یافت اما در آمار بهره‌وری بازتابی نداشت!
اریک برینجولفسون: بله، تو چندبار گفتی «حداقل در آمار» که فکر می‌کنم اشاره‌ای است به مساله سنجش بهره‌وری.
پل کروگمن: این مساله خیلی مهمی است.
اریک برینجولفسون: بله، همین‌طور است. همین حالا که صحبت می‌کنیم، اکثر مردم روزانه حدود 8‌ونیم ساعت را به تماشای صفحه نمایش‌ها می‌گذرانند از گوشی‌های هوشمند گرفته تا لپ‌تاپ و تلویزیون. مردم با زمان خود رأی می‌دهند و این نشان می‌دهد که محصولات دیجیتال بخش بزرگی از مصرف آنها شده‌اند، حتی بزرگ‌تر از مصرف کالاهای فیزیکی و خدمات سنتی. GDP یک اختراع شگفت‌انگیز است؛ «پل ساموئلسون» آن را یکی از بزرگ‌ترین اختراعات قرن بیستم نامید اما یک مشکل بزرگ دارد: چیزهایی را که قیمت صفر دارند، به‌خوبی اندازه‌گیری نمی‌کند. برای مثال، ارزش مصرف‌کننده از زوم (Zoom) ویکی‌پدیا (Wikipedia)، جست‌وجوی گوگل، یا حتی شبکه‌های اجتماعی مانند فیس‌بوک در آمار بهره‌وری محاسبه نمی‌شود! البته ممکن است برخی اثرات اقتصادی مانند افزایش مصرف برق یا درآمد تبلیغاتی در GDP دیده شود، اما بخش اصلی منفعت مصرف‌کننده از این فناوری‌ها در آمار گم شده است. اقتصاد ما به‌طور فزاینده‌ای مبتنی بر کالاها و خدمات دیجیتال شده و این یعنی در حال از دست دادن بخش بزرگ‌تری از واقعیت هستیم. تو به آیفون اشاره کردی. اکثر محتوایی که افراد روی آیفون مصرف می‌کنند رایگان است یا هزینه مستقیمی ندارد. بنابراین، این ارزش به‌طور کامل در آمار GDP نادیده گرفته می‌شود. فقط یک نکته فنی: بهره‌وری به‌صورت تولید ناخالص داخلی (GDP) تقسیم بر ساعات کار تعریف می‌شود. پس اگر GDP را اشتباه اندازه‌گیری کنیم، بهره‌وری هم اشتباه اندازه‌گیری خواهد شد.
پل کروگمن: من بارها در این مورد نظر خودم را تغییر داده‌ام. واضح است که ما شاهد یکسری منافع نامحسوس هستیم. تماشای ویدئوهای حیوانات بامزه در یوتیوب برای برخی لذت‌بخش است. برای من، تماشای اجرای زنده موسیقی لذت‌بخش است اما هیچ‌کدام از اینها در GDP منعکس نمی‌شود.
اریک برینجولفسون: درست است. ما اکنون بیشتر و بهتر از هر زمان دیگری در تاریخ موسیقی گوش می‌دهیم اما این در آمار رسمی نشان داده نمی‌شود.
پل کروگمن: اما یک سوال همیشگی این است: آیا این موضوع فقط مربوط به عصر دیجیتال است؟ زیرا در گذشته هم پیشرفت‌های عظیمی مانند بهبود سلامت عمومی در نیمه اول قرن بیستم اتفاق افتاد که ممکن است در GDP به‌درستی ثبت نشده باشد.
اریک برینجولفسون: قطعا. چاد استیونسون مقاله خوبی نوشت که در آن استدلال می‌کند بله، ما مشکل اندازه‌گیری داریم اما در گذشته هم این مشکل را داشتیم. بنابراین، شما واقعا باید یک اندازه‌گیری اشتباه را در مقابل اندازه‌گیری اشتباه دیگری مقایسه کنید که حتی انجام یکی از آنها سخت است، چه برسد به دوتا. این یکی از دلایلی است که چاد و من به همراه دنیل راک مقاله‌ای نوشتیم تا این موضوع را حل کنیم. فکر می‌کنم به این نتیجه رسیده‌ام که خطای اندازه‌گیری کل داستان نیست، یا شاید حتی بخش اصلی داستان هم نباشد. من واقعا معتقدم که این سازمان‌دهی مجدد یک بخش بسیار بزرگ از داستان است، یعنی بازآفرینی اقتصاد.
نوع بازآفرینی که برای عصر دیجیتال موردنیاز است، حداقل به بزرگی همان چیزی است که در عصر صنعتی شاهدش بودیم. با این حال، دوست دارم که ما در زمینه اندازه‌گیری نیز عملکرد بهتری داشته باشیم. تیم من در استنفورد، شاخص جدیدی برای اندازه‌گیری تولید ناخالص داخلی (GDP) یا بهتر بگویم، رفاه، ایجاد کرده است که به آن « GDP-B» می‌گوییم. این شاخص تلاش می‌کند منافع مصرف‌کنندگان را اندازه‌گیری کند. به این معنی که حتی اگر شما به عنوان مصرف‌کننده برای یک محصول هیچ پولی پرداخت نکنید، ممکن است همچنان منفعت زیادی از آن ببرید. اگر از این منظر به قضیه نگاه کنیم، انقلاب دیجیتال در حال ایجاد‌ هزاران ‌میلیارد دلار رفاه مصرف‌کننده است، حتی اگر بابت آن پولی پرداخت نکنیم. بنابراین، ما در حال پرداختن به این مساله اندازه‌گیری هستیم. یک مقاله در مورد آن همین ماه گذشته در American Economic Journal of Macroeconomics منتشر شد اما امیدوارم این چارچوب جدید« GDP-B» به تدریج در کنار GDP سنتی استفاده شود. هرچه اقتصاد دیجیتالی‌تر شود، ما نه‌تنها باید هزینه‌های خود را اندازه‌گیری کنیم، بلکه باید منافعی را که به دست می‌آوریم نیز در نظر بگیریم.
پل کروگمن: فکری تصادفی به ذهنم رسید. بسیاری از این مزایا، این مزایای اندازه‌گیری‌نشده، در سطحی، تجربه مصرف‌کننده را شامل می‌شوند. من الان در اروپا هستم. اروپایی‌ها خیلی ناراحت هستند که بهره‌وری در ایالات متحده طی ۲۵ سال گذشته از اروپا جلوتر افتاده است، حتی اگر بخش زیادی از این پیشرفت ناشی از تجربه مصرف‌کننده باشد. مردم اینجا دقیقا به همان اندازه‌ای که آمریکایی‌ها به اینترنت اعتیاد دارند، به تلفن‌های همراه خود چسبیده‌اند.
اریک برینجولفسون: در مقاله دیگری، ما یک مقایسه بین‌المللی انجام دادیم. ما ۱۲ کالای دیجیتال را انتخاب کردیم. ابتدا متعجب شدم، اما بعد منطقی به نظر رسید. آنچه دریافتیم این بود که کشورهای ثروتمند، سهم کمتری از رفاه کلی خود را از کالاهای دیجیتال دریافت می‌کنند نسبت به کشورهای فقیرتر یا با درآمد متوسط. به عنوان مثال، مکزیک و برزیل در واقع سهم بیشتری از رفاه کلی خود را از کالاهای دیجیتال دریافت می‌کنند. وقتی در موردش فکر کردم، منطقی به نظر رسید. اگر شما فقیر باشید، پول زیادی برای خاویار، رولز رویس یا حتی تلویزیون خرج نخواهید کرد. شما بیشتر روی چیزهایی که رایگان هستند تمرکز خواهید کرد. شما می‌توانید به همان اندازه که هر کس دیگری از چیزهای رایگان استفاده کند، استفاده کنید، به شرطی که یک گوشی هوشمند داشته باشید که اکثر مردم دارند. بنابراین، این امر به نسبت، سهم بیشتری از رفاه شما را تشکیل می‌دهد.
پل کروگمن: بله، در واقع اگر از دید یک فرد به این موضوع نگاه کنید، احتمالا بیل گیتس یا هر کس دیگری از چیزهای رایگان بیشتر یا کمتر از من لذت نمی‌برد.
اریک برینجولفسون: بله، دقیقا . یا حتی کمتر از یک فرد کارگر و این همان چیزی است که ما دریافتیم. ما هم در سطح کدپستی‌ها در ایالات متحده و هم بین کشورها این موضوع را بررسی کردیم. کالاهای دیجیتال تمایل دارند تا حدی نابرابری را کاهش دهند زیرا تقریبا برای همه در دسترس هستند. ما داده‌ای از فقیرترین کشورها نداشتیم، بنابراین مطمئن نیستم که این تاثیر تا پایین‌ترین سطح هم وجود داشته باشد. فرض می‌کنم اگر کسی حتی گوشی هوشمند هم نداشته باشد، این تاثیر برقرار نیست اما اگر حداقل به آن سطح پایه‌ای از اتصال به اینترنت رسیده باشید، کالاهای دیجیتال معمولا یک عامل تساوی‌بخش محسوب می‌شوند.
پل کروگمن: اسکات بسنت، وزیر خزانه‌داری، چند روز پیش گفت: «رویای آمریکایی داشتن یک تلویزیون صفحه‌تخت نیست.» اما شما دارید می‌گویید که تا حدی همین‌طور است، یا اینکه بخش زیادی از مزایای اقتصادی همین موضوع است.
اریک برینجولفسون: [با خنده] خب، بله و به همین دلیل دوست دارم که این شاخص «GDP-B» به‌صورت سیستماتیک دربیاید و هر فصل منتشر شود. آن وقت می‌توانیم با اطمینان بدانیم که چه اتفاقی در حال رخ دادن است. این کاملا ممکن است که با تغییر الگوهای مصرفی ما به سمت کالاهای دیجیتال، اعداد مربوط به نابرابری، بهره‌وری و رشد اقتصادی بسیار متفاوت به نظر برسند، اگر به جای پولی که خرج می‌کنیم، به رفاهی که دریافت می‌کنیم توجه کنیم.
پل کروگمن: خب، شما گفتید که فکر نمی‌کنید مساله اندازه‌گیری مهم‌ترین موضوع باشد اما این مساله تنها توضیح‌دهنده وضعیت نیست، درست است؟
اریک برینجولفسون: بله، دانستن این موضوع دشوار است، زیرا هیچ‌کس واقعا در گذشته هم کار خوبی در اندازه‌گیری مازاد مصرف‌کننده انجام نداده است، مثلا در مورد واکسن آبله یا چیزهایی که به‌وضوح بسیار مهم بودند، نه‌تنها در گذشته، بلکه امروز هم همینطور است. بنابراین مقایسه کردن اینها کمی دشوار است.
پل کروگمن: بله.
اریک برینجولفسون: من زمان زیادی را صرف صحبت با شرکت‌ها می‌کنم و در واقع، از دهه ۱۹۸۰ و اوایل دهه ۹۰، وقتی دانشجوی تحصیلات تکمیلی بودم، مدتی را صرف صحبت با مدیران ارشد می‌کردم. من می‌توانستم ببینم که چگونه تحولات کسب‌وکار در آن زمان و اکنون اتفاق می‌افتد و چقدر این موضوع مهم است. در مقاله پیگیری که من، چاد و دنیل نوشتیم، با عنوان منحنی J بهره‌وری، این موضوع را بررسی کردیم و دریافتیم که این سرمایه‌گذاری یک اثر به شکل منحنی J دارد.

پل کروگمن: یعنی ابتدا کاهش، نه افزایش؟
اریک برینجولفسون: دقیقا، زیرا آنچه اتفاق می‌افتد این است که در ابتدا شما باید نیروی کار خود را بازآموزی کنید، زمان زیادی را صرف آموزش کنید و کارمندان باید به‌طور مستقل مسیر خود را پیدا کنند. شما فرآیندهای جدید کسب‌وکار ایجاد می‌کنید، حتی محصولات و خدمات جدید، سازمان‌های جدید. بنابراین در ابتدا تلاش زیادی انجام می‌شود اما خروجی قابل اندازه‌گیری وجود ندارد. یعنی بهره‌وری کاهش می‌یابد: ورودی بیشتر، خروجی صفر. بعدها، شما شروع به بهره‌برداری از این دستاوردها می‌کنید.
پل کروگمن: برای بینندگان، قانون‌ مور چیست؟
اریک برینجولفسون: در ابتدا، این قانون بیان می‌کرد که هر ۱۸ماه قدرت پردازشی دو برابر می‌شود اما بعدا اصلاح شد و گفته شد که این زمان هر دو سال یکبار است. به طور کلی، این یک روند بهبود نمایی در قدرت محاسباتی است که حدود ۵۰ سال ادامه داشته است.
پل کروگمن: اگر یک تراشه هر دو سال یکبار قدرتش دو برابر شود، در عرض ۲۰ سال، این مقدار هزار برابر خواهد شد. این روند به طرز شگفت‌انگیزی پایدار بوده است.
اریک برینجولفسون: دقیقا. آن را «قانون» می‌نامند، اما بیشتر شبیه یک معماست زیرا هیچ قانونی در فیزیک وجود ندارد که بگوید این روند باید ادامه پیدا کند اما توانسته‌اند اندازه ترانزیستورها و مدارها را کوچک‌تر کنند و با این کار، پردازش سریع‌تر و کارآمدتر شده است. البته، ادامه این روند در همین مسیر دشوارتر شده است اما آنها در حال بهبود بخش‌های دیگر هستند. برای مثال، مدل‌های زبانی بزرگ و دیگر انواع شبکه‌های عصبی نیاز به انجام ضرب ماتریسی زیادی دارند. پردازنده‌های گرافیکی به طور خاص برای این کار بسیار مناسب هستند، بنابراین توانستند از این قابلیت بهره ببرند، حتی اگر خود مدارهای زیرساختی چندان کوچک‌تر نشوند. در عوض، طراحی آنها برای این نوع پردازش‌ها بهینه شده است.
پل کروگمن: بخش زیادی از این موارد برای من و احتمالا بسیاری از مردم دیگر همچنان یک راز است اما من حداقل می‌دانم ضرب ماتریسی چیست. شما دو ارائه بزرگ از اعداد دارید که باید اندازه‌های مناسبی داشته باشند و یک فرآیند مشخص برای ضرب آنها و تولید ارائه سومی وجود دارد. این موضوع شبیه به الگوریتم PageRank است، همان روشی که موتورهای جست‌وجوگر در ابتدا برای تعیین میزان اهمیت صفحات استفاده می‌کردند و شما می‌گویید که بخش زیادی از این پیشرفت‌ها به نوعی مرتبط با این فرآیند است.
اریک برینجولفسون: بله، یک نکته جالب تاریخی این است که پردازنده‌های گرافیکی در ابتدا برای پردازش تصاویر و نمایش آنها روی صفحه ‌نمایش استفاده می‌شدند که نیاز به انجام ضرب ماتریسی زیادی داشت. سپس افرادی مانند «اندرو اِنگ» متوجه شدند که می‌توان از این پردازنده‌ها برای شبکه‌های عصبی نیز استفاده کرد. فقط کافی بود کمی کد را تغییر دهند و ناگهان، آنها توانستند به قدرت پردازشی بسیار بیشتری دسترسی پیدا کنند. امروزه این پردازنده‌ها به‌طور خاص برای شبکه‌های عصبی طراحی شده‌اند اما در ابتدا از سخت‌افزارهای موجود استفاده مجدد می‌شد.
پل کروگمن: پس ما اکنون تراشه‌های بازطراحی ‌شده‌ای داریم که نوعی از قانون مور را دنبال می‌کنند، بنابراین پردازش داده‌ها همچنان ارزان‌تر می‌شود اما همچنین پردازش داده‌های تخصصی را هم داریم که برای این کارها بهینه شده‌اند اما آیا باید به این موضوع «هوش» بگوییم؟ یعنی، از یک نظر، این بحث دیگر تمام شده است و ما همین حالا هم آن را «هوش» می‌نامیم.
اریک برینجولفسون: این سؤال خوبی است. کمی جنبه معنایی دارد. فکر نمی‌کنم مرزی مشخص برای این موضوع وجود داشته باشد. چند سال پیش به استنفورد نقل مکان کردم. من عاشق کمبریج و MIT هستم و هوش فکری بالای آنجا را دوست دارم اما سیلیکون ولی دنیای متفاوتی است. در ابتدا در گروه اقتصاد بودم اما بعد به ساختمان علوم کامپیوتر، یعنی ساختمان گیتس منتقل شدم. آنجا، درست کنار من، کریس منینگ و بسیاری از بزرگان علوم کامپیوتر حضور دارند.
پس رفتم و از او پرسیدم: «آیا می‌توانم این را هوش بنامم؟ آیا می‌توانم این را درک واقعی بنامم؟» و او فکر می‌کرد که این کار اشکالی ندارد. این سیستم‌ها به‌طور کلی به سؤالات پاسخ می‌دهند، همان‌طور که یک فرد هوشمند پاسخ می‌دهد، گاهی کمی بهتر، گاهی کمی بدتر. یک بحث فلسفی در این مورد وجود دارد که آیا این درک واقعی است یا نه. اما وقتی صحبت از حل مسائل، پیش‌بینی مراحل بعدی در فرآیند علمی، فهمیدن اینکه چه کسی در یک داستان جنایی مرتکب قتل شده، حل یک معما، یا نوشتن مقاله‌ای منسجم درباره جنگ کریمه می‌شود، این مدل‌ها می‌توانند این کارها را انجام دهند. بنابراین، من مشکلی با نامیدن آن به عنوان «هوش» ندارم.
پل کروگمن: بله، من دوستانی دارم که می‌گویند این فقط نوعی تصحیح خودکار فوق‌العاده قوی است. من در هر دو طرف این بحث قرار دارم اما پاسخ من این است که بسیاری از شغل‌ها- حتی برخی از مشاغل سابقا پُردرآمد و با مهارت بالا- در واقع چیزی شبیه همین تصحیح خودکار فوق‌العاده قوی هستند.
اریک برینجولفسون: کاملا درست است. این نکته جالبی است. چند وقت پیش با دیمیس هسابیس، بنیانگذار گوگل دیپ‌مایند صحبت کردم. او چند ماه پیش برنده جایزه نوبل شد و تقریبا تمام عمرش را از نوجوانی صرف کار روی این موضوع کرده است. او گفت وقتی متوجه شد مدل‌های زبانی بزرگ (LLMs) چقدر خوب کار می‌کنند، کمی ناامید شد چون فکر می‌کرد رسیدن به سطح هوش انسانی باید سخت‌تر از این باشد اما بعد به این نتیجه رسید که «شاید بخش زیادی از کاری که ما انجام می‌دهیم همان تصحیح خودکار فوق‌العاده قوی است و همین هم می‌تواند تاثیر زیادی داشته باشد.»
از دیدگاه یک اقتصاددان، این همان چیزی است که من روی آن تمرکز می‌کنم. اگر بخواهید ببینید اقتصاد چگونه تغییر خواهد کرد، باید به این نکته توجه کنید که همین چیزی که اکنون در اختیار داریم، برای تاثیرگذاری بر ‌درصد زیادی- شاید نیمی- از مشاغل شناختی کافی است و آنچه در چند سال آینده خواهیم دید، فقط این نسبت را افزایش خواهد داد. پس از نظر تحول اقتصادی، ما همین حالا هم درگیر یک انقلاب اقتصادی هستیم. من اغلب از اصطلاح «هوش مصنوعی تحول‌آفرین» استفاده می‌کنم تا بر این موضوع تاکید کنم: بیایید ببینیم چه تغییراتی در کسب‌وکار و اقتصاد رخ می‌دهد و بحث درباره اینکه آیا این واقعا هوش‌مصنوعی عمومی (AGI) است یا چیز دیگری را به فیلسوفان بسپاریم اما در مورد اینکه این تغییرات اقتصاد را متحول می‌کند، هیچ شکی وجود ندارد.
پل کروگمن: درست است. به نظرم زمان زیادی نگذشته از زمانی که مردم می‌گفتند: «کدنویسی یاد بگیر تا درآمد داشته باشی» و حالا مشخص شده که مدل‌های هوش مصنوعی در کدنویسی هم بسیار خوب عمل می‌کنند، درست است؟
اریک برینجولفسون: بله، کاملا تصادفی بود که فهمیدند این مدل‌ها در برنامه‌نویسی فوق‌العاده خوب عمل می‌کنند. روش آموزش آنها این‌گونه بود که تمام این داده‌ها را از اینترنت جمع‌آوری کردند و آن را به مدل‌ها دادند و مشخص شد که مقدار زیادی کد در اینترنت وجود دارد. بنابراین این سیستم‌ها یاد گرفتند که کد را تکمیل و آن را درک کنند. برای انجام مؤثر این کار، باید نوعی از منطق برنامه‌نویسی را درک کرد. این شبکه‌های عصبی الگوهایی را پیدا کردند که باعث شد در برنامه‌نویسی بسیار خوب شوند. این یکی از بهترین کارهایی است که آنها انجام می‌دهند و این می‌تواند یک زنگ خطر برای مشاغل برنامه‌نویسی باشد.
یک پیچیدگی جالب دیگر این است که این سیستم‌ها از چه چیزی ساخته شده‌اند؟ از کد. بنابراین اکنون ما وارد مرحله‌ای شده‌ایم که بهبود خودکار بازگشتی (Recursive Self-Improvement) که ۵۰ سال پیش در داستان‌های علمی- ‌تخیلی درباره آن صحبت می‌شد، در حال رخ دادن است. این می‌تواند به چیزی مانند تکینگی (Singularity) منجر شود، جایی که این سیستم‌ها خود را بهبود می‌دهند و سپس با سرعت فزاینده‌ای خود را بهبود می‌بخشند. نمی‌دانم که آیا چنین انفجار سریعی رخ خواهد داد یا نه اما اگر با افراد فعال در شرکت‌های بزرگ هوش مصنوعی صحبت کنید، آنها اکنون به‌شدت از مدل‌های زبانی بزرگ (LLM) و ابزارهای کدنویسی برای تولید نسل بعدی مدل‌های هوش مصنوعی استفاده می‌کنند.
پل کروگمن: و بعد همه ما را نابود می‌کنند! (با خنده) نه، منظورم این است که یک دیدگاه بدبینانه وجود دارد که می‌گوید مدل‌های زبانی بزرگ کمی تمایل به خیال‌بافی دارند. اما نظر تو چیست؟
اریک برینجولفسون: بله، آنها توهم می‌زنند.
پل کروگمن: اگر خودتان این مدل‌ها را بررسی کنید، متوجه خواهید شد که آنها مقالات جالبی را به نام من نسبت می‌دهند که نه من و نه هیچ‌کس دیگری آنها را ننوشته است! این همان سناریوی غرق شدن در زباله‌های خودشان است، جایی که هرچه داده‌های بیشتری توسط این مدل‌ها تولید شود، در نهایت وارد یک حلقه بی‌پایان از تکرار زباله‌ها می‌شوند.
اریک برینجولفسون: درسته. اگر اکثر محتوای وب توسط این سیستم‌ها تولید شود، آیا می‌توانند از خودشان یاد بگیرند؟ این موضوع کمی فراتر از تخصص من است اما وقتی با توسعه‌دهندگان این سیستم‌ها صحبت می‌کنم، بسیاری از آنها به طرز شگفت‌آوری خوش‌بین هستند. آنها معتقدند که می‌توان از داده‌های مصنوعی (Synthetic Data) برای آموزش مدل‌ها استفاده کرد. برای مثال، می‌توان بازی‌های شطرنج یا گو جدیدی ایجاد کرد، یا حتی مقالات و کدهای مصنوعی نوشت و از آنها برای بهبود مدل‌ها استفاده کرد. در واقع کدنویسی یکی از حوزه‌هایی است که می‌توان داده‌های مصنوعی تولید و از آنها برای آموزش مدل‌ها استفاده کرد. به این صورت که مدل‌ها معماهایی طراحی می‌کنند، خودشان آنها را حل می‌کنند و از این طریق عملکردشان بهبود می‌یابد. اکنون آنها در حال پیشرفت در این زمینه هستند. باید ببینیم که داده‌های مصنوعی تا چه حد می‌توانند این روند را ادامه دهند اما این می‌تواند یکی از راه‌های گسترش ظرفیت مدل‌ها باشد زیرا تقریبا تمام داده‌های موجود در اینترنت قبلا برای آموزش آنها استفاده شده است. بنابراین باید منابع جدیدی از داده‌ها یا روش‌های بهبود پیدا شود و این همان چیزی است که آنها در حال کار روی آن هستند.
پل کروگمن: باشه. اما با اینکه همه اینها دیجیتال هستند و فقط بایت‌ها محسوب می‌شوند، مقدار زیادی انرژی (BTU) برای پردازش آنها مصرف می‌شود. میزان مصرف انرژی بیش از حد بالا رفته است. آیا راهی برای کاهش آن وجود دارد؟
اریک برینجولفسون: بله، فکر می‌کنم این یک نگرانی منطقی باشد. یکی از ساده‌ترین راه‌ها برای بهبود این سیستم‌ها این است که فقط آنها را بزرگ‌تر کنیم. البته ساده است اما آسان نیست. با این کار، براساس قوانین مقیاس‌پذیری (Scaling Laws)، انتظار می‌رود که عملکرد آنها به‌طور قابل پیش‌بینی بهبود یابد. به همین دلیل، شرکت‌هایی مانند OpenAI در حال ساخت دیتاسنترهای عظیم هستند، مثل Stargate که قرار است ۵۰۰‌میلیارد دلار هزینه داشته باشد. آنها بر این باورند که اگر این مدل‌ها را بسیار بزرگ‌تر کنیم، عملکردشان به همان نسبت بهتر خواهد شد اما البته، دیتاسنترهای عظیم، برق زیادی مصرف می‌کنند. بنابراین آنها نیروگاه‌های هسته‌ای را دوباره راه‌اندازی می‌کنند. برای مثال، سه مایل جزیره (Three Mile Island) دوباره فعال شده است. همچنین، راکتورهای هسته‌ای کوچک جدیدی در حال ساخت هستند. آنها سعی می‌کنند از انرژی خورشیدی بیشتر استفاده کنند اما در عین حال، نیروگاه‌های زغال‌سنگ و نفتی که احتمالا در شرایط عادی فعال نمی‌شدند، حالا به کار گرفته می‌شوند. این موضوع تاثیرات منفی زیست‌محیطی دارد اما برخی مانند «اریک اشمیت» می‌گویند: «بله، این هزینه‌بر است اما اگر بخواهیم چالش‌های زیست‌محیطی خود را حل کنیم، به هوش بیشتری نیاز داریم. در بلندمدت، افزایش هوش می‌تواند منجر به فناوری‌های بهتری برای انرژی خورشیدی و فرآیندهای صنعتی شود و این‌گونه می‌توان به مشکل انرژی غلبه کرد.» نکته دیگر این است که از وقتی مدل چینی DeepSeek چند ماه پیش معرفی شد، بسیاری متوجه شدند که می‌توان با مدل‌های بسیار کوچک‌تر نیز توانایی‌های خارق‌العاده‌ای به دست آورد. بنابراین حالا تمرکز بیشتری روی این موضوع است که آیا می‌توانیم به جای بزرگ‌تر کردن مدل‌ها، آنها را بهینه‌تر کنیم؟ واقعا نمی‌دانم که این مسیر چگونه پیش خواهد رفت. هیچ‌کس به‌طور قطع نمی‌داند اما آنها در حال کار بر روی چندین بعد مختلف از بهینه‌سازی هستند. در مجموع، همه امیدوارند که بتوانیم بدون افزایش چشمگیر مصرف انرژی، هوش بیشتری ایجاد کنیم.
پل کروگمن: DeepSeek براساس اطلاعات دست‌دوم به نظر می‌رسد اما از تمام داده‌های جهان استفاده نمی‌کند، درست است؟
اریک برینجولفسون: بله. این مدل بسیار، بسیار کوچک‌تر است یا در یک مقیاس کوچک‌تر قرار دارد و نکته جالب اینجاست که این اتفاق ناشی از یک پیشرفت بزرگ یا یک لحظه «آها!» نبود، بلکه حاصل مجموعه‌ای از تغییرات کوچک مهندسی بود. آنها با انجام یک تغییر ۳درصد بهبود یافتند، با تغییری دیگر ۸درصد و با تغییری دیگر یک‌درصد. انویدیا که قبلا هم به آن اشاره کردیم، یک پشته کامل از CUDA دارد، یعنی نرم‌افزاری که روی چیپ‌های انویدیا اجرا می‌شود و بیشتر افراد از آن استفاده می‌کنند. آنها عملا از تمام این زیرساخت عبور کرده و به سطح کدنویسی ماشین رفتند که کار بسیار دشوارتری است. این نوع کدنویسی دردسرهای زیادی دارد اما اگر انجام شود، می‌توان بهینه‌سازی‌های عظیمی به دست آورد. این نوع کار سختی است که آنها انجام دادند تا کارایی بیشتری به دست آورند و حالا همه متوجه شده‌اند که امکان ایجاد سیستم‌های هوش مصنوعی وجود دارد که بسیار، بسیار کوچک‌تر هستند، انرژی بسیار کمتری مصرف می‌کنند و همچنان تقریبا به همان اندازه عملکرد خوبی دارند.
پل کروگمن: اگر بتوانیم به این دستاورد برسیم، یک اتفاق بسیار امیدوارکننده خواهد بود زیرا در حال حاضر بار انرژی مصرفی بسیار ترسناک است.
اریک برینجولفسون: بله. خب، به عنوان یک اقتصاددان، پاسخ قطعی را نمی‌دانم اما در حال بررسی این موضوع هستیم که ارزش نهایی هوش چقدر است؟ اگر مرزهای مدل‌ها را گسترش دهیم و چند واحد معادل IQ به آنها اضافه کنیم، این چقدر ارزش دارد؟ شاید صاحب یک فروشگاه معمولی نیازی به این نداشته باشد که انیشتین بیاید و قفسه‌هایش را مرتب کند اما قطعا به یک سیستم نسبتا هوشمند نیاز دارد که این کار را انجام دهد. وقتی به آنچه در اقتصاد رخ می‌دهد فکر می‌کنم، متوجه می‌شوم که همه کسب‌وکارها نیازی به تیمی از انیشتین‌ها ندارند که از اتوبوس پیاده شوند و به آنها مشاوره بدهند اما قطعا می‌توانند از کمک افراد نسبتا باهوش بهره‌مند شوند.
شاید با گذر زمان این وضعیت تغییر کند. همچنین، یک مفهوم دیگر نیز وجود دارد: کشش هوش (Elasticity of Intelligence)، یعنی با کاهش شدید هزینه دسترسی به هوش بالا، مردم روش‌هایی برای استفاده حداکثری از آن پیدا خواهند کرد. ما در چند سال آینده با کاهش چشمگیر قیمت هوش، دوران بسیار جالبی را پیش رو خواهیم داشت.
پل کروگمن: می‌خواستم بگویم که ما اقتصاددان‌ها چیزی درباره کسب‌وکار نمی‌دانیم اما تو کمی هم در آن زمینه فعال هستی. با این حال، یک سوال بزرگ در اینجا وجود دارد: ما چیزی داریم که واقعا چشمگیر و نوآورانه است و بسیاری را با عملکرد فوق‌العاده‌اش شگفت‌زده کرده است. ارزشگذاری‌های شرکت‌های بزرگ تا حد زیادی بر این اساس انجام شده که این فناوری چقدر شگفت‌انگیز است اما یکی از درس‌هایی که از دوران رونق اینترنت گرفتیم، این بود که فناوری فوق‌العاده لزوما به معنای سودآوری فوق‌العاده نیست.
اریک برینجولفسون: درسته. بگذار هر دو بخش این موضوع را تاکید کنم. من واقعا فکر می‌کنم که این فناوری‌ها شگفت‌انگیز و تحول‌آفرین هستند و احتمالا تریلیون‌ها دلار ارزش ایجاد خواهند کرد اما اگر بازار به‌درستی عمل کند، بیشتر این ارزش نصیب مصرف‌کنندگان خواهد شد، نه تولیدکنندگان. بیل نوردهاوس تخمین زده بود که حدود ۹۵درصد از سود حاصل از نوآوری‌ها در نهایت به مصرف‌کنندگان می‌رسد، نه به افرادی که آن را ایجاد می‌کنند. بنابراین، هیچ تضمینی وجود ندارد که هرکسی که بهترین سیستم جدید را اختراع کند، بتواند به‌طور کامل از آن بهره‌مند شود. به نظرم اینترنت یک قیاس بدی نیست. ما از آن مزایای زیادی دیدیم اما شرکت‌هایی مانند Pets.com که یک شکست کامل بودند و شرکت‌هایی مثل آمازون که عملکردی فوق‌العاده داشتند، را هم تجربه کردیم. بسیاری از شرکت‌ها در این میان قرار داشتند. فکر می‌کنم این موج جدید از نظر منافع مصرف‌کننده و همچنین تعداد برندگان و بازندگان به‌مراتب بزرگ‌تر خواهد بود. افراد زیادی در حال شرط‌بندی هستند که شرکت آنها برنده این رقابت خواهد شد. اگر واقعا به این باور برسیم که این فناوری به‌اندازه‌ای تحول‌آفرین است که من و بسیاری دیگر معتقدیم، منطقی است که برخی از این شرکت‌ها ارزش تریلیون دلاری پیدا کنند اما قطعا همه آنها موفق نخواهند شد. حالا چطور می‌توان تشخیص داد که کدام‌یک از این شرکت‌ها در طرف برنده قرار می‌گیرند و کدام‌یک نه؟ خوب، این وظیفه بازار و سایرین است که در سال‌های آینده این را مشخص کنند.
پل کروگمن: بله، در دوران رونق اینترنت و دات‌کام، این ذهنیت رایج بود که سرمایه‌گذاران روی ۱۰ یا ۱۵ شرکت شرط می‌بندند، به این امید که هرکدام از آنها تبدیل به «مایکروسافت بعدی» شوند اما مسلما همه آنها نمی‌توانستند چنین جایگاهی را به دست آورند.
اریک برینجولفسون: بله. همه آنها موفق نشدند اما در عین حال، یادم می‌آید که در سالن اساتید نشسته بودم. آن زمان در مدرسه کسب‌وکار استنفورد مهمان بودم و آمازون یک شرکت کوچک بود که با Barnes & Noble رقابت می‌کرد. برخی از همکارانم می‌گفتند که مشخص است Barnes & Noble آمازون را شکست خواهد داد، حالا که متوجه شده‌اند چنین مدلی وجود دارد اما من در حال بحث درباره این موضوع بودم. گاهی شرکت‌های نوپا راهی برای تصاحب کل بازار پیدا می‌کنند و در نهایت، آمازون فقط به کتاب محدود نماند، بلکه بخش‌های بسیار بیشتری از بازار را تصاحب کرد. پس بله، ما اکنون در مرحله‌ای مشابه قرار داریم. حتی در همین لحظه که صحبت می‌کنیم، بازار سهام برای بسیاری از شرکت‌هایی که چند ماه پیش حباب قیمتی داشتند، در حال افت است. البته نمی‌گویم سقوط کرده اما قیمت‌های آنها به میزان قابل‌توجهی کاهش یافته است.
پل کروگمن: در دهه ۹۰، مردم می‌گفتند که هر شرکت نوپایی قرار است «مایکروسافت بعدی» شود اما واقعیت این است که بسیاری از شرکت‌هایی که اکنون ارزشگذاری‌های هنگفتی دارند، همین حالا هم در موقعیت‌های بازار تسلط دارند. بنابراین، در یک معنا، این بیشتر یک سرمایه‌گذاری تدافعی است. آنها در حال محافظت از موقعیت خود هستند که این الزاما به این معنا نیست که ارزشگذاری آنها باید افزایش یابد.
اریک برینجولفسون: بله، خب، افراد در مایکروسافت به من گفته‌اند- و فکر نمی‌کنم که این موضوع محرمانه باشد- که اگر هوش مصنوعی همان چیزی باشد که ادعا می‌شود، آنها از سرمایه‌گذاری خود بسیار خوشحال خواهند شد اما اگر این‌طور نباشد، ممکن است ده‌ها‌ میلیارد دلار از دست بدهند ولی این رقمی است که اگر لازم باشد، توانایی از دست دادن آن را دارند. با این حال، آنها نمی‌توانند اجازه دهند که از رقابت کنار گذاشته شوند. بنابراین وقتی به دو طرف این معادله نگاه می‌کنند، به این نتیجه می‌رسند که باید برای این سرمایه‌گذاری آماده باشند.
پل کروگمن: درست است اما این استدلال برای این است که آنها کار درستی انجام می‌دهند، نه اینکه افرادی که سهام آنها را با قیمت‌های بالا خریداری می‌کنند نیز کار درستی انجام می‌دهند. در مورد انویدیا، آنها واقعا به شکلی قدرتمند به‌عنوان یک بازیگر اصلی ظهور کرده‌اند، چیزی که قبلا این‌گونه نبود.
اریک برینجولفسون: بله، انویدیا چیپ‌ها و پردازنده‌های گرافیکی (GPU) را تامین می‌کند که بیشتر این سیستم‌ها را قدرت می‌بخشند. دیگران نیز روی این فناوری‌ها کار می‌کنند. CUDA، نرم‌افزاری که پردازنده‌های انویدیا را پشتیبانی می‌کند، همچنان استاندارد اصلی است که بسیاری از افراد از آن استفاده می‌کنند. آنها هنوز در این زمینه پیشتاز هستند اما برخی شرکت‌ها سعی دارند معماری‌های جایگزین توسعه دهند. گوگل هم چیپ‌های خودش را دارد که به آنها TPU واحد پردازش تنسور می‌گوید اما در حال حاضر انویدیا در حال سود بردن از تقاضای گسترده برای چیپ‌هایش است زیرا همه تلاش می‌کنند سیستم‌های بزرگ‌تر، بهتر و قدرتمندتری بسازند.
پل کروگمن: بله، در زمان هجوم طلا به کالیفرنیا، کسانی که بیشترین پول را درآوردند، معدنچیان طلا نبودند، بلکه افرادی بودند که کلنگ، بیل و شلوار جین به آنها می‌فروختند و انویدیا هم تقریبا در چنین موقعیتی قرار دارد.
اریک برینجولفسون: بله، دقیقا همین‌طور است. در نهایت، تمام این پولی که به انویدیا پرداخت می‌شود، باید از جایی تامین شود. بنابراین شرکت‌هایی که در حال انجام این سرمایه‌گذاری‌ها هستند، شرط بسته‌اند که مشتریان و مصرف‌کنندگان در آینده مبلغی چند برابر این هزینه‌ها را به آنها پرداخت خواهند کرد تا این سرمایه‌گذاری‌ها توجیه اقتصادی پیدا کند.
پل کروگمن: پس در مورد شرط‌بندی‌ با باب گوردون چه احساسی داری؟
اریک برینجولفسون: احساس خوبی دارم. در حال حاضر، تقریبا برابر هستیم. شاید کمی جلوتر باشم. اما همیشه فکر می‌کردم که این اتفاق در نیمه دوم این دهه بیشتر خودش را نشان می‌دهد. پس از عبور از همه چالش‌هایی مثل پاندمی و سایر بحران‌ها، به لحاظ ثبات کلی، عملکرد بدی نداشتیم. در واقع، از لحاظ بهره‌وری، تقریبا مطابق با روند پیش‌بینی‌شده پیش رفتیم، یا حتی کمی بالاتر از آن هستیم. در چند سال گذشته، با وجود اختلالات بزرگ، وضعیت را به‌خوبی مدیریت کرده‌ایم. الان وقتی به شرکت‌ها سر می‌زنم، می‌بینم که در حال پیاده‌سازی سیستم‌های هوش مصنوعی برای برنامه‌نویسی، مراکز تماس و بسیاری موارد دیگر هستند و در برخی از این حوزه‌ها بهره‌وری آنها ۲۰درصد، ۳۰‌درصد و حتی ۵۰‌درصد افزایش یافته است. با گسترش این فناوری‌ها در کل اقتصاد، ما شاهد رشد بهره‌وری در مقیاس چنددهم درصد، نیم‌درصد یا حتی یک‌درصد کامل خواهیم بود و این بیش از اندازه‌ای است که من برای برنده شدن این شرط‌بندی نیاز دارم.
پل کروگمن: پاندمی و تمام مسائلی که به دنبال آن رخ داد، شرایط را سخت‌تر کرده است. حجم زیادی از ابهام و آشفتگی در فضا وجود دارد.
اریک برینجولفسون: اگر فقط به جنبه فناوری نگاه کنیم، مسائل زیادی در جریان است. البته، ژئوپلیتیک، سیاست‌های کلان اقتصادی عجیب‌وغریب و بسیاری از عوامل دیگر نیز وجود دارند که می‌توانند معادلات را تغییر دهند اما اگر فقط به پیش‌بینی‌های اصلی توجه کنیم، من نسبت به بهره‌وری و رشد اقتصادی خوش‌بین هستم.
پل کروگمن: در اواسط دهه ۹۰، بسیاری از افراد می‌گفتند: «فکر می‌کنیم که فناوری اطلاعات (IT) قرار است یک انقلاب بهره‌وری ایجاد کند و ما همین حالا هم شاهد این تغییر هستیم» اما من وقتی به داده‌های سخت نگاه می‌کردم، می‌گفتم: «چیزی نمی‌بینم. واقعا شک دارم.» کاملا در اشتباه بودم، تاریخ به من نشان می‌دهد که احتمالا تو درست می‌گویی و البته، امیدوارم که حق با تو باشد.
اریک برینجولفسون: بله، این بار خوش‌بین‌تر هستم. آن زمان، بعد از اینکه مقاله «پارادوکس بهره‌وری در فناوری اطلاعات» را نوشتم و سپس داده‌هایی از ۵۰۰شرکت مختلف جمع‌آوری کردم، برخی پیشرفت‌ها را مشاهده کردم. به همین دلیل، مقاله‌ای با عنوان «پارادوکس از بین رفت» را نوشتم که اساسا نشان می‌داد روند در حال تغییر است. این مقاله را در سال ۱۹۹۵ منتشر کردم. همان‌طور که انتظار می‌رفت، این تغییرات گسترش پیدا کردند اما فکر می‌کنم هوش مصنوعی حتی از تمام فناوری‌هایی که تاکنون دیده‌ایم، بزرگ‌تر است. همان‌طور که اندی مک‌آفی و من در کتاب «عصر دوم ماشین‌ها» نوشتیم، اکنون ما فقط عضلات خود را تقویت نمی‌کنیم، بلکه در حال افزایش توانایی‌های ذهنی خود نیز هستیم و این یک رویداد عظیم در تاریخ است. می‌خواستم بگویم «در تاریخ بشر» اما این اتفاق در واقع تاریخ به‌طور کلی را متحول می‌کند.
پل کروگمن: تقریبا دیگر بی‌مصرف شده‌ایم!
اریک برینجولفسون: خب، برای برخی کارها بله و به همین دلیل فکر می‌کنم یک چالش واقعی وجود دارد که اقتصاددانان باید به آن بپردازند. این همان چیزی است که این روزها بر روی آن تمرکز کرده‌ام: چگونه باید اقتصاد را برای دنیایی بازطراحی کنیم که در آن، ماشین‌ها نه‌تنها بیشتر کارهای فیزیکی را انجام می‌دهند، بلکه هر روز بخش بیشتری از وظایف شناختی را نیز برعهده می‌گیرند؟ چگونه باید سیستمی ایجاد کنیم که نه‌تنها موجب رفاه شود، بلکه این رفاه به‌طور عادلانه توزیع شود؟ اکثر مردم درآمد اصلی خود را از کار کردن به دست می‌آورند اما اگر ماشین‌ها بتوانند این کارها را انجام دهند، باید به روش‌های جدیدی برای توزیع این مزایا فکر کنیم. اگر دست به کار نشویم، سناریوی پیش‌فرض این خواهد بود که مزایا بیشتر و بیشتر در دستان عده‌ای معدود متمرکز شود و ثروت و قدرت در اختیار افراد کمتری قرار بگیرد اما اگر نخواهیم این اتفاق بیفتد، باید فعالانه سیستم اقتصادی خود را بازآفرینی کنیم تا اطمینان حاصل شود که مزایای این پیشرفت‌ها به‌طور گسترده توزیع شوند.
پل کروگمن: فکر می‌کنم این نقطه مناسبی برای پایان دادن به بحث باشد. امیدوارم که آن حکمتی که تو به آن امید داری، واقعا تحقق پیدا کند. البته، من روی این شرط می‌بندم که چنین اتفاقی رخ ندهد!
اریک برینجولفسون: خب، ما هر کاری که بتوانیم انجام خواهیم داد. امیدوارم که فقط تماشاگر این تغییرات نباشیم، بلکه برای شکل ‌دادن به آینده‌ای بهتر نیز تلاش کنیم. ممنون که این فرصت را به من دادی تا با تو صحبت کنم. امیدوارم که شنوندگانت و همه ما برای ساختن آینده‌ای بهتر تلاش کنیم.
پل کروگمن: ممنون، گفت‌وگوی لذت‌بخشی بود.
اریک برینجولفسون: باعث افتخارم بود.