ИЗОБРАЖЕНИЕ: ARUN SANKAR/AFP VIA GETTY IMAGES
Искусственный интеллект (ИИ) стремительно развивается, и в последние годы темпы прогресса ускорились. ChatGPT, выпущенный в ноябре 2022 года, удивил пользователей тем, что писал тексты и код, как человек, безупречно выполнял переводы, создавал креативный контент и информативно отвечал на вопросы, все это на ранее невиданном уровне.
Тем не менее базовые модели, лежащие в основе генеративного ИИ, быстро развиваются уже более десяти лет. За последнее десятилетие объем вычислительных ресурсов (или, коротко, вычислений), используемых для обучения самых передовых систем ИИ, удваивался каждые полгода. То, на что способны ведущие современные модели генеративного ИИ, всего несколько лет назад было немыслимо: они могут обеспечить значительный прирост производительности для ведущих мировых консультантов, программистов и даже экономистов (Korinek, готовится к публикации).
Гипотеза об ускорении ИИ
На фоне последних достижений в области искусственного интеллекта ведущие исследователи выступили с прогнозом, что в ближайшие годы темпы текущего прогресса могут не только сохраниться, но даже ускориться. В мае 2023 года специалист в области компьютерных наук Джеффри Хинтон, заложивший теоретические основы глубокого обучения, описал значительные изменения в своей точке зрения: «Я внезапно изменил свои взгляды на то, будут ли эти существа умнее нас». Он предположил, что общий искусственный интеллект (ОИИ) — ИИ, который обладает способностью понимать, обучаться и выполнять любую интеллектуальную задачу, которую может выполнить человек, — может быть создан в течение 5–20 лет.
Некоторые исследователи ИИ настроены скептически. Эти расхождения в точках зрения отражают огромную неопределенность в отношении темпов прогресса в будущем и того, ускоряется ли прогресс или в итоге его скорость может выровняться. Кроме того, мы сталкиваемся со значительной неопределенностью в отношении более широких экономических последствий достижений в области ИИ и предполагаемого соотношения пользы и вреда от все более сложных вариантов применения ИИ.
На фундаментальном уровне неопределенность также связана с глубокими вопросами о природе интеллекта и возможностях человеческого мозга. На рисунке 1 показаны две конкурирующие точки зрения на распределение сложности рабочих задач, которые может выполнять человеческий мозг.
На панели 1 иллюстрируется одна точка зрения, что возможности человеческого мозга в решении все более сложных задач безграничны. Это согласуется с нашим экономическим опытом со времен промышленной революции: по мере расширения границ автоматизации, люди автоматизировали простые задачи (как механические, так и когнитивные) и перераспределяли работников для выполнения большего количества оставшихся более сложных задач, то есть они переместились в правую часть распределения сложности, проиллюстрированного на графике. Простая экстраполяция позволяет предположить, что этот процесс будет продолжаться по мере развития ИИ и автоматизации растущего числа когнитивных задач.
Другая точка зрения, проиллюстрированная на панели 2 рисунка 1, заключается в том, что существует верхняя граница сложности задач, которые способен выполнить человеческий мозг. Согласно теория информации, человеческий мозг является вычислительной сущностью, постоянно обрабатывающей множество данных. Входные данные, поступающие в мозг, включают в себя сенсорное восприятие, в том числе зрительные образы, звуки и тактильные ощущения, а результаты его работы проявляются в виде физических действий, мыслей и эмоциональных реакций. Даже сложные аспекты, которые делают нас людьми, такие как эмоции, творчество и интуиция, можно рассматривать как результаты вычислительных процессов, возникающие вследствие сложных взаимодействий нейронных цепей и биохимических реакций. Несмотря на то, что эти процессы очень сложны и включают в себя сложные хитросплетения, которые мы не до конца понимаем, эта точка зрения предполагает, что существует определенный верхний предел сложности задач, которые способен выполнить человеческий мозг.
Эти две точки зрения приводят к совершенно разным выводам в отношении потенциальных масштабов будущей автоматизации. По состоянию на 2023 год человеческий мозг является самым передовым вычислительным устройством, когда речь идет о способности полноценно выполнять широкий спектр интеллектуальных задач. Однако если вторая точка зрения окажется верной, современные системы ИИ быстро нас догонят. По факту, многие показатели вычислительной сложности передовых базовых моделей уже близки к показателям человеческого мозга. Вычислительная сложность человеческого мозга ограничена биологией, а способность мозга передавать информацию другим разумным существам (людям или ИИ) ограничена медленной скоростью передачи информации с помощью наших чувств и языка. Тем не менее системы ИИ продолжают быстро развиваться и могут обмениваться информацией со значительно более высокой скоростью.
Подготовка к нескольким сценариям
Экономисты давно заметили, что оптимальным способом борьбы с неопределенностью является использование портфельного подхода. Учитывая разительные различия во взглядах всемирно признанных экспертов на дальнейший прогресс в области ИИ, было бы неразумно ставить все на одну карту и строить экономические планы для единственного сценария. Вместо этого неопределенность в отношении будущего должна мотивировать нас хеджировать наши ставки и проводить тщательный анализ ряда различных сценариев, которые могут материализоваться, от работы в привычном режиме до возможности появления ОИИ. Помимо того, что сценарное планирование учитывает преобладающий уровень неопределенности, оно позволяет реально ощутить потенциальные возможности и риски, а также помогает нам разработать планы действий в чрезвычайных ситуациях и подготовиться ко множеству возможных исходов.
Ниже приведены три технологических сценария, охватывающих широкий спектр возможных результатов, на которые следует обратить внимание разработчикам экономической политики.
Сценарий I (консервативный, работа в обычном режиме). Достижения в области искусственного интеллекта повышают производительность и автоматизируют ряд когнитивных рабочих задач, но они также создают новые возможности для затронутых переменами работников перейти на новую работу, которая в среднем более продуктивна, чем та, которой они лишились. Эта точка зрения представлена на панели 1 рисунка 1.
Сценарий II (прогрессивный, ОИИ через 20 лет). В течение следующих 20 лет ИИ постепенно разовьется до уровня ОИИ, в результате чего к концу периода он становится способным выполнять все рабочие задачи человека, обесценивая труд (Susskind, готовится к публикации). Это соответствовало бы точке зрения об ограниченности способностей мозга, проиллюстрированной на панели 2 рисунка 1, а также предположению о том, что потребуется 20 лет, чтобы самые сложные когнитивные задачи стали доступны для ИИ.
Сценарий III (агрессивный, ОИИ через пять лет). Этот сценарий повторяет сценарий II, но в более сжатые сроки, так что ОИИ со всеми вытекающими последствиями для трудовых ресурсов появится в течение пяти лет.
Хотя я крайне не уверен в этом, по моим оценкам, на момент написания данной статьи каждый из этих сценариев имеет вероятность реализации более 10 процентов. На мой взгляд, для того чтобы учесть неопределенность и надлежащим образом подготовиться к будущему, директивным органам следует серьезно отнестись к каждому из этих сценариев, провести стресс-тестирование на предмет того, как наши основы экономической и финансовой политики будут работать в каждом сценарии, и, при необходимости, реформировать их, чтобы обеспечить их надлежащее качество.
Эти три сценария могут привести к заметно различающимся экономическим результатам по широкому спектру показателей, включая экономический рост, заработную плату и доходность капитала, устойчивость налогово-бюджетной сферы, неравенство и политическую стабильность. Более того, они указывают на необходимость реформирования наших систем социальной защиты и налогообложения и влияют на проведение денежно-кредитной политики, финансовое регулирование, а также промышленные стратегии и стратегии развития.
В работе Korinek and Suh (2023) представлен анализ последствий описанных сценариев для объема производства и заработной платы в рамках основной макроэкономической модели автоматизации. Результаты для всех трех сценариев проиллюстрированы на рисунке 2, на котором траектория объема производства для каждого сценария показана в левой части, а траектория конкурентной рыночной заработной платы — в правой части.
Можно выделить три основных вывода.
Во-первых, в то время как рост продолжается по траектории, к которой мы привыкли в последние десятилетия, в консервативном сценарии «работы в обычном режиме», рост объема производства в двух сценариях ОИИ происходит гораздо быстрее, поскольку нехватка рабочей силы больше не является сдерживающим фактором для объема производства.
Во-вторых, заработная плата изначально будет расти во всех трех сценариях, но только до тех пор, пока имеется дефицит рабочей силы. Она резко падает, когда экономика приближается к появлению ОИИ.
В-третьих, увеличение объема производства и падение заработной платы в обоих сценариях ОИИ обусловлены одним и тем же фактором: замещением дефицитной рабочей силы сравнительно более распространенными машинами. Это говорит о том, что должна быть возможность создать институты, которые компенсируют работникам потерю их доходов и гарантируют, что выгоды от ОИИ приведут к всеобщему процветанию.
На рисунке 2 показаны общие контуры того, как беспрецедентные технологические изменения могут повлиять на макроэкономику, но его лучше рассматривать как иллюстрацию возможностей, а не как точный прогноз. Существует длинный список оговорок. Во-первых, модель, лежащая в основе графика, создана в условиях эффективной экономики, в которой трудовые ресурсы получают конкурентный доход. Целый ряд факторов может сделать внедрение ОИИ более медленным по сравнению с технологически возможным, от организационных трений, правил и ограничений на накопление капитала, таких как узкие места в цепочке поставок чипов, до общественного выбора в отношении внедрения ОИИ. Даже в тех случаях, когда технологически возможно заменить работников, общество может предпочесть оставить определенные роли за людьми, например, священников, судей или законодателей. Возникающие в результате этого «ностальгические» рабочие места могли бы поддерживать спрос на человеческий труд в течение неограниченного времени (Korinek and Juelfs, готовится к публикации).
Чтобы определить, какому сценарию развития ИИ больше всего соответствует будущее по мере развития событий, директивным органам следует отслеживать опережающие индикаторы во многих областях, помня о том, что все усилия по прогнозированию темпов прогресса сталкиваются с огромной неопределенностью. К полезным индикаторам относятся технологические показатели, уровни инвестиций, направляемых в развитие ИИ, внедрение технологий ИИ в экономике и, как следствие, макроэкономические тенденции и тенденции на рынке труда. Технологические показатели являются наиболее точной оценкой того, насколько хорошо системы ИИ выполняют широкий спектр трудовых задач. Уровни инвестиций, таких как инвестиции в научно-исследовательские и опытно-конструкторские разработки, специалистов и компьютерные чипы, показывают, сколько наших ресурсов направляется на разработку ИИ. Показатели роста внедрения ИИ во всех секторах экономики будут отражать, насколько полезны полученные системы на практике. Наконец, макроэкономические последствия в итоге станут заметны в статистике производительности и тенденциях на рынке труда.
Отслеживание этих взаимодополняющих сигналов позволяет директивным органам адаптировать ответные меры политики к реалиям, связанным с ИИ, по мере их проявления. Однако мы не должны завышать свои ожидания — будущее, скорее всего, удивит нас.
Резкое различие экономических траекторий, вытекающих из трех описанных выше сценариев, подчеркивает важность разработки адаптивных основ политики, которые могут быстро подстраиваться по мере наступления будущего. Директивные органы должны проводить стресс-тестирование существующих институтов на соответствие каждому сценарию и при необходимости реформировать их, чтобы обеспечить их устойчивость. Сюда можно включить постепенные шаги, такие как реформирование систем налогообложения и расширение систем социальной защиты, или новые программы, такие как введение небольших базовых доходов, которые при необходимости могут быть увеличены.
Директивным органам следует поручить группам экспертов циклическое планирование сценариев, чтобы помочь им регулярно пересматривать свои взгляды на то, как меняются вероятности реализации различных сценариев. Преодоление неопределенности с помощью адаптируемого подхода, основанного на сценариях, позволит нам извлечь максимальные выгоды и снизить риски в экономической сфере от дальнейшего развития ИИ.
АНТОН КОРИНЕК – профессор кафедры экономики и Дарденской школы бизнеса Университета Вирджинии. Он является ведущим специалистом по экономике ИИ в Центре управления ИИ, научным сотрудником Национального бюро экономических исследований и научным сотрудником Центра исследований экономической политики.
Korinek, Anton. Forthcoming. “Generative AI for Economic Research: Use Cases and Implications for Economists.” Journal of Economic Literature.
Korinek, Anton, and Megan Juelfs. Forthcoming. “Preparing for the (Non-existent?) Future of Work.” Oxford Handbook of AI Governance. Oxford, UK: Oxford University Press.
Korinek, Anton, and Donghyun Suh. 2023. “Scenarios for the Transition to AGI.” University of Virginia working paper, Charlottesville, VA.
Susskind, Daniel. Forthcoming. “Technological Unemployment.” Oxford Handbook of AI Governance. Oxford, UK: Oxford University Press.
© 2026 International Monetary Fund. All rights reserved.
