Поведенческая экономика
Для обучения в аспирантуре Муллайнатан поступил на программу по информатике в Массачусетский технологический институт, но решил отсрочить начало обучения на год. Он хотел попробовать поступить в аспирантуру по экономике Гарвардского университета. В итоге он проучился там следующие пять лет, закончив обучение в 1998 году.
В научной сфере принято считать, что если публикация процитирована другими учеными 1000 раз, то она влиятельна. В поисковой системе Google Scholar Муллайнатан числится как автор более десятка работ, которые цитируют многократно чаще. Его работы процитированы почти 100 000 раз, что близко к показателю цитируемости лауреата Нобелевской премии по экономике Эстер Дюфло. Муллайнатан занимал академические должности в Гарварде, Чикагском университете и МТИ.
Для человека, одержимого математикой и информатикой, поведенческая экономика может показаться необычным предметом для изучения. Однако, как говорит Муллайнатан, во время учебы в аспирантуре он пришел к выводу, что экономисту необходимо научиться разбираться в психологии человека.
«Как мы, экономисты, можем учесть все странности, причуды, слабости, многообразие и непостижимость человеческой натуры, чтобы в конечном счете разобраться в экономике? — спрашивал он. — Мы должны признать, что люди чрезвычайно сложны во многих непостижимых для понимания проявлениях».
Муллайнатан посвятил свою карьеру глубокому изучению сложностей человеческого поведения, и это иногда приводило к неожиданным результатам. Долгое время было принято считать, что корпорации разрабатывают пакеты для вознаграждения генеральных директоров, чтобы повысить стоимость компании. Но в 2001 году Муллайнатан и Марианна Бертран, его коллега из Чикагского университета, с которой они часто работают вместе, доказали, что «оплата генеральных директоров в значительной мере связана с удачным стечением обстоятельств», например, с динамикой цен на нефть.
Позднее, в ходе эксперимента, Бертран и Муллайнатан рассылали фиктивные резюме в ответ на объявления о найме на работу в Чикаго и Бостоне, произвольно присваивая фамилии своим соискателям, которые бы звучали как имена белых и афроамериканцев. Они обнаружили, что претендентам, имена которых воспринимались на слух как имена белых, потенциальные работодатели перезванивали на 50 процентов чаще. Выводы своего исследования они опубликовали в работе 2004 года под заголовком «Имеют ли Эмили и Грег больше шансов получить работу, чем Лакиша и Джамал?».
Муллайнатан и психолог из Принстонского университета Эльдар Шафир в течение почти десяти лет проводили эксперименты в области психологии и экономики дефицита, будь то время, деньги, еда или другие ресурсы. Результатом их исследований стала книга Scarcity: The New Science of Having Less and How It Defines Our Lives, опубликованная в 2013 году.
По сей день авторы выступают с лекциями, рассказывая об этой книге, говорит Шафир. Ученые обнаружили, что дефицит кардинальным образом влияет на деятельность мозга, делая людей одержимыми тем, в чем испытывают недостаток. Это истощает когнитивные способности, не давая возможности человеку действовать в полную силу, в результате чего, как утверждают авторы, люди попадают в замкнутый круг дефицита.
Завершив работу над книгой 13 лет назад, Муллайнатан нашел время, чтобы выбрать следующий предмет для изучения.
Внимание на ИИ
«В один прекрасный вторник я проснулся и понял, что мне нечем заняться», — говорит он. Тогда он решил выбрать нетрадиционное направление для исследования.
«Я стараюсь выбирать темы, которыми мало кто интересуется, — говорит он. — Я руководствуюсь принципом, что если выбираешь темы, которыми занимаются многие другие, то больших результатов не добьешься, потому что в нашей профессии и так много умных людей».
По мнению его коллеги по науке и бывшего студента экономиста Стенфордского университета Яна Шписса, это делает подход Муллайнатана уникальным. «Каждые несколько лет он пытается со стороны взглянуть на свою работу и переосмыслить ее», — говорит Шписс. По его словам, отчасти поэтому Муллайнатан является «одним из умнейших и наиболее инновационных экономистов нашего времени».
По словам Муллайнатана, в 2012 году, кроме специалистов в области информатики, мало кто живо интересовался ИИ. «Эта тема ни у кого не была в приоритете, — говорит он. — Я хотел взяться за направление, которое бы действительно переломило тенденцию».
Муллайнатан начал применять машинное обучение — тип ИИ, который использует алгоритмы, разработанные для обучения на основе данных, — чтобы изучать принимаемые человеком решения. В 2017 году он совместно с четырьмя коллегами опубликовал статью, в которой рассматривался вопрос о том, может ли машинное обучение повысить качество принимаемых судьями решений об освобождении ответчика под залог или о помещении его в следственный изолятор. Они использовали алгоритм, позволяющий оценить риск того, что ответчик скроется от правосудия или совершит еще одно преступление. Алгоритм применили к базе данных, содержащей информацию о более чем 700 000 человек, арестованных в период с 2008 по 2013 годы в Нью-Йорке.
Ученые обнаружили, что судьи раз за разом принимали неверное решение, нередко отпуская под залог ответчиков, которым алгоритм присваивал высокую степень риска. «Судьям свойственно совершать ошибку азартного игрока», — говорит один из ученых Йенс Людвиг из Чикагского университета. Подобно игроку в рулетку, который ожидает, что шарик, выпавший четыре раза на красный цвет, на пятый раз выпадет на черный, судьи, рассматривающие дела четырех ответчиков с высоким риском, скорее, отпустят пятого ответчика под залог, независимо от объективных факторов риска.
Согласно оценкам ученых, с помощью алгоритма, оценивающего риски, можно снизить преступность на 25 процентов, не меняя при этом численность содержащихся в следственном изоляторе, или сократить число содержащихся там подследственных на 42 процента, не повышая при этом уровень преступности. По словам Людвига, ученые разработали инструмент ИИ, которым пользуются судьи в Нью-Йорке при принятии решений.
«Это революция в поведенческой экономике, — говорит Людвиг. — Сендхил может перевернуть наше представление о том, как люди принимают решения, и создать инструменты для улучшения этого процесса. Он дальновидный мыслитель такого масштаба».
В своей статье, опубликованной в 2024 году, Людвиг и Муллайнатан использовали ИИ, чтобы продемонстрировать, как на основании фотографий ответчиков, сделанных во время ареста, можно с уверенностью предсказать, какое решение примут судьи — освободить под залог или отправить в следственный изолятор. На основании данных из Северной Каролины ученые обнаружили, что те, кто выглядит опрятно на сделанной во время ареста фотографии, или люди с более широкими и круглыми лицами имеют больше шансов на то, чтобы их отпустили под залог до начала судебного разбирательства.
Несмотря на то, что выводы могут показаться логичными, по утверждению Муллайнатана, эту «причинно-следственную связь никто не замечал», включая государственных защитников и самих судей.
По словам Муллайнатана, алгоритмы иногда выявляют «неправдоподобные связи», которые люди не в состоянии увидеть. «Речь идет о масштабе и монотонном характере работы, с которыми человеческий мозг не справляется», — говорит он.
Он ссылается на эксперимент с использованием ИИ для сравнения электрокардиограмм людей, умерших от внезапной остановки сердца, с аналогичными ЭКГ пациентов, которые выжили. Алгоритм выявил едва заметные различия в исследованиях, которые доктора не заметили. Как утверждает Муллайнатан, это может помочь выявлять пациентов с более высоким риском смерти от внезапной остановки сердца, которые могут стать кандидатами на установление кардиостимулятора.
Велосипед для мозга
Проработав шесть лет в Чикагском университете, в 2024 году Муллайнатан вернулся в МТИ в качестве профессора на факультетах экономики и электромеханики и информатики. Он возглавил инициативу под названием The Bike Shop@ MIT, используя алгоритмы для разработки «велосипедов для мозга».
Используемый образ вдохновлен рисунком, опубликованным в журнале Scientific American в марте 1973 года, в котором сравнивался коэффициент полезного действия животных в движении. «У человека на велосипеде» КПД оказался наиболее высоким. Выводы, пишет Муллайнатан, послужили «прообразом того, чем должны стать компьютеры — велосипедом для мозга».
Муллайнатан и коллеги проводят эксперимент с учащимися математики в Индии. «Преподавание в некотором смысле напоминает чтение мыслей учащихся, — говорит Ашеш Рамбачан из МТИ, один из участников проекта. — Преподаватели не понимают, что именно неясно учащимся. Алгоритм может им помочь в этом».
Рамбачан, Муллайнатан и участвующие в проекте коллеги в Индии составляют тысячи примеров домашних заданий по математике, выполненных учащимися. Они планируют использовать ИИ, чтобы выяснить, какие ошибки делают учащиеся, и создать алгоритм, чтобы составить «карту заблуждений». По словам Муллайнатана, цель — помочь преподавателям, чтобы те могли помочь учащимся разобраться в предмете. Это может «поменять наше представление о мыслительном процессе учащихся».
«В экономике, — говорит Муллайнатан, — следует учитывать, что наши экономические модели, как и поступки и решения людей, подобны лоскутному одеялу, сотканному из разных частей. Алгоритмы — это новая производственная площадка науки. Они способны соединить все эти части воедино. Я думаю, в следующие 20 лет они помогут нам преобразовать философские вопросы в практическую науку».