Боб Сисимон представляет Сендхила Муллайнатана, экономиста в области поведенческой экономики из МТИ, под руководством которого это направление в науке вступает в эпоху алгоритмов.

ИИ слишком важен, чтобы отдавать его на откуп специалистам в области информатики. Так рассуждает Сендхил Муллайнатан — специалист по поведенческой экономике из МТИ, который в течение более чем десятилетия использует искусственный интеллект в экономических исследованиях. Алгоритмы, говорит он, потенциально могут кардинально улучшить человеческие способности принимать решения по важным вопросам — от поиска работы, установления размера залога в суде до понимания симптомов в случае остановки сердца.

«Экономика уникальным образом подходит для этого момента, — сказал он в интервью. — Невозможно просто разработать алгоритм, не учитывая при этом расплывчатые, качественные признаки необычных жизненных ситуаций, поместив их в прокрустово ложе необходимых строгих формальных рамок».

Муллайнатан, родившийся в Индии 52 года назад, «наводит мосты между экономикой, которой мы занимались последние сто лет, и наукой, которой нам предстоит заниматься в следующем столетии», — говорит экономист Дейвид Лейбсон, один из профессоров Муллайнатана в Гарварде в 1990-е годы.

Муллайнатан руководит исследованиями в области психологии памяти, принятия решений судьями, а также экономическими аспектами дефицита. Судьи в Нью-Йорке используют алгоритмы на основе его выводов, касающихся установления суммы залога. В 2002 году в возрасте 29 лет он получил грант в размере 500 000 долларов США от Фонда Макартуров, в совете директоров которого он состоял в течение 12 лет до июня текущего года.

«Его работы цитируют так же часто, как и работы других ученых», находящихся на сопоставимом этапе карьерного роста, — говорит Лоренс Кац, экономист из Гарварда и президент Американской экономической ассоциации. «Не могу представить себе лучшую гимнастику для ума, чем короткая беседа с Сендхилом на любую тему, которая его занимает».

А темы могут быть самые разнообразные. Друзья и коллеги вспоминают о его всесторонних познаниях в области мороженого и эспрессо. Однажды он повел коллег на двухчасовую экскурсию по лучшим заведениям Чикаго, где угощают мороженым и сэндвичами. Муллайнатан также самостоятельно изучал вопросы питания и физкультуры.

«Сендхил во все вникает очень глубоко, — говорит Бек Уикс, австралийская ученая в области поведенческой экономики из Чикагского университета, которая является его коллегой по исследованиям, а с недавних пор и спутницей жизни. — У него всегда масса хороших идей. Самая главная головоломка, над которой он бьется, — это разобраться в том, что движет поступками людей».

Приезд в Америку

Такой интерес объясняется его жизненным опытом. Путь Муллайнатана к вершинам профессии начался с жизни в поселке в индийском штате Тамилнад, к югу от Ченная, где почти не было электричества. Семья владела землей, благодаря чему она жила немного лучше, чем остальные бедные жители поселка. Его отцу Марку удалось окончить колледж и поступить в аспирантуру по специальности авиатехника в Калифорнийском технологическом институте. Он уехал, когда Сендхилу было 3 года. Поскольку в поселке не было телефонов, отец Сендхила записывал на аудиокассеты рассказы о своей жизни и отправлял их домой.

Четыре года спустя Муллайнатан-старший, получив визы, привез Сендхила и его мать Шейлу в Лос-Анджелес. На этом учеба Марка в аспирантуре закончилась. Чтобы содержать семью, ему приходилось работать инженером-авиатехником в компаниях в Южной Калифорнии, в том числе в McDonnell Douglas и Boeing.

Когда Сендхилу было 10 лет, президент Роналд Рейган издал указ, согласно которому требовалось получать разрешение службы безопасности в той сфере, где работал его отец; в результате этого Марк потерял работу, поскольку он еще не был гражданином США. Несмотря на то, что Марк и Шейла сделали карьеру, став серийными предпринимателями, владеющими и управляющими магазинами по продаже видеотехники и компьютеров, этот опыт оказался травматичным для Сендхила.

«В тот момент я отчетливо ощутил, как земля уходит из-под ног, — говорит Муллайнатан. — Я зациклился на теме безработицы». В некотором смысле это привело его в науку. «Я помню, как в старшей школе услышал, что у ученых есть понятие пожизненного контракта, — говорит он. — Ты не можешь лишиться работы. Тогда я подумал: “Я хочу иметь такую работу”».

«Я не очень хорошо учился в старших классах», — говорит Муллайнатан, потому что «мне не очень давались такие понятия, как существительные и запоминание». Другое дело — математика, где «все взаимосвязано; это логика».

После того как Муллайнатан сдал предварительный экзамен на выявление академических способностей (PSAT), ему прислали рекламную листовку из Университета Кларксона в Потсдаме, штат Нью-Йорк, в котором действует одна из самых старых программ раннего поступления в вуз в США. Там он мог закончить обучение в старшей школе, одновременно занимаясь по продвинутой программе на университетских курсах по математике. Он подал документы, поступил и сообщил родителям о своих планах. Родители были удивлены, но несмотря на это, согласились, «поскольку всегда ставили во главу угла расходы на образование», — говорит он. Так, в 16 лет он уехал за 3000 миль туда, где температура часто падает значительно ниже нуля.

Позднее, переехав в Корнеллский университет, Муллайнатан продолжил изучать математику, но добавил к профильным предметам информатику и экономику. «Что отличало экономику от математики и делало ее потрясающе интересной, так это то, что с ее помощью можно было попытаться объяснить сложность мирового устройства», — говорит он. Его приводили в восхищение попытки объяснить экономические аномалии, например, почему застройщики в Лос-Анджелесе продавали дома в виде лотереи, вместо того чтобы просто повышать цены.

 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».

Такой подход делает Муллайнатан уникальным, говорит экономист Стенфордского университета Ян Шписс, коллега по науке и его бывший студент. «Каждые несколько лет он пытается со стороны взглянуть на свою работу и переосмыслить ее», — говорит Шписс. Отчасти поэтому он является «одним из немногих умнейших и наиболее инновационных экономистов нашего времени», говорит он.

В 2012 году, кроме специалистов в области информатики, мало кто живо интересовался ИИ, говорит Муллайнатан. «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. Ученые разработали инструмент ИИ, которым пользуются судьи в Нью-Йорке при принятии решений, говорит Людвиг.

«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, эту «причинно-следственную связь никто не замечал», включая государственных защитников и самих судей, говорит Муллайнатан.

Алгоритмы иногда выявляют «неправдоподобные связи», которые люди не в состоянии увидеть, говорит Муллайнатан. «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. Это может помочь выявлять пациентов с более высоким риском смерти от внезапной остановки сердца, которые могут стать кандидатами на установление кардиостимулятора, говорит Муллайнатан.

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». Цель — помочь преподавателям, чтобы те могли помочь учащимся разобраться в предмете, говорит Муллайнатан. 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».

Мнения, выраженные в статьях и других материалах, принадлежат авторам и не обязательно отражают политику МВФ.