Τεχνητή νοημοσύνη και εργασία: Το «premium παραδοξότητας» που προστατεύει τη θέση σας από το AI

Των Jake Angelo και Nick Lichtenberg

Ο καθηγητής Οικονομικών του Πανεπιστημίου Brandeis, Benjamin Shiller, σημειώνει ότι το weirdness, η παραξενιά, η παραδοξότητα είναι στοιχεία που συνδέονται στενά με τις πιθανότητες επιτυχίας στην εποχή της τεχνητής νοημοσύνης. Όσο πιο περίεργος είσαι, λέει στο Fortune, τόσο καλύτερα θα είσαι.

Στο νέο του βιβλίο AI Economics: How Technology Transforms Jobs, Markets, Life, and Our Future, ο Shiller υποστηρίζει ότι όσο πιο παράξενη είναι η δουλειά σου, τόσο λιγότερο πιθανό είναι να την αναλάβει το ΑΙ. Ειδικός στα οικονομικά της τεχνολογικής αλλαγής – και γιος ενός διάσημου οικονομολόγου, του Robert Shiller του Γέιλ, συνδημιουργού ενός εθνικού δείκτη τιμών κατοικιών που χρησιμοποιείται ακόμα και σήμερα – ο Shiller δηλώνει στο Fortune ότι το μέλλον της απασχόλησης βρίσκεται στην …παραδοξότητα.

«Τα μοντέλα τεχνητής νοημοσύνης μπορούν να μάθουν πράγματα πολύ καλά, αλλά μόνο με μια τεράστια ποσότητα δεδομένων εκπαίδευσης, καθώς οι άνθρωποι είναι πολύ πιο αποτελεσματικοί μαθητές», λέει ο Shiller. «Εάν έχετε έναν εξειδικευμένο τομέα όπου δεν υπάρχουν πολλά δεδομένα εκεί έξω για την εκπαίδευση ενός μοντέλου ΑΙ, τότε το ΑΙ πιθανότατα δεν θα εκτοπίσει την εργασία σας».

Η Goldman Sachs προβλέπει ότι 300 εκατομμύρια θέσεις εργασίας στις ΗΠΑ και την Ευρώπη θα μπορούσαν να είναι ευάλωτες σε κάποιο βαθμό αλλαγής λόγω της τεχνητής νοημοσύνης. Ωστόσο, το «premium παραδοξότητας» του Shiller υποδηλώνει έναν τρόπο για να εξαπατήσετε την τεχνητή νοημοσύνη: βρείτε μια εργασία που είναι τόσο περίπλοκη, που ούτε τρισεκατομμύρια tokens δεδομένων δεν μπορούν να την αντικαταστήσουν.

Η τεχνητή νοημοσύνη δεν μαθαίνει τόσο αποτελεσματικά όσο οι άνθρωποι… ακόμα

Ο Shiller περιγράφει αυτό που πρότεινε πρόσφατα ο CEO της Tesla, Elon Musk, σχετικά με τον τεράστιο όγκο πληροφοριών που απαιτούνται για την αντικατάσταση μιας ανθρώπινης δεξιότητας. Ο επιχειρηματίας δημοσίευσε σε μια απάντηση στο X: «Χρειάζονται περίπου 10 δισεκατομμύρια μίλια δεδομένων εκπαίδευσης για να επιτευχθεί ασφαλής αυτόνομη οδήγηση χωρίς επίβλεψη».

«Εάν ένας τυπικός Αμερικανός οδηγεί περίπου 13.500 μίλια ετησίως, αυτό αντιστοιχεί σε περίπου 750.000 χρόνια οδήγησης για ένα άτομο για τα απαιτούμενα δεδομένα εκπαίδευσης», είπε ο Shiller. Αντίθετα, ο μέσος άνθρωπος χρειάζεται μόνο μερικές εκατοντάδες μίλια οδήγησης και έξι μήνες εξάσκησης για να εξασφαλίσει την άδεια οδήγησής του.

Φυσικά, τα αυτόνομα αυτοκίνητα υπάρχουν ήδη και μπορούν εύκολα να μεταφέρουν τους ανθρώπους από το σημείο Α στο σημείο Β χωρίς να βλάπτονται. Ωστόσο, αν χρειάζονται τόσα δεδομένα για να μάθει το ΑΙ μια εργασία τόσο απλή όσο η οδήγηση, τότε θα μπορούσε να χρειαστεί μια τεράστια ποσότητα δεδομένων για να αυτοματοποιηθούν εξειδικευμένα επαγγέλματα, όπως αυτό ενός αναλυτή αεροπορικών ατυχημάτων ή ενός μηχανικού λούνα παρκ. Με άλλα λόγια, σε τομείς όπου τα δεδομένα είναι σπάνια, οι άνθρωποι διατηρούν ένα συγκριτικό πλεονέκτημα.

Οι άνθρωποι είναι καλύτερα εξοπλισμένοι στο να χειρίζονται καγκουρό

Ο Shiller δείχνει τους περιορισμούς της τεχνητής νοημοσύνης με το «παράδειγμα του καγκουρό», μια ιστορία από τότε που η Waymo δοκίμασε τα αυτόνομα αυτοκίνητά της στην Αυστραλία. Τα οχήματα απέτυχαν να περάσουν ένα παράξενο και ξένο εμπόδιο: τα μαρσιποφόρα που πηδούσαν. «Απλώς συνέχισαν να συγκρούονται με καγκουρό επειδή τα καγκουρό δεν ήταν στα δεδομένα εκπαίδευσής τους και οι κινήσεις τους ήταν διαφορετικές από τις κινήσεις άλλων ζώων».

Η τεχνητή νοημοσύνη αποτυγχάνει να προβλέψει το άγνωστο και αυτή η αποτυχία είναι που διαφοροποιεί τους ανθρώπους ακόμη και από τις πιο προηγμένες μηχανές. «Είμαστε σε θέση να προσαρμοζόμαστε και να αντιμετωπίζουμε αυτές τις ακραίες περιπτώσεις χωρίς να είμαστε ειδικά εκπαιδευμένοι για να τις χειριστούμε», είπε ο Shiller. Είμαστε φυσικά ικανοί να χειριζόμαστε εξειδικευμένα σενάρια, από την απρόβλεπτη κατάσταση του δρόμου μέχρι το χάος ενός νοσοκομείου ή μιας επενδυτικής τράπεζας.

Ο Shiller καταλήγει ότι οι σύγχρονοι εργαζόμενοι – και οι νέοι που σκέφτονται να αποκτήσουν πτυχίο – θα πρέπει να αποφεύγουν να παγιδεύονται σε ένα επάγγελμα που κάνουν όλοι οι άλλοι. «Το να παρακολουθείς απλώς τα τυπικά μαθήματα και να αποκτάς άριστη γνώση αυτών που διδάσκεσαι απευθείας σε αυτές τις μεγάλες ειδικότητες είναι μια επικίνδυνη στρατηγική».

ΔΙΑΒΑΣΤΕ ΠΕΡΙΣΣΟΤΕΡΕΣ ΕΙΔΗΣΕΙΣ:

• Η πολιτική επικοινωνία στην εποχή της AI: Η ρετουσαρισμένη φωτογραφία που άναψε φωτιές στην Ουάσιγκτον
• Κίνα χωρίς Nvidia: Η Alibaba ανεβάζει ταχύτητα στα εγχώρια AI chips
• Τζένσεν Χουάνγκ: Τι χαρακτηρίζει ως την πιο «ακριβή απόφαση της ζωής του»