มูลค่าหลักของ AI จะมาจากระบบอัตโนมัติในวงกว้างมากกว่า R&D

• โดยทั่วไปมีมุมมองที่แพร่หลายว่ามูลค่าทางเศรษฐกิจของ AI จะเกิดจากการทำให้ การวิจัยและพัฒนา (R&D) เป็นอัตโนมัติ
  • Dario Amodei โต้แย้งว่า AI จะส่งผลเชิงบวกต่อ R&D ในด้านชีววิทยา ประสาทวิทยา และเศรษฐศาสตร์
  • Demis Hassabis อธิบายว่า AI จะมีส่วนช่วยสังคมผ่าน R&D เช่น รักษาโรคทั้งหมดและแก้ปัญหาพลังงาน
  • Sam Altman กล่าวถึงว่า AI อาจส่งผลต่อทุกอุตสาหกรรมเหมือนเซมิคอนดักเตอร์ แต่ผลกระทบต่อความก้าวหน้าทางวิทยาศาสตร์จะมีขนาดใหญ่ที่สุด
• แม้ R&D จะมีส่วนต่อการเติบโตทางเศรษฐกิจระยะยาว แต่บทบาทดังกล่าวมักถูกประเมินสูงเกินจริง
  • ตามข้อมูลของ สำนักงานสถิติแรงงานสหรัฐฯ (BLS) การใช้จ่าย R&D ภาคเอกชน คิดเป็นเพียง 0.2%/ปี ของอัตราการเติบโตของผลิตภาพรวมปัจจัยการผลิต (TFP) ในช่วงปี 1988~2022
  • การใช้จ่าย R&D ภาครัฐคิดเป็นประมาณ 25% ของการใช้จ่าย R&D ทั้งหมด และสัดส่วนการมีส่วนร่วมของ R&D ต่อการเติบโตของ TFP รวมอยู่ที่ประมาณ 0.4%/ปี
  • มีเพียงประมาณ 20% ของการเติบโตของผลิตภาพแรงงานที่เกิดจาก R&D ส่วนที่เหลือมาจากการสะสมทุน การปรับปรุงการจัดการ และผลของการเรียนรู้
• งาน R&D ส่วนใหญ่ต้องการ ความสามารถที่ซับซ้อน มากกว่าการให้เหตุผลเชิงตรรกะแบบเรียบง่าย
  • ตัวอย่าง: ความเป็นเอเจนต์ ความสามารถแบบมัลติโหมด ความสม่ำเสมอระยะยาว เป็นต้น
• หาก AI มีความสามารถมากพอที่จะทำให้งานของนักวิจัยเป็นอัตโนมัติได้อย่างสมบูรณ์ ก็หมายความว่าภาคเศรษฐกิจอื่น ๆ ส่วนใหญ่ก็น่าจะทำให้เป็นอัตโนมัติได้เช่นกัน → มีศักยภาพสร้างมูลค่าทางเศรษฐกิจที่ใหญ่กว่า

มูลค่าทางเศรษฐกิจหลักของ AI น่าจะมาจากระบบอัตโนมัติของแรงงานในวงกว้าง

• มีข้ออ้างหลัก 2 แบบเกี่ยวกับมูลค่าทางเศรษฐกิจของ AI
  • ✅ การทำ R&D เป็นอัตโนมัติอาจเพิ่มอัตราการเติบโตทางเศรษฐกิจรายปีได้มากกว่าหลายเปอร์เซ็นต์
    • หากเทคโนโลยีสามารถทำให้ R&D เป็นอัตโนมัติได้ทั้งหมด ก็มีโอกาสสร้างมูลค่าทางเศรษฐกิจอย่างมีนัยสำคัญ
    • มีความเป็นไปได้สูงที่จะมีส่วนช่วยการเติบโตทางเศรษฐกิจอย่างมีความหมาย
  • ❌ มูลค่าทางเศรษฐกิจที่ใหญ่ที่สุดของ AI จะมาจากการทำ R&D เป็นอัตโนมัติ
    • R&D มีคุณค่า แต่ไม่น่าจะเป็นแกนหลักของพลังขับเคลื่อนการเติบโตทางเศรษฐกิจจาก AI
    • แม้หลังจาก AI เหนือกว่ามนุษย์แล้ว ก็ยังมีโอกาสต่ำที่การทำ R&D เป็นอัตโนมัติจะเป็นแหล่งสร้างมูลค่าทางเศรษฐกิจที่สำคัญที่สุด
• การวัดมูลค่าทางเศรษฐกิจที่แท้จริงของ R&D
  • ตามข้อมูลของ สำนักงานสถิติแรงงานสหรัฐฯ (BLS):
    • อัตราการเติบโตของผลิตภาพรวมปัจจัยการผลิต (TFP) ในช่วงปี 1988~2022: 0.8%/ปี
    • การมีส่วนร่วมของ R&D ภาคเอกชน: 0.2%/ปี → ประมาณ 25% ของอัตราการเติบโตของ TFP ทั้งหมด
    • อัตราการเติบโตของผลิตภาพแรงงาน: 1.9%/ปี → R&D มีส่วนเพียงประมาณ 20%
  • การใช้จ่าย R&D ภาครัฐ คิดเป็นประมาณ 25% ของการใช้จ่าย R&D ทั้งหมด
    • ผลกระทบภายนอกของ R&D ภาครัฐและภาคเอกชนหักล้างกัน
    • ส่งผลให้สัดส่วนการมีส่วนร่วมของ R&D รวมอยู่ที่ระดับ 0.4%/ปี
• ความสัมพันธ์ระหว่างการสะสมทุนกับการเติบโตของผลิตภาพ
  • การสะสมทุนคิดเป็นประมาณ 50% ของการเติบโตของผลิตภาพแรงงาน
  • การเติบโตที่เหลือเกิดจากการปรับปรุงการจัดการ ผลของการเรียนรู้ การแพร่กระจายของความรู้ เป็นต้น
  • สัดส่วนของการสะสมทุนและการลงทุน R&D ในเศรษฐกิจสหรัฐฯ:
    • การลงทุนทุนต่อปี: 5 ล้านล้านดอลลาร์
    • การลงทุน R&D ภาคเอกชนต่อปี: 1 ล้านล้านดอลลาร์
    • การลงทุนทุนมีมูลค่ามากกว่าการลงทุน R&D ประมาณ 5 เท่า
• ความยืดหยุ่นของผลผลิตต่อแรงงาน (0.6) สูงกว่าความยืดหยุ่นของผลผลิตต่อ R&D ประมาณ 5 เท่า
  • การทำงานของแรงงานให้เป็นอัตโนมัติมีศักยภาพสร้างผลทางเศรษฐกิจได้มากกว่า
  • หากทำให้รายการต้นทุนที่ใหญ่ที่สุดในเศรษฐกิจปัจจุบันคือแรงงานเป็นอัตโนมัติ ก็อาจเพิ่มมูลค่าทางเศรษฐกิจได้สูงสุด
  • ผลผลิตส่วนเกินที่เกิดจากระบบอัตโนมัติของแรงงานสามารถนำกลับไปลงทุนในทุนเพื่อสร้างการเติบโตเพิ่มเติมได้อีก
• มีข้อโต้แย้งด้วยว่าอาจมีการประเมินผลการเติบโตจาก R&D ต่ำเกินไป
  • อาจยังไม่ได้สะท้อนผลกระทบภายนอกของ R&D หรือความฝืดจากงานวิจัยที่ซ้ำซ้อน
  • อย่างไรก็ตาม จากงานวิจัยของ Bloom et al. (2020) พบว่า:
    • ความยืดหยุ่นของผลผลิตจากการลงทุน R&D อยู่ที่ 0.3 ใกล้เคียงกับทุน และมีเพียงครึ่งหนึ่งของแรงงาน
• โดยสรุป การเติบโตทางเศรษฐกิจในปัจจุบันเกิดจากปัจจัยอื่นมากกว่า R&D

การทำ AI R&D เป็นอัตโนมัติเพียงอย่างเดียวอาจเร่งความก้าวหน้าของ AI ได้ไม่มากอย่างที่คิด

• แม้มูลค่าทางเศรษฐกิจของ AI R&D อาจไม่มากเท่าที่คาดหวัง แต่หาก AI สามารถทำ R&D ของตัวเองให้เป็นอัตโนมัติได้ ก็ยังอาจก่อให้เกิดผลกระทบสำคัญ
  • หาก AI สามารถทำให้กระบวนการ R&D ด้านซอฟต์แวร์ของตัวเองเป็นอัตโนมัติได้ อาจเกิด software-only singularity
  • ภายใต้ทรัพยากรคอมพิวต์ที่คงที่ นักวิจัย AI อาจปรับปรุงอัลกอริทึมได้ด้วยตนเอง และจากนั้นสร้างนักวิจัย AI เพิ่มเพื่อผลักดันความก้าวหน้าด้านซอฟต์แวร์ต่อไป
• ตัวแปรสำคัญคือ ต้นทุนในการค้นหาไอเดียจะเพิ่มขึ้นเร็วแค่ไหน
  • สมมติฐานว่าความพยายามของนักวิจัยเพียงอย่างเดียวสามารถสร้างผลงาน R&D ด้านซอฟต์แวร์จำนวนมากได้นั้นเป็นเงื่อนไขจำเป็น แต่มีโอกาสสูงว่า ไม่เป็นความจริง
  • แบบจำลองที่สมจริงกว่าคือ ผลงานวิจัยเกิดจากความเกื้อหนุนกันระหว่าง ความพยายามทางการรับรู้ + ข้อมูล
• ปัจจุบัน AI มีอัตราการเติบโตของสมรรถนะการคอมพิวต์เชิงทดลองและความก้าวหน้าด้านซอฟต์แวร์ที่รวดเร็วมากที่ ประมาณ 3~4 เท่าต่อปี
  • ความก้าวหน้าด้านซอฟต์แวร์เกิดขึ้นผ่านข้อมูลเชิงทดลอง → จึงเป็นไปได้ว่าข้อมูลเป็นปัจจัยเสริมสำคัญของความพยายามของนักวิจัย
• หากอินพุตทั้งสอง (ความพยายามทางการรับรู้ + ข้อมูล) เกื้อหนุนกัน ทรัพยากรคอมพิวต์อาจกลายเป็นคอขวด
  • ท้ายที่สุดอาจต้องการ งานทางกายภาพ เพื่อจัดหาและผลิต GPU เพิ่มเติม
  • นั่นหมายความว่า AI จำเป็นต้องถูกนำไปใช้อย่างกว้างขวางทั้งในซัพพลายเชนเซมิคอนดักเตอร์และเศรษฐกิจโดยรวม
• ความยั่งยืนของ software-only singularity ขึ้นอยู่กับความแข็งแรงของความเป็นส่วนเสริมนี้
  • ในอุตสาหกรรมอื่น ๆ ความเป็นส่วนเสริมมักแข็งแรง → จึงมีแนวโน้มว่างาน AI R&D ก็จะเป็นเช่นเดียวกัน
    • ตัวอย่าง: งานวิจัยของ Oberfield และ Raval (2014) พบว่าความยืดหยุ่นของการทดแทนระหว่างทุนและแรงงานในภาคการผลิตของสหรัฐฯ อยู่ที่ 0.7
    • สิ่งนี้ชี้ว่า software-only singularity มีโอกาสสูงที่จะจบลงด้วยการปรับปรุงประสิทธิภาพต่ำกว่า 1 เท่า
• จนถึงตอนนี้ แม้จะมีการทำโปรแกรมมิงอัตโนมัติและการทำอุปกรณ์วิจัยอัตโนมัติ ก็ยังไม่เกิดการเร่งความก้าวหน้าทางวิทยาศาสตร์อย่างฉับพลัน
  • การพัฒนาไลบรารีเฉพาะทาง → ทำให้งานโปรแกรมมิงบางส่วนเป็นอัตโนมัติ
  • การเร่งการเขียนโค้ดผ่านเครื่องมือ LLM → มีผลเพียงบางส่วน
  • การทำอุปกรณ์ทดลองทางกายภาพเป็นอัตโนมัติ → เกิดเพียงการปรับปรุงแบบค่อยเป็นค่อยไป ไม่ใช่ความก้าวหน้าทางวิทยาศาสตร์แบบก้าวกระโดด

การทำ R&D ให้เป็นอัตโนมัติทั้งหมดต้องอาศัยความสามารถที่กว้างมาก

• งานของนักวิทยาศาสตร์ในระดับผิวเผินอาจดูเหมือนเน้นงานให้เหตุผลเชิงนามธรรม เช่น การสร้างไอเดีย การตั้งสมมติฐาน การวิเคราะห์ข้อมูล การเขียนโค้ด การให้เหตุผลทางคณิตศาสตร์
  • ดังนั้นจึงมีการคาดการณ์ว่า เมื่อมีโมเดลที่ให้เหตุผลเชิงนามธรรมได้ งานนักวิจัยก็น่าจะถูกทำให้เป็นอัตโนมัติอย่างรวดเร็ว
  • แต่ในความเป็นจริง งานนักวิจัยต้องอาศัยความสามารถที่ซับซ้อนกว่างานให้เหตุผลอย่างเดียวมาก
• ตัวอย่างงานของนักวิทยาศาสตร์การแพทย์
  • การจัดการสารพิษ, การประเมินผลของยา, การออกแบบและดำเนินการวิจัยโรค, การวิเคราะห์ตัวอย่างเซลล์ ฯลฯ ไม่ใช่แค่การให้เหตุผล แต่ต้องใช้ทักษะซับซ้อนและอุปกรณ์เฉพาะทาง
  • การทำมาตรฐานขนาดยา, การแนะนำขั้นตอนทางการแพทย์และการทดลอง, การเขียนบทความวิชาการ, การยื่นขอทุนวิจัย ฯลฯ มีความเป็นไปได้สูงกว่าที่จะทำให้เป็นอัตโนมัติด้วยการให้เหตุผล
  • ใน 5 งานหลักอันดับต้น ๆ ของนักวิทยาศาสตร์การแพทย์ มีเพียง 1 งาน เท่านั้นที่อาจทำให้เป็นอัตโนมัติได้ด้วยการให้เหตุผลอย่างเดียว
  • จากงานทั้งหมด 14 งาน มีเพียง 6 งาน ที่ถูกประเมินว่าสามารถทำให้เป็นอัตโนมัติได้ด้วยการให้เหตุผลเชิงนามธรรมเพียงอย่างเดียว
• แกนหลักของงานนักวิจัยไม่ได้มีแค่การให้เหตุผลง่าย ๆ แต่รวมถึงความสามารถซับซ้อนต่อไปนี้ด้วย:
  • การควบคุมอุปกรณ์ทางเทคนิค → ความสามารถในการใช้อุปกรณ์ทดลองที่ซับซ้อน
  • การทำงานเป็นทีม → ความสามารถในการร่วมงานและประสานงานกับทีมนักวิจัยที่เป็นมนุษย์
  • ความสามารถในการลงมือทำระยะยาว → ดำเนินโครงการที่ซับซ้อนต่อเนื่องเป็นเวลานาน
  • การจัดการสภาพแวดล้อมทางกายภาพ → ความสามารถในการจัดการทางกายภาพในการทดลองและการปฏิบัติจริง
• กว่า AI จะเรียนรู้ทักษะซับซ้อนทั้งหมดที่งานนักวิจัยต้องการ น่าจะต้องใช้เวลาอีกมาก
  • ดังนั้นจึงมีความเป็นไปได้สูงว่า ระบบอัตโนมัติของแรงงานทั่วไป จะเกิดขึ้นก่อนระบบอัตโนมัติของงานนักวิจัย
  • สมมติฐานที่ว่า AI จะสร้างความก้าวหน้าทางวิทยาศาสตร์ก่อนแล้วจึงแพร่กระจายไปสู่อุตสาหกรรมอื่น ๆ จึงไม่ค่อยสมจริง
  • สถานการณ์ที่สมจริงกว่า คือ AI จะสร้างระบบอัตโนมัติของแรงงานในวงกว้างก่อน แล้วจึงเร่งความก้าวหน้าทางวิทยาศาสตร์และเทคโนโลยีในภายหลัง
• แม้ AI จะเร่งความก้าวหน้าทางวิทยาศาสตร์ได้ ก็มีแนวโน้มว่าจะเกิดจาก การทำโครงสร้างพื้นฐานการวิจัยเป็นอัตโนมัติ มากกว่าการแทนที่นักวิจัยโดยตรง
• เนื่องจากสัดส่วนของ R&D ต่อการเติบโตทางเศรษฐกิจปัจจุบันไม่ได้สูงมาก AI จึงมีแนวโน้มจะขับเคลื่อนการเติบโตทางเศรษฐกิจผ่านการทำงานที่ไม่ใช่ R&D ให้เป็นอัตโนมัติ

การก้าวกระโดดของ AI มีแนวโน้มจะเกิดขึ้นอย่างกว้างขวางและมองเห็นได้ชัด

• ก่อนที่ ผลกระทบทางเศรษฐกิจและเทคโนโลยีของ AI จะเกิดขึ้นอย่างเต็มรูปแบบ ระบบอัตโนมัติจาก AI ก็มีแนวโน้มจะปรากฏในลักษณะที่กว้างขวางและเด่นชัดก่อนแล้ว
• กว้างขวาง (Diffuse) → ระบบอัตโนมัติจาก AI จะไม่จำกัดอยู่แค่อาชีพด้าน R&D บางกลุ่ม แต่จะส่งผลอย่างกว้างต่อเศรษฐกิจโดยรวม
• เด่นชัด (Salient) → ผลกระทบของ AI จะใหญ่จนคนส่วนใหญ่รับรู้ได้อย่างชัดเจน และมีแนวโน้มก่อให้เกิดความปั่นป่วนครั้งใหญ่ในตลาดแรงงาน

• ผลกระทบทางเศรษฐกิจหลักของ AI จะไม่ได้มาจากการทำ R&D เป็นอัตโนมัติ แต่มาจากระบบอัตโนมัติในวงกว้าง

  • มีโอกาสสูงที่ผลเชิงปฏิวัติของ AI ต่อโลกจะไม่ได้เกิดจาก การทำ R&D เป็นอัตโนมัติอย่างชัดเจน
  • ตรงกันข้าม ระบบอัตโนมัติของแรงงานในวงกว้าง ต่างหากที่จะเป็นแรงขับหลักของการพัฒนาเศรษฐกิจและเทคโนโลยี

• สถานการณ์ที่เป็นจริงมากกว่าของการก้าวกระโดดของ AI

  • 1. การขยายขอบเขตงานที่ AI ทำได้
    • AI จะค่อย ๆ ขยายขอบเขตของงานที่สามารถทำได้
    • กระบวนการนี้มีแนวโน้มถูกขับเคลื่อนหลักโดย การขยายโครงสร้างพื้นฐานคอมพิวต์
  • 2. การทำแรงงานเป็นอัตโนมัติในวงกว้างทั่วทั้งเศรษฐกิจ
    • AI จะทำงานแรงงานที่หลากหลายมากขึ้นเรื่อย ๆ ให้เป็นอัตโนมัติ
    • ผลลัพธ์คือ การเร่งการเติบโตทางเศรษฐกิจ
  • 3. เกิดการเปลี่ยนแปลงครั้งใหญ่ในตลาดแรงงาน
    • ก่อนที่ AI จะสร้างจุดเปลี่ยนทางเศรษฐกิจและเทคโนโลยี จะมี คลื่นของระบบอัตโนมัติด้านแรงงาน เกิดขึ้นก่อนแล้ว
    • ในกระบวนการนี้ ตลาดแรงงานจะถูกจัดโครงสร้างใหม่อย่างรากฐาน และการรับรู้ของสาธารณะต่อ AI จะเปลี่ยนไป
  • 4. ระบบอัตโนมัติของงานที่ไม่ใช่ R&D ในวงกว้างจะเป็นแรงขับหลักของการเติบโต
    • แม้ AI จะเร่งการเติบโตทางเศรษฐกิจและเทคโนโลยี แต่สิ่งนี้จะเกิดผ่าน ระบบอัตโนมัติของงานที่ไม่ใช่ R&D
    • ระบบอัตโนมัติของ R&D มีแนวโน้มมีสัดส่วนต่อการเติบโตค่อนข้างเล็ก

• สถานการณ์ “การระเบิดของระบบอัตโนมัติทั่วไป”

  • การก้าวกระโดดของ AI มีแนวโน้มจะไม่ใช่ “อัจฉริยะในห้องแล็บที่สร้างผลงาน R&D แบบระเบิดออกมา”
  • แต่จะอยู่ในรูปของ การระเบิดของระบบอัตโนมัติในวงกว้าง แทน
  • กล่าวคือ ไม่ใช่ความสำเร็จในสาขาใดสาขาหนึ่ง แต่เป็น ขอบเขตและขนาดของระบบอัตโนมัติโดยรวม ของ AI ที่จะเป็นแรงขับหลักของการเติบโต

ประเด็นสำคัญ

• ในอนาคตอันใกล้ ห้องแล็บ AI มีแนวโน้มจะทำกำไรได้มากกว่าหากมุ่งเน้นที่ ระบบอัตโนมัติของงานทั่วไป
  • ตัวอย่าง: การท่องเว็บ การใช้งานซอฟต์แวร์เชิงพาณิชย์ การทำงานสำนักงานทั่วไป เป็นต้น
  • ระบบอัตโนมัติของงานทั่วไปมีโอกาสสร้างมูลค่าทางเศรษฐกิจได้มากกว่าการพัฒนาโมเดลให้เหตุผลขั้นสูง เช่น การช่วยวิจัยด้านชีววิทยาและการแพทย์
  • ดังนั้นเมื่อประเมินสมรรถนะของ AI การติดตาม ความสามารถในการทำงานทั่วไป อาจสำคัญกว่าการติดตาม ผลงานด้าน R&D
• ก่อนที่ AI จะสร้างผลกระทบเชิงปฏิวัติต่อโลก การรับรู้ของสาธารณะต่อ AI มีแนวโน้มจะเปลี่ยนแปลงอย่างมาก
  • ก่อนที่จะเห็นผลอย่างการเติบโตทางเศรษฐกิจจาก AI หรือการยืดอายุมนุษย์ ก็มีโอกาสสูงที่จะเกิด ความปั่นป่วนขนาดใหญ่จากระบบอัตโนมัติของแรงงาน ก่อนแล้ว
  • ดังนั้นการสมมติว่าการรับรู้ของสาธารณะต่อ AI ในปัจจุบันจะคงอยู่อย่างเดิมในระยะยาวจึงเป็นเรื่องเสี่ยง
• มีโอกาสต่ำที่ AI จะ แทนที่งานทั้งหมดของมนุษย์ในคราวเดียว → คาดว่าจะเป็น ระบบอัตโนมัติแบบค่อยเป็นค่อยไป
  • AI มีแนวโน้มจะค่อย ๆ ทำงานของมนุษย์ให้เป็นอัตโนมัติทีละน้อยตลอดหลายปี
  • เมื่อเทียบกับสถานการณ์ที่ AI R&D อัตโนมัติ ทำให้เกิดการระเบิดของอภิปัญญาอย่างฉับพลัน การเปลี่ยนผ่านแบบ ค่อยเป็นค่อยไป ดูสมจริงกว่า
  • แม้ AI จะเหนือกว่ามนุษย์ในบางงาน แต่ในงานเสริมอื่น ๆ มนุษย์ก็ยังอาจได้เปรียบอยู่
• ในที่สุด AI จะเหนือกว่ามนุษย์ในกิจกรรมทางเศรษฐกิจส่วนใหญ่
  • แต่อาจต้องเกิดหลังจาก ระบบอัตโนมัติแบบค่อยเป็นค่อยไปนานหลายทศวรรษ
  • การเร่งการเติบโตทางเศรษฐกิจจะได้รับแรงหนุนจาก ระบบอัตโนมัติของงานทั่วไป มากกว่าการทำ R&D เป็นอัตโนมัติ

[redcrash0721]

https://freederia.com/%ed%94%84%eb%a1%ac%ed%94%84%ed%8a%b8-%ea%b0%a4%e… กำลังทดสอบระบบอัตโนมัติสำหรับ R&D อยู่ครับ ไม่ง่ายนัก แต่ก็คงไม่ใช่อนาคตที่ไกลเกินไป

[GN⁺]

ความเห็นจาก Hacker News

• สงสัยว่ามีใครบ้างที่มองโลกในแง่ดีต่อเทคโนโลยีแล้วกลับรู้สึกหดหู่จริง ๆ นอกจากเหตุผลเรื่องเทคโนโลยีมาแทนที่มนุษย์แล้ว ยังรู้สึกหดหู่เพราะไม่อาจตื่นเต้นไปกับกระแสโฆษณาเกินจริงที่มีโอกาสเกิดขึ้นจริงต่ำได้

  • รู้สึกเหมือนไม่ได้สร้างประโยชน์ที่เป็นรูปธรรมให้สังคม

• น่าแปลกใจที่ในเกือบ 300 คอมเมนต์ตอนนี้ ไม่มีใครพูดถึง constraint programming (CP) เลย CP คือพี่น้องฝั่งเชิงกำหนดของ AI แบบอาศัยข้อมูลเชิงความน่าจะเป็น

  • เดาว่าในงาน 14 อย่าง มีเพียง 6 อย่างเท่านั้นที่ทำได้ด้วยการให้เหตุผลเชิงนามธรรมอย่างเดียว งานที่สำคัญที่สุดสำหรับนักวิทยาศาสตร์การแพทย์ก็มีเพียงงานเดียวที่จัดว่าอาศัยการให้เหตุผลเชิงนามธรรมเพียงอย่างเดียว
  • งานสำคัญส่วนใหญ่ต้องการทักษะเชิงเทคนิค การประสานงานอย่างละเอียดกับผู้อื่น การใช้อุปกรณ์เฉพาะทาง ความสามารถด้านบริบทยาว และความเข้าใจหลายรูปแบบที่ซับซ้อน
  • งาน R&D 14 อย่างแทบทั้งหมดไม่เหมาะกับ AI ที่อาศัยข้อมูลและมีการให้เหตุผลเชิงนามธรรม แต่แก้ได้ด้วย CP
  • ผู้ก่อตั้งตรรกศาสตร์สมัยใหม่ การเพิ่มประสิทธิภาพ และ constraint programming คือ George Boole ซึ่งเป็นคุณปู่ของ Geoffrey Everest Hinton

• บทความนี้ทำให้หมดความเชื่อถือทั้งหมดตรงนี้

  • ข้ออ้างว่า "มีเพียง 20% ของการเติบโตด้านผลิตภาพแรงงานของสหรัฐฯ นับตั้งแต่ปี 1988 ที่ขับเคลื่อนโดยการใช้จ่ายด้าน R&D" ก็เหมือนกับการบอกว่ามูลค่าสุทธิของ Jeff Dean มาจากการเพิ่มความเข้มข้นของทุนในบัญชีธนาคารของเขา ไม่ใช่จากทักษะการเขียนโปรแกรม
  • ผู้เขียนกำลังจัดการกับแนวคิดในระดับนามธรรม และหลุดจากสิ่งที่ตัวเองกำลังพูดถึง

• ถ้ายังไม่เคยอ่านงานคลาสสิกปี 2015 เรื่องการนำเทคโนโลยีไปใช้งาน ก็คุ้มค่าที่จะอ่าน

  • รู้สึกว่าเรายังอยู่ในช่วงสำรวจของ GenAI แต่ ML ดูเหมือนจะอยู่ในช่วงนำไปใช้งานจริงแล้ว

• ข้ออ้างแบบซิลิคอนแวลลีย์ตามสูตรคือ R&D "ซับซ้อน" ส่วนอย่างอื่นทั้งหมด "ง่าย"

  • ถ้าเมื่อ 10 ปีก่อนมีคนบอกว่า AI จะทำคณิตศาสตร์/โค้ดได้ดีกว่า 99% ของมนุษย์ แต่การสั่งฮอตด็อกบน DoorDash กลับเป็นงานระดับล้ำสมัยและแทบเป็นไปไม่ได้ คุณคงจะประหลาดใจ
  • เห็นด้วยว่างาน "ทั่วไป" มีมูลค่ามากกว่า แต่การอ้างว่างานเหล่านี้จะถูกทำให้เป็นอัตโนมัติได้ง่าย เป็นมุมมองที่ตั้งอยู่บนความไม่รู้
  • RPA มีมานานกว่า 10 ปีแล้ว แต่ก็ไม่ได้ถูกใช้กับงานจำนวนมาก AI ก็เช่นกัน และหากไม่มีการเข้าถึงข้อมูลอย่างมหาศาลแบบไร้ข้อจำกัด มันก็จะไม่ถูกทำให้เป็นอัตโนมัติ

• พวกเขากำลังเถียงกันว่า ระหว่าง R&D กับระบบอัตโนมัติทั่วไป อย่างไหนจะได้ประโยชน์มากกว่า และก็สงสัยว่าการถกเถียงนี้มีความหมายอะไร

  • ความไม่ต่อเนื่องระหว่างพัฒนาการที่เกิดขึ้นจริงอยู่แล้ว (เช่น alphafold) กับความพยายามจะอนุมานคำตอบจากสถิติย้อนหลังเรื่องการลงทุน R&D สัดส่วน และผลกระทบที่ประเมินไว้ในอดีตนั้นดูแปลก
  • ตัว AI เองและความก้าวหน้าแบบทะลุเพดานอย่างต่อเนื่องก็คือ R&D

• มันเหมือนกับการปฏิวัติอุตสาหกรรมและการปฏิวัติเกษตรกรรมเกิดขึ้นอีกครั้ง การทำให้แรงงานเป็นอัตโนมัติในวงกว้างจะนำไปสู่การยกระดับทุน ไม่ใช่การยกระดับสังคม

  • มีการอ้างถึง "ความปั่นป่วนทางสังคม" จากการแทนที่แรงงานด้วย AI แต่กลับปัดให้เป็นปัญหาที่รัฐบาลต้องแก้
  • ถ้าตัดแรงงานออกไป ใครจะมาซื้อสินค้าของพวกเขา แล้วจะใช้รายได้จากไหนมาซื้อ
  • ทุนต้องหลุดออกจากการบริโภคและสร้างอารยธรรมขึ้นใหม่ทั้งหมดเพื่อเป้าหมายที่สูงกว่า แต่สิ่งนั้นหมายถึงการทำลายโครงสร้างอำนาจและความมั่งคั่งที่ตอนนี้พวกเขากำลังได้ประโยชน์อยู่

• นี่คือปัญหาเรื่องมูลค่าเปรียบเทียบของปัจจัยการผลิต เป็นคำถามว่า AI จะเพิ่มหรือลดมูลค่าเปรียบเทียบของแรงงานมนุษย์เมื่อเทียบกับเครื่องจักร วัตถุดิบ และที่ดิน

  • มีลางสังหรณ์ว่ามูลค่าเปรียบเทียบระดับกลางของแรงงานจะลดลง โดยเฉพาะในหมู่แรงงานความรู้
  • การได้รับการคุ้มครองอยู่ในอาชีพที่มีการกำกับดูแลเป็นสิ่งสำคัญ

• เห็นด้วยกับบทความนี้ทั้งหมด และในอดีตก็มีโอกาสมากมายที่การคำนวณต้นทุน/ผลตอบแทบไม่มีความหมาย

  • แค่ลองคิดถึงความแพร่หลายของ Excel VBA ก็ได้ ซึ่งถึงอย่างนั้นสำหรับคนส่วนใหญ่ก็ยังน่าจะถือเป็นทักษะขั้นสูงอยู่ดี

• พวกมองโลกในแง่ดีต่อเทคโนโลยีต้องตอบคำถามที่อยู่ในใจของชนชั้นกลางและคนยากจน

  • สงสัยว่าจะมองโลกในแง่ดีต่อเทคโนโลยีได้อย่างไรกับอนาคตที่ AI เข้ามาแทนที่งานจำนวนมหาศาล
  • สงสัยว่าจะจ่ายค่าเช่าหรือภาษีอย่างไรเมื่อถูก AI เลย์ออฟครั้งใหญ่
  • UBI ใช้ไม่ได้ในบริบทนี้ เมื่อมีค่าเช่าที่สูงขึ้น ค่าเช่า ค่าเลี้ยงดูเด็ก ภาษี ฯลฯ มันไม่สมจริงและอุดมคติเกินไป
  • มีเรื่องเล่าว่าในยุค AI จะมีงานใหม่ถูกสร้างขึ้น แต่คิดว่า AI จะเข้ามาแทนที่งานได้เร็วกว่าที่มันจะสร้างงานใหม่
  • พวกมองโลกในแง่ดีต่อเทคโนโลยีคือชนชั้นนักลงทุนที่มั่งคั่ง และมีผลประโยชน์ร่วมในการผลักดันเรื่องเล่าของตนเอง