Недавно я имел удовольствие послушать лекцию, одного из своих любимых экономистов – Александра Александровича Аузана. Он человек крайне интересный, помимо того, что Аузан большой ученый, он часто высказывает весьма нетривиальные гипотезы. Очень рекомендую к чтению, просмотру, прослушиванию.
Так вот, уже под занавес лекции под названием «Контуры будущего», посвященной проблематике долгосрочного планирования, ему задали вопрос может ли ИИ вернуть социализм. Аузан произнес фразу, которая заставила бы содрогнуться и Адама Смита, и Карла Маркса одновременно.
«Немоделируемы наши мотивы», — сказал он, объясняя, почему искусственный интеллект никогда не сможет по-настоящему управлять экономикой. «Ему [мозгу] приходится обслуживать наше тело. А тело наше имеет многочисленные потребности. А эти потребности — это и есть наши мотивы, которых у ИИ нету».
Желающие ознакомиться могут посмотреть лекцию:
Но пока многоуважаемый Александр Александрович говорил о человеческой природе как о непреодолимом препятствии для алгоритмического планирования, в тысячах километров от Москвы компьютеры Amazon в режиме реального времени решали, какие товары доставить в какие склады, предсказывая желания 300 миллионов покупателей с точностью, о которой советские плановики могли только мечтать. В Шанхае алгоритмы управляли энергопотреблением 24 миллионов человек, сокращая расход электричества на 10% в часы пик.
Может настало время? Может пора начать экономический эксперимент? Воскресить плановую экономику с помощью искусственного интеллекта и больших данных. Вопрос в том, решат ли фронтирные технологии проблемы, которые погубили идеи социализма в XX веке, или создадут новые, еще более сложные дилеммы.
Корпорации стали планировать лучше государств
Ирония сегодняшнего дня заключается в том, что наиболее успешные примеры экономического планирования с использованием ИИ сегодня демонстрируют не социалистические государства, а капиталистические корпорации. Amazon, Walmart и китайские технологические гиганты создали системы планирования, которые по сложности и эффективности превосходят все, что когда-либо пытались построить в СССР.
Система прогнозирования спроса Amazon анализирует данные о продажах, социальные тенденции, экономические индикаторы и даже погодные условия, предсказывая потребности покупателей с поразительной точностью. Во время «киберпонедельника» 2023 года алгоритмы компании спрогнозировали ежедневный спрос на более чем 400 миллионов товаров. Результат: сокращение избыточных запасов на 20%, улучшение доступности товаров на 15%, и — что самое впечатляющее — оборот складских запасов, который постоянно растет с 2021 года.
«Amazon использует ИИ, чтобы обеспечить более быструю доставку клиентам по всему миру», — объясняет Скот Гамильтон, вице-президент по технологиям планирования и маршрутизации Amazon. Компания смогла повысить скорость выявления и организации доставок на 75% благодаря индивидуализированным системам управления запасами.
Walmart пошел еще дальше. Их ИИ-система не просто прогнозирует спрос – она «умеет забывать» аномалии, такие как ураганы или пандемии, чтобы не включать одноразовые отклонения в будущее планирование. Эта запатентованная технология помогла снизить ошибки прогнозирования на 30%. Кроме того, оптимизация маршрутов с помощью ИИ позволила Walmart исключить 30 миллионов ненужных миль поездок, сэкономив 3,5 миллиона долларов и предотвратив выброс 94 миллионов фунтов CO².
В Китае масштабы поражают воображение. Alibaba обслуживает более 100 миллионов потребителей через ИИ-кредитование по принципу «3-1-0»: 3 минуты на заявку, 1 секунда на решение ИИ, 0 сотрудников в процессе. Система рекомендаций AIRec превосходит самоуправляемые алгоритмы на 20-100%, а общая выручка Alibaba в 2024 году составила 130 миллиардов долларов.
По данным McKinsey, компании, рано внедрившие ИИ в управление цепочками поставок, добились 15% снижения логистических затрат, 35% сокращения уровня запасов и 65% улучшения качества обслуживания. Это те самые показатели эффективности, которые советские плановики пытались достичь с помощью пятилеток и государственных комитетов.
Цифровые эксперименты государств
Правительства по всему миру внимательно наблюдают за корпоративными успехами и проводят собственные эксперименты с ИИ-планированием. Однако картина здесь гораздо сложнее и противоречивее, ведь экономика страны не равна экономике даже очень крупной корпорации.
- В России создали одну из самых масштабных систем цифрового государства в мире. Платформа «Госуслуги» обслуживает более 112 миллионов пользователей – это 76% взрослого населения страны. Более 340 миллионов услуг было оказано в электронном виде только в 2023 году. Система центров «Мои документы», которую первоначально создал мэр Москвы Сергей Собянин, охватывает теперь всю страну. В одной только Москве работает 132 центра «Мои документы», где можно получить практически все мыслимые услуги. ИИ-помощник робот Макс ежедневно консультирует 1 миллион пользователей и помогает значительно упростить пользовательский путь. Общая экономия времени граждан от цифровизации государственных услуг составляет сотни миллионов человеко-часов ежегодно.
- Сингапур превратил весь город-государство в «умную нацию». ИИ-система управления трафиком динамически регулирует светофоры в зависимости от дорожной обстановки, сокращая проблемы общественного транспорта на 92%. Интеллектуальные датчики мусорных контейнеров сокращают ненужные поездки мусоровозов на 30%. В 2023 году Сингапур занял первое место в рейтинге умных городов IMD.
- Китайская система социального кредита, вопреки распространенным на Западе представлениям, оказалась «удивительно низкотехнологичной», как отмечают исследователи. Это не единая ИИ-система, отслеживающая каждого гражданина, а набор разрозненных баз данных, в основном сосредоточенных на компаниях, а не на физических лицах. Основная технологическая проблема – не создание всемогущих алгоритмов, а простое объединение данных между государственными ведомствами. Тем не менее, масштабы впечатляют.
Но не стоит забывать – цифровизация части государственных задач не равна полному переходу государства на цифровое планирование, основанное на больших данных.
Великая дискуссия экономистов
В академических кругах развернулась ожесточенная дискуссия о том, могут ли современные технологии решить «проблему расчета», сформулированную в 1920-х годах Людвигом фон Мизесом и Фридрихом Хайеком. Спор этот далеко не академический – от его исхода может зависеть экономическое устройство будущего.
Дарон Аджемоглу, лауреат Нобелевской премии 2024 года, настроен скептически. В своей работе «Простая макроэкономика ИИ» он предсказывает «скромный» рост ВВП на 1,1-1,6% за 10 лет от внедрения ИИ - гораздо меньше, чем обещают энтузиасты. «Откуда появятся новые задачи для людей с генеративным ИИ? Я думаю, мы пока не знаем этого, и в этом проблема», - предупреждает он.
А если нобелевские лауреаты недооценивают скорость технологических изменений? Что если мы стоим на пороге такого же качественного скачка, как переход от счетов к калькуляторам?
Джозеф Стиглиц, еще один нобелевский лауреат, подчеркивает важность человеческого фактора: «Талантливые люди - самый важный фактор в производстве этих компаний». Он беспокоится, что ИИ «собирает так много информации... пытается присвоить ценность знаний, созданных другими людьми, не платя за это».
С другой стороны, исследователи из Salesforce создали «ИИ-экономиста» – первое применение обучения с подкреплением к разработке налоговой политики. Их система улучшила компромисс между равенством и производительностью на 16% по сравнению с традиционными моделями, включая работы Эммануэля Саеза.
Евгений Морозов, один из самых ярких сторонников «цифрового социализма», утверждает, что ценовая система - это «грубый инструмент», который «сжимает сложные, многомерные предпочтения участников рынка в одно число». По его мнению, «больше нет необходимости сжимать множество разнородных фактов в смирительную рубашку цен, когда компьютерные чипы могут передавать эти факты напрямую».
Однако неоавстрийская школа экономики остается непреклонной. Линн Кизлинг из Американского института предпринимательства подчеркивает: «Знания – это не данные, а данные – лишь неполная замена знаниям. ИИ не может выполнять экономические расчеты без человеческого участия».
Проблема человеческих мотивов
Именно здесь аргумент Аузана о немоделируемости человеческих мотивов становится особенно актуальным. Современные исследования подтверждают его высказывание: ИИ может оптимизировать процессы, но не может понять, почему люди принимают те или иные решения.
Стивен Фелан, изучающий предпринимательство, формулирует это так: «Машина - плохой предприниматель, потому что ей все равно, какое экономическое решение важнее другого. В каждой задаче ИИ важность одного результата над другим заранее определяется человеком. Люди говорят ИИ, о чем заботиться».
Проблема «неявного знания», которую впервые сформулировал Майкл Полани, остается нерешенной. Как объясняет его парадокс: «Мы можем знать больше, чем можем сказать». Экономические решения часто основываются на интуиции, контексте, культурных кодах и личном опыте, которые невозможно оцифровать.
Но если неявное знание так важно, то почему ИИ-трейдеры уже обыгрывают людей на биржах? Может быть, мы переоцениваем уникальность человеческой интуиции в экономике?
Исследование компании Aeon показывает, что «машинное обучение работает не столько путем имитации неявных знаний, сколько путем поиска надежных путей к тем же выводам, к которым люди приходят благодаря использованию неявных знаний». Но неявные части знания, которые питают рыночные экономические решения, теряются при переводе распределенной информации в цифровой код новых плановых царей.
Более того, всеобъемлющее экономическое планирование потребовало бы беспрецедентного сбора данных – фактически тотальной экономической слежки за каждым индивидом. Это поднимает серьезные вопросы о приватности и человеческой свободе.
Гибридное будущее
Возможно, самые многообещающие результаты демонстрируют гибридные системы, которые сочетают алгоритмическую координацию с рыночными механизмами.
- Uber и Airbnb используют сложные алгоритмы для сопоставления спроса и предложения, но при этом сохраняют индивидуальную автономию участников. Uber обслуживает 6 миллиардов поездок в год, используя динамическое ценообразование и оптимизацию маршрутов, но водители сохраняют свободу выбора.
- В энергетическом секторе Дания достигла поразительных результатов, сочетая ИИ-управление сетями с рыночным ценообразованием. Страна уже получает 50% энергии из возобновляемых источников и планирует достичь 100% к 2030 году. ИИ-алгоритмы прогнозируют энергопотребление и координируют распределенные энергетические ресурсы, но цены определяются рыночным спросом и предложением. Экономия составляет до 800 миллионов датских крон ежегодно только от оптимизации температуры в системах централизованного отопления.
- В финансовых рынках ИИ теперь участвует в 70% торгового объема на крупных биржах, ускоряя процесс ценообразования с 15 минут до 15 секунд. Но это улучшает, а не заменяет рыночные механизмы.
- Даже на обычных розничных рынках ИИ делает торговлю честнее и эффективнее. Алгоритмы Яндекс.Маркета и Ozon анализируют миллионы отзывов, выявляя поддельные и помогая покупателям принимать более обоснованные решения. ИИ-системы банков за секунды оценивают кредитоспособность, снижая процентные ставки для честных заемщиков и делая кредиты доступнее.
Исследование McKinsey показывает, что наиболее успешными оказываются именно гибридные подходы, которые используют ИИ для координации, но сохраняют рыночную дисциплину и индивидуальные стимулы.
Уроки провалов и успехов
История учит нас осторожности. Виктор Глушков в 1970-х предложил создать советский интернет для компьютеризации планирования – проект ОГАС. Он был заблокирован бюрократами, опасавшимися потерять работу. Даже успешные попытки, как оптимизация сталелитейной промышленности Леонидом Канторовичем, требовали шести лет на сбор данных и достигли лишь скромных улучшений.
Современный ИИ сталкивается с аналогичными проблемами. Обучение крупных языковых моделей уже стоит сотни миллионов долларов и может достичь триллиона к концу десятилетия. Системы остаются «черными ящиками», трудными для объяснения и контроля. Они хорошо справляются с типичными случаями, но проваливаются на редких, критически важных сценариях. Количество не синтезированных данных доступных для обучения падает с каждым годом.
Как отмечают исследователи, ИИ-системы «могут сталкиваться с принципиальными ограничениями из-за математического парадокса столетней давности… есть проблемы, для которых существуют стабильные и точные нейронные сети, но ни один алгоритм не может создать такую сеть». Яркий пример – недавний сбой в системе ИИ-торговли, когда алгоритм за 32 минуты потерял Knight Capital 440 миллионов долларов из-за ошибки в коде. Или провал Microsoft Tay – чат-бота, который за 24 часа превратился в расиста благодаря «обучению» интернет-троллями.
Куда нам поворачивать?
Спустя более века после первых дебатов о социалистических расчетах мы подходим к новому витку этой дискуссии. ИИ действительно может решать некоторые проблемы, которые мучили плановую экономику: он обрабатывает огромные объемы данных, реагирует на изменения в реальном времени и оптимизирует сложные процессы с невиданной ранее эффективностью.
Но центральный аргумент Аузана о человеческих мотивах остается в силе. Наши потребности, желания, мечты и страхи – это не просто данные для обработки. Это живая, постоянно меняющаяся сущность человеческого опыта, которая питает предпринимательство, инновации и экономическую динамику.
Возможно, истинный урок современных экспериментов с ИИ-планированием заключается не в том, что машины могут заменить рынки, а в том, что они могут сделать рынки лучше. Amazon использует ИИ не для отмены рыночных сигналов, а для их более точной интерпретации. Эстония применяет алгоритмы не для замены демократических процессов, а для их ускорения и упрощения.
Будущее может принадлежать не воскрешению планового социализма, а эволюции капитализма – системе, где ИИ усиливает человеческие способности к принятию решений, но не заменяет их приводя нас в некий новый уклад, который мы пока не можем осознать. Системе, где алгоритмы помогают координировать сложные экономические процессы, но окончательный выбор остается за людьми с их немоделируемыми мотивами, культурными кодами и непредсказуемой творческой энергией.
В конце концов, самые успешные экономические системы всегда учитывали главную истину: экономика существует не для машин, а для людей. И пока это так, наши телесные мотивы, о которых говорил Аузан, останутся самой важной переменной в любом экономическом уравнении – даже самом умном.
