Рынок труда: теперь Писсаридес.

Дискуссия про навыки в мире искусственного интеллекта (ИИ) продолжается. Теперь высказался нобелевский лауреат Писсаридес. Кратко: изучать математику бесполезно, потому что в будущем останутся в основном профессии с эмоциональным интеллектом, человеческим общением и заботой друг о друге.

Звучит интересно. Но в чём проблема с этими предсказаниями: оценка влияния сейчас весьма предварительная. Если вы помните, ИТ-сектор также должен был значительно изменить профессии. Но как показал дальнейший опыт, эти изобретения стали дополняющими, а не заменяющими (см. статью Аджемоглу 2000). И поэтому рынок труда почти не изменился, просто дополнился компьютерными навыками.

Вывод: если студент склонен к математике, надо ей и заниматься. Если когда-то ИИ станут достаточно сильными для замены офисных сотрудников, мир станет настолько другим, что первое образование окажется неважным.

#Labor #AI

Инвестиции в ИИ: на уровне страны увеличивают неравенство?

Любопытная статья (октябрь 2023) проверяет влияние инвестиций в "искусственный интеллект" (ИИ) на экономические переменные. Авторы берут 86 стран и горизонт 2010-2019, и связывают инвестиции в ИИ с доходами граждан, производительностью экономики и т.п. Основные результаты такие: более высокие инвестиции в ИИ

1) связаны с ростом доли дохода людей из верхних 10% доходов и снижением доли дохода людей из нижних 10% дохода = "рост неравенства";
2) приводят к снижению общей занятости в экономике;
3) дают переток из "среднего уровня навыков" в "высокий уровень навыков" и менеджерские позиции;
4) увеличивают производительность (total factor productivity);
5) а наиболее сильное увеличение неравенства давали инвестиции в роботизацию, ИИ в стройке и связанные с интернетом сервисы.

Звучит как минимум любопытно. При этом авторы говорят, что их выводы едва ли применимы к моделям, которые захватывают рынок после 2022 и ChatGPT - вероятно, их влияние может быть ещё более существенным.

Но. Меня смущают подобные выводы на макроуровне. Дело в том, что 2010-е были временем большого эксперимента в экономиках мира, и надо контролировать на десятки переменных - ставки (низкие могут увеличивать неравенство), старение населения (может снижать занятость), образование (кажется, был рост зарплатной премии за университет по миру), и т.п. Более богатые страны могли позволить себе высокие инвестиции в ИИ - и при этом неравенство в них росло по множеству причин, включая огромную отдачу на идеи через венчурный капитал. Поэтому надо крепко думать про госполитику в отношении последствий ИИ, но не забывать, что главными источниками могут быть совсем не инвестиции в ИИ.

Вывод: интересно, но из макроданных сложно сделать выводы о причинно-следственных связях. Нужно заранее обдумывать, как реагировать на вытеснение людей из рынка труда с ростом использования ИИ.

(А находить эти статьи можно тут: https://yangx.top/workingpaper)

#AI #Inequality #Labor

ИИ и инфляция: что сильнее, спрос или предложение?

Статья (апрель 2024) исследует влияние развития искусственного интеллекта на инфляцию в теоретической модели. Основная идея довольно простая - если ИИ увеличит предложение сильнее, чем спрос, то инфляция замедлится; в противном случае она вырастет из-за повышения инвестиций и покупок граждан. Авторы стараются связать ИИ с повышением производительности в отраслях за счёт аккуратного подсчёта потенциального замещения человеческого труда.

Мне не нравятся две вещи:

1) Оценка роста производительности от внедрения ИИ крайне произвольная. Если ещё точнее - авторы калибруют модель так, чтобы средний рост "полной факторной производительности" (TFP "по Солоу") был бы равен 1,5% годовых за 10 лет. Но почему такое число? Например, в США за 2010-2019 вкл. рост составил всего 5,76% - менее 1% в год. За 2000-2019 рост также невелик, около 13% и снова менее 1% в год.

2) Вообще не учитывается возникновение "новых отраслей". Дело в том, что замена людей (например, в журналистике или сценариях) заставляет всех нас искать другую работу - и вероятно, что в менее производительной области, например, уход за пожилыми или доставка. В результате общие эффекты для экономики могут оказаться менее значительными, чем подразумевает привлекательность использования ИИ.

Вывод: ещё один интересный кирпичик, но пока ограниченные по содержанию результаты.

(А находить эти статьи можно тут: https://yangx.top/workingpaper)

#AI #Inflation #Productivity

Языковые модели (ChatGPT+) и финансовые переменные.

Коллеги показали статью (май 2024), которая применяет ChatGTP4 Turbo к прогнозированию прибылей компаний США, а также доходностей акций. Что авторы сделали:

1) Аккуратно скрыли от модели информацию о компании и даже годе, стандартизировав отчётность;
2) Постарались понять, как именно рассуждает модель, и что является главными частями её прогнозов.

Результаты:

1) Направление изменения прибылей в следующем году ChatGPT4 делает лучше консенсуса аналитиков (ChatGPT3.5 заметно хуже) - условно 60% правильно против 53%. Более того, обыграны и ML-модели, и даже нейронная сеть;
2) Портфель акций, построенных на этих предсказаниях, имеет огромную альфу к трёхфакторной модели Фамы-Френча (12% в год!).

Мои вопросы:

1) Точно-точно нет "подглядывания в будущие данные"? Авторы стараются показать, что нет, но это неубедительно - неумение "предсказать" год или компанию не означают, что модель не "запомнила" финансовые связи из обучающих данных. Более того, качество прогнозов ухудшается с годами - это подозрительно;

2) Построение портфеля ну очень коварное (если вы посмотрите текст). Там столько ручных допиливаний, что непонятно, с чем сравнивать - объективно это не простой "пассивный портфель", который по сути получается в рамках модели Фамы-Френча. Поэтому я был бы осторожен в интерпретации.

Но в любом случае - новые интересные идеи, будем со студентами разбираться!

#AI #Portfolio #Earnings #MAFNES

Снова про производительность и труд.

Аджемоглу продолжает исследовать историю. Статья (май 2024) показывает, как в первую индустриальную революцию развивалась производительность и зарплаты. Выводы говорят сами за себя:

1) Производство хлопка стало одним из крупнейших секторов экономики Великобритании, но реальные зарплаты в нём не росли десятилетиями;

2) Автоматизация производства привела к постоянному надзору за сотрудниками, низкой автономности работы и ухудшению их здоровья;

3) Сотрудники не могли выбивать рост зарплат, так как не было расширения рынка труда около автоматизирующихся отраслей (и некуда было идти);

4) Искусственный интеллект сегодня может также повысить среднюю производительность, но не увеличить доходы или занятость людей - будет "замена", а не "сотрудничество".

Это выводы как в книге. Но важно помнить об этом - рынок труда сложный, и от внедрения новых технологий можно получить рост неравенства, что пользы особо не принесёт.

#AI #Acemoglu #Labor

Зарисовки про ИИ.

Как вы видели из квартальных отчётов бигтехов США, компании готовятся инвестировать много миллиардов в физическую инфраструктуру для ИИ. А инвесторы задумываются, оправданы ли эти инвестиции - видимо, есть неверующие в "почти сильный ИИ (AGI)". Микрософт прямо заявил, что лучше понимает будущую пользу от инвестиций, и продолжит их, несмотря на скепсис акционеров.

Кажется, что несколько вопросов, связанных с ИИ, показывают противоречивое влияние его на жизнь людей:

1) по "простым тестам" ("когда родился Александр Сергеевич Пушкин, поэт и писатель из России") даже лучшие LLM-модели продолжают давать плохие ответы. Видимо, у ChatGPT-o1 всего 42.5% точных ответов из более чем 4000 - то есть пока полагаться на качество информации не стоит;

2) очень интересное упражнение (октябрь 2024) по уточнению теории взаимодействия внутри организации - что остаётся сложной задачей даже в экспериментах с людьми, а здесь авторы смогли заметно упростить и удешевить проверку. Более того (октябрь 2024), в экспериментах ChatGPT уже активно используется;

3) а насколько на макро уровне полезны огромные инвестиции компаний - пока вообще неясно. Как с "интернетом" получилось не впечатляюще, так и текущие оценки Банка Канады (май 2024) показывают небольшое влияние цифровизации на рост (порядка +0,15 пп). А исследование (октябрь 2024) показывает, что нужен рост производительности и роста ВВП на 3 пп в год к 2030, чтобы покрывать издержки на дата центры и обучение моделей.

Так что скепсис инвесторов понятен. Сможет ли отдельная компания оправдать инвестиции - наверное, да, потому что околомонопольная позиция поможет. А будут ли на уровне всей экономики большие выгоды - зависит от широты использования ИИ в экономике.

(Вот общий тред: https://emcr.io/news/threads/6586833f0fec2)

#AI #Firms #Growth #Productivity

Языковые модели и прогнозы инфляции: почему я скептичен?

Эконс напоминает про исследование (октябрь 2024) прогнозов "большой языковой модели" (LLM) от Гугла. Авторы задают LLM условные вопросы "какой прогноз на ближайшие 1-4 квартала, если ты находишься в точке t", и затем сравнивают результаты с опросами аналитиков (Survey of professional forecasters). Горизонт времени 2019-2023.

Основной результат - что точность LLM выше, ошибка в среднем ниже. Но есть небольшая деталь: результат целиком зависит от 2021 года, а в остальном прогнозы как попало сравниваются. Посмотрите таблицу ниже - очень показательно. Не говоря о том, что LLM может видеть информацию о будущих годах, когда делает прогноз, и авторы это не могут проконтролировать.

Вывод: неубедительно. Нужны более аккуратные исследования.

#Inflation #US #AI

Машинное обучение и рецессии: сразу по 20 странам.

Очередное применение машинного обучения (МО, ноябрь 2024). Авторы показывают, что наиболее успешным алгоритмом для прогнозов рецессий в 20 странах ОЭСР является "жесткий алгоритм" МО. Он сначала по историческим данным выбирает лучшие наборы переменных, а затем по ним строит предсказания. Такой алгоритм превосходит всё остальное, что они попробовали, в том числе индивидуальные модели для отдельных стран.

Вывод: опять МО значительно улучшают прогнозы. "Ансамбли моделей" обязаны включать МО как один из инструментов.

#ML #Recessions #AI

ML в применении к текстам: готовые пакеты.

Авторы статьи (ноябрь 2024) попробовали помочь нам с анализом текстов. Основная идея - сделать пакет в Питоне, который позволяет быстро собрать из текстов что-то "факторное", в том числе для макрофинансовых моделей прогнозов и объяснения доходностей. Они выложили пакеты - будем разбираться, как это работает. Особенно интересно было бы применять для российских новостей, и отдельно для ТГ.

Моя цель - применять такое для прогнозов макро, но наверняка постепенно это выстроится в более широкую линейку анализа текстов и выводов из них. Другой пример про новости также демонстрирует пользу от подобной информации.

#Forecasts #Python #News #Texts #AI

Как написать статью по финансам? Через GigaChat!

Статья (январь 2025) предлагает отличный способ придумывать научные статьи по финансам, в данном случае по факторным моделям (объяснение доходностей портфелей в кросс-секции). Задаешь правильные промпты - ChatGPT 3.5 сам тестирует данные, пишет текст с таблицами, осталось научить в журналы подавать и успех! У авторов получилось 96 новых факторов со значимым эффектом (из потенциальных 30000).

Вывод: генерировать статьи стало проще. Смысла становится ещё меньше (авторы жестко называют это HARKing, hypothesizing after results are known - «формулировать гипотезы после того, как результаты получены»). Как метод работы с данными это интересно - мы как раз со студентами в субботу будем разбирать факторные модели, но как осмысленная деятельность не очень.

#Factors #AI #Teaching #MAFNES

Факторные модели с использованием ML и аналога ChatGPT.

Статья (январь 2025) показывает, как можно использовать модели-трансформеры в объяснении рисков финансовых активов. Основная идея - что факторы строятся динамически, их веса меняются во времени, а сама модель нелинейна (хотя даже простой случай с линейностью уже улучшает объяснение рисков). Вывод из модели - что рост числа параметров модели позволяет улучшать Sharpe ratio для так называемого "рыночного портфеля", и что ошибки объяснения доходностей индивидуальных акций снижаются.

Это довольно обычная ситуация в большинстве применений трансформеров, в том числе в ChatGPT и GigaChat. Исторически больше параметров давали более удачные модели, и видимо, это верно для последних версий ChatGPT "с рассуждением". Правда, у авторов небольшие наборы - от 100 тыс. до 1 млн параметров, но даже это даёт сильное улучшение.

Вывод: минимум две темы для студентов в следующем году будут про это.

#AI #Factors #Teaching

Производство чипов в Китае: успех?

Которая записка ФРС (январь 2025) напоминает, что

1) ограничения 2023 года со стороны США, Японии и Нидерландов позволили замедлить развитие производства чипов в Китае,

2) но не остановили работу и позволили перейти к 5нм чипам,

3) а вне самых передовых чипов результаты впечатляющие - Китай самодостаточен для любых нужд промышленности.

Поэтому DeepSeek, хотя (видимо) построил сети на чипах NVIDIA, в какой-то момент может оказаться полностью на китайских чипах. Qwen2.5-Max также пока не на китайских - но инвестиции Китай делает, и должен добиться результата.

#AI #China #Chips

Меняющийся рынок труда в США: очередные прогнозы про ИИ.

Статья (январь 2025) проверяет, насколько быстро менялся рынок труда в США с 1880 года. Авторы обнаруживают, что стабильность была гораздо выше в последние 30 лет, чем до этого. Два очевидных примера:

1) в начале 20 века около 40% людей в США работали в с/х, а сейчас 2%;

2) в 1960 около половины сотрудников занимались производством и ручным трудом, а сейчас 20%.

Поэтому, по их мнению, время с 1990 по 2017 было одним из самых стабильных для работников. Пандемия внесла изменения, и они подчеркнули целых четыре сигнала про влияние ИИ на труд:

1) снижение "поляризации" рынка. Последние годы стало меньше "дешевых" рабочих мест и больше высокооплачиваемых сотрудников, до этого шло "удешевление";

2) рост в низкооплачиваемых местах в секторе услуг остановился (была мантра "нас заменят роботы, а мы будем задешево мыть посуду");

3) занятость в STEM (связанные с наукой, технологиями, инженерные или математические вещи) выросла более чем на 50% с 2010 года;

4) занятость в ритейле упала на 25% за 2013-2023. Видимо, тут онлайн помог.

Поэтому авторы надеются, что ИИ окажется новой "технологией общего назначения", но подозревают очень постепенное (за десятилетия) её внедрение. Первые знаки быстрых изменений видны - но пока неясно, относить их к перестройке рынка труда после пандемии, или влиянию ИИ.

#AI #Labor #US

Как понять центробанкира? В ГигаЧат сдай пресс-релиз!

Статья (декабрь 2024) показывает, как суммируют и выделяют главное из пресс-релизов ФРС современные LLM. Видимо, они уже способны хорошо понять тексты, и даже без дополнительного докручивания. Почему это важно: пресс-релизы однообразны, но написаны довольно техническим языком, и было бы лучше, если бы нам (простым людям) смысл текста дополнительно разъясняли.

Вывод: через полгода все высказывания, которые нам непонятны (включая, если это необходимо, пресс-релизы и резюме Банка России), будут удобно прокомментированы приложениями ГигаЧата и DeepSeek. Русским языком прямо в наушники! Превосходно.

#LLM #AI #FRS

LLM, которая играет в (человеческие) игры.

Статья (февраль 2025) проверяет, как большие языковые модели (LLM агенты) играют в игры газеты The New York Times. Я только Wordle из них знаю. Авторы обнаруживают, что результаты довольно посредственные, и основная проблема - отсутствие хорошей "обратной связи". То есть, когда AlphaGo классно играет в го, это интересно; но нас как пользователей интересуют простые задачи, а в них может быть слишком много подразумеваемых шагов, которые сделать не так легко - LLM требуются для них явные "функции полезности", а задавать их непросто.

Авторы предлагают несколько шагов, которые должны улучшить итоговый результат:

1. Надо тренировать и оценивать LLM-агентов на задачах ежедневной жизни людей. Круто, что LLM сдаёт тест по математике или химии; но лучше бы она без больших ошибок умела заказать пиццу.

2. Желательно, чтобы модели подстраивались под динамически изменяющуюся среду. Человек достаточно гибок для этого - модели должны повторять.

3. (Главное) LLM нужны встроенные механизмы самооценки, самокритики и автокорреции (целей, результатов, подходов). Основа обучения для нашего мозга - эксперименты и подстройка после ошибок. В этом люди пока успешнее, модели должны копировать.

Там ещё есть обсуждение, почему автоматизация работы ЦБ при помощи таких моделей пока невозможна - идея, очевидно, всё та же: динамически меняющаяся среда не даёт "простых правил" для ставки или макропруденциальной политики. Нужны тренированные люди, способные к аргументации, экспериментам и хотя бы эконометрике (а не оценке vox populi).

Вывод: пока LLM неплохи как co-pilots, помощники в (последовательных и просто структурированных) задачах. Для широкого ИИ (AGI) потребуется больше усилий.

(А находить эти статьи можно тут)

#AI #AGI #Wordle