ANALYSIS: කෘත්‍රිම බුද්ධියෙහි (AI) ආර්ථික බලපෑම්

 මෙම සාරාංශය, කෘත්‍රිම බුද්ධියෙහි (AI) ආර්ථික බලපෑම් පිළිබඳව අවධානය යොමු කරමින්, ඩැරන් අසෙමොග්ලු (Daron Acemoglu) විසින් රචිත "AI's Modest Macroeconomic Impact and Welfare Concerns" සහ "The Simple Macroeconomics of AI" යන ලිපි දෙකෙහි ප්‍රධාන තේමා සහ සොයාගැනීම් සමාලෝචනය කරයි.

Daron Acemoglu: Short Bio and Work on AI

ඩැරන් අසෙමොග්ලු (Daron Acemoglu) යනු සුප්‍රසිද්ධ  ඇමරිකානු ආර්ථික විද්‍යාඥයෙකු වන අතර, සුප්‍රකට MIT තාක්ෂණික විශ්වවිද්‍යාලයේ මහාචාර්යවරයෙකි. දේශපාලන ආර්ථිකය, ආර්ථික සංවර්ධනය සහ ශ්‍රම ආර්ථික විද්‍යාව වැනි ක්ෂේත්‍රයන්හි ඔහු ප්‍රමුඛ පෙළේ විද්වතෙකි. ආයතන සමෘද්ධියට බලපාන ආකාරය පිළිබඳ ඔවුන්ගේ පර්යේෂණ වෙනුවෙන් අසෙමොග්ලු මහතා, ඔහුගේ පර්යේෂණ සගයන් වන සයිමන් ජොන්සන් (Simon Johnson) සහ ජේම්ස් ඒ. රොබින්සන් (James A. Robinson) සමඟ 2024 වසරේ ආර්ථික විද්‍යාව සඳහා වූ නොබෙල් ත්‍යාගය දිනා ගත්තේය.

අසෙමොග්ලුගේ AI පිළිබඳ කෘති, විශේෂයෙන්ම ඔහුගේ "AI's Modest Macroeconomic Impact and Welfare Concerns" සහ "The Simple Macroeconomics of AI" යන පත්‍රිකා, තාක්ෂණික නායකයන් විසින් නිරන්තරයෙන් ඉදිරිපත් කරන ශුභවාදී අදහස්වලට අභියෝග කරයි. 

ඔහුගේ පර්යේෂණවලින් පෙනී යන්නේ, AI හි සාර්ව ආර්ථික බලපෑම එතරම් ඉහළ මට්ටමක නොපවතින අතර, එය සමාජ සහ ආර්ථික අසමානතාවයන් වඩාත් නරක අතට හැරවිය හැකි බවයි.

AI හි සමස්ත සාර්ව ආර්ථික බලපෑම: විප්ලවීය එකක් නොවේ

ඩැරන් අසමොග්ලු සිදුකල පර්යේෂණවලින් ඔහුට පෙනීගොස් ඇත්තේ, පොදුවේ කෘත්‍රිම බුද්ධිය පිලිබඳව සිදුවන සාකච්ඡාවලදී පලකෙරෙන ආකාරයේ මහා විප්ලවීය වෙනසක් මෙම තාක්ෂණය හරහා ආර්ථික වර්ධනයට සිදු නොවනු ඇති බවයි.

ඔහුගේ තර්කනයට අනුව, "පාරිභෝගික සුබසාධනය සඳහා අදාළ මිනුම් දණ්ඩ වන්නේ TFP (සමස්ත සාධක ඵලදායිතාව)" වනවා. ඔහු සිදුකල ඇස්තමේන්තු අනුව, කෘත්‍රිම බුද්ධිය (AI) හේතුවෙන් "වසර 10ක් තුළ සමස්ත සාධක ඵලදායිතාව (Total Factor Productivity) 0.71% කට වඩා වැඩි නොවන වර්ධනයක්"  බලාපොරොත්තු වෙන්න පුලුවන්. 

මෙය සෑම් ඕල්ට්මන් (OpenAI), සුන්ඩර් පිචායි (Google), මාර්ක් සකර්බර්ග් (Meta) හා බිල් ගේට්ස් (Microsoft) වැන්නවුන් පුරෝකථනය කරන, කෘත්‍රිම බුද්ධිය නිසා සිදුවන සාර්ව ආර්ථික විප්ලවයට වඩා හාත්පසින්ම වෙනස් අනාවැකියක්.

කෘත්‍රිම බුද්ධියෙන් ගෝලීය දල දේශීය නිශ්පාදිතයින්ට වන බලපෑම

සාර්ව ආර්ථික විද්‍යාත්මක දෘෂ්ටිකෝණයකින් බලන කල, කෘත්‍රිම බුද්ධිය (AI) හේතුවෙන් ඉදිරි වසර 10 තුළ දළ දේශීය නිෂ්පාදිතය (GDP) "1.1% ක පමණ" වර්ධනයක් අත්කර ගනු ඇතැයි ඇස්තමේන්තු කර ඇත. සැලකිය යුතු ආයෝජන ව්‍යාප්තියක් සිදුවුවහොත්, මෙම වර්ධනය "1.6% සිට 1.8% දක්වා" වූ ඉහළ අගයක් කරා ළඟා වීමට ද ඉඩ ඇති බව ඩැරන්ගේ පරියේෂණ පුරෝකතනය කරනවා.

වෙනත් පුරෝකථන සමඟ සංසන්දනය

මෙම ඇස්තමේන්තු, ගෝලීය දළ දේශීය නිෂ්පාදිතය 7% කින් ඉහළ යනු ඇතැයි ගෝල්ඩ්මන් සැක්ස් (Goldman Sachs) විසින් සිදු කළ අනාවැකි හෝ ගෝලීය ආර්ථිකයට ඩොලර් ට්‍රිලියන 17.1 ත් 25.6 ත් අතර අගයක දායකත්වයක් ලැබෙනු ඇතැයි මැකින්සි ග්ලෝබල් ඉන්ස්ටිටියුට් (McKinsey Global Institute) විසින් සිදු කළ පුරෝකථන වැනි "ප්‍රමුඛ අනාවැකිවලට වඩා සැලකිය යුතු තරම් මධ්‍යස්ථ" වේ

AI මගින් සාර්ව ආර්ථිකයට බලපෑම් කල හැකි ආකාර 

AI හි ආර්ථික බලපෑම පහත සඳහන් මාර්ග ඔස්සේ සිදුවිය හැකි බවට පර්යේෂකයින් යෝජනා කරනවා.

• ස්වයංක්‍රීයකරණය (Automation): ඇතැම් කාර්යයන් AI මගින් සිදු කිරීම සහ ඒ ආශ්‍රිත පිරිවැය අඩු කිරීම (උදාහරණ ලෙස, ChatGPT වැනි Large Language Models(LLM) මගින් ලිපිකාරී කටයුතු සහ ලේඛන කටයුතු පහසු කිරීම කිරීම).

• කාර්යයන් පරිපූරණය කිරීම (Task Complementarity): AI මගින් ශ්‍රමිකයන්ගේ කාර්යයන්හි ඵලදායිතාව ඉහළ නැංවීම (උදාහරණ ලෙස, සේවකයින්ට වඩා හොඳ තොරතුරු ලබා දීම හෝ විශේෂඥකරණයට ඉඩ සලසමින් උප-කාර්යයන් ස්වයංක්‍රීය කිරීම).

• ස්වයංක්‍රීයකරණය තීව්‍ර කිරීම (Deepening of Automation): දැනටමත් ප්‍රාග්ධනය මත දැඩි ලෙස යැපෙන (highly capital intensive) කාර්යයන්හි ක්‍රියාකාරීත්වය වැඩි දියුණු කිරීම හෝ පිරිවැය අඩු කිරීම.

• නව කාර්යයන් නිර්මාණය කිරීම (New Tasks): ශ්‍රම-දැඩි (labour intensive) නව නිෂ්පාදන හෝ කාර්යයන් නිර්මාණය කිරීම.

මෙම පත්‍රිකාව ප්‍රධාන වශයෙන් අවධානය යොමු කරන්නේ ස්වයංක්‍රීයකරණය සහ කාර්යයන් පරිපූරණය කිරීම මත වන අතර, නව කාර්යයන් නිර්මාණය කිරීම පිළිබඳව ද සාකච්ඡා කරමින් ඒවායෙන් ආර්ථික වර්ධනය සිදුකල හැකි දායකත්වය අගයනවා.

Overestimation Concerns: අධි තක්සේරු කිරීම් පිළිබඳ ගැටලු

වර්තමාන AI ඵලදායිතා වාසි පිළිබඳ විවිධ විචාරකයින් පලකරන ඇස්තමේන්තු අතිශයෝක්තියක් විය හැකි බවට ප්‍රධාන වශයෙන් අවධාරණය කෙරෙන කාරණයක් නම්, ඊට අදාළ මුල් සාක්ෂි බහුලව ලැබී ඇත්තේ 'පහසුවෙන් ඉගෙනගත හැකි' කාර්යයන්ගෙන් වීමයි." 

පහසුවෙන් ඉගෙන ගත හැකි කාර්යයන් යනුවෙන් අදහස් කරන්නේ, කෘත්‍රිම  බුද්ධි වැඩසටහන් වලට ඉගැන්වීම (training AI) සඳහා පහසු කටයුතුයි. භාශාව හඳුනාගැනීම, ඡායාරූප හඳුනාගැනීම, රටා හඳුනාගැනීම මින් කිහිපයක්.

ඉගෙනීමට අපහසු (hard for AI to learn) කාර්යයන්:

මෙම කාර්යයන් සඳහා සංකීර්ණ සහ සන්දර්භය මත රඳා පවතින සාධක ඇතුළත් වන අතර ඵලදායිතා වැඩි දියුණු කිරීම් සීමා කරයි. නිදසුන් ලෙස, නොනැසී පවතින කැස්සක් හඳුනා ගැනීම හෝ ශාස්ත්‍රීය කෘතියක් ඇගයීම, වෙළෙඳපොළ සාධක සහ තරඟකරුවන්ගේ ක්‍රියා විශ්ලේෂණය කිරීම මඟින් තරඟකාරී උපාය මාර්ගයක් තීරණය කිරීම දැක්විය හැකිය. මේවායේ සාර්ථකත්වය පහසුවෙන් මැනිය නොහැක. මෙවැනි කාර්යයන් සඳහා මිනිස් විශේෂඥයින් වසර ගණනාවක් පුහුණුවන අතර ජේෂ්ඨයින් ඇසුරුකරමින් ඔවුන් හදාරමින් සිය දැනුම මුවහත් කරගනියි. මේවා කෘත්‍රිම බුද්ධි වැඩසටහනකට ඉගැන්වීම පහසු නැත.

පත්‍රිකාව මඟින් ඇස්තමේන්තු කර ඇත්තේ, "වැටුප් බිල්පත අනුව බර කරන ලද නිරාවරණය වූ කාර්යයන්වලින් 74%ක්ම... පහසු" බවයි. දුෂ්කර කාර්යයන්හි අඩු ඵලදායිතා ලාභයන් (පහසු කාර්යයන්වලින් ආසන්න වශයෙන් හතරෙන් එකක් ලෙස ඇස්තමේන්තු කර ඇත) ගණනය කිරීමේදී, මීළඟ දශකය තුළ සමස්ත සාධක ඵලදායිතා ලාභයන් "0.0055" (0.55%) දක්වා පහත වැටේ.