Machine dreams

New tech is taking longer to spread through economies. That is bad news for AI

To understand the impact that artifi­cial intelligence may have on the economy, consider the tractor. Historians dis[1]agree about who invented the humble machine. Some say it was Richard Trevithick, a British engineer, in 1812. Others argue that John Froelich, working in South Dakota in the early 1890s, has a better claim. Still others point out that few people used the word “tractor” until the start of the 20th century. All agree, though, that the tractor took a long time to make a mark. In 1920 just 4% of American farms had one. Even by the 1950s less than half had tractors. Speculation about the consequences of ai—for jobs, productivity and quality of life—is at fever pitch. The technology is awe­inspiring. And yet ai’s economic impact will be muted unless millions of firms beyond tech centres like Silicon Valley adopt it. That would mean far more than using the occasional chatbot. Instead, it would involve the full scale reorganisation of businesses, as well as their in[1]house data. “The diffusion of technological improvements”, argues Nancy Stothe University of Chicago, “is arguably as critical as innovation for long­run growth.” The importance of diffusion is illustrated by Japan and France. Japan is unusually innovative, producing on a per ­person basis more patents a year than any country bar South Korea. Japanese researchers can take credit for the invention of the qr code, the lithium­ion battery and 3d printing. But the country does a poor job of spreading new tech across its economy. Tokyo is far more productive than the rest of the country. Cash still dominates. In the late 2010s only 47% of large firms used computers to manage supply chains, compared with 95% in New Zealand. According to our analysis, Japan is roughly 40% poorer than would be expected based on its innovation. France is the opposite. Although its record on innovation is average, it is excel[1]lent at spreading knowledge. In the 18th century French spies stole engineering secrets from Britain’s navy. In the early 20th century Louis Renault visited Henry Ford in America, learning the secrets of the car industry. More recently, former ai experts at Google and Meta founded Mistral ai in Paris. France also tends to do a good job of spreading new tech from the capital to its periphery. Today the productivity gap in France between a top and a middling firm is less than half as big as in Britain. During the 19th and 20th centuries businesses around the world became more French, with new technologies diffusing ever faster. Diego Comin and Martí Mestieri, two economists, find evidence that “cross-country differences in adoption lags have narrowed over the last 200 years.” Electricity swept across the economy faster than tractors. It took just a couple of de[1]cades for personal computing in the office to cross the 50% adoption threshold. The internet spread even faster. Overall, the diffusion of technology helped propel productivity growth during the 20th century. Since the mid­2000s, however, the world has been turning Japanese. True, consumers adopt tech faster than ever. According to one estimate TikTok, media app, went from zero to 100m users in a year. Chatgpt was the fastest growing app in history until Threads, a rival to Twitter, launched this month. But firms are increasingly cautious. In the past two de[1]cades all sorts of mind­blowing innovations have come to market. Even so, according to the latest official estimates, in 2020 just 1.6% of American firms employed machine learning. In America’s manufacturing sector just 6.7% of companies use 3d printing. Only 25% of business workflows are on the cloud, a number that has not budged in half a decade. Horror stories abound. In 2017 a third of Japanese regional banks still used cobol, a programming language invented a decade before man landed on the moon. Last year Britain imported more than £20m­($24m­) worth of floppy disks, MiniDiscs and cassettes. A fifth of rich­world firms do not even have a website. Governments are often the worst offenders—insisting, for instance, on paper forms. We estimate that bureaucracies across the world spend $6bn a year on paper and printing, about as much in real terms as in the mid­1990s. Best and the rest The result is a two-tier economy. Firms that embrace tech are pulling away from the competition. In 2010 the average worker at Britain’s most productive firms produced goods and services worth £98,000 (in today’s money), which had risen to £108,500 by 2019. Those at the worst firms saw no rise. In Canada in the 1990s frontier firms’ productivity growth was about 40% higher than non­frontier firms. From 2000 to 2015 it was three times as high. A book by Tim Koller of McKinsey, a consultancy, and colleagues finds that, after ranking American firms according to their return on invested capital, the 75th percentile had a return 20 percentage points higher than the median in 2017—double the gap in 2000. Some companies see huge gains from buying new tech; many see none at all. Although the economics can sound abstract, the real­world consequences are familiar. People stuck using old technologies suffer, along with their salaries. In Britain, average wages at the least productive 10% of firms have fallen slightly since the 1990s when adjusted for inflation—even as average wages at the best firms have risen strongly. According to Jan De Loecker of ku Leuven and colleagues, “the majority of in[1]equality growth across workers is due to increasing average wage differences between firms”. What, then, has gone wrong? Three possibilities explain lower diffusion: the nature of new technology, sluggish competition, and growing regulation. Robert Gordon of Northwestern University has argued that the “great inventions” of the 19th and 20th centuries had a far bigger impact on productivity than more recent ones. The problem is that as technological progress becomes more incremental, diffusion also slows, since companies have less incentive and face less competitive pressure to upgrade. Electricity provided light and energy to power machines. Cloud computing, by contrast, is needed only for the most intensive operations. Newer innovations, like machine learning, may be trickier to use, requiring more skilled workers and better management. Business dynamism fell across the rich world in the first decades of the 21st century. Populations aged. Fewer new firms were set up. Workers moved companies less frequently. All this reduced diffusion, since workers spread tech and business practices as they move across the economy. In industries run or heavily managed by the government, technological change happens slowly. As Jeffrey Ding of George Washington University notes, in the centrally planned Soviet Union innovation was world beating—think of Sputnik—but diffusion was non­existent. The absence of competitive pressure blunted incentives to improve. Politicians often have public[1]policy goals, such as maximising employment, that are inconsistent with efficiency. Heavily regulated industries make up a big chunk of Western economies today: such sectors, including construction, education, health care and utilities, account for a quarter of American gdp. Could ai break the mould, diffusing across the economy faster than other recent technologies? Perhaps. For almost any firm it is easy to dream up a use case. No more administration! A tool to file my taxes! Covid­19 may have also injected a dose of dynamism into Western economies. New firms are being set up at the fastest pace in a decade, and workers are swap[1]ping jobs more often. Tyler Cowen of George Mason University adds that weaker firms may have a particular incentive to adopt ai, because they have more to gain. ai can also be incorporated into exist[1]ing tools. Many coders—maybe most—already use the technology on a daily basis owing to its integration in everyday coding instruments through Github’s Copilot. Word processors, including Google Docs and Microsoft Word, will soon roll out dozens of aifeatures. Not a dinner party On the other hand, the most significant benefits from new forms of ai will come when firms entirely reorganise themselves around the new technology; by adapting ai models for in­house data, for example. That will take time, money and, crucially, a competitive drive. Gathering data is tire[1]some and running the best models expensive—a single complex query on the latest version of Chatgpt can cost $1­2. Run 20 in an hour and you have passed the median hourly American wage. These costs will fall, but it could take years for the technology to become suffi­ciently cheap for mass deployment. Bosses, worried about privacy and security, regularly tell The Economist that they are un[1]willing to send their data to modify models that live elsewhere. Surveys of small businesses are not encouraging. One, by Go[1]Daddy, a web­hosting company, suggests that around 40% of those in America are uninterested in ai tools. The technology is undoubtedly revolutionary. But are businesses ready for a revolution

Source: The Economist

رویاهای ماشین

بیشتر طول می کشد تا اقتصادها فناوری جدید را گسترش دهند. این خبر بدی برای هوش مصنوعی است

برای درک تأثیری که هوش مصنوعی ممکن است بر اقتصاد داشته باشد، تراکتور را در نظر بگیرید. مورخان در مورد اختراع ماشین فروتن اختلاف نظر دارند. برخی می گویند که ریچارد ترویتیک، مهندس بریتانیایی در سال 1812 بود. برخی دیگر استدلال می کنند که جان فرولیچ، که در اوایل دهه 1890 در داکوتای جنوبی کار می کرد، ادعای بهتری دارد. برخی دیگر اشاره می کنند که افراد کمی تا اوایل قرن بیستم از کلمه "تراکتور" استفاده می کردند. با این حال همه قبول دارند که تراکتور مدت زیادی طول کشید تا نتیجه بگیرد. در سال 1920، تنها 4 درصد از مزارع آمریکایی مزارع داشتند. حتی در دهه 1950، کمتر از نیمی از آنها تراکتور داشتند. گمانه زنی ها در مورد عواقب هوش مصنوعی - برای مشاغل، بهره وری و کیفیت زندگی - در حال افزایش است. فناوری الهام بخش است. با این حال، تأثیر اقتصادی هوش مصنوعی خاموش خواهد شد مگر اینکه میلیون‌ها شرکت فراتر از مراکز فناوری مانند سیلیکون ولی آن را اتخاذ کنند. این به معنای بسیار بیشتر از استفاده از ربات چت گاه به گاه است. در عوض، شامل سازماندهی مجدد در مقیاس کامل کسب و کارها و همچنین داده های داخلی آنها می شود. نانسی استوث از دانشگاه شیکاگو می‌گوید: «اشاعه پیشرفت‌های فناوری» مسلماً به اندازه نوآوری برای رشد بلندمدت حیاتی است. اهمیت انتشار توسط ژاپن و فرانسه نشان داده شده است. ژاپن به طور غیرمعمولی نوآور است و سالانه بیش از هر کشور دیگری در کره جنوبی اختراعات بیشتری برای هر نفر تولید می کند. محققان ژاپنی می توانند اعتبار اختراع کد qr، باتری لیتیوم یونی و چاپ سه بعدی را داشته باشند. اما این کشور در زمینه توسعه فناوری جدید در اقتصاد خود کار ضعیفی انجام می دهد. توکیو بسیار پربارتر از بقیه کشور است. پول نقد همچنان حاکم است. در اواخر دهه 2010، تنها 47 درصد از شرکت‌های بزرگ از رایانه‌ها برای مدیریت زنجیره تأمین استفاده می‌کردند، در مقایسه با 95 درصد در نیوزلند. بر اساس تحلیل ما، ژاپن تقریباً 40 درصد فقیرتر از حد انتظار بر اساس نوآوری است. فرانسه برعکس است. اگرچه رکورد آن در نوآوری متوسط است، اما در گسترش دانش سرآمد است. در قرن هجدهم، جاسوسان فرانسوی اسرار مهندسی را از نیروی دریایی بریتانیا دزدیدند. در اوایل قرن بیستم، لویی رنو از هنری فورد در آمریکا دیدن کرد و اسرار صنعت خودرو را آموخت. اخیراً کارشناسان سابق ai در گوگل و متا Mistral ai را در پاریس تأسیس کردند. فرانسه همچنین تمایل دارد کار خوبی برای گسترش فناوری جدید از پایتخت به مناطق پیرامونی خود انجام دهد. امروزه، شکاف بهره‌وری در فرانسه بین یک شرکت برتر و یک شرکت متوسط کمتر از نصف بریتانیا است. در طول قرن‌های 19 و 20، کسب‌وکارها در سراسر جهان فرانسوی‌تر شدند و فناوری‌های جدید با سرعت بیشتری گسترش یافتند. اقتصاددانان دیگو کومین و مارتی مستیری شواهدی یافتند که نشان می‌دهد «تفاوت‌های بین کشوری در تأخیر پذیرش در طول 200 سال گذشته کاهش یافته است». برق سریعتر از تراکتور اقتصاد را تحت تأثیر قرار داد. تنها چند دهه طول کشید تا محاسبات شخصی در دفتر از آستانه پذیرش 50 درصد عبور کند. اینترنت حتی سریعتر گسترش یافت. به طور کلی، انتشار فناوری به رشد بهره وری در قرن بیستم کمک کرد. با این حال، از اواسط دهه 2000، جهان ژاپنی شده است. درست است، مصرف‌کنندگان سریع‌تر از همیشه از فناوری استفاده می‌کنند. طبق یک تخمین، اپلیکیشن شبکه اجتماعی TikTok در یک سال از صفر به 100 میلیون کاربر رسید. تا زمانی که رقیب توییتر Threads در این ماه راه اندازی شد، Chatgpt سریع ترین برنامه در حال رشد در تاریخ بود. اما شرکت ها به طور فزاینده ای محتاط هستند. در دو دهه اخیر، انواع نوآوری های شگفت انگیز به بازار آمده است. با این حال، طبق آخرین برآوردهای رسمی، در سال 2020 تنها 1.6 درصد از شرکت های آمریکایی از یادگیری ماشینی استفاده خواهند کرد. در بخش تولید ایالات متحده، تنها 6.7٪ از شرکت ها از چاپ سه بعدی استفاده می کنند. تنها 25 درصد از گردش کار کسب و کار در فضای ابری است، رقمی که در نیم دهه گذشته تغییر نکرده است. داستان های ترسناک فراوان است. در سال 2017، یک سوم بانک های منطقه ای ژاپن هنوز از COBOL استفاده می کنند، زبان برنامه نویسی که یک دهه قبل از فرود انسان روی ماه اختراع شد. سال گذشته، بریتانیا بیش از 20 میلیون پوند (24 میلیون دلار) فلاپی دیسک، مینی دیسک و کاست وارد کرد. یک پنجم از ثروتمندترین شرکت های جهان حتی یک وب سایت هم ندارند. دولت ها اغلب بدترین وضعیت را دارند – برای مثال اصرار بر روی فرم های کاغذی دارند. ما تخمین می زنیم که بوروکراسی های سراسر جهان سالانه 6 میلیارد دلار برای کاغذ و چاپ هزینه می کنند، تقریباً مشابه با اواسط دهه 1990. بهترین ها و بقیه نتیجه یک اقتصاد دو لایه است. شرکت هایی که از فناوری استقبال می کنند از رقابت کنار گذاشته می شوند. در سال 2010، متوسط کارگر در مولدترین شرکت های بریتانیا، کالاها و خدماتی به ارزش 98000 پوند (به پول امروزی) تولید می کرد که تا سال 2019 به 108500 پوند افزایش یافت. آنهایی که در بدترین شرکت ها بودند هیچ افزایش حقوقی دریافت نکردند. در کانادا در دهه 1990، رشد بهره وری شرکت های فرامرزی حدود 40 درصد بیشتر از شرکت های غیر مرزی بود. از سال 2000 تا 2015، سه برابر بیشتر بود. کتابی از تیم کولر از شرکت مشاوره مک کینزی و همکاران نشان می دهد که پس از رتبه بندی شرکت های آمریکایی بر اساس بازده سرمایه سرمایه گذاری شده، صدک 75 دارای 20 درصد است.

نسبت به میانگین در سال 2017-دوبرابر شکاف در سال 2000. برخی از شرکت ها دستاوردهای بزرگی را از خرید فناوری جدید مشاهده می کنند. خیلی ها اصلا هیچ کدام را نمی بینند. اگرچه علم اقتصاد می تواند انتزاعی به نظر برسد، پیامدهای دنیای واقعی آشنا هستند. افرادی که در استفاده از فناوری های قدیمی گیر افتاده اند، همراه با حقوق خود رنج می برند. در بریتانیا، دستمزدهای متوسط حداقل 10 درصد از بنگاه‌ها از دهه 1990 که بر اساس تورم تعدیل می‌شود، اندکی کاهش یافته است - حتی اگر متوسط دستمزدها در بهترین شرکت‌ها به شدت افزایش یافته باشد. به گفته یان دی لوکر از ku Leuven و همکارانش، "بیشترین رشد برابری در بین کارگران به دلیل افزایش تفاوت میانگین دستمزد بین شرکت ها است". پس چه اشتباهی رخ داده است؟ سه احتمال، انتشار کمتر را توضیح می‌دهند: ماهیت فناوری جدید، رقابت ضعیف و مقررات رو به رشد. رابرت گوردون از دانشگاه نورث وسترن استدلال کرده است که "اختراعات بزرگ" قرن 19 و 20 تأثیر بسیار بیشتری بر بهره وری نسبت به اختراعات اخیر داشتند. مشکل این است که با افزایش تدریجی پیشرفت فناوری، انتشار نیز کند می شود، زیرا شرکت ها انگیزه کمتری دارند و با فشار رقابتی کمتری برای ارتقاء مواجه می شوند. الکتریسیته نور و انرژی را برای برق رسانی به ماشین ها تامین می کرد. در مقابل، محاسبات ابری فقط برای فشرده ترین عملیات مورد نیاز است. استفاده از نوآوری‌های جدیدتر، مانند یادگیری ماشینی، پیچیده‌تر است و به کارگران ماهرتر و مدیریت بهتر نیاز دارد. پویایی کسب و کار در دهه های اول قرن بیست و یکم در سراسر جهان ثروتمند سقوط کرد. جمعیت های پیر شرکت های جدید کمتری راه اندازی شد. کارگران شرکت ها را کمتر جابجا می کردند. همه اینها باعث کاهش انتشار شد، زیرا کارگران در حین حرکت در اقتصاد، فناوری و شیوه های تجاری را گسترش دادند. در صنایعی که توسط دولت اداره می شوند یا به شدت مدیریت می شوند، تغییرات تکنولوژیک به کندی اتفاق می افتد. همانطور که جفری دینگ از دانشگاه جورج واشنگتن خاطرنشان می کند، در برنامه ریزی متمرکز اتحاد جماهیر شوروی، نوآوری در جهان شکست خورد - به اسپوتنیک فکر کنید - اما انتشار وجود نداشت. نبود فشار رقابتی انگیزه های بهبود را کمرنگ کرد. سیاستمداران اغلب اهداف سیاست عمومی، مانند به حداکثر رساندن اشتغال، دارند که با کارایی ناسازگار است. صنایع به شدت تحت نظارت بخش بزرگی از اقتصادهای غربی را امروز تشکیل می دهند: چنین بخش هایی از جمله ساخت و ساز، آموزش، مراقبت های بهداشتی و آب و برق، یک چهارم تولید ناخالص داخلی آمریکا را تشکیل می دهند. آیا هوش مصنوعی می تواند قالب را بشکند و سریعتر از سایر فناوری های اخیر در اقتصاد منتشر شود؟ شاید. تقریباً برای هر شرکتی، تصور یک مورد استفاده آسان است. دیگر مدیریت نیست! ابزاری برای ثبت مالیات من! کووید-19 ممکن است دوزی از پویایی را به اقتصادهای غربی تزریق کرده باشد. شرکت‌های جدید با سریع‌ترین سرعت در یک دهه اخیر راه‌اندازی می‌شوند و کارگران اغلب مشاغل پینگ را عوض می‌کنند. تایلر کوون از دانشگاه جورج میسون اضافه می‌کند که شرکت‌های ضعیف‌تر ممکن است انگیزه خاصی برای پذیرش هوش مصنوعی داشته باشند، زیرا سود بیشتری دارند. ai را می توان در ابزارهای موجود نیز گنجاند. بسیاری از کدنویس‌ها - شاید اکثر آنها - به دلیل ادغام آن در ابزارهای برنامه‌نویسی روزمره از طریق Github's Copilot، به طور روزانه از این فناوری استفاده می‌کنند. پردازشگرهای کلمه، از جمله Google Docs و Microsoft Word، به زودی ده ها ویژگی را ارائه خواهند کرد. نه یک مهمانی شام از سوی دیگر، مهم‌ترین مزایای اشکال جدید هوش مصنوعی زمانی حاصل می‌شود که شرکت‌ها کاملاً خود را حول فناوری جدید سازماندهی مجدد کنند. برای مثال، با تطبیق مدل‌های ai برای داده‌های داخلی. این امر مستلزم زمان، پول و، مهمتر از همه، یک محرک رقابتی است. جمع‌آوری داده‌ها تا حدی خسته‌کننده است و اجرای بهترین مدل‌ها گران است—یک پرس‌وجو پیچیده در آخرین نسخه Chatgpt می‌تواند 1-2 دلار هزینه داشته باشد. 20 در یک ساعت بدوید و میانگین دستمزد ساعتی آمریکایی را گذرانده اید. این هزینه ها کاهش می یابد، اما ممکن است سال ها طول بکشد تا این فناوری به اندازه کافی برای استقرار انبوه ارزان شود. روسا که نگران حریم خصوصی و امنیت هستند، مرتب به اکونومیست می گویند که حاضر نیستند داده های خود را برای اصلاح مدل هایی که در جای دیگر زندگی می کنند ارسال کنند. نظرسنجی از مشاغل کوچک دلگرم کننده نیست. یکی از آنها توسط Go Daddy، یک شرکت میزبانی وب، نشان می دهد که حدود 40 درصد از افرادی که در آمریکا هستند به ابزارهای هوش مصنوعی بی علاقه هستند. فناوری بدون شک دوباره است

​Source : The Economist