211service.com
En AI kan simulera en ekonomi miljontals gånger för att skapa rättvisare skattepolitik
Tony Webster / Flickr
Inkomstojämlikhet är ett av ekonomins övergripande problem. Ett av de mest effektiva verktygen som beslutsfattare har för att ta itu med det är beskattning: regeringar samlar in pengar från människor efter vad de tjänar och omfördelar dem antingen direkt, via välfärdssystem, eller indirekt, genom att använda dem för att betala för offentliga projekt. Men även om mer beskattning kan leda till större jämlikhet, kan en för mycket beskattning av människor avskräcka dem från att arbeta eller motivera dem att hitta sätt att undvika att betala – vilket minskar den totala potten.
Att få rätt balans är inte lätt. Ekonomer förlitar sig vanligtvis på antaganden som är svåra att validera. Människors ekonomiska beteende är komplext och det är svårt att samla in data om det. Årtionden av ekonomisk forskning har brottats med att utforma den bästa skattepolitiken, men det är fortfarande ett öppet problem.
Forskare vid det amerikanska affärsteknikföretaget Salesforce tror att AI kan hjälpa. Under ledning av Richard Socher har teamet utvecklat ett system som heter AI-ekonom som använder förstärkningsinlärning - samma typ av teknik bakom DeepMinds AlphaGo och AlpahZero - för att identifiera optimal skattepolitik för en simulerad ekonomi. Verktyget är fortfarande relativt enkelt (det finns inget sätt att det kan inkludera alla komplexiteten i den verkliga världen eller mänskligt beteende), men det är ett lovande första steg mot att utvärdera policyer på ett helt nytt sätt. Det skulle vara fantastiskt att göra skattepolitiken mindre politisk och mer datadriven, säger teammedlemmen Alex Trott.
I ett tidigt resultat fann AI en policy som – när det gäller att maximera både produktivitet och inkomstjämlikhet – var 16 % rättvisare än en avancerad progressiv skatteram som studerats av akademiska ekonomer. Förbättringen jämfört med nuvarande USA:s politik var ännu större. Jag tycker att det är en helt intressant idé, säger Blake LeBaron vid Brandeis University i Massachusetts, som har använt neurala nätverk för att modellera finansmarknader.
I simuleringen styrs fyra AI-arbetare var och en av sina egna förstärkningsinlärningsmodeller. De interagerar med en tvådimensionell värld, samlar trä och sten och antingen byter dessa resurser med andra eller använder dem för att bygga hus, vilket tjänar dem pengar. Arbetarna har olika kompetensnivåer, vilket leder till att de specialiserar sig. Lägre kvalificerade arbetare lär sig att de klarar sig bättre om de samlar resurser, och högre kvalificerade lär sig att de klarar sig bättre om de köper resurser för att bygga hus. I slutet av varje simulerat år beskattas alla arbetare med en skattesats som fastställts av en AI-kontrollerad beslutsfattare, som kör sin egen förstärkningsinlärningsalgoritm. Politikerns mål är att öka både produktiviteten och inkomsten för alla arbetare. AI:erna konvergerar till optimalt beteende genom att upprepa simuleringen miljontals gånger.
Båda modellerna för förstärkningsinlärning börjar från noll, utan förkunskaper om ekonomisk teori, och lär sig hur man agerar genom försök och misstag – ungefär på samma sätt som DeepMinds AI:er lär sig, utan mänsklig insats, att spela Go och schack på övermänskliga nivåer .
Kan du lära dig mycket av bara fyra AI-arbetare? I teorin, ja, eftersom enkla interaktioner mellan en handfull agenter snart leder till mycket komplexa beteenden. (Trots all sin komplexitet involverar Go fortfarande bara två aktörer, till exempel.) Trots detta är alla inblandade i projektet överens om att det kommer att vara viktigt att öka antalet arbetare i simuleringen om verktyget ska modellera realistiska scenarier.
Spela systemet
Den dubbla dosen av AI är nyckeln. Neurala nätverk har använts för att kontrollera agenter i simulerade ekonomier tidigare. Men att även göra beslutsfattaren till en AI leder till en modell där arbetarna och beslutsfattaren ständigt anpassar sig till varandras handlingar. Denna dynamiska miljö var en utmaning för modellerna för förstärkningsinlärning, eftersom en strategi som lärts under en skattepolitik kanske inte fungerar så bra under en annan. Men det innebar också att AI:erna hittade sätt att spela systemet. Till exempel lärde sig en del arbetare att undvika skatt genom att minska sin produktivitet för att kvalificera sig för en lägre skatteklass och sedan öka den igen. Salesforce-teamet säger att detta ge-och-tag mellan arbetare och beslutsfattare leder till en simulering som är mer realistisk än någonting som uppnåtts med tidigare modeller, där skattepolicyer vanligtvis är fasta.
Skattepolitiken som AI Economist kom med är lite ovanlig. Till skillnad från de flesta befintliga policyer, som antingen är progressiva (det vill säga högre inkomster beskattas mer) eller regressiva (höginkomsttagare beskattas mindre), lappade AI:s politik samman aspekter av båda, och tillämpade de högsta skattesatserna på rika och fattiga och de lägsta. till medelinkomsttagare. Liksom många lösningar som AI:er kommer med – som några av AlphaZeros spelvinnande drag – verkar resultatet kontraintuitivt och inte något som en människa kanske har tänkt ut. Men dess inverkan på ekonomin ledde till en mindre klyfta mellan rika och fattiga.
För att se om den AI-genererade skattepolitiken skulle påverka mänskligt beteende på liknande sätt, testade teamet den på mer än 100 crowdworkers anställda genom Amazons Mechanical Turk, som ombads ta kontroll över arbetarna i simuleringen. De fann att policyn uppmuntrade människorna att spela på ungefär samma sätt som AI:erna, vilket antydde - åtminstone i princip - att AI Economist kunde användas för att påverka verklig ekonomisk aktivitet.
Oändliga justeringar
En annan fördel med en AI-driven simulering är att du kan justera parametrar för att utforska olika scenarier. Till exempel skulle det vara möjligt att modellera effekten av en pandemi genom att lägga till begränsningar som social distansering och begränsad tillgång till resurser, eller genom att ta bort människor från arbetsstyrkan. Det är svårt att komma på optimala skatteteorier utifrån det förflutna om framtiden ser väldigt annorlunda ut, säger Socher.
Simuleringens förmåga att modellera förändring är ett stort plus, säger LeBaron: Det är ganska intressant att se arbetarna anpassa sig till skattelagstiftningen. Detta kommer runt en av de stora kritikerna mot befintliga skattemodeller där beteendet vanligtvis fixeras, säger han.
LeBarons främsta reservation är det lilla antalet agenter som verktyget hittills är begränsat till. Det finns människor som hävdar att man kan få djupa intellektuella insikter med bara några få agenter, säger han. Jag är inte en av dem. Han skulle vilja se det simulera runt 100 arbetare – vilket också är en siffra som Salesforce-teamet siktar på.
Men LeBaron tror att verktyget redan skulle kunna användas för att kontrollera befintliga ekonomiska modeller: om jag var en beslutsfattare skulle jag avfyra den här saken för att se vad den säger. Om AI Economist inte höll med andra modeller, så kan det vara ett tecken på att de andra modellerna saknade något, säger han.
David Parkes, datavetare och ekonom vid Harvard University som samarbetade med Salesforce-teamet, är också optimistisk. Han håller med om att de måste öka antalet agenter avsevärt. Men när de väl har gjort det och lagt till några extra funktioner som företag till simuleringen, räknar han med att kunna replikera befintliga teoretiska resultat. Då blir det direkt användbart, säger han.
Doyne Farmer, ekonom vid University of Oxford, är dock mindre övertygad. Även om han välkomnar övergången av förstärkningsinlärning från spel till ekonomi – det handlar om frågan om man kan undersöka policyer på samma sätt som AlphaZero spelar Go – tror han att det kommer att dröja innan verktyget verkligen är användbart. Den verkliga världen är alldeles för komplicerad, säger han.
Teamet accepterar att vissa ekonomer kommer att behöva övertalas. För detta ändamål släpper de sin kod och bjuder in andra att köra sina egna modeller genom den. På sikt kommer denna öppenhet också att vara en viktig del för att göra sådana verktyg trovärdiga, säger Socher. Om du använder en AI för att rekommendera att vissa personer får lägre eller högre skatter, påpekar han, 'det är bättre att du kan säga varför.'