En AI kan simulere en økonomi millioner af gange for at skabe mere retfærdig skattepolitik

Tony Webster / Flickr

Indkomstulighed er et af økonomiens overordnede problemer. Et af de mest effektive redskaber, politikere har til at håndtere det, er beskatning: regeringer indsamler penge fra folk i henhold til, hvad de tjener, og omfordele dem enten direkte, via velfærdsordninger, eller indirekte ved at bruge dem til at betale for offentlige projekter. Men selvom mere beskatning kan føre til større lighed, kan en for meget beskatning af folk afskrække dem fra at arbejde eller motivere dem til at finde måder at undgå at betale på - hvilket reducerer den samlede pot.

Det er ikke nemt at finde balancen. Økonomer stoler typisk på antagelser, der er svære at validere. Folks økonomiske adfærd er kompleks, og det er svært at indsamle data om det. Årtiers økonomisk forskning har kæmpet med at udforme den bedste skattepolitik, men det er fortsat et åbent problem.

Forskere hos det amerikanske forretningsteknologiselskab Salesforce mener, at AI kan hjælpe. Ledet af Richard Socher har teamet udviklet et system kaldet AI-økonom der bruger forstærkende læring - den samme slags teknik bag DeepMinds AlphaGo og AlpahZero - til at identificere optimale skattepolitikker for en simuleret økonomi. Værktøjet er stadig relativt enkelt (der er ingen måde, det kan omfatte alle kompleksiteterne i den virkelige verden eller menneskelig adfærd), men det er et lovende første skridt mod at evaluere politikker på en helt ny måde. Det ville være fantastisk at gøre skattepolitikken mindre politisk og mere datadrevet, siger teammedlem Alex Trott.

I et tidligt resultat fandt AI en politik, der – med hensyn til at maksimere både produktivitet og indkomstlighed – var 16 % mere retfærdig end en avanceret progressiv skatteramme, der blev studeret af akademiske økonomer. Forbedringen i forhold til den nuværende amerikanske politik var endnu større. Jeg synes, det er en fuldstændig interessant idé, siger Blake LeBaron ved Brandeis University i Massachusetts, som har brugt neurale netværk til at modellere finansielle markeder.

I simuleringen styres fire AI-arbejdere hver af deres egne forstærkningslæringsmodeller. De interagerer med en todimensionel verden, samler træ og sten og enten handler disse ressourcer med andre eller bruger dem til at bygge huse, hvilket tjener dem penge. Arbejderne har forskellige færdighedsniveauer, hvilket får dem til at specialisere sig. Lavere kvalificerede arbejdere lærer, at de klarer sig bedre, hvis de samler ressourcer, og højere kvalificerede lærer, at de klarer sig bedre, hvis de køber ressourcer til at bygge huse. Ved udgangen af ​​hvert simuleret år beskattes alle arbejdere efter en sats, der er udtænkt af en AI-kontrolleret politiker, som kører sin egen forstærkningslæringsalgoritme. Politikerens mål er at øge både produktiviteten og indkomsten for alle arbejdere. AI'erne konvergerer om optimal adfærd ved at gentage simuleringen millioner af gange.

Begge forstærkningslæringsmodeller starter fra bunden, uden forudgående kendskab til økonomisk teori, og lærer at handle gennem forsøg og fejl - på nogenlunde samme måde som DeepMinds AI'er lærer, uden menneskelig input, at spille Go og skak på overmenneskelige niveauer .

Kan du lære meget af kun fire AI-arbejdere? I teorien, ja, fordi simple interaktioner mellem en håndfuld agenter hurtigt fører til meget kompleks adfærd. (På trods af al dens kompleksitet involverer Go stadig kun to aktører, for eksempel.) Alligevel er alle involverede i projektet enige om, at det vil være afgørende at øge antallet af arbejdere i simuleringen, hvis værktøjet skal modellere realistiske scenarier.

Spil systemet

Den dobbelte dosis af AI er nøglen. Neurale netværk er tidligere blevet brugt til at kontrollere agenter i simulerede økonomier. Men at gøre politikeren til en AI også fører til en model, hvor arbejderne og politikerne løbende tilpasser sig hinandens handlinger. Dette dynamiske miljø var en udfordring for forstærknings-læringsmodellerne, da en strategi lært under én skattepolitik måske ikke fungerer så godt under en anden. Men det betød også, at AI'erne fandt måder at spille systemet på. For eksempel lærte nogle arbejdere at undgå skat ved at reducere deres produktivitet for at kvalificere sig til en lavere skatteramme og derefter øge den igen. Salesforce-teamet siger, at denne giv-og-tag mellem arbejdere og politikere fører til en simulering, der er mere realistisk end noget, der er opnået med tidligere modeller, hvor skattepolitikker typisk er faste.

Skattepolitikken, som AI Economist kom med, er lidt usædvanlig. I modsætning til de fleste eksisterende politikker, som enten er progressive (det vil sige, højere indkomster beskattes mere) eller regressive (højere indkomster beskattes mindre), flettede AI's politik aspekter af begge sammen ved at anvende de højeste skattesatser på rige og fattige og de laveste til mellemindkomstarbejdere. Ligesom mange løsninger, som AI'er kommer med - såsom nogle af AlphaZeros spilvindende træk - virker resultatet kontraintuitivt og ikke noget, som et menneske kunne have udtænkt. Men dens indvirkning på økonomien førte til en mindre kløft mellem rig og fattig.

For at se, om den AI-genererede skattepolitik ville påvirke menneskelig adfærd på lignende måde, testede holdet den på mere end 100 crowdworkers ansat gennem Amazons Mechanical Turk, som blev bedt om at tage kontrol over arbejderne i simuleringen. De fandt ud af, at politikken tilskyndede mennesker til at spille på nogenlunde samme måde som AI'erne, hvilket antydede - i det mindste i princippet - at AI Economist kunne bruges til at påvirke reel økonomisk aktivitet.

Uendelig justering

En anden fordel ved en AI-drevet simulering er, at du kan justere parametre for at udforske forskellige scenarier. For eksempel ville det være muligt at modellere virkningen af ​​en pandemi ved at tilføje begrænsninger såsom social distancering og begrænset adgang til ressourcer eller ved at fjerne folk fra arbejdsstyrken. Det er svært at komme med optimale skatteteorier baseret på fortiden, hvis fremtiden ser meget anderledes ud, siger Socher.

Simuleringens evne til at modellere ændringer er et stort plus, siger LeBaron: Det er ret interessant at se arbejderne tilpasse sig skattelovgivningen. Det kommer uden om en af ​​de store kritikpunkter af eksisterende skattemodeller, hvor adfærd typisk ligger fast, siger han.

LeBarons vigtigste forbehold er det lille antal agenter, som værktøjet indtil videre er begrænset til. Der er folk, der hævder, at man kan få dyb intellektuel indsigt med blot nogle få agenter, siger han. Jeg er ikke en af ​​dem. Han ville gerne se det simulere omkring 100 arbejdere – hvilket også er et tal, som Salesforce-teamet sigter efter.

Men LeBaron mener, at værktøjet allerede kunne bruges til at tjekke eksisterende økonomiske modeller: Hvis jeg var en politiker, ville jeg fyre denne ting op for at se, hvad den siger. Hvis AI Economist var uenig med andre modeller, så kunne det være et tegn på, at de andre modeller manglede noget, siger han.

David Parkes, en datalog og økonom ved Harvard University, som samarbejdede med Salesforce-teamet, er også optimistisk. Han er enig i, at de skal øge antallet af agenter markant. Men når de først har gjort det og tilføjet et par ekstra funktioner såsom virksomheder til simuleringen, forventer han at kunne gentage eksisterende teoretiske resultater. Så bliver det straks brugbart, siger han.

Doyne Farmer, økonom ved University of Oxford, er dog mindre overbevist. Selvom han hilser overgangen af ​​forstærkende læring fra spil til økonomi velkommen - det drejer sig om spørgsmålet om, hvorvidt du kan undersøge politikker på samme måde, som AlphaZero spiller Go - tror han, at det vil tage noget tid, før værktøjet rent faktisk er nyttigt. Den virkelige verden er alt for kompliceret, siger han.

Holdet accepterer, at nogle økonomer skal overtales. Til det formål frigiver de deres kode og inviterer andre til at køre deres egne modeller igennem den. På sigt vil denne åbenhed også være en vigtig del af at gøre sådanne værktøjer troværdige, siger Socher. Hvis du bruger en AI til at anbefale, at visse mennesker får lavere eller højere skat, påpeger han, 'må du hellere være i stand til at sige hvorfor.

skjule