با اقتصاددانان شیفته هوش مصنوعی آشنا شوید

بااین‌حال، اگر با اقتصاددانان دانشگاهی صحبت کنید، به نظر می‌رسد اغلب آن‌ها علاقه چندانی به مطالعه آثار این فناوری بالقوه دگرگون‌کننده جهان ندارند. در عوض، مرکز ثقل اقتصاد هوش مصنوعی به‌تدریج از دانشگاه‌ها فاصله گرفته و گروهی از اقتصاددانان شیفته هوش مصنوعی (AI-pilled) پیشگام این تحول شده‌اند.

پژوهشگران دانشگاهی هرگاه بخواهند می‌توانند با سرعت عمل کنند. پس از فروپاشی بانک سرمایه‌گذاری Lehman Brothers در سال ۲۰۰۸ و آغاز بحران مالی جهانی، اقتصاددانان مطالعه موضوعاتی مانند هجوم بانکی و بحران اعتباری را از حوزه‌ای تخصصی و محدود به یکی از جریان‌های اصلی پژوهش اقتصادی تبدیل کردند. همچنین تنها دو ماه پس از آغاز همه‌گیری کووید-۱۹ در سال ۲۰۲۰، نزدیک به یک‌سوم مقالات کاری منتشرشده توسط دفتر ملی پژوهش‌های اقتصادی آمریکا (NBER) به‌عنوان یکی از معتبرترین مراکز انتشار پژوهش‌های اقتصادی، به‌نوعی به پیامدهای این همه‌گیری می‌پرداختند. برخی از این پژوهش‌ها نیز به جریان اصلی مباحث عمومی راه یافتند؛ از جمله تحقیقات «نیکلاس بلوم» از دانشگاه استنفورد درباره دورکاری و پژوهش‌های «امیلی اوستر» از دانشگاه براون درباره تعطیلی مدارس.

در مقابل، سه سال و نیم پس از عرضه ChatGPT که آغازگر عصر هوش مصنوعی مولد بود، پژوهش‌های اقتصادی درباره این فناوری همچنان نسبتاً محدود باقی مانده است. هرچند تعداد مقالات NBER که بر هوش مصنوعی تمرکز دارند در حال افزایش است؛ اما این روند چندان سریع نیست (نمودار ۱). حتی در سال ۲۰۲۴، زمانی که بحران کووید به پایان رسیده و عصر هوش مصنوعی عملاً آغاز شده بود، تعداد مقالات مرتبط با کووید همچنان از مقالات مرتبط با هوش مصنوعی بیشتر بود. پیش‌بینی می‌شود NBER امسال نیز کنفرانس‌های بیشتری درباره مراقبت‌های سلامت نسبت به هوش مصنوعی برگزار کند.

البته برخی اقتصاددانان دانشگاهی از فرصت پژوهشی هوش مصنوعی استفاده کرده‌اند (نمودار ۲). «سوزان اتی» از دانشگاه استنفورد در حال بررسی این موضوع است که اگر هوش مصنوعی موجب بیکاری افراد شود، چه پیامدهایی خواهد داشت. «بِیزیل هالپرین» از دانشگاه ویرجینیا نیز تحلیل‌های روشنی درباره نحوه ارزش‌گذاری تحولات هوش مصنوعی در بازارهای مالی منتشر کرده است. بااین‌حال، هیچ‌یک از آن‌ها به‌اندازه نیکلاس بلوم یا امیلی اوستر شناخته‌شده نیستند. افزون بر این، به نظر می‌رسد تعداد کمی از اقتصاددانان ظرفیت پژوهشی این حوزه را جدی گرفته‌اند. یکی از اقتصاددانان سرشناس دانشگاهی که نخواست نامش فاش شود، می‌گوید: «از اینکه تعداد بسیار کمی از همکارانم حتی تلاش کرده‌اند با آنتروپیک یا OpenAI گفت‌وگو کنند، واقعاً شگفت‌زده شده‌ام؛ درحالی‌که من دائماً با آزمایشگاه‌های هوش مصنوعی در ارتباط هستم.»

بخش قابل‌توجهی از پژوهش‌های موجود نیز بیش از حد انتزاعی هستند. بر اساس رتبه‌بندی پایگاه کتاب‌شناختی IDEAS/RePEc که به اقتصاد اختصاص دارد، «دارون عجم‌اوغلو» از MIT برجسته‌ترین پژوهشگر اقتصاد هوش مصنوعی محسوب می‌شود. مقاله او در سال ۲۰۲۴ که با استفاده از یک مدل پیچیده رشد اقتصادی در عصر هوش مصنوعی تدوین شده، نشان می‌دهد این فناوری تنها افزایش محدودی در بهره‌وری کل اقتصاد ایجاد خواهد کرد. این مقاله تاکنون بیش از هزار بار مورد استناد قرار گرفته است. «اما تایلر کوئن» از دانشگاه جرج میسون معتقد است این مدل تأثیر بالقوه دگرگون‌کننده محصولات جدید هوش مصنوعی که وارد بازار می‌شوند را دست‌کم گرفته است. به گفته او: «دستاوردهای هوش مصنوعی کوچک برآورد می‌شوند، چون مدل از ابتدا فرض می‌کند هوش مصنوعی قرار نیست کارهای کاملاً جدیدی انجام دهد.»

بسیاری از مطالعات تجربی مرتبط با هوش مصنوعی نیز ظاهراً بر فرضیات مسئله‌دار استوارند. مقاله‌ای از «اریک برین‌یولفسون» از دانشگاه استنفورد که در رتبه پنجم IDEAS/RePEc قرار دارد و همکارانش نشان می‌دهد اشتغال جوانان در مشاغلی که بیشترین مواجهه را با هوش مصنوعی دارند، به طور محسوسی کاهش یافته و این موضوع را نشانه‌ای از آغاز تحول بازار کار به‌واسطه هوش مصنوعی می‌داند. اما نسبت‌دادن این روند به هوش مصنوعی مستلزم آن است که بپذیریم شرکت‌ها از همان نخستین روزهای عرضه ChatGPT شروع به تعدیل نیروهای جوان کرده‌اند؛ درحالی‌که آن نسخه اولیه به‌هیچ‌وجه آن‌قدر توانمند نبود که بتواند جایگزین نیروی انسانی شود.

کندی و ضعف عملکرد اقتصاددانان دانشگاهی را می‌توان با دو عامل توضیح داد.
عامل نخست به ماهیت شوک و غافل‌گیری‌ای بازمی‌گردد که هوش مصنوعی ایجاد می‌کند. در سال ۲۰۲۰، کووید-۱۹ تقریباً یک‌شبه جهان را دگرگون کرد و آثار آن بلافاصله در داده‌های اقتصادی نمایان شد (نمودار ۳). اما هوش مصنوعی اقتصاد را از درون و به‌صورت تدریجی متحول می‌کند. میانگین نرخ بیکاری در کشورهای عضو سازمان همکاری و توسعه اقتصادی (OECD) تقریباً همان سطحی است که هنگام عرضه ChatGPT وجود داشت. داده‌های تولید ناخالص داخلی (GDP) نیز تقریباً هیچ اطلاعات اختصاصی درباره هوش مصنوعی ارائه نمی‌کنند؛ برای مثال، میزان سرمایه‌گذاری در مراکز داده هوش مصنوعی تنها به طور تقریبی قابل‌برآورد است. در نبود آثار آشکار اقتصاد کلان و همچنین فقدان داده‌های اقتصاد خرد، مواد اولیه چندانی برای تحلیل در اختیار اقتصاددانان قرار ندارد.
عامل دوم این است که اقتصاددانان به‌طورکلی نسبت به فناوری نگاهی نسبتاً بدبینانه دارند. پژوهش‌های تاریخی نشان می‌دهد فناوری در نهایت موجب افزایش درآمدها می‌شود، اما این فرایند معمولاً بسیار کند است و عوامل غیرفناورانه متعددی از جمله اصطکاک‌های مالی و مقاومت‌های فرهنگی سرعت آن را کاهش می‌دهند. در بریتانیا، دهه‌ها طول کشید تا دستاوردهای فناورانه انقلاب صنعتی به رشد اقتصادی سریع‌تر منجر شوند.

مقاله‌ای جدید از هالپرین و همکارانش که نتایج یک نظرسنجی را گزارش می‌کند، این بدبینی را به‌خوبی نشان می‌دهد. حتی در سناریویی که پیشرفت هوش مصنوعی تا سال ۲۰۳۰ «سریع» باشد؛ یعنی هوش مصنوعی بتواند با باهوش‌ترین انسان‌ها رقابت کند یا حتی از آن‌ها پیشی بگیرد، اقتصاددانان دانشگاهی به طور متوسط انتظار دارند نرخ رشد تولید ناخالص داخلی آمریکا در سال ۲۰۵۰ تنها به ۳.۵ درصد برسد؛ درحالی‌که این رقم از دیدگاه پژوهشگران هوش مصنوعی ۵.۳ درصد است. همچنین بر اساس نظرسنجی دانشگاه شیکاگو، تنها ۱۱ درصد از اقتصاددانان برجسته معتقدند استفاده از هوش مصنوعی طی دهه آینده «به افزایش قابل‌توجه نرخ بیکاری در کشورهای پیشرفته» منجر خواهد شد. اگر اکثر اقتصاددانان دانشگاهی اساساً باور نداشته باشند که هوش مصنوعی تحول‌آفرین است، طبیعی است که ترجیح دهند بر حوزه‌های پژوهشی دیگری که از نظر آن‌ها مهم‌تر هستند تمرکز کنند.

اقتصاددانانی که نسبت به هوش مصنوعی کنجکاو هستند، اکنون در خارج از محیط دانشگاه دو مقصد جذاب‌تر یافته‌اند. نخستین مقصد، نهادهای دولتی و به‌ویژه مراکز آمار و بانک‌های مرکزی هستند. پیمایش‌های اداره سرشماری آمریکا و Statistics Canada روند پذیرش هوش مصنوعی در بخش‌های مختلف اقتصاد را رصد می‌کنند. پنل تصمیم‌گیرندگان بانک مرکزی انگلستان نیز به‌صورت ماهانه دیدگاه کسب‌وکارها درباره هوش مصنوعی را بررسی می‌کند و دولت بریتانیا نیز اخیراً مؤسسه اقتصاد هوش مصنوعی (AI Economics Institute) را برای تقویت پژوهش در این حوزه تأسیس کرده است. در یکی از نشست‌های اخیر OECD نیز کارشناسان دولتی درباره چگونگی به‌روزرسانی شاخص‌های بهره‌وری متناسب با عصر هوش مصنوعی بحث کردند. شاید هیچ‌یک از این فعالیت‌ها خبرساز نباشند، اما خدمات عمومی بسیار مهمی انجام می‌دهند؛ یعنی ایجاد زیرساخت داده‌محور که اقتصاددانان آینده بر آن تکیه خواهند کرد.

اما مهم‌ترین محل تجمع اقتصاددانان AI-pilled و شیفته هوش مصنوعی، در خط مقدم توسعه این فناوری است. در دهه ۲۰۱۰، آزمایشگاه‌های هوش مصنوعی تعداد زیادی از برجسته‌ترین دانشمندان علوم کامپیوتر را برای طراحی مدل‌های خود جذب کردند. پژوهش «اوفوک آکچیگیت» از دانشگاه شیکاگو و همکارانش نشان می‌دهد که تا سال ۲۰۱۹، بیش از دوسوم پژوهشگران هوش مصنوعی در صنعت فعالیت می‌کردند؛ درحالی‌که این نسبت در سال ۲۰۰۱ کمتر از نیمی از کل پژوهشگران بود.

اکنون روند مشابهی در مورد اقتصاددانان نیز در حال وقوع است. آنتروپیک، «آنتون کورینک» از دانشگاه ویرجینیا که نفر دوم رتبه‌بندی IDEAS است را به تیم پژوهش اقتصاد خود اضافه کرده است. OpenAI نیز «رانی چاترجی» از دانشگاه دوک را به‌عنوان اقتصاددان ارشد خود منصوب کرده است. DeepMind نیز اخیراً «الکس ایماس» از دانشگاه شیکاگو را به سمت «مدیر اقتصاد AGI» منصوب کرده است؛ منظور از AGI همان «هوش جامع مصنوعی» است که بتواند در بیشتر وظایف شناختی با انسان برابری کند یا از او پیشی بگیرد. برآورد تقریبی اکونومیست نشان می‌دهد که تاکنون چند ده اقتصاددان به استخدام آزمایشگاه‌های بزرگ هوش مصنوعی درآمده‌اند.

جذابیت فعالیت در یک آزمایشگاه هوش مصنوعی کاملاً روشن است. این مراکز به بهترین داده‌ها دسترسی دارند و همچنین ارتباط نزدیکی با سیاست‌گذاران برقرار کرده‌اند. اگر در یکی از این آزمایشگاه‌ها مشغول به کار شوید، احتمال زیادی دارد که «دوارکش پاتل»، پادکستر محبوب سیلیکون‌ولی از شما برای حضور در برنامه‌اش دعوت کند. شرکت‌های فناوری همچنین از نظر مالی بسیار توانمندتر از دانشگاه‌ها هستند و حتی به جایگاه‌های نسبتاً ابتدایی اقتصاددانان در آزمایشگاه‌های هوش مصنوعی نیز سالانه بیش از ۳۰۰ هزار دلار حقوق پرداخت می‌کنند؛ رقمی که اگرچه در مقایسه با درآمد برنامه‌نویسان هوش مصنوعی چندان بالا نیست، اما به‌مراتب بیشتر از حقوق یک استاد جوانی است که درس مقدماتی اقتصاد (Econ 101) را تدریس می‌کند. برخی از افراد خوش‌شانس نیز ممکن است سهام تشویقی شرکت‌های داغ و پرارزش این صنعت را دریافت کنند.

کیفیت پژوهش‌های خارج از دانشگاه درباره هوش مصنوعی در حال بهبود است. کورینک در مؤسسه اقتصاد بین‌الملل پیترسون، همراه با «پاتریک مک‌کلوی» از بانک مرکزی کانادا، شاخصی را توسعه داده که آن را «تولید ناخالص داخلی هوش مصنوعی» (AI GDP) آمریکا می‌نامند. این پژوهش نشان می‌دهد که اگر این شاخص به‌درستی اندازه‌گیری شود، در سال‌های ۲۰۲۴ و ۲۰۲۵ هر سال بیش از ۲۰۰۰ درصد رشد کرده است. الکس ایماس نیز شاخص مفیدی برای رصد تأثیر هوش مصنوعی بر بهره‌وری منتشر کرده است. بر اساس ارزیابی او، شواهد امیدوارکننده‌ای از افزایش بهره‌وری در مقیاس کوچک وجود دارد، اما هنوز شواهد اندکی از آثار بزرگ در سطح اقتصاد کلان مشاهده می‌شود.

همه این‌ها بسیار هیجان‌انگیز است؛ دست‌کم برای روزنامه‌نگاران اقتصادی شیفته هوش مصنوعی.
بااین‌حال، در برابر هر مطالعه ارزشمند از کورینک یا ایماس، آزمایشگاه‌های هوش مصنوعی همچنان پژوهش‌های کم‌ارزشی نیز منتشر می‌کنند. برای مثال، «شاخص اقتصادی Anthropic» که با تبلیغات فراوان منتشر شد، در واقع یک شاخص اقتصادی واقعی نیست، بلکه صرفاً مجموعه‌ای پراکنده از داده‌های مربوط به نحوه استفاده کاربران از چت‌بات Claude است. این شرکت در ماه مارس نیز گزارشی منتشر کرد که نتیجه می‌گرفت: «افراد با کسب تجربه، در استفاده از Claude بهتر می‌شوند.» نتیجه‌ای که تقریباً بدیهی است. سال گذشته نیز OpenAI گزارشی توصیفی منتشر کرد که نشان می‌داد ۲۰ تا ۲۵ درصد پیام‌های کاربران در ChatGPT با هدف «کسب اطلاعات» ارسال می‌شوند؛ یافته‌ای که چندان شگفت‌انگیز به نظر نمی‌رسد.

بدون تردید کیفیت این پژوهش‌ها به‌مرورزمان افزایش خواهد یافت. بااین‌حال، اگر پژوهش‌های پیشرفته هوش مصنوعی به درون شرکت‌ها منتقل شوند، اقتصاددانان نیز ممکن است همان مسیری را طی کنند که پیش‌تر «اقتصاددانان فناوری» در شرکت‌هایی مانند مایکروسافت و گوگل پیموده‌اند. این گروه معمولاً زمان کمتری را صرف پرسش‌های بزرگ و دارای اهمیت اجتماعی، مانند اینکه آیا شبکه‌های اجتماعی برای کودکان مفید هستند یا خیر می‌کنند و در عوض بر مسائل محدودتر مانند طراحی بهینه مزایده‌های تبلیغات آنلاین تمرکز خواهند کرد. مطالعه آکچیگیت نیز نشان می‌دهد پژوهشگران هوش مصنوعی پس از انتقال دائمی از دانشگاه به صنعت، مقالات علمی کمتری منتشر می‌کنند اما تعداد ثبت اختراع‌هایشان افزایش پیدا می‌کند؛ تغییری که در عمل به معنای «تغییر جهت از علم باز به‌سوی نوآوری مالکیتی» است.

مسئله دیگر، تعارض منافع است. پژوهشگران شاغل در آزمایشگاه‌های هوش مصنوعی احتمالاً با فشارهایی برای انتشار نتایجی مواجه خواهند شد که هوش مصنوعی را مفید و ایمن جلوه دهد. سال گذشته «تام کانینگهام» اقتصاددان پس از آنکه بنا بر گزارش‌ها از محدودیت‌های اعمال‌شده بر آنچه می‌توانست منتشر کند اعلام نارضایتی کرد، OpenAI را ترک کرد. او در نهایت به مؤسسه METR پیوست؛ نهادی که به ارزیابی مدل‌های هوش مصنوعی و مخاطرات احتمالی آن‌ها اختصاص دارد.

در جهانی که توسعه هوش مصنوعی هم فرصت‌های عظیمی پیش رو دارد و هم خطرهای جدی، جامعه بیش از هر زمان دیگری به پژوهشگران مستقلی نیاز دارد که بتوانند دیدگاه واقعی خود را بدون ملاحظات سازمانی بیان کنند. اقتصاددانان دانشگاهی برای ایفای این نقش، هنوز فاصله قابل‌توجهی با نقطه مطلوب دارند.

گزارش حاضر در نسخه June 20th 2026 نشریه The Economist منتشر شده است.