Neću govoriti kako ChatGPT reagira kada ga se pita o strategijama gospodarskog razvoja. Uglavnom izbaci razumne, ali osrednje ideje koje je vidio u svom skupu obučavanja.

No, ChatGPT-ova arhitektura, koja mu je dala znatno veće mogućnosti nego što su njegovi tvorci očekivali, nudi vrijednu lekciju za rješavanje složenosti gospodarskog razvoja.

Dva načina učenja
Više od desetljeća duboke neuronske mreže (DNN) nadmašuju sve ostale tehnologije umjetne inteligencije, potičući značajan napredak u računalnom vidu, prepoznavanju govora i prevođenju. Pojava robota za čavrljanje (chatbotova) generativne umjetne inteligencije poput ChatGPT-a nastavlja ovaj trend.

Da bi učili, algoritmi umjetne inteligencije iziskuju obuku, koja se može postići kroz dva glavna pristupa: nadzirano učenje i nenadzirano učenje. U nadziranom učenju ljudi računalu daju skup označenih slika kao što su “pas”, “mačka”, “hamburger”, “automobil”… Algoritam se zatim testira kako bi se vidjelo koliko dobro predviđa oznake povezane sa slikama koje još nije vidio.

Problem s nadziranim pristupom je u tome što zahtijeva od ljudi da prođu kroz zamoran proces ručnog označavanja svake slike. Nasuprot tome, nenadzirano učenje ne oslanja se na označene podatke. No, kod odsutnosti oznaka nameće se pitanje što bi algoritam trebao naučiti. Da bi to riješio, ChatGPT obučava algoritam samo za predviđanje sljedeće riječi teksta koji se koristi za njegovo obučavanje.

Pouka za gospodarski razvoj je da bi se donositelji politika trebali usredotočiti na zadatak koji se može činiti banalnim, pod uvjetom da će, kako bi se istaknuli u njemu, neizravno biti primorani naučiti mnogo zamršenije razvojne izazove.

Nasuprot tome, prevladavajući pristup u području razvojne ekonomije bio je razlikovati uzročno-posljedične veze i dublje odrednice rasta te se usredotočiti na potonje. Ovaj je pristup analogan riječima: “Umjesto da pokušavate predvidjeti sljedeću riječ, shvatite kontekst i značenje cijele knjige”.

Primjerice, u knjizi iz 2012., “Zašto nacije propadaju”, Daron Acemoglu i James A. Robinson tvrde da su institucije, utječući na strukturu poticaja u društvu, krajnja odrednica ekonomskih ishoda.

Ekonomist Oded Galor sa Sveučilišta Brown ima drukčiji pristup, naglašavajući složene demografske i tehnološke transformacije koje su čovječanstvo izvukle iz maltuzijske ravnoteže i dovele do duljeg životnog vijeka, nižih stopa plodnosti i većih ulaganja u obrazovanje.

Ti su trendovi zajedno potaknuli sudjelovanje žena u radnoj snazi i povećali dostupnost vještina potrebnih za održavanje usvajanja tehnologije i gospodarskog rasta.

Predviđanje idućeg koraka
No, odgovaraju li ove teorije činjenicama? Protekla četiri desetljeća, zemlje u razvoju doista su doživjele mnoge radikalne transformacije koje je Galor opisao.

Kao što je primijetio pokojni liječnik Hans Rosling, jaz između zemalja u razvoju i razvijenih u očekivanom trajanju života, smrtnosti dojenčadi, plodnosti, obrazovanju, upisu na sveučilište, sudjelovanju žena u radnoj snazi i urbanizaciji naglo se smanjio.

Razmišljamo li kao Acemoglu i Robinson, institucije zemalja u razvoju ne mogu biti toliko loše ako su mogle ostvariti napredak u toliko područja. U Galorovom okviru, napredak na svim tim područjima trebao bi objasniti zašto su zemlje u razvoju toliko sustigle razvijeni svijet u smislu prihoda.

Ali one to nisu. Kako je moguće da smanjenje razlika u obrazovanju, zdravstvu, urbanizaciji i osnaživanju žena nije uspjelo smanjiti i jaz u prihodima? Da bi dokučili smisao zbunjujućeg ishoda, ekonomisti se pozivaju na sve veći tehnološki jaz.

Ovo je matematička nužnost više nego objašnjenje: ako više inputa ne dovodi do više outputa, nešto sigurno umanjuje učinkovitost inputa. Nekoliko zemalja koje su uspjele sustići ostale imaju dva prepoznatljiva svojstva: njihov je izvoz rastao mnogo brže od njihovog BDP-a, a svoj su izvoz diversificirale prelaskom na složeniju robu.

Da ostvare taj pothvat, te uspješne zemlje moraju usvojiti i prilagoditi bolje tehnologije, prilagoditi pružanje javnih dobara i svojih institucija kako bi poduprle industrije u nastajanju te smanjiti neučinkovitost i troškove povećanjem produktivnosti i osposobljavanjem radnika. U tom procesu možda riješe hrpu drugih problema.

Razvojna strategija nadahnuta ChatGPT-om usredotočila bi se na jednostavan cilj: poboljšati konkurentnost, raznolikost i složenost izvoza.

Otkrivanje kako to učiniti primoralo bi donositelje politika da nauče kako raditi važne stvari, baš kao što je predviđanje sljedeće riječi omogućilo ChatGPT-u da nauči kontekst, gramatiku, sintaksu i stil.

Primjena pristupa ChatGPT-a gospodarskom razvoju mogla bi pojednostaviti stvari: baš kao što jezični model pokušava predvidjeti samo sljedeću riječ, donositelji politika mogli bi se pokušati usredotočiti na olakšavanje sljedećeg izvoza, kao izgleda da su to učinile uspješne zemlje. Iako se to može činiti malim korakom, moglo bi dovesti do iznenađujuće značajnih rezultata.

© Project Syndicate 2023.