Экономика интеллекта: как и когда AGI приведёт к преобразованию экономики
Более умный ИИ повысит производительность, но настоящее преобразование экономики зависит от того, научатся ли агенты координировать свою работу.
Дата оригинала: 29 октября 2026 года.
Авторы: Алекс Имас, Эндрю Ко и Шейн Легг. DeepMind Institute.
Оригинал: The Economics of Intelligence: How and when does AGI lead to economic transformation?
Это эссе опирается на статью Organizing Intelligence, в которой представлена полная экономическая модель и формально выведены результаты.
Как совершенствование способностей ИИ преобразует экономику и когда это произойдёт? В этом эссе мы определяем пороговые уровни экономических возможностей ИИ, например минимальный AGI, через то, как они меняют экономику. Затем прослеживаем, как при переходе между этими уровнями меняются структура рынков, занятость и заработная плата.
За последние несколько лет возможности машинного интеллекта росли экспоненциально. Каждые несколько месяцев передовая модель ИИ достигает очередного рубежа, который ещё недавно казался делом далёкого будущего: пишет код для реального использования, превосходит экспертов в отдельных областях и решает математические задачи тысячелетия. Но если посмотреть на экономику в целом, она на удивление мало изменилась. Большинство людей по-прежнему ходят на привычную работу, численность сотрудников мало отличается от той, что была несколько лет назад, а совокупные показатели производительности почти не сдвинулись.
Отчасти этот разрыв объясняется тем, что отдельный ИИ-агент — неподходящая единица экономического анализа. Подавляющее большинство тестов оценивает, как отдельные агенты решают задачи в изоляции. Но преобразование экономики — результат установления равновесия, в котором конкурируют организации, подчиняясь силам спроса и предложения.
Работники не действуют в вакууме. Организации объединяют людей со взаимодополняющими сильными сторонами и распределяют задачи так, чтобы команда могла гораздо больше, чем любой сотрудник по отдельности. Поскольку существующие тесты проверяют лишь то, способен ли ИИ превзойти отдельного человека, модель может обойти каждого в сравнении один на один и всё же уступить хорошо организованной команде. Именно поэтому организации иногда называют формой сверхинтеллекта.
В то же время стандартные экономические модели упускают преобразующий потенциал ИИ. Они по-прежнему склонны описывать машинный интеллект по образцу прежних технологических инноваций: как более совершенный инструмент в руках работника или как машину, которая заменяет людей по одной задаче за раз.
Машинный интеллект общего назначения не укладывается в эту схему по двум основным причинам. Во-первых, предложение человеческого труда ограничено, а количество ИИ-агентов и доступных благодаря им способностей можно наращивать по мере спроса, оплачивая вычисления. Во-вторых, ограничения размера человеческих команд — число подчинённых, которыми способен управлять руководитель, трудности коммуникации и несовпадающие стимулы — не обязательно распространяются на машинных агентов. Когда они наконец смогут работать напрямую друг с другом, а не внутри человеческих иерархий, перед нами окажется принципиально новый вид производственного ресурса.
Так когда же машинный интеллект действительно приводит к преобразованию экономики? И каких возможностей он должен достичь, чтобы мы увидели влияние ИИ на структуру рынков, зарплаты и рабочие места?
Чтобы ответить на этот вопрос, мы выводим экономические сценарии для разных уровней возможностей ИИ. Рассматривая, как интеллект работает внутри организаций, мы приходим к тому, что момент преобразования экономики зависит от преодоления двух ключевых порогов:
Компетентность. Развитие индивидуальных навыков, таких как математика, письмо или программирование, плавно меняет зарплаты, цены и соотношение людей и ИИ-агентов в компании, оставляя структуру отрасли в основном прежней.
Координация. Развитие способности агентов работать вместе внутри компании меняет то, как организации масштабируются. Достигнув критического порога, координация вызывает резкие и значительные скачки концентрации рынка, занятости и зарплат.
Если определить положение ИИ по обеим осям, можно выделить разные режимы его возможностей в зависимости от того, как они влияют на устройство экономики, на то, кто получает работу и сколько ему платят. Мы называем эти режимы минимальным AGI, сверхкомпетентным ИИ, сверхкооперативным ИИ и искусственным сверхинтеллектом (ASI). Прослеживая переходы между ними, можно понять, почему заметное преобразование экономики может начаться именно с улучшения координации — способности, которую большинство тестов пока не измеряет.
Неравномерные способности агентов и мозаичный интеллект организаций
Подавляющее большинство современных тестов даже не пытается измерить координацию. Они сводят интеллект к индивидуальной оценке вместо того, чтобы рассматривать неравномерный профиль способностей и возможность взаимодействовать с участниками команды, которые его дополняют.
Чтобы показать, почему это важно, мы предложили 100 людям пройти тест по шести направлениям: математике, вербальному мышлению, естественным наукам, распознаванию закономерностей, культуре и экономике. Результат в одной области оказался слабым предиктором результата в другой. Среди участников не было копий «среднего интеллекта»: это были специалисты с разными сочетаниями сильных и слабых сторон.
Например, один человек может хорошо справляться со многими разделами, но крайне плохо распознавать закономерности. Другой участник, напротив, может отлично распознавать закономерности и показывать средние результаты во всём остальном. На рисунке 1 приведены данные шести участников.

Рисунок 1. Неравномерные способности людей в шести областях и мозаичный интеллект организации.
Но работники почти никогда не выходят на потребительские и корпоративные рынки поодиночке. Они входят в организации, которые во многом и существуют затем, чтобы разумно использовать эту присущую людям неравномерность: объединять взаимодополняющих специалистов так, чтобы команда охватывала своими способностями то, что не охватывает ни один её участник.
Так внутри компании работает рикардианский принцип сравнительных преимуществ: люди распределяются по занятиям, в которых они относительно сильнее. Роли назначают не случайно, а так, чтобы максимально использовать сравнительное преимущество каждого специалиста.
В результате возникает мозаичный интеллект: организация создаёт коллективную способность, которая объединяет сильные стороны всех специалистов и закрывает пробелы между ними. Сглаживая неровности индивидуальных профилей, мозаичный интеллект превосходит каждого участника по отдельности.
Рисунок 1 показывает, как это работает на наших данных: синяя область соответствует средним способностям шести участников слева, а красная, значительно большая, — интеллекту организации, в которой каждый специалист занят тем, что у него получается лучше всего. Когда участников объединяют в пары так, чтобы их способности дополняли друг друга при решении конкретной задачи, результат на 32% выше, чем у случайно составленных пар.
Теперь применим эту логику к целой команде. Разработка и выпуск программного продукта требуют и сильных навыков программирования, и умения ясно писать. Совместная работа специалистов в обеих областях компенсирует индивидуальные слабости.
Благодаря росту производительности каждый программист и автор текстов внутри компании может зарабатывать больше, чем самостоятельно за её пределами. Причина не в том, что каждый из них по отдельности стал способнее. Взаимодополняющие специалисты усиливают сравнительные преимущества друг друга, и оба могут претендовать на более высокую оплату. На левой панели рисунка 2 это показано на простом числовом примере.
Организации также раскрывают ценность третьего типа работников — координаторов. Если судить по любому тесту индивидуальных способностей, человек, занимающийся только координацией, выглядит самым слабым работником в экономике: он средне программирует и средне пишет. Сам по себе он производит совсем немного.
Но внутри команды умелый координатор уменьшает потери при передаче работы между коллегами, позволяет команде расти, не теряя фокуса, и заметно повышает производительность каждого программиста и автора текстов. Благодаря ему команда получает пользу от сильных сторон каждого специалиста.
В равновесии координаторы, которых обычно называют менеджерами, получают одни из самых высоких зарплат в экономике. Не потому, что блестяще решают отдельную задачу, а потому, что максимизируют результат всей мозаики.
А что с машинным интеллектом? О неравномерности способностей ИИ-агентов сказано немало: они решают сложные математические задачи, но спотыкаются на, казалось бы, простых вопросах. Человеческие способности тоже неравномерны. Однако сильные и слабые стороны у разных людей различаются, а у моделей ИИ эти неровности очень похожи друг на друга.
Мы можем добавить в команду человека с дополняющей специализацией, чтобы закрыть пробел. Запуск ещё одной копии модели лишь увеличивает объём доступной работы, но не расширяет спектр способностей.
Поэтому модель, чей профиль превосходит средние индивидуальные способности людей, всё равно может проиграть на конкурентном рынке команде людей с разными сильными сторонами, которые усиливают друг друга, хотя ни один из них не смог бы превзойти ИИ самостоятельно.
Вопрос «модель лучше человека?» направляет экономический анализ не на тот объект. На конкурентном рынке правильнее спросить, может ли организация ИИ-агентов превзойти организацию людей или смешанную команду людей и агентов.

Рисунок 2. Мозаичный интеллект по отдельным навыкам и кривые масштабирования организаций при разном размере компаний.
Чем ИИ отличается от людей
Помимо того, как сочетаются профили способностей, у ИИ-агентов есть два ключевых отличия от работников-людей, важных для понимания экономических преобразований: возможность копирования и координация.
Предложение человеческих компетенций ограничено. У каждого человека конечное число часов в сутках, и произвольно увеличить его невозможно. Чтобы расширяться, отраслям приходится привлекать работников со всё более высокими требованиями к оплате, что неизбежно повышает зарплаты. В этом суть урока Рикардо, того самого, о котором мы уже говорили: наибольший экономический доход получают обладатели навыков, которые невозможно воспроизвести.
ИИ устраняет это ограничение дефицита в масштабе. Как только модель достигает нужного уровня способностей, её можно получить в любом количестве по цене аренды вычислительных ресурсов. Именно это определяет, как меняются зарплаты при внедрении ИИ в экономику: всякий раз, когда модель сравнивается с человеком по способностям, оплата человеческого труда привязывается к стоимости вычислений.
Второе отличие — координация. Нобелевский лауреат по экономике Рональд Коуз задал знаменитый вопрос: если организация работы внутри фирмы снижает издержки, почему всё производство не сосредоточено в одной большой фирме? За столетие исследований экономики организаций ответ связывали с человеческими ограничениями.
Два коллеги, работающие бок о бок, держат в голове весь замысел проекта и сразу устраняют несоответствия. Но стоит увеличить команду до 20 или 200 человек, как внимания перестаёт хватать, неявные допущения теряются при передаче работы, а личные карьерные интересы приводят к расхождению целей сотрудников.
Значительная часть человеческого знания неявна. Это выражает парадокс Полани: «Мы можем знать больше, чем способны рассказать». При передаче работы от одного человека другому богатый контекст сжимается до краткого пересказа с потерями. Якоб Маршак и Рой Раднер построили целую теорию команд вокруг одной лишь информации, теряющейся при коммуникации.
История показывает, что происходит при изменении ограничений координации. В XIX веке появление телеграфа и железных дорог не сделало отдельных работников способнее. Оно повысило скорость и точность передачи работы, и уже одного этого хватило, чтобы перестроить производство, создав прежде не существовавшие структуры. К возникновению современной фирмы привело совершенствование технологий координации, а не индивидуальных навыков.
При этом ни одно из ограничений человеческой координации не обязательно распространяется на ИИ-агентов. Сегодня системы ИИ на практике координируются плохо. Но высокая пропускная способность их коммуникации даёт огромный потенциал для взаимодействия.
Копии одного агента имеют одинаковые веса и внутренние представления. Они могут передавать друг другу полное рабочее состояние, включая целые кодовые базы, промежуточные выкладки и всё содержимое контекстных окон, а также выполнять общую задачу без конфликта карьерных интересов.
Ограничения, исторически сдерживавшие размер компаний, связаны с пропускной способностью человеческого общения и несовпадением стимулов. Чтобы предсказать экономическое преобразование под влиянием ИИ, необходимо понять, действуют ли эти ограничения для агентов.
Компетентность задаёт уровень, координация — масштаб
Теперь представим рынок, на котором компании могут собирать любые команды: нанимать людей, чьё предложение ограничено, по рыночным ставкам и арендовать копии ИИ по цене вычислений. Конкуренция отбирает организационные структуры, способные выдержать появление новых игроков.
Общие возможности любой организации можно разложить по двум уже рассмотренным измерениям: компетентности и координации. Компетентность задаёт уровень выпуска на работника при фиксированном размере компании. Координация определяет, что происходит с этим выпуском по мере добавления людей или ИИ-агентов.
Иначе говоря, компетентность задаёт потенциальный уровень производительности, а координация определяет, насколько большой может стать организация, прежде чем сложность её устройства помешает ей работать.
Если проследить, как выпуск на работника меняется с ростом организации, мы получим то, что называем законами масштабирования организаций, по аналогии с законами масштабирования моделей. Законы масштабирования моделей описывают отдачу от увеличения числа параметров и объёма данных, а законы масштабирования организаций — то, что происходит при увеличении команды агентов. В них есть три фазы:
Фаза | Описание |
|---|---|
Фаза 1. Работа поодиночке | Ниже базового порога координации агенты настолько плохо взаимодействуют, что выгоднее работать поодиночке. |
Фаза 2. Ограниченный масштаб | Между базовым порогом и более высокой критической точкой находится привычный нам мир. Разделение труда повышает выпуск на человека в небольших компаниях, затем рост прекращается, а по мере дальнейшего увеличения компании показатель начинает снижаться: работников становится слишком много для эффективной координации. Рост компетентности сдвигает кривую вверх, не меняя размер компании. Улучшение координации позволяет компаниям становиться крупнее (рисунок 2). В примере с программистом и автором текстов добавление специалистов со взаимодополняющими навыками меняет уровень производительности, но не оптимальный размер компании. Именно появление координатора позволяет более крупной компании существовать в равновесии. |
Фаза 3. Неограниченный масштаб | Если фирма достаточно хорошо координирует работу и преодолевает то, что мы называем порогом сверхкооперации, каждый следующий участник становится производительнее предыдущего (красная линия на рисунке 2b). Это пробивает коузовский потолок: больший размер даёт преимущество при любом масштабе, и размер компании ограничивается только размером рынка. |
Разделение компетентности и координации позволяет сделать важный вывод об экономическом преобразовании: компетентность меняет экономику постепенно, а координация — скачкообразно. Рост компетентности в отдельных областях плавно меняет цены, зарплаты и соотношение людей и ИИ-агентов, но компании остаются сравнительно небольшими. Для внешнего наблюдателя экономика выглядит достаточно привычно.
Но как только координация преодолевает порог сверхкооперации, происходят резкие скачки концентрации компаний, занятости и зарплат. Экономика становится совсем не похожей на ту, которую мы видим сегодня.
Четыре режима AGI
Вместо того чтобы представлять прогресс ИИ как движение одного ползунка вверх, наша модель независимо отслеживает развитие компетентности и координации. Так возникают четыре режима возможностей в зависимости от их последствий для структуры рынка, занятости и зарплат. Мы называем их минимальным AGI, сверхкомпетентным ИИ, сверхкооперативным ИИ и искусственным сверхинтеллектом (ASI).
Чтобы увидеть, как эти режимы проявляются во всей экономике, а не внутри отдельной отрасли, мы рассматриваем три типа секторов:
Крупные масштабируемые рынки. Большие стандартизированные отрасли, такие как разработка ПО, логистика или финансы, где спрос способен поглотить огромный объём предложения.
Нишевые рынки. Небольшие, специализированные или ориентированные на индивидуальные заказы рынки, где ограниченный спрос уменьшает выгоду от одного лишь масштаба.
Сектор человеческих отношений. Товары, услуги и впечатления, в которых участие человека составляет часть основной ценности: от здравоохранения и преподавания до обслуживания и ремесла.
Рисунок 3 показывает, что происходит со структурой рынка и занятостью в этих трёх секторах при переходе между режимами возможностей ИИ.

Рисунок 3. Изменение организации компаний на нишевых и крупных масштабируемых рынках, а также в секторе человеческих отношений при разных режимах возможностей ИИ.
Минимальный AGI
Сначала рассмотрим минимальный AGI: воспроизводимый ИИ, который соответствует средним человеческим способностям в разных задачах или превосходит их. На первый взгляд структура экономики почти не меняется. На крупных рынках сбалансированные человеческие команды с мозаичным интеллектом по-прежнему выигрывают у ИИ-компаний: совокупные способности взаимодополняющих экспертов превосходят возможности фирмы со средним уровнем навыков. Численность сотрудников сохраняется, а отрасли остаются раздробленными между множеством малых и средних компаний.

Рисунок 3б. Минимальный AGI.
Все изменения происходят в зарплатах. У работников, чьи навыки ИИ уже освоил, зарплаты будут снижаться в сторону стоимости вычислений. При этом специалисты и люди-координаторы смогут требовать ещё более высокой оплаты, чем прежде. Поскольку копии агентов минимального AGI можно арендовать по цене вычислений, небольшие ИИ-компании выходят на чувствительные к цене и небольшие нишевые рынки, снижая цены на товары.
Главный вывод важен для сегодняшних дискуссий об ИИ и экономике: поскольку влияние на зарплаты проявляется раньше организационной перестройки, макроэкономическая статистика занятости — слабое основание для утверждения, что ИИ не влияет на экономику.
Сверхкомпетентный ИИ
Теперь рассмотрим случай, когда системы ИИ превосходят любого человека-эксперта по всем способностям, кроме координации. Этот режим мы называем сверхкомпетентным ИИ. Что произойдёт, если ИИ-агенты станут компетентнее, но не обязательно научатся лучше координировать работу?

Рисунок 3в. Сверхкомпетентный ИИ.
Как ни удивительно, структурные преобразования по-прежнему будут небольшими. Даже если ни одна команда людей-специалистов не может превзойти модель в отдельных задачах, координация всё ещё ограничивает размер организации, при котором она не разваливается.
Появление сверхкомпетентного ИИ означает, что компании становятся гораздо производительнее, но не крупнее. На деле численность сотрудников и масштаб, вероятно, даже сократятся. В отраслях сохраняется конкуренция множества компактных компаний, товары и услуги дешевеют и становятся доступными в изобилии. Экономика даёт на первый взгляд парадоксальный результат: изобилие без концентрации.
Однако внутри этих компактных компаний роли заметно меняются. Поскольку ИИ выполняет самостоятельную работу специалистов по цене вычислений, оплата типовых специализированных задач постепенно снижается. Но большим командам и проектам по-прежнему трудно обойтись без умелого человека-координатора. Тот, кто задаёт направление и согласует общую работу, многократно увеличивает результат команды сверхкомпетентных ИИ-агентов.
Люди не исчезают из производства. Их сравнительное преимущество смещается в сторону способности принимать взвешенные решения, организовывать работу и создавать условия для эффективной координации.
Сверхкооперативный ИИ
Теперь изменим другую ось: оставим индивидуальную компетентность ИИ-агента на уровне минимального AGI, но улучшим координацию агентов настолько, чтобы преодолеть порог сверхкооперации.

Рисунок 3г. Сверхкооперативный ИИ.
Здесь экономика переживает резкий фазовый переход. Каждый дополнительный агент в организации теперь повышает производительность команды, а не добавляет трения. На языке математики зависимость выпуска от масштаба меняется с вогнутой на выпуклую.
На крупных стандартизированных рынках такие тесно согласованные ИИ-организации могут вырасти, а затем внезапно обойти небольшие фирмы, даже если ни один агент не показывает особенно впечатляющих результатов в изолированном тесте.
Разница между двумя экономиками по разные стороны порога сверхкооперации может быть огромной. Даже при почти одинаковой компетентности моделей ИИ одна экономика может оставаться раздробленной и привычной, а другая — быстро перестраиваться вокруг нескольких крупных компаний, состоящих только из ИИ. Во втором случае перестройка также вызывает резкое падение зарплат.
Но это происходит не во всей экономике. На нишевых рынках покупательский спрос естественным образом ограничен, поэтому ИИ-организации трудно за счёт масштаба получить достаточную отдачу, чтобы конкурировать с небольшими человеческими командами, опирающимися на мастерство.
Однако приток работников в нишевые отрасли и сектор человеческих отношений снизит зарплаты и на этих рынках. Так прорыв в машинной координации может привести к масштабным изменениям во всей экономике.
Искусственный сверхинтеллект
Когда возможности ИИ преодолевают оба порога — сверхкомпетентности и сверхкооперации, — мы достигаем режима искусственного сверхинтеллекта, или ASI. На крупных рынках производство остаётся сосредоточенным в больших компаниях, работающих на основе ИИ.

Рисунок 3д. Искусственный сверхинтеллект.
Поскольку ASI также превосходит людей-специалистов в отдельных задачах, небольшие нишевые рынки больше не защищают человеческие команды: компактные ИИ-компании теперь способны обслуживать специализированный спрос без огромного масштаба.
Если смотреть только на товары и задачи, которые могут воспроизвести машины, кажется, что человеческому труду больше некуда податься. Но если рассмотреть экономику целиком, люди вовсе не обязательно останутся без работы.
Чтобы понять, как автоматизация меняет труд и ценность, полезно обратиться к экономике структурных изменений в исторической перспективе. Когда автоматизация повышала производительность в сельском хозяйстве, а затем в промышленности, изобилие в этих секторах делало всё общество богаче. При этом число рабочих мест не сокращалось: люди тратили дополнительные доходы в неавтоматизированных секторах, то есть в услугах, и там росли как экономическая ценность, так и занятость.
Но ИИ отличается от прежних технологических изменений, и волна автоматизации может оказаться гораздо шире. По мере снижения цен под влиянием ИИ большинство товаров и услуг может превратиться в стандартизированное массовое предложение, а общество — стать гораздо богаче в реальном выражении.
Куда в таком случае направятся расходы и занятость? Один из вариантов: это богатство перетечёт в товары и услуги, которые ценятся, но остаются дефицитными, — в сектор человеческих отношений, где участие человека само по себе составляет часть ценности.
Вероятно, сюда войдут знакомые области, в которых большинство задач можно автоматизировать, но выполнение работы человеком повышает её ценность: например, здравоохранение и образование. И если история чему-то учит, то появятся и совершенно новые профессии, которые сегодня трудно или даже невозможно представить. Кто в 1950 году мог подумать, что значительная доля населения будет заниматься чем-то под названием «разработка программного обеспечения»?
Поэтому, даже если оплата человеческого труда в стандартизированном массовом производстве привязана к стоимости вычислений, как это Паскуаль Рестрепо анализировал применительно к полностью автоматизированным отраслям, сектор человеческих отношений может значительно вырасти и обеспечить работой большую часть людей при высоких реальных зарплатах.
Как увидеть будущее
Сравнительно скромные экономические изменения, которые мы наблюдаем сегодня, вполне объяснимы в рамках нашей модели: индивидуальная компетентность моделей ИИ растёт экспоненциально, а координация отстаёт. В десятках профессий модели уже сравнялись с опытными специалистами или превосходят их при выполнении самостоятельных задач с законченным результатом. Но стоит запустить рой агентов, и отдача от его расширения быстро начинает снижаться.
Передовые внедрения сталкиваются с той же проблемой. Размышляя о запуске тысяч параллельных агентов для решения открытых математических проблем, Ноам Браун из OpenAI отмечает: «На самом деле добиться продуктивной координации этих агентов очень трудно». Он заметил, что рои легко скатываются к независимой работе над одной и той же задачей вместо эффективного разделения труда. По его словам, он «не приписал бы даже 10%» преимущества над отдельным агентом именно мультиагентным возможностям.
Сегодняшний рынок труда отражает нынешние возможности систем ИИ: мы видим не массовую безработицу или внезапные ИИ-монополии, а более компактные стартапы, менее многоуровневые структуры управления, ослабление найма на начальные позиции, задачи которых ближе всего к тестовым, и стабильный или растущий спрос на опытных людей, способных направлять сложную работу нескольких команд.
Если самые глубокие структурные сдвиги зависят от координации, инструменты измерения должны это учитывать. Сегодня рейтинги в подавляющем большинстве проверяют отдельных агентов в изоляции. Как предикторы экономических изменений эти оценки завышают способность моделей конкурировать с человеческими командами взаимодополняющих специалистов и почти не предупреждают о том, насколько близко системы ИИ подошли к критическому порогу кооперации.
Наряду с индивидуальными рейтингами нам нужны тесты для организаций агентов. Они должны измерять, насколько хорошо мультиагентные системы распределяют незнакомые задачи, не дублируя работу, передают контекст без потерь и на длинных временных отрезках выявляют ошибки друг друга, а не усугубляют их.
Экономическую статистику нужно обновить сходным образом: отслеживать и расходы на оплату труда, и расходы на вычисления, чтобы видеть, как люди и машины объединяются на практике.
Пока же самыми ранними сигналами изменений остаются зарплаты и рабочие роли, а не общие показатели ВВП или концентрация отраслей. Они начинают меняться задолго до того, как заметно сдвигаются границы компаний.
Слишком долго дискуссии об AGI представляли интеллект как индивидуальную гонку способностей человека и машины. Значение имеет организация, которая превращает неравномерные способности отдельных участников в нечто гораздо большее, чем сумма частей.
Примечание
DMI — платформа, созданная исследователями из Google и Google DeepMind для публикации и обсуждения оригинальных, глубоко проработанных идей о мире с AGI. Материалы DMI призваны открывать дискуссию, отражают идеи и исследования авторов и не должны восприниматься как официальная позиция Google.
Авторы
Алекс Имас
Директор направления экономики AGI в Google DeepMind
Алекс изучает экономику искусственного интеллекта и технологических изменений. Его исследования посвящены тому, как ИИ меняет производительность, рынки труда и творческую работу; как люди и организации осваивают ИИ и приспосабливаются к нему; как агентные системы взаимодействуют с существующими экономическими и социальными институтами. В работе он использует теоретическое моделирование, контролируемые эксперименты и анализ наблюдательных данных.
Его исследования отмечены несколькими наградами, в том числе стипендией Слоуна. Вместе с Ричардом Талером он написал книгу The Winner’s Curse: Behavioral Economics Anomalies, Then and Now («Проклятие победителя: аномалии поведенческой экономики — тогда и сейчас»). Алекс — директор направления экономики AGI в Google DeepMind и профессор экономики и прикладного ИИ в Чикагском университете.
Эндрю Ко
Научный сотрудник Google DeepMind
Эндрю — научный сотрудник Google DeepMind и ассистент-профессор экономики Колумбийского университета. Он занимается теорией игр, дизайном механизмов и макроэкономикой. Его недавние работы посвящены экономическим и политическим последствиям появления мощных систем ИИ, а также проектированию механизмов для согласования поведения и предпочтений стратегически действующих ИИ-агентов.
Шейн Легг
Сооснователь и главный научный руководитель направления AGI в Google DeepMind
Шейн — сооснователь Google DeepMind и обладатель звания выдающегося выпускника Университета Уаикато. Он получил докторскую степень в Институте исследований искусственного интеллекта Далле Молле (IDSIA) в Швейцарии. В диссертации он предложил формальное определение машинного интеллекта, за что получил исследовательскую премию Канадского института сингулярности.
Затем он год работал постдокторантом в Швейцарском институте финансов, создавая модели человеческого принятия решений, а после этого два года — в подразделении вычислительной нейронауки Гэтсби при Университетском колледже Лондона (UCL). Шейн — почётный член UCL. В 2017 году он получил награду Digital Masters Award за техническое мастерство. В 2019 году Шейн был удостоен степени командора ордена Британской империи (CBE) за заслуги в сфере инвестиций и технологического развития.
Начнём с вашей задачи.
Расскажите, что хотите изменить в работе компании. Обсудим, где помогут обучение, внедрение или диагностика.