(Kiemelt kép: Unsplash)
Hol a helyünk a munka jövőjében? Az „automatizálási szorongás” nem új keletű dolog. Válaszul arra, hogy a ludditák feltörték és elpusztították azokat a technológiákat, melyektől tartottak, hogy elveszik a munkájukat, a brit parlament elfogadta a „szövőkeretek elpusztításáról” szóló törvényt 1812-ben, mely az ilyen jellegű rongálást halállal büntette. Arisztotelész már jóval korábban elgondolkodott azon, hogy ha minden szerszámunk képes lenne magától elvégezni a feladatát, akkor a mestereknek nem lenne szükségük rabszolgákra. De a történelem nagy átmenetei során (a nomád életmódból a mezőgazdaságba, a farmokról a gyárakba) az emberiség soha nem fogyott ki a munkahelyekből. Inkább az új és megmaradt munkahelyek együttesen tették lehetővé, hogy többet termeljünk, és a gazdaság ennek következtében jelentősen növekedett. Az új munkahelyek minőségével kapcsolatban azonban komoly kérdések merültek fel. A farmról a gyárba való átköltözés sok ember számára nem jelentett előrelépést. De mindig voltak és maradtak munkahelyek. A jövő állásai is lehetnek többé-kevésbé vonzóak, de akkor is lesznek.
A mesterséges intelligencia történelme
A mesterséges intelligencia bizonyos értelemben az emberi intelligenciával ellentétes irányban fejlődött. A legtöbbünk számára az olyan dolgok jelentenek nehézséget, mint a logika és a matematika, nem pedig a kutyák és macskák megkülönböztetése. De a gépi elme kezdeti időszakában a nehéz feladatok kerültek az előtérbe. Az úgynevezett „szimbolikus mesterséges intelligencia” az 1960-as évekre már képes volt algebrát és geometriát írni, valamint sakkozni és dámázni. A nehéz feladatokat már megoldotta, és ez arra késztetett mindenkit, hogy dicsérje, és nagyon optimistán tekintsen a jövőbe, ahol minden nehéz problémánk majd megoldódik a „gépi elmék” segítségével. A rajongás egyre nőtt, és a pénz is folyton csak dőlni látszott ebbe a jövőiparágba. De a hype egy éles felismeréssel alábbhagyott, kiderül, hogy a könnyű problémákat nem tudta megoldani az ekkori MI. A problémát azok a dolgok jelentették, melyeket gondolkodás nélkül meg tudunk tenni: felismerni egy arcot, felvenni egy tojást anélkül, hogy összetörnénk, kikelni az ágyból és felvenni egy inget. A mesterséges intelligencia korai változataihoz pontosan meg kellett mondanunk nekik, hogyan tegyék azt, amit szerettünk volna, hogy megtegyenek. Kézzel adták meg nekik a szabályokat, a döntési fákat és a folyamatokat, attól függően, hogy milyen feladatokat kellett elvégezniük. Ezáltal viszont formulaszerűvé és ismétlődővé váltak. Próbáljunk meg egy számítógépet úgy programozni, hogy kiürítsen egy játéktárolót és rakosgasson néhány kockát. Nem tud magától tanulni, ezért meg kell mondani neki, hogyan ismerje fel a különböző formájú, színű és szögben álló tárgyakat, hogyan mozgassa a karját, hogyan vegye fel a dolgokat, hogyan helyezze el őket anélkül, hogy a többit felborítsa. És ezek a feladatok mindegyike tovább bontható részfeladatokra. Olyan ez, mintha azt mondanánk valakinek, hogyan kell kosárlabdát dobni, az utasítások szépek, de végül is rá kell érezni a dologra, hogy a gyakorlatban is tökéletesen működjön. A korai mesterséges intelligenciának nem volt „érzéke”, merev és rugalmatlan volt. A kezdeti optimizmusból így aztán pesszimizmus lett, a pénz is elapadt a további fejlesztésekre, és beköszöntött az első „MI-Tél”.
Ezt a kudarcot a Moravec-paradoxon foglalja össze a legjobban, melynek névadója 1988-ban ezt állította: „Az emberi agy nagyméretű, magasan fejlett érzékszervi és motoros részeiben egymilliárd évnyi tapasztalat van kódolva a világ természetéről és arról, hogyan lehet benne túlélni. Az a szándékos folyamat, melyet érvelésnek nevezünk, az emberi gondolkodás »legvékonyabb burkolata«, mely csak azért hatékony, mert egy sokkal régebbi és sokkal erősebb, bár általában tudattalan szenzomotoros tudás támogatja. Mindannyian csodálatos olimpikonok vagyunk az észlelés és a motorika területén, annyira jók, hogy a nehéz dolgokat könnyűvé tesszük. Az absztrakt gondolkodás azonban új trükk, talán kevesebb mint 100 ezer éves. Még nem sajátítottuk el. Nem is annyira nehéz önmagában; csak akkor tűnik annak, amikor csináljuk.”
Még ha a „könnyű” feladatokkal küzdöttek is, a mesterséges intelligencia eme korai változatai mégis hatással voltak a munkaerőpiacra. A National Bureau of Economic Research tanulmánya szerint az elmúlt 40 évben az automatizálás volt az amerikai jövedelmi egyenlőtlenségek fő mozgatórugója, mivel a középosztálybeli, nagymértékben ismétlődő feladatokra támaszkodó munkakörök, mint például a call-centerek, a pénztárosok a számítógépek uralma alá kerültek. Az amerikai bérszerkezetben az elmúlt négy évtizedben bekövetkezett változások 50-70%-kát a gyors automatizálásban érintett iparágakban rutinfeladatokra specializálódott munkavállalói csoportok relatív bércsökkenése tette ki. A rutinszerű és algoritmikus munkaköröket azért veszítették el, mert ezek tökéletesen megfeleltek az eredetileg szimbolikus mesterséges intelligenciának, de nem sokat tudtak tenni, amikor kreativitásra és rugalmasságra volt szükség. Nem tudták kezelni a bizonytalanságot vagy megszegni a szabályokat. A dinamikus gondolkodást, szociális készségeket és komplex problémamegoldást igénylő munkakörök nagyrészt érintetlenül maradtak még.
Tanuló gépek
Ma, amikor az emberek a mesterséges intelligenciáról beszélnek, általában egy egészen más megközelítésre utalnak, mely az agyból eredő neurális hálózatokon alapul. Az ötlet nem új, az 1950-es évek végén Frank Rosenblatt pszichológus ezen elvek alapján tervezte meg a „Perceptront”, mely alapvető mintafelismerési feladatok elvégzésére volt képes. A neurális hálós megközelítés fejlődése 2012-ben érte el a csúcspontját, köszönhetően egy képfelismerő versenynek, amelyen Geoffrey Hinton, Yann LeCun és Yoshua Bengio kutatók tisztes eredményeket értek el vele. Így kezdődött az, amit ma a „mélytanulás forradalmának” neveznek. Azóta számos figyelemre méltó siker született, melyek megkérdőjelezik a Moravec paradoxont. A legjobb modern példa talán a DeepMind, a Demis Hassabis által vezetett brit MI-vállalaté, melyet 2014-ben vásárolt meg a Google. 2016-ban a DeepMind AlphaGo-ja legyőzte Lee Sedolt Go játékban. A program úgy tanult, hogy megnézte a szakértők korábbi játékait, és kivonta belőlük a sikerhez vezető legfontosabb jellemzőket. Nem akármilyen teljesítmény volt ez. A Go-nak meglehetősen abszurd számú lehetséges lépése van, így az AlphaGo nem volt képes nyers erővel végigmenni mindegyiken, stratégiára és rövidítésekre volt szüksége. Nem sokkal később az AlphaGo-t az AlphaGo Zero verte át, mely nem használt fel korábbi játékokat, csak a szabályokat kapta meg, melyekkel saját maga ellen játszott. Aztán jött az AlphaZero, mely nemcsak a Go-t, hanem a sakkot és a shogit is elsajátította. És végül itt van a MuZero, mely elsajátította a sakk, a Go, a Shogi és körülbelül 57 különböző Atari-játékot, ráadásul úgy, hogy még a szabályokat sem ismertették vele. A mesterséges intelligencia gépi tanulási megközelítése nagyon különbözik attól, ahogy a szimbolikus mesterséges intelligencia működik. Sokkal kevésbé arról van szó, hogy szabályokat adnak neki, és sokkal inkább arról, hogy adatokkal táplálják, melyekből megtanulja a saját hibáit kiküszöbölni.
A mai mesterséges intelligencia beszélget velünk, olvassa, amit mondunk, és tanul tőlünk, azonosítja a tárgyakat és autót vezet, segít eldönteni, ki kap munkát és ki kerül börtönbe, drogokat fedez fel és orvosi felvételeket vizsgál, parkourozik és a Rolling Stones-ra táncol, fehérjéket hajtogat és plazmát irányít a fúziós reaktorokban. 2019-ben Rich Sutton írt egy cikket „Keserű lecke” címmel, és ez a megfelelő replikának tűnik Moravec paradoxonára. A tanulság az, hogy ahogy a számítógépek feldolgozási teljesítménye növekszik, úgy teljesítenek jobban az utasításaink nélkül már. A legnagyobb lecke, ami a mesterséges intelligencia kutatás 70 évéből kiolvasható az, hogy a számítást kihasználó általános módszerek végül is a leghatékonyabbak, méghozzá a legnagyobb fölénnyel. A kutatók olyan javulást keresve, mely rövidebb távon változást hoz, igyekeznek kihasználni az emberi tudásunkat a területről, de hosszú távon csak a számítás kihasználása számított. Sutton „keserű leckéje” a Moore-törvényre támaszkodik, arra a megfigyelésre, hogy néhány évente megduplázódik az egy chipen elférő processzorok száma. Ha ezek a megfigyelések hosszú távon akár csak valamelyest is igazak maradnak, a nagyobb számítási kapacitás több győzelmet fog eredményezni a számítógépek számára. Már nem csak a rutinfeladatokról van szó, a kreativitás és az újszerű problémamegoldás formáit mutatják meg, olyan dolgokat végeznek, melyeket még csak megmagyarázni sem tudunk ma még. A mesterséges intelligenciának ez a változata nem csak a középosztályért jön viszont el.
Dolgozzunk együtt a mesterséges intelligenciával
Rövid távon a mesterséges intelligencia valószínűleg változékonyabbá teszi a munkaerőpiacot, de nem feltétlenül csökkenti a rendelkezésre álló munkahelyek számát hirtelen. Egyrészt a munkahelyek ma sok különböző feladatot foglalnak magukban. A McKinsey szerint kevesebb mint 5%-kuk automatizálható teljesen, de több mint a felük legalább 30%-ban helyettesírhető gépie elmés megoldásokkal. Nem titok, a mesterséges intelligencia új munkahelyeket is teremthet: a Világgazdasági Fórum előrejelzése szerint 2025-re 85 millió munkahely szűnik meg, de 97 millió új keletkezik. A kiszorulók (feltéve, hogy hozzáférnek a megfelelő oktatáshoz) új szakmát választhatnak. Az egyik ok, amiért úgy vélhetjük, hogy a közeljövőben mások lesznek a munkahelyek, de nem lesz belőlük kevesebb, az az, hogy a mesterséges intelligenciát még mindig meglehetősen szűk körben alkalmazzák, míg az emberek kevés tapasztalatból is gyorsan tanulnak, és több területen is képesek általánosítani. Lehet, hogy vannak olyan MI-eszközeink, melyek bizonyos feladatokat elvégeznek, és új dolgokat tesznek lehetővé, de a különböző elemek kreatív és rugalmas összeillesztéséhez továbbra is emberi elme megléte szükséges. Sok embernek fognak hasznára válni azok az MI-eszközök, melyek segítenek racionalizálni a munkafolyamatokat, új képességeket adnak nekik, és lehetővé teszik számukra, hogy a munkájuk azon részeire koncentráljanak, melyeket végre valóban élveznek. Másrészt viszont az MI átveheti azokat a feladatokat is, melyeket az emberek ma szívesen végeznek. Azok, akik nem hajlandók ilyen eszközöket alkalmazni viszont nyilván hátrányos helyzetbe kerülhetnek. Az új eszközök elsajátítása mellett a dinamikus munkaerőpiac szükségessé teszi az élethosszig tartó tanulást. Elmúltak azok az idők, amikor néhány évig járhattunk egyetemre, és kaphattunk egy olyan állást, ami a nyugdíjig kitart. A dolgok túl gyorsan változnak, és nekünk is változnunk kell velük együtt, folyamatosan bővítenünk kell tudásbázisunkat.
A nézőpontunktól és az aktuális körülményeinktől függően ez jónak vagy rossznak tűnhet első hallásra. Ha a saját tempónkban tanulhatunk olyan dolgokról, melyek felkeltik a kíváncsiságunkat, akkor valószínűleg érezni fogjuk az önfejlesztés és a növekedés lehetőségének az érzését. Ha nyomás alatt érezzük magunkat, hogy előre kell lépnünk, ha attól félünk, hogy elveszítjük a munkánkat, és nem tudjuk kifizetni a lakbért, akkor a tanulást tehernek, a stressz és a szorongás további forrásának fogjuk érezni. Ahhoz, hogy lépést tartsunk a 2050-es világgal, nem pusztán új ötleteket és termékeket kell kitalálnunk, hanem mindenekelőtt újra és újra fel kell találnunk önmagunkat. Szükségünk van arra, hogy úgy érezzük, irányítjuk az életünket, de a mesterséges intelligencia és az automatizálás hatásainak túlélése nemcsak folyamatos újratalálást jelenthet, sokkal inkább az ismeretlen elfogadását, annak felismerését, hogy a jövőnk egy olyan technológiától függ, melyet nem értünk vagy nem tudunk teljesen ma még megjósolni mivé változik.
