برتری بازار

در سال‌های گذشته، پیشرفت‌های شگفت‌انگیز در هوش مصنوعی باعث شده بسیاری از افراد این پرسش را مطرح کنند که آیا ممکن است الگوریتم‌ها روزی جای بازارها را بگیرند؟ یعنی همان سیستمی که امروز با کمک قیمت‌ها، خرید و فروش، رقابت، انتخاب مصرف‌کنندگان و تصمیم‌های میلیون‌ها انسان، تعیین می‌کند چه چیزی تولید شود، چقدر تولید شود و به دست چه کسانی برسد. این پرسش از آنجا جدی شده که هوش مصنوعی اکنون می‌تواند حجم عظیمی از داده‌ها را پردازش کند، الگوهای پنهان را تشخیص دهد و حتی آینده نزدیک را با دقت قابل‌توجهی پیش‌بینی کند. برای مثال، پلت‌فرم‌های آنلاین می‌توانند با بررسی رفتار میلیون‌ها مشتری، پیش‌بینی کنند که چه کالاهایی در روزهای آینده پرطرفدار می‌شود. 

همین توانایی باعث شده برخی تصور کنند اگر هوش مصنوعی می‌تواند تقاضای بازار را پیش‌بینی کند، شاید بتواند بازار را هم مدیریت کرده یا حتی جایگزین آن شود. در نگاه طرفداران این ایده، بازار شبیه مسئله بزرگ محاسباتی است؛ مسئله‌ای که در آن باید اطلاعات مربوط به نیازها، منابع، هزینه‌ها و ترجیحات مردم جمع‌آوری شود، سپس سیستم مرکزی آنها را همانند نقشه شطرنج پیش‌روی خودش ببیند و همه متغیرها را با سرعت نور تحلیل کند؛ شاید بهتر از بازار تصمیم بگیرند. برای مثال تصور می‌کنند همان‌طور که جی‌پی‌اس مسیر مناسب را پیشنهاد می‌دهد، هوش مصنوعی می‌تواند مسیر مناسب تخصیص منابع را برای کشوری تعیین کند: اینکه کجا کارخانه ساخته، چه محصولی تولید یا قیمت‌ها چگونه تنظیم شود.

در مقابل، اقتصاددانان، به‌ویژه آنان که در سنت فکری مکتب اتریش قرار می‌گیرند، با این تصور مخالفت می‌کنند. آنها می‌گویند این نگاه بیش‌ازحد ساده‌سازی ‌شده است. اقتصاد فقط مسئله محاسبه و پردازش داده نیست. اگر اقتصاد را به کارخانه بزرگ تشبیه کنیم، طرفداران هوش مصنوعی تصور می‌کنند کافی است دفتر نقشه‌کشی این کارخانه بهتر شود، اما مخالفان می‌گویند مسئله این نیست؛ مسئله این است که نقشه این کارخانه هر روز تغییر می‌کند، کارگران دانش واقعی کار را در عمل تولید می‌کنند و هیچ‌کس نمی‌تواند قبل از شروع کار همه چیز را بداند. 

در همین زمینه اقتصاددانانی مثل پیتر بوتکه تاکید می‌کنند که بخش مهمی از دانشی که تصمیم‌های اقتصادی بر آن استوار است، پیشاپیش وجود ندارد تا الگوریتم بتواند آن را جمع‌آوری کند. این دانش فقط در جریان تجربه انسان‌ها، تعامل خریداران و فروشندگان، رقابت شرکت‌ها و تلاش کارآفرینان برای سودآوری به‌تدریج ساخته می‌شود. درست مانند بازار هفتگی که قیمت‌ها نه از قبل تعیین شده‌اند و نه کسی آنها را محاسبه کرده است؛ بلکه از خلال گفت‌وگو، چانه‌زنی، عرضه و تقاضا و حتی اشتباهات فروشندگان شکل می‌گیرد. هوش مصنوعی هرچقدر هم قوی باشد، باز هم به داده‌هایی نیاز دارد که قبلاً تولید شده‌اند؛ اما بازار بخشی از همین داده‌ها را تولید می‌کند. بنابراین نمی‌توان گفت هر دو، کار مشابهی انجام می‌دهند.

پرسش اصلی این بحث «بازار بهتر می‌فهمد یا هوش مصنوعی؟» در ظاهر ساده است، اما عمق زیادی دارد. چون در پس آن، این تصور نهفته است که بازار ماشین محاسبه است و شاید بتوان آن را با ماشین بهتر جایگزین کرد. اگر بازار مجموعه‌ای از تعاملات انسانی باشد که باعث شکل‌گیری دانش تازه می‌شود، آنگاه مقایسه آن با هوش مصنوعی اشتباه است. این مقدمه تلاش می‌کند زمینه‌ای فراهم کند تا بتوانیم در ادامه بحث، این موضوع را از منظر اقتصادی، فلسفی، معرفت‌شناختی و نهادی بررسی کنیم و ببینیم کدام‌یک واقعاً سازوکار فهم و تصمیم‌گیری کارآمدتری دارد: «الگوریتم‌های قدرتمند یا نظام غیرمتمرکز بازار».

مسئله محاسباتی

یکی از بحث‌های مهمی که امروزه با رشد هوش مصنوعی دوباره مطرح شده، این است که آیا می‌توان اقتصاد یک کشور را مثل «مسئله ریاضی» حل کرد؟ یعنی چند عدد و نمودار را وارد کامپیوتر بزرگ کنیم و آن کامپیوتر بگوید چه چیزی تولید شود، قیمت‌ها چقدر باشد و منابع به چه بخش‌هایی داده شود. ایده، جدید به نظر می‌رسد، اما ریشه‌های آن به صد سال قبل برمی‌گردد، زمانی که بعضی اقتصاددانان سوسیالیست فکر می‌کردند می‌توان اقتصاد را از بالا و به‌صورت متمرکز اداره کرد. در اوایل قرن بیستم، طرفداران سوسیالیسم می‌گفتند اگر دولت بتواند همه اطلاعات مربوط به کارخانه‌ها، زمین‌ها، کارگران و نیازهای مردم را جمع کند، پس می‌تواند تصمیم بگیرد چه چیزهایی با چه قیمتی تولید شود. آنها تصور می‌کردند بازار و قیمت‌ها نوعی هرج‌ومرج هستند و اگر همه چیز در مرکزی جمع شود، می‌توان اقتصاد را مرتب و عاقلانه هدایت کرد. در مقابل، اقتصاددانانی مثل فون میزس و بعدها فون هایک گفتند این کار شدنی نیست. استدلال آنها این بود که اطلاعات واقعی اقتصاد آنقدر پراکنده، لحظه‌ای و وابسته به تجربه افراد است که هیچ سازمانی نمی‌تواند همه آن را جمع‌آوری کند. به زبان ساده، آنها می‌گفتند: هیچ‌کس نمی‌تواند از پشت میز بداند مردم فردا چه می‌خواهند؟ یا کارآفرین خلاق چه ایده‌ای دارد که می‌تواند بازار را تغییر دهد؟ در دهه‌های بعد، یعنی از سال‌های ۱۹۲۰ تا ۱۹۴۰، این بحث داغ بود. 

برخی اقتصاددانان مثل لانگه و لرنر بر این باور بودند که اگر دولت بتواند محاسبات را انجام دهد، می‌تواند نقش بازار را تقلید کند. اما مسئله این بود که در آن زمان نه کامپیوترهای قدرتمندی وجود داشت و نه امکان جمع‌آوری داده‌های عظیم. به همین دلیل، بیشتر اقتصاددانان این بحث را غیرعملی می‌دانستند و تصور می‌کردند سیستم مرکزی هیچ‌وقت نمی‌تواند جایگزین بازار شود.

اما داستان به اینجا ختم نشد. با پیشرفت تکنولوژی، به‌ویژه بعد از ظهور اینترنت، حجم عظیمی از داده‌ها در دسترس قرار گرفت. امروزه شرکت‌هایی مثل آمازون و گوگل آنقدر اطلاعات درباره رفتار مشتریان دارند که می‌توانند پیش‌بینی کنند مردم چه چیزی را دوست دارند، کدام کالا پرطرفدار می‌شود و حتی چه زمانی افراد به محصول خاصی نیاز دارند. همزمان، یادگیری ماشین و شبکه‌های عصبی باعث شدند کامپیوترها بتوانند الگوهای پنهانی را تشخیص دهند که چشم انسان نمی‌بیند. برای مثال، سیستم هوش مصنوعی می‌تواند تشخیص دهد که تغییرات کوچک در آب‌وهوا چه اثری بر فروش نان یا کفش دارد، یا اینکه کاربران چه زمانی احتمال بیشتری دارد محصولی را در اینترنت بخرند. این پیشرفت‌ها باعث شد بعضی افراد دوباره همان پرسش قدیمی را مطرح کنند: اگر کامپیوتر می‌تواند رفتار میلیون‌ها نفر را تحلیل کند، آیا نمی‌تواند اقتصاد کشوری را هم بهتر از بازار مدیریت کند؟ اگر سیستم‌های هوشمند می‌توانند در کارخانه بزرگ تعیین کنند چه مقدار مواد اولیه لازم است یا چه زمانی دستگاه‌ها باید کار کنند، پس شاید بتوانند همین کار را در مقیاس کلان (در کل کشور) انجام دهند.

اینجاست که ایده اقتصاد به‌عنوان مسئله محاسباتی مطرح می‌شود. طرفداران این ایده می‌گویند اقتصاد پازل است؛ کافی است همه قطعات آن در اختیار کامپیوتر قرار گیرد و سپس کامپیوتر راه‌حل را ارائه دهد. 

آنها بر این باورند که هرچه داده بیشتر باشد و هرچه قدرت پردازش بالاتر برود، امکان اینکه هوش مصنوعی بتواند بازار را شبیه‌سازی کند، بیشتر می‌شود. برای اینکه مفهوم روشن شود، چند مثال ساده می‌توان آورد. در بسیاری از شرکت‌های بزرگ همانند آمازون، الگوریتم‌ها تعیین می‌کنند چه کالاهایی باید در کدام انبار ذخیره شوند که ارسال آنها به مشتری سریع باشد. یا در سیستم‌های برق‌رسانی مدرن، کامپیوترها مصرف انرژی را لحظه‌ای کنترل می‌کنند که از هدررفت آن جلوگیری شود. نکته مهم این است که نمونه‌ها همگی در محیط‌های محدود و قابل‌کنترل اتفاق می‌افتند؛ یعنی جایی که قوانین مشخص است، داده‌ها به‌طور کامل قابل جمع‌آوری است و هدف‌ها روشن‌ هستند. اداره فروشگاه اینترنتی با اداره کل اقتصاد در هر کشور، فرق دارد. 

در فروشگاه، اطلاعات مشتریان مشخص و قابل‌اندازه‌گیری است، در اقتصاد واقعی، بخش زیادی از اطلاعات پنهان، محلی و ذهنی است. برای مثال، هیچ داده‌ای نمی‌تواند به کامپیوتر بگوید کارآفرین جوان امسال چه ایده‌ای دارد یا مردم سال آینده به چه محصولی علاقه‌مند می‌شوند؟ به همین دلیل، گرچه هوش مصنوعی ابزار خارق‌العاده‌ای برای کمک به بازار است، اما هنوز نمی‌توان آن را جایگزین کامل بازار دانست. طرفداران ایده اقتصادِ محاسباتی، تصویر خوش‌بینانه‌ای از توانایی الگوریتم‌ها ارائه می‌دهند، اما مخالفان یادآوری می‌کنند که اقتصاد چیزی فراتر از محاسبه است؛ اقتصاد رفتار انسان‌هاست و رفتار انسان همیشه قابل‌پیش‌بینی و قابل‌فشرده‌سازی به اعداد نیست.

نقد سنت اتریشی

یکی از مهم‌ترین دلایلی که «پیتر بوتکه» در مقاله‌‌  وال‌استریت ژورنال نوشته، این است که دانش اقتصادی در دنیای واقعی قابل جمع‌آوری نیست. به زبان ساده، هیچ‌کس، (حتی سوپرکامپیوتر) نمی‌تواند همه چیز را درباره رفتار مردم، نیازهایشان، سلیقه‌ها، تحولات آینده و فرصت‌های تازه بداند. این نوع دانش در ذهن میلیون‌ها نفر پراکنده است و در جریان زندگی روزمره ایجاد می‌شود. همین نکته ساده، کل بحث جایگزینی بازار با الگوریتم را زیر سوال می‌برد. هایک می‌گفت تصور اینکه می‌توان همه اطلاعات لازم برای اداره اقتصاد را در نقطه‌ای جمع کرد، مانند این است که فکر کنیم می‌توان صدای تمام گفت‌وگوهای شهر را یکجا ضبط کرد و بعد فهمید هرکس چه نیازی دارد. چنین چیزی نه عملی است و نه اصلاً لازم است. مردم خودشان با تصمیم‌های کوچک و بزرگشان این اطلاعات را در بازار منتقل می‌کنند. برای مثال، اگر قیمت گوجه بالا می‌رود، لازم نیست مرکز کامپیوتری تشخیص دهد که مردم کمبود گوجه دارند. برای مثال افزایش قیمت، خودش سیگنال است. کشاورزان از این سیگنال متوجه می‌شوند که باید تولید بیشتری انجام دهند. اینجا هیچ‌کس محاسبه‌ای نکرده، هیچ الگوریتمی دخالت نداشته؛ فقط بازار با کمک قیمت‌ها، اطلاعات را منتقل کرده است. این دقیقاً همان نکته‌ای است که در مقاله وال‌استریت ژورنال روی آن تاکید می‌شود. اینکه قیمت‌ها پیام‌ هستند، نه خروجی محاسبه‌شده. قیمت، حاصل رقابت، چانه‌زنی، اشتباهات، تغییر سلیقه‌ها و واکنش‌های لحظه‌ای افراد است. قیمت مثل دماسنج است؛ دماسنج خودش گرما تولید نمی‌کند، فقط آن را نشان می‌دهد. بازار هم همین‌گونه است. دما را نشان می‌دهد، اما فکری از بالا تولید نمی‌کند. به همین دلیل، هر نوع سیستم متمرکز نمی‌تواند چنین چیزی را جایگزین کند. برای اینکه موضوع روشن‌تر شود، تصور کنید فروشگاه مواد غذایی در محله شما وجود دارد. فروشنده این مغازه می‌داند مردم محله‌اش چه چیزی می‌خرند، چه زمانی خرید می‌کنند، کدام محصول تازه باید سفارش داده شود و حتی می‌داند که برای مثال اگر هوا سرد شود، فروش سوپ آماده بیشتر می‌شود. این دانش، قابل نوشتن در فایل اکسل نیست؛ بخش زیادی از آن در تجربه فروشنده نهفته است. او این دانش را از تعامل روزمره با مشتری‌ها به‌دست آورده است. فرض کنید الگوریتم قدرتمند بخواهد این مغازه را بدون حضور فروشنده اداره کند. ممکن است داده‌های گذشته را تحلیل کند و ببیند که فروش سوپ در زمستان بالا می‌رود. اما اگر امسال مردم به برند جدید سوپ علاقه‌مند شوند که سال قبل اصلاً وجود نداشته، الگوریتم از کجا باید بداند؟ تنها راه دانستن این واقعیت این است که مردم بیایند، بپرسند، امتحان کنند و رفتار واقعی نشان دهند. به همین دلیل است که اقتصاددانان مکتب اتریش می‌گویند دانش اقتصادی در عمل شکل می‌گیرد، نه در مرکز داده‌ها. مقاله پیتر بوتکه می‌گوید، هوش مصنوعی فقط می‌تواند از داده‌های گذشته استفاده کند. یعنی هوش مصنوعی جهان را از پشت سر می‌بیند، نه از روبه‌رو. اما بازار همیشه روبه‌جلو حرکت می‌کند. تغییرات سلیقه مردم، اختراع‌های جدید، بحران‌های ناگهانی و اشتباهات انسانی چیزهایی هستند که هیچ الگوریتمی نمی‌تواند قبل از وقوع آنها، «داده» داشته باشد. اگر داده‌ای وجود ندارد، الگوریتم هم نمی‌تواند آن را پردازش کند. اما بازار می‌تواند با آزمایش و خطا، دانش جدید تولید کند. برای مثال، وقتی استارباکس اولین‌بار نوشیدنی فرَپه را معرفی کرد، هیچ داده قبلی وجود نداشت که نشان دهد این نوشیدنی محبوب می‌شود. اما بازار، از طریق خرید مردم، این دانش را تولید کرد.

در اینجا نکته مهم مقاله آشکار می‌شود؛ اینکه هوش مصنوعی نمی‌تواند دانشی را جایگزین کند که هنوز ساخته نشده است. بازار دقیقاً همان سازوکاری است که دانش را تولید می‌کند. از نظر آقای بوتکه، مشکل فقط کمبود اطلاعات نیست؛ مشکل این است که اقتصادی که میلیون‌ها انسان در آن فعالیت می‌کنند، مبتنی بر انگیزه‌ها و انتخاب‌های آنهاست. کارآفرینان برای سود تلاش می‌کنند، رقبا برای بهتر شدن انگیزه دارند، مصرف‌کنندگان دنبال ارزش بیشتر با هزینه کمترند. این انگیزه‌ها موجب خلق نوآوری و تصمیم‌های جدید می‌شوند. هیچ الگوریتمی نمی‌تواند انگیزه‌های انسانی را در الگوی ریاضی فرو ببرد. الگوریتم می‌تواند رفتار گذشته افراد را پیش‌بینی کند، اما نمی‌تواند انگیزه‌ای را که باعث می‌شود فرد رفتار متفاوتی انجام دهد، شناسایی کند. اگر تصمیم‌گیری متمرکز شود، ممکن است نهادی به این نتیجه برسد که باید سرمایه بیشتری به ساخت راه‌آهن اختصاص یابد، چون داده‌ها نشان می‌دهد حمل‌ونقل ریلی کارآمدتر است. اما چه می‌شود اگر مردم بیشتر ترجیح دهند با خودروهای شخصی یا سرویس‌های اشتراکی سفر کنند؟ این ترجیحات در داده‌های قدیمی دیده نمی‌شود و تنها زمانی آشکار می‌شود که مردم در بازار رفتار واقعی نشان دهند. بنابراین تصمیم متمرکز، حتی اگر هوش مصنوعی پشت آن باشد، ممکن است به نتایج اشتباه منجر شود.

طبق سنت مکتب اتریش و طبق استدلال مقاله، بازار فرآیندی زنده و کشف‌محور است. قیمت‌ها، رقابت، سود و زیان، و انتخاب‌های مردم هر لحظه دانش جدیدی به وجود می‌آورند. این دانش نه در جایی ذخیره شده و نه کسی آن را از قبل محاسبه می‌کند. درست مانند حیات یک شهر که هیچ‌کس آن را طراحی نکرده اما روزبه‌روز شکل می‌گیرد. الگوریتم‌ها ابزارهایی قدرتمندند، اما جایگزین این فرآیند زنده نمی‌شوند؛ زیرا فقط درباره پدیده‌هایی می‌دانند که قبلاً ثبت شده است. اقتصاد سرشار از رفتارهایی است که هنوز وجود ندارند و فقط از دل کنش انسان‌ها در بازارها بیرون می‌آیند.

محدودیت‌های ذاتی

وقتی صحبت از هوش مصنوعی می‌شود، خیلی‌ها تصور می‌کنند الگوریتم‌ها می‌توانند هر مسئله‌ای را حل کنند؛ کافی است داده کافی در اختیارشان باشد. اقتصاددانان یادآوری می‌کنند قدرتمندترین الگوریتم‌ها هم محدودیت‌هایی دارند که باعث می‌شود نتوانند جای بازار را بگیرند. در نگاه ساده، بازار با قیمت‌ها و انتخاب مردم کار می‌کند، ولی هوش مصنوعی با داده‌های گذشته. 

همین تفاوت کوچک در عمل، شکاف بزرگی ایجاد می‌کند. برای اینکه این موضوع بهتر روشن شود، می‌توانیم چند محدودیت مهم الگوریتم‌ها را با مثال توضیح دهیم. اولین محدودیت به Garbage in / Garbage out معروف است؛ یعنی اگر داده‌های ورودی خوب نباشند، خروجی هم ارزش ندارد. تصور کنید می‌خواهید با کمک نرم‌افزار ورزشی برنامه تمرین بگیرید، ولی اطلاعات اشتباه وارد می‌کنید. در اقتصاد نیز همین اتفاق می‌افتد. داده‌هایی که الگوریتم‌ها استفاده می‌کنند همیشه کامل، دقیق یا به‌روز نیستند. بسیاری از رفتارهای اقتصادی در دنیای واقعی اصلاً قابل‌اندازه‌گیری نیستند، مثل اینکه مردم چرا محصولی را دوست دارند، یا چرا ناگهان نظرشان عوض می‌شود. بنابراین حتی اگر هوش مصنوعی خیلی هوشمند باشد، خروجی آن به کیفیت داده‌ای بستگی دارد که دریافت کرده و این داده‌ها همیشه ناقص‌ هستند.

مشکل دوم، سوگیری داده‌ها و الگو‌هاست. الگوریتم‌ها با داده‌های گذشته آموزش می‌بینند، اما داده‌ها خودشان نتیجه رفتار واقعی مردم در بازارند. یعنی بازار داده تولید می‌کند و هوش مصنوعی آن داده را یاد می‌گیرد. پس هوش مصنوعی نمی‌تواند چیز کاملاً جدیدی خلق کند، چون به گذشته وابسته است. برای مثال، اگر الگوریتمی برای پیش‌بینی فروش کفش‌های ورزشی ساخته شده باشد، تخمین‌هایش براساس الگوهای گذشته است. اگر در سال جدید ناگهان سبک جدیدی از کفش مد شود که قبلاً وجود نداشته، الگوریتم نمی‌تواند از قبل آن را پیش‌بینی کند، چون هیچ داده‌ای درباره آن ندارد. به همین دلیل می‌گویند هوش مصنوعی نمی‌تواند همان فرآیندی را جایگزین کند که خودش به داده‌های حاصل از آن وابسته است.

مسئله بعدی، پدیده‌ای است که اقتصاددان‌ها آن را عدم قطعیت می‌نامند. یعنی موقعیت‌هایی که نه‌تنها نمی‌دانیم چه اتفاقی می‌افتد، بلکه حتی نمی‌توانیم احتمالی برای آن تعیین کنیم. برای مثال، وقتی به فروشگاهی می‌روید، می‌دانید احتمال دارد محصول تمام شده باشد؛ این ریسک قابل‌اندازه‌گیری است. اما وقتی فناوری کاملاً جدیدی وارد بازار می‌شود یا جنگ ناگهانی رخ می‌دهد، هیچ‌کس نمی‌تواند احتمال آن را محاسبه کند. هوش مصنوعی با ریسک‌های قابل‌اندازه‌گیری کنار می‌آید، زیرا می‌تواند الگوهای گذشته را تحلیل کند. اما وقتی با امر ناشناخته روبه‌رو شود، نمی‌تواند برای آن تصمیم مناسبی بگیرد. بازار در چنین شرایطی با واکنش طبیعی مردم و کارآفرینان سازگار می‌شود، چون تصمیم‌های واقعی انسان مسیر تغییرات را شکل می‌دهد. یکی دیگر از محدودیت‌های مهم، غیرقابل‌پیش‌بینی بودن نوآوری است. هیچ الگوریتمی نمی‌توانست پیش‌بینی کند تلفن‌های هوشمند سبک زندگی بشر را تغییر می‌دهند یا شبکه‌های اجتماعی به صنعت چندصد میلیارد‌دلاری تبدیل می‌شوند. حتی بنیان‌گذاران این صنایع هم نمی‌دانستند دقیقاً چه اتفاقی می‌افتد. بازار این نوآوری‌ها را از طریق تجربه واقعی مردم کشف کرد. مردم امتحان کردند، خریدند، نقد کردند و درنهایت محصولی که ارزشمند بود، باقی ماند. الگوریتم‌ها فقط می‌توانند الگوهای گذشته را تحلیل کنند، نمی‌توانند پیش‌بینی کنند چه چیزی واقعاً خلق می‌شود. یعنی اگر داده‌ای وجود ندارد، یادگیری هم ممکن نیست. محدودیت مهم دیگر، مربوط به تفاوت میان علیت و همبستگی است. هوش مصنوعی در پیدا کردن رابطه‌ها استاد است. برای مثال ممکن است بفهمد هروقت هوا سرد می‌شود، فروش سوپ بیشتر می‌شود. اما این به معنای فهم علیت نیست؛ فقط الگوی تکرارشونده است. درحالی‌که تصمیم‌های اقتصادی انسان‌ها براساس علیت انجام می‌شود. مردم سوپ می‌خرند چون در سرما احساس نیاز می‌کنند. این نوع فهم انسانی در داده‌ها موجود نیست. الگوریتم می‌تواند بگوید این دو پدیده با هم اتفاق می‌افتند، اما نمی‌تواند بگوید چرا اتفاق می‌افتد. بازار براساس درک علت و نیاز عمل می‌کند، نه صرفاً مشاهده الگوهای گذشته.

اگرچه هوش مصنوعی ابزار قدرتمندی است، اما محدودیت‌هایی دارد که اجازه نمی‌دهد جای بازار را بگیرد. بازار سیستم زنده‌ای است که با رفتار، اشتباهات، انگیزه‌ها و نوآوری‌های انسان حرکت می‌کند. الگوریتم‌ها فقط می‌توانند گذشته را تحلیل کنند، اما آینده واقعی را مردم و انتخاب‌هایشان می‌سازند. به همین دلیل، همان‌طور که مقاله تاکید می‌کند، نباید بازار و هوش مصنوعی را رقیب یکدیگر دانست؛ یکی ابزار پردازش داده است، دیگری فرآیند کشف و خلق دانش جدید.

وضع فعلی

وقتی درباره برتری بازار نسبت به الگوریتم‌ها صحبت می‌کنیم، منظورمان این نیست که بازار بی‌نقص است یا هوش مصنوعی بی‌فایده. نکته اصلی این است که بازار فرآیندی زنده و پویاست، درحالی‌که هوش مصنوعی بیشتر ابزار تحلیلی است. مقاله وال‌استریت ژورنال هم دقیقاً به همین نکته اشاره می‌کند و می‌گوید، چیزی که بازار را متمایز می‌کند، نه سرعت پردازش آن، بلکه شیوه تولید دانش و اصلاح اشتباهات است. برای اینکه این موضوع بهتر روشن شود، می‌توانیم چند ویژگی مهم بازار را بررسی کنیم که هوش مصنوعی از آنها محروم است. اول اینکه بازار انگیزه ایجاد می‌کند. سود و زیان شاید در ظاهر فقط اعداد ساده باشند، اما یکی از قوی‌ترین نیروهای اقتصادی‌ هستند. وقتی فروشنده‌ای محصولی را تولید می‌کند و می‌بیند مردم آن را نمی‌خرند، این زیان به او پیام می‌دهد که باید روش را عوض کند. برعکس، اگر محصولی موفق شود و سود ایجاد کند، این سود نشان می‌دهد نیاز واقعی وجود دارد. این پیام‌رسانی از طریق سود و زیان همان چیزی است که مقاله به آن اشاره می‌کند. پیام‌رسانی نوعی فیلتر طبیعی است که ایده‌های خوب را جذب و ایده‌های بد را حذف می‌کند. هیچ الگوریتمی چنین سازوکاری ندارد، زیرا پیام‌های اقتصادی واقعی فقط در تعامل با مردم شکل می‌گیرند. هوش مصنوعی می‌تواند پیش‌بینی کند چه چیزی ممکن است بفروشد، اما نمی‌تواند مانند بازار به‌طور مستقیم پاسخ مردم را تجربه کند. دوم اینکه بازار آزمایشگاه دائمی است. شرکت‌ها هر روز محصولات جدید امتحان می‌کنند، روش‌های تازه ارائه می‌دهند، قیمت‌ها را بالا و پایین می‌برند و واکنش مردم را می‌سنجند. در مقاله پیتر بوتکه آمده که بازار سازوکاری برای کشف است. یعنی دانش اقتصادی از قبل وجود ندارد، بلکه در آزمایش و خطای واقعی ایجاد می‌شود. برای مثال، هیچ‌کس از قبل نمی‌دانست تاکسی اینترنتی موفق می‌شود. تنها وقتی شرکت‌هایی مثل «اوبر» وارد میدان شدند و مردم شروع به استفاده کردند، مشخص شد چنین خدمتی ارزشمند است. اگر الگوریتم می‌خواست قبل از ورود این ایده تصمیم بگیرد، احتمالاً به‌دلیل نبود داده کافی نمی‌توانست نتیجه‌گیری درستی بکند. بازار با آزمایش واقعی این دانش را به‌وجود آورد. 

ویژگی مهم دیگر بازار، توانایی بالای آن در تطبیق و مقاومت است. اقتصاد همانند رودخانه در حال جریان است؛ شرایط جهانی تغییر می‌کند، سلیقه مردم عوض می‌شود، بحران‌ها اتفاق می‌افتد و فناوری‌های جدید ظاهر می‌شود. بازار در برابر این تغییرات انعطاف دارد. اگر شوک ناگهانی رخ دهد، برای مثال کمبود کالا یا افزایش شدید قیمت انرژی پیش آید، بازار سریع واکنش نشان می‌دهد. مردم مصرف خودشان را تنظیم می‌کنند، تولیدکنندگان به‌دنبال جایگزین می‌گردند و قیمت‌ها مسیر جدیدی را نشان می‌دهند. این واکنش سریع چیزی است که هوش مصنوعی با آن مشکل دارد، زیرا الگوریتم‌ها برای پردازش داده نیاز به زمان، داده جدید و الگو‌های تنظیم‌شده دارند. اما بازار بدون نیاز به دستور یا الگوی تازه، از طریق رفتارهای طبیعی مردم و تغییر قیمت‌ها واکنش نشان می‌دهد.

همچنین، بازار جایی است که رقابت میان ایده‌ها اتفاق می‌افتد. در بازار، هر شرکت یا فرد می‌تواند نظریه خودش را درباره اینکه مردم چه می‌خواهند، امتحان کند. برخی موفق می‌شوند و رشد می‌کنند، برخی شکست می‌خورند و کنار می‌روند. این رقابت باعث می‌شود بهترین ایده‌ها باقی بمانند. اما در تصمیم‌گیری‌های متمرکز، معمولاً تصمیم واحدی گرفته می‌شود. یعنی فقط نظریه اجرا می‌شود و اگر اشتباه باشد، اثر آن به کل سیستم سرایت می‌کند. بازار به خاطر تنوع ایده‌ها و رقابت میان آنها مقاوم‌تر است.

پیتر بوتکه در مقاله‌اش تاکید می‌کند که هوش مصنوعی انگیزه کارآفرینانه ندارد. کارآفرین کسی است که به دنیای واقعی نگاه می‌کند، فرصت‌های تازه را حدس می‌زند و ایده‌ای را امتحان می‌کند. این نوع شهود و جسارت انسانی در داده‌ها قابل ثبت نیست. الگوریتم تنها می‌تواند ببیند چه چیزهایی در گذشته جواب داده، اما نمی‌تواند تشخیص دهد چه چیزی «می‌تواند» جواب دهد. بازار بدون روحیه کارآفرینی زنده نمی‌ماند و هوش مصنوعی نمی‌تواند آن را خلق کند. به همین دلیل (با وجود همه پیشرفت‌ها) بازار هنوز برتری‌اش را حفظ کرده است. بازار نه‌فقط محاسبه می‌کند، بلکه یاد می‌گیرد، کشف و اشتباه می‌کند و دوباره اصلاح می‌شود. این ویژگی‌های زنده و انسانی همان چیزی است که هیچ الگوریتمی نمی‌تواند جایگزینش شود.

کمک هوش مصنوعی

با اینکه اقتصاددانان تاکید می‌کنند هوش مصنوعی نمی‌تواند جایگزین بازار شود، اما این به معنای بی‌فایده بودن الگوریتم‌ها نیست. برعکس، هوش مصنوعی می‌تواند ابزار مهمی برای بهتر شدن کارکرد بازار باشد. مقاله وال‌استریت ژورنال هم دقیقاً همین نکته را بیان می‌کند. هوش مصنوعی به اقتصاد کمک می‌کند، اما نمی‌تواند نقش بازار را حذف کند. همکاری بازار و هوش مصنوعی با هم است که نتیجه می‌دهد.

اولین کمکی که هوش مصنوعی به بازار می‌کند کاهش هزینه‌های اطلاعات است. در گذشته، به‌دست آوردن اطلاعات ساده مثل اینکه مردم در یک شهر چه محصولی را ترجیح می‌دهند، هزینه‌بر و زمان‌بر بود. اما امروز الگوریتم‌ها می‌توانند از میان حجم عظیمی از داده‌ها، الگوهایی را استخراج کنند که کسب‌وکارها به‌تنهایی قادر به تشخیص آن نیستند. برای مثال، فروشگاه آنلاینی می‌تواند بفهمد کاربران چه محصولاتی را بیشتر می‌بینند، چه زمانی خرید می‌کنند و چه عواملی باعث تغییر رفتارشان می‌شود. این اطلاعات به شرکت‌ها کمک می‌کند تصمیم‌های دقیق و کم‌هزینه بگیرند. نکته مهم این است که این اطلاعات از همان رفتار بازار تولید شده‌اند؛ یعنی هوش مصنوعی تنها آنچه مردم در بازار انجام داده‌اند، را خوانده و تحلیل کرده است.

دومین نقش هوش مصنوعی، بهبود پیش‌بینی‌های کوتاه‌مدت است. برای مثال در سوپرمارکت بزرگ، سیستم‌های هوشمند می‌توانند پیش‌بینی کنند که در آخر هفته، فروش نوشابه بیشتر می‌شود یا در روزهای گرم، بستنی فروش بالاتری دارد. این نوع پیش‌بینی‌ها به کسب‌وکارها کمک می‌کند موجودی کالایشان را بهتر مدیریت کنند و از کمبود یا مازاد جلوگیری شود. باید توجه داشت سیستم‌ها آینده بلندمدت را نمی‌سازند و نمی‌توانند نوآوری‌های ناگهانی یا تغییرات بزرگ در ترجیحات مردم را پیش‌بینی کنند. پیش‌بینی آنها تنها در محدوده رفتار تکرارشونده و قابل‌اندازه‌گیری معنا دارد. سومین کمکی که هوش مصنوعی به بازار می‌کند بهینه‌سازی زنجیره تامین است. شرکت‌هایی همانند آمازون از الگوریتم‌ها برای تعیین محل ذخیره کالاها استفاده می‌کنند که سفارش‌ها با کمترین هزینه و در سریع‌ترین زمان ارسال شود. این کار نه‌تنها هزینه‌ها را کاهش می‌دهد، بلکه رضایت مشتری را نیز افزایش می‌دهد. بااین‌حال، تصمیم اصلی درباره اینکه چه کالاهایی تولید شوند، درنهایت از سوی بازار و ترجیحات مردم گرفته می‌شود، نه از طریق الگوریتم‌ها.

هوش مصنوعی همچنین می‌تواند ناکارآمدی‌های لجستیک را کاهش دهد. برای مثال، در سیستم حمل‌ونقل شهری، هوش مصنوعی می‌تواند مسیرهای بهتری را پیشنهاد دهد، مصرف سوخت را کاهش دهد و زمان سفرها را کوتاه کند. این موارد باعث می‌شوند بازار کارآمد شود. این کارآمدی جایگزین ساختار بازار نیست؛ فقط اجرای آن را روان می‌کند. هوش مصنوعی در تحلیل الگوهای رفتاری تکرارشونده فوق‌العاده است. اگر مردم هر سال در فصل پاییز به خرید لباس گرم روی می‌آورند، یا اگر تقاضا برای کالاهای دیجیتال در فصل تعطیلات بالا می‌رود، الگوریتم‌ها می‌توانند این الگوها را شناسایی کنند. همان‌طور که مقاله اشاره می‌کند، این توانایی تنها زمانی معنا دارد که رفتار مردم قابل‌تکرار باشد. در تغییرات ناگهانی یا نوآوری‌ها، بازار همچنان پیشگام است و هوش مصنوعی در مرحله دوم قرار دارد.