211service.com
Un'IA può simulare un'economia milioni di volte per creare una politica fiscale più equa
Tony Webster / Flickr
La disuguaglianza di reddito è uno dei problemi generali dell'economia. Uno degli strumenti più efficaci che i responsabili politici hanno per affrontarlo è la tassazione: i governi raccolgono denaro dalle persone in base a ciò che guadagnano e lo ridistribuiscono direttamente, tramite schemi di welfare, o indirettamente, utilizzandolo per pagare progetti pubblici. Ma sebbene una maggiore tassazione possa portare a una maggiore uguaglianza, tassare troppo le persone può scoraggiarle dal lavorare o motivarle a trovare modi per evitare di pagare, il che riduce il piatto complessivo.
Trovare il giusto equilibrio non è facile. Gli economisti in genere si basano su ipotesi difficili da convalidare. Il comportamento economico delle persone è complesso e raccogliere dati al riguardo è difficile. Decenni di ricerca economica hanno lottato con la progettazione della migliore politica fiscale, ma rimane un problema aperto.
Gli scienziati della società di tecnologia aziendale statunitense Salesforce pensano che l'IA possa aiutare. Guidato da Richard Socher, il team ha sviluppato un sistema chiamato il Economista AI che utilizza l'apprendimento per rinforzo, lo stesso tipo di tecnica alla base di AlphaGo e AlpahZero di DeepMind, per identificare le politiche fiscali ottimali per un'economia simulata. Lo strumento è ancora relativamente semplice (non c'è modo che possa includere tutte le complessità del mondo reale o del comportamento umano), ma è un primo passo promettente verso la valutazione delle politiche in un modo completamente nuovo. Sarebbe fantastico rendere la politica fiscale meno politica e più basata sui dati, afferma il membro del team Alex Trott.
In uno dei primi risultati, l'IA ha trovato una politica che, in termini di massimizzazione sia della produttività che dell'uguaglianza di reddito, era del 16% più equa di un quadro fiscale progressivo all'avanguardia studiato da economisti accademici. Il miglioramento rispetto all'attuale politica statunitense è stato ancora maggiore. Penso che sia un'idea assolutamente interessante, afferma Blake LeBaron della Brandeis University nel Massachusetts, che ha utilizzato le reti neurali per modellare i mercati finanziari.
Nella simulazione, quattro lavoratori dell'IA sono controllati ciascuno dai propri modelli di apprendimento per rinforzo. Interagiscono con un mondo bidimensionale, raccogliendo legno e pietra e scambiando queste risorse con altri o usandole per costruire case, il che fa guadagnare loro denaro. I lavoratori hanno diversi livelli di abilità, il che li porta a specializzarsi. I lavoratori meno qualificati imparano che fanno meglio se raccolgono risorse e quelli più qualificati imparano che fanno meglio se acquistano risorse per costruire case. Alla fine di ogni anno simulato, tutti i lavoratori vengono tassati a un'aliquota escogitata da un decisore politico controllato dall'IA, che esegue il proprio algoritmo di apprendimento per rinforzo. L'obiettivo del policymaker è aumentare sia la produttività che il reddito di tutti i lavoratori. Le IA convergono su un comportamento ottimale ripetendo la simulazione milioni di volte.
Entrambi i modelli di apprendimento per rinforzo partono da zero, senza alcuna conoscenza preliminare della teoria economica, e imparano come agire attraverso tentativi ed errori, più o meno allo stesso modo in cui le IA di DeepMind imparano, senza input umano, a giocare a Go e a scacchi a livelli sovrumani .
Puoi imparare molto da soli quattro lavoratori dell'IA? In teoria sì, perché le semplici interazioni tra una manciata di agenti portano presto a comportamenti molto complessi. (Nonostante tutta la sua complessità, Go coinvolge ancora solo due attori, ad esempio.) Anche così, tutti i soggetti coinvolti nel progetto concordano sul fatto che aumentare il numero di lavoratori nella simulazione sarà essenziale se lo strumento vuole modellare scenari realistici.
Giocare con il sistema
La doppia dose di IA è fondamentale. Le reti neurali sono state utilizzate in passato per controllare gli agenti in economie simulate. Ma trasformare il decisore politico in un'intelligenza artificiale porta anche a un modello in cui i lavoratori e il decisore politico si adattano continuamente alle azioni reciproche. Questo ambiente dinamico è stato una sfida per i modelli di apprendimento per rinforzo, poiché una strategia appresa nell'ambito di una politica fiscale potrebbe non funzionare così bene con un'altra. Ma significava anche che le IA trovavano il modo di giocare con il sistema. Ad esempio, alcuni lavoratori hanno imparato a evitare le tasse riducendo la loro produttività per poter beneficiare di uno scaglione fiscale più basso e quindi aumentandolo nuovamente. Il team di Salesforce afferma che questo dare e avere tra lavoratori e decisori politici porta a una simulazione più realistica di qualsiasi cosa ottenuta dai modelli precedenti, in cui le politiche fiscali sono generalmente fissate.
La politica fiscale che l'economista AI ha escogitato è un po' insolita. A differenza della maggior parte delle politiche esistenti, che sono progressive (vale a dire, i redditi più alti sono tassati di più) o regressivi (i più alti sono tassati di meno), la politica dell'IA ha messo insieme aspetti di entrambi, applicando le aliquote fiscali più alte a ricchi e poveri e le più basse ai lavoratori a medio reddito. Come molte soluzioni che le IA escogitano, come alcune delle mosse vincenti di AlphaZero, il risultato sembra controintuitivo e non qualcosa che un essere umano potrebbe aver escogitato. Ma il suo impatto sull'economia ha portato a un divario minore tra ricchi e poveri.
Per vedere se la politica fiscale generata dall'intelligenza artificiale avrebbe influenzato il comportamento umano in modo simile, il team l'ha testata su più di 100 crowdworker assunti tramite Mechanical Turk di Amazon, a cui è stato chiesto di assumere il controllo dei lavoratori nella simulazione. Hanno scoperto che la politica incoraggiava gli esseri umani a giocare più o meno allo stesso modo delle IA, suggerendo, almeno in linea di principio, che l'economista AI potrebbe essere utilizzato per influenzare l'attività economica reale.
Modifiche infinite
Un altro vantaggio di una simulazione basata sull'intelligenza artificiale è che puoi modificare i parametri per esplorare diversi scenari. Ad esempio, sarebbe possibile modellare l'impatto di una pandemia aggiungendo vincoli come il distanziamento sociale e l'accesso limitato alle risorse o rimuovendo le persone dalla forza lavoro. È difficile elaborare teorie fiscali ottimali basate sul passato se il futuro sembra molto diverso, afferma Socher.
La capacità della simulazione di modellare il cambiamento è un grande vantaggio, afferma LeBaron: È piuttosto interessante vedere i lavoratori adattarsi al codice fiscale. Questo aggira una delle grandi critiche ai modelli fiscali esistenti in cui il comportamento è tipicamente fisso, dice.
La principale riserva di LeBaron è il piccolo numero di agenti a cui lo strumento è limitato finora. Ci sono persone che sostengono che puoi ottenere profonde intuizioni intellettuali con pochi agenti, dice. Non sono uno di loro. Vorrebbe vederlo simulare circa 100 lavoratori, una cifra a cui punta anche il team di Salesforce.
Ma LeBaron crede che lo strumento potrebbe già essere utilizzato per controllare i modelli economici esistenti: se fossi un decisore politico, avvierei questa cosa per vedere cosa dice. Se l'economista AI non è d'accordo con altri modelli, potrebbe essere un segno che a quegli altri modelli mancava qualcosa, dice.
Anche David Parkes, informatico ed economista dell'Università di Harvard che ha collaborato con il team di Salesforce, è ottimista. È d'accordo che devono aumentare significativamente il numero di agenti. Ma una volta che l'hanno fatto e hanno aggiunto alcune funzionalità extra come le aziende alla simulazione, prevede di essere in grado di replicare i risultati teorici esistenti. Poi diventa subito utile, dice.
Meno convinto, invece, è Doyne Farmer, economista dell'Università di Oxford. Sebbene apprezzi il passaggio dell'apprendimento per rinforzo dai giochi all'economia (si pone la questione se sia possibile indagare sulle politiche nello stesso modo in cui AlphaZero gioca a Go), pensa che ci vorrà del tempo prima che lo strumento sia effettivamente utile. Il mondo reale è troppo complicato, dice.
Il team accetta che alcuni economisti avranno bisogno di essere persuasi. A tal fine, stanno rilasciando il loro codice e invitando altri a eseguire i propri modelli attraverso di esso. A lungo termine, questa apertura sarà anche una parte importante per rendere affidabili tali strumenti, afferma Socher. Se stai usando un'intelligenza artificiale per raccomandare a determinate persone di ottenere tasse più basse o più alte, sottolinea, 'è meglio che tu sia in grado di dire perché.