AI का मुख्य मूल्य R&D के बजाय व्यापक ऑटोमेशन से आएगा

• आम तौर पर यह धारणा व्यापक है कि AI का आर्थिक मूल्य अनुसंधान एवं विकास(R&D) के ऑटोमेशन से पैदा होगा
  • Dario Amodei का तर्क है कि AI जीवविज्ञान, न्यूरोसाइंस और अर्थशास्त्र के R&D पर सकारात्मक प्रभाव डालेगा
  • Demis Hassabis ने समझाया है कि AI सभी बीमारियों का इलाज करने और ऊर्जा समस्याओं को हल करने जैसी सामाजिक योगदान R&D के माध्यम से कर सकता है
  • Sam Altman ने उल्लेख किया है कि AI सेमीकंडक्टर की तरह हर उद्योग को प्रभावित कर सकता है, लेकिन वैज्ञानिक प्रगति पर उसका प्रभाव सबसे बड़ा होगा
• R&D दीर्घकालिक आर्थिक वृद्धि में योगदान देता है, लेकिन उसके योगदान को बढ़ा-चढ़ाकर आंका जाता है
  • अमेरिकी श्रम सांख्यिकी ब्यूरो(BLS) के अनुसार निजी R&D व्यय ने 1988~2022 के दौरान कुल कारक उत्पादकता(TFP) वृद्धि में केवल 0.2%/वर्ष का योगदान दिया
  • सार्वजनिक R&D व्यय कुल R&D व्यय का लगभग 25% है, और कुल TFP वृद्धि में R&D का योगदान लगभग 0.4%/वर्ष है
  • श्रम उत्पादकता वृद्धि का केवल लगभग 20% ही R&D से आता है, जबकि बाकी पूंजी संचय, प्रबंधन सुधार और learning effects जैसे कारकों से आता है
• R&D कार्यों का अधिकांश हिस्सा केवल साधारण तार्किक reasoning नहीं, बल्कि जटिल क्षमताओं की मांग करता है
  • उदाहरण: agency, multimodal processing क्षमता, दीर्घकालिक consistency आदि
• यदि AI शोधकर्ताओं के काम को पूरी तरह ऑटोमेट कर सके, तो इसका मतलब होगा कि अर्थव्यवस्था के अधिकांश अन्य क्षेत्रों में भी ऑटोमेशन संभव है → और बड़ा आर्थिक मूल्य सृजन संभव

AI का मुख्य आर्थिक मूल्य व्यापक श्रम ऑटोमेशन से आएगा

• AI के आर्थिक मूल्य को लेकर दो दावे
  • ✅ R&D ऑटोमेशन वार्षिक आर्थिक वृद्धि दर को कुछ प्रतिशत अंक या उससे अधिक बढ़ा सकता है
    • यदि तकनीक R&D को पूरी तरह ऑटोमेट कर सके, तो काफ़ी आर्थिक मूल्य पैदा हो सकता है
    • आर्थिक वृद्धि में सार्थक योगदान की संभावना अधिक है
  • ❌ AI का सबसे बड़ा आर्थिक मूल्य R&D ऑटोमेशन से आएगा
    • R&D महत्वपूर्ण है, लेकिन यह AI की आर्थिक वृद्धि का मुख्य इंजन नहीं बनेगा
    • AI के मानव प्रदर्शन से आगे निकल जाने के बाद भी R&D ऑटोमेशन सबसे महत्वपूर्ण आर्थिक मूल्य सृजन कारक होगा, इसकी संभावना कम है
• R&D के वास्तविक आर्थिक मूल्य का आकलन
  • अमेरिकी श्रम सांख्यिकी ब्यूरो(BLS) के डेटा के अनुसार:
    • 1988~2022 के दौरान कुल कारक उत्पादकता(TFP) वृद्धि दर: 0.8%/वर्ष
    • निजी R&D का योगदान: 0.2%/वर्ष → कुल TFP वृद्धि दर का लगभग 25%
    • श्रम उत्पादकता वृद्धि दर: 1.9%/वर्ष → R&D का योगदान केवल लगभग 20%
  • सार्वजनिक R&D व्यय कुल R&D व्यय का लगभग 25% है
    • सार्वजनिक R&D के spillover effects और निजी R&D के बाह्य प्रभाव एक-दूसरे को संतुलित करते हैं
    • परिणामस्वरूप कुल R&D योगदान लगभग 0.4%/वर्ष के स्तर पर है
• पूंजी संचय और उत्पादकता वृद्धि का संबंध
  • पूंजी संचय श्रम उत्पादकता वृद्धि का लगभग 50% हिस्सा है
  • शेष वृद्धि प्रबंधन सुधार, learning effects, knowledge diffusion आदि से आती है
  • अमेरिकी अर्थव्यवस्था में पूंजी संचय और R&D निवेश का अनुपात:
    • वार्षिक पूंजी निवेश: 5 ट्रिलियन डॉलर
    • वार्षिक निजी R&D निवेश: 1 ट्रिलियन डॉलर
    • पूंजी निवेश, R&D निवेश से लगभग 5 गुना अधिक है
• श्रम की output elasticity (0.6), R&D की output elasticity से लगभग 5 गुना अधिक है
  • श्रम ऑटोमेशन आर्थिक रूप से अधिक बड़ा योगदान दे सकता है
  • मौजूदा अर्थव्यवस्था में सबसे बड़ी लागत वाली मद यानी श्रम को ऑटोमेट करने से आर्थिक मूल्य को अधिकतम किया जा सकता है
  • श्रम ऑटोमेशन से पैदा अतिरिक्त output को फिर पूंजी में पुनर्निवेश कर आगे की वृद्धि संभव है
• यह तर्क भी मौजूद है कि R&D के growth effects को कम आंका गया है
  • संभव है कि R&D के spillover effects या duplicate research से पैदा friction को शामिल न किया गया हो
  • लेकिन Bloom et al. (2020) के अध्ययन के अनुसार:
    • R&D निवेश की output elasticity 0.3 है, जो पूंजी के समान और श्रम की लगभग आधी है
• निष्कर्षतः, मौजूदा आर्थिक वृद्धि मुख्य रूप से R&D के बजाय अन्य कारकों से आती है

केवल AI R&D ऑटोमेशन से AI प्रगति को नाटकीय रूप से तेज़ करना मुश्किल है

• AI R&D का आर्थिक मूल्य अपेक्षा जितना बड़ा न हो, फिर भी यदि AI अपने ही R&D को ऑटोमेट कर सके तो उसका महत्वपूर्ण प्रभाव हो सकता है
  • यदि AI अपने स्वयं के software R&D process को ऑटोमेट कर सके, तो software-only singularity हो सकती है
  • स्थिर computing resources के आधार पर AI शोधकर्ता अपने algorithms को खुद बेहतर बना सकते हैं, और इससे अधिक AI शोधकर्ता बनाकर आगे software प्रगति संभव हो सकती है
• विचार खोजने की लागत कितनी तेज़ी से बढ़ती है, यह मुख्य variable है
  • यह मानना ज़रूरी है कि केवल शोधकर्ता प्रयास से बहुत-सी software R&D उपलब्धियाँ हासिल की जा सकती हैं, लेकिन ऐसा सही न होने की संभावना अधिक है
  • अधिक यथार्थवादी मॉडल यह है कि शोध उपलब्धियाँ संज्ञानात्मक प्रयास + डेटा की पूरकता से पैदा होती हैं
• अभी AI में experiment-driven computing performance और software प्रगति की गति लगभग 3~4 गुना प्रति वर्ष की तेज़ दर से बढ़ रही है
  • experiment-based डेटा के माध्यम से software प्रगति हो रही है → डेटा शोधकर्ता प्रयास का महत्वपूर्ण पूरक हो सकता है
• यदि दो inputs (संज्ञानात्मक प्रयास + डेटा) पूरक हों, तो computing resources bottleneck बन सकते हैं
  • अंततः अधिक GPU हासिल करने और उनका उत्पादन बढ़ाने के लिए भौतिक कार्य की आवश्यकता पड़ सकती है
  • इसका मतलब है कि AI को semiconductor supply chain और व्यापक अर्थव्यवस्था में व्यापक रूप से deploy करना होगा
• पूरकता कितनी मज़बूत है, उसी पर software-only singularity की स्थिरता निर्भर करेगी
  • अन्य उद्योगों में पूरकता आम तौर पर मज़बूत होती है → AI R&D में भी इसके मज़बूत होने की संभावना अधिक है
    • उदाहरण: Oberfield and Raval (2014) के अध्ययन में अमेरिकी विनिर्माण में पूंजी और श्रम की substitution elasticity 0.7 है
    • यह संकेत देता है कि software-only singularity की efficiency gains संभवतः 1x से कम पर ही रुक सकती हैं
• अब तक programming ऑटोमेशन और research equipment ऑटोमेशन के बावजूद वैज्ञानिक प्रगति में तीव्र acceleration नहीं दिखी
  • specialized libraries का विकास → programming कार्यों का ऑटोमेशन
  • LLM tools के जरिए coding acceleration → प्रभाव आंशिक ही रहा
  • physical experimental equipment का ऑटोमेशन → तेज़ वैज्ञानिक छलांग के बिना केवल क्रमिक सुधार

R&D के पूर्ण ऑटोमेशन के लिए बहुत व्यापक क्षमताओं की आवश्यकता है

• वैज्ञानिकों का काम सतह पर ideas generate करना, hypothesis बनाना, data analysis, coding, mathematical reasoning जैसे अमूर्त reasoning कार्यों पर केंद्रित लगता है
  • इसलिए यह अनुमान निकलता है कि जैसे ही abstract reasoning करने वाले मॉडल आएँगे, शोधकर्ताओं का काम तेज़ी से ऑटोमेट हो सकेगा
  • लेकिन वास्तविकता में शोधकर्ताओं का काम साधारण reasoning से कहीं अधिक जटिल क्षमताएँ मांगता है
• मेडिकल वैज्ञानिकों के काम का उदाहरण
  • विषैले पदार्थों को संभालना, दवा के प्रभाव का मूल्यांकन, रोग अनुसंधान की डिज़ाइन और निष्पादन, cell samples का analysis आदि केवल reasoning नहीं, बल्कि जटिल कौशल और विशेष उपकरणों के उपयोग की मांग करते हैं
  • दवा dosage standardization, चिकित्सीय और प्रयोगात्मक प्रक्रियाओं का मार्गदर्शन, पेपर लिखना, research grants के लिए आवेदन जैसी चीज़ों में reasoning-आधारित ऑटोमेशन की संभावना अपेक्षाकृत अधिक है
  • मेडिकल वैज्ञानिकों के 5 प्रमुख कार्यों में केवल 1 ऐसा है जिसे सिर्फ reasoning से ऑटोमेट किया जा सकता है
  • कुल 14 कार्यों में से केवल 6 को ही सिर्फ abstract reasoning के आधार पर ऑटोमेट योग्य माना गया
• शोधकर्ता के काम का सार केवल reasoning नहीं, बल्कि निम्नलिखित जटिल क्षमताओं को शामिल करता है:
  • तकनीकी उपकरण संचालन → जटिल experimental equipment का उपयोग करने की क्षमता
  • टीमवर्क → मानव research teams के साथ सहयोग और coordination
  • दीर्घकालिक निष्पादन क्षमता → लंबे समय तक जटिल projects को पूरा करना
  • भौतिक परिवेश का संचालन → प्रयोग और practical work में physical manipulation की क्षमता
• AI को शोधकर्ता कार्य के लिए आवश्यक इन सभी जटिल कौशलों को सीखने में काफ़ी समय लग सकता है
  • इसलिए सामान्य श्रम ऑटोमेशन के शोधकर्ता कार्य ऑटोमेशन से पहले होने की संभावना अधिक है
  • यह मानना कि AI पहले वैज्ञानिक breakthroughs करेगा और फिर अन्य उद्योगों में फैलेगा, यथार्थवादी नहीं लगता
  • अधिक यथार्थवादी परिदृश्य यह है कि AI पहले व्यापक श्रम ऑटोमेशन करेगा, और उसके बाद विज्ञान एवं तकनीकी प्रगति तेज़ होगी
• भले ही AI वैज्ञानिक प्रगति को तेज़ करे, यह शोधकर्ताओं की जगह लेने से नहीं बल्कि research infrastructure निर्माण के ऑटोमेशन के ज़रिए होने की संभावना अधिक है
• चूँकि R&D ऑटोमेशन का मौजूदा आर्थिक वृद्धि में हिस्सा बहुत बड़ा नहीं है, इसलिए AI के non-R&D कार्यों के ऑटोमेशन से आर्थिक वृद्धि को आगे बढ़ाने की संभावना अधिक है

AI की छलांग व्यापक और स्पष्ट रूप से दिखाई देने वाली होने की संभावना है

• AI के आर्थिक और तकनीकी प्रभाव के वास्तव में तीव्र होने से पहले ही AI ऑटोमेशन के व्यापक और स्पष्ट रूप लेने की संभावना अधिक है
• व्यापक(Diffuse) → AI ऑटोमेशन किसी खास R&D पेशे तक सीमित न रहकर पूरी अर्थव्यवस्था में फैलेगा
• स्पष्ट/उभरकर दिखने वाला(Salient) → AI का प्रभाव इतना बड़ा हो सकता है कि अधिकांश लोग उसे साफ़ तौर पर महसूस करें, और इससे श्रम बाज़ार में बड़े पैमाने पर व्यवधान आ सकता है

• AI का मुख्य आर्थिक प्रभाव R&D ऑटोमेशन से नहीं, बल्कि व्यापक ऑटोमेशन से आएगा

  • दुनिया पर AI का परिवर्तनकारी प्रभाव स्पष्ट R&D ऑटोमेशन से आने की संभावना कम है
  • इसके बजाय व्यापक श्रम ऑटोमेशन आर्थिक और तकनीकी प्रगति का मुख्य चालक होगा

• AI छलांग का यथार्थवादी परिदृश्य

  • 1. AI के कार्य-क्षेत्र का विस्तार
    • AI धीरे-धीरे उन कार्यों की सीमा बढ़ाएगा जिन्हें वह कर सकता है
    • इस प्रक्रिया को मुख्यतः computing infrastructure के विस्तार द्वारा संचालित किया जा सकता है
  • 2. पूरी अर्थव्यवस्था में व्यापक श्रम ऑटोमेशन की प्रगति
    • AI धीरे-धीरे अधिक विविध प्रकार के श्रम कार्यों को ऑटोमेट करेगा
    • परिणामस्वरूप आर्थिक वृद्धि में acceleration होगा
  • 3. श्रम बाज़ार में बड़े पैमाने पर परिवर्तन
    • AI के आर्थिक या तकनीकी breakthroughs से पहले ही श्रम ऑटोमेशन की लहर आ सकती है
    • इस प्रक्रिया में श्रम बाज़ार का बुनियादी पुनर्गठन होगा और AI के प्रति जन-धारणा बदलेगी
  • 4. व्यापक non-R&D कार्य ऑटोमेशन, वृद्धि का मुख्य इंजन बनेगा
    • भले ही AI आर्थिक और तकनीकी वृद्धि को तेज़ करे, यह मुख्यतः non-R&D कार्यों के ऑटोमेशन से होगा
    • R&D ऑटोमेशन का वृद्धि में हिस्सा अपेक्षाकृत छोटा रहने की संभावना है

• "general automation explosion" परिदृश्य

  • AI की छलांग का रूप संभवतः ऐसा नहीं होगा कि "जीनियस लोग लैब में R&D उपलब्धियों का विस्फोट कर दें"
  • इसके बजाय AI की छलांग व्यापक ऑटोमेशन विस्फोट के रूप में सामने आएगी
  • यानी किसी एक विशेष क्षेत्र की उपलब्धि नहीं, बल्कि AI के समग्र ऑटोमेशन दायरे और पैमाने से वृद्धि को मुख्य बल मिलेगा

प्रमुख निहितार्थ

• निकट भविष्य में AI labs के लिए सामान्य कार्य ऑटोमेशन पर ध्यान देना अधिक लाभदायक होने की संभावना है
  • उदाहरण: इंटरनेट browsing, commercial software चलाना, सामान्य office कार्य करना आदि
  • जीवविज्ञान और चिकित्सा अनुसंधान सहायता जैसे उच्च-स्तरीय reasoning models बनाने की तुलना में सामान्य कार्य ऑटोमेशन से अधिक आर्थिक मूल्य पैदा होने की संभावना है
  • इसलिए AI performance का मूल्यांकन करते समय R&D उपलब्धियों से अधिक सामान्य कार्य निष्पादन क्षमता को ट्रैक करना अधिक महत्वपूर्ण हो सकता है
• AI के दुनिया पर परिवर्तनकारी प्रभाव डालने तक जनता की AI के प्रति धारणा में बड़ा बदलाव आ सकता है
  • आर्थिक वृद्धि या मानव आयु बढ़ने जैसे परिणाम दिखने से पहले ही श्रम ऑटोमेशन से बड़े पैमाने पर व्यवधान पैदा हो सकते हैं
  • इसलिए यह मान लेना जोखिम भरा है कि AI के प्रति आज की सार्वजनिक धारणा लंबे समय तक वैसी ही बनी रहेगी
• AI द्वारा मानव के सभी कार्यों को एक साथ प्रतिस्थापित कर देने की संभावना कम है → क्रमिक ऑटोमेशन अधिक संभावित है
  • AI कई वर्षों में धीरे-धीरे मानव कार्यों को ऑटोमेट करेगा
  • AI R&D ऑटोमेशन की वजह से अचानक superintelligence explosion होने वाले परिदृश्य की तुलना में क्रमिक संक्रमण अधिक यथार्थवादी है
  • भले ही AI कुछ कार्यों में मनुष्यों से आगे निकल जाए, अन्य पूरक कार्यों में मनुष्य अब भी बढ़त बनाए रख सकते हैं
• अंततः AI अधिकांश मानवीय आर्थिक गतिविधियों में बढ़त हासिल करेगा
  • लेकिन यह संभवतः दशकों तक चलने वाले क्रमिक ऑटोमेशन के बाद होगा
  • आर्थिक वृद्धि को तेज़ करने में R&D ऑटोमेशन की तुलना में सामान्य कार्य ऑटोमेशन का योगदान अधिक होगा

[redcrash0721]

https://freederia.com/%ed%94%84%eb%a1%ac%ed%94%84%ed%8a%b8-%ea%b0%a4%e… R&D automation का टेस्ट चल रहा है। यह आसान नहीं है, लेकिन यह बहुत दूर के भविष्य की बात भी नहीं होगी।

[GN⁺]

Hacker News की राय

• सोचता हूँ क्या और लोगों को भी tech optimism वाकई उदास करने वाला लगता है। सिर्फ इस वजह से नहीं कि टेक इंसानों की जगह ले रही है, बल्कि इसलिए भी कि कम संभावना वाले hype को लेकर उत्साहित नहीं हो पाता

  • ऐसा लगता है कि समाज के लिए कोई वास्तविक लाभ नहीं है

• यह चौंकाने वाला है कि अभी लगभग 300 टिप्पणियों में किसी ने constraint programming (CP) का ज़िक्र नहीं किया। CP, probabilistic data-based AI का deterministic भाई है

  • मेरा अनुमान है कि 14 कामों में से सिर्फ 6 ही केवल abstract reasoning से किए जा सकते हैं। medical scientists के लिए सबसे महत्वपूर्ण कामों में से सिर्फ एक को ही ऐसा वर्गीकृत किया गया है जो केवल abstract reasoning पर निर्भर करता है
  • ज़्यादातर महत्वपूर्ण कामों में technical skills, दूसरे लोगों के साथ सूक्ष्म coordination, specialized equipment का उपयोग, लंबा context संभालने की क्षमता, और complex multimodal understanding की ज़रूरत होती है
  • 14 R&D tasks में से लगभग सभी abstract reasoning वाले data-based AI के लिए उपयुक्त नहीं हैं और CP से हल किए जा सकते हैं
  • modern logic, optimization, और constraint programming के संस्थापक Geoffrey Everest Hinton के दादा George Boole थे

• इस लेख ने यहीं पर मेरी सारी विश्वसनीयता खो दी

  • "1988 के बाद से अमेरिका में labor productivity growth का केवल 20% ही R&D spending से driven था" — यह कहना वैसा है जैसे Jeff Dean की net worth उनकी programming skill की वजह से नहीं, बल्कि उनके bank account में capital deepening की वजह से है
  • लेखक अवधारणाओं को बहुत abstract स्तर पर संभाल रहे हैं और जो कह रहे हैं उससे उनका संपर्क टूट गया है

• अगर आपने 2015 की tech deployment पर क्लासिक रचना नहीं पढ़ी है, तो वह पढ़ने लायक है

  • मुझे लगता है कि हम अब भी GenAI के exploration phase में हैं, लेकिन ML deployment phase में दिखता है

• Silicon Valley का सामान्य तर्क यह है कि R&D "complex" है और बाकी सब कुछ "simple"

  • अगर 10 साल पहले आप कहते कि AI गणित/कोड में 99% इंसानों से बेहतर हो सकता है, लेकिन DoorDash पर hotdog ऑर्डर करना cutting edge और लगभग असंभव होगा, तो लोग हैरान होते
  • मैं मानता हूँ कि "सामान्य" काम ज़्यादा मूल्यवान हैं, लेकिन यह दावा कि इन्हें आसानी से automate किया जा सकता है, अज्ञानता पर आधारित नज़रिया है
  • RPA को 10 साल से अधिक हो चुके हैं, लेकिन फिर भी यह कई कामों में इस्तेमाल नहीं होता। AI के साथ भी यही होगा; data तक बड़े पैमाने पर असीमित access के बिना automation नहीं होगा

• वे इस पर बहस कर रहे हैं कि R&D और सामान्य automation में से किससे ज़्यादा लाभ मिलेगा। मुझे समझ नहीं आता कि इस बहस का मतलब क्या है

  • चल रही प्रगति (जैसे alphafold), R&D investment, ratios, historical estimated impact जैसी चीज़ों से जवाब निकालने की कोशिश, और दूसरी तरफ़ इन सबके बीच का disconnect अजीब लगता है
  • AI स्वयं और इसके लगातार breakthroughs, यही तो R&D हैं

• यह औद्योगिक क्रांति और कृषि क्रांति के फिर से होने जैसा है। श्रम का व्यापक automation सामाजिक उन्नति नहीं, बल्कि पूंजी की उन्नति लाएगा

  • वे श्रम को AI से बदलने से होने वाले "social disruption" का ज़िक्र करते हैं, लेकिन समस्या को सरकार के हल करने वाले मुद्दे की तरह टाल देते हैं
  • अगर श्रम हटा दिया जाए, तो उनके उत्पाद खरीदेगा कौन और किस आय से खरीदेगा, यह सवाल है
  • पूंजी को consumption से आगे बढ़कर सभ्यता का पूरी तरह पुनर्गठन किसी बड़े लक्ष्य के लिए करना होगा, लेकिन इसका मतलब होगा कि वर्तमान power और wealth structures, जिनसे वे अभी लाभ कमा रहे हैं, टूट जाएँ

• यह production factors की relative value का सवाल है। सवाल यह है कि AI, human labor की relative value को machines, raw materials, और land की तुलना में बढ़ाएगा या घटाएगा

  • मुझे सहज रूप से लगता है कि labor की बीच की relative value, खासकर knowledge workers के लिए, घटेगी
  • regulated professions में सुरक्षित होना महत्वपूर्ण है

• मैं इस लेख से पूरी तरह सहमत हूँ। अतीत में ऐसे बहुत से मौके थे जहाँ cost/reward calculation का कोई मतलब नहीं बनता था

  • Excel VBA की सर्वव्यापकता को देखें, तो आज भी यह ज़्यादातर लोगों के लिए advanced skill मानी जाएगी

• tech optimists को middle class और poor class के मन में उठने वाले सवालों का जवाब देना चाहिए

  • समझ नहीं आता कि ऐसे भविष्य को लेकर कोई tech optimist कैसे हो सकता है जहाँ AI बड़े पैमाने पर नौकरियाँ replace कर दे
  • जब AI की वजह से mass layoffs होंगे, तब लोग rent या taxes कैसे चुकाएँगे, यह सवाल है
  • UBI यहाँ काम नहीं करेगा, क्योंकि rent inflation, किराया, childcare cost, taxes जैसी चीज़ें हैं; यह बहुत अवास्तविक और आदर्शवादी है
  • एक narrative है कि AI युग में नई नौकरियाँ बनेंगी, लेकिन मुझे लगता है कि AI नौकरियाँ पैदा करने से तेज़ी से उन्हें replace करेगा
  • tech optimists अमीर investor class हैं, और वे अपनी ही narrative को आगे बढ़ाने में invested हैं