2023 m. Gamta 10 į savo metinį dešimties įtakingų mokslo „žmonių“ sąrašą įtraukė specialų apdovanojimą, nesusijusį su žmonėmis – ChatGPT, pripažindamas reikšmingą šio žmogaus kalbą imituojančio dirbtinio intelekto vaidmenį mokslo pažangoje. Generatyvusis iš anksto apmokytas transformatorius (GPT) ir plačiau kalbant didelės kalbos modeliai (LLM) padarė įspūdį pasauliui sklandžiai atliekant įvairias užduotis, įskaitant rašymą, kodavimą, matematinių problemų sprendimą ir elgesį kaip žmonės (Biancotti ir Camassa 2023, Noy). ir Zhang 2023). Vyksta diskusija apie platesnį šios technologijos pritaikymą, ypač padedant priimti sprendimus tiek individualiu, tiek bendradarbiavimo lygiu (Ramge ir Mayer-Schönberger 2023). Šiame kontekste kyla klausimas: ar GPT gali priimti kokybiškus sprendimus?
Racionalumas, klasikinė ekonomikos idėja, padeda mums suprasti šį klausimą teoriškai fiksuojant, kokiu mastu sprendimus priimantis asmuo maksimaliai padidina kai kurias gerai veikiančias naudingumo funkcijas esant tam tikriems biudžeto apribojimams (Afriat 1967). Praktikoje sprendimų priėmimo kokybei matuoti buvo plačiai naudojamas racionalumas. Jis buvo taikomas žmonėms priimant sprendimus laboratorijų aplinkoje, apklausose ir maisto prekių parduotuvėse ir buvo susijęs su profesijos, pajamų ir turto skirtumais tarp asmenų, taip pat su išsivystymo skirtumais įvairiose šalyse (Choi ir kt., 2014, Cappelen ir kt., 2023). Racionalumas naudojamas įvairiose srityse ir netgi buvo tiriamas su kitomis rūšimis, pavyzdžiui, beždžionėmis (Chen ir kt., 2006).
Chen ir kt. (2023), tiriame vis svarbesnės „rūšies“, GPT, ekonominį racionalumą. Mes nurodome GPT 3.5 Turbo veikti kaip sprendimų priėmėja, paskirstant 100 taškų tarp dviejų prekių su skirtingomis kainomis. Tada šie sprendimai naudojami racionalumo balui – kritiniam sąnaudų efektyvumo indeksui (CCEI) – apskaičiuoti, o didžiausia vieneto reikšmė rodo aukščiausią racionalumo lygį. Nurodydami skirtingą dviejų prekių pobūdį, mes išmatuojame GPT racionalumą keturiose srityse: rizikos, laiko, socialinių ir maisto pasirinkimų. Atitinkamai, šios dvi prekės yra du rizikingi turtai: momentinis mokėjimas ir būsimas mokėjimas, mokėjimas sprendimus priimančiam asmeniui ir mokėjimas už atsitiktinai suporuotą subjektą ir dviejų rūšių maistas (mėsa ir pomidorai). Kiekvieną aplinką kartojame 100 kartų, kad surinktume daugiau stebėjimų. Be to, lygiagrečiai atliekame eksperimentą su reprezentatyvia JAV imtimi iš 347 tiriamųjų, kad palygintume GPT ir žmonių racionalumą.
1 paveiksle parodytas suminis racionalumo balo pasiskirstymas visose keturiose sprendimų priėmimo srityse. Kiekviename skydelyje šviesi punktyrinė linija žymi hipotetinius subjektus, priimančius atsitiktinius sprendimus, tamsi punktyrinė linija – žmones, o ištisinė linija – GPT, o dešinėn padėtis rodo aukštesnį racionalumo lygį. Matome aiškų modelį: GPT pasiekia aukštesnį balą nei hipotetiniai subjektai, patvirtinantys, kad mūsų planas yra pakankamas ekonominiam racionalumui nustatyti. Dar svarbiau yra tai, kad mes pastebime, kad GPT ekonominio racionalumo požiūriu nuolat lenkia žmones.
1 pav Suminiai racionalumo balų skirstiniai
Be racionalumo, mus domina dar du ekonominiai rezultatai. Pirma, mažėjančios paklausos savybė – pagrindinis vartotojų elgsenos principas – reikalauja, kad prekės paklausa mažėtų kartu su jos kaina. Šios savybės laikymasis yra dar vienas matuoklis, nurodantis, ar sprendimus priimančio asmens elgesį galima suprasti per ekonomikos teorijas. Panašiai mes nustatėme, kad GPT gerbia mažėjančią paklausą labiau nei žmonės visose keturiose srityse, o tai patvirtina GPT gebėjimą priimti pagrįstus ekonominius sprendimus. Antra, taikant struktūrinius modelius galima įvertinti pagrindines pirmenybes, susijusias su sprendimais. Palyginti su žmonėmis, GPT pasižymi didesne tolerancija rizikai, labiau kantriai teikia pirmenybę laikui, labiau linksta į kitus ir į efektyvumą orientuotą elgesį, teikiant pirmenybę visuomenei, ir mažiau teikia pirmenybę mėsai. Be to, nors skirtingiems žmonėms būdingos skirtingos nuostatos, GPT nuolat pateikia labai panašius modelius kelis kartus kartojant tas pačias sprendimo užduotis.
Ar nuoseklus yra GPT elgesys turtingesnėmis sąlygomis? Norėdami atsakyti į šį klausimą ir geriau suprasti GPT, pristatome pirmiau minėtos bazinės sistemos variantus iš trijų perspektyvų. Pirma, padidiname temperatūrą – GPT nustatymų parametrą – kad padidintume išvesties stochastiškumą ir kūrybiškumą. Antra, perrašome sprendimo užduotį. Vienoje sąlygoje keičiame kainos aprašymą iš „1 taškas = X prekės vienetas“ į „Y taškai = 1 prekės vienetas“. Esant kitai sąlygai, pasirinkimo rinkinį keičiame iš nuolatinės biudžeto eilutės į 11 parinkčių toje pačioje biudžeto eilutėje. Šie variantai leidžia ištirti, ar GPT ekonominis racionalumas yra tvirtas rečiau pasitaikantiems kadrams. Trečia, pakeičiame demografines specifikacijas ragelyje, kuriame prašoma GPT veikti kaip sprendimų priėmėjas, įskaitant lyties, amžiaus, išsilavinimo lygio ir mažumų grupės būsenos skirtumus. Mums įdomu, ar GPT veikia skirtingai, atsižvelgiant į įvairias individualias charakteristikas, o tai susiję su didėjančiu susirūpinimu dėl algoritmų šališkumo (Obermeyer ir kt., 2019).
2 paveiksle parodytas vidutinis racionalumo balas bazinėje sistemoje ir variacijos. Pastebime, kad GPT vienodai gerai veikia esant skirtingiems temperatūros nustatymams ir demografinėms specifikacijoms. Tačiau GPT racionalumo lygis labai sumažėja pagal alternatyvų kainos aprašymą ir diskretiško pasirinkimo nustatymą. Nors šiuose dviejuose variantuose taip pat stebime žmonių racionalumo sumažėjimą, kritimo dydis yra daug mažesnis nei pastebėtas GPT. Aptariame galimas GPT jautrumo kontekstams ir rėmams priežastis, tokias kaip esamo šališkumo atspindys, nepakankamas mokymas alternatyvioje aplinkoje ir bendros LLM tendencijos atliekant skirtingas užduotis.
2 pav GPT racionalumo balai įvairiuose variantuose
Išvada
Taikydami ekonomikos teoriją ir eksperimentinius metodus, pateikiame sisteminį požiūrį į GPT sprendimų priėmimo gebėjimus įvertinti. Mūsų rezultatai rodo, kad GPT gali parodyti aukštą racionalumo lygį priimant sprendimus, susijusius su rizika, laiku, socialiniais ir maisto pasirinkimais. Toks puikus našumas yra tvirtas dėl didėjančio GPT atsitiktinumo ir skirtingų demografinių savybių. Šios išvados pabrėžia didelį GPT potencialą būti bendra sprendimų priėmimo priemone. Dar svarbiau yra tai, kad tai, kad LLM jautriai reaguoja į konteksto formavimą, reikalauja tolesnių LLM tyrimų replikacijos ir apibendrinimo tyrimų, leidžiančių mašinoms geriau padėti žmonėms „gauti naudą ir sumažinti žalą“ (Rahwan ir kt., 2019).
Redaktoriaus pastaba: ši skiltis publikuojama bendradarbiaujant su Tarptautinių ekonomikos asociacijų iniciatyva „Moterys vadovauja ekonomikoje“, kurios tikslas – sustiprinti moterų vaidmenį ekonomikoje atliekant tyrimus, kuriant partnerystes ir garsinant balsus.
Nuorodos
Afriat, SN (1967), „Komunalinių funkcijų konstravimas iš išlaidų duomenų“, Tarptautinė ekonomikos apžvalga 8(1): 67–77.
Biancotti, C ir C Camassa (2023), „Loquacity and matomas emocijos: ChatGPT kaip politikos patarėjas“, VoxEU.org, rugsėjo 5 d.
Cappelen, AW, S Kariv, E Ø Sørensen ir B Tungodden (2023), „Ateities elito ekonominio racionalumo vystymosi atotrūkis“, Žaidimai ir ekonominis elgesys 142, 866–78.
Chen, MK, V Lakshminarayanan ir LR Santos (2006), „Kaip pagrindiniai yra elgesio šališkumas? Įrodymai iš kapucinų beždžionių prekybos elgesio“, Politinės ekonomijos žurnalas 114(3): 517–37.
Chen, Y, TX Liu, Y Shan ir S Zhong (2023), „GPT ekonominio racionalumo atsiradimas“, Nacionalinės mokslų akademijos darbai 120(51), e2316205120.
Choi, S, S Kariv, W Müller ir D Silverman (2014), „Kas yra (labiau) racionalus?“, Amerikos ekonomikos apžvalga 104(6): 1518–50.
Noy, S ir W Zhang (2023), „Generatyvinio dirbtinio intelekto produktyvumo poveikis“, VoxEU.org, birželio 7 d.
Obermeyer, Z, B Powers, C Vogeli ir S Mullainathan (2019), „Rasinio šališkumo išskaidymas algoritme, naudojamame populiacijų sveikatai valdyti“, Mokslas 366(6464): 447–53.
Rahwan, I ir kt. (2019), „Mašinų elgsena“, Gamta 568(7753): 477–86.
Ramge, T ir V Mayer-Schönberger (2023), „ChatGPT naudojimas siekiant priimti geresnius sprendimus“, Harvardo verslo apžvalgarugpjūčio 24 d.