211service.com
Una IA puede simular una economía millones de veces para crear una política fiscal más justa
Tony Webster / Flickr
La desigualdad de ingresos es uno de los problemas generales de la economía. Una de las herramientas más efectivas que tienen los formuladores de políticas para abordarlo es la tributación: los gobiernos recaudan dinero de las personas de acuerdo con lo que ganan y lo redistribuyen directamente, a través de planes de asistencia social, o indirectamente, usándolo para pagar proyectos públicos. Pero aunque más impuestos pueden conducir a una mayor igualdad, gravar demasiado a las personas puede desanimarlas a trabajar o motivarlas a encontrar formas de evitar pagar, lo que reduce el bote general.
Conseguir el equilibrio adecuado no es fácil. Los economistas generalmente se basan en suposiciones que son difíciles de validar. El comportamiento económico de las personas es complejo y la recopilación de datos al respecto es difícil. Décadas de investigación económica se han esforzado por diseñar la mejor política fiscal, pero sigue siendo un problema abierto.
Los científicos de la empresa estadounidense de tecnología empresarial Salesforce creen que la IA puede ayudar. Dirigido por Richard Socher, el equipo ha desarrollado un sistema llamado Economista de IA que utiliza el aprendizaje por refuerzo, el mismo tipo de técnica detrás de AlphaGo y AlpahZero de DeepMind, para identificar las políticas fiscales óptimas para una economía simulada. La herramienta sigue siendo relativamente simple (no hay forma de que pueda incluir todas las complejidades del mundo real o el comportamiento humano), pero es un primer paso prometedor para evaluar las políticas de una manera completamente nueva. Sería increíble hacer que la política fiscal fuera menos política y más basada en datos, dice el miembro del equipo Alex Trott.
En uno de los primeros resultados, la IA encontró una política que, en términos de maximizar tanto la productividad como la igualdad de ingresos, era un 16 % más justa que un marco fiscal progresivo de última generación estudiado por economistas académicos. La mejora con respecto a la política estadounidense actual fue aún mayor. Creo que es una idea totalmente interesante, dice Blake LeBaron de la Universidad de Brandeis en Massachusetts, quien ha utilizado redes neuronales para modelar mercados financieros.
En la simulación, cuatro trabajadores de IA están controlados por sus propios modelos de aprendizaje por refuerzo. Interactúan con un mundo bidimensional, recolectan madera y piedra e intercambian estos recursos con otros o los usan para construir casas, lo que les permite ganar dinero. Los trabajadores tienen diferentes niveles de habilidad, lo que los lleva a especializarse. Los trabajadores menos calificados aprenden que les va mejor si reúnen recursos, y los más calificados aprenden que les va mejor si compran recursos para construir casas. Al final de cada año simulado, todos los trabajadores pagan impuestos a una tasa diseñada por un legislador controlado por IA, que ejecuta su propio algoritmo de aprendizaje por refuerzo. El objetivo del formulador de políticas es impulsar tanto la productividad como los ingresos de todos los trabajadores. Las IA convergen en un comportamiento óptimo al repetir la simulación millones de veces.
Ambos modelos de aprendizaje por refuerzo parten de cero, sin conocimientos previos de teoría económica, y aprenden a actuar mediante prueba y error, de la misma manera que las IA de DeepMind aprenden, sin intervención humana, a jugar al Go y al ajedrez a niveles sobrehumanos. .
¿Puedes aprender mucho de solo cuatro trabajadores de IA? En teoría, sí, porque las interacciones simples entre un puñado de agentes pronto conducen a comportamientos muy complejos. (A pesar de toda su complejidad, Go todavía involucra solo a dos jugadores, por ejemplo). Aun así, todos los involucrados en el proyecto están de acuerdo en que aumentar la cantidad de trabajadores en la simulación será esencial si la herramienta va a modelar escenarios realistas.
Jugando con el sistema
La doble dosis de IA es clave. Las redes neuronales se han utilizado antes para controlar agentes en economías simuladas. Pero convertir al formulador de políticas en una IA también conduce a un modelo en el que los trabajadores y el formulador de políticas se adaptan continuamente a las acciones de los demás. Este entorno dinámico fue un desafío para los modelos de aprendizaje reforzado, ya que una estrategia aprendida bajo una política fiscal puede no funcionar tan bien bajo otra. Pero también significó que las IA encontraron formas de jugar con el sistema. Por ejemplo, algunos trabajadores aprendieron a evadir impuestos al reducir su productividad para calificar para un tramo impositivo más bajo y luego aumentarlo nuevamente. El equipo de Salesforce dice que este toma y daca entre los trabajadores y los legisladores conduce a una simulación más realista que cualquier cosa lograda por los modelos anteriores, donde las políticas fiscales generalmente son fijas.
La política fiscal que ideó AI Economist es un poco inusual. A diferencia de la mayoría de las políticas existentes, que son progresivas (es decir, a los que ganan más se les grava más) o regresivas (a los que ganan más se les grava menos), la política de AI mezcló aspectos de ambos, aplicando las tasas impositivas más altas a ricos y pobres y las más bajas a los trabajadores de ingresos medios. Al igual que muchas soluciones que se les ocurren a las IA, como algunos de los movimientos ganadores del juego de AlphaZero, el resultado parece contrario a la intuición y no algo que un humano podría haber ideado. Pero su impacto en la economía condujo a una menor brecha entre ricos y pobres.
Para ver si la política fiscal generada por la IA influiría en el comportamiento humano de manera similar, el equipo la probó en más de 100 trabajadores colaborativos contratados a través de Mechanical Turk de Amazon, a quienes se les pidió que tomaran el control de los trabajadores en la simulación. Descubrieron que la política alentaba a los humanos a jugar de la misma manera que las IA, lo que sugiere, al menos en principio, que AI Economist podría usarse para influir en la actividad económica real.
Ajustes interminables
Otra ventaja de una simulación impulsada por IA es que puede modificar los parámetros para explorar diferentes escenarios. Por ejemplo, sería posible modelar el impacto de una pandemia agregando restricciones como el distanciamiento social y el acceso restringido a los recursos, o eliminando personas de la fuerza laboral. Es difícil llegar a teorías fiscales óptimas basadas en el pasado si el futuro se ve muy diferente, dice Socher.
La capacidad de la simulación para modelar el cambio es una gran ventaja, dice LeBaron: es muy interesante ver a los trabajadores ajustándose al código fiscal. Esto evita una de las grandes críticas a los modelos fiscales existentes en los que el comportamiento suele ser fijo, dice.
La principal reserva de LeBaron es el pequeño número de agentes a los que la herramienta está limitada hasta ahora. Hay personas que argumentan que puedes obtener conocimientos intelectuales profundos con solo unos pocos agentes, dice. no soy uno de ellos Le gustaría verlo simular alrededor de 100 trabajadores, que también es una cifra a la que apunta el equipo de Salesforce.
Pero LeBaron cree que la herramienta ya podría usarse para verificar la cordura de los modelos económicos existentes: si yo fuera un formulador de políticas, encendería esta cosa para ver qué dice. Si AI Economist no está de acuerdo con otros modelos, entonces podría ser una señal de que a esos otros modelos les falta algo, dice.
David Parkes, científico informático y economista de la Universidad de Harvard que colaboró con el equipo de Salesforce, también es optimista. Está de acuerdo en que necesitan aumentar significativamente el número de agentes. Pero una vez que hayan hecho eso y hayan agregado algunas características adicionales a la simulación, como empresas, anticipa poder replicar los resultados teóricos existentes. Entonces inmediatamente se vuelve útil, dice.
Sin embargo, Doyne Farmer, economista de la Universidad de Oxford, está menos convencido. Aunque le da la bienvenida al cruce del aprendizaje reforzado de los juegos con la economía (se plantea la cuestión de si se pueden investigar las políticas de la misma manera que AlphaZero juega al Go), cree que pasará algún tiempo antes de que la herramienta sea realmente útil. El mundo real es demasiado complicado, dice.
El equipo acepta que será necesario persuadir a algunos economistas. Con ese fin, están lanzando su código e invitando a otros a ejecutar sus propios modelos a través de él. A la larga, esta apertura también será una parte importante para hacer que estas herramientas sean confiables, dice Socher. Si está utilizando una IA para recomendar que ciertas personas obtengan impuestos más bajos o más altos, señala, 'será mejor que pueda decir por qué'.