211service.com
Eine KI kann eine Wirtschaft millionenfach simulieren, um eine gerechtere Steuerpolitik zu schaffen
Tony Webster/Flickr
Einkommensungleichheit ist eines der übergreifenden Probleme der Volkswirtschaftslehre. Eines der wirksamsten Instrumente, die Politikern zur Verfügung stehen, ist die Besteuerung: Regierungen erheben Geld von den Menschen entsprechend ihrem Einkommen und verteilen es entweder direkt über Sozialsysteme oder indirekt, indem sie es zur Finanzierung öffentlicher Projekte verwenden. Aber obwohl eine höhere Besteuerung zu mehr Gleichheit führen kann, kann eine zu hohe Besteuerung die Menschen von der Arbeit abhalten oder sie dazu motivieren, Wege zu finden, um die Zahlung zu vermeiden – was den Gesamttopf verringert.
Die richtige Balance zu finden, ist nicht einfach. Ökonomen verlassen sich in der Regel auf Annahmen, die schwer zu validieren sind. Das wirtschaftliche Verhalten der Menschen ist komplex, und das Sammeln von Daten darüber ist schwierig. Jahrzehntelange Wirtschaftsforschung hat mit der Gestaltung der besten Steuerpolitik gerungen, aber es bleibt ein offenes Problem.
Wissenschaftler des US-Business-Technologieunternehmens Salesforce glauben, dass KI helfen kann. Unter der Leitung von Richard Socher hat das Team ein System namens entwickelt KI-Ökonom das Reinforcement Learning verwendet – die gleiche Art von Technik hinter DeepMinds AlphaGo und AlpahZero – um optimale Steuerrichtlinien für eine simulierte Wirtschaft zu identifizieren. Das Tool ist immer noch relativ einfach (es kann unmöglich alle Komplexitäten der realen Welt oder des menschlichen Verhaltens umfassen), aber es ist ein vielversprechender erster Schritt hin zu einer völlig neuen Bewertung von Richtlinien. Es wäre erstaunlich, die Steuerpolitik weniger politisch und mehr datengesteuert zu gestalten, sagt Teammitglied Alex Trott.
In einem frühen Ergebnis fand die KI eine Politik, die – in Bezug auf die Maximierung von Produktivität und Einkommensgleichheit – um 16 % gerechter war als ein hochmoderner progressiver Steuerrahmen, der von akademischen Ökonomen untersucht wurde. Die Verbesserung gegenüber der derzeitigen US-Politik war sogar noch größer. Ich denke, es ist eine total interessante Idee, sagt Blake LeBaron von der Brandeis University in Massachusetts, der neuronale Netze verwendet hat, um Finanzmärkte zu modellieren.
In der Simulation werden vier KI-Arbeiter jeweils von ihren eigenen Reinforcement-Learning-Modellen gesteuert. Sie interagieren mit einer zweidimensionalen Welt, sammeln Holz und Steine und tauschen diese Ressourcen entweder mit anderen oder bauen daraus Häuser, womit sie Geld verdienen. Die Arbeiter haben unterschiedliche Qualifikationsniveaus, was zu einer Spezialisierung führt. Geringqualifizierte Arbeiter lernen, dass sie es besser machen, wenn sie Ressourcen sammeln, und höher qualifizierte Arbeiter lernen, dass sie es besser machen, wenn sie Ressourcen kaufen, um Häuser zu bauen. Am Ende jedes simulierten Jahres werden alle Arbeitnehmer zu einem Satz besteuert, der von einem KI-gesteuerten Entscheidungsträger festgelegt wird, der seinen eigenen Reinforcement-Learning-Algorithmus ausführt. Ziel der Politik ist es, sowohl die Produktivität als auch das Einkommen aller Arbeitnehmer zu steigern. Die KIs nähern sich dem optimalen Verhalten an, indem sie die Simulation millionenfach wiederholen.
Beide Reinforcement-Learning-Modelle beginnen bei Null, ohne Vorkenntnisse in Wirtschaftstheorie, und lernen, wie man durch Versuch und Irrtum handelt – ähnlich wie die KIs von DeepMind ohne menschliches Zutun lernen, Go und Schach auf übermenschlichem Niveau zu spielen .
Können Sie viel von nur vier KI-Mitarbeitern lernen? Theoretisch ja, denn einfache Interaktionen zwischen einer Handvoll Agenten führen schnell zu sehr komplexen Verhaltensweisen. (Bei aller Komplexität sind beispielsweise bei Go immer noch nur zwei Spieler beteiligt.) Trotzdem sind sich alle Projektbeteiligten einig, dass die Erhöhung der Anzahl der Arbeiter in der Simulation unerlässlich ist, wenn das Tool realistische Szenarien modellieren soll.
Spiele das System
Die doppelte Dosis von AI ist der Schlüssel. Neuronale Netze wurden bereits zur Steuerung von Agenten in simulierten Volkswirtschaften verwendet. Aber auch den politischen Entscheidungsträger zu einer KI zu machen, führt zu einem Modell, in dem sich die Arbeitnehmer und der politische Entscheidungsträger kontinuierlich an die Handlungen des anderen anpassen. Dieses dynamische Umfeld war eine Herausforderung für die Reinforcement-Learning-Modelle, da eine unter einer Steuerpolitik erlernte Strategie unter einer anderen möglicherweise nicht so gut funktioniert. Aber es bedeutete auch, dass die KIs Wege fanden, das System auszutricksen. Einige Arbeitnehmer lernten beispielsweise, Steuern zu vermeiden, indem sie ihre Produktivität verringerten, um sich für eine niedrigere Steuerklasse zu qualifizieren, und sie dann wieder erhöhten. Das Salesforce-Team sagt, dass dieses Geben und Nehmen zwischen Arbeitnehmern und politischen Entscheidungsträgern zu einer Simulation führt, die realistischer ist als alles, was mit früheren Modellen erreicht wurde, bei denen die Steuerpolitik in der Regel festgelegt war.
Die Steuerpolitik, die sich der AI Economist ausgedacht hat, ist etwas ungewöhnlich. Im Gegensatz zu den meisten bestehenden Richtlinien, die entweder progressiv (d. h. Besserverdiener werden höher besteuert) oder regressiv (Höherverdiener werden niedriger besteuert) sind, hat die KI-Politik Aspekte von beidem zusammengeschustert, indem sie die höchsten Steuersätze für Reiche und Arme und die niedrigsten anwendet an Arbeitnehmer mit mittlerem Einkommen. Wie viele Lösungen, die sich KIs einfallen lassen – wie einige der spielgewinnenden Züge von AlphaZero – scheint das Ergebnis kontraintuitiv und nicht etwas zu sein, das ein Mensch sich ausgedacht haben könnte. Aber seine Auswirkungen auf die Wirtschaft führten zu einer kleineren Kluft zwischen Arm und Reich.
Um zu sehen, ob die KI-generierte Steuerpolitik das menschliche Verhalten auf ähnliche Weise beeinflussen würde, testete das Team sie an mehr als 100 Crowdworkern, die über Amazons Mechanical Turk eingestellt wurden und gebeten wurden, die Kontrolle über die Arbeiter in der Simulation zu übernehmen. Sie stellten fest, dass die Politik die Menschen dazu ermutigte, ähnlich wie die KIs zu spielen, was – zumindest im Prinzip – darauf hindeutet, dass der KI-Ökonom verwendet werden könnte, um die reale Wirtschaftstätigkeit zu beeinflussen.
Endloses Optimieren
Ein weiterer Vorteil einer KI-gestützten Simulation besteht darin, dass Sie Parameter optimieren können, um verschiedene Szenarien zu untersuchen. Beispielsweise wäre es möglich, die Auswirkungen einer Pandemie zu modellieren, indem Einschränkungen wie soziale Distanzierung und eingeschränkter Zugang zu Ressourcen hinzugefügt oder Menschen aus der Belegschaft entfernt werden. Optimale Steuertheorien auf Basis der Vergangenheit zu finden, sei schwierig, wenn die Zukunft ganz anders aussehe, sagt Socher.
Die Fähigkeit der Simulation, Änderungen zu modellieren, ist ein großes Plus, sagt LeBaron: Es ist ziemlich interessant zu sehen, wie sich die Arbeiter an die Steuergesetzgebung anpassen. Damit umgehe man einen der großen Kritikpunkte an bestehenden Steuermodellen, bei denen das Verhalten typischerweise festgeschrieben sei, sagt er.
LeBarons größter Vorbehalt ist die geringe Anzahl von Agenten, auf die das Tool bisher beschränkt ist. Es gibt Leute, die argumentieren, dass man mit nur wenigen Agenten tiefe intellektuelle Einblicke gewinnen kann, sagt er. Ich bin keiner von ihnen. Er würde es gerne sehen, wenn etwa 100 Mitarbeiter simuliert würden – eine Zahl, die auch das Salesforce-Team anstrebt.
Aber LeBaron glaubt, dass das Tool bereits verwendet werden könnte, um bestehende Wirtschaftsmodelle zu überprüfen: Wenn ich ein Politiker wäre, würde ich dieses Ding starten, um zu sehen, was es sagt. Wenn der AI Economist mit anderen Modellen nicht einverstanden war, könnte dies ein Zeichen dafür sein, dass diesen anderen Modellen etwas fehlt, sagt er.
Auch David Parkes, Informatiker und Ökonom an der Harvard University, der mit dem Salesforce-Team zusammengearbeitet hat, ist optimistisch. Er stimmt zu, dass sie die Zahl der Agenten deutlich erhöhen müssen. Aber sobald sie dies getan und der Simulation einige zusätzliche Funktionen wie Unternehmen hinzugefügt haben, erwartet er, dass er in der Lage sein wird, bestehende theoretische Ergebnisse zu replizieren. Dann wird es sofort nützlich, sagt er.
Doyne Farmer, Ökonom an der University of Oxford, ist jedoch weniger überzeugt. Obwohl er den Übergang von Verstärkungslernen von Spielen zu Wirtschaftswissenschaften begrüßt – es geht um die Frage, ob man Richtlinien auf die gleiche Weise untersuchen kann, wie AlphaZero Go spielt –, glaubt er, dass es einige Zeit dauern wird, bis das Tool tatsächlich nützlich ist. Die reale Welt sei viel zu kompliziert, sagt er.
Das Team akzeptiert, dass einige Ökonomen überzeugt werden müssen. Zu diesem Zweck veröffentlichen sie ihren Code und laden andere ein, ihre eigenen Modelle damit laufen zu lassen. Langfristig wird diese Offenheit auch ein wichtiger Teil sein, um solche Tools vertrauenswürdig zu machen, sagt Socher. Wenn Sie eine KI verwenden, um bestimmten Personen niedrigere oder höhere Steuern zu empfehlen, weist er darauf hin, „dass Sie besser sagen können, warum.