211service.com
Een AI kan een economie miljoenen keren simuleren om een eerlijker belastingbeleid te creëren
Tony Webster / Flickr
Inkomensongelijkheid is een van de overkoepelende problemen van de economie. Een van de meest effectieve instrumenten die beleidsmakers hebben om dit aan te pakken, is belastingheffing: regeringen innen geld van mensen op basis van wat ze verdienen en herverdelen het ofwel direct, via socialezekerheidsstelsels, of indirect, door het te gebruiken om openbare projecten te betalen. Maar hoewel meer belasting kan leiden tot meer gelijkheid, kan het te veel belasten van mensen hen ontmoedigen om te werken of hen motiveren om manieren te vinden om niet te betalen, wat de totale pot vermindert.
De juiste balans vinden is niet eenvoudig. Economen vertrouwen doorgaans op aannames die moeilijk te valideren zijn. Het economisch gedrag van mensen is complex en het verzamelen van gegevens hierover is moeilijk. Decennia van economisch onderzoek heeft geworsteld met het ontwerpen van het beste belastingbeleid, maar het blijft een open probleem.
Wetenschappers van het Amerikaanse bedrijfstechnologiebedrijf Salesforce denken dat AI kan helpen. Onder leiding van Richard Socher heeft het team een systeem ontwikkeld genaamd de AI-econoom dat gebruikmaakt van versterkend leren - dezelfde soort techniek achter DeepMind's AlphaGo en AlpahZero - om optimaal belastingbeleid voor een gesimuleerde economie te identificeren. De tool is nog steeds relatief eenvoudig (het kan onmogelijk alle complexiteiten van de echte wereld of menselijk gedrag omvatten), maar het is een veelbelovende eerste stap om beleid op een geheel nieuwe manier te evalueren. Het zou geweldig zijn om het belastingbeleid minder politiek en meer datagedreven te maken, zegt teamlid Alex Trott.
In een vroeg resultaat vond de AI een beleid dat - in termen van het maximaliseren van zowel productiviteit als inkomensgelijkheid - 16% eerlijker was dan een geavanceerd progressief belastingkader dat door academische economen werd bestudeerd. De verbetering ten opzichte van het huidige Amerikaanse beleid was zelfs nog groter. Ik vind het een heel interessant idee, zegt Blake LeBaron van de Brandeis University in Massachusetts, die neurale netwerken heeft gebruikt om financiële markten te modelleren.
In de simulatie worden vier AI-werknemers elk bestuurd door hun eigen versterkingsleermodellen. Ze hebben interactie met een tweedimensionale wereld, verzamelen hout en steen en verhandelen deze hulpbronnen met anderen of gebruiken ze om huizen te bouwen, waarmee ze geld verdienen. De werknemers hebben verschillende vaardigheidsniveaus, waardoor ze zich specialiseren. Lager opgeleide werknemers leren dat ze het beter doen als ze middelen verzamelen, en hoger opgeleide werknemers leren dat ze het beter doen als ze middelen kopen om huizen te bouwen. Aan het einde van elk gesimuleerd jaar worden alle werknemers belast tegen een tarief dat is bedacht door een AI-gestuurde beleidsmaker, die zijn eigen algoritme voor versterkingsleer gebruikt. Het doel van de beleidsmaker is om zowel de productiviteit als het inkomen van alle werknemers te verhogen. De AI's komen samen in optimaal gedrag door de simulatie miljoenen keren te herhalen.
Beide modellen voor het leren van versterking beginnen helemaal opnieuw, zonder voorkennis van economische theorie, en leren hoe te handelen met vallen en opstaan - op vrijwel dezelfde manier waarop DeepMind's AI's, zonder menselijke inbreng, Go en schaken op bovenmenselijke niveaus leren spelen .
Kun je veel leren van slechts vier AI-medewerkers? In theorie wel, want simpele interacties tussen een handvol agenten leiden al snel tot zeer complex gedrag. (Ondanks al zijn complexiteit zijn er bijvoorbeeld nog maar twee spelers bij Go betrokken.) Toch is iedereen die bij het project betrokken is het erover eens dat het verhogen van het aantal werknemers in de simulatie essentieel zal zijn als de tool realistische scenario's moet modelleren.
Het systeem gamen
De dubbele dosis AI is de sleutel. Neurale netwerken zijn eerder gebruikt om agenten in gesimuleerde economieën te controleren. Maar ook van de beleidsmaker een AI maken leidt tot een model waarin de werknemer en de beleidsmaker zich voortdurend aanpassen aan elkaars handelen. Deze dynamische omgeving was een uitdaging voor de versterkende leermodellen, aangezien een strategie die onder het ene belastingbeleid is geleerd, mogelijk niet zo goed werkt onder een ander. Maar het betekende ook dat de AI's manieren vonden om het systeem te bespelen. Sommige werknemers leerden bijvoorbeeld belasting te ontwijken door hun productiviteit te verlagen om in aanmerking te komen voor een lagere belastingschijf en deze vervolgens weer te verhogen. Het Salesforce-team zegt dat dit geven en nemen tussen werknemers en beleidsmaker leidt tot een simulatie die realistischer is dan alles wat werd bereikt door eerdere modellen, waar belastingbeleid doorgaans vastligt.
Het belastingbeleid dat de AI Economist bedacht is een beetje ongewoon. In tegenstelling tot de meeste bestaande beleidslijnen, die ofwel progressief zijn (dat wil zeggen, meerverdieners worden meer belast) of regressief (meerverdieners worden minder belast), combineerde het AI-beleid aspecten van beide, waarbij de hoogste belastingtarieven werden toegepast op arm en rijk en de laagste aan middeninkomens. Zoals veel oplossingen die AI's bedenken, zoals enkele van AlphaZero's spelwinnende zetten, lijkt het resultaat contra-intuïtief en niet iets dat een mens zou kunnen hebben bedacht. Maar de impact ervan op de economie leidde tot een kleinere kloof tussen arm en rijk.
Om te zien of het door AI gegenereerde belastingbeleid het menselijk gedrag op een vergelijkbare manier zou beïnvloeden, testte het team het op meer dan 100 crowdworkers die waren ingehuurd via Amazon's Mechanical Turk, die werden gevraagd om de controle over de arbeiders in de simulatie over te nemen. Ze ontdekten dat het beleid de mensen aanmoedigde om op vrijwel dezelfde manier te spelen als de AI's, wat suggereert - althans in principe - dat de AI Economist kan worden gebruikt om echte economische activiteit te beïnvloeden.
Eindeloos tweaken
Een ander voordeel van een AI-gestuurde simulatie is dat je parameters kunt aanpassen om verschillende scenario's te verkennen. Het zou bijvoorbeeld mogelijk zijn om de impact van een pandemie te modelleren door beperkingen toe te voegen zoals sociale afstand en beperkte toegang tot middelen, of door mensen van het personeelsbestand te verwijderen. Het is moeilijk om optimale belastingtheorieën te bedenken op basis van het verleden als de toekomst er heel anders uitziet, zegt Socher.
Het vermogen van de simulatie om verandering te modelleren is een groot pluspunt, zegt LeBaron: Het is best interessant om te zien hoe de arbeiders zich aanpassen aan de belastingcode. Dit omzeilt een van de grote kritieken op bestaande belastingmodellen waarin gedrag typisch vastligt, zegt hij.
Het belangrijkste voorbehoud van LeBaron is het kleine aantal agenten waartoe de tool tot nu toe beperkt is. Er zijn mensen die beweren dat je met slechts een paar agenten diepe intellectuele inzichten kunt krijgen, zegt hij. Ik ben niet een van hen. Hij zou graag zien dat het ongeveer 100 werknemers simuleert, wat ook een cijfer is waar het Salesforce-team naar streeft.
Maar LeBaron gelooft dat de tool al kan worden gebruikt om bestaande economische modellen gezond te houden: als ik een beleidsmaker was, zou ik dit ding aansteken om te zien wat het zegt. Als de AI Economist het niet eens was met andere modellen, kan dat een teken zijn dat die andere modellen iets misten, zegt hij.
David Parkes, een computerwetenschapper en econoom aan de Harvard University die samenwerkte met het Salesforce-team, is ook optimistisch. Hij is het ermee eens dat ze het aantal agenten aanzienlijk moeten vergroten. Maar zodra ze dat hebben gedaan en een paar extra functies, zoals bedrijven, aan de simulatie hebben toegevoegd, verwacht hij de bestaande theoretische resultaten te kunnen repliceren. Dan wordt het meteen bruikbaar, zegt hij.
Doyne Farmer, een econoom aan de Universiteit van Oxford, is echter minder overtuigd. Hoewel hij de cross-over van versterkend leren van games naar economie verwelkomt - het komt op de vraag of je beleid op dezelfde manier kunt onderzoeken als AlphaZero Go speelt - denkt hij dat het enige tijd zal duren voordat de tool echt nuttig is. De echte wereld is veel te ingewikkeld, zegt hij.
Het team accepteert dat sommige economen moeten worden overtuigd. Daartoe geven ze hun code vrij en nodigen ze anderen uit om hun eigen modellen er doorheen te laten lopen. Op de lange termijn zal deze openheid ook een belangrijk onderdeel zijn van het betrouwbaar maken van dergelijke tools, zegt Socher. Als je een AI gebruikt om bepaalde mensen aan te bevelen lagere of hogere belastingen te krijgen, zegt hij, 'kun je maar beter zeggen waarom.