Метка: artrauflikes

К вопросу про “AI отберет у людей работу”. Читаю в книжке про интересный пример, когда изобретение машины, способной сильно облегчить людям работу, в итоге привело к ухудшению условий труда и жизни рабочих (ну и заодно британскй оккупации Египта) . Речь идет о машине Уитни, упрощающей обработку хлопка.

До изобретения ткацкого станка ткань была на вес золота. Вот буквально, грамм шелка стоил почти столько же, сколько грамм золота. Рассказы о преступности в XVIII и XIX веках почти всегда посвящены тому, как преступников сажали в тюрьму или перевозили в Австралию за кражу носового платка, пачки кружев или еще какой-нибудь кажущейся мелочи, но на самом деле это часто были предметы огромной ценности. Пара шелковых чулок могла стоить 5 фунтов, а пачка кружев могла продаваться за 20 фунтов — достаточно, чтобы прожить на них пару лет, и очень серьезная потеря для любого владельца магазина. Шелковый плащ стоил 50 фунтов стерлингов, что было не по карману никому, кроме высшей знати.

Джон Кэй, молодой человек из Ланкашира, изобрел механический (самолётный) челнок – одно из первых революционных изобретений, необходимых для развития текстильной промышленности. Мобильный челнок Кэя удвоил скорость выполнения ткацких работ. Прядильщики, которые и до этого не успевали за ткачами, стали отставать еще сильнее, и проблемы начали возникать по всей цепочке поставок, создавая огромные экономические трудности для всех участников процесса.

В 1764 году неграмотный ткач из Ланкашира по имени Джеймс Харгривс изобрел удивительно простое устройство, известное как «прядильная машина Дженни», которая за счет использования нескольких веретен выполняла работу десяти прядильщиков.

До появления этого изобретения домашние мастера вручную пряли в Англии 500 тысяч фунтов хлопка ежегодно. К 1785 году, благодаря машине Харгривса и ее улучшенным версиям, это число подскочило до 16 миллионов фунтов.

Это в Англии. В США была другая проблема. На Американском Юге единственный сорт, который хорошо рос, был коротковолокнистый хлопок. Но его невозможно было собирать с прибылью, так как каждая коробочка содержала липкие семена — три фунта семян на каждый фунт волокна, и их приходилось выщипывать вручную. Это было настолько трудоемко, что даже с использованием рабского труда не окупалось. Вручную один рабочий мог очистить лишь около 1 фунта (0,45 кг) хлопка в день. Проблему решил Эли Уитни, изобретя простой вращающийся барабан, котрый использовал гвозди для захвата волокна, оставляя семена «позади». Назвал свою машину «джин» (от эн-джин). Машина Уитни позволяла одному человеку очистить до 50 фунтов (около 22,7 кг) хлопка в день. То есть, в 50 раз больше. Фактически, она заменяла 50 человек на одного.

На этот момент рабство было в шести штатах США; к моменту гражданской войны уже было в 15.

Почему? Оказалось, что вместо того чтобы снизить потребность в рабочей силе, машина Уитни увеличила её: поскольку очистка больше не была узким местом производства, потребовалось больше рабочих для посадки, сбора и обработки увеличивающегося урожая. США стали главным мировым поставщиком хлопка, что сделало текстильную промышленность Европы (особенно Великобритании) зависимой от американского сырья. Это привело к росту рабовладельческой системы в южных штатах, а в Англии увеличило долю детского труда на производстве (потому что платить не надо, только корми, и дети лучше справлялись).

Впоследствии, когда гражданская война в США завершилась, цены на хлопок упали, что привело Египет (где выращивали качественный длинноволокнистый хлопок и продавали в Англию) к экономическому кризису и росту внешних долгов. В конечном итоге это стало одной из причин британской оккупации Египта в 1882 году.

Возвращаясь к теме с AI. Рынок труда адаптируется, но иногда медленно и с потерями. В перспективе появятся новые рабочие места, но переходный период может сопровождаться массовой безработицей и социальными потрясениями.

Правда, никакого искусственного интеллекта еще нет. AI станет настоящим AI, когда он будет понимать и использовать знания об устройстве мира, а не проекции этих знаний. Вот взять генерацию изображений — она использует “проекции” — базу аннотированных фото- и видеоматериалов. Она не использует знания об анатомии и устройстве мира. То же самое и в GenAI — там тоже везде проекции, а не чистое знание. Судя по всему, текущие прорывы в GenAI не подходят для хранения, накопления и использования “чистых знаний”.

А еще нам нужна не просто система, которая может правильно отвечать на наши тривиальные вопросы. Нам нужна система, которая способна задавать правильные нетривиальные вопросы. Большие языковые модели (LLM) по своей природе не способны на это.

Но тем не менее, история с изобретениями Кея, Харгривса, Уитни наводит на параллели.