I have a big, broad ambition: figuring out how to solve for systemic problems. We’re facing global disruptions in many dimensions—the Crise climática , crescente desigualdade e desafios econômicos complexos, para citar alguns. Mas estamos aquém da nossa capacidade de entendê -los e resolvê -los. É basicamente a integração de três coisas: modelagem baseada em agentes, inteligência artificial (
What’s exciting me at the moment is significant advances in what I call “deep design.” It’s basically the integration of three things: agent-based modeling, artificial intelligence ( AI ) e design centrado no ser humano. Essa combinação de ferramentas e disciplinas está permitindo que a comunidade de pesquisa e as equipes corporativas de P&D construam simulações baseadas em IA que, pela primeira vez, modelem a complexidade social e econômica. Já temos modelos econômicos. Mas, como sabemos de choques como a crise financeira de 2008 e a pandemia Covid-19, esses modelos geralmente são muito ruins na previsão de resultados. Isso porque eles fazem algumas suposições excessivamente simplistas sobre o mundo. Eles costumam assumir, por exemplo, que existe um único "agente" representativo, como uma pessoa ou empresa, cujo comportamento representa o de uma população inteira. O campo emergente da complexidade economia usa modelos que explicam a heterogeneidade dos mercados do mundo real, simulando interações entre diferentes conjuntos de agentes. Essa abordagem de baixo para cima para a modelagem macroeconômica está se mostrando realmente robusta.
Take the challenge central banks face in designing policies to manage inflation. We already have economic models. But as we know from shocks like the 2008 financial crisis and the COVID-19 pandemic, these models are usually quite bad at predicting outcomes. That’s because they make some overly simplistic assumptions about the world. They often assume, for instance, that there is a single, representative “agent,” such as a person or company, whose behavior represents that of an entire population. The emerging field of complexity economics uses models that account for the heterogeneity of real-world markets by simulating interactions between different sets of agents. This bottom-up approach to macroeconomic modeling is proving really robust.
O campo emergente da complexidade economia usa modelos que explicam a heterogeneidade dos mercados do mundo real, simulando interações entre diferentes conjuntos de agentes. Essa abordagem de baixo para cima para a modelagem macroeconômica está se mostrando realmente robusta.
O Banco da Inglaterra, por exemplo, fez parceria com o Instituto Oxford para o Novo Pensamento Econômico para simular o mercado imobiliário do Reino Unido para melhorar as políticas de crédito e reduzir o risco. Ao modelar o comportamento de compradores iniciantes, proprietários de imóveis, investidores de compra e aluguel e locatários, eles conseguiram identificar motoristas de mercado. Por exemplo, o modelo mostra como o crescimento no setor de compra para alugar aumenta a magnitude e a frequência dos booms e bustos da habitação. Essa simulação está gerando resultados muito relevantes para o que está acontecendo no Reino Unido hoje, quando começamos a lidar com o que poderia ser uma recessão profunda. Da mesma forma, o Banco do Canadá está usando simulações baseadas em agentes para melhorar a inflação, contabilizando como as expectativas das pessoas sobre o aumento dos preços mudam com o tempo. Tomemos, por exemplo, projetar políticas tributárias para melhorar melhor a igualdade social e o crescimento econômico. Os modelos tradicionais baseados em agentes não são adequados para simular como os contribuintes podem responder a políticas para as quais não temos dados do mundo real. É aqui que entra a IA, especificamente "aprendizado de reforço profundo", que pode ser usado para treinar agentes para adaptar seu comportamento, a fim de ganhar mais recompensas. Pode ser usado para estudar a interação entre o mercado de trabalho e a política tributária, por exemplo. Para o lado do trabalho, sua equipe projetou uma economia espaço -temporal virtual povoada por agentes trabalhadores de diferentes níveis de habilidade que coletam e comercializam recursos como madeira e pedra para construir casas. Eles vendem as casas para obter renda e são recompensadas por aumentar sua utilidade. Os trabalhadores de alta qualificação ganham mais renda para a construção de casas e, portanto, mais utilidade. A construção de casas também exige esforço, o que reduz a utilidade. Além dessa pequena civilização, o economista da IA acrescentou um planejador do governo que redistribui riqueza por meio da política tributária. O planejador é recompensado por equilibrar a igualdade com a produtividade. Considere isso uma espécie de contrato social algorítmico. Tanto os trabalhadores quanto o governo aprendem a adaptar seu comportamento à medida que avançam, a fim de obter o máximo de recompensas. E essa abordagem funciona. Ao codificar valores sociais na recompensa do planejador, o economista da IA provou ser 16% melhor para equilibrar a igualdade social do que os modelos tributários convencionais e o livre mercado. Esse é um resultado profundo. Pode ser usado para projetar protocolos de negociação para a cooperação climática global, por exemplo, e simular a migração e as evacuações de emergência induzidas pelo clima.
But how, you might ask, do these models solve more strategic optimization problems? Take, for example, designing tax policies to better balance social equality and economic growth. Traditional agent-based models are not well suited to simulating how taxpayers might respond to policies for which we lack real-world data. This is where AI comes in, specifically “deep reinforcement learning,” which can be used to train agents to adapt their behavior in order to earn more rewards.
Salesforce is pioneering this field with the AI Economist, a general framework that uses an AI-based simulation of the economy and reinforcement learning to design economic policies. It can be used to study the interplay between the labor market and tax policy, for example. For the labor side, its team designed a virtual spatiotemporal economy populated by worker agents of different skill levels who collect and trade resources like wood and stone to build houses. They sell the houses to earn income and are rewarded for increasing their utility. Higher-skill workers earn more income for building houses, and thus more utility. Building houses also takes effort, which lowers utility. On top of this little civilization, the AI Economist has added a government planner who redistributes wealth through tax policy. The planner is rewarded for balancing equality with productivity. Consider it a sort of algorithmic social contract.
Now comes a nifty trick called “two-level reinforcement learning.” Both the workers and the government learn to adapt their behavior as they go in order to achieve maximum rewards. And this approach works. By encoding social values into the planner’s reward, the AI Economist has proven to be 16% better at balancing social equality than conventional tax models and the free market. That is a profound result.
Deep design has the potential to take on even bolder initiatives for addressing systemic problems. It can be used to design negotiation protocols for global climate cooperation, for example, and to simulate climate-induced migration and emergency evacuations.
A Deep Design tem o potencial de assumir iniciativas ainda mais ousadas para abordar problemas sistêmicos. Pode ser usado para projetar protocolos de negociação para a cooperação climática global, por exemplo, e simular a migração e as evacuações de emergência induzidas pelo clima. O gargalo crítico está rapidamente se tornando a escala computacional necessária para processar a imensa quantidade de dados necessários para treinar modelos, a fim de simular o comportamento humano realista em diversos cenários.
But there are also deep design applications that companies can leverage in the near term using existing datasets. Empresas de bens de consumo , por exemplo, pode usar essas ferramentas para descobrir estruturas de incentivo que levariam as pessoas a adotar produtos verdes. Imagine se tivéssemos isso quando os painéis solares foram introduzidos pela primeira vez. Os utilitários podem projetar políticas e tarifas para ajudar as famílias a otimizar o uso da eletricidade. Minha esperança é que o design profundo possa apenas se tornar nosso manual de operação para a nave espacial.
By tapping into an existing ecosystem of startups, academic institutions, and corporate R&D, I think companies can play an important role in advancing a shared platform on which designers, AI engineers, and domain experts can co-design simulations and accelerate test-and-learn to address real-world challenges. My hope is that deep design may just become our operating manual for spaceship Earth.
