ทำไม GDP และระบบทุนนิยมอาจล้าสมัยในโลกที่ขับเคลื่อนด้วย AI

ในบทความเชิงวิเคราะห์ชิ้นนี้ เป็นการสรุปและขยายความแนวคิดสำคัญจากการสนทนาระหว่าง Tom Bilyeu กับ Emad Mostaque — ผู้ก่อตั้ง Intelligent Internet และผู้อยู่เบื้องหลังโมเดลสร้างภาพอย่าง Stable Diffusion — ซึ่งเสนอความท้าทายเชิงแนวคิดต่อเศรษฐกิจโลกในยุคของปัญญาประดิษฐ์ (AI) อันทรงพลัง โดยเฉพาะข้อสรุปที่ชวนตั้งคำถามว่า "ภายใน 1,000 วันข้างหน้า AI จะไม่เพียงแค่ทดแทนแรงงานมนุษย์จำนวนมาก แต่จะทำให้โครงสร้างของเศรษฐกิจทั้งหมด 'ล้าสมัย' " 

ทำไม "เศรษฐกิจสุดท้าย" (The Last Economy) จึงสำคัญ

แนวคิดเรื่อง "เศรษฐกิจสุดท้าย" (The Last Economy) ที่ Emad นำเสนอ คือการตั้งสมมติฐานเชิงระบบว่า เมื่อ AI มีความสามารถในการสร้างแบบจำลองภายในและทำนายผลลัพธ์ได้ดีกว่ามนุษย์อย่างเป็นระบบแล้ว ระบบเศรษฐกิจซึ่งอาศัยสมมติฐานเรื่องทรัพยากรขาดแคลนและแรงงานเป็นปัจจัยหลักจะต้องถูกออกแบบใหม่หรือแทนที่ นี่ไม่ใช่แค่การคาดการณ์เรื่องตำแหน่งงานที่ถูกทดแทน แต่หมายถึงการทบทวนมาตรวัดความเจริญ เช่น GDP, รูปแบบการกระจายทุน, และแนวคิดพื้นฐานของ "มูลค่า" ในเศรษฐกิจ

เหตุผลที่เราต้องให้ความสนใจต่อแนวคิดนี้มีหลายข้อ: ความก้าวหน้าของโมเดล generative AI ที่เพิ่มประสิทธิภาพอย่างรวดเร็ว การรวมกันของความสามารถในการคิดเป็นเวลานาน (long-context thinking) และความสามารถในการปรับปรุงทักษะจากการเรียนรู้แบบต่อเนื่อง (continuous learning) ทำให้โมเดลเหล่านี้สามารถรับหน้าที่ความคิดระดับสูงแทนมนุษย์ได้เร็วขึ้นกว่าที่หลายคนคาดคิด ซึ่งมีผลกระทบเชิงโครงสร้างต่อการจ้างงาน ตลาดทุน และแม้แต่ความหมายของการมีส่วนร่วมในสังคม

จากการวัดความขาดแคลนสู่การวัดความสามารถทางปัญญา

หนึ่งในข้อวิพากษ์สำคัญของ Emad คือการกล่าวถึงข้อจำกัดของ GDP เป็นตัวชี้วัด "ความเจริญ" ของชาติ GDP วัดปริมาณการผลิตและการบริโภคเชิงวัตถุ แต่ไม่สะท้อนเครือข่าย ความรู้ ความหลากหลายของเศรษฐกิจ หรือความสามารถในการสร้างแบบจำลองของสังคม ตัวอย่างคลาสสิกที่มักอ้างคือคำเตือนของ Simon Kuznets ผู้คิดค้น GDP ที่ชี้ว่า GDP ไม่ควรนำมาเป็นตัวชี้วัดอันเดียว เพราะมันสามารถเพิ่มขึ้นทั้งเมื่อเกิดเหตุการณ์ลบ เช่น ภัยพิบัติ หรือเมื่อมีการใช้จ่ายเพื่อแก้ปัญหาโรคระบาด

Emad แนะนำกรอบการวัดใหม่ซึ่งเขาเรียกย่อว่า MIND — เป็นตัวแปรสี่ประการที่ควรถูกวัดควบคู่กันเพื่อประเมิน "ความสามารถในการเจริญเติบโต" และ "ความยืดหยุ่น" ของบุคคล องค์กร หรือประเทศ:

• M — Material (วัสดุ/ทรัพยากร): ทรัพยากรที่จับต้องได้ เช่น อาหาร ที่อยู่อาศัย วัตถุดิบ และสินทรัพย์ที่มีลักษณะหายไปเมื่อบริโภค
• I — Intelligence (สติปัญญา/ความรู้): ความสามารถในการสร้างความเข้าใจ แก้ปัญหา และสร้างนวัตกรรม ซึ่งรวมถึงทักษะมนุษย์และ AI
• N — Network (เครือข่าย): เครือข่ายความสัมพันธ์ทางสังคม เครือข่ายธุรกิจ และเอฟเฟ็กต์เครือข่ายที่ทำให้เกิดการกระจายความรู้และมูลค่า
• D — Diversity (ความหลากหลาย/ความยืดหยุ่น): ความหลากหลายของกิจกรรม เศรษฐกิจ และความสามารถในการปรับตัวต่อความผันผวน

สิ่งสำคัญคือ MIND ไม่ได้ถูกบวกเป็นผลรวม แต่มีลักษณะการทำงานแบบทวีคูณ (multiplicative) — หากหนึ่งในองค์ประกอบเป็นศูนย์ ระบบทั้งหมดจะล้มเหลวได้ง่าย ในทางปฏิบัติ นี้หมายความว่าการมุ่งเน้นเฉพาะการเติบโตทางวัตถุ (M) โดยไม่ลงทุนในความรู้ (I), เครือข่าย (N) และความหลากหลาย (D) จะทำให้ระบบเปราะบางต่อช็อก

ตัวอย่างเชิงประวัติศาสตร์

Emad ยกตัวอย่างเหตุการณ์ในประวัติศาสตร์ เช่น ญี่ปุ่นที่สูญเสียความสามารถทางเทคโนโลยีเมื่อยังคงใช้ดาบเมื่อต้องเผชิญกับปืน หรือเหตุการณ์ที่ระบบเศรษฐกิจพึ่งพาะพืชผลบางชนิดจนเกิดความเปราะบาง เช่น ภาวะอดอยากจากการพึ่งพาพืชชนิดเดียว (เช่น ภัยจากมันฝรั่งในไอร์แลนด์) ซึ่งสะท้อนถึงการขาดความหลากหลาย (D)

"Intelligence Theory" และ Sorter’s Law

อีกหนึ่งหัวใจของการอธิบายของ Emad คือการพยายามสร้างฐานคณิตศาสตร์จากหลักการที่ใช้พัฒนา AI มาสู่การอธิบายเศรษฐกิจ เขาเรียกหลักการกว้าง ๆ นี้ว่า Intelligence Theory ซึ่งสรุปใจความได้ว่า ระบบที่ยืนยงที่สุดคือระบบที่มีความสามารถในการสร้างแบบจำลองความเป็นจริงของตนเองได้ดีที่สุด กล่าวคือ ระบบใดสามารถลดความผิดพลาดของการพยากรณ์ (predictive error) และจัดการต้นทุนของการคิด (model complexity) และต้นทุนการอัปเดต (update cost) ได้มีประสิทธิภาพที่สุดก็จะมีความได้เปรียบ

Sorter’s Law ซึ่งเป็นส่วนหนึ่งของแนวคิดนี้ ระบุโดยย่อได้ว่า เศรษฐกิจเป็นระบบที่วิวัฒน์ไปในทิศทางที่เอื้อให้เกิดการสร้างแบบจำลองเชิงพยากรณ์ที่มีประสิทธิภาพที่สุด — ไม่ใช่แค่การจัดสรรทรัพยากรแบบดั้งเดิมเท่านั้น แต่เป็นการจัดสรร "ข้อมูล" และ "ความสามารถในการประมวลผล" ให้เกิดผลสูงสุด

กรอบคำนวณนี้เชื่อมโยงกับเทคนิคใน AI เช่นการเรียนรู้เชิงความน่าจะเป็น (probabilistic modeling), การบีบอัดข้อมูล (compression) และการแก้ไขความไม่แน่นอน (reducing surprise) ซึ่งสามารถอธิบายพฤติกรรมของบริษัทหรือประเทศได้: ใครที่มีแบบจำลองที่แม่นยำและอัปเดตได้เร็วที่สุด จะสามารถตัดสินใจจัดสรรทุนและแรงงานได้ดีกว่า

ผลกระทบต่อแรงงานและโครงสร้างการจ้างงาน

หนึ่งในข้อสรุปที่นำเสนออย่างตรงไปตรงมาคือ: เมื่อความสามารถของ AI ในการทำงานเชิงปัญญา (cognitive labor) ขยายตัวแบบไม่จำกัด มนุษย์ในบทบาทที่เน้นการประมวลผลองค์ความรู้ผ่านคีย์บอร์ด หน้าจอ และเมาส์ (KVM — keyboard, video, mouse) จะถูกทดแทนอย่างรวดเร็ว

Emad ตั้งข้อสังเกตว่า AI ไม่เพียงแต่แทนที่งานซ้ำซากหรืองานระดับปฏิบัติการเท่านั้น แต่จะเริ่มทะลุเข้าสู่บทบาทที่เคยถูกมองว่าสูงกว่า เช่น ทนายความระดับต้น ผู้ช่วยแพทย์ (diagnosticians), ผู้จัดการระดับกลาง และแม้แต่การสร้างสรรค์สื่อบันเทิงระดับมืออาชีพ ซึ่งในอดีตถือเป็น "งานที่ปลอดภัย" มากกว่า

ผลกระทบที่สำคัญมีดังนี้:

• ค่าแรงและมูลค่าของแรงงานมนุษย์จะถูกกดดันอย่างต่อเนื่อง บางตำแหน่งอาจเห็นมูลค่าลดลงเชิงสัมบูรณ์ (negative value) หาก AI สามารถทำงานได้ดีกว่าในทุกมุม
• การจ้างงานจะมีลักษณะ "การพังทลายเป็นก้อน" (phase transition): เมื่อคู่แข่งใช้ AI และลดต้นทุนได้อย่างมาก การปลดพนักงานจะเกิดขึ้นเป็นกลุ่ม และไม่กลับมาในระดับเดิม
• สาขาที่มีการลงทุนสูงในโครงสร้างพื้นฐานหรือทุนผูกพัน เช่น การผลิตเชิงกายภาพ อาจเปลี่ยนรูปแบบช้ากว่า แต่ท้ายที่สุดก็จะได้รับผลกระทบเชิงโครงสร้าง

ตัวเลขที่น่าตระหนัก

ตัวอย่างที่ Emad ให้คือความเป็นไปได้ของ Universal Basic Income (UBI) ในระดับที่เพียงพอต่อการเลี้ยงชีพ (ตัวอย่างเช่น $16,000 ต่อคนต่อปี ซึ่งใกล้เคียงกับ "poverty level") จะมีต้นทุนรวมสำหรับสหรัฐอเมริกามากถึงประมาณ $5 ล้านล้านต่อปี หากเทียบกับฐานภาษีของประเทศที่มีเพียงประมาณ $4.9 ล้านล้าน จะเห็นว่าการจัดสรรงบประมาณในรูปแบบนี้เป็นโจทย์ที่ท้าทายอย่างยิ่ง

ข้อมูลอื่น ๆ ที่น่าสังเกต ได้แก่ การเพิ่มขึ้นของการประกาศลดพนักงาน: ในห้าเดือนแรกของปี 2025 มีการประกาศปลดพนักงานโดยนายจ้างสหรัฐฯ เกือบ 700,000 คน หรือเฉลี่ยประมาณ 4,600 คนต่อวัน ตัวเลขนี้สะท้อนถึงแรงกดดันในตลาดแรงงานที่อาจถูกเร่งให้เร็วขึ้นจากการนำ AI มาใช้

ผลกระทบต่อระบบทุนนิยมและการกระจายทุน

คำถามสำคัญหนึ่งที่ถูกหยิบยกคือ: "ทุนนิยมจะอยู่รอดหรือไม่?" การตอบของ Emad มีความเฉพาะเจาะจง: หากนิยามทุนนิยมเป็นระบบที่ทุน (capital) สะสมและนำไปลงทุนเพื่อสร้างผลตอบแทน ทุนนิยมในรูปแบบที่เอื้อประโยชน์ต่อมนุษย์อาจไม่สามารถดำรงอยู่ได้ในสภาพที่ AI มีความสามารถเหนือมนุษย์อย่างกว้างขวาง

หลายปัจจัยที่นำไปสู่การเปลี่ยนแปลงเชิงโครงสร้างประกอบด้วย:

• ทุนย้ายไปสู่ "compute": ในปัจจุบันส่วนประกอบของมูลค่าที่สำคัญสำหรับบริษัทความรู้คือทรัพยากรการประมวลผล (GPUs, TPUs) และโมเดล (weights, datasets) มากกว่าการจ้างคนจำนวนมาก
• บริษัท AI เน้นการเติบโตรายได้และกระแสเงินสดมากกว่ากำไร: เช่นเดียวกับยุคของ Amazon ที่มุ่งจับลูกค้าและขยายส่วนแบ่งตลาด บริษัทยุค AI อาจไม่แสดงกำไรเพื่อหนีภาษี แต่สร้างกระแสเงินสดเพื่อซื้อ compute เพิ่ม
• ฐานภาษีอาจหดตัว: หากบริษัทใช้ AI แทนคน บริษัทอาจจ้างคนน้อยลงและชำระภาษีน้อยลง ในขณะที่รายได้อาจไม่แพร่กระจายสู่แรงงาน

ผลลัพธ์เชิงเศรษฐกิจนี้อาจนำไปสู่ความไม่เท่าเทียมที่ขยายตัว: ทรัพย์สินและทุนที่สามารถซื้อ compute จะเพิ่มมูลค่า ในขณะที่ผู้ที่พึ่งพิงค่าแรงจะสูญเสียความสามารถในการซื้อสินค้าและความมั่นคงทางเศรษฐกิจ

ความเสี่ยงของความรุนแรงและการแตกหักทางสังคม

Emad และ Tom ต่างยอมรับว่าในช่วงการเปลี่ยนผ่าน น่าจะเกิดความไม่แน่นอนและสถานการณ์รุนแรงในบางภูมิภาคหรือบางกลุ่มได้ โดยปัจจัยเสี่ยงหลักได้แก่:

• การสูญเสียความหมายและอัตลักษณ์ที่เคยผูกกับการทำงาน — งานเป็นช่องทางหนึ่งของการสร้างตัวตนและความเชื่อมโยงทางสังคม การหายไปของงานที่จ่ายค่าตอบแทนเหมาะสมอาจทำลายสัญญาสังคม
• ความไม่เท่าเทียมของการเข้าถึง compute และ AI — ประเทศหรือองค์กรที่ครอบครองทรัพยากรการประมวลผลมากที่สุดจะมีอำนาจสูงสุด
• การเมืองแบบแบ่งขั้ว — เมื่อเศรษฐกิจที่ดีบนกระดาษ (เช่น GDP เติบโต) ไม่ได้สอดคล้องกับความเป็นจริงของคนส่วนใหญ่ จะเกิดช่องว่างระหว่าง "ยอดบน" และ "ฐานล่าง" ของสังคม

Emad ยกตัวอย่างในประวัติศาสตร์ เช่น เยอรมนีหลังสงครามโลกครั้งที่หนึ่ง ที่เมื่อเศรษฐกิจหลักถูกทำลายจนประชาชนรู้สึกไม่มั่นคง ทางเลือกทางการเมืองสุดโต่งก็สามารถครองใจได้ง่าย — นี่คือ "เชื้อไฟ" ที่ความไม่พอใจอาจกลายเป็นความรุนแรง

ทางออกเชิงนโยบาย: แนวคิด Universal AI และปฏิรูปการหมุนเวียนเงิน

Emad นำเสนอแนวทางแก้ปัญหารูปแบบหนึ่งที่ผสมระหว่างเทคโนโลยีและการเงินสาธารณะ โดยมีสองแนวคิดหลัก:

1. Universal AI (AI สาธารณะ/AI เชิงอำนาจพลเมือง)
   แนวคิดคือการให้ "AI ที่เป็นของเรา" (a sovereign AI) แก่ประชาชนทุกคน เพื่อเป็น "ผู้ช่วย" ส่วนตัวที่ช่วยเสริมความสามารถ (capability) และยืนยันความเป็นมนุษย์เมื่อมีการสื่อสารกับระบบดิจิทัลต่าง ๆ Emad เห็นว่า Universal AI จะช่วยลดช่องว่างในการเข้าถึงความรู้และบริการ การมี AI ส่วนตัวที่ออกแบบมาเพื่อผลประโยชน์ของผู้ใช้และชุมชน จะทำให้มนุษย์สามารถแข่งขันกับระบบที่ใช้ AI ได้อย่างแข็งแรงขึ้น
2. ปฏิรูปการสร้างเงิน (Monetary issuance)
   แทนที่จะให้การสร้างเงินทั้งหมดผ่านระบบธนาคารโดยอาศัยการให้สินเชื่อ (credit creation) — Emad เสนอการพิจารณาวิธีที่ "เงินจะถูกสร้างเมื่อมนุษย์ใช้ AI" หรือ "การผูกเงินกับการใช้งาน AI ที่ถูกยืนยันว่าเป็นมนุษย์" แนวคิดนี้พยายามหลีกเลี่ยงภาระทางการคลังในการจ่าย UBI แบบเดิม ๆ ที่พึ่งพาภาษีสูงและหนี้สาธารณะ

Emad ยังพูดถึงความเป็นไปได้ของสกุลเงินดิจิทัลชนิดใหม่ เช่น "Foundation Coin" และ "Culture Coins" ซึ่งมีบทบาทแตกต่างกัน: Foundation Coin อาจทำหน้าที่เป็นชนิดของ 'gold-like' asset (store of value) ที่รายได้จากการขายเหรียญถูกนำไปซื้อ compute และใช้ในการประโยชน์สาธารณะ (เช่น วิจัยมะเร็ง, การศึกษา), ขณะที่ Culture Coins อาจเป็นสกุลเงินที่สร้างขึ้นตามกิจกรรมวัฒนธรรมและการมีส่วนร่วมของมนุษย์

ความท้าทายเชิงปฏิบัติ

แนวคิดเหล่านี้ฟังดูน่าสนใจ แต่มีอุปสรรคเชิงปฏิบัติจำนวนมาก:

• การพิสูจน์ความเป็นมนุษย์ (human verification): วิธีใดที่จะยืนยันได้ว่า "การใช้ AI" มาจากมนุษย์จริงและไม่ถูกสวมรอยโดย AI อื่น?
• การออกแบบสิทธิ์และการกำกับดูแล: ใครควบคุม Universal AI และควรมีกรอบการกำกับดูแลอย่างไรเพื่อป้องกันการแทรกแซงหรือการแสวงประโยชน์?
• แรงจูงใจทางการเงิน: หากบริษัทยักษ์ใหญ่สามารถหนีภาษีโดยไม่แสดงกำไร แต่ยังคงขยายฐานการใช้งาน AI ได้ รัฐจะหาทางเพิ่มรายได้อย่างไร?

สงครามเพื่อ compute และการเป็นเจ้าของข้อมูล

บนเวทีระหว่างประเทศ ความได้เปรียบเชิงเปรียบเทียบจะเริ่มย้ายจาก "ทรัพยากรธรรมชาติ" ไปเป็น "ทุนสติปัญญา" ซึ่งปัจจัยที่กำหนดได้แก่ปริมาณและคุณภาพของ compute, โมเดล, และข้อมูล

Emad ชี้ว่า จีนมีแนวทางที่ชัดเจน: ลงทุนใน AI และเปิดตัวโมเดลต้นทุนต่ำ (cost-effective) ซึ่งช่วยให้จีนสามารถแข่งขันได้ไม่แพ้ตะวันตก ในขณะเดียวกัน สหรัฐอเมริกายังคงเป็นสนามแข่งของความสามารถเช่นการรวบรวมผู้มีความสามารถสูง แต่ข้อจำกัดด้านการส่งออก GPU และเทคโนโลยีขั้นสูงไปยังจีนก็แสดงถึงความตึงเครียดระดับโลกที่จะเพิ่มขึ้น

นอกจากนี้ยังมีความเสี่ยงเรื่อง "AI warfare" และการโจมตีระบบดิจิทัลผ่าน prompt injection หรือการฝังคำสั่งอันตรายในชุดข้อมูล — ตัวอย่างเช่นงานวิจัยที่ชี้ว่าโมเดลบางตัวอาจถูกฝัง 'trigger' ให้ทำงานอันตรายเมื่อเจอโค้ดหรือคำสั่งบางรูปแบบ

คำแนะนำ: ทำอย่างไรถึงจะอยู่รอดและเติบโต

สำหรับผู้ฟังทั่วไปและนักศึกษาที่กำลังเตรียมตัวเข้าสู่ตลาดแรงงาน Emad ให้คำแนะนำเชิงกลยุทธ์ที่สามารถใช้งานได้จริง:

• เรียนรู้และใช้งาน AI อย่างสม่ำเสมอ: ผู้ที่ใช้ AI เป็นประจำจะมีความได้เปรียบมากกว่าผู้ที่ไม่ใช้ — การใช้ AI เป็นทักษะพื้นฐาน (basic literacy)
• สร้างและบำรุงเครือข่าย (network capital): เครือข่ายที่แข็งแกร่งยังคงเป็นปัจจัยป้องกันความเปราะบาง เพราะเครือข่ายคือช่องทางเข้าถึงโอกาสและทรัพยากรใหม่ ๆ
• เพิ่มความหลากหลายในทักษะและรายได้: เน้นที่ความยืดหยุ่นและ portfolio ของทักษะ แทนที่จะพึ่งพางานประเภทเดียว
• เตรียมพร้อมทางจิตวิทยา: ตั้งคำถามกับการนิยามตัวตนที่ผูกติดกับหน้าที่การงานและหาวิถีสร้างความหมายใหม่
• พิจารณาเส้นทางไปยังภาคสาธารณะหรือตำแหน่งที่ได้รับการคุ้มครอง: งานในภาครัฐหรือสหภาพแรงงานอาจมีความมั่นคงมากกว่าในระยะกลาง

ภาวะการเปลี่ยนผ่าน: ระยะสั้น เทียบกับ ระยะยาว

Emad เน้นว่าการเปลี่ยนผ่านที่จะมาถึงอาจมีลักษณะเป็นสองเฟส: ระยะสั้นเป็นการ "สั่นสะเทือน" (turbulence) ที่เราจะเห็นการปลดคนเป็นวงกว้างในบางอุตสาหกรรม และการเพิ่มขึ้นของความไม่แน่นอนทางสังคม ระยะยาวอาจนำไปสู่การออกแบบระบบเศรษฐกิจใหม่ที่เน้นการกระจายขีดความสามารถทางสติปัญญา (capability) และการประกันฐานะขั้นต่ำทางเศรษฐกิจในรูปแบบที่ยั่งยืนกว่า

รุ่นกลางของการเปลี่ยนผ่านอาจเกิดการทดลองตัวแบบต่าง ๆ: ระบบสกุลเงินดิจิทัลของรัฐ (CBDC), การทดลอง UBI แบบจำกัดพื้นที่, หรือการรวมตัวของโมเดลสาธารณะ และเอกชนในการให้บริการ AI แก่ประชาชน ตัวแปรสำคัญที่กำหนดผลลัพธ์คือความสามารถของสังคมในการออกแบบสัญญาสาธารณะ (social contract) ใหม่ และการตัดสินใจร่วมกันว่าจะทำให้ AI ถูกใช้เพื่อผลประโยชน์สาธารณะอย่างไร

คำถามเชิงวิชาการที่ควรศึกษาเพิ่มเติม

บทสนทนาของ Emad ยกคำถามเชิงวิชาการหลายประการที่เหมาะแก่การศึกษาเชิงลึก:

1. การวัด "สติปัญญา" ในระดับเศรษฐกิจ: เราจะออกแบบดัชนีการวัดความสามารถในการพยากรณ์ (predictive capacity) ของสังคมได้อย่างไร?
2. ทฤษฎีการจัดสรรทุนใหม่: ในระบบที่ compute เป็นปัจจัยหลักของการสร้างมูลค่า ทฤษฎีการจัดสรรทุนแบบดั้งเดิมต้องถูกปรับอย่างไร?
3. การออกแบบนโยบายสกุลเงินและภาษีในยุค AI: อะไรคือโมเดลที่ยั่งยืนเมื่อบริษัทมีแรงจูงใจที่จะหนีการเสียภาษีโดยการลงทุนใน compute แทนการจ่ายค่าจ้าง?
4. การกำกับดูแลโมเดล AI แบบกระจายและการป้องกัน prompt injection: เทคนิครักษาความมั่นคงและความปลอดภัยของระบบ AI ระดับชาติควรมีอะไรบ้าง?

ประเด็นความเป็นไปได้ของ "Universal AI" และรูปแบบของเงิน

แนวคิด Universal AI และการผูกการออกเงินกับการใช้งาน AI ของมนุษย์เป็นนวัตกรรมเชิงแนวคิดที่ท้าทาย แต่ยังมีคำถามทางปฏิบัติและจริยธรรม:

• ใครเป็นผู้ออกแบบอัลกอริธึมของ Universal AI และใครเป็นผู้กำหนดค่าความเป็น "aligned" (ความสอดคล้องกับคุณค่ามนุษย์)?
• จะมีการเปิดเผยการทำงาน (transparency) และความสามารถในการตรวจสอบ (auditability) อย่างไร เพื่อป้องกันการก้าวล่วงสิทธิ์หรือการบิดเบือนข้อมูล?
• การสร้างเงินโดย "การใช้งาน AI" จะไม่ถูกกดดันให้เกิดการปลอมแปลงหรือการหาช่องโหว่ทางเทคนิคเพื่อผลิตเงิน — ดังนั้นระบบพิสูจน์ตัวตนและการตรวจสอบต้องเข้มแข็ง

นอกจากนี้ ความเสี่ยงเชิงการเมืองที่เกี่ยวข้องกับการรวม compute เข้ากับอำนาจรัฐหรือกลุ่มทุนยักษ์ใหญ่ไม่ควรถูกมองข้าม: หากการเข้าถึง compute กลายเป็นปัจจัยการครอบงำทางเศรษฐกิจ การกดขี่เชิงเทคโนโลยีก็อาจกลายเป็นรูปแบบใหม่ของอำนาจ

สรุปแนวคิดหลักและข้อเสนอแนะเชิงปฏิบัติ

การสนทนาระหว่าง Emad Mostaque และ Tom Bilyeu ให้ข้อสรุปเชิงนโยบายและแนวคิดต่อไปนี้เป็นหลัก:

• เรากำลังเผชิญกับการเปลี่ยนผ่านเชิงโครงสร้าง — AI กำลังลดต้นทุนของ "ความฉลาด" ลงอย่างรวดเร็ว ส่งผลให้แรงงานความรู้ที่สามารถเอาท์ซอร์สไปยัง AI ถูกลดความสำคัญ
• GDP เป็นตัวชี้วัดที่ไม่พอ — ต้องมีดัชนีแบบ MIND (Material, Intelligence, Network, Diversity) เพื่อวัดความสามารถของสังคมในการรับมือกับช็อก
• ทุนนิยมจะเปลี่ยนรูปแบบ — ทุนนิยมยังไม่ตาย แต่รูปแบบการสะสมและการใช้ทุนจะย้ายไปสู่ compute และโมเดล AI
• ความไม่แน่นอนทางสังคมมีความเป็นไปได้สูง — ความไม่มั่นคงในงานและความหมายอาจนำไปสู่ความไม่สงบหากไม่มียุทธศาสตร์รองรับ
• ทางออกบางส่วนคือการออกแบบสถาบันใหม่ — เช่น Universal AI, การกระจาย compute เพื่อบริการสาธารณะ, การออกแบบรูปแบบการสร้างเงินใหม่ที่ไม่พึ่งพาหนี้อย่างเดิม
• คำแนะนำเชิงปัจเจก — เรียนรู้ใช้ AI, สร้างเครือข่าย, เพิ่มความหลากหลายของทักษะ, เตรียมความพร้อมทางจิตวิทยา

ท้ายที่สุดแล้ว การเปลี่ยนแปลงนี้ไม่ใช่เพียงเรื่องเทคโนโลยี แต่เป็นการท้าทายค่านิยมและสัญญาสังคมที่เราสร้างขึ้นมา: งานที่ให้ความหมาย การกระจายทรัพยากร ความไว้วางใจในสถาบัน และความสามารถในการจัดการร่วมกันของชุมชน ในขณะที่ AI ให้โอกาสมหาศาลในการจัดระเบียบข้อมูลและลดความผิดพลาดของการตัดสินใจ มนุษยชาติจำเป็นต้องคิดในเชิงออกแบบนโยบายและสถาบันเพื่อให้การเปลี่ยนผ่านนี้นำมาซึ่งความยั่งยืนและความเป็นอยู่ที่ดีของส่วนรวม ไม่ใช่เพียงกำไรของผู้ถือทุน

แหล่งข้อมูลเพื่อการอ่านต่อและการศึกษา

หัวข้อที่กล่าวถึงในบทความนี้เหมาะสำหรับการสำรวจเชิงวิชาการเพิ่มเติมในหลายสาขา ได้แก่:

• ทฤษฎีเศรษฐศาสตร์สารสนเทศ (information economics)
• ทฤษฎีการเงินเชิงสถาบัน (institutional finance)
• ปรัชญาจริยธรรม AI และการกำกับดูแลเทคโนโลยี
• การประเมินผลกระทบทางสังคม (social impact assessment) ของเทคโนโลยี
• การออกแบบนโยบายสาธารณะในยุคดิจิทัล

การทำความเข้าใจและเตรียมตัวต่อการเปลี่ยนแปลงนี้ต้องการการมีส่วนร่วมจากนักวิชาการ นักพัฒนาเทคโนโลยี ผู้นำองค์กร ภาครัฐ และประชาชนในวงกว้าง เพื่อออกแบบแนวทางที่สมดุลและเป็นธรรม

คำถามให้คิดและอภิปรายสำหรับชั้นเรียนหรือการวิจัย

1. เราจะออกแบบดัชนี MIND ให้เป็นตัวชี้วัดที่ปฏิบัติได้จริง ๆ อย่างไร และมีตัวแปรอะไรบ้างที่ควรรวม?
2. รูปแบบการจัดเก็บและการแจกจ่าย compute ในระดับชาติหรือระดับโลกควรเป็นอย่างไร เพื่อหลีกเลี่ยงการผูกขาดและการกดขี่?
3. การเปลี่ยนการออกเงินไปผูกกับการใช้ AI ของมนุษย์จะนำไปสู่ปัญหาทางเทคนิคหรือเชิงจริยธรรมอย่างไร?
4. ภารกิจรัฐในยุค AI ควรถูกนิยามใหม่อย่างไร เพื่อปกป้องความมั่นคงพื้นฐานและเสรีภาพพื้นฐานของประชาชน?

"ระบบที่อยู่รอดได้ดีที่สุดคือระบบที่ภายในมีแบบจำลองของความเป็นจริงที่ดีที่สุด" — แนวคิดศูนย์กลางของ Intelligence Theory ที่เชื่อมโยงคณิตศาสตร์ของการเรียนรู้กับเศรษฐกิจ

ในช่วงเวลาที่การพัฒนา AI ก้าวกระโดด การสนทนาเช่นนี้มีความสำคัญต่อการกำหนดทิศทางของนโยบายและการเตรียมความพร้อมของประชาคมโลก บทความนี้หวังว่าจะช่วยให้ผู้อ่านมีกรอบคิดที่แข็งแรงขึ้นในการประเมินสถานการณ์และเตรียมตัวรับมือกับความท้าทายที่กำลังจะมาถึง

ข้อมูลเพิ่มเติม

หากคุณต้องการสำรวจแนวคิดเชิงลึกเพิ่มเติม แนะนำให้อ่านต้นฉบับของ Emad Mostaque ในหนังสือและบทความที่เกี่ยวข้องกับหัวข้อ "The Last Economy" และศึกษาเอกสารทางวิชาการด้าน AI governance, monetary theory, และการออกแบบสถาบันสาธารณะในยุคดิจิทัล