Широко распространяемое исследование MIT CSAIL и Sloan об автоматизации компьютерного зрения вновь появилось в последних лентах об ИИ, продвигая контрарный взгляд на занятость: техническая применимость не равна экономическому вытеснению. Речь не о том, что камеры не умеют видеть. Речь о том, что способность видеть не означает самоокупаемость. Исследователи, смоделировавшие затраты на установку и эксплуатацию, обнаружили, что лишь примерно 23% заработной платы в США, связанной с задачами компьютерного зрения, сегодня выглядит рентабельной для автоматизации. После учета камер, моделей и обслуживания большинство компаний по-прежнему предпочло бы людей.
В этом и состоит весь аргумент, которого достаточно, чтобы объяснить, почему статья снова набирает обороты. Последние ленты об ИИ обычно не задерживаются на моделях затрат. Они задерживаются на демонстрациях. Это исследование — полная противоположность демонстрации. Оно спрашивает, что происходит, когда компании приходится купить весь стек, поддерживать его работу и при этом по-прежнему оплачивать труд, которого компьютерное зрение не затронуло. Ответ, согласно расчетам MIT CSAIL и Sloan, таков: большая часть фонда оплаты труда, связанного с работой в сфере компьютерного зрения, сегодня не выглядит выгодной для замены машинами.
Техническая применимость — не экономическое вытеснение
История о занятости, которая отказывается от привычного упрощения
Контрарный взгляд на занятость сформулирован без прикрас: техническая применимость не равна экономическому вытеснению. Техническая применимость — это знакомая карта. Она показывает, какие задачи способна выполнять система, какие профессии включают эти задачи и какие работники поэтому оказываются под угрозой. Экономическое вытеснение — другая карта. Она спрашивает, какие из этих задач компания действительно забрала бы у человека после того, как в расчетах появились затраты на установку и эксплуатацию.
Исследование MIT CSAIL и Sloan об автоматизации компьютерного зрения относится ко второй карте. Компьютерное зрение — один из наиболее зрелых сегментов прикладного ИИ. Камеры относительно дешевы по сравнению с фабрикой. Модели могут классифицировать, обнаруживать и проверять. Именно эта зрелость делает вывод статьи контрарным. Если какой-либо класс задач уже должен был перейти черту экономического вытеснения, то задачи компьютерного зрения были бы среди главных кандидатов. Исследование говорит, что это не так — не в том масштабе, который предполагают карты технической применимости, и не сегодня.
Фраза широко распространяемое в начале текста не случайна. Исследование не преподносится как совершенно новая утечка. Оно воспринимается как вывод, который вновь и вновь всплывает, когда спор о занятости обостряется. Последние ленты об ИИ в субботний вечер — особый вид распространения: короткие резюме, резкие контрасты и фраза, способная разлететься. Здесь разлетается фраза, отказывающаяся от упрощения. Техническая применимость — не замена. Возможность — не заказ на покупку.
Этот отказ важен для понимания остальных чисел. Исследование не утверждает, что автоматизация компьютерного зрения невозможна. Оно не утверждает, что ИИ никогда не заменяет труд. Оно утверждает, что при моделировании затрат на установку и эксплуатацию лишь меньшая часть соответствующего фонда заработной платы выглядит рентабельной для автоматизации сегодня. Остальная часть остается за людьми, потому что счет оказывается больше той строки расходов на труд, которую компания могла бы исключить.
Лишь примерно 23% выглядит рентабельным для автоматизации сегодня
Доля заработной платы, сохраняющаяся после расчета затрат
Исследователи обнаружили, что лишь примерно 23% заработной платы в США, связанной с задачами компьютерного зрения, сегодня выглядит рентабельной для автоматизации. Это доля заработной платы, а не компаний и не профессий. Это часть американского фонда оплаты труда, относящаяся к работе с компьютерным зрением, которая остается экономически оправданной после оценки стоимости системы. Примерно 23% — это не половина. Это не большинство. Это меньшая доля фонда заработной платы, связанного с компьютерным зрением.
Именно оставшаяся часть сильнее всего влияет на спор о занятости. Если сегодня рентабельной выглядит лишь примерно 23%, значит, большая часть — нет. Поэтому большинство компаний по-прежнему предпочло бы людей. В этой логике предпочтение — не вопрос чувств. Это результат сравнения затрат. Компания, предпочитающая людей, посмотрела на камеры, модели и обслуживание, добавила затраты на установку и эксплуатацию и решила, что человеческая зарплата по-прежнему является более дешевым способом выполнить работу.
Слово сегодня играет не меньшую роль, чем примерно 23%. Исследование не предсказывает, что эта доля неизменна. Это снимок того, что выглядит рентабельным при текущих ценах. Позже авторы утверждают, что для того, чтобы изменить расчеты, потребуются масштабирование ИИ как услуги или резкое снижение затрат. Показатель примерно 23% — это расчеты до такого перелома. Он показывает, что автоматизация компьютерного зрения одновременно технически доступна и экономически ограничена.
Заработная плата в США, связанная с задачами компьютерного зрения, — также ограниченный объект анализа. Исследование не оценивает все рабочие места в стране. Оно оценивает стоимость труда, связанного с работой, которую системы компьютерного зрения в принципе могли бы взять на себя. Даже внутри этой уже подверженной воздействию части лишь примерно 23% выглядит покупкой, которую компании стоит совершить сегодня. Контрарный взгляд на занятость строится на этом разрыве: широкая техническая карта, узкая экономическая карта и модель затрат между ними.
Камеры, модели и обслуживание учтены в цене
Почему большинство компаний по-прежнему предпочло бы людей
После учета камер, моделей и обслуживания большинство компаний по-прежнему предпочло бы людей. Эти три статьи расходов не позволяют исследованию скатиться в фантазию о программном обеспечении без остального мира. Система компьютерного зрения — это не просто модель. Это камера, которую нужно установить и настроить, модель, которую нужно обучить, откалибровать и обновлять, а также нагрузка по обслуживанию, которая не исчезает после успешной первой проверки.
Затраты на установку и эксплуатацию — это два счетчика в составе системы. Установка — первоначальные расходы: оборудование, интеграция, первоначальная настройка камер и моделей под производственную линию или магазин. Эксплуатация — постоянные расходы: обслуживание, обновления, сбои и сотрудники, которые следят за надежностью системы. Исследователи смоделировали и то и другое. Вывод о том, что компании предпочитают людей, возникает, когда обе статьи включены в цену, а сравнение проводится с заработной платой, а не с демонстрационным роликом.
Фраза «учтены в цене» помогает сохранить честность аргумента. Система, которая выглядит дешевой, если считать только модель, может оказаться дорогой, когда в расчет добавляются камеры и обслуживание. Большинство компаний в рамках исследования не отвергает автоматизацию компьютерного зрения из-за недоверия к технологии. Они отвергают ее или откладывают внедрение, потому что полная стоимость не ниже затрат на людей, которые уже выполняют эту работу. Это означает провал экономического вытеснения даже там, где присутствует техническая применимость.
Те же три статьи объясняют, почему национальная доля заработной платы, равная всего примерно 23%, может сосуществовать с потоком продуктов для компьютерного зрения. Продукты могут существовать. Поставщики могут продавать. Пилотные проекты могут работать. Вопрос MIT CSAIL и Sloan заключается в том, делает ли счет за эксплуатацию и установку, включая камеры, модели и обслуживание, замену труда рентабельной сегодня для всей заработной платы в США, связанной с задачами компьютерного зрения. Для большей части этого фонда ответ отрицательный, и большинство компаний по-прежнему предпочло бы людей.
Пример с пекарней и крошечная доля труда
Контроль качества с помощью компьютерного зрения редко окупается
Пример с пекарней показывает, что контроль качества с помощью компьютерного зрения составляет крошечную долю труда, поэтому ИИ редко окупается. Пекарня — не метафора. Это конкретная иллюстрация той же модели затрат на производстве. Контроль качества — классическая задача компьютерного зрения. Но в данном примере он составляет крошечную долю труда. Если задача, которую способен видеть ИИ, занимает лишь малую часть фонда заработной платы, ее автоматизация не позволяет сэкономить достаточно, чтобы покрыть расходы на камеры, модели и обслуживание.
Именно поэтому в условиях пекарни ИИ редко окупается. Система может быть точной. Ее можно установить. Но после учета затрат на установку и эксплуатацию она все равно должна превзойти стоимость крошечной доли труда. Крошечная доля — суровый знаменатель. Экономия от замены работы по контролю качества невелика, потому что эта работа никогда не составляла основную часть того, за что пекарня платит людям. Замешивание, перемещение, упаковка, продажи и прочий труд остаются. Доля, которую можно автоматизировать с помощью компьютерного зрения, существует, но она недостаточно велика, чтобы покрыть счет.
Таким образом, пекарня представляет более широкую закономерность в исследовании MIT CSAIL и Sloan. Об автоматизации компьютерного зрения часто говорят так, будто видимая задача и есть вся работа. Контроль качества с помощью компьютерного зрения заметен. Но в данном примере он невелик. Когда исследователи сопоставляют затраты на установку и эксплуатацию с такой небольшой целью экономии на труде, замена не проходит проверку на рентабельность. ИИ редко окупается не потому, что пекарни не могут использовать камеры, а потому, что камеры, применяемые к крошечной доле труда, не устраняют достаточно расходов на зарплаты.
Этот пример также не позволяет показателю примерно 23% оторваться от рабочего места. Национальная заработная плата в США, связанная с задачами компьютерного зрения, — агрегатный показатель. Пекарня — конкретное место. Там работа компьютерного зрения заключается в контроле качества, доля труда крошечна, а экономический результат таков: ИИ редко окупается. Если распространить ту же структуру на компании, где компьютерное зрение затрагивает лишь часть работы, становится понятнее, почему большинство компаний по-прежнему предпочло бы людей, даже когда технология работает.
Постепенное вытеснение и то, что изменит расчеты
Масштабирование ИИ как услуги или резкое снижение затрат
Авторы утверждают, что вытеснение будет постепенным, а для того, чтобы изменить расчеты, потребуются масштабирование ИИ как услуги или резкое снижение затрат. Постепенность — вывод о занятости, следующий из доли 23% сегодня и из примера с пекарней, где компьютерное зрение составляет крошечную долю труда. Если лишь меньшая часть заработной платы, связанной с компьютерным зрением, выглядит рентабельной для автоматизации сегодня, волна замены не будет переключателем. Это процесс, ожидающий изменения цен.
Масштабирование ИИ как услуги — один из способов изменить эти цены. Вместо того чтобы каждой компании покупать камеры, обучать модели и самостоятельно нести расходы на обслуживание, сервис может распределить затраты на установку и эксплуатацию между множеством клиентов. В таком прочтении масштаб — это не более крупная модель. Это более дешевый способ предоставлять ту же автоматизацию компьютерного зрения, чтобы большая часть фонда заработной платы начала выглядеть рентабельной для автоматизации. Пока такого масштаба нет, расчеты на сегодня сохраняются.
Резкое снижение затрат — другой путь. Если камеры, модели и обслуживание значительно подешевеют, большая часть заработной платы в США, связанной с задачами компьютерного зрения, перейдет от варианта предпочесть людей к варианту автоматизировать. Авторы не считают, что такое снижение уже гарантировано. Они рассматривают его как условие, необходимое, чтобы изменить расчеты. Без масштабирования ИИ как услуги или резкого снижения затрат доля примерно 23% остается той частью, которую имеет смысл покупать, а вытеснение будет постепенным.
Постепенное вытеснение — это также утверждение о времени. Техническая применимость может резко вырасти с выпуском новой модели. Экономическое вытеснение происходит тогда, когда затраты на установку и эксплуатацию достаточно снижаются или масштабирование сервиса меняет тех, кто их оплачивает. Авторы MIT CSAIL и Sloan утверждают, что именно вторые часы задают темп для занятости. Первые объясняют, почему последние ленты об ИИ продолжают ожидать внезапного перелома. Вторые объясняют, почему контрарный взгляд на занятость в исследовании говорит, что перелом не наступил сегодня.
Время для политики и переобучения
Что медленный счет оставляет в календаре
Те же авторы говорят, что постепенный путь оставляет время для политики и переобучения. Это публичное следствие модели затрат. Если вытеснение будет постепенным, поскольку лишь примерно 23% заработной платы в США, связанной с задачами компьютерного зрения, сегодня выглядит рентабельной для автоматизации, правительства и компании не столкнутся с мгновенным исчезновением всей работы, связанной с компьютерным зрением. Перед ними открывается окно возможностей.
Время для политики и переобучения — не утверждение о том, что политика уже применялась успешно. Это утверждение о том, что экономика автоматизации компьютерного зрения, смоделированная через затраты на установку и эксплуатацию, не требует немедленной замены большей части затронутого фонда заработной платы. После учета камер, моделей и обслуживания большинство компаний по-прежнему предпочло бы людей. В пекарне контроль качества с помощью компьютерного зрения составляет крошечную долю труда, поэтому ИИ редко окупается. Вместе эти результаты оставляют время.
Время для политики — это время решить, как относиться к технологии, которая технически готова, но экономически применима лишь частично. Время для переобучения — это возможность переместить людей до того, как расчеты изменятся. Сам перелом, повторим, не предполагается автоматически. Он зависит от масштабирования ИИ как услуги или резкого снижения затрат. Пока этого не произошло, исследование MIT CSAIL и Sloan говорит, что влияние автоматизации компьютерного зрения на занятость остается уже, чем карты технической применимости, а время для политики и переобучения сохраняется.
Именно поэтому широко распространяемая статья может снова появиться как новость в последних лентах об ИИ без нового показателя численности занятых. Повторное распространение связано с формой угрозы. История о внезапной замене не оставляет времени. История о постепенном вытеснении, основанная на выводе о 23% сегодня и на затратах, которые по-прежнему делают людей выгоднее, оставляет время для политики и переобучения. Контрарный взгляд на занятость — это, в конечном счете, история об этом оставшемся времени.
Для x.com сначала приходит счет
Вывод, который напрашивается сам
Для x.com вывод напрашивается сам: роботы идут, но сначала приходит счет. Эта фраза не является результатом исследования. Это готовое для ленты сжатое изложение его выводов. Роботы идут — половина про техническую применимость. Компьютерное зрение действительно способно видеть больше, чем раньше. Сначала приходит счет — половина про экономическое вытеснение. Затраты на установку и эксплуатацию, камеры, модели и обслуживание появляются раньше экономии на зарплатах, которая оправдала бы их для большей части труда, связанного с компьютерным зрением.
Поэтому исследование может быть широко распространенным и все равно ощущаться как новость последнего часа. x.com не нужны новые данные, чтобы запустить этот вывод. Нужен контраст: зрелый стек автоматизации компьютерного зрения, модель затрат MIT CSAIL и Sloan, примерно 23% заработной платы в США, которые выглядят рентабельными для автоматизации сегодня, и большинство компаний, которые по-прежнему предпочло бы людей. Добавьте пример с пекарней, где контроль качества с помощью компьютерного зрения составляет крошечную долю труда, а ИИ редко окупается, — и шутка про счет получает конкретную производственную сцену.
Этот вывод также соответствует более широкому тезису авторов. Если вытеснение будет постепенным, пока масштабирование ИИ как услуги или резкое снижение затрат не изменят расчеты, роботы могут продолжать приближаться в техническом смысле, а счет — по-прежнему приходить первым в экономическом смысле. Время для политики и переобучения существует в промежутке между этими двумя событиями. Контрарный взгляд на занятость заключается в том, чтобы считать этот промежуток самой историей, а не воспринимать техническую применимость как неизбежную судьбу.
Для этого не нужно выдумывать ни более масштабный крах, ни более масштабный бум. Исследование MIT CSAIL и Sloan об автоматизации компьютерного зрения говорит то, что говорит. Техническая применимость не равна экономическому вытеснению. Лишь примерно 23% соответствующей заработной платы в США выглядит рентабельной для автоматизации сегодня. После учета камер, моделей и обслуживания большинство компаний по-прежнему предпочло бы людей. Пекарня показывает, почему крошечная доля труда не сможет покрыть стоимость системы. Авторы утверждают, что остальное будет происходить постепенно, пока не появится масштабирование или резкое снижение затрат, и что эта задержка оставляет время для политики и переобучения. Для x.com этого уже достаточно для полноценного поста: роботы идут, но сначала приходит счет.