211service.com
Une IA peut simuler une économie des millions de fois pour créer une politique fiscale plus juste
Tony Webster/Flickr
L'inégalité des revenus est l'un des problèmes majeurs de l'économie. L'un des outils les plus efficaces dont disposent les décideurs pour y faire face est la fiscalité : les gouvernements collectent l'argent des gens en fonction de ce qu'ils gagnent et le redistribuent soit directement, via des régimes de protection sociale, soit indirectement, en l'utilisant pour financer des projets publics. Mais bien que plus d'imposition puisse conduire à une plus grande égalité, trop imposer les gens peut les décourager de travailler ou les motiver à trouver des moyens d'éviter de payer, ce qui réduit le pot global.
Trouver le bon équilibre n'est pas facile. Les économistes s'appuient généralement sur des hypothèses difficiles à valider. Le comportement économique des gens est complexe et la collecte de données à ce sujet est difficile. Des décennies de recherche économique ont lutté pour concevoir la meilleure politique fiscale, mais cela reste un problème ouvert.
Les scientifiques de la société américaine de technologie d'entreprise Salesforce pensent que l'IA peut aider. Dirigée par Richard Socher, l'équipe a développé un système appelé le Économiste IA qui utilise l'apprentissage par renforcement - le même type de technique derrière AlphaGo et AlpahZero de DeepMind - pour identifier les politiques fiscales optimales pour une économie simulée. L'outil est encore relativement simple (il n'y a aucun moyen qu'il puisse inclure toutes les complexités du monde réel ou du comportement humain), mais c'est une première étape prometteuse vers l'évaluation des politiques d'une manière entièrement nouvelle. Ce serait formidable de rendre la politique fiscale moins politique et davantage axée sur les données, déclare Alex Trott, membre de l'équipe.
Dans un des premiers résultats, l'IA a trouvé une politique qui, en termes de maximisation de la productivité et de l'égalité des revenus, était 16 % plus juste qu'un cadre fiscal progressif de pointe étudié par des économistes universitaires. L'amélioration par rapport à la politique américaine actuelle était encore plus grande. Je pense que c'est une idée tout à fait intéressante, déclare Blake LeBaron de l'Université Brandeis dans le Massachusetts, qui a utilisé des réseaux de neurones pour modéliser les marchés financiers.
Dans la simulation, quatre travailleurs de l'IA sont chacun contrôlés par leurs propres modèles d'apprentissage par renforcement. Ils interagissent avec un monde bidimensionnel, rassemblant du bois et de la pierre et échangeant ces ressources avec d'autres ou les utilisant pour construire des maisons, ce qui leur rapporte de l'argent. Les travailleurs ont des niveaux de compétence différents, ce qui les amène à se spécialiser. Les travailleurs peu qualifiés apprennent qu'ils réussissent mieux s'ils rassemblent des ressources, et les plus qualifiés apprennent qu'ils réussissent mieux s'ils achètent des ressources pour construire des maisons. À la fin de chaque année simulée, tous les travailleurs sont imposés à un taux conçu par un décideur contrôlé par l'IA, qui exécute son propre algorithme d'apprentissage par renforcement. L'objectif du décideur est d'augmenter à la fois la productivité et les revenus de tous les travailleurs. Les IA convergent vers un comportement optimal en répétant la simulation des millions de fois.
Les deux modèles d'apprentissage par renforcement partent de zéro, sans aucune connaissance préalable de la théorie économique, et apprennent à agir par essais et erreurs, de la même manière que les IA de DeepMind apprennent, sans intervention humaine, à jouer au go et aux échecs à des niveaux surhumains. .
Pouvez-vous apprendre beaucoup de seulement quatre travailleurs de l'IA ? En théorie, oui, car de simples interactions entre une poignée d'agents conduisent vite à des comportements très complexes. (Pour toute sa complexité, Go n'implique toujours que deux joueurs, par exemple.) Même ainsi, toutes les personnes impliquées dans le projet s'accordent à dire que l'augmentation du nombre de travailleurs dans la simulation sera essentielle si l'outil doit modéliser des scénarios réalistes.
Jouer le système
La double dose d'IA est la clé. Les réseaux de neurones ont déjà été utilisés pour contrôler des agents dans des économies simulées. Mais faire du décideur politique une IA conduit également à un modèle dans lequel les travailleurs et le décideur politique s'adaptent continuellement aux actions de chacun. Cet environnement dynamique était un défi pour les modèles d'apprentissage par renforcement, car une stratégie apprise dans le cadre d'une politique fiscale peut ne pas fonctionner aussi bien dans le cadre d'une autre. Mais cela signifiait également que les IA trouvaient des moyens de déjouer le système. Par exemple, certains travailleurs ont appris à éviter l'impôt en réduisant leur productivité pour se qualifier pour une tranche d'imposition inférieure, puis en l'augmentant à nouveau. L'équipe Salesforce affirme que ce compromis entre les travailleurs et les décideurs politiques conduit à une simulation plus réaliste que tout ce qui a été réalisé par les modèles précédents, où les politiques fiscales sont généralement fixes.
La politique fiscale proposée par AI Economist est un peu inhabituelle. Contrairement à la plupart des politiques existantes, qui sont soit progressives (c'est-à-dire que les hauts revenus sont davantage imposés) soit régressives (les hauts revenus sont moins imposés), la politique de l'AI a bricolé des aspects des deux, appliquant les taux d'imposition les plus élevés aux riches et aux pauvres et les plus bas. aux travailleurs à revenu moyen. Comme de nombreuses solutions proposées par les IA - comme certains des mouvements gagnants d'AlphaZero - le résultat semble contre-intuitif et non quelque chose qu'un humain aurait pu imaginer. Mais son impact sur l'économie a réduit l'écart entre les riches et les pauvres.
Pour voir si la politique fiscale générée par l'IA influencerait le comportement humain de la même manière, l'équipe l'a testée sur plus de 100 travailleurs participatifs embauchés par l'intermédiaire de Mechanical Turk d'Amazon, à qui on a demandé de prendre le contrôle des travailleurs dans la simulation. Ils ont constaté que la politique encourageait les humains à jouer à peu près de la même manière que les IA, suggérant - du moins en principe - que l'économiste de l'IA pourrait être utilisé pour influencer l'activité économique réelle.
Peaufinage sans fin
Un autre avantage d'une simulation alimentée par l'IA est que vous pouvez modifier les paramètres pour explorer différents scénarios. Par exemple, il serait possible de modéliser l'impact d'une pandémie en ajoutant des contraintes telles que la distanciation sociale et l'accès restreint aux ressources, ou en retirant des personnes de la population active. Il est difficile de proposer des théories fiscales optimales basées sur le passé si l'avenir est très différent, dit Socher.
La capacité de la simulation à modéliser le changement est un gros plus, dit LeBaron : C'est assez intéressant de voir les travailleurs s'adapter au code des impôts. Cela contourne l'une des principales critiques des modèles fiscaux existants dans lesquels le comportement est généralement fixe, dit-il.
La principale réserve de LeBaron est le petit nombre d'agents auxquels l'outil est limité jusqu'à présent. Il y a des gens qui soutiennent que vous pouvez obtenir des connaissances intellectuelles approfondies avec seulement quelques agents, dit-il. Je ne suis pas l'un d'entre eux. Il aimerait le voir simuler environ 100 travailleurs, ce qui est également un chiffre que l'équipe Salesforce vise.
Mais LeBaron pense que l'outil pourrait déjà être utilisé pour vérifier la validité des modèles économiques existants : si j'étais un décideur, j'allumerais cette chose pour voir ce qu'elle dit. Si l'IA Economist n'était pas d'accord avec d'autres modèles, cela pourrait être un signe que ces autres modèles manquaient quelque chose, dit-il.
David Parkes, informaticien et économiste à l'Université de Harvard qui a collaboré avec l'équipe de Salesforce, est également optimiste. Il convient qu'ils doivent augmenter considérablement le nombre d'agents. Mais une fois qu'ils ont fait cela et ajouté quelques fonctionnalités supplémentaires telles que les entreprises à la simulation, il prévoit de pouvoir reproduire les résultats théoriques existants. Ensuite, cela devient immédiatement utile, dit-il.
Doyne Farmer, économiste à l'Université d'Oxford, est cependant moins convaincu. Bien qu'il se félicite du croisement de l'apprentissage par renforcement des jeux vers l'économie - il s'agit de savoir si vous pouvez enquêter sur les politiques de la même manière qu'AlphaZero joue au Go - il pense qu'il faudra un certain temps avant que l'outil ne soit réellement utile. Le monde réel est bien trop compliqué, dit-il.
L'équipe admet que certains économistes auront besoin d'être persuadés. À cette fin, ils publient leur code et invitent les autres à y exécuter leurs propres modèles. À long terme, cette ouverture sera également un élément important pour rendre ces outils dignes de confiance, déclare Socher. Si vous utilisez une IA pour recommander que certaines personnes obtiennent des impôts inférieurs ou supérieurs, souligne-t-il, « vous feriez mieux de pouvoir dire pourquoi ».