전기, 철강, 조립 라인, 증기 엔진을 포함하는 이전의 변혁적 기술들은 범용화를 통해 당 시대의 생산성을 크게 급등시켰다. 이와 필적할 만한 것으로 오늘날 인공지능이 있다. 인공지능은 오늘날 거의 모든 산업에 직간접적으로 변혁을 일으킬 거대한 잠재력을 갖고 있다. 핵심은 이전의 기술과 마찬가지로, 범용화 즉, 기능 향상과 비용에 있다. 이는 대량 시장으로의 도약에 이르는 궤적을 통해 이뤄질 것이다.

오늘날 기업들은 이 기술을 최대한 활용하는 데 필요한 데이터 세트와 역량을 수집하면서, 센서 기술, 클라우드 기반 인프라, 인공지능 가속기 하드웨어, 인공지능 소프트웨어 도구라는 놀라운 발전을 함께 이루고 있다.

‘노동 인구 통계’와 ‘고객 니즈’에 있어 이러한 트렌드를 가속화시킨 것은 코로나 팬데믹이다. 이는 오늘날 인공 지능에 기반하는 솔루션에 대한 기대가 예상보다 훨씬 더 커지고 있다는 것을 보여주고 있다.

또한 이것은 기술, 인구통계, 행동에 대한 일종의 통합, 즉 컨버전스인데, 이전 기술 경제 혁명에서도 보였던 특징이기도 하다. 그러나 반드시 주목해야 할 부분은 과거에 ‘전기의 발견과 솔루션’처럼, 어떤 근원적 발견과 그것의 경제적인 혁신 솔루션 사이의 간극이 동시에 연결되지는 않는다는 점이다.

전기로 비유하자면, 인공지능은 볼타(Volta)와 패러데이(Paraday)의 시대를 훨씬 넘어섰지만 이제 막 에디슨과 테슬라 시대로 접어들고 있다. 그리고 전기 조명, 영화, 전력 유틸리티 그리드와 같이 판도를 바꾸는 일상적 솔루션은 아직 초기 단계에 있다.

이러한 이유로 인해 많은 소비자, 관리자, 투자자는 인공지능이 ‘핵융합 전력’ 또는 ‘양자 컴퓨팅’만큼 과대 광고되었고, 아직은 시기상조라고 생각하는 것 같다.

하지만 기회와 위기의 측면에서 그 잠재력을 제대로 이해하려면 집적 회로, 철강과 마찬가지로 인공지능이 다면적인 범용 변혁 기술임을 인식하는 것이 중요하다. 인공지능은 상상할 수 없을 만큼 일련의 제품, 서비스, 비즈니스 프로세스, 산업을 변화시킬 잠재력을 가지고 있고, 그 잠재력의 일부는 현재로서는 예측조차 할 수 없을 정도다.

그에 비해 핵융합 전력은 더 저렴하고 깨끗한 전기 공급원이고, 양자 컴퓨팅은 이론적으로 중요하지만 고전 컴퓨팅에는 적합하지 않은 제한된 문제를 해결할 수 있는 도구에 불과하다.

따라서 현재는 인공지능이 언제 어디서 가장 큰 성공을 거둘지 예측하는 것이 중요하다. 이러한 이해를 바탕으로 인공지능이 더 넓은 경제 전반으로 그 포착된 가치를 어떻게 확산시킬 것인지를 고려해야 한다. 다행히도, 2023년 초에 이르러, 안개가 빠르게 걷히고 있어 기회와 위기에 대해 더 잘 이해할 수 있게 되었다.

우리가 알고 있는 사실과 역사가 보여준 교훈부터 시작해보자.

우리는 1930년에 대량생산 기술-경제 혁명의 과도기에 막 진입했었다. 이는 2001년의 디지털 기술-경제 혁명이 위치해있던 시기와 유사하다. 그러한 맥락 내에서, 저명한 경제학자 존 메이너드 케인즈(John Maynard Keynes)는 기술적 실업(technological unemployment)에 대한 일련의 예측을 내렸다. 그가 다음과 같이 기술한 것에서 발생하는 현상이었다.

“노동의 새로운 용도를 발견할 수 있는 속도를 능가하는, 노동사용을 절약하는 수단의 발견!”

케인즈의 예측이 옳았다면 미국인들은 1930년보다 더 많지는 않더라도 평균적으로 주당 많은 시간을 일하는 대신, 기술 변화로 인해 발생한 새로운 여가 시간을 어떻게 활용해야 할지 고민하였을 것이다. 알다시피, 몇몇 일자리는 미국에서 사라졌다. 그러나 실제로는 세계화가 세계화가 20세기 후반과 21세기 초반의 기술 덕분에 일자리를 더 비용 효율적인 곳으로 이동시켰다는 것이다.

그리고 상당 부분에 있어, 지난 30년 동안의 컴퓨팅 혁명 덕분에 적시 공급망의 세계화가 가능해졌다. 하지만 세계화가 미국을 비롯한 선진국에서 일자리를 없애는 효과는 이제 역전되고 있다.

국가 안보 문제와 인구 통계학적 트렌드가 OECD 국가들, 특히 북미 지역 전반에 갑자기 ‘재산업화(reindustrialization)를 요구하기 시작한 것이다. 이는 제2차 세계대전 이후 처음으로 '성장 모멘텀'이 서비스에서 상품으로 이동하고 있다는 의미이다. 그리고 이러한 변화는 선진국에게 ’생산성 향상‘을 요구하고 있다.

이 재산업화 시대는, 인공지능의 능력과 비용이 마침내 인공지능을 대규모로 혁신적 배치를 가능하게 할 때, 비로소 열릴 것이다.

하지만 변화 단계는 많은 정책 입안자와 관리자들에게 충격으로 다가올 것이다. 왜냐하면 전자상거래와 기타 영역에서 기초적 수준의 인공지능 초기 배치가 노동 생산성과 다요소 생산성 성장(multifactor productivity growth)과 같은 주요 노동 시장 성과 지표에 거의 영향을 끼치지 못했기 때문이다.

케인즈가 예상한 것과 똑같이, 인공지능 주도의 기술 변화가 ‘노동사용을 절약하는 새로운 수단을 가능하게 하여 노동의 새로운 용도를 발견할 수 있는 속도를 능가한다면’ 인공지능이 널리 보급됨에 따라 두 통계 모두 증가할 것으로 예상할 수 있다.

그러나 실제로는 OECD 국가에서 정반대의 일이 발생한 것으로 보인다. 즉, 인공지능이 등장했을 때 생산성 성장은 오히려 둔화되었던 것이다. 다시 말해, 우리는 인공지능과 컴퓨팅이 완전히 새로운 산업을 창출하는 것을 보고 있지만, 총 생산성 증가 수치는 오히려 더 느려졌다. 이 역설을 어떻게 설명해야 할까?

문제는 대체로 입력(inputs)과 출력(outputs)의 가치를 측정하고 포착하는 우리의 현재 능력과 관련이 있다.

18세기 후반 산업 혁명이 시작된 이래로, 우리 사회는 소위 ‘노동 총량 불변의 오류(lump of labor fallacy)’라는 반복적 오류를 범해왔다. 이 광범위한 경제적 오해는 1891년 경제학자 데이비드 슐로스(David Schloss)에 의해 처음 공식화되었다.

노동 총량 불변의 오류는, 시장에 존재하는 일의 양이 정해져 있어, 노동자 수가 늘어나면 일자리가 줄어든다고 생각하는 오류이다. 이것이 사실과 거리가 멀다는 증거가 있다.

우선 스프레드시트 소프트웨어 등장을 보자. 스프레드시트 소프트웨어는 회계사와 비즈니스 애널리스트들의 시장을 잠식했지만, 실제로 더 큰 시장을 만들었다. 간단한 사례 계산에서 해방되자, 남은 인력과 리소스는 더 복잡한 시나리오를 개발하는 데 배치되었다.

아마도 더 큰 요인으로, 총 생산성 수치에 있어 또 다른 요인은 일반적으로 인터넷 플랫폼 애플리케이션과 특히 ‘인공지능 기능’과 관련되어 생산성 향상 정량화가 어렵다는 데 있다.

GPS 내비게이션, 시리(Siri), 구글 검색, 구글 번역, 알렉사(Alexa), 소셜 미디어와 같은 애플리케이션과 다양한 제품 추천 엔진, 챗봇 및 구성 프로그램은 매년 최종 사용자에게 수조 달러의 가치를 창출시키지만, 대체로 무료로 제공되는 서비스로 그 운용비용은 마케팅 예산으로 충당된다. 그리고 이러한 서비스는 일반적으로 ‘세계 최초의 기능’을 제공하기 때문에, 이들이 노동력에 미치는 영향도 평가하기 어렵다.

따라서 지금까지 인공지능의 경제적 영향력은 상당했지만 정량화하기는 어려웠다. 그리고 인공지능이 상업과 노동력에 미치는 영향은 앞 세대의 기술 경제 혁명과 일반적으로 다르다. 인공지능이 가장 높은 단계 혹은 영역에 위치한 노동력에 가장 크고 즉각적인 영향을 미칠 것으로 나타난 것이 그 다른 점 중 하나이다.

즉, 임금이 낮고 이미 성숙한 산업은 적어도 단기적으로는 혼란을 겪을 가능성이 가장 낮다는 의미이다. 인공지능이 궁극적으로 택시 드라이버, 창고 직원, 트럭 운전사뿐만 아니라 제조, 소매, 개인 관리 및 식품 서비스 분야의 일반 노동자들에게 큰 영향을 미칠 것은 분명하다. 다만 지금 당장은 아니다.

그렇다면 인공지능은 우선적으로 어디에 가장 큰 영향을 미칠 것인가? 2020년대의 판도는, 상대적으로 새로운 전자 상거래 산업뿐만 아니라 과학 연구, 의학, 소프트웨어 개발, 엔지니어링 같은 분야일 것이다. 최근 수년 간 인간의 한계와 기술 부족으로 가장 제약을 많이 받은 영역이라면 더욱 그렇다.

일견 가장 위험에 처한 것으로 간주되었던 하위 분야의 노동자들에 대한 영향을 보자.

예를 들어, 자율 주행 자동차의 경우, 인공지능의 발전이 빠르게 이뤄지지 않고 있다. 더군다나 고속도로 자율주행 자동차 및 트럭과 관련된 책임 소재 요소가 너무나도 광범위한 문제가 있다. 기술은 입증되었지만 자율 주행 자동차가 작동할 제도적 환경을 정리하는 것은 여전히 난제인 상황인 것이다.

자율 주행 자동차를 운행하려면 복잡한 네트워크에서 상호 작용하는 수천 개의 소프트웨어 제어 센서와 프로세서도 필요하다. 차량이 보행자, 애완동물, 공, 날씨, 우발적 위험 요소, 기타 다른 차량들과 상호 작용할 때 발견할 수 있는 거의 무한에 가까운 상황들을 감지해내려면 이러한 기능들이 완벽하게 작동해야 한다. 더군다나 이러한 기능들의 일부는 사람이 제어해야 하는데, 이는 소프트웨어 및 하드웨어에 의해 실행되는 것보다 예측하기가 훨씬 더 어렵다.

가장 중요한 문제 중 하나는 무언가 잘못되었을 때 책임을 평가하는 데 있다. 자율 주행 자동차의 세계에서 인간 운전자가 없다면 사고가 난 경우 누가 책임을 져야 할까? 필수적인 안전 기능이 소프트웨어로 제어되는 경우, 올바른 버전의 소프트웨어가 로드되고 작동되고 있는지 누가 어떻게 알거나 확인할 수 있는가?

이러한 다양하고 어려운 문제로 인해, 교통 면허 당국은 적절한 규정을 마련하지 않고 이러한 차량이 도로에 나오도록 내버려두지 않을 것이다. 이러한 제도적 문제와 운영 문제가 완전히 해결될 때까지 트럭과 우버(Uber) 운전자는 충분한 직업 안정을 누릴 수 있을 것이다.

이는 무인 항공 택시도 마찬가지이다. 항공 택시 산업은 2025년부터 등장하여 향후 수십 년 동안 매우 빠르게 성장할 것으로 보인다. 이 항공기에는 처음에는 인간 조종사가 탑승할 것이다. 하지만 이후에도 이들은 원격 제어를 통해 여러 대의 반자율 항공기를 조종할 것으로 보인다.

이와 비슷한 이야기는 대부분의 다른 산업에서도 비슷하다. 센서 기술, 클라우드 기반 인프라, 인공지능 가속기 하드웨어, 인공지능 소프트웨어 도구, 심지어 로봇 장치에 대한 가격 대비 성능의 급격한 향상에도 불구하고 공장 노동자와 노인 요양 인력을 비용 효율적으로 대체하려면 아직도 갈 길이 멀다. 좀 더 구체적으로 말하자면, 휴머노이드와 같은 형태의 로봇이 등장해도, 향후 20년 동안 공장 및 노인 요양 노동자 부족의 일부만 해결할 것으로 보인다.

결론은 인공지능에 의해 대체될 생산직 일자리는 상대적으로 적을 것으로 보이다. 특히 인간의 정교한 감각 기술과 이동성, 예기치 않은 사고나 사건의 처리 등이 결합될 때는 더욱 그렇다. 요컨대, 배관공, 벽돌공, 목수, 간호사, 중장비 노동자는 인공지능 기반 도구의 지원을 점점 더 많이 받게 되겠지만, 향후 20년 동안 일자리는 줄어들지 않고 늘어날 가능성이 높다.

그렇다면 인공지능이 경제를 변화시키고 막대한 부를 창출할 곳은 어디인가? 역설적이게도 앞 세대의 기술 경제 혁명이 거의 영향을 미치지 않은 분야이다. 그리고 그 해당 분야에서는 현재 가장 빠른 변화가 일어나고 있다.

그곳은 바로 인간의 능력이 인공지능에게 가장 쉽게 압도되는 고도로 정교한 기술 분야이다. 실제로 인공지능이 가장 많이 진출하고 있는 곳이기도 하다.

예를 들자면, 질병 진단, 약물 발견, 분자 설계, 재료 설계, 산업, 전기 기계 공학 등이 있다. 이것은 놀라운 일이 아니다. 인공지능은 패턴과 관계를 식별하고 과학의 본질인 엄격한 시행착오를 평가하는 데 특히 유용하다. 적절한 ‘자동화 실험실’과 결합하면 인공지능 시스템은 인간 연구원의 성과를 몇 배나 증폭시킨다. 이전에는 불가능했던 일들이 갑자기 일상이 되고 있는 것이다.

이러한 인공지능의 트렌드를 고려할 때, 우리는 다음과 같은 예측을 내려볼 수 있을 것이다.

GPT-4 및 람다(LaMDA)와 같은 소위 대규모 언어 모델에 의해, 단순 편집자, 고객 서비스 직원, 번역가를 포함하여 생계를 위해 단어에 의존하는 일부 사람들은 현 직업에서 쫓겨날 가능성이 있다.

이는 인공지능이 향후 5년 이내에 대졸자의 고용을 줄이기 시작할 가능성이 있음을 의미한다. 이 기술이 계속 발전함에 따라 인공지능이 이전에는 높은 수준의 교육과 기술이 필요하다고 생각했던 작업을 대체할 수 있게 될 것이기 때문이다. 특히 기업들은 이러한 프로세스를 자동화하여 비용을 절감하려 하기 때문에 이는 많은 산업에서 노동자들이 일자리를 잃는 방향으로 이어질 것이다.

세부 사항은 작업과 산업에 따라 다르겠지만, 한 가지 분명한 사실은 인공지능이 대학 교육을 받은 노동자의 고용 시장에 상당한 영향을 미칠 것이라는 점이다. 따라서 인공지능의 발전을 모니터링하면서, 기계가 점점 더 많은 작업을 수행할 수 있는 세상에서 자신의 기술과 전문 지식을 어떻게 활용할 수 있는지를 고려하는 것이 중요할 것이다.

물론 이것은 하루아침에 일어나지는 않을 것이다. 그럼에도 불구하고 지금은 단어 중심의 사무직 노동자들이 기술을 다양화하기 시작해야 할 때라 할 수 있다. 특히 인공지능이 적합하지 않은 기능을 보완하는 영역을 고민해야 할 것이다.

인공지능 연구의 가장 뜨거운 영역 중 하나인 대규모 언어 모델의 최신 개발 사항을 보자. 우리는 오픈에이아이(OpenAI)의 GPT-4, 구글의 람다(LaMDA)와 같은 강력한 모델을 챗봇뿐만 아니라 정보 검색, 온라인 콘텐츠 조정, 문서 요약 또는 프롬프트를 기반으로 완전히 새로운 텍스트 구절 생성에도 사용할 수 있다.

지금까지 이러한 최첨단 도구는 제한적이고 독점적이었다. 그러나 블룸(BLOOM, BigScience Large Open-science Open-access Multilingual Language Model)은 2022년 빅사이언스(BigScience)라는 프로젝트에서 1,000명 이상의 자원 봉사 연구원에 의해 만들어졌다. 블룸은 허깅 페이스(Hugging Face)라는 인공지능 스타트업에 의해 보완되었고, 프랑스 정부의 자금 지원을 받아 2022년 7월 12일에 공식 출시되었다.

누구나 허깅 페이스 웹사이트에서 무료로 블룸을 다운로드하거나 수정할 수 있다. 사용자는 31개의 음성 언어 중 하나를 선택한 후 요리법이나 시 쓰기, 텍스트 번역 또는 요약, 11개 프로그래밍 언어로 컴퓨터 코드 작성과 같은 작업을 수행하도록 블룸에 요청 인풋을 넣을 수 있다.

가장 중요한 것은 인공지능 개발자가 블룸을 기초로 사용하여 자체 애플리케이션을 구축할 수 있다는 것이다. 이는 1,760억 개의 매개 변수로 오픈에이아이의 1,750억 매개변수 GPT-3보다 크다. 빅사이언스는 동일한 크기의 다른 모델과 유사한 수준의 정확도를 제공한다고 주장한다. 특히 스페인어 및 아랍어와 같은 언어의 경우 블룸은 최초의 ‘풀 스케일’ 언어 모델이다. 점점 더 강력해지는 규제와 반독점 환경과 결합하여 이러한 혁신적인 신생 기업의 등장은 진화하는 인공지능 공간에서 오늘날 거대 기술 기업의 지속적인 지배력이 쉽게 대체될 수 있음을 보여준다.

베이비 붐 세대가 은퇴하고 미국이 제조 기반을 획기적으로 업그레이드함에 따라, 배관공, 전기 기사, 중장비 운전자, 트럭 드라이버, 자동화 기술자 등 ‘하드 스킬’을 보유한 노동자들의 공급이 점점 더 부족해질 것이다.

자율 주행 자동차가 모든 도로를 점령할 수 있는 역량을 갖추더라도, 기술, 책임 등과 관련된 제도적 문제가 해결되지 않는 한 인간은 계속 그 일자리에 머물 수 있을 것이다. 특히 책임 문제와 관련하여 제도적 장애물이 예상보다 훨씬 높은 것으로 나타나고 있다.

빠르면 2025년, 항공 택시가 등장하여 인공지능 기반 지원에 크게 의존하는 새로운 유형의 조종사를 위한 고용 기회가 창출될 것이다. 그러나 진정한 자율 항공 택시는 훨씬 이후에나 상업 서비스에 들어갈 것이다. 이는 레벨 파이브(5)라는 완전 자율 자동차와 트럭들이 고속도로를 장악하기 시작하는 시기에 일어날 가능성이 높다.

한편 무인 화물 드론은 원격조종을 시작으로 2020년대 후반부터 보편화될 전망이다. 이는 상품 배송 경제에 큰 영향을 미칠 것이다. 그리고 이는 점점 더 많은 지상 기반 드론 조종사 및 유지 보수 인력에 대한 수요를 창출할 것이다. 2030년이 되면 비상시 인간이 원격 개입하는 것이 가능한 ‘완전 자율 인공지능 기반 화물 드론’이 널리 배치될 것이다.

최근 미국기업연구소(AEI) 소속 경제학자 제임스 페토쿠키스(James Pethakoukis)가 강조한 것처럼 신뢰, 안전, 프라이버시와 관련된 문제는 신속한 채택을 가로막는, 정량화하기 어려운 장애물 중 하나이다.

다행스럽게도 일부 환경과 문화는 휴머노이드 로봇의 조기 채택에 심리적으로 더 적합하다. 혁신을 긍정적으로 받아들이는 미국과 소비자 영역에서 이러한 로봇 도입의 역사를 가지고 있는 일본이 2020년대에 얼리어답터가 될 가능성이 높다. 휴머노이드 로봇이 그러한 환경에서 스스로를 입증하면, 세계 경제로 확산될 것이다.

인공지능은 특히 방사선학, 유전체학 분야에서 질병의 진단 및 치료를 지원하는 데 이미 급속한 발전을 이루고 있다. 그러나 상업적으로나 치료적으로 가장 큰 영향을 미칠 것은 신약 발견에 대한 인공지능의 속도에 있다. 이러한 속도로 인해 가격 대비 성능과 기능 발전으로 이전에는 불가능했던 혁신의 문이 열리고 있다.

예를 들어 크로마(Chroma)와 로제타폴드(RoseTTAFold)라는 두 개의 새로운 인공지능 애플리케이션은 최근 다양한 단백질에 대한 정밀한 디자인을 생성할 수 있는 최초의 본격적인 솔루션이 되었다.

두 애플리케이션 모두 원형, 삼각형 또는 육각형 단백질을 포함하여 여러 대칭성을 가진 단백질을 생성할 수 있다. 크로마가 ‘만들어 질 수 있는’ 디자인을 생성했는지 여부를 테스트하기 위해 제너레이트 바이오메디슨(Generate Biomedicines) 연구팀은 단백질을 구성하는 아미노산 문자열을 다른 인공지능 프로그램을 통해 실행했다. 이를 통해 실행 가능한 단백질 디자인임이 밝혀졌다.

로제타폴드 연구팀은 연구실에서 일부 단백질 디자인을 합성하여 크로마보다 한 걸음 더 나아갔는데, 혈중 칼슘 수치를 조절하는 부갑상선 호르몬에 부착하는 새로운 단백질 디자인이었다. 연구팀은 이를 다음과 같이 설명했다.

“우리는 기본적으로 로제타폴드에 호르몬만 주고 다른 것은 주지 않았습니다. 그런 다음 호르몬에 결합하는 단백질을 만들 것을 지시했습니다.”

이 새로운 단백질을 테스트한 결과, 연구팀은 그것이 다른 계산 방법을 사용하여 생성될 수 있는 그 어떤 것보다 더 단단하게 호르몬에 부착된다는 사실을 발견했다.

이러한 초기 성공은 의료 산업의 판도를 바꾸는 새로운 약물 발견의 물결이 향후 5년 동안 임상 시험에 진입할 가능성이 높은 이유를 보여준다. 결과적으로 이는 소비자에게 더 건강하고 행복한 삶을, 산업계에는 막대한 수익과 이익을 제공해줄 수 있을 것이다.

돌, 청동, 철, 강철, 플라스틱, 실리콘, 그래핀과 같은 재료는 인류가 생존하고 번영할 수 있는 기술 및 경제적 가능성과 연관되어 있다. 그러나 오늘날 컴퓨터 칩, 센서, 로봇, 전기 자동차 및 무수한 기타 응용 프로그램에 필요한 기능을 가진 새로운 재료를 설계하고 생산하는 것은 쉬운 일이 아니다.

전 세계적으로도 이 문제는 기술과 역량의 한계에 제약을 받고 있다. 경제적으로 중요한 물질이 어디에 있는지 알 수 없기 때문에 주기율표의 모든 요소를 결합하여 생성된 물질에는 위험성이 따르고, 그 과정 또한 복잡하고 종종 긴 여정을 필요로 한다.

하지만 매터리얼 에이아이(Material.ai)와 같은 새로운 인공지능 기반 도구가 모든 것을 바꾸고 있다. 이 도구는 인간이 상상할 수 없는 규모로 재료의 특성과 관계를 검사할 수 있다. 이러한 특성과 관계는 원하는 특성을 가진 새로운 재료를 형성할 가능성이 있는 요소 조합을 식별하고 숫자로 순위를 매기는 데 사용될 수 있다.

그리고 이 순위는 미지의 화학 공간 탐색을 표적 방식으로 안내하여 실험 조사를 훨씬 더 효율적으로 만드는 데 사용된다. 또한 더 빠르고 저렴하다는 것에 그치지 않고, 진정으로 새로운 재료를 발견하는 데까지 나아간다. 이는 기존 재료와 유사하게 새 재료를 설계하고, 이미 가지고 있는 재료와 유사한 재료로 이어졌던 기존의 기본적 접근 방식을 벗어나는 것이다.

이렇게 새로운 방식으로 탄생한 신소재는 전 세계가 안고 있는 과제를 해결할 뿐만 아니라 새로운 사회적 이익 창출, 새로운 과학적 현상과 이해까지 나아간다. 이러한 이해는 차세대 인공지능을 교육하는 데도 도움이 된다. 의료와 마찬가지로 재료 과학에 대한 인공지능의 선진국에 더 많은 일자리를 창출하는 막대한 가치를 창출할 것이다.

1. Trends. December 2022. The Trends Editors. Economic Realities Driving America’s AI-Based Reindustrialization.

2. W. W. Norton & Co. 1963. John Maynard Keynes. Essays in Persuasion: pages 358-373.

3. Law, Innovation and Technology: Volume 11. September 12, 2019. Nynke E. Vellinga. Automated driving and its challenges to international traffic law: which way to go?

4. Faster, Please!. November 5, 2022. James Pethokoukis. Will the Next Big Thing be (finally) humanoid robots?

5. MIT Technology Review. May 20, 2021. Karen Hao. The race to understand the exhilarating, dangerous world of language AI.

As with prior transformative general-purpose technologies including electricity, steel, assembly lines, and steam engines, the productivity enhancing potential of artificial intelligence will eventually change nearly every industry, directly or indirectly.

As highlighted in our December 2022 issue, the capabilities and costs of artificial intelligence are on a trajectory toward mass-market take-off. Extraordinary improvements in sensor technology, cloud-based infrastructure, AI accelerator hardware, and AI software tools is happening just as companies are assembling the datasets and the talent needed to exploit this technology.

Furthermore, the pandemic accelerated trends in labor force demographics and customer needs, which have revealed a greater-than-expected need for AI-based solutions.

This is the sort of convergence of technology, demography and behavior which typified previous techno-economic revolutions. However, just as with electricity the gulf between fundamental discoveries and economically transformative solutions is not being bridged everywhere at the same time.

To extend the analogy to electricity, AI has now moved well beyond the era of Volta and Faraday, but it’s just entering the era of Edison and Tesla. And game-changing everyday solutions analogous to electric lighting, movies and “the electric utility grid” are in their infancy.

For this reason, many consumers, managers and investors believe AI is as over-hyped and premature as “nuclear fusion power” or “quantum computing.” To properly understand its potential in terms of both opportunities and threats, it is important to recognize that, like integrated circuits and steel, AI is a multi-faceted, general-purpose transformative technology.

It has the potential to transform an unimaginable array of products, services, business processes and industries, some of which can’t now be forecast. By comparison nuclear fusion power will simply be a cheaper and cleaner source of electricity, while quantum computing is a tool theoretically capable of solving an important, but limited set of problems which don’t lend themselves to classical computing.

So, it’s vital that managers and investors anticipate where and when AI will have its greatest success. Then, based on that understanding, they’ll need to consider how it’s likely to diffuse across the broader economy delivering value which can be captured. As of early 2023, the fog is rapidly clearing, giving us a better understanding of the opportunities, as well as the threats.

Consider the facts we know and what they are telling us.

Let’s start with the lessons of history.

In 1930, we had just entered the transition phase of the Mass Production Techno-Economic Revolution; that’s analogous to where the Digital Techno-Economic Revolution stood in 2001.

Within that context, famed economist John Maynard Keynes made a series of predictions about technological unemployment arising from what he described as, “our discovery of means of economizing the use of labor outrunning the pace at which we can find new uses for labor.”

Had Keynes forecasts been correct, Americans would now be struggling with how to purposefully deploy all the newfound leisure time created by technological change rather than working on average as many, if not more, hours per week than in 1930.

Admittedly, some American jobs disappeared. But what in fact happened, was that globalization transferred jobs to where they were more cost-effective given the technologies of the late 20th and early 21st centuries.

And to a large extent it was the computing revolution of the past 30 years, which enabled that just-in-time globalization of supply-chains. However, as we’ve previously documented, even the job killing effects of globalization are reversing. 

National security issues and demographic trends have suddenly mandated “reindustrialization” across the OECD countries, and especially in North America. This means “growth momentum” will shift from services to goods for the first time since World War II. And that shift demands increased productivity in the advanced economies.

This era of reindustrialization will come just as the capabilities and costs of AI finally make it viable for large-scale, transformative deployment.

This “phase change” will come as a shock to many policymakers and managers, because the initial deployment of rudimentary AI in ecommerce and other areas hardly “moved the needle” on key labor market performance indicators such as labor productivity and multifactor productivity growth.

 

If, as Keynes would have expected, AI-driven technological change is enabling new means of economizing the use of labor to outrun the pace of finding new ways to use it, we would expect to see both statistics rising as AI becomes more prevalent.

However, according to the exhibits in the printable issue, the exact opposite appears to have happened in a wide range of OECD countries. That is, productivity growth dropped just when AI emerged.

That is, we see AI and computing creating whole new industries, but the aggregate productivity growth numbers have slowed to a glacial pace. How do we explain this paradox?

To a large extent the problem involves our ability to measure and capture the value of inputs and outputs.

Ever since the beginning of the industrial revolution in the late eighteenth century, society has been repeatedly misled by the so-called “lump of labor fallacy.” This widespread economic misconception was first documented in 1891 by economist David Schloss.

The “lump of labor fallacy explains the human bias toward assuming that both the amount of work to be done in an economy (that is the job supply) and the number of people who want to do work (that is the demand for jobs from workers) are neither elastic nor subject to radical innovation. However, the evidence shows this is far from the case.

Consider an example familiar to every Baby Boomer. The introduction of spreadsheets dropped the price of running “what-if business scenarios.” Rather than decimating the market for accountants and business analysts, spreadsheet software actually expanded it because the demand for scenarios was very responsive to price.

Meanwhile, the resources freed from calculating simple cases were deployed in developing more complex scenarios to test.

Another, and likely bigger, factor in the aggregate productivity numbers is the difficulty in quantifying the productivity gains associated with Internet platform applications in general and “AI functionality” in particular.

Applications like GPS navigation, Siri, Google Search, Google Translate, Alexa, and social media as well as various product recommendation engines, chatbots and configurators, create trillions of dollars in value for end-users each year, but are largely “free services” funded by marketing budgets. And since they usually provide “new-to-the-world functions,” their impact on the labor force is also difficult to assess.

So, it’s safe to say that up to now the economic impact of AI has been significant, but difficult to quantify. And its impact on commerce and on the workforce are different from those generally observed during the first four techno-economic revolutions.

Specifically, recent developments indicate that AI is going to have its greatest and most immediate impact within the highest realms of the workforce. That means lower paying and more mature industries are not the one’s most likely to see disruption, at least in the short-term.

AI will eventually impact taxi drivers, warehouse workers and truck drivers as well as rank-and-file workers in manufacturing, retail, personal care and food service. However, the game-changing applications of the 2020s will be in the rarified fields of scientific research, medicine, software development and engineering as well as in the relatively new industry of ecommerce.

And that’s good, because it’s those areas which have been most constrained by human limitations and the skills shortages of recent years.

Consider the implications for lower-level workers, normally seen as most at risk from automation.

For example, AI progress in terms of replacing drivers has largely stalled. There is simply too much liability associated with autonomous trucks and automobiles on the highways.

So, even though the technology has been proven, sorting out the institutional environment in which AVs will operate remains a logjam. Autonomous vehicles can contain thousands of software-controlled sensors and processors interacting in a complex network with each other just to run the car or truck.

These are required to perform flawlessly if the vehicle is to detect the near-infinite array of situations it may find itself in when interacting with pedestrians, pets, balls, weather, random hazards, and other vehicles using its right of way. And since some are human controlled, these are less predictable than those run by software and hardware.

One of the most important issues is assessing liability when something goes wrong. For that reason, transport licensing authorities remain unwilling to let these vehicles loose on the roads without having appropriate regulations in place.

The Geneva and Vienna international conventions on road traffic (of 1949 and1968, respectively) assume all vehicles on the road are controlled by a human being and they ultimately hold that the human is responsible for any damage the vehicle or its power source may cause.

But in the autonomous vehicle world, who is responsible if there isn’t a human driver? The vehicle owner may have some liability. But when the requisite safety features are software-governed, how can owners know or verify that the correct version of software is loaded and operational at any given moment? And who is the “owner”?

If we take the approach used for cellphones and their apps, the users typically own the plastic and metal the phones are made of, and they have a contractual liability to pay a network operator for it to be connected. However, the smartphone user has negligible ownership rights to anything running on the phone. Until these institutional issues and any operational concerns are totally resolved, truck and Uber Drivers have plenty of job security.

The same is true for genuinely autonomous air taxis. Increasingly, it looks like the air taxi industry will emerge beginning in 2025 and grow very rapidly in the coming decades. However, these aircraft will initially have human pilots on board. Later, these pilots will operate multiple, semi-autonomous aircraft via remote control.

The story is similar in most other industries. Despite the accelerating collapse in price-performance for sensor technology, cloud-based infrastructure, AI accelerator hardware, AI software tools and even robotic devices, we’re a long way from cost-effective replacement for factory workers and elder care personnel. A new study by Goldman-Sachs made this clear.

In that economic study, Goldman-Sachs created four possible scenarios for humanoid robot adoption over the next 13 years largely targeted at factory & warehouse applications in the United States, as well as elder-care applications, globally.

The base case involved introducing a functional humanoid robot in 2025 at $250,000 per copy. That estimate was based on the general characteristics of Tesla’s Optimus robot prototype unveiled in September 2022; to find initial use cases, the company says Optimus will be trained in the factory over the next year.

The average hourly wage for a Tesla factory worker working 8 hours a day is $23.75. By contrast, Optimus is assumed to work 20 hours a day, with 4 hours a day reserved for charging & maintenance.

Under this base scenario, Optimus could reach a payback-period of two years for the period from 2025-to-2026. This indicates some feasibility for commercialization. The big question is, “What proportion of tasks within an automobile factory will such a humanoid robot be able to perform as well or better than a human worker?”

Given the increasing global labor shortage due to demographics between now and 2035, Goldman-Sachs assumes that any difference in shipment volume under its “Global Humanoid Robot Base Case,” its “bull case,” and its “blue-sky case” are essentially a function of the robot’s cost.

Under the base case, the unit cost of $250,000 is based on the Optimus bill of materials, and assumes Tesla purchases mid-to-high-end components at market prices for small volumes in 2025; after that a 15% per year cost reduction is assumed through 2035.

Under the bull case, a 2025 unit-cost of $50,000 was calculated assuming Tesla purchased the components at a much cheaper price by leveraging its broader vehicle procurement team and that it attained the same 20% annual cost reduction documented for Tesla car production. Given the assumed elasticity of demand, this would enable Tesla to sell one million units a year by 2035.

A so-called “Blue-Sky case” involves getting the cost to $20,000 per unit in the mid-2020s, as suggested by Elon Musk. This would theoretically kick-off “a global robot explosion” significantly impacting the expected U.S. and global labor shortage.

However, since hardly anyone other than Elon Musk believes this scenario makes any sense, the Trends editors conclude that humanoid robots will address only a small fraction of the expected factory and elder care worker shortage over the next two decades.

Coupled with the earlier assessment from the transportation sector, this analysis indicates that relatively few blue-collar jobs will be taken over by AI. And that’s especially true for jobs that combine sophisticated human sensory skills with the need for mobility and handling of unexpected events.

In short, while plumbers, brick masons, carpenters, nurses and heavy equipment operators may be increasingly assisted by AI-based tools, their ranks are likely to grow rather than shrink over the next two decades.

So, is AI really going to transform our economy and generate enormous wealth? Yes. And paradoxically, it’s happening fastest exactly where the first four techno-economic revolutions barely made a dent.

That is, AI is making its biggest inroads in highly sophisticated technical areas where human capabilities are most easily overwhelmed. For instance, disease diagnosis, drug discovery, molecular design, and material design as well as industrial, electrical, and mechanical engineering.

Objectively speaking, this should not come as a surprise. AI is particularly useful at identifying patterns and relationships as well as engaging in rigorous trial-and-error assessments, which are the essence of science.

When combined with appropriate “automated laboratories,” AI systems are amplifying the performance of human researchers by orders of magnitude. And suddenly, the formerly impossible is becoming routine!

Given this trend, we offer the following forecasts for your consideration.

Some people who rely on words to make a living, including editors, customer service personnel, and translators are likely to be displaced from their current jobs by so-called Large Language Models like GPT-4 and LaMDA. That means it is likely that AI will begin to reduce employment for college-educated workers, within the next five years.

As this technology continues to advance, it will be able to perform tasks that were previously thought to require a high level of education and skill. This will lead to a displacement of workers in many industries, as companies look to cut costs by automating processes.

The specifics vary by task and industry, but one thing is clear: AI will have a significant impact on the job market for college-educated workers. So, it will be important for individuals to monitor developments in AI and to consider how their skills and expertise can be leveraged in a world where machines are increasingly able to perform many tasks.

Fortunately, this will not happen overnight, and Americans in many of those roles have already been replaced by offshore personnel. Nevertheless, now is the time for word-oriented white-collar workers to start diversifying their skills, especially into areas where their skills complement functions not amenable to AI. That might include managing skilled blue-collar workers.

Consider the latest developments in large language models which is one of the hottest areas of AI research. Powerful models such as OpenAI’s GPT-4 and Google’s LaMDA, can be used as chatbots as well as to search for information, moderate online content, summarize books, or generate entirely new passages of text, based on prompts.

Until now, these cutting-edge tools have been restricted and proprietary. However, BLOOM (which stands for BigScience Large Open-science Open-access Multilingual Language Model) was created over the last year by over 1,000 volunteer researchers in a project called BigScience.

BLOOM was coordinated by an AI startup called Hugging Face, funded from the French government and officially released on July 12, 2022. Now that it’s live, anyone can download BLOOM or tinker with it free-of-charge on Hugging Face’s website.

Users can pick from a selection of 31 spoken languages and then type in requests for BLOOM to do tasks like writing recipes or poems, translating or summarizing texts, or writing computer code in 11 programming languages.

 

Most importantly, AI developers can use BLOOM as a foundation to build their own applications. At 176 billion parameters, it is bigger than OpenAI’s 175-billion-parameter GPT-3, and BigScience claims that it offers levels of accuracy and toxicity similar to other models of the same size. Notably, for languages such as Spanish and Arabic, BLOOM is the first “full-scale” language model.

Combined with an increasingly hostile regulatory and antitrust environment, this trend does not bode well for the continued dominance of today’s tech giants in the evolving AI space.

Plumbers, electricians, heavy equipment operators, truck drivers and automation technicians will all be in increasingly short supply as Baby Boomers retire and America dramatically upgrades its manufacturing base.

For instance, in order to address the housing shortage driven by maturing Millennials and continuing immigration, the construction workforce, decimated after the 2008 housing crash will be rebuilt and augmented with new technology.

As explained earlier, institutional hurdles are proving far higher than expected, especially as related to issues of liability.

Piloted air taxis will emerge as soon as 2025, creating employment opportunities for a new kind of pilot who relies heavily on AI-based assistance. However, truly autonomous air taxis will enter commercial service much later. In fact, that’s likely to happen in the same time frame that regulators and consumers become comfortable with Level V self-driving cars and autonomous 18-wheelers taking over the highways.

On the other hand, unmanned cargo drones will become commonplace in the late 2020s, starting with remote-controlled operations. As explained in prior issues, this will make a huge impact on package delivery economics.

And it will create demand for a growing cadre of ground-based drone pilots and maintenance personnel. By 2030, fully autonomous AI-based cargo drones with remote human intervention (in case of emergency) will be widely deployed.

As recently highlighted by AEI economist James Pethakoukis, issues related to trust, safety and privacy are among the hard-to-quantify impediments to rapid adoption. Fortunately, some settings and cultures are more psychologically amenable to early adoption of humanoid robots.

For instance, American factories, which extol “innovation,” are likely to become early adopters in the 2020s. Meanwhile Japan has the best history of accepting such leading-edge innovations in the consumer domain. Once they prove themselves in such environments, humanoid robots will diffuse into the global economy when and if the economics make sense.

AI is already making rapid progress in supporting diagnosis and treatment of disease especially in the areas of radiology and genomics. But it is AI’s accelerating contributions to drug discovery which will have the biggest impact, both commercially and therapeutically.

Suddenly, advances in price-performance and functionality have opened the door to formerly impossible breakthroughs. For example, two new AI applications called Chroma and RoseTTAFold recently became the first full-fledged solutions that can produce precise designs for a wide variety of proteins. Both are able to generate proteins with multiple degrees of symmetry, including proteins that are circular, triangular, or hexagonal.

To test whether Chroma produced designs that could be made, the team at Generate Biomedicines took the amino acid strings that make up the protein and ran them through another AI program which found that 55% of them would fold into the structure generated by Chroma; this suggests that these are designs for viable proteins.

The RoseTTAFold team went further by synthesizing some of the protein designs in their lab. One was a new protein that attaches to the parathyroid hormone, which controls calcium levels in the blood. According to the team’s leader, “We basically gave RoseTTAFold the hormone and nothing else.

Then we told it to make a protein that binds to the hormone.” When they tested the novel protein in the lab, they found that it attached to the hormone more tightly than anything that could have been generated using any other computational methods, and more tightly than any existing drugs.

This early success shows why it’s likely that a wave of new game-changing drug discoveries will enter clinical trials over the next five years. The result will be healthier and happier consumers as well as enormous revenues and profits for the industry. And,

Materials, such as stone, bronze, iron, steel, plastics, silicon and graphene have always defined the technological and economic possibilities which permit people to survive and thrive. Society’s capacity to solve global challenges is still constrained by our ability to design and make materials with the targeted functionality needed for computer chips, sensors, robots, electric vehicles and myriad other applications.

Since it is not known where economically important materials might exist, the search amounts to a high-risk, complex and often long journey across the infinite space of materials created by combining all of the elements in the periodic table.

Fortunately, new AI-based tools, such as Material.ai, are changing all that. These tools examine the characteristics and relationships of known materials at a scale inconceivable for humans. These characteristics and relationships are used to identify and numerically rank combinations of elements that are likely to form new materials with desired characteristics.

Those rankings are used to guide exploration of unknown chemical spaces in a targeted way, making experimental investigation far more efficient. - And it’s not just about being faster and cheaper.

Until now, the default approach has been to design new materials by close analogy with existing ones, which usually leads to materials which are similar to ones we already have. On the other hand, the new AI-based tools discover truly new materials.

And these new materials not only create societal benefit by enabling new technologies to tackle global challenges, but they also reveal new scientific phenomena and understandings.

Those understandings then help train the next generation of AI. As with health care, AI’s contribution to material science will create enormous value leading to more jobs across the advanced economies.