Automation anxiety has been spreading lately, a fear that in the future, many jobs will be performed by machines rather than human beings, given the remarkable advances that are unfolding in artificial intelligence and robotics. What's clear is that there will be significant change. What's less clear is what that change will look like. My research suggests that the future is both troubling and exciting. The threat of technological unemployment is real, and yet it's a good problem to have. And to explain how I came to that conclusion, I want to confront three myths that I think are currently obscuring our vision of this automated future.
В последнее время в обществе растёт беспокойство по поводу автоматизации жизнедеятельности человека, страх, что в будущем многие задачи, выполняемые сегодня человеком, возьмут на себя машины, — это неудивительно, учитывая колоссальный прогресс в области искусственного интеллекта и робототехники. Уже ясно, что в будущем нас ждут значительные перемены. Но менее ясным остаётся характер перемен. Мои исследования показывают, что нас ждёт тревожное и увлекательное будущее. Угроза технологической безработицы существует на самом деле, но этой проблеме нам стоило бы радоваться. А чтобы объяснить вам, как я пришёл к этому выводу, я хотел бы развеять три мифа, которые, я считаю, мешают нам трезво оценить это самое будущее.
A picture that we see on our television screens, in books, in films, in everyday commentary is one where an army of robots descends on the workplace with one goal in mind: to displace human beings from their work. And I call this the Terminator myth. Yes, machines displace human beings from particular tasks, but they don't just substitute for human beings. They also complement them in other tasks, making that work more valuable and more important. Sometimes they complement human beings directly, making them more productive or more efficient at a particular task. So a taxi driver can use a satnav system to navigate on unfamiliar roads. An architect can use computer-assisted design software to design bigger, more complicated buildings.
В книгах, кинофильмах и новостях нам показывают, как армия роботов вторгается в наше рабочее пространство с единственной целью: вытеснить человека с его рабочего места. Я называю это мифом Терминатора. Да, машины освободили человека от выполнения определённых задач. Но они не столько сместили людей, сколько дополнили наш труд, делая его более ценным и важным. Зачастую машины напрямую дополняют деятельность человека, помогают нам достичь большей продуктивности и эффективности в работе. Так, в незнакомой местности таксист может воспользоваться спутниковой навигацией. Благодаря системам автоматизированного проектирования архитектор может разработать более сложный и замысловатый дизайн сооружения.
But technological progress doesn't just complement human beings directly. It also complements them indirectly, and it does this in two ways. The first is if we think of the economy as a pie, technological progress makes the pie bigger. As productivity increases, incomes rise and demand grows. The British pie, for instance, is more than a hundred times the size it was 300 years ago. And so people displaced from tasks in the old pie could find tasks to do in the new pie instead. But technological progress doesn't just make the pie bigger. It also changes the ingredients in the pie. As time passes, people spend their income in different ways, changing how they spread it across existing goods, and developing tastes for entirely new goods, too. New industries are created, new tasks have to be done and that means often new roles have to be filled. So again, the British pie: 300 years ago, most people worked on farms, 150 years ago, in factories, and today, most people work in offices. And once again, people displaced from tasks in the old bit of pie could tumble into tasks in the new bit of pie instead.
Но технологический прогресс дополняет человека не только напрямую. Это может происходить косвенно двумя способами. Для начала давайте представим экономику в качестве пирога. Благодаря технологическому прогрессу этот пирог становится больше. По мере того как растёт продуктивность, повышаются доходы и спрос. К примеру, пирог Великобритании сегодня в более чем 100 раз крупнее своего аналога 300-летней давности. А люди, потерявшие работу в экономике старого пирога, могут трудоустроиться в рамках нового пирога. Но благодаря технологическому прогрессу пирог становится не только крупнее. Меняются и его ингредиенты. Со временем люди начинают тратить свои доходы по-другому. Меняется структура затрат на существующие товары, и появляется потребность в совершенно новых товарах. Появляются новые отрасли хозяйства, возникает потребность в новых профессиях, а значит, открываются позиции, которые необходимо заполнить. И снова о пироге Великобритании: 300 лет назад большинство британцев зарабатывали на жизнь на фермах, 150 лет назад — на заводах, а сегодня большинство жителей трудятся в офисах. Опять же — те, кто потерял работу в старом пироге, могут трудоустроиться в рамках нового пирога.
Economists call these effects complementarities, but really that's just a fancy word to capture the different way that technological progress helps human beings. Resolving this Terminator myth shows us that there are two forces at play: one, machine substitution that harms workers, but also these complementarities that do the opposite.
Экономисты называют это явление комплементарностью. Но на самом деле это просто красивое слово для обозначения технологического прогресса, находящегося на службе у человека. Развенчивая миф Терминатора, мы понимаем, что тут противоборствуют две силы: первая сила — замещение машинами, которое вредит человеку, вторая сила — комплементарность — оказывает положительный эффект.
Now the second myth, what I call the intelligence myth. What do the tasks of driving a car, making a medical diagnosis and identifying a bird at a fleeting glimpse have in common? Well, these are all tasks that until very recently, leading economists thought couldn't readily be automated. And yet today, all of these tasks can be automated. You know, all major car manufacturers have driverless car programs. There's countless systems out there that can diagnose medical problems. And there's even an app that can identify a bird at a fleeting glimpse.
Поговорим о втором мифе, который я обозначил как интеллектуальный миф. Вождение автомобиля, постановка диагноза и распознавание птиц — что общего между всеми этими задачами? Объединяет их то, что до недавнего времени их нельзя было автоматизировать, как полагали ведущие экономисты. И тем не менее сегодня все эти задачи могут быть автоматизированы. Все ведущие производители автомобилей сегодня разрабатывают беспилотные авто. Медики уже располагают множеством диагностических аппаратов. Что же касается птиц, существует приложение, позволяющее определять их на расстоянии.
Now, this wasn't simply a case of bad luck on the part of economists. They were wrong, and the reason why they were wrong is very important. They've fallen for the intelligence myth, the belief that machines have to copy the way that human beings think and reason in order to outperform them. When these economists were trying to figure out what tasks machines could not do, they imagined the only way to automate a task was to sit down with a human being, get them to explain to you how it was they performed a task, and then try and capture that explanation in a set of instructions for a machine to follow. This view was popular in artificial intelligence at one point, too. I know this because Richard Susskind, who is my dad and my coauthor, wrote his doctorate in the 1980s on artificial intelligence and the law at Oxford University, and he was part of the vanguard. And with a professor called Phillip Capper and a legal publisher called Butterworths, they produced the world's first commercially available artificial intelligence system in the law. This was the home screen design. He assures me this was a cool screen design at the time.
Не будем утверждать, что экономистам просто не повезло. Они оказались неправы, но причина, по которой они ошибались, имеет большое значение. Они стали жертвами интеллектуального мифа, считая, что машины должны имитировать людей в том, как мы мыслим и рассуждаем, если хотим, чтобы машины стали умнее нас. Когда экономисты попытались разобраться, какие задачи машинам будут не под силу, они думали, что единственный способ автоматизировать задачу — организовать встречу специалистов с программистами, попросить специалистов описать алгоритм выполнения задачи, а затем попытаться формализовать этот алгоритм в виде инструкций, которым машина будет следовать. Одно время такой подход был популярен и в области искусственного интеллекта. Знаю я об этом потому, что Ричард Сюскинд — мой отец и соавтор книги, — будучи студентом Оксфорда, в 1980-х написал докторскую диссертацию на тему искусственного интеллекта и права, а был он тогда в авангарде науки. Вместе с профессором Филлипом Кэппером и издательством правовой литературы Butterworths они выпустили в продажу первую в мире систему искусственного интеллекта в области права. Так выглядела заставка программы на компьютере. Отец говорит, что она считалась очень крутой по тем временам.
(Laughter)
(Смех)
I've never been entirely convinced. He published it in the form of two floppy disks, at a time where floppy disks genuinely were floppy, and his approach was the same as the economists': sit down with a lawyer, get her to explain to you how it was she solved a legal problem, and then try and capture that explanation in a set of rules for a machine to follow. In economics, if human beings could explain themselves in this way, the tasks are called routine, and they could be automated. But if human beings can't explain themselves, the tasks are called non-routine, and they're thought to be out reach. Today, that routine-nonroutine distinction is widespread. Think how often you hear people say to you machines can only perform tasks that are predictable or repetitive, rules-based or well-defined. Those are all just different words for routine. And go back to those three cases that I mentioned at the start. Those are all classic cases of nonroutine tasks. Ask a doctor, for instance, how she makes a medical diagnosis, and she might be able to give you a few rules of thumb, but ultimately she'd struggle. She'd say it requires things like creativity and judgment and intuition. And these things are very difficult to articulate, and so it was thought these tasks would be very hard to automate. If a human being can't explain themselves, where on earth do we begin in writing a set of instructions for a machine to follow?
Не очень-то верится. Опубликовали они эту программу на двух гибких дисках. В то время гибкие диски на самом деле были очень гибкими. Тогда они подошли к вопросу, как те самые экономисты: встретились с юристом, попросили его описать алгоритм решения правовой проблемы и затем попытались написать программу для решения поставленной задачи. В экономике, если человек может описать задачу таким вот образом, задача считается рутинной и её можно автоматизировать. Но если человек не может описать процесс, задача считается творческой, то есть нерутинной, и часто неразрешимой. Сегодня классификация задач на рутинные и творческие встречается повсеместно. Вспомните, как часто вы слышите о том, что машины могут выполнять только предсказуемые и повторяющиеся задачи, те, что следуют правилам, и которые легко определить. Всё это лишь синонимы рутинных задач. Давайте вернёмся к трём примерам, которые я привёл ранее. Все три являются классическими примерами творческих задач. Задайте вопрос врачам, как, например, они ставят диагнозы. Скорее всего, они приведут несколько общих правил, но в целом точного ответа не дадут. Скажут, например, что постановка диагноза требует творческого подхода, правильного суждения и интуиции. Но такие вещи бывает очень трудно описать, поэтому считалось, что автоматизировать их также будет нелегко. Если человек не может объяснить какой-то процесс, как он составит инструкции для машины?
Thirty years ago, this view was right, but today it's looking shaky, and in the future it's simply going to be wrong. Advances in processing power, in data storage capability and in algorithm design mean that this routine-nonroutine distinction is diminishingly useful.
Тридцать лет назад такое мнение считалось правильным, сегодня это утверждение можно подвергнуть сомнению, а завтра оно окажется совершенно неправильным. Колоссальная вычислительная мощность, огромные хранилища данных и усовершенствованные алгоритмы являются показателем того, что граница между рутинными и творческими задачами начинает стираться.
To see this, go back to the case of making a medical diagnosis. Earlier in the year, a team of researchers at Stanford announced they'd developed a system which can tell you whether or not a freckle is cancerous as accurately as leading dermatologists. How does it work? It's not trying to copy the judgment or the intuition of a doctor. It knows or understands nothing about medicine at all. Instead, it's running a pattern recognition algorithm through 129,450 past cases, hunting for similarities between those cases and the particular lesion in question. It's performing these tasks in an unhuman way, based on the analysis of more possible cases than any doctor could hope to review in their lifetime. It didn't matter that that human being, that doctor, couldn't explain how she'd performed the task.
Давайте вернёмся к примеру c постановкой диагноза. Несколько месяцев назад исследователи Стэнфордского университета объявили, что они разработали систему распознавания раковых клеток на веснушках человека и что эта система ставит диагноз так же точно, как ведущие дерматологи. Как им это удалось? Машина не запрограммирована копировать ход суждения или интуицию врачей. Более того, машина вообще ничего не смыслит в медицине. На самом деле она следует алгоритму распознавания, выискивая среди 129 450 наборов данных случаи, схожие с исследуемой патологией кожи. Делается это методом, на который не способен ни один человек. Машина анализирует такое количество наборов данных, которое ни один врач не сможет просмотреть за всю свою жизнь. В данном случае машина ставит диагноз без учёта того, как к этому вопросу подошёл бы врач-специалист.
Now, there are those who dwell upon that the fact that these machines aren't built in our image. As an example, take IBM's Watson, the supercomputer that went on the US quiz show "Jeopardy!" in 2011, and it beat the two human champions at "Jeopardy!" The day after it won, The Wall Street Journal ran a piece by the philosopher John Searle with the title "Watson Doesn't Know It Won on 'Jeopardy!'" Right, and it's brilliant, and it's true. You know, Watson didn't let out a cry of excitement. It didn't call up its parents to say what a good job it had done. It didn't go down to the pub for a drink. This system wasn't trying to copy the way that those human contestants played, but it didn't matter. It still outperformed them.
Многие, безусловно, согласятся с тем, что эти машины строились не по образу и подобию человека. Например, Watson — суперкомпьютер компании IBM, принявший в 2011 году участие в американской игре-викторине «Jeopardy!» и одержавший победу над человеком — двумя сильнейшими соперниками. На следующий день после игры в газете Wall Street Journal появилась заметка философа Джона Сёрла, озаглавленная «Watson понятия не имеет, что он победил в викторине "Jeopardy!"». Блестящее и очень верное замечание. Watson ведь не закричал от радости. Он не позвонил родителям, чтобы рассказать им о своей победе. И он не отправился в паб, чтобы выпить стаканчик. Эта машина не пыталась копировать соперников-людей, но это не имело значения. Машина всё равно их обыграла.
Resolving the intelligence myth shows us that our limited understanding about human intelligence, about how we think and reason, is far less of a constraint on automation than it was in the past. What's more, as we've seen, when these machines perform tasks differently to human beings, there's no reason to think that what human beings are currently capable of doing represents any sort of summit in what these machines might be capable of doing in the future.
Развенчивая интеллектуальный миф, мы видим, что несмотря на то, что наши знания о человеческом разуме, мышлении и суждении весьма ограничены, в наше время большого влияния на автоматизацию машин это не имеет. Более того, как мы отметили, когда эти машины выполняют задачи методом, отличным от методов человека, не стóит полагать, что возможности человека сегодня являются пределом того, на что будут способны автоматизированные машины в будущем.
Now the third myth, what I call the superiority myth. It's often said that those who forget about the helpful side of technological progress, those complementarities from before, are committing something known as the lump of labor fallacy. Now, the problem is the lump of labor fallacy is itself a fallacy, and I call this the lump of labor fallacy fallacy, or LOLFF, for short. Let me explain. The lump of labor fallacy is a very old idea. It was a British economist, David Schloss, who gave it this name in 1892. He was puzzled to come across a dock worker who had begun to use a machine to make washers, the small metal discs that fasten on the end of screws. And this dock worker felt guilty for being more productive. Now, most of the time, we expect the opposite, that people feel guilty for being unproductive, you know, a little too much time on Facebook or Twitter at work. But this worker felt guilty for being more productive, and asked why, he said, "I know I'm doing wrong. I'm taking away the work of another man." In his mind, there was some fixed lump of work to be divided up between him and his pals, so that if he used this machine to do more, there'd be less left for his pals to do. Schloss saw the mistake. The lump of work wasn't fixed. As this worker used the machine and became more productive, the price of washers would fall, demand for washers would rise, more washers would have to be made, and there'd be more work for his pals to do. The lump of work would get bigger. Schloss called this "the lump of labor fallacy."
И теперь третий миф, который я называю мифом о превосходстве человека. Принято считать, что те, кто забывают о пользе технологического прогресса, о комплементарности человека и машины, впадают в заблуждение о неизменном объёме работ. Но проблема в том, что само заблуждение о неизменном объёме работ является ошибочным, и я называю это ошибкой заблуждения. Давайте я поясню. Данное заблуждение — не новая концепция. Такое название в 1892 году ей дал британский экономист Дэвид Шлосс. Однажды он пришёл в недоумение, когда повстречал портового рабочего, который начал изготавливать на станке шайбы — небольшие металлические пластины, которые крепятся под головку болта. Этот рабочий испытывал угрызения совести, потому что стал более продуктивен. Как правило, происходит обратное — люди чувствуют свою вину, если работают не очень продуктивно. Например, если на работе мы много времени проводим в Facebook или Twitter. Но рабочий чувствовал вину потому, что был слишком продуктивен. На вопрос Шлосса почему, он ответил: «Я знаю, что поступаю неправильно. Я лишаю другого человека работы». Рабочий полагал, что существует фиксированный объём работы, который они делят между собой, и если он начнёт делать шайбы на станке, то произведёт их больше, а остальным не останется работы. Шлосс понял, в чём ошибка. Объём работы не был фиксированным. Если благодаря станку производительность увеличится, стоимость шайб снизится, а значит, увеличится спрос. Рабочим надо будет вырезать больше шайб, и работы прибавится для всех. То есть объём работы в целом увеличится. Шлосс назвал эту концепцию заблуждением о неизменном объёме работ.
And today you hear people talk about the lump of labor fallacy to think about the future of all types of work. There's no fixed lump of work out there to be divided up between people and machines. Yes, machines substitute for human beings, making the original lump of work smaller, but they also complement human beings, and the lump of work gets bigger and changes.
Сегодня часто вспоминают об этой теории, когда речь заходит о работе будущего. Не существует какого-то определённого объёма работ, который человек делит с машиной. Да, машины замещают человека, уменьшая исходный объём работы, но они также и дополняют нас, так что в целом объём работы увеличивается,
But LOLFF. Here's the mistake: it's right to think that technological progress makes the lump of work to be done bigger. Some tasks become more valuable. New tasks have to be done. But it's wrong to think that necessarily, human beings will be best placed to perform those tasks. And this is the superiority myth. Yes, the lump of work might get bigger and change, but as machines become more capable, it's likely that they'll take on the extra lump of work themselves. Technological progress, rather than complement human beings, complements machines instead.
меняется специфика работы. Так в чём же ошибка заблуждения? А вот в чём. Верно, что благодаря технологическому прогрессу объём работы увеличивается. Некоторые специальности становятся более востребованными, появляется спрос и на новые специальности. Но неверно думать, что человек может выполнить какие-то задачи лучше машин. В этом суть мифа о превосходстве. Да, объём работ может увеличиться и измениться, но по мере того, как машины становятся умнее, вероятнее всего, они возьмут на себя этот новый объём работы. При технологическом прогрессе машины не столько дополняют человека, сколько дополняют сами себя.
To see this, go back to the task of driving a car. Today, satnav systems directly complement human beings. They make some human beings better drivers. But in the future, software is going to displace human beings from the driving seat, and these satnav systems, rather than complement human beings, will simply make these driverless cars more efficient, helping the machines instead. Or go to those indirect complementarities that I mentioned as well. The economic pie may get larger, but as machines become more capable, it's possible that any new demand will fall on goods that machines, rather than human beings, are best placed to produce. The economic pie may change, but as machines become more capable, it's possible that they'll be best placed to do the new tasks that have to be done. In short, demand for tasks isn't demand for human labor. Human beings only stand to benefit if they retain the upper hand in all these complemented tasks, but as machines become more capable, that becomes less likely.
Чтобы убедиться в этом, возьмём для примера вождение автомобиля. Сегодня системы спутниковой навигации напрямую дополняют человека. Благодаря им мы стали более эффективными и безопасными водителями. В будущем, однако, усовершенствованные компьютерные программы вытеснят человека с водительского кресла, а системы навигации, вместо того, чтобы дополнять человека, сделают более эффективными беспилотные автомобили, тем самым помогая самим машинам. Вспомним о примерах косвенной комплементарности, о которых я говорил. Экономический пирог может увеличиться, но по мере того, как машины становятся умнее, появившийся спрос, скорее всего, эффективнее удовлетворят машины, а не человек. Ингредиенты пирога тоже могут измениться, но по мере того, как машины будут приобретать новые навыки, возможно, именно они и займут новые рабочие места. Итак, спрос на рабочую силу — не обязательно спрос на человеческий труд. Человек может выиграть от этих перемен, но только если он будет контролировать комплементарные задачи. Но поскольку машины станут умнее, то и это можно поставить под сомнение.
So what do these three myths tell us then? Well, resolving the Terminator myth shows us that the future of work depends upon this balance between two forces: one, machine substitution that harms workers but also those complementarities that do the opposite. And until now, this balance has fallen in favor of human beings. But resolving the intelligence myth shows us that that first force, machine substitution, is gathering strength. Machines, of course, can't do everything, but they can do far more, encroaching ever deeper into the realm of tasks performed by human beings. What's more, there's no reason to think that what human beings are currently capable of represents any sort of finishing line, that machines are going to draw to a polite stop once they're as capable as us. Now, none of this matters so long as those helpful winds of complementarity blow firmly enough, but resolving the superiority myth shows us that that process of task encroachment not only strengthens the force of machine substitution, but it wears down those helpful complementarities too. Bring these three myths together and I think we can capture a glimpse of that troubling future. Machines continue to become more capable, encroaching ever deeper on tasks performed by human beings, strengthening the force of machine substitution, weakening the force of machine complementarity. And at some point, that balance falls in favor of machines rather than human beings. This is the path we're currently on. I say "path" deliberately, because I don't think we're there yet, but it is hard to avoid the conclusion that this is our direction of travel.
Какие же выводы мы можем сделать из этого? Развенчивая миф Терминатора, мы понимаем, что наше будущее зависит от взаимодействия двух сил: замещения машинами, которое вредит человеку, а также комплементарности, от которой человек только выигрывает. Пока чаша весов всегда склонялась в пользу человека. Развенчивая второй — интеллектуальный — миф, мы увидели, что первая сила — замещение машинами — тем не менее набирает силу. Машины, безусловно, не всемогущи, но они способны на многое и уже активно перенимают те специальности, которые когда-то принадлежали людям. У нас нет оснований полагать, что то, на что способен человек, представляет предел возможностей для машин и что машины учтиво остановятся на достигнутом, как только сравняются с человеком. На самом деле всё это не так важно, если выгодные для нас ветра комплементарности продолжат дуть в нужном направлении. Но развенчивая миф о превосходстве, мы понимаем, что постепенное вторжение машин в профессиональную деятельность человека не только упрочивает позиции машин при замещении человека, но и сводит на нет выгодные для нас силы комплементарности. Мы рассмотрели три мифа о будущем нашей работы, и картина вырисовывается довольно мрачная. Машины становятся более способными, всё глубже вторгаются в профессиональную деятельность человека, обретают бóльшую силу при замещении человека и ослабляют комплементарность. И в какой-то момент перевес окажется на стороне машин, а не людей. Сейчас мы находимся на этом пути. Я сказал «пути», потому что считаю, что мы ещё не дошли до финишной прямой. Но трудно не сделать вывод, что мы продолжаем двигаться в этом направлении.
That's the troubling part. Let me say now why I think actually this is a good problem to have. For most of human history, one economic problem has dominated: how to make the economic pie large enough for everyone to live on. Go back to the turn of the first century AD, and if you took the global economic pie and divided it up into equal slices for everyone in the world, everyone would get a few hundred dollars. Almost everyone lived on or around the poverty line. And if you roll forward a thousand years, roughly the same is true. But in the last few hundred years, economic growth has taken off. Those economic pies have exploded in size. Global GDP per head, the value of those individual slices of the pie today, they're about 10,150 dollars. If economic growth continues at two percent, our children will be twice as rich as us. If it continues at a more measly one percent, our grandchildren will be twice as rich as us. By and large, we've solved that traditional economic problem.
Это не может не беспокоить. Теперь я расскажу, почему я считаю, что этой проблеме мы должны радоваться. На протяжении почти всей истории человечества доминировала экономическая проблема: как увеличить экономический пирог, чтобы его хватило всем. На рубеже первого столетия нашей эры этого пирога хватило бы, чтобы каждому жителю планеты досталось ровно по несколько сотен долларов. Почти все жили за чертой или около черты бедности. Если перенестись на тысячу лет вперёд, вы увидите почти ту же картину. Но именно в последние пару сотен лет стал наблюдаться устойчивый экономический рост. Экономический пирог достиг небывалых размеров. В мировых масштабах ВВП на душу населения, то есть размер каждого отдельного кусочка пирога, сегодня составляет почти 10 150 долларов. Если рост мировой экономики продолжится на уровне 2%, наши дети станут в два раза богаче нас. Если этот показатель составит всего 1%, наши внуки окажутся богаче нас вдвое. То есть, по большому счёту, мы решили историческую проблему мировой экономики.
Now, technological unemployment, if it does happen, in a strange way will be a symptom of that success, will have solved one problem -- how to make the pie bigger -- but replaced it with another -- how to make sure that everyone gets a slice. As other economists have noted, solving this problem won't be easy. Today, for most people, their job is their seat at the economic dinner table, and in a world with less work or even without work, it won't be clear how they get their slice. There's a great deal of discussion, for instance, about various forms of universal basic income as one possible approach, and there's trials underway in the United States and in Finland and in Kenya. And this is the collective challenge that's right in front of us, to figure out how this material prosperity generated by our economic system can be enjoyed by everyone in a world in which our traditional mechanism for slicing up the pie, the work that people do, withers away and perhaps disappears.
Если технологическая безработица всё-таки станет реальностью, как ни странно, она окажется симптомом этого экономического успеха. Решив одну проблему: как сделать пирог больше, мы обзавелись новой проблемой: как сделать так, чтобы все жители планеты получили по куску пирога. Другие экономисты также заявили, что решить эту проблему будет непросто. Сегодня, чтобы получить кусочек, большинству населения надо лишь занять место за экономическим столом. Если работы для населения станет меньше или же её не будет совсем, непонятно, как распределятся эти куски. Уже обсуждаются различные формы безусловного основного дохода (БОД) — это один возможный подход. В США, Финляндии и Кении даже проводятся эксперименты с БОД. Нам всем предстоит решить вопрос о том, как распределить то материальное благосостояние, которое появится у нас в новой экономической системе, чтобы его плодами могли насладиться все жители планеты. В том новом мире наши традиционные механизмы распределения пирога и распределения объёма работы для каждого человека станут неэффективны и, возможно, исчезнут совсем.
Solving this problem is going to require us to think in very different ways. There's going to be a lot of disagreement about what ought to be done, but it's important to remember that this is a far better problem to have than the one that haunted our ancestors for centuries: how to make that pie big enough in the first place.
Чтобы решить эту проблему, нам придётся серьёзно подумать. Будет много споров о том, как к этому подойти. Но важно, чтобы мы помнили, что эта проблема — вовсе не проблема по сравнению с той, которая преследовала наших предков тысячелетиями, а именно, как сделать экономический пирог больше.
Thank you very much.
Благодарю за внимание.
(Applause)
(Аплодисменты)