論文の概要: Machines are more productive than humans until they aren't, and vice versa

• arxiv url: http://arxiv.org/abs/2509.14057v4
• Date: Thu, 02 Oct 2025 10:32:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 14:32:17.102675
• Title: Machines are more productive than humans until they aren't, and vice versa
• Title（参考訳）: 機械は人間より生産的で、そうでなければその逆だ
• Authors: Riccardo Zanardelli,
• Abstract要約: 本稿では,実証現実主義に基づくモンテカルロシミュレーションに基づくシリコン内フレームワークを開発し,人的・機械的スキルの経済的影響を分析する。 高いレベルの一般化が必要であり、エラーのコストが高い場合、人間と機械のスキルを組み合わせることが最も効果的な戦略であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the growth of artificial skills, organizations are increasingly confronting the problem of optimizing skill policy decisions guided by economic principles. This paper addresses the underlying complexity of this challenge by developing an in-silico framework based on Monte Carlo simulations grounded in empirical realism to analyze the economic impact of human and machine skills, individually or jointly deployed, in the execution of tasks presenting varying levels of complexity. Our results provide quantitative support for the established notions that automation tends to be the most economically-effective strategy for tasks characterized by low-to-medium generalization difficulty, while automation may struggle to match the economic utility of human skills in more complex scenarios. Critically, our simulations highlight that, when a high level of generalization is required and the cost of errors is high, combining human and machine skills can be the most effective strategy, but only if genuine augmentation is achieved. In contrast, when failing to realize this synergy, the human-machine policy is severely penalized by the inherent costs of its dual skill structure, causing it to destroy value and become the worst choice from an economic perspective. The takeaway for decision-makers is unambiguous: in complex and critical contexts, simply allocating human and machine skills to a task may be insufficient, and a human-machine skill policy is neither a silver-bullet solution nor a low-risk compromise. Rather, it is a critical opportunity to boost competitiveness that demands a strong organizational commitment to enabling augmentation. Also, our findings show that improving the cost-effectiveness of machine skills over time, while useful, does not replace the fundamental need to focus on achieving augmentation.
• Abstract（参考訳）: 人工的なスキルの成長に伴い、組織は、経済原理によって導かれるスキルポリシー決定を最適化する問題にますます直面している。 本稿では, モンテカルロシミュレーションを基礎として, 複雑度の異なるタスクの実行において, 人や機械のスキルの経済的影響を個別に, 共同で分析するために, 経験的リアリズムを基盤としたシリカ内フレームワークを開発することにより, 課題の根底にある複雑性に対処する。 以上の結果から, 自動化は, より複雑なシナリオにおいて, 人的スキルの経済的有用性に適合することが困難であるのに対して, 低～中級の一般化困難を特徴とするタスクに対して, 最も経済的に有効な戦略である,という確固たる概念を定量的に裏付けることができた。 重要な点として,我々のシミュレーションでは,高レベルの一般化が必要であり,エラーのコストが高い場合には,人間と機械のスキルを組み合わせることが最も効果的な戦略であるが,真の拡張が達成された場合に限る。 対照的に、このシナジーの実現に失敗した場合、人間機械政策は、その二重スキル構造の本質的なコストによって厳しく罰せられ、価値を破壊し、経済的な見地から最悪の選択となる。 複雑で批判的な文脈では、人や機械のスキルをタスクに割り当てるだけでは不十分であり、人や機械のスキルポリシーは銀塊の解決策でもリスクの低い妥協でもない。 むしろ、競争力を高めるための重要な機会であり、拡張を可能にするために強力な組織的コミットメントを必要とします。 また,機械スキルの時間的コスト効率の向上は有用ではあるが,強化に重点を置くことの根本的ニーズに取って代わるものではないことも示唆した。

関連論文リスト

• Stochastic, Dynamic, Fluid Autonomy in Agentic AI: Implications for Authorship, Inventorship, and Liability [0.2209921757303168]
  エージェントAIシステムは、暗黙の学習を通じて戦略を適応し、自律的に目標を追求する。 人間と機械の貢献は、相互に絡み合った創造的なプロセスに不可避的に絡まってしまう。 法律と政策の枠組みは、人間と機械の貢献を機能的に同等に扱う必要があるかもしれないと我々は主張する。
  論文  参考訳（メタデータ） (2025-04-05T04:44:59Z)
• The impact of artificial intelligence: from cognitive costs to global inequality [0.0]
  人工知能は進歩のための重要な機会を提供するが、その急速な成長は世界の不平等を悪化させるかもしれないと我々は主張する。 我々は,人工知能のメリットを公平に共有し,そのリスクを効果的に管理するための政策作成に,学術コミュニティが積極的に参加するよう促す。
  論文  参考訳（メタデータ） (2025-03-11T05:49:00Z)
• Gradual Disempowerment: Systemic Existential Risks from Incremental AI Development [15.701299669203618]
  我々は、AI能力の漸進的な改善が、社会が依存する大規模システムに対する人間の影響力を損なうことができるかを分析する。 このダイナミクスは、重要な社会システムに対する人間の影響を効果的に不可逆的に喪失させ、人類の恒久的な分散を通じて、実在する大惨事を引き起こす可能性がある、と我々は主張する。
  論文  参考訳（メタデータ） (2025-01-28T13:45:41Z)
• Societal Adaptation to AI Human-Labor Automation [0.0]
  本稿では、社会がAIによるヒューマンコラボレーションの自動化にどのように適応できるかを分析する。 脅威モデルは、大量失業とその社会経済的な結果に焦点を当てている。 この分析は、AIの発展方法を形成する「能力改善介入」(CMI)と、社会の調整を支援する「適応介入」(ADI)の両方を探求する。
  論文  参考訳（メタデータ） (2024-12-07T15:08:11Z)
• Augmenting Minds or Automating Skills: The Differential Role of Human Capital in Generative AI's Impact on Creative Tasks [4.39919134458872]
  ジェネレーティブAIは、創造的な仕事を急速に作り直し、その受益者や社会的意味について批判的な疑問を提起している。 この研究は、創造的タスクにおいて、生成的AIが様々な形態の人的資本とどのように相互作用するかを探求することによって、一般的な仮定に挑戦する。 AIはクリエイティブツールへのアクセスを民主化するが、同時に認知的不平等を増幅する。
  論文  参考訳（メタデータ） (2024-12-05T08:27:14Z)
• Causal Responsibility Attribution for Human-AI Collaboration [62.474732677086855]
  本稿では,人間のAIシステムにおける責任を体系的に評価するために,構造因果モデル(SCM)を用いた因果的枠組みを提案する。 2つのケーススタディは、多様な人間とAIのコラボレーションシナリオにおけるフレームワークの適応性を示している。
  論文  参考訳（メタデータ） (2024-11-05T17:17:45Z)
• Hype, Sustainability, and the Price of the Bigger-is-Better Paradigm in AI [67.58673784790375]
  AIパラダイムは、科学的に脆弱なだけでなく、望ましくない結果をもたらすものだ、と私たちは主張する。 第一に、効率の改善にもかかわらず、その計算要求はモデルの性能よりも速く増加するため、持続可能ではない。 第二に、健康、教育、気候などの重要な応用は別として、他人を犠牲にして特定の問題に焦点をあてることである。
  論文  参考訳（メタデータ） (2024-09-21T14:43:54Z)
• Building a Foundation for Data-Driven, Interpretable, and Robust Policy Design using the AI Economist [67.08543240320756]
  AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。 RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2021-08-06T01:30:41Z)
• The AI Economist: Optimal Economic Policy Design via Two-level Deep Reinforcement Learning [126.37520136341094]
  機械学習に基づく経済シミュレーションは強力な政策・メカニズム設計の枠組みであることを示す。 AIエコノミスト(AI Economist)は、エージェントと共同適応するソーシャルプランナーの両方を訓練する2段階のディープRLフレームワークである。 単純な一段階の経済では、AIエコノミストは経済理論の最適税制を回復する。
  論文  参考訳（メタデータ） (2021-08-05T17:42:35Z)
• Decentralized Reinforcement Learning: Global Decision-Making via Local Economic Transactions [80.49176924360499]
  我々は、シーケンシャルな意思決定問題を解決するために、単純で専門的で自己関心のあるエージェントの社会を指示する枠組みを確立する。 我々は分散強化学習アルゴリズムのクラスを導出する。 我々は、より効率的な移動学習のための社会固有のモジュラー構造の潜在的な利点を実証する。
  論文  参考訳（メタデータ） (2020-07-05T16:41:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。