بازار آریا - برایان آلبرشت* مترجم: مهران خسروزاده این روزها نگرانی درباره هوش مصنوعی بسیار گسترده شده است. اما نگرانی و هراس عمومی معمولا نقطه شروع مناسبی برای سیاستگذاری عقلانی نیست. نتیجه چنین فضایی، ظهور ایدههای عجیب و غریب است. یکی از این ایدهها، وضع مالیات بر توان پردازشی رایانهها یا آنچه گاهی «مالیات بر توان محاسباتی» (Compute Tax) نامیده میشود، است. اندرو یانگ، کارآفرین آمریکایی، از این ایده حمایت میکند؛ بنابراین لابد باید موضوع مهمی باشد.
والاستریت ژورنال نیز مورد توجه قرار گرفتن این ایده را تایید میکند: «۶ماه پیش این موضوع فقط در محافل بسیار محدود مطرح میشد، اما در سه ماه اخیر بهطور قابلتوجهی وارد جریان اصلی مباحث شده است.» آن گزارش والاستریت ژورنال نقلقولهای جالب فراوانی دارد و در ادامه چند بار به آن بازخواهم گشت. در همان گزارش، سیمون جانسون، برنده جایزه نوبل اقتصاد، مالیات بر توان محاسباتی را «ابزار سیاستی معقولی برای کند کردن روند اتوماسیون» توصیف میکند. اما آیا واقعا معقول است؟ همه ما میدانیم که وقتی چیزی را مشمول مالیات میکنید، مقدار کمتری از آن تولید یا مصرف میشود. بنابراین چنین مالیاتی احتمالا روند اتوماسیون را کند خواهد کرد. با این حال، «معقول» واژهای نیست که من برای توصیف آن انتخاب کنم. تنها اگر از هوش مصنوعی بیزار باشید و بخواهید مقدار کمتری از آن وجود داشته باشد، آنگاه شاید سیمون جانسون درست بگوید و این مالیات معقول به نظر برسد.
اما بر اساس معیارهای متعارف اقتصاد مالیه عمومی، مالیات بر توان محاسباتی تقریبا یکی از بدترین انواع مالیات است. اگر برایتان مهم است که تولید افزایش یابد، مازاد اقتصادی بیشتر شود و «زیان از دسترفته» به حداقل برسد، بهتر است از چنین مالیاتی فاصله بگیرید. در این یادداشت چرایی این موضع را توضیح میدهم. از بسیاری جهات، استدلالهای این بحث شبیه استدلالهایی است که درباره تعرفههای گمرکی مطرح میشود. میدانم که شاید تکراری به نظر برسد، اما همانطور که هربرت اسپنسر گفته است: «فقط از طریق تکرارهای متنوع میتوان مفاهیم بیگانه را بر ذهنهای مقاوم تحمیل کرد.»
مالیات بر توان محاسباتی چیست؟
مالیات بر توان محاسباتی نوعی عوارض یا مالیات بر منابع پردازشی است؛ برای مثال بر ساعات استفاده از پردازندههای گرافیکی (GPU)، قدرت پردازش، برق مصرفی مراکز داده یا شاخصهای مشابهی که فعالیتهای هوش مصنوعی را نمایندگی میکنند. اما اصطلاح «مالیات بر توان محاسباتی» در واقع دو طرح کاملا متفاوت را دربرمیگیرد و این تفاوت اهمیت زیادی دارد. آنتون کورینک و بن لاکوود در یک مقاله پژوهشی برای موسسه بروکینگز درباره مالیه عمومی در عصر هوش مصنوعی، دقیقترین چارچوب تحلیلی را در این زمینه ارائه کردهاند. آنها میان دو نوع مالیات «مالیات بر موجود» و «مالیات بر جریان» تمایز قائل میشوند.
در حالت مالیات بر موجودی، خود پردازندههای گرافیکی، مراکز داده یا خوشههای آموزشی هوش مصنوعی مشمول مالیات میشوند. این نوع مالیات اساسا شکلی از مالیات بر سرمایه است؛ موضوعی که کمی بعد مفصلتر به آن خواهم پرداخت. برداشت من این است که اغلب پیشنهادهای مطرحشده در عمل از همین نوع هستند. حتی ایده ممنوعیت ساخت مراکز داده را میتوان نوعی مالیات بسیار سنگین بر موجودی توان محاسباتی دانست.
در مالیات بر جریان، از نظر نظری میتوان به جای تجهیزات، خروجی تولیدشده را مشمول مالیات کرد؛ مثلا بر تعداد توکنهای تولیدشده، تصاویر خلقشده یا خدمات هوش مصنوعی مصرفشده. کورینک و لاکوود نسبت به این شکل از مالیات دیدگاه مثبتتری دارند. اما وقتی معافیت بنگاهبهبنگاه را که خودشان پیشنهاد میکنند به آن اضافه کنیم، در عمل چیزی که باقی میماند تفاوت چندانی با یک مالیات فروش یا مالیات بر ارزش افزوده (VAT) بر خدمات مصرفی هوش مصنوعی ندارد. به همین دلیل، به نظر من دیگر نباید آن را «مالیات بر توان محاسباتی» نامید.
مالیاتستانی بر چیز اشتباه
در نظریه مالیاتستانی بهینه، چند نتیجه بنیادی وجود دارد که بارها و بارها تکرار میشوند. درباره ترتیب اهمیت آنها ممکن است اختلافنظر وجود داشته باشد، اما به نظر من مهمترین نتیجه به پژوهشهای دایموند و میرلیز بازمیگردد. پیام اصلی آنها این است: بر کالاهای واسطهای مالیات وضع نکنید. تا جای ممکن، بخش تولیدی اقتصاد را کارآمد نگه دارید و اگر قصد بازتوزیع درآمد دارید، این کار را در مرحله نهایی و از طریق مالیات بر محصول نهایی انجام دهید. به همین دلیل است که این اصل را «کارآیی تولید دایموند-میرلیز» مینامند. توان محاسباتی امروز اهمیت بسیار زیادی دارد و در آینده نیز یکی از مهمترین نهادههای واسطهای اقتصاد مدرن خواهد بود. این نهاده در کشف داروهای جدید، پیشبینی وضعیت آبوهوا، شناسایی تقلب، تصویربرداری پزشکی، لجستیک، خدمات مشتریان و البته تولید تصاویر گربهای توسط هوش مصنوعی کاربرد دارد. وقتی بر توان محاسباتی مالیات میبندید، هزینه تمام این کاربردهای پاییندستی را افزایش میدهید.
در واقع پیش از آنکه کسی سهمی از کیک اقتصادی دریافت کند، خودِ کیک را کوچکتر میکنید. کورینک و لاکوود جمله جالبی دارند؛ مالیات بر توان محاسباتی شبیه مالیات بستن بر فولاد در دوران انقلاب صنعتی است. شما با گران کردن فولاد مردم را ثروتمندتر نمیکنید.
شباهت با تعرفههای گمرکی
همین مشکل، ایراد اصلی تعرفههای اعمالشده بر کالاهای واسطهای نیز بود. همانطور که قبلا توضیح دادهام، یک تعرفه ۱۰ درصدی بر قطعات وارداتی خودرو میتواند در طول زنجیره تولید انباشته شود و در نهایت معادل مالیاتی ۳۰درصدی بر خودروی نهایی باشد. البته اثر زنجیرهای مالیات بر توان محاسباتی شاید به شدت مالیات بر نهادههایی حتی بالادستیتر، مانند نیمههادیها، نباشد؛ اما منطق آن مشابه است. اگر ساعات استفاده از پردازندههای گرافیکی که برای آموزش یک مدل هوش مصنوعی به کار میروند مشمول مالیات شوند، این هزینه به تمام محصولاتی که از آن مدل استفاده میکنند منتقل خواهد شد.
در نتیجه شرکتهای داروسازی هزینه بیشتری میپردازند؛ شرکتهای پیشبینی هوا هزینه بیشتری میپردازند؛ استارتآپهای تشخیص تقلب هزینه بیشتری میپردازند؛ شرکتهای حسابداری هزینه بیشتری میپردازند. در یک کلام، همه مجبور خواهند شد بیشتر هزینه کنند. اما چرا باید هزینه تمام این فعالیتها را افزایش دهید؟
چرا نباید سرمایه را مشمول مالیات کرد؟
این بحث ما را به یکی دیگر از نتایج مهم نظریه مالیاتستانی بهینه میرساند: بر سرمایه مالیات نبندید. نتیجه مشهور چملی–جاد اساسا میگوید که نرخ بهینه مالیات بر سرمایه در بلندمدت صفر است. البته بسیاری از اقتصاددانان معتقدند حتی در کوتاهمدت نیز استدلالهای مشابهی برقرار است. مراکز داده سرمایهاند.
خوشههای آموزشی هوش مصنوعی سرمایهاند. کل زیرساخت هوش مصنوعی چیزی جز یک سرمایهگذاری عظیم سرمایهای نیست. بنابراین مالیات بر توان محاسباتی دقیقا همان سرمایهگذاریهایی را تضعیف میکند که قرار است در طول زمان هزینه استفاده از هوش مصنوعی را کاهش داده و دسترسی به آن را گسترش دهند.
این کار شبیه آن است که برای حمایت از کسانی که با دست خالی از درخت نارگیل بالا میروند، بر نردبان مالیات وضع کنیم. شما با گران کردن نردبان به این افراد کمک نمیکنید. کمک واقعی آن است که نردبان آنقدر ارزان شود که همه بتوانند یکی داشته باشند. اگر بعدا خواستید درآمدها را بازتوزیع کنید، بهجای مالیات بر نردبان، بر نارگیلها مالیات ببندید.
ایده بد بازتوزیعی
مالیات بر سرمایه حتی از منظر بازتوزیع درآمد نیز چندان منطقی نیست. ویژگیهایی از هوش مصنوعی که مردم بابت آنها نگرانند، مانند جانشینی آسان میان سرمایه و نیروی کار، تحرک بالای سرمایه و قابلیت خودتکثیری زیرساختها، دقیقا همان ویژگیهایی هستند که مالیات بر سرمایه را به سیاستی زیانبار تبدیل میکنند.
وقتی عرضه سرمایه کششپذیر باشد، بار مالیات بر سرمایه لزوما بر دوش صاحبان سرمایه باقی نمیماند؛ بلکه از طریق کاهش دستمزدها به کارگران منتقل میشود. هرچه سرمایه متحرکتر و جانشینپذیرتر شود، مالیات بستن بر آن بیشتر به ضرر همان کارگرانی تمام خواهد شد که قرار بوده از آنها حمایت شود.
شاید باید یارانه داد
تا اینجا، نتایج نظریههای دایموند- میرلیز و چملی-جاد نشان میدهند که مالیات بر توان محاسباتی، در هر نرخی، مالیات نامناسبی است. اما حتی شاید بتوان یک گام فراتر رفت: آیا نباید به جای مالیات گرفتن، به توان محاسباتی یارانه داد؟
اصل پیگویی که نخستین بار در سال ۱۹۲۰ مطرح شد، میگوید نرخ بهینه یک مالیات اصلاحی بر یک فعالیت، باید برابر با هزینه خارجی نهایی آن فعالیت باشد. هنگامی که یک فعالیت آثار خارجی منفی (مانند آلودگی یا ازدحام) ایجاد میکند، باید به اندازه هزینه اجتماعی آن مالیات وضع شود. اما اگر یک فعالیت آثار خارجی مثبت ایجاد کند، آنگاه نرخ بهینه مالیات بر آن در واقع منفی خواهد بود؛ یعنی باید به آن یارانه پرداخت شود.
این احتمال کاملا معقول به نظر میرسد که توان محاسباتی دستکم از دو مسیر مختلف آثار خارجی مثبت ایجاد کند. نخست، پدیده «یادگیری از طریق انجام دادن» مطرح است. اگر ما در حال آموزش مدلهای هوش مصنوعی باشیم و دیگران نیز از این فرآیند چیزهایی بیاموزند، آنگاه منحنی عرضه صنعت میتواند شیب نزولی پیدا کند؛ به این معنا که تولید من، به تولید شما نیز کمک میکند.
برای مثال، شرکتی که یکمیلیونُمین پردازنده گرافیکی را تولید میکند، تمام ارزش اجتماعی ناشی از پیشبرد فناوری در امتداد منحنی هزینه را به دست نمیآورد. همه کسانی که در آینده از پردازندههای ارزانتر استفاده خواهند کرد، از تجربه انباشتهشده آن تولیدکننده بهرهمند میشوند، بیآنکه هزینهای بابت آن بپردازند. این دقیقا یک اثر خارجی مثبت است. از این منظر، ممکن است بخواهیم تولیدکنندگان را تشویق کنیم تا بیشتر در این مسیر حرکت کنند و هزینهها را برای همگان کاهش دهند. وقتی میبینیم عملکرد پردازندههای گرافیکی بهطور مداوم بهبود مییابد، به نظر میرسد این استدلال تا حدی قابل قبول باشد. البته ممکن است بخش عمده این مزایا در داخل خود شرکت انویدیا جذب شود و در نتیجه اصلا با یک اثر خارجی واقعی مواجه نباشیم.
مسیر دوم به آثار سرریز ناشی از «فناوریهای عمومی» یا GPTs مربوط میشود. برزنهان و تراختنبرگ در سال ۱۹۹۵ فناوری عمومی را فناوریای تعریف کردند که در طیف گستردهای از صنایع کاربرد داشته باشد، به مرور زمان بهبود یابد و بتواند نوآوریهای مکمل فراوانی را ایجاد کند. نمونههای کلاسیک این نوع فناوری عبارتاند از: ماشین بخار، برق، نیمهرساناها و اکنون توان محاسباتی مورد استفاده در هوش مصنوعی.
فناوریهای عمومی آثار خارجی دوطرفه ایجاد میکنند. از یک سو، استفادهکنندگان این فناوری تمام منافع ناشی از کاهش هزینههای آن را درونی نمیکنند؛ و از سوی دیگر، تولیدکنندگان نیز نمیتوانند تمام ارزش ناشی از نوآوریهای پاییندستیای را که بعدها بر بستر فناوری آنها شکل میگیرد، تصاحب کنند. بنابراین با ترکیبی از دو پدیده مواجهیم: هم یادگیری از طریق انجام دادن، و هم این واقعیت که هنگامی که دیگران از محصول شما استفاده میکنند، بخشی از منافع آن به شما بازنمیگردد.
البته در عمل، من تردید دارم که درک کافی از سازوکار این آثار داشته باشیم تا بتوانیم یک برنامه یارانهای موثر طراحی کنیم. اصولا نسبت به استدلالهای مبتنی بر آثار خارجی بدبین هستم. اگر قرار باشد هر زمان که چیزی را دوست داریم یا از آن میترسیم، به آثار خارجی استناد کنیم، خیلی زود وارد وضعیتی آشفته خواهیم شد که در آن صرفا ادعا میکنیم «هوش مصنوعی فوقالعاده است» یا «هوش مصنوعی همه ما را نابود خواهد کرد.» صرفا میخواهم بگویم که از منظر پیگویی، اصلا بدیهی نیست که باید توان محاسباتی را مشمول مالیات کنیم.
بد در تئوری، دشوار در عمل
تمام بحثهای بالا در قلمرو نظریه استاندارد اقتصادی قرار داشتند؛ در سطحی انتزاعی و نظری. اما بیایید کمی واقعبینانهتر به مساله نگاه کنیم. فرض کنید قانونگذاران بخواهند قانون مالیات بر توان محاسباتی را بنویسند. سوال سادهای مطرح میشود: اصلا چه چیزی مشمول مالیات خواهد بود؟ به نظر میرسد که قطعا باید پردازندهای را که در حال آموزش یک مدل زبانی بزرگ است مشمول مالیات بدانیم. اما چگونه قرار است این موضوع را ردیابی کنیم؟ اگر همان پردازنده گرافیکی مشغول رندر کردن یک بازی ویدئویی باشد چه؟ وقتی لپتاپ من در حال اجرای یک برنامه است یا تلفن همراه من قابلیت اصلاح خودکار متن را اجرا میکند، آیا این هم «توان محاسباتی مشمول مالیات» محسوب میشود؟ احتمالا نه. اما اگر همین فعالیتها از طریق مراکز داده و رایانش ابری انجام شوند چه؟ متخصصان مالیاتی پیشتر دقیقا همین مشکل را درباره ایده «مالیات بر روباتها» مطرح کرده بودند؛ ایدهای که به همان دلایل، ایده بدی محسوب میشود. آیا قرار است دستگاههای خودپرداز بانکی (ATM) را هم مشمول مالیات کنیم؟
هر تعریفی که ارائه شود، یکی از دو سرنوشت زیر را خواهد داشت: یا آنقدر محدود خواهد بود که شرکتها بهسادگی با تغییر برچسب فعالیتهای خود از آن فرار کنند؛ یا آنقدر گسترده خواهد شد که عملا هر وسیلهای که دارای پردازنده است را مشمول مالیات خواهد کرد. و هر دو نتیجه فاجعهبارند.
نباید فراموش کنیم که معافیتهای مختلف نیز به سرعت وارد ماجرا خواهند شد. آیا به جایی خواهیم رسید که قانون بگوید: «دادههای آمریکایی» (که اصلا تعریف نشدهاند) باید «پردازش شوند» (که آن هم تعریف نشده است) و این پردازش باید روی «مادربوردهای ساخت آمریکا» (که باز هم تعریف نشدهاند) انجام شود؟ آیا هوش مصنوعی پزشکی از مالیات معاف خواهد شد؟ مدلسازی اقلیمی چطور؟ کاربردهای امنیت ملی چه؟ هر معافیت جدید، به هدفی برای لابیگری تبدیل خواهد شد. در مقابل، یک مالیات عمومی بر مصرف چنین مشکلی ندارد. این نوع مالیات فقط بر معامله نهایی وضع میشود. اهمیتی ندارد که کالا توسط انسان تولید شده یا هوش مصنوعی. همچنین نیازی نیست میان «توان محاسباتی هوش مصنوعی» و «توان محاسباتی عادی» تمایز قائل شویم. این مالیات نسبت به فناوری بیطرف است.
اگر هدف صرفا کند کردن روند اتوماسیون باشد، همانطور که سیمون جانسون پیشنهاد میکند، یک بحث است. اما اگر هدف کسب درآمد برای بازتوزیع آن به نیروی کار باشد (و فعلا مشکلات قبلی را نادیده بگیریم)، موضوع کاملا متفاوتی خواهد بود. اینجاست که طرفداران مالیات بر توان محاسباتی ترجیح میدهند سکوت کنند.
آنتون کورینک، که نگرانیهای مربوط به جایگزینی نیروی کار توسط هوش مصنوعی را بسیار جدی میگیرد، خود اذعان میکند که اعداد و ارقام چندان امیدوارکننده نیستند و مالیات بر توان محاسباتی: «مقداری اندک درآمد ایجاد میکند، اما تاثیر معناداری نخواهد داشت». هزینههای مرتبط با توان محاسباتی در آمریکا اگرچه از نظر مطلق بزرگ هستند، اما در مقایسه با تولید ناخالص داخلی سهم نسبتا کوچکی دارند.
اگر بخواهید از این محل درآمد کافی برای تامین یک درآمد پایه همگانی (UBI) قابلتوجه فراهم کنید، ناچار خواهید بود نرخهای مالیاتی نجومی وضع کنید؛ نرخهایی که اعوجاجهای اقتصادی بسیار بزرگی ایجاد خواهند کرد. من قبلا محاسبات آن را انجام دادهام. وقتی پایه مالیاتی کوچک باشد، برای کسب درآمد قابلتوجه باید نرخ مالیات بسیار بالا باشد؛ و زیان رفاهی ناشی از مالیات تقریبا با مربع نرخ مالیات افزایش مییابد. این وضعیت برای تعرفههای تجاری نیز بد است؛ جایی که واردات حدود ۱۰ درصد مصرف را تشکیل میدهد. اما در مورد توان محاسباتی، پایه مالیاتی حتی از این هم کوچکتر است.
البته نباید آن «کششهای» دردسرساز را فراموش کنیم؛ همان عواملی که همیشه برنامهریزان مرکزی را به دردسر میاندازند. زیرساختهای محاسباتی میتوانند جابهجا شوند. برخلاف زمین و حتی بسیاری از انواع نیروی کار، مراکز داده و پروژههای آموزش مدلهای هوش مصنوعی قابلیت انتقال دارند. بنابراین اگر آمریکا بهتنهایی مالیات بر توان محاسباتی وضع کند، بسیاری از پروژههای آموزشی به کانادا، کشورهای حوزه خلیج فارس یا هر منطقهای که برق ارزانتر و مالیات کمتر دارد منتقل خواهند شد.
پس چه باید کرد؟
البته هیچکس ادعا نمیکند که نظام مالیاتی فعلی آمریکا ایدهآل است. بنابراین این سوال مطرح میشود که آیا میتوان آن را اصلاح کرد؟ اریک برینیولفسون از دانشگاه استنفورد نکته بسیار مهمی را مطرح میکند: «نظام مالیاتی فعلی آمریکا از همین حالا نیز بهطور ضمنی نیروی کار را نسبت به ماشینها در موقعیت نامساعدتری قرار میدهد.» شرکتی را تصور کنید که هزار کارمند دارد. این شرکت، از جمله از طریق مالیاتهای حقوق و دستمزد، مالیات بیشتری نسبت به شرکتی میپردازد که همان میزان درآمد را با هزار دستگاه ماشین به دست میآورد. بنابراین اگر نگرانی اصلی این است که نظام مالیاتی به نفع اتوماسیون و علیه نیروی کار سوگیری دارد، بهتر است ابتدا همین عدم تقارن موجود را اصلاح کنیم؛ نه اینکه مالیات جدیدی بر ماشینها یا توان محاسباتی اختراع کنیم.
* اقتصاددان