Bagaimana AI juga akan menulis undang-undang kita

Bagaimana AI juga akan menulis undang-undang kita

Hampir 90% dari peralatan lobi federal bernilai miliaran dolar di Amerika Serikat melayani kepentingan perusahaan. Dalam beberapa kasus, tujuan uang itu mencolok. Google menggelontorkan jutaan uang untuk melobi tagihan yang terkait dengan peraturan antimonopoli. Perusahaan energi Elephantine meminta tindakan setiap kali ada peralihan ke total sewa pengeboran untuk tanah federal, sebagai ganti jutaan kontribusi yang mereka berikan untuk kampanye pemilihan kembali kongres.

Namun rekomendasi melobi tidak selalu begitu tumpul, dan minat pengejaran tidak selalu begitu mencolok. Ambil contoh, misalnya, undang-undang Massachusetts 2013 yang mencoba melarang penggunaan industri data restful dari siswa K-12 menggunakan perusahaan dan produk yang diakses melalui pertemuan. RUU tersebut menarik bagi banyak pendukung pelatihan sadar privasi, dan memang demikian. Meskipun demikian bodoh pembenaran melestarikan siswa meletakkan perlindungan yang mengubah pasar: RUU tersebut pernah diluncurkan atas perintah pelobi Microsoft, dengan konsep untuk mengecualikan dokter Google Scientific dari ruang kuliah.

Apa yang akan terjadi jika rekomendasi yang sangat bagus tapi licik untuk memiringkan fondasi demi memilih satu komunitas daripada yang lain menjadi standar ekstra dan efektif? Kami berada dalam posisi untuk melihat tanda-tanda pengakuan dalam kerangka luar biasa di mana instrumen kecerdasan sintetis secara keseluruhan mulai dari penulisan hingga pembuatan grafik sedang dikembangkan dan ditingkatkan. Dan kesimpulan yang tak terhindarkan adalah bahwa AI akan merancang lobi yang lebih jujur, dan mungkin lebih sukses.

Tampaknya ada celah murni untuk teknologi ini: mikrolegislasi.

“Mikrolegislasi” adalah istilah untuk potongan-potongan kecil dari peraturan yang diusulkan yang melayani — paling tanpa henti secara tiba-tiba — untuk pengejaran yang ramping. Ilmuwan politik Amy McKay menciptakan istilah tersebut. Dia mempelajari 564 amandemen Undang-Undang Perawatan Murah (“Obamacare”) yang dipertimbangkan oleh Komite Keuangan Senat pada tahun 2009, selain posisi 866 tim lobi dan kontribusi kampanye mereka. Dia mendokumentasikan situasi di mana komentar pelobi — tentang analisis perawatan kesehatan, perusahaan dan produk vaksin, dan berbagai ketentuan — segera diterjemahkan ke dalam undang-undang mikro dalam cetak biru amandemen. Dan dia menemukan bahwa kontribusi moneter tim-tim tersebut kepada senator eksplisit di komite meningkatkan kemungkinan lolosnya amandemen.

Temuannya bahwa melobi berhasil tidak mengejutkan. Lebih penting lagi, pekerjaan McKay menunjukkan bahwa gadget komputer dapat memprediksi nasib amandemen legislatif yang diusulkan, selain sebagai cara yang paling berhasil dilakukan oleh pelobi untuk memvalidasi hasil yang mereka inginkan. Dan itu tampaknya menjadi bagian penting dalam menyiapkan pelobi AI.

Melobi telah lama menjadi setengah dari memberi dan menerima di antara pembuat kebijakan manusia dan advokat yang bekerja untuk menyeimbangkan pengejaran mereka yang bersaing. Kekhawatiran mikrolegislasi—masalah yang sangat diperburuk oleh AI—adalah bahwa hal itu juga ketinggalan zaman dalam rencana yang membuatnya rumit untuk menentukan siapa yang benar-benar diuntungkan oleh hukum.

Tetapi masing-masing sadar akan harta karun rencana itu adalah “peretasan”. Peretasan menyetujui dasar-dasar mesin tetapi menumbangkan niat mereka. Peretasan tak henti-hentinya dikaitkan dengan program komputer, tetapi konsepsi yang mungkin dapat diterima oleh program sosial seperti pasar uang, kode pajak, dan proses legislatif.

Sementara dalil pengejaran uang yang menggabungkan ilmu terapan pendukung AI ke dalam lobi mereka tetap hipotetis, ilmu terapan pembelajaran mesin eksplisit ada akhir-akhir ini yang mungkin akan memungkinkan mereka untuk melakukannya. Kami harus selalu diam-diam meminta cara-cara ini untuk memulihkan dan pemanfaatannya untuk tumbuh, faktual seperti yang telah kami pertimbangkan di berbagai bidang.

Begini cara kerjanya.

Membuat mikrolegislator AI

Untuk mencetak mikrolegislasi, program pembelajaran mesin harus selalu dapat mengungkapkan perubahan terkecil yang dapat dilakukan pada undang-undang atau peraturan yang ada yang akan menjadi cetak biru yang terakhir berdampak sadar pada hobi yang ramping.

Ada tiga tantangan keseluruhan antusias. Pertama, tampaknya Anda juga harus membuat cetak biru usulan perlindungan—kecil menyarankan modifikasi pada teks yang bagus—dan menantikan apakah pembaca manusia akan mengakui perubahan itu sebagai substantif atau tidak. Di sini diperlukan; sebuah metamorfosis yang tidak terdeteksi tampaknya akan berlalu tanpa kontroversi. Kedua, ada baiknya untuk selalu memberlakukan mempengaruhi evaluasi untuk misi implikasi dari perubahan itu untuk pengejaran moneter jangka pendek atau jangka panjang dari perusahaan. Ketiga, tampaknya Anda akan menyukai a melobi pembuat strategi untuk menyebutkan tuas energi apa yang harus diseret untuk mengumpulkan pada dasarnya salah satu proposal terbaik ke dalam regulasi.

Instrumen AI yang ada dapat memilah ketiganya.

Langkah pertama, usulan perlindungan, memanfaatkan fitur inti AI generatif. Perangkat lunak bahasa yang baik, bentuk yang telah ketinggalan zaman karena sering chatbots seperti ChatGPT, dapat dengan mudah diadaptasi untuk menulis harta karun lokal di berbagai domain yang pada dasarnya bagus setelah melihat contoh pilihan kecil yang indah. Proyek ini diyakini sebagai fine-tuning. Mari kita perintahkan, model “pra-dididik” pada perpustakaan yang menarik dari sampel teks umum dari buku dan kumpulan juga akan “disetel dengan baik” untuk berhasil bekerja pada literatur ilmiah, makalah sains komputer, dan opini produk.

Mengingat kemampuan beradaptasi dan kemampuan untuk beradaptasi ini, model bahasa yang menggairahkan akan disesuaikan untuk mengembangkan draf teks legislatif, mengingat data yang berisi amandemen yang disediakan sebelumnya dan undang-undang yang terkait dengannya. Data pelatihan dapat diakses tanpa penundaan. Di tingkat federal, ini disediakan oleh US Authorities Publishing Thunder of Business, dan sudah ada alat untuk mengunduh dan berinteraksi dengannya. Sebagian besar berbagai yurisdiksi menyajikan umpan data yang serupa, dan bahkan ada kumpulan yang mudah dari data tersebut.

Di antara masa-masa itu, gadget bahasa yang menggairahkan menghargai satu-satunya yang mendasari ChatGPT secara mekanis ketinggalan zaman untuk meringkas dokumen yang panjang dan rumit (bahkan undang-undang dan kode komputer) untuk menangkap aspek yang diperlukan, dan agar dioptimalkan untuk memastikan ekspektasi manusia. Kemampuan ini mungkin juga akan memungkinkan asisten AI untuk memprediksi secara robotik seberapa terdeteksi tindakan sederhana penyisipan perlindungan bagi pembaca manusia.

Saat ini, dibutuhkan tim pelobi manusia yang dibayar sangat mahal atau per minggu untuk membuat dan menganalisis undang-undang mikro alternatif atas nama pembelanja. Dengan bantuan AI, hal itu dapat dilakukan secara instan dan murah. Ini membuka pintu untuk peningkatan dramatis dalam ruang lingkup undang-undang mikro yang kasar ini, dengan skala yang tampaknya mencakup semua rencana di mana melalui preferensi tagihan apa pun di yurisdiksi mana pun.

HOT 🔥  Unduhan: lebah robot, dan tawaran pengawasan China

Mesin pengajaran untuk menilai pengaruh

Evaluasi kesan ekstra kompleks. Mungkin ada serangkaian rekomendasi yang kaya untuk mengukur hasil kehancuran yang diprediksi dari suatu nama atau perlindungan, dan kemudian juga mengoptimalkan pengembalian di bawah model itu. Metodologi kasar ini menggunakan berbagai nama di berbagai kalangan — pemrograman matematika dalam ilmu manajemen, maksimalisasi utilitas dalam ilmu ekonomi, dan sumber rasional dalam ilmu kehidupan.

Untuk menyiapkan AI untuk memberlakukan ini, kita harus selalu menetapkan beberapa rencana untuk menghitung pendapatan ke berbagai pihak sebagai hasil dari preferensi perlindungan. Itu mungkin juga berarti memperkirakan pengembalian moneter ke berbagai perusahaan di bawah ini tentang berbagai kemungkinan perpajakan atau regulasi. Ekonom ahli dalam membangun gadget perhatian menghargai ini, dan perusahaan sudah diharuskan untuk merumuskan dan mengulangi komponen perhatian kepatuhan peraturan kepada pedagang. Bentuk model matematis ini mungkin juga akan segera diterjemahkan tanpa penundaan menjadi fitur hadiah, mesin penilaian yang mungkin juga akan memberikan umpan balik untuk model yang sudah ketinggalan zaman untuk mencetak proposal perlindungan dan mengatur rencana pembinaannya.

Arti sebenarnya dalam evaluasi dampak untuk perangkat AI yang produktif adalah untuk mengurai keluaran tekstual dari harta model ChatGPT dalam hal model keuangan akan lebih mudah digunakan. Mengotomatiskan ini dapat memerlukan penggalian data moneter terstruktur dari draf modifikasi atau hukum apa pun yang mengelilinginya. Ekstraksi data kasar ini juga merupakan rumah di mana AI memiliki sejarah panjang; Misalnya, program AI telah diajarkan untuk mengakui aspek vital klinis dalam catatan dokter. Indikasi awal adalah bahwa gadget bahasa yang menggairahkan agak faktual dalam mengenali data moneter dalam teks yang mengingatkan pada transkrip nama investor. Sementara itu tetap asli di lapangan, mereka mungkin juga memiliki kemampuan untuk menulis rencana multi-langkah sesuai dengan deskripsi dalam teks bebas.

Mesin sebagai ahli strategi

Bagian penutup dari teka-teki ini adalah a melobi pembuat strategi untuk mencari tahu tindakan apa yang harus diambil untuk membujuk anggota parlemen untuk melakukan modifikasi.

Mengesahkan undang-undang membutuhkan kepercayaan yang kuat dari jaringan kantor legislatif, tim luar ruangan, lembaga eksekutif, dan berbagai pemangku kepentingan yang saling terkait yang kompleks yang berlomba-lomba untuk memotivasi pengejaran mereka yang sangat terbatas. Setiap pelaku dalam jaringan ini memiliki perspektif dasar dan berbagai komponen yang memengaruhi titik catatan tersebut. Haruskah kami perintahkan, seorang legislator akan tergerak dengan melihat pemangku kepentingan yang bersekutu mengambil tempat yang kokoh, atau oleh cerita data negatif, atau oleh kontribusi kampanye.

Tampaknya pengembang AI sangat berpengalaman dalam memodelkan bentuk jaringan ini. Perangkat pembelajaran mesin untuk grafik jaringan telah dibuat, disempurnakan, ditingkatkan, dan diulangi oleh ratusan peneliti yang bekerja pada hal-hal yang sangat berbeda: pemindaian lidar yang sudah ketinggalan zaman menjadi mobil self-riding data, opsi kimiawi dari konstruksi molekuler, penangkapan gerakan pada aktor ‘ sambungan untuk grafik komputer, perilaku di jejaring sosial, dan banyak lagi.

Dalam konteks lobi yang dibantu AI, aktor politik menghargai legislator dan pelobi adalah simpul pada grafik, pelanggan harta faktual di jejaring sosial. Kerabat di antara mereka adalah tepi grafik, menghargai koneksi sosial. Data catatan juga akan diteruskan di sepanjang tepian itu, pesan berharga yang dikirim ke teman atau kontribusi kampanye yang diberikan kepada anggota. Perangkat AI dapat menggunakan contoh sebelumnya untuk belajar memperkirakan bagaimana data mengubah jaringan. Menghitung risiko bahwa kontribusi kampanye dari dimensi tertentu akan membalikkan suara legislator pada suatu modifikasi adalah salah satu perangkat lunak.

Pekerjaan McKay telah mengkonfirmasi kita bahwa ada hubungan yang berharga dan dapat diprediksi antara tindakan ini dan hasil hukum, dan bahwa pekerjaan untuk menemukan itu juga akan dilakukan secara otomatis. Yang lain telah mengonfirmasi bahwa grafik kekayaan perangkat jaringan saraf yang dijelaskan di atas juga akan digunakan untuk program politik. Penggunaan skala besar dari ilmu terapan tersebut untuk pendekatan lobi data bersifat teoretis, tetapi masuk akal.

Mencapai bersama-sama, ketiga bagian ini mungkin juga akan merancang mesin terkomputerisasi untuk menghasilkan mikrolegislasi yang sukses. Mesin proposal perlindungan akan mencetak jutaan, bahkan milyaran, dari yang tampaknya Anda akan mengoceh tentang amandemen. Penilai pengaruh akan memberi judul beberapa yang menjanjikan kesuksesan terbesar bagi klien. Dan alat pendekatan lobi akan mengembangkan cetak biru untuk meloloskan mereka.

Apa yang tersisa adalah pelobi manusia mengaliri lantai Capitol atau mendeklarasikan rumah, dan mungkin menyediakan sejumlah uang untuk melumasi roda. Dua aspek terakhir dari lobi ini—mengumpulkan penerimaan dan pendanaan—tidak dapat disediakan oleh instrumen AI yang kami bayangkan. Ini berarti bahwa lobi pada dasarnya akan terus menguntungkan mereka yang sudah berpengaruh dan makmur, dan bantuan AI akan memperkuat keunggulan mereka yang ada.

Pendapatan transformatif yang ditawarkan AI kepada pelobi dan klien mereka berskala. Sedangkan pelobi individu tampaknya untuk fo titik di panggung federal atau satu negara bagian, dengan bantuan AI mereka mungkin akan jauh lebih mudah menyusup ke preferensi yang menggairahkan dari badan pembuat peraturan dan pemilihan di tahap negara bagian (dan bahkan tahap asli). Pada tahap itu, di mana pembayaran kursi yang sering diukur dalam puluhan ratus dolar daripada jutaan, satu donor dapat memiliki begitu banyak pengaruh — jika otomatisasi memungkinkan Anda tampaknya mengomel dari untuk mengkoordinasikan melobi semua rencana di mana melalui kabupaten.

Hentikan mereka

Dengan rencana memerangi efek yang berpotensi berbahaya dari bantuan AI, respons pertama tampaknya selalu melihat ke depan untuk mendeteksi apakah benar-benar dihasilkan oleh AI atau tidak. Kami mungkin juga akan membayangkan AI defensif yang mendeteksi pengeluaran pelobi yang tidak wajar terkait dengan perubahan yang menguntungkan komunitas yang berkontribusi. Namun pada saat itu, kerusakan mungkin sudah tercapai.

Seringkali, rekomendasi untuk mendeteksi pekerjaan AI cenderung tidak lagi membantu mengakali potensinya untuk menghasilkan ucapan yang meyakinkan. Dan rekomendasi ini tidak akan digunakan oleh AI saja. Para pelobi diam-diam akan menjadi mereka yang mengambil hasil dari mikrolegislator AI dan lebih menyempurnakan rekomendasi komputer. Program manusia-AI hibrida ini tidak lagi dapat dideteksi dari keluarannya.

HOT 🔥  Apa yang disiratkan oleh pembatasan geoengineering Meksiko untuk metodologi ke depan untuk bidang tersebut

Namun fakta sebenarnya adalah: rekomendasi yang sama yang telah lama ketinggalan zaman untuk memerangi perilaku buruk oleh pelobi manusia masih bisa efektif ketika pelobi tersebut mengumpulkan bantuan AI. Kami tidak ingin menemukan kembali demokrasi kami untuk mencegah bahaya terburuk AI; kami secara faktual ingin lebih menerapkan cita-cita lama.

Pertama, kita harus selalu mengurangi ketergantungan badan legislatif pada rancangan undang-undang omnibus multi-ribu halaman yang monolitik yang dipilih di bawah tanggal pengurangan. Gaya pembuatan undang-undang ini meledak pada tahun 80-an dan 1990-an dan berlanjut hingga undang-undang dana federal paling kontemporer. Terlepas dari keunggulan mereka yang sah terhadap mesin politik, RUU omnibus mendesah dengan mobil yang mencolok dan terbukti untuk memasukkan ketentuan yang terlewatkan yang mungkin juga akan mengejutkan legislator yang sama yang mendukungnya.

Intinya bukan lagi bahwa legislator individu membutuhkan lebih banyak waktu untuk mempelajari dan memahami setiap RUU (itu tidak seperti kehidupan dan bahkan wajib). Itu tagihan omnibus harus lulus. Mungkin ada keharusan untuk meloloskan undang-undang keuangan federal, sehingga kemampuan untuk memberikan keringanan pada ketentuan individu yang mungkin juga tampak merusak (atau kurang ajar secara faktual) bagi komunitas eksplisit mana pun kecil. Dana yang terlalu besar untuk gagal sudah matang untuk diretas oleh mikrolegislasi.

Selain itu, insentif bagi legislator untuk memperkenalkan mikrolegislasi yang melayani hobi ramping akan meningkat jika ancaman paparan lebih rendah. Untuk meningkatkan ancaman paparan terhadap sponsor legislatif yang berperilaku buruk, RUU harus selalu memusatkan perhatian secara lebih ketat pada area substantif individu dan, setelah pengenalan amandemen, memberikan waktu lebih cepat daripada komite dan suara lantai. Selama ini, kita harus selalu diam-diam membantu evaluasi dan kesaksian publik untuk mengembangkan pengawasan yang lebih tinggi.

Kedua, kita harus selalu meningkatkan persyaratan pengungkapan secara diam-diam pada pelobi, apakah mereka sepenuhnya manusia atau dibantu oleh AI atau tidak. Undang-undang guntur yang berkaitan dengan pengungkapan lobi adalah gado-gado. North Dakota, sebagai contoh, paling sederhana mengharuskan laporan lobi diajukan setiap tahun, bersikeras bahwa dengan tujuan pengungkapan dibuat, perlindungan tampaknya sudah ditentukan. Kartu skor pengungkapan lobi yang dibuat oleh Originate Secrets, sebuah komunitas yang meneliti pengaruh uang tunai dalam politik AS, melacak 9 negara bagian yang memberlakukan bahkan tidak lagi mengharuskan pelobi untuk mengumumkan kompensasi mereka.

Idealnya, mungkin akan sangat luar biasa bagi publik untuk melihat semua perubahan verbal antara pelobi dan legislator, apakah itu membutuhkan cetak biru perubahan yang diusulkan atau tidak. Absen itu, mari beri publik hal paling keren tentang mengulas apa pelobi melobi untuk—dan mengapa. Melobi secara tradisional merupakan latihan yang terjadi di pintu tertutup yang bodoh. Tepat sekarang, banyak negara bagian menegaskan bahwa: mereka sebenarnya mengecualikan kesaksian yang disampaikan secara terbuka kepada badan legislatif agar tidak dilaporkan sebagai lobi.

Di yurisdiksi tersebut, saat Anda menyampaikan ruang Anda kepada masyarakat umum, Anda tidak lagi melobi. Mari kita berlakukan kebalikannya: minta pelobi untuk menyatakan posisi mereka pada komponen. Beberapa yurisdiksi sudah memerlukan penegasan ruang (a ‘ya’ atau ‘tidak’) dari pelobi terdaftar. Dan di sebagian besar (tetapi tidak semua) negara bagian, tampaknya Anda juga dapat membuat cetak biru data publik mencari data dari konferensi yang diadakan dengan legislator negara bagian dan berharap untuk mendapatkan bantuan yang substantif. Meskipun demikian, kami akan memiliki kemampuan untuk meminta lebih banyak—pelobi akan diminta untuk secara proaktif mengirimkan, dalam waktu sekitar satu hari, ringkasan sementara dari apa yang mereka minta dari pembuat kebijakan semua rencana yang dilakukan melalui konferensi dan mengapa mereka menilainya sering. hobi.

Kami berada dalam posisi untuk tidak bergantung pada perusahaan untuk mendekat dan sepenuhnya mengetahui penjelasan tentang posisi lobi mereka. Meskipun demikian, memasukkan mereka ke dalam arsip tentang niat mereka, terlepas dari semuanya, akan menjadi dasar untuk akuntabilitas.

Pada akhirnya, pertimbangkan peran AI yang membantu ilmu terapan mungkin juga berisi tentang melobi perusahaan itu sendiri dan pasar tenaga kerja untuk pelobi. Banyak pengamat yang benar-benar terpesona dengan pilihan AI yang mengubah atau mendevaluasi tenaga kerja manusia yang diotomatisasi. Jika kemungkinan otomatisasi AI akhirnya mengkomodifikasi pekerjaan strategi politik dan pola pesan, itu mungkin bahkan akan menugaskan beberapa ahli di jalan Tol K keluar dari pekerjaan.

Namun, jangan meminta untuk mengganggu karier para pelobi yang dibayar paling tinggi: anggota Kongres yang ketinggalan zaman dan orang dalam lainnya yang telah melewati pintu putar. Mungkin sekarang tidak ada kekurangan solusi reformasi untuk membatasi fleksibilitas pejabat kepresidenan yang berubah menjadi pelobi untuk mempromosikan akses masuk ke rekan-rekan mereka yang diam di pemerintahan, dan agar mereka selalu diadopsi dan—yang sama pentingnya—dipertahankan dan ditegakkan dalam Kongres berturut-turut dan administrasi.

Tak satu pun dari solusi tersebut pada dasarnya dibentuk, eksplisit untuk ancaman yang ditimbulkan oleh AI, dan bahkan sebagian besar berpusat pada mikrolegislasi—dan itulah tujuannya. Pemerintahan yang tegak harus selalu senyap dan harus selalu senyap juga kokoh terhadap ancaman dari berbagai cara dan aktor.

Namun apa yang membuat bahaya yang ditimbulkan oleh AI sangat mendesak sekarang mungkin adalah seberapa cepat bola itu terbentuk. Kami meminta ukuran, rekomendasi, dan keefektifan orang Amerika yang terlibat dalam lobi untuk beradaptasi selama bertahun-tahun dan puluhan tahun. Perkembangan AI, pada periode di antaranya, tampaknya membuat terobosan spektakuler dengan kecepatan yang jauh lebih cepat — dan akselerasinya diam-diam.

Proyek legislatif adalah pertarungan terus-menerus antara pihak-pihak yang berusaha untuk mengelola fondasi masyarakat kita seperti yang ada hingga sekarang, ditulis ulang, dan diperluas di tingkat federal, negara bagian, dan asli. Melobi adalah alat wajib untuk menyeimbangkan berbagai macam pengejaran melalui mesin kami. Jika diatur dengan baik, mungkin lobi dapat meningkatkan pembuat kebijakan dalam membuat pilihan yang adil atas nama kita semua.

Nathan E. Sanders adalah ilmuwan data dan berafiliasi dengan Berkman Klein Heart di Harvard College. Bruce Schneier adalah seorang teknolog keamanan dan rekan serta dosen di Harvard Kennedy College.

Cakupan Asli

Baca juga

Abaikan bayi desainer.  Inilah cara CRISPR mengubah sebagian besar kehidupan

Abaikan bayi desainer. Inilah cara CRISPR mengubah sebagian besar kehidupan

Abaikan He Jiankui, ilmuwan bahasa China yang menciptakan bayi yang diedit gennya. Sebagai tambahan, meskipun …

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *