台灣每年的綜所稅報稅季，已經過去一半。凡是報過稅的讀者，對於我國級距式的稅率應該都不陌生：以 2019年度的公式為例，收入54萬以內收取5%稅金、54萬到121萬之間是12%，以此類推，453萬以上的收入則課最高的40%。
雖然輿論對於稅制的批評沒有少過，但貧者少付一點、富者多付一點的收入重分配觀念，早已是社會對於弭平貧富差距的基本共識。出乎意料的是，一間美國軟體公司Salesforce所開發出的「AI經濟學家」（AI Economist），卻給出截然不同的答案。
實驗幾百萬次，AI提出反直覺解答
根據《MIT科技評論》報導，「AI經濟學家」採用與AlphaGo相似的「強化學習」（reinforcement learning）技術進行賦稅制度實驗。系統會模擬勞工收集木頭、石頭、交易原料，或是興建房子賺錢，接著虛擬官員會決定不同收入的勞工需要支付多少稅金。
「強化學習」的特色在於，虛擬勞工與官員的AI模型最初都沒有建立任何關於稅賦的理論知識，而是透過不斷模擬，訓練AI變得更加聰明，而漸進推展出一套新的稅制。在模型中，官員的目標是提升勞工的生產力與收入，所以理論上經過數百萬次實驗，設計出良好賦稅政策的機會將大幅提高。
然而，這個「AI經濟學家」最後提出的建議，卻與許多國家的基本賦稅原則產生極大的出入：最有錢與最窮的納稅人採用較高稅率，中等收入的納稅人則採用較低稅率！
《MIT科技評論》指出，目前存在的賦稅政策，不是有錢人多繳稅的進步型政策，就是有錢人少繳稅的倒退型政策，AI的結果相較之下並不符合直覺，也不像人類會設計的政策。不過專案團隊成員Alex Trott認為，利用AI是「少一點政治、多一點資料驅動」令人驚奇的方法。
需要多少儲存空間，才夠讓AI體會不平等的生命處境？
與下棋聞名的AlphaGo不同，「AI經濟學家」試圖處理的問題，是伴隨人類社會發展以來未曾消失、且時時刻刻影響每個人的生存的經濟階級不公。在貧富差距嚴重的美國，有些人在寒冷夜晚只花得起幾美金車資，在公車上試圖取暖。對於這群多花一點錢也不可能的居民而言，每一枚硬幣都攸關生死。
或許在電腦模擬中，用高稅率懲罰工作效率不佳的勞工，可以幫助他們自我警惕、賺取更多收入；但回到現實世界，要活生生的極貧勞工負擔比中產階級還高的稅率，將可能奪走一大群人的性命。
事實上，「AI經濟學家」據以提出窮人多繳稅的模型中，這群要多繳稅的貧窮勞工僅僅只有4位。而在70億人口的現實世界中，每個人獨特的生命境遇、種族、性別、政治、家庭因素，都左右了其賺取收入的機會，並形成一連串的結構問題，使得一群人註定比起另一群人更難賺到相同金額。舉凡弱勢性別的玻璃天花板，或是被疫情壓得喘不過氣的弱勢居民，他們需要的絕非增加自身負擔的稅制，而是更加公平的發展機會。
效率主義只會帶來新的AI偏見
「AI經濟學家」系統追求的目標是勞工的生產力乘以收入平等，看起來雖然很理想，不過這種設計在最大化整體福祉的同時，反而導致我們一邊為了整體生產力提高而沾沾自喜、一邊忽略了複雜且個人化的處境。
此外，將生產力作為賦稅政策的目標，隱含著系統設計者對於發展的迷思。在當代消費市場缺乏永續精神、生產過剩的問題下，我們真的還需要增加生產力嗎？追求生產除了帶來過多商品，也扼殺了勞動者自我探索、尋找生活其他滿足的空間。
過去AI被批評存在偏見，通常是因為人類將本身帶有各種歧視與偏見的資料送給AI進行訓練。「AI經濟學家」雖然不用任何資料進行實驗，但是研究者一開始就設定了最終目標，導致AI過度重視生產力，也無力關照個別勞動者的生計情形。目前「AI經濟學家」還在測試階段，研究者也承認其結果無法面對真實世界的複雜環境，未來在改善研究的過程中，實驗設計者必須透過更周全的思考，才有機會避免這些偏見所造成的麻煩。
分享圖文請註明出處，未經本站同意不得轉載
瀏覽次數：2671
