以下はhttps://papers.ssrn.com/sol3/papers.cfm?abstract_id=4375268の翻訳です。
要旨 (Abstract)
最近のAI言語モデリング能力の劇的な向上は、これらの技術が経済に与える影響について多くの疑問を引き起こしている。本稿では、職業、産業、および地域がAI言語モデリングの進歩にどの程度晒されているか（exposed）を体系的に評価するための方法論を提示する。言語モデリングに最も晒されている上位の職業には、テレマーケター（telemarketers）や、英語文学、外国語文学、歴史の教師などのさまざまな高等教育機関の教師（post-secondary teachers）が含まれることがわかった。言語モデリングの進歩に最も晒されている上位の産業は、法務サービス（legal services）および証券、商品、投資（securities, commodities, and investments）であることがわかった。また、賃金とAI言語モデリングへの曝露との間に正の相関があることもわかった。
1. 序論 (Introduction)
人工知能（AI）は、経済に多くの面で影響を与える可能性があり、経済成長を促進し、人々の働き方や遊び方を変えるかもしれない。AIが仕事に与える影響は、多面的なものになるだろう。ある場合には、AIは以前人間が行っていた仕事を代替（substitute）するかもしれず、別の場合には、AIは人間が行う仕事を補完（complement）するかもしれない。仕事への影響は、産業によっても異なるだろう。Goldfarb et al (2020)による最近の研究では、情報技術や金融などの一部の産業ではAIの導入が比較的高いが、医療や建設などの他の産業では低いことが記録されている。さらに、AIの能力はまだ進歩しているため、AIが仕事にどのように影響するかを理解しようとすることは、動く標的を撃とうとするようなものだ。
AIの能力がどのように進化し続けているかの顕著な例は、AI言語モデリングにおける最近の進歩である。特に、OpenAIが2022年後半にリリースした言語モデルであるChatGPTは、 enormousな注目と論争を集めている。New York Post紙の記事「ChatGPT could make these jobs obsolete: ‘The wolf is at the door.’」のように、ChatGPTのようなツールが雇用に与える負の影響を懸念する声もある。一方で、言語モデリングに実用的かつ商業的な可能性を見出す声もある。例えば、MicrosoftはOpenAIと100億ドルの提携を発表し、ChatGPTをBing検索エンジンにリンクさせた。Googleは自社の言語モデルBardをデモンストレーションせざるを得なくなったが、デモンストレーション中のミスによりGoogleの株価は7%下落した。ChatGPTはJPモルガンによって禁止された。しかし、現在のところ、そのほとんどは憶測（speculation）に過ぎない。
ChatGPTのような言語モデルが職業、産業、および地域にどのように影響するかをよりよく理解するために、私たちはFelten et al (2018, 2021)によって開発された方法論を使用する。Felten et alは**AI職業曝露（AI Occupational Exposure: AIOE）**指標を作成し、この指標を用いて、どの職業、産業、および地域がAIに最も晒されているかを特定した。本稿では、AI言語モデリングの最近の進歩を考慮に入れるために、AIOEアプローチをどのように適応できるかを説明する。
最も影響を受ける上位の職業には、テレマーケターや、英語文学、外国語文学、歴史の教師などのさまざまな高等教育機関の教師が含まれることがわかった。また、言語モデリングの進歩に最も晒されている上位の産業は、法務サービスおよび証券、商品、投資であることがわかった。さらに、職業の平均賃金または中央値賃金と、AI言語モデリングへの曝露度合いの指標との間に、正の統計的に有意な相関（statistically significant correlation）があることもわかった。
本稿はいくつかの文献に貢献する。まず、職業、産業、および地域にわたる言語モデリングの影響を体系的に検証することにより、ChatGPTや他の言語モデルが経済に与える影響に関する新興の（nascent）文献（例：Agarwal et al., 2022; Zarifhonarvar, 2023）に貢献する。より一般的には、本稿は、AIが経済に与える影響を研究するより広範な文献（Furman and Seamans, 2019; Goldfarb et al., 2019）に基づいている。次に、本稿は、AIが職業にどのように影響するかを研究するための体系的な方法論を提供する一連の論文（例：Brynjolfsson et al, 2018; Frey & Osborne, 2017; Tolan et al., 2021; Webb, 2020）に基づき、それを拡張している。本稿は特に、Felten et al. (2018, 2021)で説明されている方法論に基づいて構築し、それを拡張している。そうすることで、本稿は元のFelten et alの方法論の柔軟性を示している。つまり、AI能力の変化の影響を評価するために動的に調整できる。最後に、本稿は、労働に対する自動化技術の影響に関する大規模な文献（例：Acemoglu et al., 2022; Autor, 2015; Frank et al., 2019; Genz et al., 2021）に貢献する。
本稿は以下のように進む。セクション2では、Felten et al (2018, 2021)によって開発されたAI職業曝露（AIOE）指標について説明する。セクション3では、言語モデリングにおける最近の進歩を考慮に入れるためにAIOEを拡張する。セクション4では、最も影響を受ける上位20の職業と産業のリストを含む結果を提供する。セクション5では、職業賃金とAI言語モデリングへの曝露との関係を調査する。セクション6では結論を述べる。
2. AI職業曝露方法論 (AI Occupational Exposure Methodology)
Felten et al (2021)によると、AI職業曝露（AIOE）は、各職業のAIへの「曝露」を測定する指標である。「曝露」という用語は、職業自体に関連するさまざまな要因に応じて、代替または増強を伴う可能性のあるAIが職業に与える影響については不可知論的（agnostic）であるように使用される。
AIOE指標は、10のAIアプリケーション（抽象戦略ゲーム、リアルタイムビデオゲーム、画像認識、視覚質問応答、画像生成、読解、言語モデリング、翻訳、音声認識、および器楽トラック認識）を、52の人間の能力（例：口頭理解、口頭表現、帰納的推論、腕と手の安定性など）にリンクさせることによって構築された。これは、各AIアプリケーションと人間の能力との関連性のレベルを示すクラウドソーシング（crowd-sourced）されたマトリックスを使用して行われた。AIアプリケーションに関するデータは、複数のアプリケーションにおけるAIの進捗に関する統計を収集・維持するElectronic Frontier Foundation (EFF) から得られた。人間の能力に関するデータは、米国労働省が開発した職業情報ネットワーク（ONET）データベースから得られた。ONETは、これら52の人間の能力を使用して、追跡している800以上の職業それぞれの職業構成（occupational makeup）を記述している。800以上の職業のそれぞれは、52の人間の能力の加重組み合わせとして考えることができる。O*NETは、普及度（prevalence）と重要度（importance）という2つの重み付けセットを使用している。
10のAIカテゴリと52の人間の能力がマトリックスを通じてリンクされると、各職業のAIOEを計算できるようになる。これを行うには、まず次のように能力レベルの曝露（ability-level exposure）を計算する。
ここで、i はAIアプリケーションを、j は職業能力をインデックスする。能力レベルの曝露 A は、クラウドソーシングされた調査データのマトリックスを用いて構築された、10のアプリケーションと能力の関連性スコア x の合計として計算される。
次に、各職業 k のAIOEを次のように計算する。
この方程式では、i はAIアプリケーションを、j は職業能力を、そして k は職業をインデックスする。Aij は能力レベルのAI曝露スコアを表す。O*NETで測定された各職業内の能力の普及度（Ljk）と重要度（Ijk）によって、能力レベルのAI曝露に重み付けを行う。これは、能力レベルのAI曝露に、各職業内のその能力の普及度と重要度のスコアを乗じ、それらが均等に重み付けされるようにスケーリング（scaled）することによって行われる。
Felten et al (2021)は、AIOEスコアの構築についてより詳細に説明し、AI産業曝露スコアを構築するために産業レベルで、またはAI地理的曝露スコアを構築するために地理的レベルでどのように重み付けできるかを記述している。彼らはまた、いくつかの検証演習（validation exercises）の結果を提供し、学者や実務家がスコアを使用できるいくつかの方法を記述している。
承知いたしました。以下に翻訳した文章を示します。
3. 言語モデリングAI職業曝露 (Language Modeling AI Occupational Exposure)
Felten et al (2021)で述べられている元のAIOEは、各AIアプリケーションを明示的に同じ重みで扱っていました。言語モデリングの進歩を考慮するためにAI職業曝露スコアを更新するには、方程式(1)を次のように変更します。
Aij=∑i=110αixij (3)
ここで、i はAIアプリケーションを、j は職業能力をインデックスします。能力レベルの曝露 A は、クラウドソーシングされた調査データのマトリックスを用いて構築された、10のアプリケーションと能力の関連性スコア x の加重和として計算されます。αi は各アプリケーション i に置かれる重みです。Felten et al (2021)で使用された重みは、各アプリケーション i に対して αi を1に設定していました。
次に、言語モデリング以外のすべてのAIアプリケーションに対して αi を0に設定し、言語モデリングのみ重みを1とします。これにより、言語モデリングに関連する能力の値のみを「カウントする」能力レベルの曝露指標が構築されます。その後、この新しい「言語モデリング」加重Aij を用いて、各職業 k のAIOEk を計算します。結果として得られるAIOEk は、各職業がAIによる言語モデリングの進歩にどの程度**晒されているか（exposed）**を捉えます。職業の完全なリストとそれらの結果となるAIOE言語モデリングスコアは、付録とGitHubに記載されています。
結果として得られるスコアは、元のAIOEスコアと高い相関を示します（相関係数：0.979）。これは、各職業の元のAIOEスコアと新しい言語モデリング調整済みAIOEスコアをプロットした図1で確認できます。
4. 結果 (Results)
このセクションでは、言語モデリングに**晒されている（exposed）**上位20の職業と産業の表を提示し、簡単に議論します。
4.1. 言語モデリングに晒されている上位20の職業 (Top 20 Occupations Exposed to Language Modeling)
表1は、Felten et al (2021)の元のAI職業曝露（AIOE）指標に基づいたAIに晒されている上位20の職業のリストと、AIによって可能になった言語モデリング能力の進歩に晒されている上位20の職業のリストを示しています。
「臨床・カウンセリング・学校心理学者」や「歴史教師（高等教育機関）」など、両方のリストに登場する職業もあります。注目すべきは、言語モデリングのリストには教育関連の職業がより多く含まれており、教育分野の職業が他の職業よりも言語モデリングの進歩によって比較的大きな影響を受ける可能性が高いことを示しています。これは、ChatGPTなどの言語モデリングツールが教師の宿題の与え方や不正行為の検出にどのように影響するか、あるいは言語モデリングツールを教材開発にどのように使用できるかに関する最近の記事の流行とよく一致しています。
また、興味深いことに、言語モデリングのリストのトップの職業は「テレマーケター（telemarketer）」です。人間のテレマーケターは、言語モデリングが彼らの仕事を増強（augment）するために使用されることから恩恵を受けると想像できるかもしれません。例えば、顧客の応答をリアルタイムで言語モデリングエンジンに送り込み、関連する顧客固有のプロンプトをテレマーケターに迅速に提供することができます。あるいは、人間のテレマーケターが言語モデリング対応のボット（bots）に代替（substituted）されると想像できるかもしれません。言語モデリングが人間のテレマーケターの仕事を増強または代替する可能性は、AIOE指標の一側面を強調しています。それはAIへの「曝露」を測定しますが、その曝露が増強につながるか代替につながるかは、特定の職業の詳細に依存するでしょう。
4.2. 言語モデリングに晒されている上位20の産業 (Top 20 Industries Exposed to Language Modeling)
表2は、Felten et al. (2021)の元のAI産業曝露（AIIE）指標に基づいたAIに最も晒されている20の産業のリストと、AIによって可能になった言語モデリング能力の進歩に晒されている上位20の産業のリストを示しています。
これまでと同様に、元のAIOEに基づいたAIに最も晒されている産業と、言語モデリング能力の進歩に焦点を当てたバージョンのAIに最も晒されている産業にはいくつかの類似点が見られます。例えば、「証券、商品契約、その他の金融投資および関連活動（Securities, Commodity Contracts, and Other Financial Investments and Related Activities）」は、元のAIOEを使用すると最も晒されている産業に分類され、言語モデリングに焦点を当てたAIOEのバージョンを使用すると2番目に晒されている産業となります。法務サービス、保険および従業員給付基金、および代理店、仲介業、その他の保険関連活動は、両方のリストで上位5位に晒されている産業に含まれています。
しかし、いくつかの違いも現れます。際立った違いの1つは、言語モデリングに焦点を当てたAIOEが、高等教育および高等教育隣接産業におけるAIの進歩へのより高い曝露を示唆していることです。短期大学（Junior colleges）、助成金授与サービス（grantmaking and giving services）、およびビジネススクールとコンピューターおよび経営訓練（business schools and computer and management training）がすべて、晒されている上位20の産業に含まれています。
5. 賃金との関係 (Relationship to Wages)
次に、賃金の2つの指標と、我々の言語モデリングAIOE（language modeling AIOE）との関係を調査します。全国レベルの職業賃金データが利用可能な最新の年である2021年の平均および中央値の職業賃金データを労働統計局（Bureau of Labor Statistics: BLS）から取得しました。
時間の経過とともに職業の定義が変更されたため、2021年のBLSデータと我々のAIOEデータセットでは、同じ職業セットが利用できませんでした。この違いに対処するため、我々のAIOEデータセットをBLS賃金データセットと、まず職業コードに基づいて、次に職業名に基づいて照合（match）しました（これにより、コードは変更されたが職業は同じである場合に照合が可能になります）。両方のデータセットに存在する職業は708件でした。
賃金とAI言語モデリングへの曝露の関係を調査するために、職業を言語モデリングAIOEスコアによって20の等しいサイズのビン（equal-sized bins）にグループ化しました。次に、これらの各ビンの平均AIOEスコアを、各ビン内の職業の平均賃金と中央値賃金に対してプロットしました。結果は図2（平均賃金）と図3（中央値賃金）にプロットされています。両方の図で結果は一貫しています。我々の言語モデリングAIOEスコアと職業の平均または中央値賃金との間には、強い正の相関（strong positive correlation）があるようです。言い換えれば、賃金の高い職業ほど、ChatGPTなどの製品による言語モデリングの急速な進歩に晒される（exposed）可能性が高いということです。最も曝露されている職業が「高スキル」労働と分類される可能性のあるホワイトカラー（white-collar）の職業であるように見えることを考えると、これはおそらく驚くべきことではありません。
6. 結論 (Conclusion)
要約すると、本稿では、職業と産業がAI言語モデリング能力の進歩にどの程度晒されているか（exposed）を体系的に評価するための方法論を提示しました。この方法論はFelten et al (2021)で説明されているアプローチに基づいていますが、言語モデリングにおける最近の進歩を考慮に入れるように適応されています。言語モデリングに最も晒されている上位の職業には、テレマーケター（telemarketers）や、英語文学、外国語文学、歴史の教師などのさまざまな高等教育機関の教師（post-secondary teachers）が含まれることがわかりました。また、言語モデリングの進歩に最も晒されている上位の産業は、法務サービス（legal services）および証券、商品、投資（securities, commodities, and investments）であることがわかりました。さらに、賃金の高い職業ほど、言語モデリングの急速な進歩に晒される可能性が高いこともわかりました。
大まかに言えば、本論文は、AIが労働と仕事に与える影響を研究する増え続ける文献に貢献するものです。より具体的には、ChatGPTやその他の言語モデルが職業、産業、および地域にどのように影響するかを理解するための体系的なアプローチを提供します。これらの結果は、他の学者だけでなく、実務家や政策立案者にとっても有用であると信じています。
免責事項
記事は、一般的な情報提供のみを目的としてのみ作成したものであり、投資家に対する有価証券の売買の推奨や勧誘を目的としたものではありません。また、記事は信頼できると判断した資料およびデータ等により作成しておりますが、その正確性および完全性について保証するものではありません。また、将来の投資成果や市場環境も保証されません。最終的な投資決定は、投資家ご自身の判断でなされますようお願いします。
