shoutout to free gpu resources by my bff kaggle
seen from Netherlands
seen from Russia

seen from Germany

seen from Malaysia
seen from Netherlands
seen from United Kingdom

seen from United States
seen from Saudi Arabia
seen from Netherlands

seen from United States

seen from Italy
seen from Türkiye
seen from China
seen from United States

seen from United States
seen from United States
seen from Germany
seen from United States
seen from United Kingdom
seen from Russia
shoutout to free gpu resources by my bff kaggle
Tonight I am hunting down venomous and nonvenomous snake pictures that are under the creative commons of specific breeds in order to create one of the most advanced, in depth datasets of different venomous and nonvenomous snakes as well as a test set that will include snakes from both sides of all species. I love snakes a lot and really, all reptiles. It is definitely tedious work, as I have to make sure each picture is cleared before I can use it (ethically), but I am making a lot of progress! I have species such as the King Cobra, Inland Taipan, and Eyelash Pit Viper among just a few! Wikimedia Commons has been a huge help!
I'm super excited.
Hope your nights are going good. I am still not feeling good but jamming + virtual snake hunting is keeping me busy!
April 2023
Sechs Jahre Nichtstun, eine schöne Lösung für so viele Probleme
Vor fast genau sechs Jahren habe ich beschlossen, auch mal dieses Machine Learning auszuprobieren:
Gleich kann es losgehen, ich muss nur erst “Getting Started before your first lesson” lesen. Von dort schickt man mich weiter zum AWS deep learning setup video. Das Video ist 13 Minuten lang.
(Es folgen Probleme und Verwicklungen beim Setup, die Details kann man hier nachlesen.)
In Minute 12:45 sagt der Erzähler im Video: “Ok! It looks like everything is set up correctly and you’re ready to start using it.” Aber statt 12 Minuten und 45 Sekunden sind zwei Wochen vergangen, mein anfänglicher Enthusiasmus ist aufgebraucht und mein Interesse an Deep Learning erlahmt. Ich bin nicht einmal bis “Lesson 1” gekommen.
Im April 2023 sagt Aleks, dass er gerade einen sehr guten Onlinekurs über Machine Learning macht. Ich frage nach der Adresse, und sie kommt mir bekannt vor. Es ist derselbe Kurs!
“Das Setup war kein Problem?”, frage ich. Nein, sagt Aleks, Sache von ein paar Minuten.
Ich sehe mir "Practical Deep Learning for Coders 2022” an. Man braucht für den Kurs bestimmte Hardware. Generell benötigt Machine Learning Grafikprozessoren wegen der höheren Rechenleistung, und aus der Einleitung zum Kurs weiß ich jetzt, dass die aktuell verfügbaren Tools Nvidia-Grafikprozessoren voraussetzen*. Den Zugang zu dieser Hardware soll man mieten. Das war vor sechs Jahren auch schon so, nur dass das Mieten der Rechenleistung bei Amazon Web Services eine komplizierte und teure Sache war.
* Ich hatte an dieser Stelle schon “Grafikkarten” geschrieben, dann kam es mir aber wieder so vor, als müsste ich meinen Sprachgebrauch renovieren. In meiner Vorstellung handelt es sich um eine Steckkarte, ungefähr 10 x 20 cm groß, die in ein PC-Gehäuse eingebaut wird. So war das, als ich meine Computer noch in Einzelteilen kaufte, aber das ist zwanzig Jahre her. Deshalb habe ich mich für das unverbindliche Wort “Grafikprozessoren” entschieden. Aber wenn ich nach nvidia gpu machine learning suche, sehe ich sperrige Dinge, die nicht weit von meiner Erinnerung an Grafikkarten entfernt sind. Die große Rechenleistung braucht auch große Kühlleistung, deshalb sind zwei Lüfter auf der ... naja, Karte. Die Ergebnisse der Bildersuche sind etwas uneindeutig, aber es kommt mir so vor, als enthielte das Rechenzentrum, dessen Leistung ich gleich nutzen werde, wahrscheinlich große Gehäuse, in denen große Grafikkarten drin sind, vom Format her immer noch ungefähr wie vor zwanzig Jahren. Nur viel schneller.
2018 brauchte man AWS schon nicht mehr für den fast.ai-Onlinekurs. Stattdessen konnte man sich die Arbeitsumgebung bei Paperspace einrichten, einem anderen Cloud-Anbieter. Die Anleitung von 2018 klingt so, als hätte meine Geduld wahrscheinlich auch dafür nicht gereicht.
In der Version von 2019 hat der Kurs auf Google Colab gesetzt. Das heißt, dass man Jupyter Notebooks auf Google-Servern laufen lassen kann und keine eigene Python-Installation braucht, nur einen Browser. Colab gab es 2017 noch nicht, es wurde erst ein paar Monate nach meinem Scheitern, im Herbst 2017, für die Öffentlichkeit freigegeben. Allerdings klingt die Anleitung von 2019 immer noch kompliziert.
2020 wirkt es schon schaffbarer.
Auch die aktuelle Version des Kurses basiert auf Colab. Man muss sich dafür einen Account bei Kaggle einrichten. Soweit ich es bisher verstehe, dient dieser Kaggle-Zugang dazu, die Sache kostenlos zu machen. Colab würde ansonsten Geld kosten, weniger als ich 2017 bezahlt habe, aber eben Geld. Oder vielleicht liegen auch die Jupyter Notebooks mit den Kurs-Übungen bei Kaggle, keine Ahnung, man braucht es eben. (Update: In Kapitel 2 des Kurses merke ich, dass es noch mal anders ist, man hätte sich zwischen Colab und Kaggle entscheiden können. Zusammengefasst: Ich verstehe es nicht.)
Ich lege mir einen Kaggle-Account an und betrachte das erste Python-Notebook des Kurses. Es beginnt mit einem Test, der nur überprüft, ob man überhaupt Rechenleistung bei Kaggle in Anspruch nehmen darf. Das geht nämlich erst, wenn man eine Telefonnummer eingetragen und einen Verifikationscode eingetragen hat, der an diese Telefonnummer verschickt wird. Aber das Problem ist Teil des Kursablaufs und deshalb genau an der Stelle erklärt, an der es auftritt. Es kostet mich fünf Minuten, die vor allem im Warten auf die Zustellung der SMS mit dem Code bestehen.
Danach geht es immer noch nicht. Beim Versuch, die ersten Zeilen Code laufen zu lassen, bekomme ich eine Fehlermeldung, die mir sagt, dass ich das Internet einschalten soll:
“STOP: No internet. Click ‘>|’ in top right and set ‘Internet’ switch to on.”
Ich betrachte lange alles, was mit “top right” gemeint sein könnte, aber da ist kein solcher Schalter. Schließlich google ich die Fehlermeldung. Andere haben das Problem auch schon gehabt und gelöst. Der Schalter sieht weder so aus wie in der Fehlermeldung angedeutet, noch befindet er sich oben rechts. Man muss ein paar Menüs ein- und ein anderes ausklappen, dann wird er unten rechts sichtbar.
Ich bin also im Internet und muss erst das Internet einschalten, damit ich Dinge im Internet machen kann.
Aleks meint, wenn ich ihm gestern dabei zugehört hätte, wie er eine Viertelstunde lang laut fluchte, hätte ich schon gewusst, wie es geht. Hatte ich aber nicht.
Nach dem Einschalten des Internets kann ich das erste Jupyter-Notebook des Kurses betrachten und selbst ausprobieren, ob es wohl schwer ist, Frösche von Katzen zu unterscheiden. Für die Lösung aller Startprobleme von 2017 habe ich zwei Wochen gebraucht. 2023 noch eine Viertelstunde, und ich bin zuversichtlich, dass man um 2025 direkt in den Kurs einsteigen können wird.
(Kathrin Passig)
(i really love making power points on the projects I'm working on)
Part 17 of The series where I interview my heroes.
An interview with Rachael Tatman about her work being a Data Scientist at Kaggle. Excerpt:
Sanyam Bhutani: Natural Language Processing has arguably lagged behind Computer Vision. What are your thoughts about the current scenario? Is it a good time to get started as an NLP Practitioner?
Dr. Rachael Tatman: It’s a really good time to get started in NLP! I don’t think people should be surprised that NLP is a little “behind” computer vision: human language is extremely complex. If we think about it in terms of the complexity of biological systems that do the same job, even something like a fruit fly, that only has about a quarter of a million neurons in its whole nervous system, can do pretty sophisticated visual processing. In contrast, the only species capable of using pronouns is us and we have sixteen billion neurons in the cerebral cortex alone.
Read the whole thing.
Previously about linguistics jobs from Rachael Tatman: The four data science skills I didn’t learn in grad school (and how to learn them!) and Should you go to grad school in linguistics?
#datascience #kaggle #mooc
A Neuro-Symbolic Grandmaster Engine that combines Gemini reasoning with game theory. This is a great example of challenging the model's logic.
A legal rights assistant focused on Pan-African law (multilingual/multimodal)
An AI safety net that safeguards clinical logic to detect diagnostic shadowing in healthcare
機械学習は、もはや信用リスク評価や、手紙の仕分けといった単純な仕事だけをこなすわけではありません。今では小論文の採点や病気の診断といった、ずっと複雑なこともできるようになっています。このような進歩は不安を覚える疑問を提起します ― 将来私たちの仕事はロボットに取られてしまうのでし
TEDにて
アンソニー・ゴールドブルーム: 機械に奪われる仕事? — そして残る仕事?
(詳しくご覧になりたい場合は上記リンクからどうぞ)
前提として、多神教の仏教から日本では「働く(=他[はた]を楽にする)喜び」という労働概念があります。
前提として、多神教の仏教から日本では「働く(=他[はた]を楽にする)喜び」という労働概念があります。
前提として、多神教の仏教から日本では「働く(=他[はた]を楽にする)喜び」という労働概念があります。
機械学習は、もはや信用リスク評価や、手紙の仕分けといった単純な仕事だけをこなすわけではありません。
今では小論文の採点や病気の診断といった、ずっと複雑なこともできるようになっています。このような進歩は不安を覚える疑問を提起します ― 将来私たちの仕事はロボットに取られてしまうのでしょうか?
2013年。オックスフォード大学の研究者達が、未来の仕事についての研究を行いました。職の2つに1つは、機械により自動化されるリスクが高いと彼らは結論付けました。機械学習の技術こそ、そのような変化の主な原因となるものです。これは、人工知能分野の中でも最も有力な領域です。
この技術により、機械がデータから学習して、ある種のことを人間のようにできるようになります。
私の会社「Kaggle」では、最先端の機械学習技術に取り組んでいて、産業や学問上の重要な問題を解決するために、何十万というエキスパートを集めています。そのお陰で独特な知見が得られます。
「Kaggle」は、企業や政府などの組織とデータ分析のプロであるデータサイエンティスト、機械学習エンジニアを繋げるプラットフォーム。
「Competetion(コンペ)」と言うものが、Kaggleの特徴。
「Competition(コンペ)」は、企業や政府がコンペ形式(競争形式)で課題を提示し、賞金と引き換えに最も精度の高い分析モデルを買い取るという仕組み。
Kaggleに参加している人たちは、無料でこれらの「Competition(コンペ)」に参加できます。
機械には何ができ何ができないのか?どんな仕事に、自動化や消失の怖れがあるのか?
機械学習が産業界で使われ出したのは1990年代前半です。
まずは、比較的単純なタスクから始まりました。ローン申し込みに対する信用リスクの評価や手書きの郵便番号を読み取って手紙を仕分けるといったことです。ここ数年の間に飛躍的な進歩がありました。
機械学習が、はるかに複雑なタスクをこなせるようになったのです。2012年「Kaggle」は、高校生の書いた小論文を採点できるアルゴリズムを作るという課題を専門家コミュニティに提示しました。
優勝したアルゴリズムは、人間の教師の採点と一致する評価をすることができました。昨年には、さらに難しい課題を出しました
「眼球の写真から糖尿病性網膜症の診断をできるか?」というものです。この時も優勝したアルゴリズムは、人間の眼科医の診断と一致する結果を出せました。
適切なデータが与えられれば、このようなタスクで機械は、人間より優れた結果を出し始めています。教師は、40年の経歴において小論文を1万本読むかもしれません。眼科医は、眼を5万個。診断するかもしれません。
しかし、機械なら数分のうちに数百万の小論文を読み、数百万の眼を診ることができます。頻度が高く多量のデータを処理するタスクでは、人間が機械に勝てる見込みはありません。
でも、我々に出来て機械に出来ないことがあります。
機械の技術が、ほとんど進歩していないのは、データにできないような状況で判断する現象です。
機械は、前にほとんど見たことがない。データのない状況は処理できないのです。
機械学習に根本的な限界があるのは、大量の過去データから学ぶ必要があるという点です。
人間は違います。
我々は、ほとんど共通点のない点の手掛かりをクリエイティブに繋ぎ合わせ、今まで誰も見たことのない現象を瞬時に判断、解決することができます。
ところが、効率性、生産性はありません。
技術が、すべてのことを解決できると言いますが、我々が、100倍エネルギー効率のいい乗り物を作ることができるとすれば、大枠としてこれは正しい意見です。
しかし、エネルギー効率ではなく、生産性を高めた結果、イギリスは見事に産業が空洞化してしまいました!
もう一度言います!!エネルギー効率ではなく、生産性を高めた結果、イギリスは見事に産業が空洞化してしまいました!!
何度でも言います!!エネルギー効率ではなく、生産性を高めた結果、イギリスは見事に産業が空洞化してしまいました!!
これでもバカのひとつ覚えのように、生産性を高めますか?基本的人権も無視して・・・
パーシー・スペンサーは、第2次世界大戦中。レーダー開発の任務に就いていた物理学者で、その時、マグネトロンがチョコバーを溶かすことに気づきました。電磁波に関する理解と料理に関する知識を結びつけることで、彼の発明したのが何か分かりますか?
電子レンジです!!これこそ創造力の素晴らしい一例です。このような分野を超えた発想は、些細な形であれば、誰にでも毎日何千回とひらめいています。
データのない状況においては、機械は人間には勝てず、それが人間の行うことを機械で自動化する際の基本的な限界を与えます。
これが将来の仕事に意味することは何でしょう?
各々の仕事の未来の運命は、ある1つの問への答えにかかっています。
高頻度な多量データ処理に還元できる部分が、どの程度あり、前例の無き状況への瞬時の対応を求められる部分が、どの程度あるのか?高頻度な多量データ処理については、機械はどんどん賢くなっていきます。
今では、機械が小論文の採点をし、ある種の病気の診断をします。数年内には、監査をしたり、法律上の契約書から一般的な表現を解釈出来るようになるでしょう。
それでも、会計士や弁護士がいらなくはなりません。複雑な税務対策や前例のない訴訟の対応には、人間独自の膨大な概念が必要とされるのです。
さて、前にも述べましたが、データのない状況に対応できません。だからね。ヤーリちゃん。どんな仕事を選ぶにせよ。若い時期は、効率性、生産性はありませんが、常日頃、新しい概念に挑戦して学ぶことです。
ロビン・ハンソンの言うように、一神教での仕事や労働の概念、定義などがトーマスクーン「科学革命の構造」で言うところのパラダイムシフトを起こし
ベーシックインカムや年金を毎月支給されるだけで生活できるようになるかもしれません。
そうすれば、機械に先んじる可能性が開けるでしょう。
インターネットと金融工学で産業構造が世界的に変わったドラッカーの言う知識集約型経済では、愚民化政策は愚策となる日本の構造。
高密度なアイデアのためにも再分配事前分配などセーフティネット強化が重要。
メリトクラシーの陳腐さ。最低年収保障も大切です。
メリトクラシーの陳腐さ。最低年収保障も大切です。
メリトクラシーの陳腐さ。最低年収保障も大切です。
キャシーオニールによると・・・
思考実験をしてみましょう。私は、思考実験が好きなので、人種を完全に隔離した社会システムがあるとします。どの街でも、どの地域でも、人種は隔離され、犯罪を見つけるために警察を送り込むのは、マイノリティーが住む地域だけです。すると、逮捕者のデータは、かなり偏ったものになるでしょう。
さらに、データサイエンティストを探してきて、報酬を払い、次の犯罪が起こる場所を予測させたらどうなるでしょう?
あら不思議。マイノリティーの地域になります。あるいは、次に犯罪を犯しそうな人を予測させたら?あらら不思議ですね。マイノリティーでしょう。データサイエンティストは、モデルの素晴らしさと正確さを自慢するでしょうし、確かにその通りでしょう。
さて、現実は、そこまで極端ではありませんが、実際に、多くの市や町で深刻な人種差別があり、警察の活動や司法制度のデータが偏っているという証拠が揃っています。実際に、ホットスポットと呼ばれる犯罪多発地域を予測しています。さらには、個々、人の犯罪傾向を実際に予測しています。
ここでおかしな現象が生じています。どうなっているのでしょう?これは「データ・ロンダリング」です。このプロセスを通して、技術者がブラックボックスのようなアルゴリズムの内部に醜い現実を隠し「客観的」とか「能力主義」と称しているんです。秘密にされている重要で破壊的なアルゴリズムを私はこんな名前で呼んでいます「大量破壊数学」です。
民間企業が、私的なアルゴリズムを私的な目的で作っているんです。そのため、影響力を持つアルゴリズムは私的な権力です。
解決策は、データ完全性チェックです。データ完全性チェックとは、ファクト(事実)を直視するという意味になるでしょう。データのファクトチェックです!
これをアルゴリズム監査と呼んでいます。
技術が、すべてのことを解決できると言いますが、我々が、100倍エネルギー効率のいい乗り物を作ることができるとすれば、大枠としてこれは正しい意見です。
しかし、エネルギー効率ではなく、生産性を高めた結果、イギリスは見事に産業が空洞化してしまいました。
参考として・・・
月面は、太陽風によりもたらされたヘリウム3が、鉱物資源として豊富に存在していることが確認されています。原子力発電や核融合に最適です。
こういう新産業でイノベーションが起きるとゲーム理論でいうところのプラスサムになるから既存の産業との
戦争に発展しないため共存関係を構築できるメリットがあります。デフレスパイラルも予防できる?人間の限界を超えてることが前提だけど
しかし、独占禁止法を軽視してるわけではありませんので、既存産業の戦争を避けるため新産業だけの限定で限界を超えてください!
最後に、マクロ経済学の大目標には、「長期的に生活水準を高め、今日のこども達がおじいさん達よりも良い暮らしを送れるようにする!!」という目標があります。
経済成長を「パーセント」という指数関数的な指標で数値化します。経験則的に毎年、経済成長2%くらいで巡航速度にて上昇すれば良いことがわかっています。
たった、経済成長2%のように見えますが、毎年、積み重ねるとムーアの法則みたいに膨大な量になって行きます。
また、経済学は、大前提としてある個人、法人モデルを扱う。それは、身勝手で自己中心的な欲望を満たしていく人間の部類としては最低クズというハードルの高い個人、法人。
たとえば、生産性、利益という欲だけを追求する人間。地球を救うという欲だけを追求する人間。利益と真逆なぐうたらしたい時間を最大化したいという欲を追求する人間。などの最低生活を保護、向上しつつお金の循環を通じて個人同士の相互作用も考えていく(また、憎しみの連鎖も解消する)
多様性はあるが、欲という側面では皆平等。つまり、利益以外からも解決策を見出しお金儲けだけの話だけではないのが経済学(カントの「永遠平和のために」思想も含めて個人のプライバシーも考慮)
(合成の誤謬について)
合成の誤謬とは、ミクロの視点では正しいことでも、それが、合成されたマクロ(集計量)の世界では、必ずしも意図しない結果が生じること。物理学では、相転移みたいな現象です。性質が変わってしまうということ。
ミクロのメカニズムが個人同士の経済における仕組みであるのに対して、マクロのメカニズムは、国家間や経済全体の循環における仕組みだからである。
例えば、家計の貯蓄などがよく登場するが悪い例えです。前提条件が、所得が一定の場合!!所得が一定じゃない増加する場合は?これは、論じていませんので参考になりません!!(法人が提供する製品やサービスの価格も一定の場合も前提条件です)
1930年代のアメリカ経済が金融危機2008と似たような状態に陥った時、ケインズは、「倹約のパラドックス」というケインズ経済学の法則を発見しています。
それは、ポール・A・サミュエルソン(1915-2009)が、近代経済学の教科書「経済学」の冒頭で「個人を富裕にする貯金は、経済全体を貧困にする!(所得が一定の場合)」というわかりやすい言葉で表現しました。しかし、庶民の所得が増加し、貯蓄が投資、消費に回る場合には、「倹約のパラドックス」は生じません。
その後、この「倹約のパラドックス」は、アメリカの経済学者・ケネス・J・アロー(1921- )が「合成の誤謬」を数学的論理に基づいて「個人個人がそれぞれ合理的選択をしても、社会システム全体は合理的選択をするとは限らない」を検証してみせた。 要するに、部分最適ではなく、全体最適させていくということ。
つまり、新産業でイノベーションが起きるとゲーム理論でいうところのプラスサムになるから既存の産業との 戦争に発展しないため共存関係を構築できるメリットがあります。デフレスパイラルも予防できる?人間の限界を超えてることが前提だけど
しかし、独占禁止法を軽視してるわけではありませんので、既存産業の戦争を避けるため新産業だけの限定で限界を超えてください!ということに集約していきます。
なお、金融危機2008では、マイケル・メトカルフェも言うように、「特別資金引出権(SDR)」は、2008年に行われた緊急対策で、一国だけで行われたのではなく、驚くほど足並みの揃った協調の下に国際通貨基金(IMF)を構成する188ヶ国が各国通貨で総額2500億ドル相当を「特別資金引出権(SDR)」を用いて世界中の準備通貨を潤沢にする目的で増刷してます。
このアイデアの根本は、元FRB議長であったベンバーナンキの書籍「大恐慌論」です。この研究がなければ、誰一人として、変動相場制での当時の状況を改善し解決できなかったと言われています。
それ以前では、固定相場制でのマーシャルプランが有名です。
続いて、トリクルダウンと新自由主義
インターネットの情報爆発により隠れていた価値観も言葉となり爆発していくことになった。
しかし、法定通貨の方が、その価値、概念に対する通貨量拡大として価格で応じることができず、圧倒的に通貨量が足りない状況が生まれていたのが、2010年代の問題点のひとつでした。
リーマンショックの後に、新自由主義が誤りであることが、ピケティやサンデルによって指摘され、当時のFRBバーナンキ議長が、通貨供給量を大幅に増やした対策により、ベースマネーの金融、銀行間の相互不信を解消して収束した。
それでも、まだ足りないが、適正水準に収まったことで、さらに価値も増幅され、マネーストックの財政政策から再分配、事前分配を大規模に行い、さらなる通貨供給量が重要となっている現在の日本国内。
例えば
Googleがしようとしてた事は、まだ新産業として、基礎研究から発展できない機械学習の先端の成果をすべて持ち込んだ社会実験に近いこと。
シュンペーターの創造的破壊は、一定数の創造の基礎を蓄積後に、未来を高密度なアイデアで練り上げてから破壊をするのが本質です。
こうして、憎しみの連鎖や混乱を最小限にする。
アルビン・トフラーの言うように、法人と行政府とのスピードの違いが縮まらないのは、構造上の違いであって、それを補うためにプラスサムな連携するということが、必要になってくることを説いています。
三権分立が、規制のないGAFAMを非政府部門としてMMT(現代貨幣理論)からプラスサムに連携したらどこで均衡するのか?という社会実験も兼ねています。
このような前提で、あらゆるインターネット企業が、創業時、貢献するためコンセプトの中心であったものが、今では、悪性に変質して違う目的に成り下がっています。
再分配、事前分配の強化がスッポリ抜けてる欠点があり、ここに明かしたくないイノベーションの余地があります!!
2021年には、新自由主義のような弱肉強食では自然とトリクルダウンは生じないことは明らかになる。
確かに、トリクルダウンは発生しないが、法律で人工的に同じ効果は、貨幣の再分配、事前分配という形にできる可能性は高い。
再分配や事前分配をケムにまく「金持ちを貧乏にしても、貧乏人は金持ちにならない」「価値を生み出している人を罰するつもりがないのであれば税に差をつけないほうがいい」(サッチャー)
とあるが、新自由主義は誤りで、ピケティやサンデルによると違うみたいだ。
2024年のノーベル経済学賞でも指摘しているように・・・
国家システムが繁栄するかどうかは、幅広い政治参加や経済的な自由に根ざす「包括的な制度(ポジティブサム)」の有無にかかっているとデータでゲーム理論から実証した。
欧州諸国などによる植民地支配の時代のデータを幅広く分析し、支配層が一般住民から搾取する「収奪型社会(ゼロサム)」では経済成長は長く続かない(収穫遁減に陥る?)
一方、政治や経済面での自由や法の支配を確立した「再分配や事前分配を同時に行う包括型社会(ポジティブサム)」なら長期の成長を促すと理論的に解明した(乗数効果とは異なる経路の収穫遁増がテクノロジー分野とシナジーしていく?)
「再分配や事前分配を同時に行う包括型社会(ポジティブサム)」は、日本の高度経済成長時代のジャパンミラクルが、一度、先取りして体現しています。
2020年代からはもう一度、ジャパンミラクルが日本で起こせる環境に入っています。安倍総理が土台、管、岸田総理が再分配や事前分配の包括型社会(ポジティブサム)の土台を形成しつつあります。
日本の古代の歴史視点から見ると・・・
安土桃山から江戸幕府初期の農民出身徳川家康が国際貿易を促進しつつ再分配や事前分配の包括型社会(ポジティブサム)を形成してます。
その後、大航海時代の覇権争いを避けるため数代かけて「収奪型社会(ゼロサム)」になってしまい、綱吉の頃には基本的人権の概念も希薄になり選挙もないため
低収入者の農民から商人も収奪していきます。
江戸幕府末期まで数度改革をしましたが、ノーベル経済学賞の人達によると包括型社会(ポジティブサム)に転換しずらい
結局、薩摩と長州が徳川家康式の国際貿易のイノベーションを復活させるも(水戸藩の文献から)国民主権の憲法や選挙がないため
明治維新を起こすしかなく、第二次大戦で原爆が投下されるまで軍備拡大して資源が枯渇します。
国家システムの独裁から法人や個人の優越的地位の乱用にすり替わるため、財産権や特許権などを含めた低収入者の基本的人権を尊重することで独占禁止法の強化も必要になっていくことも同時に示しています。
(個人的なアイデア)
アメリカのノーベル賞受賞経済学者ミルトン・フリードマン、元FRB議長であったベンバーナンキの書籍「大恐慌論」も言うように、金融危機2008、コロナショック2020などの急落に直面する対策として、ゼロ金利、マイナス金利、金融政策が出尽くした後に、よく登場する最速実行再分配事前分配政策が、個人への緊急的な貨幣と有価証券の給付!!!
各国によってスピードは異なるが、政策閣議決定後、人間の限界を遥かに超えるスピード。1秒以内で貨幣と有価証券の到着が理想。各国競争してみれば、今後の恒久対策として中央銀行のデジタル通貨なども考慮しつつ、新産業が産まれプラスサムになるかもしれません。
MMT(Modern Monetary Theory)によると、現状の貨幣での現実的なアイデアとして、社会保障に還元される日本の消費税は現状維持しつつ、給付額にも消費税がかかるので給付額を上げて、毎月給付にすると消費税率と社会保障費下支えとが均衡状態になる?と同時に、実体経済の経済成長率「g」の下支えにも寄与する?
これらの総量が、急激な不況時の資本収益率「r」以上なら、もしかして?回復して正常な経済環境に戻る期間も短縮できるかもしれません。
戦後の高度経済成長は、事前分配に重点を最優先したための成果です。これは、再分配と違います。
日本の場合・・・
日本の防衛費を増額しても、逆に戦争に巻き込まれるだけ!!
では、なぜ?他の国の軍事費が、日本よりも低いにもかかわらず、他国に侵略されていないのか?
国連の世界人権宣言。
マクロ経済学による生活水準の向上とインターネットで世界が繋がりやすくなり、ゲーム理論で言うプラスサム状態になっているから。
生活水準の向上しない防衛費よりも行政府の給付金なども含めた低収入者の生活水準の向上に対して重点的に行う方が下支えになります。
日米10万円給付金の効果の差について・・・
日米、新型コロナウイルスの時期に10万円給付金を行政府から与えられた。アメリカは日本の数倍。
効果は、消費に回らない!という先入観を与えているが、実は違う!ことが判明した。
アメリカでは、資源インフレ時じゃない期間に下支えのために大量に財政支出したということ。
資源インフレのとき財政支出を増やすと、インフレが暴走する。1970年代の教訓。
予算の執行は、複数年かけて収束し、財政が生み出す需要は目減りしていく。これはリーマンショック後も同じことが起きている。
その後、急回復しアメリカ経済を押し上げた。雇用も一人につき二人分の求人がある。歴史的な低失業率は危機直後には訪れない?
労働者への賃金上昇に資する効果がある。労働者の再分配率も上昇する効果もある。
さらに、ウクライナ侵攻によるロシアへの金融制裁から財政支出がインフレを悪化させたという形を演出してしまったような数値に見える。
1970年代といえば、資源インフレのオイルショックの形。バーナンキ元議長がリーマンショック後に行ったヘリコプターマネー的な金融緩和や貨幣と有価証券の給付は、ITや金融理論がまだ少ない時代では不可能だった。
1970年代のもう一つの教訓。インフレのとき減税したら、総需要が増えてもっとインフレになる。
かつては、現金や預金の通貨供給量も2年後のCPI(消費者物価指数)に影響を与える先行指標に使われていた。今は違うが。
2008年以降は、ヘリコプターマネー的な金融緩和や貨幣と有価証券の給付の社会実験が行われ、下支えの効果はゴルディロックス相場に。
一方、FRBの急激な利上げは、足元で物価上昇圧力が一気に吹き出すのを押さえ込む「激変緩和装置」のようなもの。
矛盾しているように思えるが、今までのことを勘案して俯瞰し眺めて見るとあることに気がついた。
上記の対策を組み合わせて限定期間のベーシックインカムを融合し行えばゲーム理論のプラスサム状態になるかもしれない。
つまり、2年後のCPI(消費者物価指数)に影響を与えるなら2年間少額(例えば、1万円を24回)を、ベーシックインカムみたいに毎月貨幣と有価証券の給付をする。
と同時に急激な利上げをしてみたら固定相場制から変動相場制に変わり始めた1970年代とは違う結果になりそう。
この集中的な高額な貨幣と有価証券の給付による経路から生じる労働者への急激な賃金上昇メカニズムが、FRBの急激な利上げをわずかでも上回れば?
MMT(現代貨幣理論)も考慮に入れた変動相場制が定着している環境では人類史上初の試みかもしれない。
長期的な給付金の安心感から消費にも回りそう。
ノーベル賞級マクロ経済学の知見を源にしたアベノミクスの功績と旧民主党の消費税10%の超党派で経済政策を融合した効果が、予算の余裕を生み出して給付金などの下支えへと結実した日本経済。
さらに・・・
勝手に警察が拡大解釈してしまうと・・・
こんな恐ろしいことが・・・
日本の警察は、2020年3月から防犯カメラやSNSの画像を顔認証システムで本人の許可なく照合していた!
憲法に完全違反!即刻停止措置をみんなで要求せよ。
日本の警察の悪用が酷いので、EUに合わせてストーカーアルゴリズムを規制しろ!
2021年に、EU、警察への初のAI規制案!公共空間の顔認証「原則禁止」
EUのAI規制は、リスクを四段階に分類制限!
前提として、公人、有名人、俳優、著名人は知名度と言う概念での優越的地位の乱用を防止するため徹底追跡可能にしておくこと。
禁止項目は、行動や人格的特性に基づき警察や政府が弱者個人の信頼性をスコア化や法執行を目的とする公共空間での顔認識を含む生体認証。
人間の行動、意思決定、または意見を有害な方向へ操るために設計されたAIシステム(ダークパターン設計のUIなど)も禁止対象にしている。
禁止対象の根拠は「人工知能が、特別に有害な新たな操作的、中毒的、社会統制的、および、無差別な監視プラクティスを生みかねないことは、一般に認知されるべきことである」
「これらのプラクティスは、人間の尊厳、自由、民主主義、法の支配、そして、基本的人権の尊重を重視する基準と矛盾しており、禁止されるべきである」
具体的には、人とやり取りをする目的で使用されるAIシステム(ボイスAI、チャットボットなど)
さらには、画像、オーディオ、または動画コンテンツを生成または操作する目的で使用されるAIシステム(ディープフェイク)について「透明性確保のための調和的な規定」を提案している。
高リスク項目は、法人の採用活動での利用など違反は刑事罰の罰金を売上高にかける。
など。他、多数で警察の規制を強化しています。
人間自体を、追跡すると基本的人権からプライバシーの侵害やセキュリティ上の問題から絶対に不可能です!!
これは、基本的人権がないと権力者が悪逆非道の限りを尽くしてしまうことは、先の第二次大戦で白日の元にさらされたのは、記憶に新しいことです。
マンハッタン計画、ヒットラーのテクノロジー、拷問、奴隷や人体実験など、権力者の思うままに任せるとこうなるという真の男女平等弱肉強食の究極が白日の元にさらされ、戦争の負の遺産に。
基本的人権がないがしろにされたことを教訓に、人権に対して厳しく権力者を監視したり、カントの思想などを源流にした国際連合を創設します。他にもあります。
参考として、フランスの哲学者であり啓蒙思想家のモンテスキュー。
法の原理として、三権分立論を提唱。フランス革命(立憲君主制とは異なり王様は処刑されました)の理念やアメリカ独立の思想に大きな影響を与え、現代においても、言葉の定義を決めつつも、再解釈されながら議論されています。
また、ジョン・ロックの「統治二論」を基礎において修正を加え、権力分立、法の規範、奴隷制度の廃止や市民的自由の保持などの提案もしています。現代では権力分立のアイデアは「トリレンマ」「ゲーム理論の均衡状態」に似ています。概念を数値化できるかもしれません。
権限が分離されていても、各権力を実行する人間が、同一人物であれば権力分立は意味をなさない。
そのため、権力の分離の一つの要素として兼職の禁止が挙げられるが、その他、法律上、日本ではどうなのか?権力者を縛るための日本国憲法側には書いてない。
モンテスキューの「法の精神」からのバランス上、法律側なのか不明。
立法と行政の関係においては、アメリカ型の限定的な独裁である大統領制において、相互の抑制均衡を重視し、厳格な分立をとるのに対し、イギリス、日本などの議院内閣制は、相互の協働関係を重んじるため、ゆるい権力分立にとどまる。
アメリカ型の限定的な独裁である大統領制は、立法権と行政権を厳格に独立させるもので、行政権をつかさどる大統領選挙と立法権をつかさどる議員選挙を、別々に選出する政治制度となっている。
通常の「プロトコル」の定義は、独占禁止法の優越的地位の乱用、基本的人権の尊重に深く関わってきます。
通信に特化した通信プロトコルとは違います。言葉に特化した言葉プロトコル。またの名を、言論の自由ともいわれますがこれとも異なります。
基本的人権がないと科学者やエンジニア(ここでは、サイエンスプロトコルと定義します)はどうなるかは、歴史が証明している!独占独裁君主に口封じに形を変えつつ処刑される!確実に!これでも人権に無関係といえますか?だから、マスメディアも含めた権力者を厳しくファクトチェックし説明責任、透明性を高めて監視しないといけない。
今回、未知のウイルス。新型コロナウイルス2020では、様々な概念が重なり合うため、均衡点を決断できるのは、人間の倫理観が最も重要!人間の概念を数値化できないストーカー人工知能では、不可能!と判明した。
複数概念をざっくりと瞬時に数値化できるのは、人間の倫理観だ。
そして、サンデルやマルクスガブリエルも言うように、哲学の善悪を判別し、格差原理、功利主義も考慮した善性側に相対的にでかい影響力を持たせるため、弱者側の視点で、XAI(説明可能なAI)、インターネット、マスメディアができるだけ透明な議論をしてコンピューターのアルゴリズムをファクトチェックする必要があります。
<おすすめサイト>
エピソード8 Episode8 - 知恵が試されるバランスとテーラワーダ仏教の「結び」、マクロ経済学(パワーか、フォースか 改訂版―人間のレベルを測る科学 - デヴィッド・R・ホーキンズ Amazon)
キャシー・ウッド:AIが指数関数的な経済成長を引き起こす理由
マリリン・ウォーリング:GDPに計上されない無償労働。なぜ?その価値を考慮すべきなのか
マーティン・フォード: 職が無くなる未来の社会システムでのお金の稼ぎ方
ティム・リーバーレヒト: 機械学習が発達する時代に人間らしい会社を創る4つの方法
バリー・シュワルツ:我々の仕事の考え方は間違っている?
デイヴィッド・オートー : 自動化で人間の仕事はなくなるのか?
オーギー・ピカード: 製造業の仕事が減っている本当の理由
アンドリュー・マカフィー:アンドロイドに仕事を奪われるのか?
エリック・ブリニョルフソン: 成長のための鍵は何?機械との競争?
データ配当金の概念から閃いた個人的なアイデア2019
キャシー・オニール: ビッグデータを盲信する時代に終止符を!
ルトハー・ブレフマン:貧困は「人格の欠如」ではなく「金銭の欠乏」である!
個人賃金→年収保障、ベーシックインカムは、労働市場に対する破壊的イノベーションということ?2022(人間の限界を遥かに超えることが前提条件)
世界の通貨供給量は、幸福の最低ライン人間ひとりで年収6万ドルに到達しているのか?2017
ベティーナ・ウォーバーグ: ブロックチェーンが経済にもたらす劇的な変化
量子コンピューターの基本素子である超電導磁束量子ビットについて2019
<提供>
東京都北区神谷の高橋クリーニングプレゼント
独自サービス展開中!服の高橋クリーニング店は職人による手仕上げ。お手頃50ですよ。往復送料、曲Song購入可。詳細は、今すぐ電話。東京都内限定。北部、東部、渋谷区周囲。地元周辺区もOKです
東京都北区神谷高橋クリーニング店Facebook版