Trumpas yra teisus: imigracija keičia JAV darbo jėgą --- Istorinis antplūdis pakeitė darbo rinkos ir ekonomikos formą ir perspektyvas

 

 „JAV išgyvena didžiausią per kelias kartas imigracijos bangą, didina gyventojų skaičių ir keičia JAV darbo jėgos sudėtį taip, kad tai gali tęstis dešimtmečius.

 

 Kongreso biudžeto biuro skaičiavimais, nuo 2020 m. pabaigos legaliai ir nelegaliai į JAV migravusių žmonių skaičius, atėmus išvykusius, viršija devynis milijonus. Tai beveik tiek pat, kiek per visą praėjusį dešimtmetį. Imigracija padidino JAV gyventojų skaičiaus augimą iki beveik 1,2% per metus. Be jos gyventojų skaičius per metus padidėtų tik 0,2% ir pradėtų mažėti maždaug 2040 m., rodo CBO projektai.

 

 Imigracijos augimas buvo prieštaringas. Mažiau, nei 30 % migrantų arba 2,6 milijono CBO laiko „teisėtais nuolatiniais gyventojais“, įskaitant žaliosios kortelės turėtojus ir kitus legaliais kanalais atvykusius imigrantus. CBO didžiąją dalį kitų 6,5 mln. žmonių vadina „kitais užsienio piliečiais“. Didžioji dalis šios grupės kirto pietinę sieną be išankstinio leidimo ir paprašė prieglobsčio. Jiems buvo paskirtos teismo datos, kartais po metų. Laukdami dauguma dirba.

 

 Daug ko tiksliai nežinome apie šią populiaciją. Tačiau informacija sklinda per kas mėnesį atliekamą 60 000 namų ūkių Census Bureau apklausą ir Transactional Records Access Clearinghouse – imigracijos teismų pareiškimų duomenų bazę, kurią kuruoja Sirakūzų universitetas. Surašymo tyrime dalyvaujančių, imigrantų po 2020 m. skaičius yra nedidelis, o demografai mano, kad neleistini imigrantai rečiau atsako į anketas. Tačiau žiūrint į žmones, kurie atsako, galima daryti kai kurias išvadas. Žurnalas pažvelgė į gegužės-liepos mėnesio vidurkį.

 

 Remiantis mėnesinio surašymo duomenimis, nuo 2020 m. atvykusių užsieniečių 78% yra 16–64 metų amžiaus, palyginti su 60% JAV gimusių. Tai padeda paaiškinti, kodėl jie labiau linkę dirbti. Iš neseniai atvykusių 16 metų ar vyresnių imigrantų 68 % dirba arba ieško darbo, o JAV gimusių amerikiečių – 62 %.

 

 Tikėtina, kad ateinančiais metais pastarųjų imigrantų dalyvavimo lygis dar padidės. Dažnai prireikia daugiau, nei šešių mėnesių, kol asmuo, atvykęs į JAV, gauna leidimą dirbti. Surašymo duomenimis, tarp užsieniečių, atvykusių nuo 2004 iki 2019 m., darbo jėgos dalis yra 73 proc.

 

 Remiantis TRAC duomenimis, 12 didžiausių šalių, kuriose nuo 2020 m. pabaigos buvo paskirti imigracijos teismo posėdžiai, yra Lotynų Amerikoje arba Karibų jūros regione, kuriai vadovauja Venesuela (14%), Meksika (13%) ir Hondūras (8,5). Mėnesio surašymo duomenys piešia kiek kitokį vaizdą: Meksika, po to Venesuela ir Indija.

 

 Tačiau nors dauguma naujausių imigrantų gali dirbti, daugelis nėra pasiruošę aukštos kvalifikacijos darbams: surašymo duomenys rodo, kad imigrantai, atvykę nuo 2020 m. pradžios, daugiau, nei du, kartus dažniau neturi vidurinės mokyklos diplomo, nei gimę JAV darbininkai. Tačiau neseniai atvykę imigrantai taip pat yra šiek tiek labiau linkę turėti bakalauro ar aukštesnįjį laipsnį, nei JAV gimę. Duomenys nepaaiškina, kodėl.

 

 Imigracijos teismo duomenimis, apie 80 % pastarųjų imigrantų šnekamoji kalba yra ispanų kalba. 

 

Praėjusiais metais KFF ir „Los Angeles Times“ atlikta apklausa parodė, kad maždaug pusė visų JAV imigrantų teigia, kad angliškai kalba „labai gerai“ arba išskirtinai.

 

 Nuo 2020 m. pradžios atvykusių imigrantų nedarbo lygis yra didesnis, nei kitų gyventojų – nuo ​​ gegužės iki liepos mėnesio vidutiniškai 8,2 proc.

 

 Naujausi imigrantai paprastai uždirba mažiau, nei JAV gimę darbuotojai. Jie taip pat gali konkuruoti su esamais žemesnio išsilavinimo darbuotojais ir daryti spaudimą mažinti jų atlyginimus. Taigi, CBO teigimu, imigracijos padidėjimas artimiausiu metu gali šiek tiek paveikti bendrą atlyginimą ir produktyvumą.

 

 Tačiau pasipriešinimas išnyksta, kai migrantai įgyja patirties, o, aukštąjį išsilavinimą turintys, asmenys prisideda prie inovacijų, teigia CBO. Ir nuo tos dienos, kai pradeda dirbti, migrantai moka federalinius mokesčius.

 

 Didelė dalis imigrantų po 2020 m. dirba mažai apmokamus darbus. Populiariausios profesijos, surašymo duomenimis: statybininkas, kambarinė, valytoja ir virėja. Tačiau daugelis dirba kvalifikuotus darbus; aštunta pagal dažnumą profesija yra programinės įrangos kūrėjas." [1]

 

1. U.S. News: Immigration Is Remaking U.S. Workforce --- Historic influx has changed shape of and outlook for labor market and economy. Kiernan, Paul.  Wall Street Journal, Eastern edition; New York, N.Y.. 07 Sep 2024: A.2.

Trump Is Right: Immigration Is Remaking U.S. Workforce --- Historic influx has changed shape of and outlook for labor market and economy

 

"The U.S. is experiencing its largest immigration wave in generations, swelling the population and changing the makeup of the U.S. labor force in ways that are likely to reverberate for decades.

The number of people who have migrated to the U.S. legally and illegally since the end of 2020 -- subtracting those who have left -- exceeds nine million, the Congressional Budget Office estimates. That is nearly as many as in the whole of the prior decade. Immigration has lifted U.S. population growth to almost 1.2% a year. Without it, the population would be growing just 0.2% a year -- and would begin shrinking around 2040, the CBO projects.

The surge in immigration has been controversial. Less than 30% of migrants, or 2.6 million, are what the CBO counts as "lawful permanent residents," which includes green-card holders and other immigrants who came through legal channels. The CBO refers to most of the other 6.5 million as "other foreign nationals." The bulk of that group crossed the southern border without prior authorization and requested asylum. They were assigned court dates, sometimes years in the future. While waiting, most of them work.

There is much that we don't know with precision about this population. But information trickles in, via a monthly Census Bureau survey of 60,000 households and the Transactional Records Access Clearinghouse, a database of immigration-court filings curated by Syracuse University. The number of post-2020 immigrants who participate in the Census survey is small, and demographers believe unauthorized immigrants are less likely to respond. But looking at the people who do respond allows some inferences. The Journal looked at the May-July average.

Of foreigners who arrived since 2020, 78% are between the ages of 16 and 64, compared with 60% of those born in the U.S., according to the monthly census data. That helps explain why they are more likely to be in the labor force. Of recent immigrants age 16 or older, 68% are either working or looking for a job, compared with 62% for U.S.-born Americans.

Recent immigrants' participation rate is likely to climb further in coming years. It often takes more than six months for someone who has entered the U.S. to receive a work permit. Labor-force participation for foreigners who arrived from 2004 through 2019 is a lofty 73%, according to census data.

The 12 largest source countries for newcomers assigned immigration-court hearings since late 2020 are in Latin America or the Caribbean, the TRAC data show, led by Venezuela at 14%, Mexico at 13% and Honduras at 8.5%. Monthly census data paint a slightly different picture: Mexico, followed by Venezuela and India.

But while most recent immigrants are able to work, many aren't ready for high-skilled jobs: The census data show immigrants who arrived since the start of 2020 are more than twice as likely to lack a high-school diploma as U.S.-born workers. But recent immigrants are also slightly more likely to hold a bachelor's degree or higher than the U.S.-born. The data don't make it clear why.

According to immigration-court data, about 80% of recent immigrants' spoken language is Spanish. A survey last year by KFF and the Los Angeles Times found that around half of overall U.S. immigrants say they speak English "very well" or exclusively.

Immigrants who have arrived since the start of 2020 face higher jobless rates than the broader population -- averaging 8.2% between May and July.

Recent immigrants tend to earn less than U.S.-born workers. They might also compete with existing workers with less education and put downward pressure on their wages, too. So the surge in immigration could weigh slightly on overall wages and productivity in the near term, according to the CBO. 

However, the drag fades as migrants gain experience, and those with college degrees contribute to innovation, the CBO says. And from the day they start working, migrants pay federal taxes.

An outsize share of post-2020 immigrants are working in low-paying jobs. The most-common occupations, according to the census data: construction laborer, maid and housecleaner, and cook. But many fill skilled jobs; the eighth most common occupation is software developer." [1]

1. U.S. News: Immigration Is Remaking U.S. Workforce --- Historic influx has changed shape of and outlook for labor market and economy. Kiernan, Paul.  Wall Street Journal, Eastern edition; New York, N.Y.. 07 Sep 2024: A.2.

Kaip mokosi mūsų protas?

 „Penkius DEŠIMTMEČIUS trukę dirbtinių neuroninių tinklų tyrinėjimai suteikė Geoffrey'ui Hintonui dirbtinio intelekto (AI) krikštatėvio pravardę. Jo grupės Toronto universitete darbas padėjo pagrindus šiandieniniams antraštes traukiantiems AI modeliams, įskaitant ChatGPT ir LaMDA. Jie gali rašyti nuoseklią (jei neįkvepiančią) prozą, diagnozuoti ligas iš medicininių tyrimų ir valdyti savarankiškai važiuojančius automobilius. Tačiau daktaro Hintono galutinis tikslas buvo ne sukurti dirbtinius neuroninius tinklus, kurie galėtų išmokti juos išspręsti sudėtingų problemų, o tai, kad gali paaiškėti, kaip smegenų neuroniniai tinklai daro tą patį.

 

 Smegenys mokosi subtiliai perjungiamos: kai kurios jungtys tarp neuronų, žinomos, kaip sinapsės, sustiprėja, o kitos turi susilpnėti.

 

 Tačiau kadangi smegenyse yra milijardai neuronų, iš kurių milijonai gali būti įtraukti į bet kurią užduotį, mokslininkai nesupranta, kaip jos žino, kurias sinapses ir kiek reikia koreguoti.

 

 Dr Hintonas išpopuliarino sumanų matematinį algoritmą, žinomą kaip atgalinis sklaidymas, kad išspręstų šią problemą dirbtiniuose neuroniniuose tinkluose.

 

 Tačiau ilgą laiką buvo manoma, kad jis yra per sunkus, kad būtų išsivystęs žmogaus smegenyse. Dabar, kai dirbtinio intelekto modeliai savo sugebėjimais pradeda atrodyti vis labiau panašūs į žmones, mokslininkai abejoja, ar smegenys vis dėlto gali padaryti kažką panašaus.

 

 Išsiaiškinti, kaip smegenys daro tai, ką daro, nėra lengvas žygdarbis. Didžioji dalis to, ką neurologai supranta apie žmogaus mokymąsi, gaunama iš eksperimentų su mažais smegenų audinio gabalėliais arba sauja neuronų Petri lėkštelėje. Dažnai neaišku, ar gyvos, besimokančios smegenys veikia pagal padidintas tų pačių taisyklių versijas, ar vyksta kažkas sudėtingesnio. Net naudojant šiuolaikinius eksperimentinius metodus, kai neurologai vienu metu stebi šimtus gyvų gyvūnų neuronų, sunku nustatyti, kas iš tikrųjų vyksta.

 

 Viena ryškiausių ir seniausių teorijų, kaip smegenys mokosi, yra Hebo mokymasis. Idėja yra ta, kad neuronai, kurie aktyvuojasi maždaug tuo pačiu metu, tampa tvirčiau sujungti; dažnai apibendrinamos kaip „ląstelės, kurios užsidega kartu“. Hebo mokymasis gali paaiškinti, kaip smegenys išmoksta paprastų asociacijų – pagalvokite apie Pavlovo šunis, kurie seilėjosi, skambant varpeliui. Tačiau sudėtingesnėms užduotims, tokioms, kaip kalbos mokymasis, Hebo mokymasis atrodo per neefektyvus. Net ir su didžiuliu treniruočių kiekiu, dirbtiniai neuroniniai tinklai, treniruojami tokiu būdu, gerokai nusileidžia žmogaus našumui.

 

 Šiuolaikiniai AI modeliai sukurti skirtingai. Norėdami suprasti, kaip jie veikia, įsivaizduokite dirbtinį neuroninį tinklą, išmokytą pastebėti paukščius vaizduose. Toks modelis būtų sudarytas iš tūkstančių sintetinių neuronų, išdėstytų sluoksniais. Nuotraukos įvedamos į pirmąjį tinklo sluoksnį, kuris siunčia informaciją apie kiekvieno pikselio turinį į kitą sluoksnį per sinaptinių jungčių AI ekvivalentą. Čia neuronai gali naudoti šią informaciją, kad išskirtų linijas ar kraštus, prieš siųsdami signalus į kitą sluoksnį, kuris gali išskirti akis ar pėdas. Šis procesas tęsiasi tol, kol signalai pasiekia galutinį sluoksnį, atsakingą už teisingą didelį skambutį: „paukštis“ arba „ne paukštis“.

 

 Neatsiejama šio mokymosi proceso dalis yra vadinamasis klaidų platinimo atgalinis algoritmas, dažnai žinomas kaip backprop. Jei tinklui rodomas paukščio vaizdas, bet klaidingai daroma išvada, kad taip nėra, tada, kai tik jis suvokia klaidą, jis sukuria klaidos signalą. Šis klaidos signalas juda atgal per tinklą, sluoksnis po sluoksnio, stiprindamas arba susilpnindamas kiekvieną ryšį, kad būtų sumažintos būsimos klaidos. Jei modeliui vėl bus rodomas panašus vaizdas, pakoreguotos jungtys paskatins modelį teisingai paskelbti: „paukštis“.

 

 Neurologai visada skeptiškai žiūrėjo į tai, kad atgalinis dauginimasis gali veikti smegenyse. 1989 m., netrukus po to, kai daktaras Hintonas ir jo kolegos parodė, kad algoritmas gali būti naudojamas daugiasluoksniams neuroniniams tinklams treniruoti, Francisas Crickas, Nobelio premijos laureatas, kartu atradęs DNR struktūrą, žurnale „Nature“ paskelbė teorijos panaikinimą. Jis sakė, kad neuroniniai tinklai, naudojantys atgalinio sklidimo algoritmą, buvo biologiškai „nerealūs beveik visais atžvilgiais“.

 

 Viena vertus, neuronai dažniausiai siunčia informaciją viena kryptimi. Kad smegenyse veiktų atgalinis sklidimas, turėtų egzistuoti tobulas veidrodinis kiekvieno neuronų tinklo vaizdas, kad būtų galima siųsti klaidos signalą atgal. Be to, dirbtiniai neuronai bendrauja, naudodami įvairaus stiprumo signalus. Biologiniai neuronai savo ruožtu siunčia fiksuoto stiprumo signalus, kuriems „backprop“ algoritmas nėra skirtas.

 

 Nepaisant to, neuroninių tinklų sėkmė atnaujino susidomėjimą, ar smegenyse neįvyksta koks nors atgalinis platinimas. Gali būti, kad buvo daug žadančių eksperimentinių užuominų. Pavyzdžiui, 2023 m. lapkritį paskelbtas išankstinis tyrimas parodė, kad atskiri pelių smegenų neuronai reaguoja į unikalius klaidų signalus, kurie yra vienas iš svarbiausių į backprop panašių algoritmų sudedamųjų dalių, kurių, ilgai manyta, trūksta gyvose smegenyse.

 

 Neurologijos ir dirbtinio intelekto ribose dirbantys mokslininkai taip pat parodė, kad nedideli backpropo patobulinimai gali padaryti jį palankesnį smegenims. Vienas įtakingas tyrimas parodė, kad veidrodinio vaizdo tinklas, kuris kažkada buvo laikomas būtinu, nebūtinai turi būti tiksli originalo kopija, kad mokymasis vyktų (nors ir lėčiau dideliuose tinkluose). Dėl to jis tampa mažiau neįtikėtinas. Kiti rado būdų, kaip visiškai apeiti veidrodinį tinklą. Jei dirbtiniams neuroniniams tinklams gali būti suteikiamos biologiškai tikroviškos savybės, pvz., specializuoti neuronai, galintys integruoti aktyvumo ir klaidų signalus skirtingose ​​ląstelės dalyse, tada backprop gali atsirasti su vienu neuronų rinkiniu. Kai kurie mokslininkai taip pat pakeitė „backprop“ algoritmą, kad jis galėtų apdoroti šuolius, o ne nuolatinius signalus.

 

 Kiti tyrinėtojai tiria gana skirtingas teorijas. Straipsnyje, paskelbtame Nature Neuroscience anksčiau šiais metais, Yuhang Song ir kolegos iš Oksfordo universiteto išdėstė metodą, kuris apverčia backpropą žemyn galva. Įprastiniame backprope klaidų signalai lemia sinapsių koregavimą, o tai savo ruožtu sukelia neuronų veiklos pokyčius. Oksfordo mokslininkai pasiūlė, kad tinklas pirmiausia galėtų pakeisti neuronų aktyvumą ir tik tada pritaikyti sinapses, kad jos atitiktų. Jie pavadino tai numatoma konfigūracija.

 

 Kai autoriai išbandė numatomą konfigūraciją dirbtiniuose neuroniniuose tinkluose, jie nustatė, kad jie mokėsi daug panašesniu į žmones būdu – tvirčiau ir mažiau treniruodamiesi – nei modeliai, mokyti, naudojant backpropą. Jie taip pat nustatė, kad tinklas siūlo daug artimesnį žmogaus elgsenos atitikmenį, atliekant kitas labai skirtingas užduotis, pavyzdžiui, tas, kurios apėmė mokymąsi judinti vairasvirtę reaguojant į skirtingus vaizdinius signalus.

 

 Mokymasis sunkiu būdu

 

 Tačiau kol kas visos šios teorijos yra tik tas. Planuoti eksperimentus, siekiant įrodyti, ar smegenyse veikia backpropas ar bet koks kitas algoritmas, yra stebėtinai sudėtinga. Aranui Nayebi ir kolegoms iš Stanfordo universiteto tai atrodė, kaip problema, kurią AI galėtų išspręsti.

 

 Mokslininkai naudojo vieną iš keturių skirtingų mokymosi algoritmų, kad išmokytų daugiau, nei tūkstantį neuroninių tinklų atlikti įvairias užduotis. Tada jie stebėjo kiekvieną tinklą treniruočių metu, registruodami neuronų aktyvumą ir sinapsinių ryšių stiprumą. Tada daktaras Nayebi ir jo kolegos parengė kitą priežiūros metamodelį, kad iš įrašų išvestų mokymosi algoritmą. Jie nustatė, kad metamodelis gali pasakyti, kuris iš keturių algoritmų buvo naudojamas, mokymosi metu įvairiais intervalais įrašydamas vos kelis šimtus virtualių neuronų. Tyrėjai tikisi, kad toks metamodelis galėtų padaryti kažką panašaus su lygiaverčiais tikrų smegenų įrašais.

 

 Algoritmo ar algoritmų, kuriuos smegenys naudoja mokytis, nustatymas būtų didelis žingsnis į priekį neuromokslui. Tai ne tik atskleistų, kaip veikia paslaptingiausias kūno organas, bet ir galėtų padėti mokslininkams sukurti naujus dirbtinio intelekto įrankius, kad būtų galima suprasti konkrečius nervinius procesus. Neaišku, ar tai gali paskatinti geresnius AI algoritmus. Bent jau daktarui Hintonui „backpropas“, tikriausiai, yra pranašesnis, negu tai, kas vyksta smegenyse.“ [1]

 

1.  Great minds. The Economist; London Vol. 452, Iss. 9410,  (Aug 17, 2024): 63, 64.