資料圖。本文來源：北京商報(bào)、中國國創(chuàng)會(huì)

本賬號(hào)接受投稿，投稿郵箱：jingjixuejiaquan@126.com

資料圖。本文來源：中國社會(huì)科學(xué)網(wǎng)、中國社會(huì)科學(xué)報(bào)

本賬號(hào)接受投稿，投稿郵箱：jingjixuejiaquan@126.com

人工智能正重塑經(jīng)濟(jì)學(xué)研究

洪永淼

中國科學(xué)院大學(xué)經(jīng)濟(jì)與管理學(xué)院院長

經(jīng)濟(jì)大數(shù)據(jù)是經(jīng)濟(jì)社會(huì)活動(dòng)在數(shù)據(jù)空間的映射，具有一些重要特征，如微觀主體性，數(shù)據(jù)源于個(gè)體層面的行為記錄；高頻實(shí)時(shí)性，能夠?qū)崿F(xiàn)對(duì)經(jīng)濟(jì)動(dòng)態(tài)的連續(xù)記錄；交互關(guān)聯(lián)性，微觀主體間存在復(fù)雜的網(wǎng)絡(luò)關(guān)系；觀測屬性，大數(shù)據(jù)幾乎均為觀測數(shù)據(jù)而非實(shí)驗(yàn)數(shù)據(jù)。這些特征為經(jīng)濟(jì)學(xué)與社會(huì)科學(xué)研究帶來了巨大的機(jī)遇與挑戰(zhàn)。

從有限理性到AI賦能理性假設(shè)

經(jīng)濟(jì)學(xué)理論體系的基石是理性人假設(shè)。然而，20世紀(jì)70年代以羅伯特·盧卡斯、薩金特和尼爾·華萊士為代表的宏觀經(jīng)濟(jì)學(xué)理性預(yù)期革命，假設(shè)經(jīng)濟(jì)人完全理性，將非理性因素從主流分析框架中徹底剔除，在隨后二十年間幾乎銷聲匿跡。過去二三十年，行為經(jīng)濟(jì)學(xué)與行為金融學(xué)的興起標(biāo)志著非理性因素的回歸。赫伯特·西蒙更早提出“有限理性”概念，指出經(jīng)濟(jì)主體在信息收集、處理能力、認(rèn)知水平與時(shí)間等方面受到約束，無法求得最優(yōu)解，只能尋求“滿意解”。

AI時(shí)代為這一理論演進(jìn)提供了全新可能。AI不僅能高效收集與分析數(shù)據(jù)，實(shí)現(xiàn)精準(zhǔn)預(yù)測與決策，還具備交互功能——不僅利用歷史數(shù)據(jù)，更能與現(xiàn)在和未來的預(yù)期進(jìn)行互動(dòng)。我們正在見證從傳統(tǒng)理性到有限理性再到AI賦能理性的躍遷。事實(shí)上，薩金特30多年前便提出用人工智能方法替代經(jīng)濟(jì)人形成理性預(yù)期。他認(rèn)為，盡管個(gè)體僅具有“有限理性期望”，但基于人工神經(jīng)網(wǎng)絡(luò)的適應(yīng)性學(xué)習(xí)，經(jīng)濟(jì)主體可以從有限理性預(yù)期逼近完全理性預(yù)期的狀態(tài)。這一洞見在當(dāng)前大模型時(shí)代展現(xiàn)出前所未有的現(xiàn)實(shí)意義，人機(jī)結(jié)合領(lǐng)域正成為理論研究前沿。

從代表性主體到異質(zhì)性交互

當(dāng)前“宏觀數(shù)據(jù)與微觀感受背離”現(xiàn)象的主要根源在于宏觀經(jīng)濟(jì)理論缺乏微觀基礎(chǔ)。傳統(tǒng)宏觀經(jīng)濟(jì)學(xué)基于市場均衡理論，缺乏微觀行為支撐；理性預(yù)期革命引入代表性主體優(yōu)化行為，構(gòu)建了初步微觀基礎(chǔ)，但代表性主體假設(shè)將異質(zhì)性消弭殆盡，無法解釋收入分配、財(cái)富分化等核心問題。

AI時(shí)代為微觀基礎(chǔ)構(gòu)建提供了很多可能的路徑。第一，異質(zhì)性宏觀經(jīng)濟(jì)學(xué)理論。過去二三十年興起的異質(zhì)性主體宏觀經(jīng)濟(jì)理論假設(shè)存在大量異質(zhì)性個(gè)體，具有不同偏好與結(jié)構(gòu)參數(shù)等。核心挑戰(zhàn)在于如何將微觀變量加總為宏觀指標(biāo)。傳統(tǒng)數(shù)學(xué)工具難以求解因異質(zhì)性產(chǎn)生的高維非線性復(fù)雜關(guān)系，必須借助AI算法。機(jī)器學(xué)習(xí)技術(shù)能夠有效處理高維異質(zhì)性，實(shí)現(xiàn)從微觀行為到宏觀現(xiàn)象的鏈接。第二，概率統(tǒng)計(jì)加總方法。宏觀變量本質(zhì)上是微觀個(gè)體變量的加總。若能獲知微觀變量聯(lián)合概率分布，則通過變換可推導(dǎo)出宏觀變量的概率分布，從而揭示其動(dòng)態(tài)演化規(guī)律。但這一過程涉及超高維矩陣求解運(yùn)算，傳統(tǒng)計(jì)算能力無法勝任，當(dāng)代計(jì)算機(jī)算力突破使這一路徑成為可能。第三，基于主體的模型（Agent-Based Model， ABM）方法。這是用來模擬具有自主意識(shí)主體的行為及其相互作用的計(jì)算模型，從底層設(shè)定微觀主體行為規(guī)則，通過計(jì)算機(jī)模擬技術(shù)生成宏觀經(jīng)濟(jì)現(xiàn)象。不同于數(shù)學(xué)解析證明，ABM依靠計(jì)算模擬仿真技術(shù)揭示大量異質(zhì)性微觀主體的相互作用如何涌現(xiàn)宏觀規(guī)律，為理解宏觀經(jīng)濟(jì)動(dòng)態(tài)提供了“生成式”視角。第四，基于微觀大數(shù)據(jù)的分類數(shù)據(jù)方法。托馬斯·皮凱蒂2013年研究收入不平等時(shí)提出的“分布式國民賬戶”是典型范例。傳統(tǒng)統(tǒng)計(jì)關(guān)注均值，而分布式國民賬戶聚焦分布——頂端1%、10%收入群體的收入占比變化。這種分類數(shù)據(jù)依賴海量微觀數(shù)據(jù)，使政策變化與外生沖擊對(duì)收入與消費(fèi)分布影響的量化分析成為可能，實(shí)現(xiàn)了宏觀一致性與微觀異質(zhì)性的統(tǒng)一。

從小模型到大模型的復(fù)興

過去幾十年，經(jīng)濟(jì)學(xué)家多次嘗試構(gòu)建大模型，其中一些大模型因?yàn)椤熬S數(shù)災(zāi)難”而應(yīng)用受限。AI時(shí)代為那些大模型注入了新活力。例如，可計(jì)算一般均衡模型。里昂·瓦爾拉斯1874年提出一般均衡理論，歷經(jīng)多年后，肯尼斯·約瑟夫·阿羅與杰拉德·德布魯用嚴(yán)謹(jǐn)數(shù)學(xué)證明其存在性，但求解均衡價(jià)格的方法長期缺失。1967年赫伯特·斯卡夫創(chuàng)新性提出算法求解路徑，使CGE在政策分析中得到廣泛應(yīng)用。AI算法可進(jìn)一步提升求解效率與模型規(guī)模，處理更復(fù)雜的部門關(guān)聯(lián)與異質(zhì)性。又如，世界宏觀經(jīng)濟(jì)模型（LINK Project）。20世紀(jì)60年代，勞倫斯·克萊因發(fā)起該項(xiàng)目，整合各國宏觀經(jīng)濟(jì)模型，20世紀(jì)90年代已包含70多個(gè)國家、約兩萬個(gè)方程。這個(gè)模型可用于研究各國宏觀經(jīng)濟(jì)聯(lián)動(dòng)與政策整合，但由于參數(shù)維數(shù)超過樣本容量而引發(fā)“維數(shù)災(zāi)難”，該模型未能發(fā)揮預(yù)期作用。大數(shù)據(jù)與AI方法特別是降維技術(shù)則使這一宏大構(gòu)想具備實(shí)現(xiàn)可能。有學(xué)者基于消費(fèi)者行為研究，構(gòu)建了超過10萬個(gè)未知結(jié)構(gòu)參數(shù)的微觀消費(fèi)決策模型，用于評(píng)估消費(fèi)者福利。10萬多個(gè)未知參數(shù)具有明確的經(jīng)濟(jì)含義，但傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)方法難以估計(jì)。當(dāng)前算力使此類模型的估計(jì)成為常規(guī)操作，開啟了微觀實(shí)證研究的新維度。

AI時(shí)代的大模型復(fù)興不僅是規(guī)模的擴(kuò)展，更是質(zhì)量的提升：經(jīng)濟(jì)含義保持清晰、因果機(jī)制可解釋、政策實(shí)驗(yàn)可驗(yàn)證。這標(biāo)志著經(jīng)濟(jì)學(xué)建模從“小而美”的演示走向“大而實(shí)”的應(yīng)用。

從數(shù)學(xué)證明到算法求解

長期以來，經(jīng)濟(jì)學(xué)理論以數(shù)學(xué)證明為基本范式——假設(shè)、引理、定理、推導(dǎo)，追求數(shù)學(xué)嚴(yán)謹(jǐn)性。然而，數(shù)學(xué)模型的嚴(yán)苛假設(shè)常與現(xiàn)實(shí)脫節(jié)，高維非線性系統(tǒng)往往難以獲得解析解，導(dǎo)致理論模型應(yīng)用價(jià)值受限。

計(jì)算科學(xué)提供了替代路徑：通過算法求解復(fù)雜高維模型，不求最優(yōu)解而求滿意解。這呼應(yīng)了有限理性哲學(xué)，即經(jīng)濟(jì)現(xiàn)實(shí)中本就存在“第一最優(yōu)、第二最優(yōu)、第三最優(yōu)”的層級(jí)取舍，計(jì)算科學(xué)正是遵循這一邏輯。過去二三十年，計(jì)算經(jīng)濟(jì)學(xué)、計(jì)算金融學(xué)與計(jì)算社會(huì)科學(xué)蓬勃發(fā)展，均得益于大數(shù)據(jù)與計(jì)算機(jī)技術(shù)突破。

然而，經(jīng)濟(jì)學(xué)界仍偏數(shù)學(xué)證明而輕算法訓(xùn)練。高校經(jīng)濟(jì)學(xué)與計(jì)量經(jīng)濟(jì)學(xué)普遍開設(shè)經(jīng)濟(jì)學(xué)與計(jì)量經(jīng)濟(jì)學(xué)理論課程，卻鮮少教授計(jì)算方法，構(gòu)成人才培養(yǎng)的短板。哈爾伯特·懷特從20世紀(jì)八九十年代便開始研究人工神經(jīng)網(wǎng)絡(luò)模型的大樣本理論，隨后很多經(jīng)濟(jì)學(xué)家與計(jì)量經(jīng)濟(jì)學(xué)家便將人工神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于經(jīng)濟(jì)金融實(shí)證研究，卻因那時(shí)算力不足、大數(shù)據(jù)匱乏、經(jīng)濟(jì)學(xué)家編程能力薄弱而未能成功。這一“超前”嘗試暴露了學(xué)科交叉能力的缺失。此外，AI帶來的不僅是計(jì)算工具，更是思維革命。吳文俊長期致力于用機(jī)器來證明，展示了算法推理的潛力。展望未來，AI極有可能在定理證明領(lǐng)域?qū)崿F(xiàn)突破，從而完成經(jīng)濟(jì)學(xué)研究范式從“人類數(shù)學(xué)證明”向“人機(jī)協(xié)同算法求解”的終極轉(zhuǎn)換。

人工智能對(duì)經(jīng)濟(jì)學(xué)研究的影響是系統(tǒng)性、革命性的。它將重構(gòu)理性假設(shè)，賦予有限理性以技術(shù)實(shí)現(xiàn)路徑；彌合宏微觀裂痕，通過大數(shù)據(jù)與智能算法構(gòu)建真正的微觀基礎(chǔ)；激活大模型潛力，使復(fù)雜經(jīng)濟(jì)系統(tǒng)的精準(zhǔn)模擬成為可能；推動(dòng)范式轉(zhuǎn)換，從數(shù)學(xué)嚴(yán)謹(jǐn)性走向算法有效性。經(jīng)濟(jì)學(xué)正站在新紀(jì)元的門檻上，理論演繹與數(shù)據(jù)驅(qū)動(dòng)將深度融合，微觀行為與宏觀現(xiàn)象將徹底貫通，數(shù)學(xué)之美與計(jì)算之力將交相輝映。■

掃碼入群可參加全年至少12場精彩閉門研討