Skip to main content

Cookies and Privacy

We use cookies to improve your experience on our website. To find out more, read our updated Cookie policy, Privacy policy and Terms & Conditions

sargent1_Wenjie Dong Getty Images_AIdatahuman Wenjie Dong/Getty Images

经济理论的人工智能前沿

纽约—直到前不久,还有两大障碍限制着经济学家通过数学家和统计学家于19世纪早期发展起来的从嘈杂数据中认识和解读模式的有效方法来认识这个世界:那就是数据集规模小且成本不菲,以及计算机速度慢并且昂贵。因此,随着算力的提高大幅缩减了上述障碍,经济学家自然会争先恐后地利用大数据和人工智能来协助他们从各式各样的行为和结果中进行模式总结。

数据摘要和模式识别同样是物理学的重要组成部分。物理学家理查德·费曼曾把自然界 比作一场由诸神参与的游戏:“你不了解游戏规则,但却或许可以从某个不起眼的角落时不时看看棋盘上的局势。而从这些观察中,你试图找到什么才是规律。”

费曼的比喻是对许多经济学家所作所为的一个形象描述。就像天体物理学家一样,我们往往能够取得产生于我们想要了解过程的非实验性数据。数学家约翰·冯·诺伊曼将游戏定义为(1)玩家列表;(2)每个玩家可用的操作列表;(3)所有玩家行为以何种方式决定每个玩家所取得收益的列表;以及(4)一份告诉我们谁何时选择什么的时间协议。这个优雅的定义包括我们所谓的宪法或经济体系:也就是有关谁何时选择什么的社会解释。

就像费曼的隐喻物理学一样,我们的任务是从观察到的数据中推演出一种“游戏”——该游戏对经济学家而言就是市场结构或市场体系。但接下来我们要做一些物理学家不需要做的事情:也就是思考不同的“游戏”怎样才能产生更好的结局。这也就是说,我们想要进行试验,研究游戏规则或某些“玩家”(比方说政府监管机构或央行)观察行为模式的假设性变化可能如何影响到其他玩家的行为模式。

因此,经济学中的“结构模型构建者”试图在政府或监管机构遵循一套新规则(往往是史无前例)的假设情境前提下,从历史行为模式中推演出一组不变的参数。正如一句中国谚语所说的那样,上有政策下有对策。结构模型寻找此类恒定参数,以帮助监管机构和市场设计者了解并预测史上前所未有局面下的数据模式。

构建结构模型的艰巨任务将受益于快速发展的人工智能分支,上述分支纯粹涉及模式识别领域。AlphaGo就是很好的例子。发明玩中国游戏围棋算法的计算机科学家团队巧妙地结合了由统计学、模拟、决策理论和博弈理论领域专家所研发的一整套工具。许多工具的使用比例恰到好处,不仅造就了优秀的人工围棋手,同样也是经济学家研究宏观经济和产业组织结构模型构建的必备工具。

Subscribe now
Bundle2020_web

Subscribe now

Subscribe today and get unlimited access to OnPoint, the Big Picture, the PS archive of more than 14,000 commentaries, and our annual magazine, for less than $2 a week.

SUBSCRIBE

当然,经济学与物理学的不同之处在于一个关键领域。皮埃尔·西蒙·拉普拉斯认为“宇宙的当前状态是其过去的结果和未来的原因,”而经济学的逻辑则需要反过来:我们对其他人今后行为的预期导致了我们目前的行事。我们通常利用预测其他人愿望的个人理论来预测他们接下来的行为。如果我们关于其他人的理论合理,他们可能做什么决定了我们对他们的期望值。这种推理有时被称作“理性预期”,反映出经济体系中一种“未来决定现在”的状态。构建“结构性”经济模型的核心必须将这一点纳入考虑。

举例来讲,如果我认为其他人会去银行挤兑,那么我也会这样做。如果没有存款保险,客户就有充分的动机来躲避那些可能遭遇挤兑的银行分支。而有了存款保险,客户就不会在乎是不是挤兑,也不会参加挤兑。另一方面,如果政府担保存款,银行所有者就会想要最大化其资产和风险,而存款人则根本不在意。失业和伤残险领域也存在类似的取舍——为恶运提供保障可能削弱人们自给自足的动力——政府和企业的官方救助也存在同样的问题。

从更广义上讲,别人期望我怎么做决定了我的声誉。我可以选择是否满足这些期望。上述选择将影响其他人未来的行为。央行对此深有体会。

就像物理学家一样,我们经济学家也利用模型和数据来学习。除非我们认为原有模型无法解释新数据,否则我们不会学到新东西。而后我们参考之前模型的失败来构建新模型。这解释了我们怎样从过去的萧条和金融危机中学习。而有了大数据、更快的计算机和更好的算法,我们也许能够从曾几何时只听到噪音的数据中看到模式。

Read more about the changing nature of value in the age of Big Data, artificial intelligence, and automation.

Click here

https://prosyn.org/pe8vx4bzh;