演讲局成员诺贝尔奖经济学奖得主托马斯·萨金特：经济理论的AI前沿

作者：托马斯·萨金特

（Thomas J. Sargent）

演讲局成员

2011年诺贝尔奖经济学奖得主

纽约大学经济学教授

早在19世纪初期，数学家和统计学家开始研究用于识别和解释嘈杂数据中的模式的强大方法。然而，数据集小而贵，计算机运行缓慢却造价极高，这两大障碍限制了经济学家对世界的了解和探索。近年来随着计算能力提高，大大减少了这些障碍，经济学家便纷纷利用大数据和人工智能，探索各种活动和结果的模式。

数据摘要和模式识别并非经济学独有，也是物理科学的重要组成部分。物理学家理查德·费曼曾经将自然世界比作众神所玩的游戏：“你并不知道游戏规则，但可以在角落里或其他地方不时看看棋盘。通过观察，你可以尽可能弄清楚游戏规则。”

费曼的比喻其实是许多经济学家工作的真实写照。像天文学家一样，经济学家通常会获取其想理解的过程的非实验数据。根据数学家约翰·冯·诺依曼对游戏的定义，游戏必须具有以下要素：（1）玩家；（2）每个玩家可采取的行动；（3）所有玩家的行为如何影响个体玩家的收益；（4）规定谁在何时作何选择的计时协定。这个优雅的定义体现了“宪法”和“经济体系”的内核：社会对谁在何时选择什么的理解。

与费曼这样的隐喻物理学家类似，我们经济学家的任务是从观察到的数据中推知“游戏”规则。对经济学家来说， “游戏”可能是市场或市场体系的架构。但是，经济学家会想更进一步，做些物理学家不会做的事情：思考如何让不同的“游戏”达成更好的结果。也就是说，我们要进行实验，研究游戏规则，研究个别“游戏参与者”（例如，政府监管机构或中央银行）的行为模式的预期变化，会对剩余参与者的行为模式产生何种影响。

因此，经济学的“结构模型构建者”试图从行为的历史模式中推断出一组假设参数，这些参数是假设（通常是历史上前所未有的）情况的参数。在这些假设情况中，政府或监管机构遵循一套新的规则。中国有句谚语说，“上有政策，下有对策”。“结构模型”寻求的是不变参数，以帮助监管机构和市场设计师在无先例的情况下了解并预测数据模式。

而快速发展的AI分支将极大助力“建立结构模型”这一艰巨任务。这些分支只涉及模式识别。AlphaGo就是一个不错的例子。计算机科学家团队将一组工具巧妙地组合在一起，编写了下中国围棋的算法。这些工具是统计、模拟、决策理论和博弈论社区的专家开发的。以适当比例搭配使用的多种工具，不但是打造出色的人工棋手的理想“原料”，也是经济学家构建用于研究宏观经济学和产业组织的结构模型的好帮手。

当然，经济学在一个关键方面有别于物理学。皮埃尔·西蒙·拉普拉斯认为，“宇宙的现状体现了过去对其造成的影响，并同时影响着未来”，即过去影响现在，现在影响未来。这在经济学中则恰恰相反，经济学认为：人们现在的决策受到人们期望他人未来所做的事情的影响。我们通常会使用个人理论，根据人们的需求，预测他们的未来行动。当我们掌握良好理论分析他人行为时，我们期望人们做的事情，取决于他们可能会做的事情。这种推理方式被称为“理性预期”，反映了经济系统中“未来影响现在”的理念。认识到这一点是构建“结构”经济模型的关键。

例如，如果我预期其他人会去银行挤兑，那么我也会加入。没有存款保险的客户有更强的动机规避容易发生挤兑的银行。有存款保险的客户则不在乎，也不会挤兑。另一方面，如果政府为存款提供担保，那么银行会希望其资产变得越大越好，风险再高也不怕，存款人也不会在乎。失业和伤残保险，以及政府和企业的官方救助也面临着类似的问题：保障人们免受厄运可能会削弱他们自给自足的动力。

更广泛地说，我的声誉体现的是别人对我的期望。我需要选择是迎合期望还是辜负期望。这些选择将影响其他人将来的行为。中央银行对此深有体会。

就像物理学家一样，我们经济学家也使用模型和数据来学习。我们学习新事物，是因为意识到旧模型无法解释新数据。然后，我们根据前辈的失败经验来构建新模型。我们就是通过这样的方式从过去的萧条和金融危机中学习进步的。有了大数据、更快的计算机和更好的算法，我们可以从听到的“嘈杂”中辨识其中的模型。

预约托马斯·萨金特演讲及出席活动

请联络演讲局