洪永淼：人工智能正重塑經濟學研究

資料圖。本文來源：北京商報、中國國創會

本賬號接受投稿，投稿郵箱：jingjixuejiaquan@126.com

資料圖。本文來源：中國社會科學網、中國社會科學報

本賬號接受投稿，投稿郵箱：jingjixuejiaquan@126.com

人工智能正重塑經濟學研究

洪永淼

中國科學院大學經濟與管理學院院長

經濟大數據是經濟社會活動在數據空間的映射，具有一些重要特征，如微觀主體性，數據源于個體層面的行為記錄；高頻實時性，能夠實現對經濟動態的連續記錄；交互關聯性，微觀主體間存在復雜的網絡關系；觀測屬性，大數據幾乎均為觀測數據而非實驗數據。這些特征為經濟學與社會科學研究帶來了巨大的機遇與挑戰。

從有限理性到AI賦能理性假設

經濟學理論體系的基石是理性人假設。然而，20世紀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濟學理性預期革命，假設經濟人完全理性，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，行為經濟學與行為金融學的興起標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，指出經濟主體在信息收集、處理能力、認知水平與時間等方面受到約束，無法求得最優解，只能尋求“滿意解”。

AI時代為這一理論演進提供了全新可能。AI不僅能高效收集與分析數據，實現精準預測與決策，還具備交互功能——不僅利用歷史數據，更能與現在和未來的預期進行互動。我們正在見證從傳統理性到有限理性再到AI賦能理性的躍遷。事實上，薩金特30多年前便提出用人工智能方法替代經濟人形成理性預期。他認為，盡管個體僅具有“有限理性期望”，但基于人工神經網絡的適應性學習，經濟主體可以從有限理性預期逼近完全理性預期的狀態。這一洞見在當前大模型時代展現出前所未有的現實意義，人機結合領域正成為理論研究前沿。

從代表性主體到異質性交互

當前“宏觀數據與微觀感受背離”現象的主要根源在于宏觀經濟理論缺乏微觀基礎。傳統宏觀經濟學基于市場均衡理論，缺乏微觀行為支撐；理性預期革命引入代表性主體優化行為，構建了初步微觀基礎，但代表性主體假設將異質性消弭殆盡，無法解釋收入分配、財富分化等核心問題。

AI時代為微觀基礎構建提供了很多可能的路徑。第一，異質性宏觀經濟學理論。過去二三十年興起的異質性主體宏觀經濟理論假設存在大量異質性個體，具有不同偏好與結構參數等。核心挑戰在于如何將微觀變量加總為宏觀指標。傳統數學工具難以求解因異質性產生的高維非線性復雜關系，必須借助AI算法。機器學習技術能夠有效處理高維異質性，實現從微觀行為到宏觀現象的鏈接。第二，概率統計加總方法。宏觀變量本質上是微觀個體變量的加總。若能獲知微觀變量聯合概率分布，則通過變換可推導出宏觀變量的概率分布，從而揭示其動態演化規律。但這一過程涉及超高維矩陣求解運算，傳統計算能力無法勝任，當代計算機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主體的行為及其相互作用的計算模型，從底層設定微觀主體行為規則，通過計算機模擬技術生成宏觀經濟現象。不同于數學解析證明，ABM依靠計算模擬仿真技術揭示大量異質性微觀主體的相互作用如何涌現宏觀規律，為理解宏觀經濟動態提供了“生成式”視角。第四，基于微觀大數據的分類數據方法。托馬斯·皮凱蒂2013年研究收入不平等時提出的“分布式國民賬戶”是典型范例。傳統統計關注均值，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。這種分類數據依賴海量微觀數據，使政策變化與外生沖擊對收入與消費分布影響的量化分析成為可能，實現了宏觀一致性與微觀異質性的統一。

從小模型到大模型的復興

過去幾十年，經濟學家多次嘗試構建大模型，其中一些大模型因為“維數災難”而應用受限。AI時代為那些大模型注入了新活力。例如，可計算一般均衡模型。里昂·瓦爾拉斯1874年提出一般均衡理論，歷經多年后，肯尼斯·約瑟夫·阿羅與杰拉德·德布魯用嚴謹數學證明其存在性，但求解均衡價格的方法長期缺失。1967年赫伯特·斯卡夫創新性提出算法求解路徑，使CGE在政策分析中得到廣泛應用。AI算法可進一步提升求解效率與模型規模，處理更復雜的部門關聯與異質性。又如，世界宏觀經濟模型（LINK Project）。20世紀60年代，勞倫斯·克萊因發起該項目，整合各國宏觀經濟模型，20世紀90年代已包含70多個國家、約兩萬個方程。這個模型可用于研究各國宏觀經濟聯動與政策整合，但由于參數維數超過樣本容量而引發“維數災難”，該模型未能發揮預期作用。大數據與AI方法特別是降維技術則使這一宏大構想具備實現可能。有學者基于消費者行為研究，構建了超過10萬個未知結構參數的微觀消費決策模型，用于評估消費者福利。10萬多個未知參數具有明確的經濟含義，但傳統計量經濟學方法難以估計。當前算力使此類模型的估計成為常規操作，開啟了微觀實證研究的新維度。

AI時代的大模型復興不僅是規模的擴展，更是質量的提升：經濟含義保持清晰、因果機制可解釋、政策實驗可驗證。這標志著經濟學建模從“小而美”的演示走向“大而實”的應用。

從數學證明到算法求解

長期以來，經濟學理論以數學證明為基本范式——假設、引理、定理、推導，追求數學嚴謹性。然而，數學模型的嚴苛假設常與現實脫節，高維非線性系統往往難以獲得解析解，導致理論模型應用價值受限。

計算科學提供了替代路徑：通過算法求解復雜高維模型，不求最優解而求滿意解。這呼應了有限理性哲學，即經濟現實中本就存在“第一最優、第二最優、第三最優”的層級取舍，計算科學正是遵循這一邏輯。過去二三十年，計算經濟學、計算金融學與計算社會科學蓬勃發展，均得益于大數據與計算機技術突破。

然而，經濟學界仍偏數學證明而輕算法訓練。高校經濟學與計量經濟學普遍開設經濟學與計量經濟學理論課程，卻鮮少教授計算方法，構成人才培養的短板。哈爾伯特·懷特從20世紀八九十年代便開始研究人工神經網絡模型的大樣本理論，隨后很多經濟學家與計量經濟學家便將人工神經網絡模型應用于經濟金融實證研究，卻因那時算力不足、大數據匱乏、經濟學家編程能力薄弱而未能成功。這一“超前”嘗試暴露了學科交叉能力的缺失。此外，AI帶來的不僅是計算工具，更是思維革命。吳文俊長期致力于用機器來證明，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域實現突破，從而完成經濟學研究范式從“人類數學證明”向“人機協同算法求解”的終極轉換。

人工智能對經濟學研究的影響是系統性、革命性的。它將重構理性假設，賦予有限理性以技術實現路徑；彌合宏微觀裂痕，通過大數據與智能算法構建真正的微觀基礎；激活大模型潛力，使復雜經濟系統的精準模擬成為可能；推動范式轉換，從數學嚴謹性走向算法有效性。經濟學正站在新紀元的門檻上，理論演繹與數據驅動將深度融合，微觀行為與宏觀現象將徹底貫通，數學之美與計算之力將交相輝映。■

掃碼入群可參加全年至少12場精彩閉門研討