托馬斯·薩金特（Thomas J. Sargent），圖片由香港大學(xué)經(jīng)管學(xué)院提供

在全球經(jīng)濟進入高不確定性的時代，生產(chǎn)停滯、地緣政治分化、產(chǎn)業(yè)鏈重構(gòu)，人們正在重新關(guān)注一個根本性問題：AI到底改變了經(jīng)濟運行的哪些基本規(guī)律？

諾貝爾經(jīng)濟學(xué)獎得主托馬斯·薩金特（Thomas J. Sargent）足夠具備回答這個問題的資格。他長期致力于宏觀經(jīng)濟學(xué)、貨幣政策與時間序列分析的研究，近年來尤其關(guān)注人工智能、機器學(xué)習(xí)與經(jīng)濟學(xué)模型的融合。

2011年，薩金特與克里斯托弗·西姆斯（Christopher A. Sims ）共同獲得諾貝爾經(jīng)濟學(xué)獎。薩金特的的貢獻主要在于“結(jié)構(gòu)宏觀計量經(jīng)濟學(xué)”（Structural Macroeconometrics）方法的發(fā)展。

也就是說，通過統(tǒng)計與計量模型，把人們對未來經(jīng)濟政策與經(jīng)濟環(huán)境的預(yù)期（expectations）納入分析，并研究這些預(yù)期如何影響現(xiàn)實經(jīng)濟決策與結(jié)果。

作為理性預(yù)期革命的核心人物、動態(tài)宏觀經(jīng)濟學(xué)與結(jié)構(gòu)經(jīng)濟統(tǒng)計學(xué)的奠基者，薩金特長期研究“人類如何識別模式、理解規(guī)則，并據(jù)此進行決策”。

換言之，他研究的是機器學(xué)習(xí)試圖模仿的那套智能機制。正因為如此，11月25日晚，薩金特在香港大學(xué)經(jīng)管學(xué)院的這場《AI與經(jīng)濟學(xué)》（AI and Economics）演講十分值得關(guān)注。

演講主要圍繞人工智能的本質(zhì)、模式識別、規(guī)則理解、機制推斷，以及這些能力如何塑造市場、社會與政策選擇等話題展開。

鈦媒體APP小結(jié)起來，薩金特的演講關(guān)鍵亮點有三：

亮點1：AI是“開普勒式擬合”還是“牛頓式理解”？

當(dāng)前的AI大多停留在擬合世界，而非解釋世界——這是機器學(xué)習(xí)與經(jīng)濟學(xué)最大的差距。

亮點2：AI的數(shù)學(xué)骨架來自經(jīng)濟學(xué)與動態(tài)決策理論

薩金特指出，機器學(xué)習(xí)的根基來自經(jīng)濟學(xué)家、控制論學(xué)者與博弈論先驅(qū)，這本質(zhì)上是一場跨領(lǐng)域知識的長周期匯流。

亮點3：AI將重新分配勞動、資本與市場結(jié)構(gòu)的利益

AI不僅是技術(shù)革命，也是收入、競爭結(jié)構(gòu)與生產(chǎn)率分布的重塑力量。

在演講開篇，薩金特將“智能”拆解為三個部分：模式識別、概括與決策。這些能力長期被視為人類獨有，卻在機器學(xué)習(xí)與統(tǒng)計學(xué)的推動下以驚人的速度被部分復(fù)制。

然而，人類的智能并非為現(xiàn)代世界而生，而是源自數(shù)十萬年的進化史。心理學(xué)家史蒂芬·平克（Steven Pinker）認為，我們的直覺在統(tǒng)計、經(jīng)濟、生物和物理領(lǐng)域往往是“原始的”。

面對現(xiàn)代經(jīng)濟的復(fù)雜性，人類直覺經(jīng)常失敗。這正是為什么人類需要模型，也正是為什么AI的發(fā)展離不開數(shù)學(xué)、經(jīng)濟學(xué)、統(tǒng)計學(xué)、博弈論等跨學(xué)科積累。

薩金特接著把理解AI的眼光放在了更長的科學(xué)史框架。他通過托勒密、布拉赫、開普勒、伽利略、牛頓等科學(xué)人物的對照，解釋了機器學(xué)習(xí)與經(jīng)濟建模的核心差異：究竟是在做“開普勒式的曲線擬合”，還是在做“牛頓式的結(jié)構(gòu)推斷”？

現(xiàn)代AI在模式發(fā)現(xiàn)與擬合層面已高度成熟，而經(jīng)濟學(xué)、政策制定與社會治理仍然需要規(guī)則層面的理解。這意味著，真正的智能仍然需要人類的結(jié)構(gòu)性洞察，而非僅僅依賴自回歸模型的參數(shù)訓(xùn)練。

薩金特對多個AI奠基學(xué)科的梳理：動態(tài)規(guī)劃、貝葉斯推斷、進化算法、遺傳算法、博弈論與最優(yōu)控制，都以某種方式成為現(xiàn)代機器學(xué)習(xí)的基石。

他回顧了馮·諾伊曼（John von Neumann）、奧斯卡·摩根斯特恩（Oskar Morgenstern）、亞伯拉罕·瓦爾德（Abraham Wald）、約翰·霍蘭德（John Holland）等跨學(xué)者如何在二戰(zhàn)后奠定了“AI的數(shù)學(xué)骨架”，甚至認為，查爾斯·達爾文（Charles Darwin）是“最后一位偉大經(jīng)濟學(xué)家”——因為自然選擇本質(zhì)上就是激勵與選擇機制的經(jīng)濟學(xué)系統(tǒng)。

這些跨學(xué)科回顧某種程度上也在說明，AI并不是一種“新技術(shù)”，而是數(shù)學(xué)與經(jīng)濟學(xué)關(guān)于人類決策本質(zhì)研究的延續(xù)。他進一步指出，AI對勞動力市場的影響是結(jié)構(gòu)性的，它更易替代低技能勞動，而與高技能勞動形成互補。這一趨勢正在推動資本回報上升、勞動份額下降，重塑全球收入分配的格局。

以下托馬斯·薩金特現(xiàn)場演講內(nèi)容，并在不改變原始敘述順序的前提下，對語言進行了學(xué)術(shù)化校訂：

今天我們要談?wù)撊斯ぶ悄芘c經(jīng)濟學(xué)。在進入人工智能討論之前，我想首先界定“智能”這一概念，即在本次講座中我所指的智能含義。對我而言，智能可以從行動者的角度來理解，它主要包含三個方面。

第一，是模式識別。我們都會不斷收集感官數(shù)據(jù)，并將這些數(shù)據(jù)壓縮、提取為較小的結(jié)構(gòu)，以形成可以被辨識和處理的模式。第二，是概括（generalization）。當(dāng)我們識別出模式后，我們會做出一種幾乎是類似宗教信仰般的假設(shè)：即這種模式會延續(xù)到我們尚未觀察到的未來數(shù)據(jù)中。第三，是決策。人類每天都在進行決策——無論是向左、向右、向前、向后，還是是否工作、是否參與某一活動，這些都是基于認知模式與外推形成的判斷。

那么，人工智能的含義是什么？簡單來說，就是人類構(gòu)造一種機器，使其能夠執(zhí)行上述一項或多項與智能相關(guān)的活動。而在創(chuàng)造人工智能時，我們依賴哪些技能？我們是如何創(chuàng)造這些系統(tǒng)的？要回答這些問題，我們需要回到心理學(xué)，尤其是認知心理學(xué)的研究。認知心理學(xué)家指出，人類在使用某些認知技能時，其基礎(chǔ)往往源于進化過程中形成的本能，而這些本能并不總是適用于現(xiàn)代環(huán)境。

例如，史蒂芬·平克在《白板》（The Blank Slate）中指出，人類在數(shù)十萬年的進化中，主要是一種采集者物種，而非農(nóng)民、工人、數(shù)學(xué)家或經(jīng)濟學(xué)家。我們在長期進化中發(fā)展出的本能，讓我們在一些領(lǐng)域表現(xiàn)得很強，例如生存、尋找食物、識別危險，但這些本能在現(xiàn)代社會的復(fù)雜問題面前往往并不可靠。平克強調(diào)，人類在四個領(lǐng)域擁有天生的原始直覺：統(tǒng)計、生物學(xué)、經(jīng)濟學(xué)和物理學(xué)。

然而，這些直覺是由遠古環(huán)境塑造的，而非為現(xiàn)代世界設(shè)計的，因此它們在處理復(fù)雜系統(tǒng)或抽象理論時常常具有誤導(dǎo)性。例如，原始人雖然在物理直覺上擅長處理空間、運動和動量之間的關(guān)系，但現(xiàn)代物理學(xué)（如量子力學(xué)）完全違背這種直覺；即便是費曼這樣偉大的物理學(xué)家也承認自己無法“直覺地理解”量子力學(xué)。同樣地，人類的經(jīng)濟直覺在面對現(xiàn)代經(jīng)濟體系的生產(chǎn)、分配、激勵機制時往往表現(xiàn)糟糕。

因此，我們帶著這些進化遺留的認知結(jié)構(gòu)來構(gòu)建人工智能模型，而這些模型使用的數(shù)學(xué)與邏輯工具往往正是為了補償這些人類本能的不足。人工智能借鑒并繼承了統(tǒng)計學(xué)、生物學(xué)、經(jīng)濟學(xué)和物理學(xué)的工具，因此從本質(zhì)上說，它不是一個“新領(lǐng)域”，而是跨學(xué)科知識的延伸。

接下來，我想簡要回顧科學(xué)革命中的幾位關(guān)鍵人物，因為他們的工作方式能夠幫助我們理解人工智能發(fā)展的歷史階段。托勒密（Ptolemy）提出以“圓”與“本輪–均輪體系（epicycles）”為基礎(chǔ)的地心模型。他的數(shù)據(jù)來自幾百年累積的大規(guī)模天文觀測，他構(gòu)造了一個具有大量參數(shù)的龐大模型來擬合行星位置。這是典型的“曲線擬合模型”，其擬合效果極佳，因此其理論長達1500年未受到挑戰(zhàn)。

布拉赫（Tycho Brahe）并未提出新的理論，但他收集了更大規(guī)模、更高質(zhì)量的天文數(shù)據(jù)。開普勒（Kepler）利用布拉赫的數(shù)據(jù)，將圓改為橢圓，使模型更簡潔，參數(shù)更少，擬合效果更好。然而，開普勒的模型依然屬于“描述性模型”，即通過擬合數(shù)據(jù)來描述現(xiàn)象，而非解釋其背后的機制。

伽利略則采用了實驗方法。他由于缺乏精確計時工具，設(shè)計了斜面來降低物體下落速度，以便獲得可測量的數(shù)據(jù)。他從這些近似數(shù)據(jù)中推導(dǎo)出加速度規(guī)律，并將其傳遞給牛頓。牛頓的成就在于，他將開普勒的行星運動描述與伽利略的加速度概念統(tǒng)一到一個結(jié)構(gòu)性解釋中。他不僅擬合現(xiàn)象，更解釋了背后的機制。這是從“開普勒式曲線擬合”邁向“牛頓式結(jié)構(gòu)理論”的關(guān)鍵轉(zhuǎn)變。

我總?cè)滩蛔√岬竭_爾文。達爾文通過大量文本筆記整理出自然選擇的三條原則：自然差異、遺傳和選擇。他閱讀了馬爾薩斯與亞當(dāng)·斯密關(guān)于進化與競爭的著作，從中獲得理論靈感，并應(yīng)用到自然界。事實上，有人說達爾文是“最后一位經(jīng)濟學(xué)家”，因為他將經(jīng)濟學(xué)的競爭邏輯成功引入了生物學(xué)。

人工智能在技術(shù)上延續(xù)了這些科學(xué)傳統(tǒng)。以AlphaGo為例，它使用了博弈論、分布式計算、動態(tài)規(guī)劃、蒙特卡羅模擬等工具，這些工具來自數(shù)學(xué)、經(jīng)濟學(xué)、物理學(xué)。馮·諾伊曼和瓦爾德在二戰(zhàn)后發(fā)展了動態(tài)規(guī)劃和統(tǒng)計決策理論，這些方法構(gòu)成了現(xiàn)代機器學(xué)習(xí)的重要基礎(chǔ)。

約翰·霍蘭德（John Holland）是另一位跨學(xué)科的先驅(qū)，他在1980年代設(shè)計了遺傳算法（Genetic Algorithm）。他以DNA結(jié)構(gòu)為靈感，將“如果–那么”規(guī)則編碼為二進制串，并通過突變、交叉等機制模擬選擇過程。他讓這些規(guī)則競爭，通過類似賬簿的機制記錄其表現(xiàn)。我們曾使用霍蘭德的分類器系統(tǒng)，將其嵌入一個動態(tài)經(jīng)濟模型，以研究系統(tǒng)能否收斂到納什均衡。結(jié)果顯示它確實可以收斂，盡管最終穩(wěn)定在一個較差的均衡上——這表明人工智能可以探索系統(tǒng)，但未必能找到“最好”的解。

理查德·費曼曾用一個著名比喻來解釋科學(xué)家的工作方式：一個對國際象棋一無所知的觀察者觀看棋局，只能通過不完整的信息推斷棋規(guī)。物理學(xué)家觀察自然現(xiàn)象時處境類似，經(jīng)濟學(xué)家也是如此。結(jié)構(gòu)經(jīng)濟統(tǒng)計學(xué)的目標(biāo)正是從有限的價格與數(shù)量數(shù)據(jù)中反推產(chǎn)生這些數(shù)據(jù)的“游戲規(guī)則”，包括玩家、行動、收益、信息結(jié)構(gòu)與均衡方式。

人工智能目前擅長發(fā)現(xiàn)與組織模式，但在推斷“游戲規(guī)則”方面仍然非常有限。許多職業(yè)的核心工作正是組織模式，因此AI具備替代性；但涉及規(guī)則推斷、機制設(shè)計、因果推理的工作仍高度依賴人類。

接下來，我想引用馮·諾伊曼、摩根斯坦和庫普曼斯等人關(guān)于建模的經(jīng)典區(qū)分。他們指出，物理與經(jīng)濟學(xué)模型有兩個階段：一是開普勒式的描述模型，主要依靠曲線擬合；二是牛頓式的結(jié)構(gòu)模型，包含不隨環(huán)境變化的“參數(shù)不變量”?，F(xiàn)代經(jīng)濟學(xué)與機器學(xué)習(xí)也面臨同樣的劃分。很多回歸模型只是擬合關(guān)系，不能解釋機制；而結(jié)構(gòu)模型則追求在干預(yù)、政策變化下仍然穩(wěn)定的推斷邏輯。

在經(jīng)濟學(xué)與金融學(xué)中，我們使用大量“主方程”（master equations），包括均衡馬爾可夫模型與一組在公共狀態(tài)空間上定義的馬爾可夫決策問題。AI在求解這些方程時展示了巨大潛力，尤其是在均場博弈（mean field games）與最優(yōu)運輸（optimal transport）問題中。但AI的成功依賴于高超的人類監(jiān)督與模型設(shè)定。它可以幫助我們應(yīng)對“維度災(zāi)難”，卻無法替代模型本身。

在經(jīng)濟政策上，我們甚至可以用機器學(xué)習(xí)的函數(shù)逼近能力來求解拉姆齊計劃（Ramsey plan）等動態(tài)規(guī)劃問題。例如在Calvo（1978）定價模型中，我們可以讓機器學(xué)習(xí)搜索滿足偏微分方程的函數(shù)。但理解該函數(shù)所代表的經(jīng)濟意義，需要高度的人類經(jīng)濟學(xué)洞察。

接下來，人們常問：AI會取代工作嗎？軟件價格持續(xù)下降，企業(yè)越來越依賴軟件而非硬件。軟件替代了一些類型的任務(wù)，提高了企業(yè)加成率，使勞動份額下降、資本份額上升。不同技能的勞動者面臨不同命運：對高技能者，AI是互補品；對低技能者，它是替代品。這是技術(shù)變遷下的結(jié)構(gòu)性趨勢。

現(xiàn)場對話環(huán)節(jié)

（香港大學(xué)人工智能與組織管理中心主任李晉教授主持）

左：李晉，右：托馬斯·薩金特，圖片由香港大學(xué)經(jīng)管學(xué)院提供

李晉：非常榮幸能與托馬斯進行對話。對我而言，這也是極大的榮幸。我認識托馬斯已有25年，當(dāng)時我還是加州理工學(xué)院的一名本科生。我們常常認為AI正在改變一切，認為AI是全新的，但實際上太陽底下并無新事。我認為，要理解AI，我們更需要審視那些永恒不變的東西。作為一名經(jīng)濟學(xué)家，隨著時間推移（這方面您可以糾正我），我認為經(jīng)濟學(xué)可以概括為三個詞：約束條件下的最大化與均衡。存在約束（即稀缺性），存在最大化行為，再加上競爭，最終導(dǎo)向均衡（這或許有些狹隘）。讓我們從“約束”開始。在您看來，AI改變了哪些約束？它幫助我們緩解了哪些約束？它將如何改變社會？或者更具體地說，它將如何影響經(jīng)濟研究？

托馬斯·薩金特：這是個很好的問題。我的回答完全基于個人觀點，一切都從個人角度出發(fā)。我們晚餐時聊到了決策理論，馮·諾依曼和摩根斯坦（VNM）構(gòu)建了主觀效用理論的基礎(chǔ)。那些效用函數(shù)不在外部世界，而在我們頭腦中，描述我們的偏好。因此，我的回答將是完全主觀的。

我思考的是我作為實證研究者日?；顒铀媾R的約束。每天遇到的兩個主要約束是：數(shù)據(jù)集在某種意義上不夠大；它們沒有在我關(guān)心的維度上提供足夠的變異，從而難以推斷我關(guān)注的參數(shù)。數(shù)據(jù)集不夠大的一個原因是社會性的——社會尚未系統(tǒng)性地收集這些數(shù)據(jù)。但現(xiàn)在，數(shù)據(jù)信息的收集正在加速。不過，在我們將數(shù)據(jù)用于分析之前，它們僅僅是數(shù)據(jù)。如今數(shù)據(jù)集確實變得更大了，所以從很多方面來看，更大的數(shù)據(jù)集對我完全有益。

第二件事是，我打算用這些數(shù)據(jù)做什么？我要么采用頻率學(xué)派的統(tǒng)計方法，要么采用某種貝葉斯統(tǒng)計方法。我的朋友克里斯·西姆斯會說，要么是頻率統(tǒng)計，要么是貝葉斯統(tǒng)計。如果兩者都不是，那我可能不夠誠實。如果我說我不用任何模型、不用任何先驗，只用深度神經(jīng)網(wǎng)絡(luò)和網(wǎng)絡(luò)數(shù)據(jù)，他就會追問，讓你不得不承認你其實有很強的先驗——當(dāng)你選擇特定類別的基函數(shù)和特定的超參數(shù)集時，你實際上是在估計這些超參數(shù)，并對它們施加了隱含的先驗。最終他會說，你其實很懶，因為你不能回到基本原則。遇到像克里斯·西姆斯這樣的人，你無法逃避，只能被引導(dǎo)回正確的方向。所以我們使用某種頻率學(xué)派或貝葉斯統(tǒng)計方法。

在這些方法中，你想要最大化某個目標(biāo)，這是一個帶約束的最大化問題。計算機速度、算法的進步以及巧妙的應(yīng)用數(shù)學(xué)和計算方法為我們提供了許多工具。其中一些工具，比如PyTorch的底層，就包含了一系列非常復(fù)雜的優(yōu)化算法，包括自動微分等。他們說“自動微分”，那么微分的是什么呢？你可以去深入了解?？傊?，這就是我的回答。我很喜歡你組織這個問題的方式。

李晉：關(guān)于約束，我想接著問下去。你的回答讓我聯(lián)想到費曼的比喻：你觀察人們下棋，但不知道規(guī)則。我認為其中一個約束是“注意力是有限的”。從某種意義上說，我們看到了比以往更多的數(shù)據(jù)，但第二個問題是，我們?nèi)绾螞Q定哪些規(guī)則是相關(guān)的？你剛才沒有時間詳細展開，但你提到了兩種理論類型：一種是曲線擬合，另一種是更具結(jié)構(gòu)化的類型。你能否展望一下未來？你認為在經(jīng)濟學(xué)文獻中，我們會看到更多曲線擬合類型的理論，還是更多結(jié)構(gòu)化的規(guī)則？技術(shù)發(fā)展會導(dǎo)向哪個方向？

托馬斯·薩金特：你提到了經(jīng)濟學(xué)。機器學(xué)習(xí)和AI使得其中一件事——曲線擬合——變得容易得多，也便宜得多。你知道，經(jīng)濟學(xué)理論、標(biāo)準(zhǔn)勞動經(jīng)濟學(xué)認為人既貪婪又懶惰。這就是我們寫下的效用函數(shù)：人們喜歡消費，不喜歡付出努力。這沒什么錯，我們確實如此。所以現(xiàn)在，你基本上改變了相對價格。

你讓其中一項活動（非結(jié)構(gòu)化的描述性分析）變得便宜得多。在經(jīng)濟系里，我們已經(jīng)看到了這種現(xiàn)象。而尚未變得便宜的，是構(gòu)建結(jié)構(gòu)化的模型——也就是寫下博弈，試圖確定偏好、技術(shù)、稟賦等深層參數(shù)。這并沒有變得更便宜。對于給定的模型，一旦建立起來，求解確實更容易了。

但是，像拉爾斯·漢森在宏觀經(jīng)濟學(xué)、阿里爾·帕克斯在產(chǎn)業(yè)組織、戴夫·唐納德遜在貿(mào)易領(lǐng)域所做的那種深思熟慮的結(jié)構(gòu)模型工作，目前還沒有任何AI智能體能夠提出這些模型。AI可以幫助他們更快地求解，但構(gòu)建模型本身的價格并未下降，我認為短期內(nèi)也不會下降。

現(xiàn)在問題變得有點神學(xué)意味了：我希望它下降嗎？這取決于你從何處獲得快樂。但我想，這正是讓我們與眾不同的地方。我不知道。在各個領(lǐng)域你都能看到，實際上，一些提倡非結(jié)構(gòu)化工作的人對此相當(dāng)誠實。他們這樣說：像阿里爾·帕克斯所做的結(jié)構(gòu)化工作充滿了必要的技術(shù)性假設(shè)。

這是一個顯而易見的觀察。但這些只是假設(shè)，并非字面意義上的真實。想想它對科學(xué)數(shù)據(jù)的影響。這總是對的——我的意思是，我們的模型總是抽象的，并非字面真實，而且構(gòu)建起來非常困難。所以我們不如放棄聯(lián)立方程、動態(tài)博弈，只做那種計量經(jīng)濟學(xué)奠基人（如庫普曼斯、胡利、馬沙克）曾說會因忽略聯(lián)立性和動態(tài)關(guān)系而產(chǎn)生誤導(dǎo)的、非常簡單的回歸擬合。

我本來準(zhǔn)備了另一張幻燈片：計量經(jīng)濟學(xué)和物理學(xué)的奠基人抵制使用“原因”這個詞。他們只使用“關(guān)系”。但現(xiàn)在有一種文獻，一直在使用“原因”這個詞，其方式會讓庫普曼斯和哈維爾莫非常反對。這在某種程度上是因為他們所從事工作的相對價格發(fā)生了變化——非結(jié)構(gòu)化工作的價格下降了。這確實非常有趣。

李晉：這個問題是由你剛才的回答所激發(fā)的。關(guān)于我們應(yīng)該培養(yǎng)學(xué)生具備什么樣的技能？我們這里有一個很大的碩士項目，以及AI高管項目。您認為未來哪些技能對我們的學(xué)生更重要？我補充一下，您在培養(yǎng)學(xué)生方面是傳奇性的。您指導(dǎo)過很多博士生，可能很少有人能接近您那樣的成就。我很好奇，您對我們這里的學(xué)生有什么建議？他們應(yīng)該學(xué)習(xí)哪些東西？

托馬斯·薩金特：我記得你在加州理工讀本科時，感到很害怕。因為我曾就讀于加州理工附近的一所高中，我父親開車經(jīng)過時會告訴我，我永遠進不去那里——他說得對。每三四年，我們高中有一個人能被錄取，但最終退學(xué)了。那個人比我強十倍。后來我遇到了你，和你交談，我不明白為什么，我父親是對的，那里確實很嚇人。

我曾和你一起上過研究生課程，你當(dāng)時是本科生。我只記得我們當(dāng)時都在努力學(xué)習(xí)。我們都在那個班里學(xué)習(xí)。我試圖學(xué)習(xí)并做些研究，而你去上課只是因為……所以你當(dāng)時正處于同時成為通才和專才的過程中。

但問題是，這是一個約束優(yōu)化問題。你懂的數(shù)學(xué)比我多。我當(dāng)時大概55歲，你18或20歲。你懂的數(shù)學(xué)更多。不過，你不需要成為偉大的數(shù)學(xué)家也能成為合格的經(jīng)濟學(xué)家。

回答你的問題，哪些技能能持久？我認為，如果你是做應(yīng)用研究的人，尤其是如果你非常擅長學(xué)習(xí)數(shù)學(xué)和統(tǒng)計學(xué)，你可以去我的辦公室，我有五六十年歷史的數(shù)學(xué)和統(tǒng)計學(xué)書籍。如果你打開它們，上面有鉛筆筆記，我還記得里面的內(nèi)容。那些東西比宏觀經(jīng)濟學(xué)教科書中的流行內(nèi)容陪伴我的時間更長。所以我認為，硬技能基礎(chǔ)——就像李晉所說的，約束、優(yōu)化、目標(biāo)和均衡概念——至關(guān)重要。如果你能理解他所說的含義及其應(yīng)用，那將伴隨你一生。你可以去聽一個研討會，有人在談?wù)撃呈?，用某種直覺來闡述，但沒有明確說明約束是什么、標(biāo)準(zhǔn)是什么、均衡概念是什么。只要你心中有那些核心概念，你就能判斷這個人是否在做連貫的演講。這將一直伴隨你。

所以我想說的是，有一些核心工具可以讓你變得靈活。我們之前談到?jīng)Q策理論。決策理論家大衛(wèi)·克雷普斯深入思考過這個問題，他寫過一篇關(guān)于靈活性偏好的早期論文并提出了公理。

我認為，在AI和類似技術(shù)發(fā)展的今天，你無法想象將來會有什么工具可用，什么會奏效，什么不會。我這樣說并非有意冒犯，但你看，年輕的楊立昆（Yann LeCun）幾周前說過，他是卷積神經(jīng)網(wǎng)絡(luò)的重要發(fā)明者之一，是機器學(xué)習(xí)領(lǐng)域的核心創(chuàng)造者。他說所有做大語言模型的大AI公司都走錯了路，他們在浪費數(shù)十億美元。

他告訴了原因。這不是細節(jié)問題，不是節(jié)點數(shù)不對或算法不對，而是他們對智能是什么的模型是錯的。我之所以這么說，是因為他可能對也可能錯，但他說那些投資數(shù)十億美元的人并不知道正確答案，這讓我懷疑是否有人知道5年或10年后會是什么樣子。

實際上，他教過我。他告訴我，我可能當(dāng)時也犯了像把“從現(xiàn)在起”說成“以前”這樣的錯誤。我仍然記得在加州理工，他把時間說反了。他說：“你不應(yīng)該為此感到難過，因為物理學(xué)的基本定律在時間反演后看起來是一樣的。”所以他那樣說真是非常友善，令人難忘。

李晉：我還想強調(diào)一點?，F(xiàn)在不僅在經(jīng)濟學(xué)系，在戰(zhàn)略系，人們也經(jīng)常談?wù)摶貧w第一性原理。對經(jīng)濟學(xué)家來說，第一性原理就是那三個詞：約束、最大化、均衡。

我也認為，我們在大學(xué)里，任何時候有人問“最新趨勢是什么？”，我們當(dāng)然可以去關(guān)注。但那不一定是我們的比較優(yōu)勢。我們的比較優(yōu)勢或許在于關(guān)注那些更持久、更重要的東西。就像亞馬遜創(chuàng)始人杰夫·貝索斯喜歡說的，人們喜歡問我10年后事情會有什么不同，這是個好問題。

但更好的問題是：未來10年什么不會改變？他說，未來10年，顧客可能仍然想要更低的價格、更快的配送、更高的質(zhì)量。只有我們知道哪些東西是不變的，我們才知道如何在此基礎(chǔ)上構(gòu)建商業(yè)戰(zhàn)略。在這個意義上，我認為來到大學(xué)，學(xué)習(xí)數(shù)學(xué)、統(tǒng)計學(xué)等難學(xué)的科目，可能會讓我們與眾不同，并賦予我們持久的競爭優(yōu)勢。這太精彩了。所以我還在上課學(xué)習(xí)。

托馬斯·薩金特：為什么？因為我妻子不希望我退休后整天待在家里。如果你見到她，跟她說：“卡羅琳，我覺得我實際上認為我退休了。”你應(yīng)該看看她的表情。

所以，我了解到他在加州理工學(xué)院的一位同學(xué)是我的一門課的老師。那門課是計算幾何，是像他一樣聰明的人教的。我從那門課學(xué)到的一個概念是“不變量”，這來自物理學(xué)。他們看一個問題，一大堆事情在發(fā)生，很多細節(jié)，他們尋找子系統(tǒng)中的不變量。但如果你以這些恒定的東西為指導(dǎo)，并將其作為教育的原則，用來指導(dǎo)你學(xué)習(xí)的東西，我不知道，你學(xué)習(xí)梯度是什么，一階導(dǎo)數(shù)是什么，你明白這些概念會不斷回來。

現(xiàn)場觀眾提問環(huán)節(jié)

觀眾1：您好，薩金特教授，感謝您精彩的講座。我來自這里的碩士項目。我的問題與李教授的問題相關(guān)，是關(guān)于人工智能對教育的影響。在您的講座中，您梳理了人類心智的智力結(jié)構(gòu)，以及人工智能如何利用傳統(tǒng)工具（用于研究自然法則）使其更易于應(yīng)用。您也提到了通識教育與專才教育。

我想了解，您認為人工智能對學(xué)位教育和整體教育的影響是什么？您認為這會推動教育走向更注重通識（或更聰明）的方向，還是更專才的方向？博雅教育是否仍然重要？您會建議培訓(xùn)哪些技能，以讓學(xué)生為未來時代做好更好準(zhǔn)備？

托馬斯·薩金特：謝謝，這是個很好的問題。這個問題讓我困擾，因為我觀察到AI已經(jīng)對一些本科生和研究生造成了負面影響。例如，我曾教授一門本科課程，發(fā)現(xiàn)無論我們出什么題目，學(xué)生都會使用AI。研究生課程中情況類似。班上有一部分學(xué)生負責(zé)任地使用AI，但大多數(shù)人將其視為學(xué)習(xí)的替代品，并為自己能“智勝”老師而沾沾自喜。結(jié)果他們什么也沒學(xué)到。

確實如此。我逐漸學(xué)會了一些應(yīng)對方法。通過反復(fù)嘗試最佳反應(yīng)，我摸索出如何設(shè)計能夠區(qū)分學(xué)生的考試，以及如何利用AI引導(dǎo)他們學(xué)習(xí)某些內(nèi)容。但這只對班上排名前25%的學(xué)生有效。我提到這一點是因為感到遺憾：學(xué)生認為不必學(xué)習(xí)微積分，因為若有函數(shù)計算，直接輸入AI即可。他們因此失去了一些能力。所以我認為這是一個巨大的挑戰(zhàn)，一個明確存在的問題。

從勞動經(jīng)濟學(xué)的角度看，我們談?wù)摶パa技能與替代技能。AI對于已掌握技能的人具有互補性。例如，我是個糟糕的Python程序員，仍在學(xué)習(xí)中，但與優(yōu)秀的Python程序員合作時，他們能借助AI將效率提升數(shù)個數(shù)量級。這體現(xiàn)了互補性。因此，AI對某些人有益，對另一些人則不利。

圖片由香港大學(xué)經(jīng)管學(xué)院提供

觀眾2：當(dāng)AI能夠生成頂尖的智能、智慧和內(nèi)容，就像您這樣的水平時，因為它已經(jīng)非常聰明，匯聚了各行各業(yè)的知識與視角，但有時它生成的內(nèi)容卻像一個有心理健康問題的聰明人所寫，您如何看待這一點？

托馬斯·薩金特：我不確定能否給出好答案，因為我自己也沒有答案。唯一能提供答案的或許是，如何思考一些主觀性問題？我可以坦誠但或許無用地回答：我曾與一位朋友（也是我的學(xué)生，實際上更是我的老師）合作撰寫AI論文，要求AI解決一個具有層次結(jié)構(gòu)的難題。該問題具有類似經(jīng)典動態(tài)約束優(yōu)化問題的結(jié)構(gòu)，我們將其轉(zhuǎn)化為計算問題，并用簡單的函數(shù)逼近方法很好地解決了它。

但問題在于，如何理解并解釋這個解決方案？解釋意味著提取答案，并以動態(tài)規(guī)劃理論家所使用的方式表述。我們嘗試通過運行一系列回歸來實現(xiàn)這一點，但這要困難得多。沒有我們的介入，AI無法獨立完成。這或許與你提到的情況類似。AI能處理數(shù)據(jù)、進行描述性分析、擬合函數(shù)。

有時，AI會非常有創(chuàng)造力地生成“偽造數(shù)據(jù)”。這不是指像某些政治人物所說的“假數(shù)據(jù)”，而是指在金融、物理學(xué)等領(lǐng)域廣泛使用的一種方法，例如求解偏微分方程。這些方程出現(xiàn)在動態(tài)博弈與均衡中。

有些偏微分方程系統(tǒng)易于寫出，但求解極具挑戰(zhàn)性，無法解析求解，必須數(shù)值求解。方法是生成一些基函數(shù)，AI在這方面非常擅長。具體做法是：猜測一個函數(shù)，生成一些“偽造數(shù)據(jù)”，檢查方程是否滿足，若不滿足則生成另一個猜測，形成目標(biāo)函數(shù)并進行優(yōu)化。AI以此方式創(chuàng)造性使用“偽造數(shù)據(jù)”，類似伽利略的做法。這種方法已被廣泛應(yīng)用，效果良好，但AI并未發(fā)明這些偏微分方程，也未指出哪些方程是正確的。正因如此，我認為，AI可能會讓我失業(yè)，但我認為不會讓他（李晉）失業(yè)。

觀眾3：您如何看待人們使用AI回答經(jīng)濟問題，以非理性方式生成看似理性的答案？他們擁有大量數(shù)據(jù)，并能邏輯地解釋原因，但實際上是在為他們想要的結(jié)果倒推理由。

托馬斯·薩金特：我明白你的意思。就像……為了“麥當(dāng)勞島”？（可能為玩笑或典故）不，我不確定那是什么。好吧，有人對“麥當(dāng)勞島”收取高額測試費，這是個事先的玩笑。他們用AI生成為何需要高測試費的理由。

這很有趣，也在某種程度上是真實的。仔細思考你關(guān)于“從想要的結(jié)果倒推是否可行”的問題，我想說，優(yōu)秀的科學(xué)家經(jīng)常這樣做。牛頓便是一例：他想要推導(dǎo)開普勒定律，涵蓋所有情況，解釋某些方差等。他列出目標(biāo)，一旦清單確定，剩下的計算甚至加州理工的本科生都能完成。他正是從想要的結(jié)果倒推。

問題部分在于設(shè)計你想要的目標(biāo)。若目標(biāo)本身有害，這引發(fā)深刻思考，這不僅關(guān)乎AI。我舉個例子，在斯坦福時，我與一位政治學(xué)家交談。某天在走廊遇到一位優(yōu)秀的政治學(xué)家，我評論希特勒是瘋子。他回應(yīng)：“不，他不是瘋子。”他指出希特勒并非擁有相同偏好，但行為非常理性，他隨后解釋，這讓我震驚，因為我認為希特勒是純粹邪惡，但他的觀點有道理。

十年后，我讀歷史學(xué)家亞當(dāng)·圖茲的書，內(nèi)容艱澀但，博弈論者談?wù)摵侠砘河^察某些決策，能否逆向工程出一個連貫的世界觀，使得這些決策在該世界觀下最優(yōu)？這甚至適用于希特勒？這令我恐懼，但在承擔(dān)的風(fēng)險方面？是的。因此，你的問題不僅是AI帶來的新問題，更是社會科學(xué)中長期存在的舊問題。（本文首發(fā)于鈦媒體APP，編輯整理｜李程程）