沙爾金
• 美國紐約大學經濟系教授
直到前不久,還有兩大障礙限制著經濟學家企圖透過數學家和統計學家於19世紀早期發展起來,從嘈雜資料中認識和解讀模式有效的方法來認識這個世界:那就是資料集規模小且成本不菲,以及電腦速度慢並且昂貴。
因此,隨著運算力提高大幅縮減了上述障礙,經濟學家自然會爭先恐後地利用大資料和人工智慧來協助他們從各式各樣的行為和結果中,進行模式總結。
資料摘要和模式識別同樣是物理學的重要組成部分。
物理學家費曼(Richard Feynman)曾把自然界比作一場由諸神參與的遊戲:「你不瞭解遊戲規則,但卻或許可以從某個不起眼的角落時不時看看棋盤上的局勢。而從這些觀察中,你試圖找到什麼才是規律。」
費曼的比喻是對許多經濟學家所作所為的一個形象描述,就像天體物理學家一樣,我們往往能夠取得產生於我們想要瞭解過程的非實驗性資料。
數學家諾伊曼(John von Neumann)將遊戲定義為(1)玩家列表;(2)每個玩家可用的操作列表;(3)所有玩家行為以何種方式決定每個玩家所取得收益的列表;以及(4)一份告訴我們誰何時選擇什麼的時間協議。
這個優雅的定義包括我們所謂的憲法或經濟體系:也就是有關誰何時選擇什麼的社會解釋。
就像費曼的隱喻物理學一樣,我們的任務是從觀察到的資料中推演出一種「遊戲」,此遊戲對經濟學家而言就是市場結構或市場體系。但接下來我們要做一些物理學家不需要做的事情:也就是思考不同的「遊戲」怎樣才能產生更好的結局。
這也就是說,我們想要進行試驗,研究遊戲規則或某些「玩家」(比方說政府監管機構或央行)觀察行為模式的假設性變化,可能如何影響到其他玩家的行為模式。
因此,經濟學中的「結構模型構建者」試圖在政府或監管機構遵循一套新規則(往往是史無前例)的假設情境前提下,從歷史行為模式中推演出一組不變的參數。
正如中國諺語所說的那樣,上有政策下有對策,結構模型尋找此類恒定參數,以幫助監管機構和市場設計者瞭解並預測史上前所未有局面下的資料模式。
構建結構模型的艱巨任務將受益於快速發展的人工智慧分支,上述分支純粹涉及模式識別領域。
AlphaGo就是很好的例子。
發明玩中國遊戲圍棋演算法的電腦科學家團隊巧妙地結合了由統計學、模擬、決策理論和博弈理論領域專家所研發的一整套工具。許多工具的使用比例恰到好處,不僅造就了優秀的人工圍棋手,同樣也是經濟學家研究宏觀經濟和產業組織結構模型構建的必備工具。
當然,經濟學與物理學的不同之處在於一個關鍵領域。皮埃爾·西蒙·拉普拉斯(Pierre-Simon Laplace)認為宇宙的當前狀態是其過去的結果和未來的原因,而經濟學的邏輯則需要反過來:我們對其他人今後行為的預期導致了我們目前的行事。
我們通常利用預測其他人願望的個人理論來預測他們接下來的行為,如果我們關於其他人的理論合理,他們可能做什麼決定了我們對他們的期望值。這種推理有時被稱作「理性預期」,反映出經濟體系中一種「未來決定現在」的狀態。
構建「結構性」經濟模型的核心必須將這一點納入考慮。
舉例來講,如果我認為其他人會去銀行擠兌,那麼我也會這樣做,如果沒有存款保險,客戶就有充分的動機來躲避那些可能遭遇擠兌的銀行分支,有了存款保險,客戶就不會在乎是不是擠兌,也不會參加擠兌。
另一方面,如果政府擔保存款,銀行所有者就會想要最大化其資產和風險,而存款人則根本不在意。失業和傷殘險領域也存在類似的取捨,為惡運提供保障可能削弱人們自給自足的動力,政府和企業的官方救助也存在同樣的問題。
從更廣義上講,別人期望我怎麼做決定了我的聲譽,我可以選擇是否滿足這些期望,上述選擇將影響其他人未來的行為。
央行對此深有體會。
就像物理學家一樣,經濟學家也利用模型和資料來學習,除非我們認為原有模型無法解釋新資料,否則我們不會學到新東西,而後參考之前模型的失敗來構建新模型。
這解釋了我們怎樣從過去的蕭條和金融危機中學習,有了大數據、更快的電腦和更好的演算法,人類也許能夠從曾幾何時只聽到噪音的資料中看到模式。
(原標題為《The AI Frontier of Economic Theory》文章未經授權,請勿任意轉載)
世代傳媒股份有限公司
信箱:service@upmedia.mg
電話:+886 (2) 2568-3356
傳真:+886 (2) 2568-3826
地址:新北市新店區寶橋路188號8樓
探索網站
地址:新北市新店區寶橋路188號8樓
電話:+886 (2) 2568-3356
傳真:+886 (2) 2568-3826
e-mail:service@upmedia.mg
關注我們的報導社群
提供新聞:news@upmedia.mg
投書評論:editor@upmedia.mg
客戶服務:service@upmedia.mg
廣告合作:ad@upmedia.mg