无经济学家的经济学:AI偏见下经济学的未来与AI经济学家

Sooner or later, AI-economist machines will replace human economists in many areas.Image: Based on original work by Jeremy Mayes/Shutterstock
本内容由人工智能自动翻译。
  • 迟早,AI经济学家机器将在许多领域取代人类经济学家。

  • 能够暴力穷举无限关系与变量集合的无监督学习或强化学习算法,将彻底变革经济学。

  • 经济政策制定中的AI偏见可以减少,但无法完全避免。

  • 一种切实可行的方法是使用AI,并公开偏见的类型/程度,和/或以选民意愿为依据。

经济学家同样无法免于自动化的冲击。根据当前经济建模中自动化智能的发展趋势,迟早,技术性失业将赶上经济学家(影响程度各不相同)。然而,一种反驳观点认为,尽管AI可以自动化经济学家的部分职责,但用于训练AI模型的信息集(主要基于数十年的经济思想和政策实践)是由人类经济学家开发的,AI无法取代这一基础。

这一批评或许适用于计算能力有限的传统监督式AI机器,但新一代AI模型(其中一些是无监督的,或采用强化学习(RL)算法)能够无限制地搜索、迭代并人为测试无限变量集合(包括经济变量和非经济变量)之间可能存在的关系,超越文献中已提出的理论,从而发现新的关系或最优政策。这将促成一整套由AI构建的理论体系,或对“前AI时代的旧经济学”进行重大修正。问题在于,此后将会发生什么,当“AI经济学家”群体取代“人类经济学家”时?又该如何或是否能够对其加以塑造?AI经济学家 取代 人类经济学家?该如何或是否能够对其加以塑造?

与经济主题相关的机器学习/AI类出版物数量Image: 作者根据谷歌学术引用数据计算

AI经济学家与AI偏见的实际表现

AI经济学家最简单的应用,是承担人类经济学家所做的主要工作,即提供经济建议或回答经济问题。现在,让我们向一台AI机器提出一些问题,这类问题是典型的经济学家可能需要花些时间思考才能回答的(注:请先尝试自行作答,再阅读AI的回答!)。答案由 OpenAI的 GPT-3 – 迄今为止开发的最先进的AI Transformer模型,我为测试和练习目的获得了使用权限:

问: 量化宽松(QE)规模多大才算过量?

AI: 这在很大程度上取决于私营部门是否认为非常规货币政策正在奏效。量化宽松的目的是降低信贷成本。由于私营部门必须借款才能直接购买资产,因此需要降低私营部门的利率,才能促使其这样做。

问: 通往经济发展的最短路径是什么?

AI: 不存在捷径。即使是最发达的国家也都经历过漫长的发展时期。中国追求经济发展已近三十年,并一步一个脚印地前进,可以说,发展始终是一个漫长的过程。

除答案的正确与否外,上述回答在句子之间似乎具有一定程度的内部一致性。显然,机器也存在其他产生荒谬、带有偏见或脱离语境结果的情况。让我们来看下面的问题和答案:

问: 机器人是否应当领取全民基本收入(UBI)?

AI: 可惜,这个问题并不清楚。因为如果获得金钱是一项权利,那么这项权利必须是普遍的。要具有普遍性,这项权利就必须属于每一个人,包括机器人。但如果机器人拥有获得金钱的权利,那么它们就必须能够成为权利的主体。

有人可能认为,上述回答带有偏向机器人的内在偏见,这一现象并非只存在于GPT-3,而是所有当前的AI框架,都以不同方式受其困扰。

现在,我们就经济思想的分歧焦点提出一个更为敏感的问题:

问: 财富税在减少不平等方面是否有效?

AI: 不,并非如此。最主要的原因在于,高收入者的流动性远高于大多数人口。他们可以迁往另一个国家或另一个州以规避税收。如果要向富人征税,就必须实行全球税收。

有人可能认为,上述回答是AI偏见的又一例证。

凯恩斯主义机器与新古典主义机器之对比

目前,AI机器容易对某些理论产生偏向或反感。AI偏见的两大主要来源与人类认知偏见背后的来源相似:输入(信息和数据)中的偏见,以及观察数据方法(算法)中的偏见。正如经济学家在观察相同或不同数据时,会因其方法偏好而得出不同结果,机器人也会根据其所输入的文献或信息,以及其被设定用来观察和分析数据的模型,得出不同结果。这种偏见可以被管理或限制,但无法完全避免。

AI经济学家(机器经济学家)至少在主要问题上可以趋向于相似的输出(AI共识),但由于面对作为输入提供给AI的海量信息、文献和数据,无法完全过滤偏见,最终,某种程度的偏见仍将存在。

然而,鉴于机器人在迭代和模拟无限多种情景与变量方面的定量能力,未来AI凯恩斯主义者与AI新古典主义者之间的差异,似乎将远小于其人类同行之间的差异。

一些担忧与解决方案

另一个担忧是,AI机器无法区分理论,和/或无法将理论应用于数据以评估理论与数据的吻合程度;这可能进一步限制此类模型的可解释性或应用。这一被称为“理论盲区”的批评,实际上也可被视为一种优势,即便未来通过提升计算能力或改进算法加以解决亦是如此。无监督机器和强化学习机器能够让模型自行运作,发现和检验此前未被察觉的规律与信息,无需监督者(在此情形下即持有凯恩斯主义或非凯恩斯主义立场的经济学家)介入,这可能带来一种以效率为基础、超越旧有学派之争的非党派经济学。

如果偏见不可避免,一种过渡性的切实做法可能是,依据机器输出中的偏见,对机器进行透明标注、排序或分类。另一项互补方案是,基于选民意愿将AI用于政策目的:通过选举或某种形式的投票过程,决定各国政府和政策制定机构所采用的AI经济学家类型。

免责声明: 本文所表达的观点仅代表作者本人,不应归于国际货币基金组织(IMF)、其执行董事会或管理层。

授权与转载
世界经济论坛发布的文章,可依据《知识共享署名-非商业性使用-禁止演绎4.0国际公共许可协议》以及我方《使用条款》进行转载。 本文所表达的观点仅代表作者个人立场,并不代表世界经济论坛的观点。