接著“機器學(xué)習(xí)剛得諾獎, AEA迅速發(fā)了篇經(jīng)濟學(xué)家如何利用深度機器學(xué)習(xí)技術(shù)的綜述！”2024年諾貝爾化學(xué)獎授予了David Baker, Demis Hassabis和John Jumpern，以表彰他們在計算蛋白質(zhì)設(shè)計，以及用AI在蛋白質(zhì)結(jié)構(gòu)預(yù)測方面的杰出貢獻(xiàn)。
這對經(jīng)濟學(xué)家來說同樣具有重要意義，因為AI正日益融入經(jīng)濟學(xué)等學(xué)科的研究之中。那么，AI是否會像它對物理學(xué)、化學(xué)等領(lǐng)域產(chǎn)生的深遠(yuǎn)影響一樣，同樣對經(jīng)濟學(xué)研究產(chǎn)生重大影響呢？
這不，美國經(jīng)濟學(xué)會AEA旗下的Journal of Economic Literature發(fā)表了一篇經(jīng)濟學(xué)和商學(xué)學(xué)者必讀的綜述性文章：“Generative AI for Economic Research: Use Cases and Implications for Economists”。
文章的主題是"生成式AI如何革命經(jīng)濟學(xué)研究：應(yīng)用案例及它對經(jīng)濟學(xué)家意味著什么。"
這標(biāo)志著美國經(jīng)濟學(xué)會首次試圖探索GPT等大型模型對經(jīng)濟學(xué)研究的影響，并嘗試為ChatGPT等大模型在經(jīng)濟學(xué)研究中定下了歷史性的基調(diào)。該文認(rèn)為，經(jīng)濟學(xué)家可以通過利用生成式人工智能來自動化微任務(wù)，從而顯著提升生產(chǎn)力。隨著人工智能系統(tǒng)性能的持續(xù)提升，這些收益也將不斷增加。此外，該文還對人工智能驅(qū)動的認(rèn)知自動化對經(jīng)濟學(xué)研究的長期影響進(jìn)行了推測。
文章中，作者分析了諸如ChatGPT等大型語言模型（LLMs）在經(jīng)濟學(xué)領(lǐng)域六個方面對經(jīng)濟學(xué)家的輔助作用，并詳細(xì)描述了數(shù)十種應(yīng)用案例：包括構(gòu)思與反饋、寫作、背景研究、數(shù)據(jù)分析、編碼以及數(shù)學(xué)推導(dǎo)。該文不僅提供了通用指南，還展示了如何充分利用這些案例進(jìn)行經(jīng)濟學(xué)研究，并將LLM的能力分為實驗性和高度實用等不同級別。相關(guān)在線資源將提供入門指南，并定期更新生成式人工智能在經(jīng)濟學(xué)領(lǐng)域的最新應(yīng)用能力。
我認(rèn)為經(jīng)濟學(xué)家可以通過利用生成式AI來自動化微任務(wù)，從而獲得顯著的生產(chǎn)力提升。此外，隨著人工智能系統(tǒng)性能的持續(xù)改進(jìn)，這些收益也將不斷增加。同時，我對人工智能驅(qū)動的認(rèn)知自動化對經(jīng)濟學(xué)研究的長期影響進(jìn)行了推測。與本文相關(guān)的在線資源將為中青年學(xué)者提供入門指南，并定期更新生成式AI在經(jīng)濟學(xué)領(lǐng)域的最新能力。
簡要介紹：
本文旨在描述現(xiàn)代生成式人工智能在經(jīng)濟學(xué)研究中的應(yīng)用案例，當(dāng)然，這都是基于我對該領(lǐng)域的探索。本文的重點是LLMs，這是目前在研究中最實用的生成式人工智能類型。我將它們的應(yīng)用案例分為六個領(lǐng)域：構(gòu)思與反饋、寫作、背景研究、數(shù)據(jù)分析、編碼和數(shù)學(xué)推導(dǎo)。我提供了針對如何充分利用每種功能的一般性指導(dǎo)，并使用具體示例加以演示。此外，我將最常用的LLMs的能力分類為實驗性到極其實用，下方表2提供了各種能力的整體概覽。我沒有過多強調(diào)其他類型的生成式人工智能，包括圖像、音頻和視頻生成工具，因為它們在經(jīng)濟學(xué)研究中目前應(yīng)用案例不多。我希望本文能成為一個有用的指南，既適用于剛開始使用生成式人工智能的研究人員，也適用于對LLMs不斷增長的能力感興趣，想要探索新的用例從而超越他們已經(jīng)所擁有的經(jīng)驗的專業(yè)用戶。
本文相關(guān)的在線資源可在期刊網(wǎng)站上找到，并將定期更新最先進(jìn)的生成式人工智能工具在經(jīng)濟學(xué)研究中的能力和應(yīng)用案例。此外，它們還提供了一個“我該如何開始？”的指南，以及一個“面向經(jīng)濟學(xué)家的生成式人工智能有用資源”的頁面。
高估LLMs的能力是容易的，也是危險的。即使在“幻覺”時，也就是內(nèi)容完全錯誤的情況下，它們也可以產(chǎn)生聽起來非常權(quán)威的文本。在人類撰寫的文本中，權(quán)威風(fēng)格與見地深刻的內(nèi)容之間存在著很強的相關(guān)性，但LLMs已學(xué)會了前者，但在后者上并不可靠。用戶需要注意不要賦予LLMs人性化，并在使用其生成的結(jié)果時行使批判性判斷。在許多方面，LLMs的能力對人類來說感覺很陌生。它們的主要目標(biāo)是生成文本；它們的創(chuàng)建者仍在努力確保它們生成的內(nèi)容始終如一地真實和合適。
低估LLMs的能力也同樣容易，也同樣危險。由于它們經(jīng)常產(chǎn)生幻覺并犯明顯的錯誤，很容易忽視LLMs。然而，一位前Mensa International主席報告稱，ChatGPT在語言智商測試中獲得了147分的智商（99.9百分位數(shù)）。此外，盡管人類智能水平相對穩(wěn)定，但LLMs正在迅速發(fā)展，每一次新的迭代都變得更加準(zhǔn)確和強大。
在最后一部分，我推測了生成式人工智能在中長期對經(jīng)濟學(xué)和其他學(xué)科研究的影響。我假設(shè)在中期，基于人工智能的輔助工具將更多地參與生成研究論文的內(nèi)容，而人類研究者將專注于他們的比較優(yōu)勢，例如組織研究項目、激發(fā)和評估生成的內(nèi)容。長遠(yuǎn)來看，我們不應(yīng)排除人工智能系統(tǒng)可能自行產(chǎn)生和表達(dá)出優(yōu)秀經(jīng)濟研究的可能性。
鑒于AI如此之火，且受到諾貝爾獎委員會的高度關(guān)注，強烈建議所有社科學(xué)者都將該文下載下來仔細(xì)閱讀。
*社群群友可直接在社群下載PDF。
關(guān)于機器學(xué)習(xí)：1.機器學(xué)習(xí)之KNN分類算法介紹: Stata和R同步實現(xiàn)（附數(shù)據(jù)和代碼），2.機器學(xué)習(xí)對經(jīng)濟學(xué)研究的影響研究進(jìn)展綜述，3.回顧與展望經(jīng)濟學(xué)研究中的機器學(xué)習(xí)，4.最新: 運用機器學(xué)習(xí)和合成控制法研究武漢封城對空氣污染和健康的影響! 5.Top, 機器學(xué)習(xí)是一種應(yīng)用的計量經(jīng)濟學(xué)方法, 不懂將來面臨淘汰危險！6.Top前沿: 農(nóng)業(yè)和應(yīng)用經(jīng)濟學(xué)中的機器學(xué)習(xí), 其與計量經(jīng)濟學(xué)的比較, 不讀不懂你就out了！7.前沿: 機器學(xué)習(xí)在金融和能源經(jīng)濟領(lǐng)域的應(yīng)用分類總結(jié)，8.機器學(xué)習(xí)方法出現(xiàn)在AER, JPE, QJE等頂刊上了！9.機器學(xué)習(xí)第一書, 數(shù)據(jù)挖掘, 推理和預(yù)測，10.從線性回歸到機器學(xué)習(xí), 一張圖幫你文獻(xiàn)綜述，11.11種與機器學(xué)習(xí)相關(guān)的多元變量分析方法匯總，12.機器學(xué)習(xí)和大數(shù)據(jù)計量經(jīng)濟學(xué), 你必須閱讀一下這篇，13.機器學(xué)習(xí)與Econometrics的書籍推薦, 值得擁有的經(jīng)典，14.機器學(xué)習(xí)在微觀計量的應(yīng)用最新趨勢: 大數(shù)據(jù)和因果推斷，15.R語言函數(shù)最全總結(jié), 機器學(xué)習(xí)從這里出發(fā)，16.機器學(xué)習(xí)在微觀計量的應(yīng)用最新趨勢: 回歸模型，17.機器學(xué)習(xí)對計量經(jīng)濟學(xué)的影響, AEA年會獨家報道，18.回歸、分類與聚類：三大方向剖解機器學(xué)習(xí)算法的優(yōu)缺點（附Python和R實現(xiàn)），19.關(guān)于機器學(xué)習(xí)的領(lǐng)悟與反思，20.機器學(xué)習(xí)，可異于數(shù)理統(tǒng)計，21.前沿: 比特幣, 多少罪惡假汝之手? 機器學(xué)習(xí)測算加密貨幣資助的非法活動金額! 22.利用機器學(xué)習(xí)進(jìn)行實證資產(chǎn)定價, 金融投資的前沿科學(xué)技術(shù)! 23.全面比較和概述運用機器學(xué)習(xí)模型進(jìn)行時間序列預(yù)測的方法優(yōu)劣！24.用合成控制法, 機器學(xué)習(xí)和面板數(shù)據(jù)模型開展政策評估的論文！25.更精確的因果效應(yīng)識別: 基于機器學(xué)習(xí)的視角，26.一本最新因果推斷書籍, 包括了機器學(xué)習(xí)因果推斷方法, 學(xué)習(xí)主流和前沿方法，27.如何用機器學(xué)習(xí)在中國股市賺錢呢? 頂刊文章告訴你方法！28.機器學(xué)習(xí)和經(jīng)濟學(xué), 技術(shù)革命正在改變經(jīng)濟社會和學(xué)術(shù)研究，29.世界計量經(jīng)濟學(xué)院士新作“大數(shù)據(jù)和機器學(xué)習(xí)對計量建模與統(tǒng)計推斷的挑戰(zhàn)與機遇”，30.機器學(xué)習(xí)已經(jīng)與政策評估方法, 例如事件研究法結(jié)合起來識別政策因果效應(yīng)了！31.重磅! 漢森教授又修訂了風(fēng)靡世界的“計量經(jīng)濟學(xué)”教材, 為博士生們增加了DID, RDD, 機器學(xué)習(xí)等全新內(nèi)容！32.幾張有趣的圖片, 各種類型的經(jīng)濟學(xué), 機器學(xué)習(xí), 科學(xué)論文像什么樣子？33.機器學(xué)習(xí)已經(jīng)用于微觀數(shù)據(jù)調(diào)查和構(gòu)建指標(biāo)了, 比較前沿！34.兩諾獎得主談計量經(jīng)濟學(xué)發(fā)展進(jìn)化, 機器學(xué)習(xí)的影響, 如何合作推動新想法！35.前沿, 雙重機器學(xué)習(xí)方法DML用于因果推斷, 實現(xiàn)它的code是什么？
下面這些短鏈接文章屬于合集，可以收藏起來閱讀，不然以后都找不到了。
7年，計量經(jīng)濟圈近2000篇不重類計量文章，
可直接在公眾號菜單欄搜索任何計量相關(guān)問題,
Econometrics Circle
