经济学研究中的生成式人工智能：应用案例与对经济学家的影响

以ChatGPT等大型语言模型(LLM)为代表的生成式人工智能有可能彻底颠覆经济学研究。本文沿着六个领域描述了几十个应用案例分析了在这些领域中LLM在构思和反馈、写作、背景研究、数据分析、编码和数学推导等方面成为有用的研究助手和导师。本文对这些案例均提供了一般性的说明，并展示了如何利用其中每一个的具体例子，同时将LLM功能从实验性的到非常有用的进行了分类。本文认为，经济学家可以通过利用生成式人工智能来实现微观任务的自动化，大幅提高生产率，这些收益将随着人工智能的性能提升而不断改进。此外本文还推测人工智能驱动的认知自动化对经济研究的长期影响，并提供了相关的在线资源提供了相应的指导，同时，本文将定期更新对经济学家有用的生成式人工智能最新的研究资源。

特点一：技术进步带动AI发展

随着计算能力的飞速提升和算法的不断创新，生成式人工智能特别是大型语言模型在过去几年中取得了突破性进展。从早期的统计模型到现代的神经网络模型，这些技术逐步演化，提高了AI语言处理的能力。这些进步不仅推动了自然语言处理技术的前进，还使得这些模型在理解和生成复杂语言结构方面变得更加精准和高效。

特点二：LLMs在各领域的广泛应用

随着LLMs的能力不断增强，它们在文本生成、自然语言理解、自动编程和数据分析等多个领域已经得到广泛应用。而在经济学研究领域中LLMs的应用正开启新的研究方式，为数据分析、模型构建和预测提供新的可能。

（二）LLMs在经济研究中的应用及其影响

特征一：LLMs在经济数据分析中的角色

经济研究依赖于大量复杂的数据分析和模型构建。LLMs通过与传统经济学理论和方法相结合，为研究者创造新的研究路径。LLMs在经济研究中的应用使研究者不仅能更高效地处理大规模经济数据，同时也为研究者理解和预测经济趋势提供了新的工具。

特征二：挑战与机遇并存

虽然LLMs在经济研究中展示出巨大潜力，但也带来了一系列挑战，包括数据准确性、模型偏见和伦理问题。在处理庞大且复杂的经济数据集时，LLMs如何提供有效的解决方案至今仍尚未定论；而生成式人工智能可能存在的数据偏见、模型解释性等问题也仍未得到有效的解决；与此同时，LLMs的广泛使用可能还面临隐私保护、决策透明度等伦理和社会问题和社会影响。因此，如何有效地利用这些先进工具，同时确保研究的客观性和可靠性，成为当前经济研究领域面临的重要课题。

在案例选取方面，文章详细讨论了生成式人工智能（特别是大型语言模型，LLMs）在经济学研究中的应用。文章中的案例选择基于六个主要领域：创意构思与反馈、写作、背景研究、编程、数据分析和数学推导。这些案例旨在展示LLMs在这些领域中的能力以及其局限性，以提供对LLMs在经济学研究中用途的均衡视角。

表1概述了LLMs对各个领域的重要性，具体而言可以归纳为以下方面：

1.生成式人工智能可以影响经济学研究中思维创新与反馈的过程。LLMs已成为一种有价值的研究工具，用于完成从构思和反馈、撰写、背景研究、数据分析、编程到数学推导等多种任务，研究者可以利用生成性AI来生成新的研究想法，提供创意反馈。作者提供了对LLMs在经济学研究中应用的全面评估，指出了它们在提高研究效率和创新性方面的潜力，但同时也强调了需要注意的挑战和风险。随着LLMs的进一步发展和完善，它们有可能在未来的经济学研究中扮演更加重要的角色。

2.生成式人工智能可以作为经济学研究的写作辅助。具体到写作辅助方面，LLMs能够帮助经济学研究人员更有效地组织思想和构建论文结构。它们可以自动化繁琐的写作过程，例如将粗略的要点转化为清晰易读的句子，以及提供写作风格上的建议和修改。这种自动化不仅提高了写作效率，还可以帮助研究人员集中精力于研究内容本身，而不是写作的技巧性部分，使得研究者可以使用AI进行文稿草拟，文献整理和报告撰写。

3.生成式人工智能可以作为背景研究的工具。在经济学研究中，背景研究是获取现有和新领域知识的重要过程。在这一过程中，研究人员需要执行多种任务，包括文本摘要、搜索相关文献、理解新概念和翻译其他语言的文本。LLMs在文本摘要方面表现出了显著的能力。它们擅长从文本段落中提取最相关的内容。这种能力使得LLMs成为进行背景研究的强大辅助工具。通过使用LLMs，研究人员可以快速获取关键信息，节省大量时间和精力。除了文本摘要，LLMs还可以在搜索相关文献、理解新概念和翻译文本方面发挥作用。在搜索相关文献时，LLMs能够通过分析大量数据，快速找到与特定研究主题相关的文献。在理解新概念方面，LLMs可以提供简洁明了的解释，帮助研究人员快速掌握新的理论或方法。在翻译文本方面，LLMs能够处理不同语言之间的转换，使研究人员能够接触到更广泛的国际研究成果。总的来说，LLMs作为背景研究的工具，为经济学研究人员提供了快速获取、处理和理解大量信息的能力。这不仅提高了研究的效率，还增强了研究的广度和深度。随着LLMs技术的进一步发展，预计它们在经济学背景研究中的应用将更加广泛和深入。

4.生成式人工智能可以更便捷地进行数据分析。LLMs能够创建图表、从文本中提取数据、重新格式化数据、分类、提取情感，甚至模拟人类生成数据。这些能力展示了LLMs在建立模型、进行推导到解释模型等数学推导方面日益显著的能力。此外，LLMs还可以从书面文本中提取数据、从新闻文章中提取数值数据（例如股票价格）或从药品数据库中提取剂量信息。这些应用均展示了LLMs在处理和解读各类数据方面的广泛适用性。

5.生成式人工智能可以进行编程辅助。事实上，编程可能是当前LLMs带来最大生产力增益的领域之一。LLMs能够帮助程序员整合和编织由它们生成的多种代码片段。原因在于它们的训练数据包括了大量在线代码仓库（如GitHub）中的代码。计算机代码的语法对这些系统来说相对容易学习。此外，开发这些先进LLMs的AI实验室本身也从这些系统的代码生成能力中受益，这为它们提供了强烈的动力去改进这些能力。

6.生成式人工智能可以进行数学推导。在数学推导方面的进步对研究人员而言是非常有价值的，尽管通用LLMs执行数学推导的能力仍然有限，但是LLMs已经开始显示在建立模型、进行推导以及解释模型等方面的数学推导能力。这种能力的发展意味着LLMs在处理更复杂的数学问题方面有着潜在的进步空间。

表1：LLM能力总结和效用评级

文章基于LLM日益成为经济学研究中的重要研究工具这一背景，从构思和反馈，写作和背景研究到数据分析，编码和数学推导等方面对LLM的应用展开论述。通过结合相应六个案例进行详细的分析，文章得到如下发现：

从短期来看，随着越来越多的研究人员会将LLM纳入他们的工作流程。这可能有助于提高经济学发展的总体速度，尽管它有可能使那些没有利用LLM或没有机会利用LLM的研究者排除在外，造成新的数字鸿沟。

从中期来看，文章预计以法律硕士为基础的助教和导师将会成为第一批受到冲击的职业。

LLM对于生成构成研究论文的内容将越来越有用。人类研究人员将通过提出问题、建议获得答案的方向、辨别产生的内容的哪些部分是有用的、编辑和提供反馈来关注他们的比较优势，类似于顾问。此外，他们还将继续在组织研究工作中发挥重要作用。例如，通过协调团队和采购数据源，类似于研究经理。随着时间的推移，进一步的进步将意味着LLM正在越来越好地执行它们的任务，因此对人类提供输入、编辑和反馈的需求将会减少。将会有越来越多的研究活动，对于这些活动，我们只是简单地对越来越先进的LLM产生的输出进行橡皮图章。最终，人工智能研究助理可能会毕业并成为他们自己的研究者。

从长期来看，许多人工智能先驱包括深度学习的教父辛顿，以及OpenAI和DeepMind的创始人萨姆·奥特曼和德米斯·哈萨比斯，他们认为人工智能最终将到达通用人工智能，并在所有领域超越人类智能。但就更长和更复杂的文件是各国之间位置军备竞赛的结果而言，研究人员在洞察力方面没有相应的提高，在生成文本方面更高的生产率也可能导致研究论文的进一步膨胀，而没有提高深度或质量。如果他们的前提是正确的，这将意味着人工智能最终并没有更好地解决科学问题，包括我们在经济学中遇到的问题。这提出了一个问题，即如何最好地利用人工智能来解决困扰人类的经济问题，包括人类难以解决的问题。

如何训练人工智能系统掌握经济学这样的学科呢？经济学家长期以来一直使用计算机来处理我们用来描述经济的数学规律。正如本文中探索的那样，LLMs的最新进展使我们更接近于这样一个点，即AI系统可以处理经济概念和捕捉经济学艺术的想法。然而，以富有成效的方式将两者结合起来似乎仍然难以实现。并且，如果我们的目标是解决经济学中最困难的问题，我们应该投资多少来开发能够做到这一点的人工智能系统，现在是开始这样做的时候了吗？人工智能进步的最终惨痛教训是，最终利用计算能力进步的通用方法胜过特定领域的专业知识。例如，教一台国际象棋计算机一代代棋手积累的智慧。这种策略在短期内总是有帮助的，但它的好处最终会停滞不前。从长远来看，利用计算能力的野蛮扩展的一般方法仍需要进一步探讨。

原文刊载于《Journal of Economic Literature》2023年第4期

非经注明，文中图片来自网络与论文原文

Anton Korinek（University of Virginia）