答：在微信和互联网上有非常多关于人工智能的讨论。许多问题都相对宽泛，部分原因是人们对人工智能的理解常常存在误解。那么，人工智能究竟意味着什么？从本质上讲，它只是一种函数——一个将 X 映射到 Y 的过程——基本上就是拟合一个函数。X 可以是高维的，Y 也可以是高维的，但归根结底，它就是一个函数拟合问题。

　　当谈到宏观研究的微观基础时，人工智能并没有从根本上改变它们。我可以给你展示最前沿的机器学习工作，但它依然是在做我们一直想要完成的任务，只不过借助更强大的计算机和更多的数据。这些算法本身并不完全是新的。

　　关于真正的基础，可以参考经济理论中定义的基本结构，比如我今天早上看到的一篇文章，它概述了基本框架：由一群具有特定目标、约束、资源、生产函数、技术和市场的个体组成。有些市场可能是缺失的，但总体而言，这是一套一致的优化问题体系，有一个能够影响环境的政府。这些才是真正的基础。人工智能，包括像 ChatGPT 这样的工具，不会提出一种排除人类或政府的新基础——即使提出了，那也只是“幻觉”而已。

　　答：这个过程其实很直接。当你有一个定量理论时，尤其是在宏观经济学中，它是为了解释特定的数据集或时间序列而构建的。经过大量工作来拟合参数后，接下来就是验证的步骤。通常在这个过程中，数据会显示模型在某些方面表现不佳。通过深入研究，你可以准确地找出它的不足之处并进行相应调整。经典的例子包括长期存在的难题，比如股权溢价之谜或波动性之谜。

　　以罗伯特·席勒著名的波动性之谜为例。几十年来，它一直是研究的起点，但最近有人重新评估了这一问题，质疑数据是否按照理论对股息和回报的预期定义来构建。使用更精确的定义后，他们发现谜题的很大一部分消失了。这提醒我们，不要仅仅接受现有的数据，而是要在理论的视角下重新审视它。

　　另一种方法则更加直观——比如鲍勃·卢卡斯的做法。他有时会摒弃他认为在美学上不令人信服的要素，说：“我不相信它；它听起来就不对劲。”他信任自己的直觉，这并非人人都能做到。但正是这种结合了严谨数据分析与直觉的特点，使得经济学既富有挑战性又充满乐趣。

　　答：这比想象中要简单。不要过于纠结于想法是否“伟大”或“重要”。举个例子，有一次我通过米尔顿·弗里德曼的一篇论文对一个技术问题产生了兴趣。我钦佩的两位经济学家詹姆斯·托宾和罗伯特·索洛写了弗里德曼思想的数学版本，结果却证伪了它们。尽管当时我只是个普通学生，但他们的工作深深吸引了我。

　　在军队服役期间，我学习时间序列分析，以便理解索洛的论文。一年后，我终于觉得自己准备好了可以应用所学内容，并发现了索洛和托宾解释中的一个漏洞。我写了一篇四页的论文，但第一次投稿时被严厉拒绝。我把它搁置了，直到一位年长的朋友把它分享给了卡尔·布鲁纳，他在一个新期刊上发表了它。渐渐地，像托宾和卢卡斯这样的人也读到了这篇文章。这并不是一个突破，而是一个缓慢而漫长的过程，用来更好地理解他人的工作。大多数发现并非灵光乍现的天才火花——它们是缓慢而细致的努力。如果伟大的头脑可以这样工作，那么我们其他人也可以。

点击查看更多问答