内容提要：随着生成式人工智能(AI)的突破性进展，计算经济学正经历从传统数值模拟仿真向AI驱动新范式的转型。作为经济学与计算机科学的交叉学科，计算经济学融合了数值计算、基于主体的建模以及机器学习等多学科技术方法，呈现出显著的方法论多元化特征。该学科的发展历程可划分为三个主要阶段：早期以均衡理论数值计算为特征，中期以复杂系统仿真为核心，当前则进入与人工智能深度融合的新阶段。AI技术尤其是基于深度学习的大模型显著扩大了经济系统的可计算边界，在数据生成机制、研究对象范畴以及研究方法体系等方面带来革命性创新，推进了理论驱动与数据驱动研究范式的有机融合，形成“知识自生成”的新模式。尽管当前AI与计算经济学的交叉融合仍处于初级阶段，但其必将对计算经济学的学科定位和研究范式产生深远影响。
关键词：人工智能/ 计算经济学/ 大语言模型/ 算法/ 知识自生成/
原文出处：《学海》(南京)2025年第5期 第146-153页
作者简介：刘涛雄，清华大学社会科学学院经济学研究所教授(北京 100084)。
以ChatGPT、DeepSeek等为代表的生成式人工智能大模型取得突破性进展，标志着人类正式迈入AI技术新纪元。DeepSeek的现象级崛起更向世人深刻表明，当前大模型不仅实现了技术范式的创新突破，更展现出显著的经济价值潜力，正加速迈向大规模商业化落地阶段。随着AI技术的不断发展，计算经济学这一交叉学科正经历从工具革新到范式重构的深刻转型。从数值模拟到多智能体仿真，从结构化数据到多模态信息融合，AI不仅大幅扩展了经济系统的可计算边界，更在数据生成、模型建构与知识发现等维度重塑学科内核。大语言模型的人类行为模拟能力、神经网络的非结构化数据处理优势以及物理信息神经网络(PINN)等算法对计算经济学理论嵌入的探索，正在推动计算经济学突破传统方法论的局限。这种AI驱动的变革不仅意味着技术工具的升级，更指向经济知识生产范式的根本性跃迁，计算经济学正在迈入一个由AI驱动的新阶段。
计算经济学的内涵、特征与主要方法
计算经济学是运用计算机技术对经济系统进行建模、分析与优化的交叉学科，融合了经济学、计算机科学、复杂系统理论及数据科学等多学科方法论。①其学科体系正式形成以1988年《经济管理中的计算机科学》期刊(后更名为《计算经济学》)创刊为标志，这标志着该领域从技术工具应用转向独立学科建构。区别于传统经济学理论范式，计算经济学将经济系统视为可计算、可设计的工程系统，强调通过数值模拟与算法，揭示复杂经济现象的动态演化规律。②
当代计算经济学的前沿已经在理论层面突破传统均衡分析框架，将经济系统解构为由异质性多主体驱动的非线性动态系统。其核心特征体现在三个方面：首先，采用计算机模拟替代数学解析方法，处理高维非线性经济模型。如在金融风险研究中，通过GPU并行计算，可处理包含数千万甚至数亿主体的市场仿真，极大地超越了传统解析方法的处理能力。其次，关注系统的动态演化过程而非均衡状态，强大的计算和模拟能力也使得关注长期复杂的演化过程成为可能。最后，强调模型的可计算性与工程实现，这种工程化视角使经济学家能够像工程师设计机械系统那样，通过调整参数观察经济系统的动态响应。方法论体系涵盖数值分析、基于主体建模以及机器学习算法等，适用于分析传统经济学难以处理的复杂自适应系统等。
计算经济学的学科渊源可追溯至20世纪中期的宏观经济模型均衡数值求解。1996年，《计算经济学手册》系统收录了可计算一般均衡、可计算博弈论、非线性定价等早期核心议题，③确立了该学科与计量经济学、博弈论等传统分支的共生关系。发展脉络呈现两个显著特征：一方面伴随计算技术进步不断拓展研究边界，另一方面保持与经济学其他分支的深度交互。
当前，计算经济学的方法论体系以多元化的技术手段为特征，通过融合数值计算、主体建模、机器学习等多学科方法，为经济系统分析提供了新的研究范式。在数值模拟与计算方面，力图采用先进的数值算法求解复杂经济模型，特别是针对传统解析方法难以处理的非线性问题。基于主体建模(agent-based modelling，ABM)则通过构建具有异质性和适应性的微观主体，在局部交互规则下模拟宏观现象的涌现过程，这种方法在捕捉经济系统复杂性和非线性特征方面展现出独特优势。在大数据时代，机器学习与数据驱动方法日益成为重要工具，各类算法被用于从海量经济数据中提取有效模式，其中深度学习技术在经济预测和政策评估等领域的应用日益突出。此外，多智能体仿真技术通过强化学习算法，致力于更真实地模拟经济主体间的交互行为及其宏观效应。这些方法的综合运用，使得计算经济学能够处理传统经济学难以应对的复杂问题，如分析大规模复杂经济系统、评估复杂环境中经济政策的动态效应等，为经济研究提供了更加多样和强大的分析工具。
计算经济学不同于计量经济学。计量经济学侧重通过统计推断验证经济理论，依赖严格参数假设与显式函数形式。其研究路径遵循“理论假设—参数估计—假设检验”的实证逻辑，核心目标在于建立变量间的量化关系。相较之下，计算经济学突破显式求解的约束，采用模拟仿真替代统计推断，重点揭示系统演化机制而非验证特定理论。这种范式差异导致二者在数据应用、模型构建及验证方式上的根本区别，前者依赖观测数据的统计规律，后者侧重虚拟数据的生成机制。
计算经济学也不同于算法博弈论，算法博弈论作为计算机科学与博弈论的交叉方向，聚焦于均衡计算与机制设计的算法实现。虽与计算经济学共享数值方法基础，但研究导向存在重要差异，前者关注特定博弈场景下的算法效率与计算复杂性，后者着眼经济系统的整体仿真效果。这种分化源于应用场景差异，即算法博弈论多应用于网络经济等离散决策场景，而计算经济学则致力于刻画连续动态的经济演化过程。
计算经济学与行为经济学、演化经济学等学科存在交叉，但与这些领域存在明显不同。计算经济学关注整体性、系统性的建模，而其他学科往往关注经济活动的特定维度。例如，行为经济学主要研究个体决策的心理变化机制，演化经济学则关注经济制度的长期变迁，而计算经济学则试图通过计算模拟的方法将这些微观行为与宏观现象联系起来，形成一个完整的分析框架。
AI驱动学科演进迈入新阶段
纵观计算经济学的学科发展史，学科发展的重要推动力来源于计算机科学与技术的进步以及数值计算、系统动力学等相关理论的发展。这些领域的发展极大地提升了研究者的计算能力和效率，使其能够解决问题的复杂程度大幅度提高，也直接推动了以开放性、非线性的动态系统视角研究经济系统。回顾计算经济学的发展历程，大体经历了两个阶段，而当前正在进入AI驱动的第三阶段。
第一阶段(1960-1980年)：基于均衡理论和数值计算的计算经济学
计算经济学发轫于经典经济学的理论模型求解困境。传统经济模型一旦复杂化，比如引入非线性函数、方程数目变大，多数情形无法获得解析解，因而需要引入数值方法，进行迭代求解或数值逼近。可计算一般均衡(computable general equilibrium，CGE)和动态随机一般均衡(dynamic stochastic general equilibrium，DSGE)模型成为这一阶段发展起来的典型应用。在这一时期，计算经济学主要为经济学其他分支学科提供工具，很难说有独立的研究范式。
CGE模型以瓦尔拉斯一般均衡理论和里昂惕夫投入产出分析④为基础，通过投入产出分析和边际条件，在特定市场结构假设下(完全竞争市场、寡头竞争、垄断等)，建立与价格相关联的供给函数和需求函数，在商品市场、要素市场均衡条件下构建均衡方程，再构造宏观闭合条件形成方程组。CGE模型是非线性的，计算经济学采用数值方法求解线性化后所对应的数学规划问题，并通过比较静态分析，进行政策冲击的定量评估。在后续的研究中，静态CGE被推广到动态模型，解决了模型随时间变化的问题。⑤CGE模型的理论缺陷在于难以解释经济波动，DSGE模型通过引入微观主体的跨期最优决策和随机冲击，在理性预期框架下建立动态随机系统，将宏观现象解释为微观个体最优决策的加总。最早的DSGE框架是实际经济周期模型(RBC模型)，假设价格有弹性，主体具有理性预期以及完全竞争市场。⑥此后，新凯恩斯主义扩展了DSGE模型，包含了垄断竞争、名义工资刚性、价格黏性等内容。该模型的困难在于引入动态优化之后，消费者和企业的最优策略通常难以获得解析解，往往需要在均衡点附近对DSGE模型进行对数线性化，以简化复杂的非线性方程，得到可解的线性近似方程。在DSGE模型求解过程中，研究者会进一步进行模型校准，根据实证数据或文献为模型的参数赋值，以确保模型准确反映真实经济，提升宏观经济分析的动态特征刻画能力。
第二阶段(1980-2020年)：基于复杂系统和模拟仿真的计算经济学
在20世纪末期，复杂科学理论的发展推动计算经济学进入范式转型。美国圣塔菲研究所(Santa Fe Institute)等跨学科研究机构的建立，标志着物理学、计算机科学等学科方法深度融入经济分析。经济系统的自组织性、涌现性和非均衡特征得到理论重视，催生出基于主体建模(agent-based modelling，ABM)和系统动力学等新型研究方法，开始形成独特的理论及研究范式。这一阶段产生了基于主体的计算经济学(agent-based computational economics)，⑦成为计算经济学的主流研究方法。
ABM最早由诺贝尔经济学奖获得者托马斯·谢林所使用，用于描述种族隔离和收入隔离现象。⑧作为一种自下而上的建模方法，ABM方法突破传统均衡分析框架，通过构建具有异质性、适应性和自主决策能力的微观主体，在局部交互规则下模拟宏观经济现象的涌现过程。⑨ABM包含主体、环境和行为规则等三要素。一般来说，ABM将参与活动的经济主体如家庭、企业、政府、银行等构建为微观主体，不要求其行为符合完全理性或者利润最大化。环境是主体所处的空间或者网络结构，是主体之间进行互动或者信息传播的交互场所，可以是物理空间、社会网络等。行为规则包括主体(agent)本身的行为规则以及主体之间的互动规则，每个主体根据内部状态和外部信息做出决策，也对环境和其他主体产生影响。ABM的主要优势在于其模型的灵活性极高，能够兼容理论和实证数据，缺点在于模型的计算成本较高，难以进行模型校准和参数估计。
系统动力学则侧重系统内部要素的反馈机制建模，关注系统中各个组成部分之间的相互作用，通过构建存量-流量图和因果回路图，揭示经济系统的动态演化规律，并预测长期趋势。系统动力学在宏观经济政策分析、资源环境经济学等领域有广泛应用。
第三阶段(2020年至今)：与人工智能相融合的计算经济学
当前计算经济学正处于与人工智能技术融合的新阶段。深度学习算法提升了传统数值求解的能力，强化学习技术增强了智能体的自主决策能力，并行计算显著提升了大规模仿真的可行性。人工智能在数据处理、参数优化、因果推断等环节展现出独特优势，基于机器学习的因果发现方法能够从高维数据中识别潜在因果关系；神经网络算法可处理传统方法难以建模的非结构化数据；实时数据融合技术实现了动态仿真系统的持续优化。ChatGPT、DeepSeek等大模型的发展将为计算经济学带来新的机遇，这些模型在行为模式模拟、数据分析和预期形成机制建模方面展现出独特潜力。尽管目前计算经济学和人工智能的结合仍然处在十分早期的阶段，还远谈不上发展定型与成熟，但其中展现出来的革命性变化和广阔前景已经足够激动人心，计算经济学正在拥抱AI带来的巨大机遇，进入AI驱动的新阶段。
AI重新定义计算经济学的内涵与外延
最直接的是，AI作为工具大大拓展了计算经济学研究素材的边界。以数据为例，传统计算经济学能够利用的数据形态为数值形式，所利用的现实数据基本来自调查统计数据。人工智能和机器学习方法几乎能把所有客观可记载的信息转化为可计算的数据。例如，近年来文本已经成为经济学研究的常用素材，图像、视频、空间地理信息、社交网络等越来越多的不同形态的信息载体都在成为研究可用的数据。⑩随着多模态数据处理能力的增强，这些不同来源、不同形态的数据将互为补充，共同成为计算经济学丰富的研究资源库。传统经济学模型无法处理跨模态的数据，只能分析量化指标之间的关系，但是大模型框架为跨时空物理数据、文本、图片、声音、视频与经济数据的融合建模创造了可能。
进一步，AI的发展将改变计算经济学的数据生成方式。以ChatGPT、DeepSeek为代表的大语言模型经过海量语料的训练和模型微调，目前已经具有一定的推理能力和很强的对话能力，某些大模型已经能够通过公开的图灵测试。一旦AI具备了对现实中人的行为模拟能力，就可以通过AI直接生产和现实接近的数据，也就是说可以把AI当成一个调查和实验的工具。(11)比如，如果我们想了解家庭收入增加后消费会如何变化，我们既可以到现实中进行调查，也可以直接问AI，如果AI的偏好和人类比较接近，则可以在一定程度上模拟人类的选择。在政治学、心理学以及行为经济学领域，当下一些研究就在使用大语言模型作为“被试”，检验大语言模型与人类被试行为模式之间是否具有一致性。(12)在经济学领域，通过大语言模型生成“被试”不仅能够降低研究成本，而且可减少科研伦理问题，有可能发展为一种经济、高效、安全的研究方法。这种“被试”不仅仅是在个体意义上，也可以是在系统和社会意义上。利用大语言模型可以建立多智能体系统。过去，计算经济学的基于主体模型对于代理人的设定，往往只能基于研究者主观设定的规则，行为规则也较为简单，难以模仿真实世界人类的互动决策行为，而大语言模型建立了更近似人类行为模式的智能体，并能够在系统中通过自然语言传递信息，更加接近真实世界的运作模式。例如，斯坦福(Stanford)小镇的研究中，(13)帕克建立了一个大语言模型仿真智能体“生活”的虚拟空间，研究虚拟空间中智能体的行为模式。当然，由此也会带来新的研究课题。比如，虽然目前大语言模型经过对齐，可以表现出与人类相近的行为模式以及推理能力，但是在描述少数群体时，受语料的限制，难以对这部分群体进行精确刻画；另外大语言模型还存在“谄媚”“偏见”“过度道德”等偏差问题，这些模型偏误导致大语言模型与人类的行为模式仍然具有一定差别。
AI推动计算经济学研究方法的变革。基于深度神经网络的机器学习方法是当前人工智能的主流技术，这为计算社会科学研究方法注入了强大力量。传统计算经济学的计算主要基于已有数学模型，常常是根据已知函数来进行数值模拟和计算。深度神经网络则具有强大的表征能力，理论上可以模拟任何函数。经济系统是一个高度复杂的系统，现有经济学模型或数学函数很可能难以准确地描述现实经济体，此时深度神经网络和机器学习算法大有用武之地。使用深度神经网络的一个问题是其要求数据量大、计算量大，但目前在自然科学领域，已经通过数据与理论的结合，产生许多成功的方法。比如，在数学物理领域，物理信息神经网络(physics informed neural network，PINN)已经成为人工智能驱动的科学研究(AI for Science)的最大热点之一，(14)这一算法有效地解决了使用有限元方法、有限差分法等传统方法求解偏微分方程时，计算复杂度随维度快速上升而难以处理复杂边界等问题。比如，通过将物理理论引入深度神经网络，在求解纳维-斯托克斯方程(N-S方程)等非线性偏微分方程时，实现了大量节约运算资源和模型精度极高。在计算经济学中，也可以将经济理论引入机器学习算法，构建经济信息(增强)神经网络，用于经济变量的建模和预测。例如，将符合经济理论的供给、需求、价格等信息补充到神经网络的惩罚函数中，从而提升神经网络模型的预测效果和可解释性。另外，一个技术路线是使用经济理论生成数据进行数据增强，将经济学理论作为先验知识生成数据，用生成数据结合真实数据提升经济模型的预测效果，形成理论与数据的结合。
AI极大拓展了计算社会科学的研究对象。随着能力的提升，AI在逐渐地参与经济活动。大语言模型作为工具以及对劳动力的替代，现实中大语言模型已经广泛地与经济活动交互，并开始参与决策过程。如果说大语言模型本身只是一种虚拟的系统，在经济活动中从属于人类决策，处于辅助地位；但随着具身智能的发展，AI将具有实体，可以在物理世界中自主行动，在工厂中代替人类执行复杂任务，为消费者提供服务；等等。在这种情况下，AI本身就是经济活动中实时演算的实体，那么作为计算经济学，这类实体也将成为不可忽视的研究对象。相对于人类而言，AI系统的可预测性更强，这也能够增强经济系统的可计算性。
将人工智能实体作为研究对象，会深刻改变现有微观经济学理论对经济活动中个体的描述。现实世界的人类由于具有高度的异质性，难以构建合适的模型进行刻画。主流经济学最重要的理论基础之一就是理性人假设，学者基于理性人假设使用优化方法，刻画经济系统中各类主体的决策过程。在经济理论假设中，为保证模型可以计算，研究者通常进行大量的简化，但最终无法刻画个体在复杂因素下的决策行为。随着大模型的AI能力提升和进一步训练，大模型的AI可能实现对真实世界个体更精确的刻画和描述，从而将传统经济学中难以进行量化测量的因素，通过大模型的特征空间进行嵌入表示，形成可计算的模型，并进行因果推断。这一变化也对宏观经济研究提出新挑战，即AI的行为模式可能偏离经典理论框架。例如，实时交互的AI可生成更丰富的环境与行为数据，推动基于智能体的模型更贴近现实，甚至揭示微观行为与宏观现象之间的非线性关联。
塑造“知识自生成”的新范式
随着人工智能技术和大模型的快速发展，计算机科学与经济学的深度融合正在极大地拓展计算经济学的研究边界，催生新的研究方法，促进研究范式创新，并催生新的理论体系。AI能力的不断增强使得其在与计算经济学的融合发展中从单纯的研究工具演变为能够提供数据和素材的研究伙伴，未来甚至可能改变知识和理论的发现方式，形成经济理论生成的新范式。
经济学作为社会科学中率先追求科学化的学科，其经典研究范式可称为“理论驱动的研究范式”。这一范式通常包括以下步骤：研究者首先从现实中发现问题，构建理论框架并提出假设，随后收集经验数据，利用统计学或计量经济学模型验证假设，这一过程同时也是对理论进行证伪的过程。然而，近年来，随着计算机科学和大数据挖掘技术的蓬勃发展，基于数据的知识发现方法逐渐兴起，并不断渗透和改变社会科学研究方法，包括计算经济学的研究范式。
与理论驱动的知识发现不同，数据驱动的知识发现不再局限于已有理论框架，而是从数据出发，挖掘其中隐藏的模式，并将其提升凝练为知识，再通过科学方法检验其可靠性。理论驱动和数据驱动的知识发现各有优劣，前者方向明确、效率高，对因果关系的发现更为可靠，但受限于已有理论框架，难以发现颠覆性新知识；后者则不受已有理论束缚，能够发现现有理论未触及的新知识，但需要海量数据支持，且难以区分数据中的因果关系与表面上的相关性。迄今为止，理论驱动与数据驱动的研究范式之间仍存在明显割裂，数据驱动的研究往往只关注相关性，而忽视因果关系的深入探讨。
随着AI智能化水平的提升，理论驱动与数据驱动之间的裂痕有望得到弥合，从而催生一种新的研究范式——理论知识的自生成，即知识发现的自动化。当前AI发展的一个显著特点是从体力劳动的自动化扩展到脑力劳动的自动化。随着智能体的不断进化，其观察、理解和分析推理能力的增强可能催生“AI科学家”。“AI科学家”可以自动收集和生成数据，分析其中的模式和规律，并通过严谨的科学方法检验这些规律，使其上升为知识。例如，DeepSeek已经能够撰写学术论文，在文献调研、研究框架和方法等方面实现自我设计。通过经济学理论与数据的融合，计算经济学不但可以利用大模型对现有理论进行解释和验证，而且可以生成新数据与新理论。例如，通过构建具有学习能力的智能体，将经济理论作为先验知识融入推理链，智能体在交互中不断进化，通过分析自动验证推理链的正确性，形成对社会问题新的解释，并借助大模型的迁移学习能力扩展到新的因果关系，最终通过计量方法或AI方法验证这些因果关系，从而实现经济理论知识的自动发现与验证。
与自然科学相比，社会科学的最大特点在于人的介入。人的自主性和主观能动性使得社会系统的状态依赖于个体的决策和行为，从而导致社会现象比自然现象更具不确定性和难以预测性。当众多具有主观能动性的个体汇聚成一个系统时，彼此之间的互动(如协商、谈判、冲突、合作、欺骗等)使得系统结果具有巨大的复杂性和不确定性。这也使得自然科学中的“第一性原理”在经济学中难以直接应用。经典经济学的做法是通过假设微观个体(如家庭和企业)的行为模式，试图推导出宏观经济结果。然而，微观个体行为，尤其是互动中的行为，难以用现有数学工具精确描述，且经济系统的结果并非个体行为的简单加总，而是复杂互动后的总体结果。这使得经济学在精确描述现实方面面临巨大挑战。例如，在研究消费问题时，传统理论认为增加收入可以促进消费，但在现实世界中，促进消费政策效果受多种因素影响，个体反应呈现出复杂多变性，政策效果可能因环境不同而差异显著。在AI时代，理论自生成的范式可能不再依赖微观个体的理论假设来推导宏观结果。通过智能体模拟个体行为及其互动，可以直接生成宏观结果，并通过深入分析发现宏观知识。与经典理论的结构性模型相比，理论自动发现与验证能够识别更复杂的因果关系和更灵活的因果机制，从而利于人们更好地应对现实世界的复杂性。
当然，理论自生成的范式目前仍处于萌芽阶段。未来，研究者与智能体之间的协作可能经历不同阶段：最初，AI作为辅助工具帮助完成数据收集和研究框架设计；随后，AI可能自主完成研究的某些环节；最终，AI可能完全自主完成整个知识发现过程。知识自生成的范式创新将极大地扩展计算经济学的研究范围和价值，催生更具创造力的新理论，甚至可能挑战经典理论。借助人工智能技术，经济学可能迎来一个“大发现时代”。
结论
AI驱动的计算经济学正在经历一场深刻的范式变革。从数据生成到模型构建，从研究方法到理论发现，AI技术正在全方位重塑计算经济学的学科内涵与外延。大语言模型的行为模拟能力、深度学习的非结构化数据处理优势以及多智能体系统的仿真潜力，为经济学研究提供了前所未有的工具和视角。尽管这一领域仍处于早期阶段，但其展现出的革命性潜力已经不容忽视。未来，随着AI技术的进一步发展和应用，计算经济学将不仅作为经济学的分支学科存在，而且更可能成为连接社会科学与人工智能的桥梁，推动经济学研究进入一个更加智能化、自动化的新时代。
注释：
①熊航等：《计算经济学的学科属性、研究方法体系与典型研究领域》，《经济评论》2022年第3期。
②H.M.Amman,"What Is Computational Economics?",Computational Economics,Vol.10(1997),pp.103-105.
③H.M.Amman,et al.,Handbook of Computational Economics,The Netherlands:North-Holland,Amsterdam,1996.
④W.Leontief,Input-output Economics,New York:Oxford University Press on Demand,1986.
⑤P.B.Dixon,M.T.Rimmer,Dynamic General Equilibrium Modelling for Forecasting and Policy:A Practical Guide and Documentation of MONASH,Amsterdam Netherlands:Emerald Group Publishing Limited,2001.
⑥F.E.Kydland,E.C.Prescott,"Time to Build and Aggregate Fluctuations",Econometrica,Vol.50,No.6(1982),pp.1345-1370.
⑦L.Tesfatsion,L.J.Kenneth,Handbook of Computational Economics,Vol.2:Agent-Based Computational Economics,Princeton University Press,2006.
⑧T.C.Shelling,"Models of Segregation",American Economic Review,Vol.59,No.2(1969),pp.488-493.
⑨J.Farmer,D.Foley,"The Economy Needs Agent-Based Modelling",Nature,Vol.460,No.7256(2009),pp.685-686.
⑩S.Wu,et al.,"Next-GPT:Any-to-Any Multimodal LLM",in Forty-first International Conference on Machine Learning,2024.
(11)J.J.Horton,"Large Language Models as Simulated Economic Agents:What Can We Learn from Homo Silicus?",http://gffgg277d0919da9c4fc8sffxobubp6o5o6f09.fgzb.hbpu.wttczd-86544418598.com/10.48550/arXiv.2301.07543.
(12)R.Shiffrin,M.Melanie,"Probing the Psychology of AI Models",Proceedings of the National Academy of Sciences,Vol.120,No.10(2023),p.e2300963120.
(13)J.S.Park,et al.,"Generative Agents:Interactive Simulacra of Human Behavior",http://gffgg277d0919da9c4fc8sffxobubp6o5o6f09.fgzb.hbpu.wttczd-86544418598.com/10.48550/arXiv.2304.03442.
(14)G.E.Karniadakis,et al.,"Physics-Informed Machine Learning",Nature Reviews Physics,Vol.3,No.6(2021),pp.422-440.
