题记：2026年9月9日，由北京大学数字金融研究中心、蚂蚁集团研究院联合主办，北京大学国家发展研究院提供学术支持的外滩大会见解论坛“AI经济增长新范式与社会价值重构”在上海黄浦世博园区举行。本文根据2011年诺贝尔经济学奖得主、纽约大学教授托马斯·萨金特（Thomas J. Sargent）在论坛上的主旨演讲整理，未经作者本人确认。
我是一名经济学家，也是一名研究者和教师。AI正深刻影响着我们的研究方式、教学方式以及学生的学习方式。今天，我想围绕AI的内在运作原理，和大家分享一些思考。
人类不擅长的学科成就了AI
我想先谈一个贯穿全文的问题。AI背后存在一个颇具意味的悖论。认知心理学家史蒂芬·平克曾指出：人类恰恰在构成AI底层基础的那些学科上天生不擅长。
这些学科包括：统计学，例如回归分析、概率推断等从数据中寻找规律的方法；生物学中的进化算法与神经网络，即模拟生物进化和大脑神经元工作方式的路径；经济学中的价格机制、拍卖、博弈论、动态规划；物理学中的对称性、守恒定律、优化、量子力学、能量最小化。
平克认为，作为人类，我们在这些方面其实都相当不擅长。然而，这恰恰构成了一幕精彩而颇具反讽意味的图景：图灵、香农、冯·诺依曼、约翰·霍兰德、杨立昆和辛顿，正是将这些学科融合在一起，才创造出了在某种意义上极具智能的计算机算法。
因此，AI所依赖的，恰恰是一些人类并不天然擅长的思维方式，其中也包括思考“我们所不知道的事物”。但值得注意的是，人类在“思考未知”这一问题上，或许反而比AI更在行。这正是我今天想探讨的主题之一。
开普勒式拟合与牛顿式理解
回顾这门学科的奠基者，我想提到冯·诺依曼和库普曼斯，他们是现代结构统计学的开创者。他们把模型分为两类，并借用最伟大的天文学家开普勒之名，把第一类称为“开普勒阶段”。简单说，就是用数学曲线去描述和拟合观测到的数据。
如果换个角度看开普勒发现行星三大定律的过程，他其实是通过精心选取数学公式，对第谷·布拉赫提供的海量天文观测数据进行拟合。他用的其实正是大数据的思路。开普勒在1600年所做的这件事，就是把模型形式规定得非常精确，使拟合出的曲线既能描述已有数据，也能预测未来的观测。但他并不知道，为什么数据会遵循他通过拟合发现的这些数学定律。
冯·诺依曼、摩根斯坦和库普曼斯提出了另一类模型，称之为“牛顿阶段”。这类模型所要解释的现象与描述性模型相同，但其参数可以借助底层的物理定律加以解释——对经济学家而言是经济规律，对化学家或生物学家而言则是各自学科的基本规律。牛顿实际上重新表述了开普勒的模型，以更少的参数解释了同样的事实甚至更多的事实，同时赋予这些参数全新的含义。
那么，这和今天的AI有什么关系？从某种程度上说，在基础原理层面，“太阳底下没有新鲜事”。今天的AI在“开普勒阶段”已经非常强大，尤其擅长模式识别和函数逼近——也就是从大量数据中找出规律、拟合曲线。
当今的AI所做的事情，本质上与开普勒当年所做的一致，都是从数据中拟合规律。那么，为什么今天我们做这件事的能力，比开普勒那个时代强得多？并不是方法有什么本质不同，而是两个条件发生了变化：第一，数据量巨大。中国在社会科学和物理学领域都是引领者，比如在广州或深圳建造了了不起的装置，用来测量和收集海量的中微子数据。第二，既有大数据，又有很强的计算能力。更多数据、更强算力，让我们能以更快的速度完成“开普勒式”的模式计算。
而AI的真正前沿，是“牛顿阶段”——也就是牛顿所展现的那种创造力：推断事物的内在结构，在训练数据之外也能做出准确推断，并且知道“自己在哪些事情上是无知的”，明确“自身未知”的边界。
当前的AI在“开普勒阶段”已经相当成熟，但在“牛顿阶段”还很薄弱。它是否正在向“牛顿阶段”迈进？速度有多快？“牛顿阶段”究竟意味着什么？这正是当前研究的最前沿。
风险、不确定性与“四种无知类型”
作为经济学家，我们关注的核心正是“已知与未知的边界”。我们确实并非无所不知——坦白说，我们所知甚少，但我们的工作，就是要清晰地划出“已知”与“未知”的分界线。
要回答这些问题，统计学家和经济学家首先需要明确：什么是“已知”，什么是“未知”。这些问题，哲学家和经济学家早已讨论过。芝加哥大学的弗兰克·奈特便是其中一位。他提出“风险”概念，认为这是一种特定的“未知”，并将“风险”与另一种状态“随机性”区分开来。
以掷骰子为例：单次投掷时，无法预知会掷出几点；但如果重复足够多次，便能掌握各个点数出现的频率。也就是说，你拥有一个“已知的概率模型”，清楚各种结果的概率分布和频率。奈特将这种情形称为“风险”。
他还区分了另一种状态，称之为“不确定性”或“模糊性”：在这种状态下，你连各种结果发生的概率都不知道，更无法描述它们的概率分布。
为什么这种区分会引起企业家和科学家的共鸣？因为他们天然深谙此道——企业家和科学家都在探索未来，试图认识那些尚未具备可靠模型的事物。
那么这和AI有什么关系？每一个AI算法，都是基于一个“已知模型”来拟合参数的，而且在某种意义上，它完全信任这个模型。它所做的，就是拟合一个带有大量假设的近似模型。
有人说，AI中的神经网络做的是“无模型学习”。但真正的专家会指出，这并不准确。神经网络本质上是一种特定的参数化模型，包含了大量关于“已知”的隐含假设。所以，“已知”与“未知”之间存在清晰的分割——这和开普勒的做法如出一辙。
多年来，我和芝加哥大学的拉尔斯·汉森在经济学领域深入研究“风险”（已知概率分布、已知模型）与“未知”的区别，以及在面对未知时应当如何决策。我们不能从“我一无所知”开始——那样就无法做任何决策了。为此，我们提出了“四种无知类型”（Four Types of Ignorance），系统地梳理了这个问题：
第一是“风险”，即存在一个单一的、可信的概率模型。
第二是“模糊性”：存在不止一个模型，而是一组模型。你虽然假设这些概率分布的集合是已知的，却无法确定究竟哪个模型在真正主导数据的生成。
第三，要警惕“模型误设”：你所考虑的所有模型，可能没有一个是正确的。事实上，生成数据的真正机制是什么？是自然（科学家有时称之为自然或上帝，二者说的是同一件事），而那个机制或许根本不在你的模型集合之中。
因此，我们提出了第四种类型——“结构化模糊性”：在这种情况下，你对一部分事情是已知的，对另一部分是未知的，并且能对二者做出划分。
稳健决策：承认模型可能是错的
拉尔斯和我研究的，其实是一个由来已久的问题。应用数学家和工程师使用模型来控制火箭、飞行器或者设计桥梁，其依据是他们所掌握的最优物理模型。然而，在许多情况下，当他们进行“最优控制”时，即便数学推导完全正确，模型所给出的方案在实际应用中却产生了并不理想的结果。
这催生了20世纪60至70年代兴起的“稳健控制”理论。其核心思想是：决策者，即工程师、经济学家、央行官员等掌握模型的人，先建立一个统计模型，承认模型可能存在随机风险，并尝试估计这些风险；随后还要进一步考虑，该模型本身可能就是错误的。它会错在何处？真实情况可能与之存在显著差异，而这一差异究竟如何，我并不知道——倘若知道，便会直接将那个正确的模型写出。
所以我只是承认，我的模型可能存在问题，但同时仍抱有希望：希望我的模型能像开普勒的模型一样，准确地描述我所观察到的数据。无论从事科学研究还是AI研究，我们始终怀有这样一种“信念”：希望真实的模型在统计意义上“邻近”我的模型——这是一种既模糊又确切的感知。
数学家图灵和香农给出了准确的定义，统计学家库尔贝克也作出了重要贡献。库尔贝克为“统计学上的邻近”提供了精确定义，即“Kullback-Leibler散度”，亦称相对熵。该指标目前广泛应用于AI和机器学习领域，以衡量两个模型或概率分布之间的差异程度。简言之，KL散度越大，模型可能偏离真相越远；熵值越高，则表示对模型的怀疑越深，所需考虑的替代模型集合也越广。
拉尔斯和我将这套方法引入经济学，称之为“稳健决策理论”。其核心思路可概括为“极大极小”：既争取最好情况下的最大收益，也确保最坏情况下不至于太糟。具体而言，工程师、金融从业者和AI从业者会先设定一个希望最大化的目标，再将其写成一个方程，即“贝尔曼方程”，这是动态规划和最优决策中的核心方程。但稳健决策中的贝尔曼方程不同于普通的最优方程：一方面希望最大化目标，另一方面又有一个声音在提醒——不宜过于乐观，模型可能存在问题。
这就好比，在我的脑海深处住着一个邪恶的精灵——伟大的哲学家勒内·笛卡尔在1610年或1620年前后曾使用过类似的论证。每当你说“我想做某事”，这个精灵便会跳出来质疑：“你可能错了，这也许是一件很糟糕的事。”
所以，我们的脑海里其实在上演一场“内战”：一方面要依据这个模型采取行动，另一方面“自然”却在说：“要是你那样做，我可能会选择一个截然不同的模型。”
你或许在AI领域听说过这个说法——有一种对抗性的存在，被称为“对抗控制”。它广泛应用于图像处理等领域，也是AI在图像处理方面表现优秀的重要原因；通义千问、DeepSeek等大模型也广泛采用。它本质上是一个计算框架。这个“对抗者”并不是真实存在的，而是一种计算上的安排，用来提醒你：“你的模型可能不准确。”
AI正在这么做。AI构建“稳健规则”，这意味着这样的决策规则很可能奏效——不仅能在一切尽在掌握的理想条件下有效，更能在模型可能出错的情况下依然可靠。这是一种审慎的智慧。
信念扭曲与资产价格
这方面的研究，很大程度上要归功于我的朋友拉尔斯·汉森。如果市场中的投资者都以这种方式行事，会发生什么？本质上，这将深刻影响资产价格的变动。
在那些假设“每个人都确切知道正确的概率分布”的传统模型中，资产价格的变动显得扑朔迷离——但实际情况并非如此。
当人们清醒地意识到，自己并不掌握真实的概率分布，并像前面那些审慎的决策者一样，在心里保留一个不断质疑的“对手”时，他们的信念会迅速发生转变。这方面已经有一些很有前景的研究，正在阐释这样一个问题：当某些新信息涌现，而这些信息是刚刚用历史数据训练出来的AI模型无法充分理解的，此时的资产价格、股票价格、利率乃至衍生品价格将如何动态变化。这便是该理论的核心要义。
于是就会出现看似“信念扭曲”的现象。但需要注意，“扭曲”总是相对于某个基准模型而言的。而且我所想的，也是该理论所强调的：这个基准模型本身，也是AI生成的结果。即便最先进的AI给出了这样的模型，这类理论也指出，人们的信念仍可能偏离这些模型所给出的判断。
对AI经济增长的启示
回到AI与经济这一主题：AI系统及其设计者，面临着与人类决策者相同的挑战。我今天分享的只是冰山一角。这正是当前AI专家的思考方式——他们深知自己的模型只是近似模型，知道模型的内部结构无法揭示“它究竟错在哪里”。强化学习等领域正在致力于运用这类工具，把“模型不完美”这一点纳入决策的考量之中。
为什么这对AI驱动的经济增长很重要？我们每天都能在新闻上看到：亚洲和美国（尤以美国为甚）正投入巨资发展AI，投入规模呈数量级增长；在美国，少数几家公司在竞相加码。而支撑这些巨额投资的模型，本身也未必可靠。没人知道这些模型到底会产出什么。这些技术有哪些用途？它们在某种意义上确实会带来效益，但究竟为什么能带来效益、如何实现，却无人真正知晓。
所以在这里，“我们还不知道”恰恰是问题的核心。这本身又是一重讽刺：投资者因追逐利润而投入，但他们未必能获得期待的回报，尤其是当他们忽视了来自亚洲的国际竞争等因素时。
所以人们常说，好的政策应当在不同模型之间都保持稳健。但“稳健”究竟是什么意思？这很难精确描述。我认为，保持谦逊至关重要。
整理：白尧
