从经济学到机器学习：大数据与大算力驱动的想象空间像托马斯·萨金特，就是那个教机器学习、认识世界的人。77岁的萨金特对AI、大数据、机器学习的一次专业演讲，是最近在杭州，在2019罗汉堂数字经济年会上，同堂演讲的还有2013年诺贝尔经济学获得者拉尔斯·彼得·汉森等人。
       作为2011年诺贝尔经济学奖获得者、理性预期学派的领袖人物，萨金特不仅在经济学领域颇有建树，其跨学科研究的旨趣，认为语言、理论和数据之间有很亲密的关系，也让其在人工智能领域走得更远——交叉学科研究推动的科技（包括AI）进步，是萨金特格外看重和亲身投入的。
       从经济学到机器学习，不变的是对数据奥秘的发现力。本质上，现在的经济学就是用数据、模型认识世界、解释世界，进而提供各类决策建议的。而萨金特在题为《信息、几何、计算》的演讲开篇即指出，“我们现在有大量的数据组，以及我们有快速的计算能力”，同为经济学家的汉森也强调这一领域需要的是非常丰富的数据来源、很好的运算法则，由此其实不难看出，他们对数据分析的倾心、以及数据在当前时代的空前富集、算力的增长，是这些“最强大脑”们乐于活跃在机器学习这类前沿领域的重要因素。
       萨金特和汉森的开门见山背后，隐含了一个事实——近几年的人工智能热潮，很大的驱动力来自GPU的广泛应用，以及计算因此变得更快、更有效，而且成本低廉。伴随者广泛的应用，各种形式的海量数据的涌现，相应的存储能力，也使得数据应用的前景变得空前明朗。
       显然，大数据与大算力所带来的想象空间是无界的，正如任何一次重大的技术革命，其影响之广泛总是超乎想象。对于像萨金特这种“最强大脑”们来说，如今尽享数据与算力之便的机器学习，就是突破想象空间的原点。
       从更多的数据、更强的算力，到更好地在机器学习领域处理数据，在萨金特这里，基于信息理论的各种模型，一直在其中发挥关键作用，从而体现出机器学习的优势。利用模型来认识世界，不是新事物，但正如萨金特所指出的，如果模型包含了“不可数的参数空间”，机器是没有办法学习的。不过，在大数据、大算力的加持之下，如今信息理论在这方面可以发挥的作用更大了，即基于信息理论的核心概念“信息熵”，用“最大熵”原则去指导机器学习的发展方向，而这样的计算在机器学习领域对应着非常漂亮的公式，正是机器学习的优势所在。
       现实世界并不是理想的、理性的，这个问题对合理模型的构建提出了挑战。然而萨金特指出，模型可能不是尽善尽美的，有一些问题的，但是依靠大数据、通过（界限值的）对比（或参照），我们还可以进行相应的选择。
       在萨金特的演讲中，漂亮的函数和模型永远不会缺席，作为处理数据的方法和工具，萨金特对他们的喜爱和信心溢于言表。人工智能时代的机会，可能就藏在萨金特对它们的赞美之中。在经济学领域，萨金特作为理性预期学派的领袖人物而知名，这个影响广泛的学派，有一个与人工智能一样“乐观”的基础——基于这个学派的假说来构建模型时，经济学家认为人是可以预测未来的。
       不仅如此，萨金特从经济学向人工智能领域的跨界，实际上也带去了其在经济学领域的开创性发现、为人工智能提供了新的思维方式。
       不同学科与人工智能领域的互动其实是双向的。萨金特之前受访时曾透露，旧金山联储主席威廉姆斯，已经将一些复杂的人工智能模型引入到政策制定中。这一成果，源于萨金特将其经济理论与人工智能的结合，在萨金特看来，人工智能代理模型越接近理性预期模型，人工智能代理就越智能化。人工智能细化和促进了理性预期模型。
       对人工智能领域来说，正如在萨金特的研究中所体现出来的，在当前阶段从各个领域广泛汲取营养可能是必要的。“有好多应用科学像工程学、物理学、经济学，我们会建立一些模型模拟世界运营……我们的目的是希望解释我们所观察到的世界上的现象，而我们关键的工具是使用模型，然后放到电脑里模拟。”萨金特从来不缺少对跨学科的研究和论断，而事实上，现代科学或科技最重要的成果，几乎无不是建立在大量的交叉研究基础之上，而人工智能作为软、硬结合且尚待重大突破的一门科学，显然也应如此。
       如历届诺贝尔奖中所体现的那样，萨金特在2011年获得诺贝尔经济学奖，一方面在于开创性的研究，另一方面，其实也在于乐观地回应了外界对于现实经济问题的关切。当前外界对于人工智能同样不乏关切，而像萨金特这样的领袖型学者，拥有前瞻、多维的视角和方法，并且从不缺少对这一领域的信心，无疑是回应世界关切的最好人选。
       相比22年前深蓝击败了人类象棋冠军所引起的轰动，今天的“理性预期”告诉我们，人工智能之路可能依然还有很长，但却已经很宽。

Returns List