相比于之前的歷次技術進步，“人工智能革命”所引發的沖擊更為巨大，其對經濟學造成的影響也將更為廣泛和深遠。人工智能技術的突飛猛進，對經濟社會的各個領域都產生了重大影響，這種影響當然也波及到了經濟學。很多一線經濟學家紛紛加入了對人工智能的研究，不少知名學術機構還組織了專門的學術研討會，組織學者對人工智能時代的經濟學問題進行專門的探討。事實上，經濟學家并不是最近才開始關注人工智能的。在理論層面，經濟學對決策問題的探討與人工智能所研究的問題有很多不謀而合之處，這決定了兩門學科在研究上存在著很多交叉之處。

前言

從歷史上看，經濟學家對人工智能的理論關注至少有過三次高潮：

第一次高潮是上世紀五六十年代，人工智能這門學科的奠基之初。當時，有不少經濟學家參與了這一學科的建設。例如，諾貝爾經濟學獎得主Herbert Simon就是人工智能學科的創始人之一，也是“符號學派”的開創者。在他看來，經濟學和人工智能有不少共通之處，它們都是“人的決策過程和問題求解過程”，因此在進行人工智能研究的過程中，他融入了不少經濟學的思想。

第二次高潮是在本世紀初。當時，經濟學在博弈論、機制設計、行為經濟等領域都取得了不少的進展，這些理論進展被頻繁地應用在人工智能領域。

最近經濟學家對人工智能問題的關注是第三次高潮。這次高潮主要是在以深度學習為代表的技術突破的推動下發生的，由于深度學習技術強烈依賴于大數據，因此在這輪高潮中的不少討論集中在了與數據相關的問題上，而在對人工智能進行建模時也重點體現出了規模經濟、數據密集等相關的性質。

至于應用層面，經濟學和人工智能這兩個領域的互動更為頻繁。目前，在金融經濟學、管理經濟學、市場設計等領域都可以看到人工智能的應用。

從總體上看，最近有關人工智能的經濟學大致可以分為三類：

第一類研究是將人工智能視為分析工具。

一方面，人工智能的一些技術可以與傳統的計量經濟學相結合，從而克服傳統計量經濟學在應對大數據方面的困難。應用這些新的計量技術，經濟學家可以探索和構建新的經濟理論。另一方面，人工智能的發展也為采集新的數據提供了便利。借助人工智能，諸如語音、圖像等信息都可以較為容易地整理為數據，這些都為經濟學研究提供了重要的分析材料。

第二類研究是將人工智能作為分析對象。

從經濟學角度看，人工智能具有十分鮮明的性質。首先，人工智能是一種“通用目的技術”（General Purpose Technology，簡稱GPT），可以被應用到各個領域，其對經濟活動帶來的影響是廣泛和深遠的。現在，在分析經濟增長、收入分配、市場競爭、創新問題、就業問題，甚至是國際貿易等問題時，都很難回避人工智能所造成的影響。其次，人工智能是一種強化的自動化，它會對勞動力產生替代，并造成偏向型的收入分配結果。再次，當前的人工智能技術發展強烈依賴與大數據的應用，這就決定了它具有很強的規模經濟和范圍經濟，這兩個特征對產業組織、競爭政策、國際貿易等問題都會產生重要影響。以上的所有這些特征共同決定了分析和評估人工智能對現實經濟造成的影響應當成為經濟學研究的一個重要話題。

第三類研究是將人工智能作為思想實驗。

作為一門學科，經濟學是建立在理想化的假設基礎之上的。在現實中，很多假設并不成立，因此經濟學的預言就和現實存在著一定的差距。而人工智能的出現，從某種意義上來講是為經濟學家提供了一個可能的、符合經濟學假設的環境。這同時也為檢驗經濟理論的正確性提供了一個場所。

在本文中，筆者將對最近幾年來有關人工智能的經濟學文獻進行梳理，對相關的重要文獻進行介紹?？紤]到在上述三類研究中，第三類的科幻性較強，而科學性相對不足，因此本文將暫時不涉及這類研究，對此感興趣的讀者可以自行參考Hanson（2016）等代表性文獻。

一、人工智能的相關概念簡介

在正式展開對人工智能經濟學的討論之前，我們需要先對文獻中經常提及的幾個概念——“人工智能”、“機器學習”和“深度學習”進行一下解釋。初略來講，人工智能的概念是最大的，機器學習是其的一個分支學科，而深度學習又是機器學習的一個分支（如圖1）。

圖1：人工智能、機器學習和深度學習的關系

在最廣的意義上，人工智能是“讓智能體（agent）在復雜環境下達成目標的能力”。關于智能體應該怎樣達成目標，不同的學者有不同的理解。早期的學者認為，人工智能應當模仿人類的思考和行動，其目的在于創造出能和人類一樣思考的機器。

而較近的一些學者則認為，人類的思維方式只是一種特定的算法，人工智能并不一定要模仿人類，而應該在更廣的范圍上讓智能體合理地思考和行動。以LeCun、 Tagmark為代表的一些學者甚至認為一味模仿人腦只會限制人工智能的發展。人工智能包括很多分支學科，例如機器學習、專家系統、機器人學、搜索、邏輯推理與概率推理、語音識別與自然語言處理等。

機器學習（Machine Learning）是人工智能的一個分支學科，是實現人工智能的一種方法。它使用算法來解析數據，從中學習，然后對真實世界中的事件做出決策和預測。和傳統的為解決特定任務而專門進行編程的思路不同，機器學習“讓計算機擁有在沒有明確編程的條件下擁有學習的能力”，并通過對大量數據的學習找出完成任務的方法。

根據學習的特征，機器學習可以分為三類：有監督學習（Supervised Learning）、無監督學習（Unsupervised Learning）和強化學習（Reinforcement Learning）。

有監督學習是通過對有標簽的數據樣本（a sample of labelled data）進行學習，從而找出對輸入和輸出之間的一般性法則。例如，對于房地產企業來說，他們擁有大量房屋屬性，以及房價信息的數據，如果他們希望對這些數據進行學習，通過建模找出房價和各類房屋屬性之間的關系，那么這個過程就是有監督學習。進行有監督學習的算法主要有兩類，一類是回歸（Regression）算法，另一類是分類（Classification）算法。

無監督學習所面對的數據樣本則是沒有標識的，其任務在于通過學習這些數據從而找出數據中隱藏的潛在規律。例如，藝術鑒賞家經常需要對名畫的流派進行鑒定。顯然，在任何一張畫上都不會存在任何明確標識的特征信息，因此鑒賞家們只能通過大量欣賞畫作去增加主觀體驗。久而久之，他們會發現某些畫家會固定使用一些作畫技巧，通過對這些技巧的識別，他們就能對畫作的流派進行鑒定。在這個過程中，鑒賞家們的學習就是無監督學習。聚類（Clustering）算法進行無監督學習的主要算法。

強化學習是在動態環境中進行的學習，學習者通過不斷試錯，從而使得獎勵信號最大化。例如，學生通過做習題來溫習功課，每次做完習題后，老師都會批改習題，讓他們知道哪些題做對了，哪些題做錯了。學生根據老師的批改，找出錯誤、糾正錯誤，讓正確率不斷提高，這個過程就是強化學習。

近年來備受關注的深度學習（Deep Learning）是機器學習的一個研究分支。它利用多層神經網絡進行學習，通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。在傳統的條件下，由于可供學習的數據過少，深度學習很容易產生“過度擬合”等問題，因而影響其效果。但隨著大數據的興起，深度學習的力量就開始體現出來。今年來人工技術的迅速發展，很大程度上是由深度學習的發展推動的。

二、作為研究工具的人工智能

人工智能是經濟學研究的有力工具。一方面，人工智能中的機器學習目前已開始逐步融入計量經濟學，在經濟學研究中有了較多應用。另一方面，語音識別、文本處理等技術也為經濟學研究的素材收集提供了便利。在本節中，我們不對人工智能在素材搜集上的應用進行探討，只集中討論機器學習在經濟學中的應用。由于這個原因，在本節中“人工智能”和“機器學習”可以被視為是同義詞。

（一）人工智能對計量經濟學的影響

1、計量經濟學與機器學習：從孤立到融合

統計學關注的問題有四個：（1）預測（Prediction），（2）總結（summarization），（3）估計（estimation），以及（4）假設檢驗。計量經濟學是統計學的一個子學科，因此以上四個問題同樣也是其關心的主題。但作為一門為經濟學研究服務的統計學，計量經濟學對于因果關系的關注是更為突出的，因此它更強調總結、估計和假設檢驗，而對于預測的關注則相對較少。由于強調對因果問題的解釋，所以計量經濟學對估計結果的無偏性和一致性予以了特別的關注，將大量精力投入到了解決“內生性”等可能干擾估計結果一致性的問題上。

相比于統計學和計量經濟學，機器學習是一門更為應用性的學科。它所關注的問題更多是預測，而不是對因果關系的探究。因為這個原因，決策樹（Decision Tree）、支持向量機（SVM）等分類模型，以及在計量經濟學中很少被用到的嶺回歸（Ridge Regression）、套索算法（LASSO）等，都在機器學習中被大量使用。

由于關注的焦點不同，傳統上計量經濟學和機器學習之間的交集很小，在某些情況下，兩者甚至存在著一定的矛盾。Athey（2018）曾給出過一個例子：假設我們手頭有一批旅館的入住率和價格的數據。如果我們要利用價格來預入住率，那么得到的模型通常顯示入住率和價格之間存在著正向關系。理由很簡單，當旅館發現自己的更受歡迎時，會傾向于抬高自己的價格。但如果我們考慮的問題是當企業降價時會有什么后果，那涉及到的就是因果推斷問題。此時，根據需求定律，如果我們的設定沒有出錯，那么所得到的模型通常會顯示入住率和價格之間存在著負向關系。

但隨著大數據時代的到來，這兩個學科之間的交集開始逐漸增大。

一方面，在大數據條件下機器學習的方法逐漸展現出了其應用價值。傳統計量經濟學關注的都是樣本較小、維度較低的數據，對于這樣的“小數據”，傳統計量方法是可以較好應付的。但是當數據的數量和維度極具擴大后，這些方法就開始變得捉襟見肘了。例如，在計量分析時，研究者會很習慣于將大量的被解釋變量都加入到模型，然后對其進行估計。這在數據量較小時能行之有效，但當數據量極為龐大時，其對于運算能力的要求將是驚人的。這就要求研究者必須先對模型進行“降維”，找出最關鍵的那些解釋變量，此時機器學習的一些算法，例如LASSO就會起到作用。

另一方面，機器學習可以為尋找因果關系提供啟發。因果推斷的方法通常是針對一個定義良好（well-defined）的模型采用的，而在現實中，研究者事實上甚至不了解應該選擇怎樣的模型。此時，機器學習的方法就有了用武之地。Varian（2014）曾經舉過一個泰坦尼克號乘客年齡與幸存概率的例子。他利用了兩種方法對這一問題進行了分析，其中一種是在尋求因果關系時常用的Logit模型，而另一種則是機器學習中常用的決策樹方法。根據Logit模型，乘客年齡和幸存率之間的關系并沒有顯著的關系。而決策樹模型則顯示，兒童和60歲以上的老年人會擁有更高的生存概率，這是因為在泰坦尼克號沉沒之前，老人和孩子被允許優先逃離。很顯然，在這個例子中，決策樹能夠為我們帶來更多的有價值信息，有了這些信息，研究者就可以構建進一步的模型來進行因果推斷。

這里值得說明的是，如果訓練集很小，那么機器學習的算法很容易會導致過度擬合（overfit）的問題，此時其優勢很難體現出來。而在大數據條件下，過度擬合問題的影響大大減小，其價值也就顯露了出來。

2、機器學習在因果推斷中的應用

前微軟首席經濟學家、斯坦福大學教授Susan Athey曾在Science上發文討論了機器學習在因果推斷和政策評估中的作用。她指出，過去更多被用于預測的機器學習在因果推斷領域有很強的應用前景，未來的計量經濟學家應當更多將機器學習的技術與現有的計量經濟理論相結合。

機器學習在因果推斷中的第一個應用是將用來取代常規方法中一些不涉及因果關系的步驟。例如，在因果推斷分析中，傾向性得分匹配法（Propensity Score Matching）是經常被用到的。使用這一方法的第一步是要依賴于核估計等方法計算出傾向性得分，而這些估計在協變量眾多的情況下是難以進行的。為了在眾多的協變量中篩選出有用的部分，一些研究者就提出了將LASSO、Booting、隨機森林等常用于機器學習的算法應用到協變量篩選的過程中去，然后再用得到的結果按照傳統的步驟進行匹配。

機器學習在因果推斷中的第二個應用是對異質性處理效應的估計。過去的因果關系推斷，主要是在平均意義上展開的，其關注的焦點是平均處理效應（Average Treatment Effect，簡稱ATE）。這樣的分析固然有重要的價值，但在不少情況下它并不能滿足實際應用的需要。舉例來說，當醫生決定是否要對一位癌癥病人采用某項療法時，如果他僅知道平均來看這種療法可以讓病人的存活時間增加一年，這顯然是不夠的。由于同一療法對于不同病人的效果區別很大，因此在決定是否采用該療法時，醫生就需要進一步知道不同特質的病人在采用這種療法時會有怎樣的癥狀。換言之，除了ATE外，他還需要關注異質性的處理效應（Heterogeneous Treatment Effect）。

Athey and Imbens（2015）將機器學習中常用的分類回歸樹（Classification and Regression Trees）引入到了傳統的因果識別框架，用它們來考察異質性處理效應。他們比較了四種不同的分類回歸樹算法——單樹法（Single Tree）、雙樹法（Two Trees）、轉化結果樹法（Transformed Outcomes Tree）以及因果樹法（Causal Tree），并特別強調了因果樹法的作用。Wager and Athey（2015）推廣了因果樹方法，討論了如何用隨機森林（Random Forest）來處理異質性處理效應。Hill（2011）、Green and Kern（2012）則采用了另一種思路——貝葉斯可加性回歸樹（Bayesian Additive Regression Tree，簡稱BART）來考察異質性處理效應，這種方法在某種意義上可以被視為是貝葉斯版的隨機森林方法。不過，BART方法的大樣本性質目前仍然是不清楚的，因此其應用還存在著一定的局限。

關于機器學習在因果推斷中的應用的更多介紹，可以參考Athey and Imbens（2016）的綜述。這里有兩點需要強調。首先，因果推斷理論和機器學習理論的交叉并不是單向的。以圖靈獎得主Judea Pearl為代表的一些人工智能專家認為，現在強人工智能技術不能得到突破的原因就在于現有的機器學習理論沒有考慮因果性。如果沒有因果性，就不能進行反事實分析（Counterfactual Analysis），智能體就無法應對紛繁復雜的現實情況。因此，這些學者建議，未來的機器學習應當考慮吸納因果推斷理論的成果，為實現自動化推理奠定基礎。其次，在機器學習領域發展最快的深度學習到目前為止并沒有在經濟學研究中發揮作用。這可能是因為深度學習的學習過程本身是一個黑箱，不適合被用來作為因果識別的工具所致。

（二）人工智能在行為經濟學中的應用

人工智能可以為行為經濟學的研究提供一種思路。相對于傳統的經濟學，行為經濟學的研究方法是十分開放的，它試圖通過納入其他學科（例如心理學、社會學）的理論，來解釋傳統經濟學所不能解釋的人類行為?？赡芙忉屓说男袨榈淖兞亢芏?，究竟哪些變量真正有用就稱為了問題，此時機器學習的方法就可以被用來幫助研究者選出那些真正有價值的變量。

目前，已有一些行為經濟學的文獻借用了機器學習的方法。例如，Camerer，Nave and Smith（2017）在分析“非結構化談判”（unstructured bargaining）問題時采用了機器學習的方法，用其來幫助尋找影響談判結果的行為要素。Peysakhovich and Naecker（2017）則利用機器學習的方法對人們在金融市場中的風險選擇問題進行了研究。

除了指出機器學習在分析中的應用外，Camerer（2017）還將機器學習和人類的決策進行了對比。在他看來，人類的決策可以被認為是一種不完美的機器學習。過度自信、對于錯誤很少改正等行為缺陷在某種意義上可以被認為是機器學習中的“過度擬合”問題。從這個角度出發，Camerer認為人工智能的發展將會有助于人類更有效地進行決策。

三、作為研究對象的人工智能

作為一種新技術，人工智能技術已經進入了經濟生活的各個領域，對生產、生活的各個方面都產生了重大影響。目前，已經有不少文獻對這些影響進行了分析。在本節中，我們將分領域對這些研究進行一些簡要的介紹。

（一）人工智能與經濟增長

1、關于人工智能與經濟增長的理論探討

從理論淵源上看，關于人工智能對經濟增長影響的討論其實是關于自動化對經濟增長影響討論的延續。Zeira（1998）年曾提出過一個理論模型，用來分析自動化的增長效應的模型。在這個模型中，某一產業的產品可以通過兩種技術——手工技術和工業技術進行生產。

在這兩種技術中，手工技術所需的勞動力投入更高，但所需的資本投入卻更低。究竟兩種技術中的哪一種被用來進行生產，取決于技術水平。如果生產率很低，那么更多依靠手工技術進行生產就更有利；而當生產率突破了一定的臨界點時，轉而采用工業技術進行生產就會變得更合算。

這樣，技術進步就會產生兩個效應：一是直接對生產效率的提升；二是通過自動化來實現生產方式的改變。一個經濟中有很多產業，不同產業實現自動化的臨界條件不同，因此生產率的增長和自動化的程度將呈現一種連續函數關系。當自動化程度較高時，經濟中的資本回報份額也就越高，因此當經濟處于最優增長路徑時，增長率將主要取決于兩個條件：生產率的增長速度，以及經濟中的資本回報份額，更高的生產率，以及更高的資本回報份額都會讓經濟獲得更高速的增長。

Aghion et al（2017）對人工智能對經濟增長的可能影響進行了全面的分析。他們的分析是從“人工智能革命”的兩個效應——自動化和“鮑莫爾病”出發的。一方面，和其他任何的技術進步一樣，人工智能的應用會在導致生產率提升的同時促進自動化進程的加速。這將會導致生產過程中人力使用的減少，從會讓經濟中的資本回報份額增加。但另一方面，“人工智能革命”也會遭遇所謂的“鮑莫爾病”，即非自動化部門的成本的提升，這會導致經濟中資本回報份額的降低。一般來說，隨著經濟的發展，經濟中的落后部門對經濟發展的影響將會變得更為重要。在這種條件下，“鮑莫爾病”的影響將會變得更加不可忽視。

將兩種效應綜合起來看，人工智能的使用對經濟增長的影響將是不確定的。雖然人工智能的使用可以確定地讓生產率增長速度得到提升，但至少從短期看，它對于資本回報份額的影響卻是不確定的。因此，并不能確定經濟增長率究竟會如何變化。

在正常條件下，資本的回報份額不會無限上升，在穩態時它會維持在某個小于1的值，此時經濟增長的速度將主要依賴于生產率的變化速度。據此可以得出結論，人工智能究竟如何影響經濟增長，將主要取決于其對技術進步率的影響方式。如果人工智能帶來的只是一次短期的沖擊，那么它只會讓生產率產生一次性的增加，其作用將是暫時的。而如果人工智能的應用會帶來生產率的持續增加，那么經濟增長率也將隨之持續增加，從而出現“經濟奇點”。在幾位作者看來，“經濟奇點”出現的最關鍵條件是突破知識生產這一瓶頸。這點是否能夠實現，主要要看人工智能是否可以真正取代人類進行知識生產。

在論文中，幾位作者還對增長的分配效應進行了探討。在他們看來，人工智能技術的應用將會引發“技術偏向型”的增長，讓高技能的工人獲益，低技能的工人受損。而由技術導致的企業組織結構變化會強化這種效應——密集使用人工智能技術的企業會向本企業內部職工支付較高的工資，同時將一些技術含量較低的生產環節外包給工資更低的低技能工人。由這些因素造成的收入分配效應將是不容忽視的。

值得一提的是，在Aghion et al（2017）的討論中，決定人工智能對增長影響的一個關鍵因素是人工智能會對創新、對知識生產產生怎樣的作用，但關于這個問題，幾位作者并沒有作更多的展開分析。Agrawal et al（2017）的論文對此進行了補充。這篇論文借鑒Weitzman（1998）的觀點認為，知識生產的過程很大程度上是一種對原有知識的組合過程，而人工智能的發展不僅有助于人們發現新的知識，更有助于人們將既有的知識進行有效的組合。幾位作者在Jones（1995）的模型中植入了知識組合的過程，用這個新模型來分析了人工智能技術的影響。結果發現，人工智能技術的引入將通過促進知識組合來讓經濟實現顯著的增長。

2、關于人工智能與經濟增長的爭論

關于人工智能會對經濟增長產生怎樣的影響，存在著很多的爭議。在本節中，我們將對兩個重要的爭論進行討論。第一個爭論是，人工智能技術究竟能否真正帶來經濟增長。第二個爭論是，人工智能技術是否可以真正引發“經濟奇點”（Economic Singularity）的到來。

（1）人工智能是否能帶來經濟增長

關于這個問題的討論，實際上是關于 “索洛悖論”（Solow Paradox）的討論的繼續?！八髀邈Ｕ摗庇址Q“生產率悖論”（Productivity Paradox），是由Robert Solow在探討計算機的影響時提出的。當時，他感嘆道：技術轉變隨處可見，但在統計數據卻沒有顯示技術對增長產生的影響。此后，有不少研究都佐證了Solow的這個觀察，認為包括計算機、互聯網等新技術的出現并沒有對經濟增長產生實質性的影響。

這類觀點的代表人物是Tyler Cowen和Robert Gordon。Cowen在一部暢銷書中指出，被認為十分重要的計算機、互聯網技術并沒有像之前的技術革命那樣讓生產率獲得突破性的進步，并且從目前的技術發展看看，所有“低垂的果實”都已經被摘盡了，因此經濟將會陷入長期的“大停滯”。而Gordon則由對美國的經濟增長狀況的長期趨勢進行分析發現，最近的技術進步實際上只帶來了很低的生產率進步。

人工智能技術的興起也同樣遭遇了“索洛悖論”的質疑。盡管從直觀上看，人工智能對生產生活的各個方面都產生了重要影響，但到目前為止，經驗證據卻同樣難以對這種影響給予證實。在一次著名的辯論中，Gordon等學者對人工智能的作用提出了質疑，認為人們對其的期盼顯然是過高了。

針對“技術懷疑論者”的質疑，以Brynjolfsson為代表的“技術樂觀派”旗幟鮮明地表達了反對。在Brynjolfsson及其合作者看來，以計算機、互聯網為代表的現代技術毫無疑問對提高生產率和促進經濟增長起到了關鍵作用，而人工智能等新技術的影響可能還要更為巨大。

至于為什么從統計中并不能看出人工智能等技術的貢獻，Brynjolfsson et al（2017）給出了詳細的討論。在他們看來，有四種可能的原因可以被用來解釋人們對技術進步的主觀感受和統計數據之間的背離。

第一種解釋是“錯誤的希望”（false hopes），即人們確實高估了技術進步的作用，而實際上技術并沒有能帶來人們所期盼的生產率進步。

第二種解釋是“測量誤差”（mismeasurement），即統計數據并沒有真正反映出技術進步所帶來的產出，因而就對其增長效應做出了低估。

第三種解釋是“集中化的分配和租值耗散”（concentrated distribution and rent dissipation），即盡管人工智能等新技術確實可以帶來生產率的增長，但只有部分明星企業享受到了由此帶來的好處。這不僅加劇了收入分配的不平等，也讓少數企業獲得了更高的市場力量，而這些因素反過來會導致生產率的下降。

第四種解釋是執行滯后 （implementation lag）。新技術作用的發揮，需要配套的技術、基礎設施，以及組織結構的調整作為基礎。而在目前看來，這些配套工作是相對滯后的，因此就可能導致人工智能的力量不能充分得到發揮。

幾位作者在對上述四種可能的解釋進行了逐一檢驗后發現，最后一種解釋是最有說服力的。因此，他們認為人工智能的作用是不可忽視的，但現階段滯后的配套工作限制了其作用的發揮。隨著相關配套工作的完成，“人工智能革命”的力量將會逐步釋放出來。

（2）人工智能是否會帶來“經濟奇點”

“奇點”（Singularity）最初是一個數學名詞，指的是沒有被良好定義（例如趨向于無窮大），或者出現奇怪屬性的點。未來學家Kurzweil在自己的書中借用了這個名詞，用來指人工智能超越人類，從而引發人類社會劇變的關鍵時刻。而所謂“經濟奇點”，指的則是一個關鍵的時間點，當越過這個時間點后經濟將保持持續增長，并且增長速度會持續加快。

在歷史上，有不少經濟大師曾對“經濟奇點”有過憧憬，宏觀經濟學的創始人凱恩斯、諾貝爾獎得主赫爾伯特·西蒙都是其中的代表。盡管截止目前這些憧憬都沒有變成現實，但隨著人工智能技術的發展，關于“經濟奇點”的討論又開始高漲。一些“技術樂觀派”學者認為，由于人工智能可以大幅提升生產率，并且可以完成很多人類無法完成的任務，因此“經濟奇點”不久就會到來。

這種“技術樂觀派”的觀點引發了很多爭議。Nordhaus（2015）從經驗方面對此給出了質疑。Nordhaus指出：首先，隨著新技術的發展成熟，它們的價格急劇下降，因此它們的相關產業對經濟的貢獻也迅速下滑。這意味著，相對落后的產業，而非新產業將成為經濟增長的關鍵。其次，盡管人們給予了互聯網、人工智能等新技術很多希望，但它們并沒有能切實帶來生產率的大幅度提高。再次，至少從美國的現實看，目前投資品的價格并沒有出現急速的下滑，投資也沒有出現迅速增長的勢頭。

綜合以上幾點分析，Nordhaus認為“經濟奇點”可能還只是一個遙遠的夢想。Aghion et al（2017）從理論上對“經濟奇點”進行了分析。他們認為，“經濟奇點”是否能到來，主要要看知識增長的瓶頸能否打破。盡管內生增長模型已經說明了知識作為一種產品是可以生產的，但這個過程是需要人的參與的。隨著經濟增長的進行，人口增長減緩，能作為生產要素投入到知識生產過程的人力也會減少。除非人工智能可以替代人類從事創意工作、進行知識生產，否則這一重要瓶頸就很難被突破。而至少在現在，人工智能還沒有發展到這一水平。

（二）人工智能與就業

技術的進步在推進生產率提升的同時，會帶來“技術性失業”。作為一項革命性的技術，人工智能當然也不例外。與以往的歷次技術革命相比，“人工智能革命”對就業的沖擊范圍將更廣、力度將更大、持續也將更久。

目前，人工智能對就業的可能沖擊已經成為了重要的政策話題，有不少文獻對此進行了探討。需要指出的是，由于在討論人工智能對就業和收入分配的影響時，通常把人工智能作為一種強化版的自動化來處理，因此在以下兩節中，我們在介紹人工智能影響的文獻外，還將介紹自動化和機器人影響的文獻。

1、關于人工智能和自動化就業影響的理論分析

Autor et al（2003）提出的ALM模型是研究人工智能和自動化的就業影響的基準模型。在ALM模型中，生產需要兩種任務——程式化任務和非程式化任務配合，其中程式化任務只需要低技能勞動，而非程式化任務則需要高技能勞動。在幾位作者看來，自動化只能用來完成程式化任務，而不能用來完成非程式化任務，因此它對低技能勞動形成了替代，而對高技能勞動則形成了互補。在這種假設下，自動化的沖擊將是偏向性的，它對低技能勞動者造成損害，但卻會給高技能勞動者帶來好處。Frey and Osborne（2013）對ALM模型進行了拓展。在新的模型中，而非程式化任務則既需要程式化勞動需要高技能勞動和低技能勞動的共同投入。在這種設定下，自動化對于高技能勞動者的作用將是不確定的，在一定條件下它們也會受到自動化的損害。

Benzell et al（2015）在一個跨期迭代（OLG）模型中討論了機器人對勞動力進行替代的問題。他們指出，在一定條件下，機器人可以完全替代低技能工作，并替代一部分高技能工作，這會導致對勞動力需求的減少和工資的下降。雖然在采用機器人后，由生產率提升會帶來的價格下降可以在一定程度上改善勞動者福利，不過從總體上講它并不能完全彌補就業替代對勞動力造成的損害。因此，幾位作者認為機器人的使用可能會帶來所謂的“貧困化增長”（Immiserizing Growth）——雖然經濟增長了，但社會福利卻下降了。為了防止這種現象的發生，幾位作者建議要推出針對性的培訓計劃，并對特定世代的人群進行補貼。

Acemoglu and Restrepo構造了一個包括就業創造的模型。在模型中，自動化消滅某些就業崗位的同時，也會創造出勞動更具有比較優勢的新就業崗位，因此其對就業的凈效應要看兩種效應的相對程度。他們發現，在長期均衡的條件下，結果取決于資本和勞動的使用成本。如果資本的使用成本相對于工資足夠地低，那么所有職業都將被自動化；反之，自動化就會有一定的界限。此外，幾位作者還指出，如果勞動本身是異質性的，那么自動化的進行還將導致勞動者內部收入差異的產生。

2、關于人工智能和自動化就業影響的實證分析

Autor et al （2003）對1960-1998年的美國勞動力市場進行了分析。結果發現在1970年之后，“計算化”（Computerization）導致了“極化效應”——對程式化工作的需求大幅下降，但同時導致了對非程式化工作需求的增加。尤其是在1980年之后，這種趨勢更加明顯。Goos and Manning（2007）利用英國數據對ALM模型的結論進行了檢驗，結果發現技術進步在英國也導致了“極化效應”的出現。隨后，Autor and Dorn（2013）、Goos et al（2014）等文獻分別對美國和歐洲的數據進行了分析，也同樣發現了“極化效應”的存在——在技術進步的沖擊下，大批制造業的就業機會被服務業所搶占。

Graetz and Michaels（2015）分析了1993-2007年間17個國家的機器人使用及經濟運行狀況。發現平均而言機器人的使用讓這些國家的GDP增速上漲了0.37個百分點。同時，機器人的使用還讓生產率獲得了大幅增加，并減少了中、低端技能工人的勞動時間和強度。Acemoglu and Restrepo（2017）利用1990年到2007年間美國勞動力市場的數據進行了研究。結果發現，機器人和工人的比例每增加千分之一，就會減少0.18%-0.34%的就業崗位，并讓工資下降0.25%-0.5%。

3、關于人工智能和自動化就業影響的預測和趨勢分析

除了實證研究外，也有不少學者采用不同的方法對人工智能對就業的影響進行了預測，其結果相差很大。Frey and Osborne（2013）曾對美國的702個就業崗位被人工智能和自動化替代的概率進行了分析，結果表明47%的崗位面臨著被人工智能替代的風險。Chui，Manyika，and Miremadi， （2015）則預測，美國45%的工作活動可以依靠現有技術水平的機器來完成；而如果人工智能系統的表現可以達到人類中等水平，該數字將增至58%。相比之下，Arntz， M.， Gregory，T.， and Zierahn（2016）的預測則要樂觀得多，他們認為OECD國家的工作中，只有約9%的工作會被取代。在國內，陳永偉和許多（2018）用Frey and Osborne（2013）的方法對中國的就業崗位被人工智能取代的概率進行了估計，結果顯示在未來20年中，總就業人的76.76%會遭受到人工智能的沖擊，如果只考慮非農業人口，這一比例是65.58%。

除了基于計量方法的預測外，也有一些經濟史學者根據歷史經驗對人工智能的就業影響進行了分析。在一次麻省理工學院組織的研討會上，Gordon指出從第一次工業革命以來的這250年間，還沒有哪個發明引起了大規模的失業。盡管工作崗位持續地在消失，卻有更多的就業機會涌現了出來。在他看來，同樣的機制將會保證“人工智能革命”并不會造成劇烈的沖擊。而Mokyr則認為，隨著經濟的發展，服務性行業的比例將會上升，這些行業相對來說較難被人工智能所替代。即使人工智能替代了其中的一部分崗位，但老齡化等問題會帶來巨大的勞動力需求，由此提供的就業崗位將足以抵消人工智能帶來的影響。

此外，還有一些學者認為在分析人工智能的就業影響時，應當綜合考慮其他各種因素。例如Goolsbee（2018）認為現有的研究大多是從技術可行性角度去思考人工智能的就業影響，而沒有分析價格因素和調整成本，也沒有考慮沖擊的持續時間。顯然，如果忽略了這些因素，只是抽象地說人工智能會替代多少勞動力，其政策意義將大打折扣。

4、對于人工智能就業影響的政策探討

盡管不同學者關于“人工智能革命”影響的估計存在很大差異，但大部分學者都認為，同歷史上的各次技術革命一樣，“人工智能”在長期將會創造出足夠多的新崗位以代替被其摧毀的崗位，因此問題的關鍵就是通過政策平滑好短期的沖擊，讓就業結構完成順利轉換。

應對短期就業沖擊的最重要政策是加強教育。很多研究指出，“人工智能革命”對就業的最大影響并不是讓就業崗位絕對減少了，而是從舊崗位被淘汰的那部分勞動者不適應新崗位。因此，為了讓勞動者們適應新崗位，政府應當負責提供教育和職業指導。由于“人工智能革命”的沖擊是持續性的，因此相關的教育也應當有持續性。為了解決失業人員的培訓支出，可以探索“工作抵押貸款”，讓失業人員以未來獲得的工作為抵押來獲取貸款，用以進行相關培訓。

（三）人工智能與收入分配

人工智能可能通過多個渠道對收入分配發生影響。首先，從理論上講，人工智能是一種偏向性的技術（Directed Technical Change或Biased Technical Change），它的使用會對不同群體的邊際產出產生不同作用，進而影響他們的收入狀況。這中效應體現在兩個層次上，第一個層次是在不同要素之間，這主要會影響不同要素回報的分配；第二個層次是在勞動者內部，這主要影響不同技能水平的勞動者的收入分配。其次，人工智能的使用還會對市場結構造成改變，讓一些企業獲得更高的市場力量，進而讓企業擁有者獲得更多的剩余收入。當然，以上這些效應最終如何起作用，還和相關的政策有很大關系。

1、人工智能對于要素回報的影響

要素回報的差異是造成收入分配差別的最主要原因之一。近年來，資本回報率在全世界范圍內都呈現出了增加的趨勢，更多的收入和財富向少數資本所有者聚集，這導致了不平等的加劇。而人工智能技術的應用，則可能強化這種要素收益的不平等。

人工智能是一種“技術偏向性”的技術。一方面，它的普及將會減少市場上對勞動力的需求，進而降低勞動力的回報率；而與此同時，作為一種資本密集型技術，它可以讓資本回報率大為提升。在這兩方面因素的作用下，資本和勞動這兩種要素的回報率差別會繼續擴大，這會引發收入不平等的進一步攀升。

2、人工智能對不同勞動者的影響

技術的偏向性不僅體現在不同生產要素之間，還體現在勞動者群體內部，不同技能勞動者在面臨技術進步后，其收入變化會有很大差異。從性質上看，人工智能是技術偏向性的，它對于不同就業崗位的沖擊并不相同。人工智能的一個重要作用是自動化，而目前已有很多研究證明了自動化對不同技能勞動者帶來的不同影響。

在現階段，遭受自動化沖擊較為嚴重主要是那些以程式化任務為主，對技能要求較低的職業。自動化的普及不僅壓低了從事這些職業的勞動者的收入，還造成了相當數量的相關人員失業。而如此同時，自動化對那些非程式化、對技能要求較高的職業，則主要起到了強化和輔助作用，因此面對“人工智能革命”的沖擊，從事這些職業的勞動者的收入不僅沒有下降，反而出現了上升。盡管關于人工智能的技能偏向性的研究還較少，但從邏輯上講，作為一種實現高級自動化的技術，它也將會產生類似的效應。

需要指出的是，隨著人工智能技術的發展，自動化的范圍已經不再像過去那樣局限于程式化較強，對技能要求較低的職業，很多程式化較低、對技能要求很高的職業，如醫生、律師也面臨著自動化的沖擊。在這種背景下，當分析自動化的影響時就需要對自動化的類別進行分析。如果自動化是對低技能勞動進行替代，那么它將會擴大工資的不平等；而如果自動化是對高技能勞動進行替代，那么它或許將有助于縮小收入的不平等。

3、人工智能對利潤分配的影響

除了改變要素的邊際收益外，人工智能還會可能通過另一條間接渠道——改變市場力量來對收入分配產生影響。

經濟學的基本理論告訴我們，當市場結構不是完全競爭時，市場中的企業就可能獲得經濟利潤，而經濟利潤的高低則和企業的市場力量密切相關。近年來，世界各國的市場結構都呈現出了集中的趨勢，大量占據高市場份額的“超級明星企業”（Superstar Firms）開始出現，并憑借巨大的市場力量獲得巨額利潤。

不少學者認為，高技術的使用是導致“超級明星企業”一個重要原因，而人工智能作為一種重要的新技術顯然會強化這一趨勢。不過，就筆者所知，目前還沒有文獻對人工智能影響收入分配的這一渠道進行過專門的實證分析，因此這種猜測暫時只存在于理論層面。

4、政策對人工智能分配效應的影響

技術變遷的收入分配效應必然受到政策因素的影響，合理的政策措施可以讓技術變遷過程更有包容性，使所有人更好地共享技術變遷的成果。Korinek and Stiglitz（2017）曾對“人工智能革命”中的分配政策進行過討論。他們指出，盡管像人工智能這樣的技術進步可以讓社會總財富增加，但由于現實世界中的人們不可能完全保險，也不可能進行無成本的收入分配，因此就難以讓這些技術進步帶來帕累托改進，在一些人因技術進步受益的同時，另一些人則會受到損害。為了扭轉這種情況，政策的介入是必要的。政策必須對技術進步帶來的兩種效應——剩余的集中和相對價格的變化做出回應，而為了達到目的，稅收、知識產權政策、反壟斷政策等政策都可以發揮一定作用。Kaplan（2015）對相關收入分配政策進行了全面探討。他建議，考慮到人工智能對不同人群帶來的不同影響，應該考慮對那些因這項技術獲益的人征稅，用來補貼因此而受損的人們。Cowen（2017）指出，良好的社會規范將有助于政策作用的發揮，因此在進行收入分配時，必須要注意相關的社會規范的培育。

（四）人工智能與產業組織

毫無疑問，人工智能技術的發展將對產業組織和市場競爭產生極為顯著的影響。它將通過影響市場結構、企業行為，進而影響到經濟績效，而所有的這些現象都將對傳統的規制和競爭政策提出新的挑戰。

1、人工智能對市場結構的影響

人工智能對于市場結構的影響是通過兩個渠道進行的。

第一個渠道是技術的直接影響。使用人工智能技術的企業可以獲得生產率的躍升，這將使它們更容易在激烈的市場競爭中勝出。同時由于人工智能技術需要投入較高的固定成本，但邊際成本卻較低，因此這就能讓使用人工智能的企業具有了較高的進入門檻。這兩個因素疊加在一起，導致了市場變得更為集中。

第二個渠道是技術引發的企業形式變革。企業的組織形式是隨技術的變化而變化的。在人工智能技術的沖擊下，平臺（Platform）正在成為當今企業組織的一種重要形式。由于平臺通常具有“跨邊網絡外部性”，因而會導致“雞生蛋、蛋生雞”似的正反饋效應，這讓平臺企業可以迅速膨脹占領市場，并形成一家獨大的現象。 綜合以上兩種因素，人工智能技術的迅速發展推動了一批“超級巨星企業”企業的出現，并讓市場迅速變得高度集中。

需要指出的是，人工智能對于市場結構的影響不僅反映在橫向關系上，還反映在縱向關系上。Shapiro and Varian（2017）指出，由于機器學習的特殊性，那些采用機器學習的企業更傾向于垂直聯合以獲取更多數據并削減機器學習的成本。根據這一理論我們可以預見，隨著人工智能技術的發展，大型平臺企業對下游的并購趨勢將會加強，而推動這種并購整合的動因將不再是爭奪直接的利潤或市場份額，而是爭奪數據資源。

2、人工智能對企業行為的影響

人工智能技術的發展將會對企業的不少行為發生影響。很多以前難以采用的策略將會變成現實。

一個例子是算法歧視（Algorithmic Discrimination）。在傳統的經濟學中，由于企業的信息越蘇，“一級價格歧視”只在理論上出現。而在人工智能時代，借用大數據和機器學習，企業將有可能對每個客戶精確畫像，并有針對性地進行索價，從而實現“一級價格歧視”，獲得全部的消費者剩余。即使企業不進行“一級價格歧視”，人工智能技術也能夠幫助他們更好地進行二級或三級價格歧視，從而更好地攫取消費者剩余。

另一個例子是算法合謀（Algorithmic Collusion）。合謀一直是產業組織理論和反壟斷法關注的一個重要問題。市場上的企業可以通過合謀來瓜分市場，從而提升企業利潤的目的。產業組織理論的知識告訴我們，企業的這種合謀會導致產量減少、價格上升、消費者福利受損。但是，在傳統的經濟條件下，由于存在信息交流困難以及“囚徒困境”等問題，合謀是很難持久的。盡管從理論上講，重復博弈機制可以幫助企業合謀的實現，但事實上由于難以監督違約、難以懲罰違約，以及難以識別經濟信息等問題的存在，這也很難真正達成。但隨著人工智能技術的發展，過去很難達成的合謀將會變成可能。與過去不同的是，企業之間的合謀不再需要相互猜測合謀伙伴的行動，也無需要通過某個信號來協調彼此的行為。只要通過某種定價算法，這些問題都可以得到解決。在這種背景下，企業數量的多少、產業性質等影響合謀難度的因素都變得不再重要，在任何條件下企業都可以順利進行合謀。

除了算法歧視以及算法合謀外，人工智能技術的發展還會引發很多新的競爭問題。例如，平臺企業可以借助搜索引擎影響人們的決策，或者通過算法來影響人們在平臺上的匹配結果。

（五）人工智能與貿易

人工智能對于貿易產生的影響將是多方面的：其一，作為一種重要的技術進步，人工智能將對要素回報率產生重大影響，并改變不同要素之間的相對回報狀況，這會讓各國的動態比較優勢狀況發生明顯的變化。其二，作為一個新興的產業，人工智能的相關技術和人才也成為了貿易的重要對象，而各國的戰略性貿易政策將會對該產業的發展產生關鍵作用。其三，在微觀上，人工智能的使用也將影響企業的生產率狀況，根據“新新貿易理論”，這將會影響企業的出口決策。

不過，目前在現有文獻中直接討論人工智能與國際貿易的文獻還相對較少，就筆者所知，Goldfarb and Trefler（2018）是目前唯一一篇對這一問題進行專門討論的論文。在這篇論文中，兩位作者首先指出了人工智能產業的兩個重要特點：規模經濟以及知識密集。人工智能產業對于數據的依賴非常強，規模經濟的屬性決定了它們在人口基數更為龐大、各類交易數據更為豐富的國家（如中國）更容易得到發展。而知識密集的特征則決定了知識的擴散、傳播方式將對各國人工智能的發展起到重要影響。

在認識了人工智能產業的基本特征后，兩位作者討論了戰略性貿易保護政策在發展人工智能產業過程中的有效性。在兩位作者看來，傳統的戰略性貿易保護文獻有一個重要的缺陷，即只有當存在著利潤時，戰略性貿易保護政策才是起作用的。但是，一旦產業由于政府的保護而產生了超額利潤，只要進入門檻足夠低，更多的企業就會進入這個產業，直至利潤被壓縮到零。而在這種情況下，戰略性貿易保護政策就失效了。由于人工智能產業具有很強的網絡外部性，所以在這個產業中有企業先行發展起來，其規模就為其構筑起很高的進入門檻，這意味著即使產業有很高的利潤也不會有新企業繼續進入。在這種條件下，戰略性貿易保護政策就會變得更有效了。

兩位作者通過幾個模型對幾類政策，如補貼政策、人才政策，以及集群政策的影響進行了討論。他們指出，這些政策究竟是否能成功，主要要看人工智能所依賴的知識外部性究竟來自于本國范圍還是世界范圍。如果人工智能依賴的知識外部性主要來自于本國，那么政府就可以通過產業政策和戰略性貿易保護政策對企業進行有效扶持，從而讓企業在世界范圍內更具有競爭力。但如果人工智能依賴的知識外部性是全世界范圍內的，由于知識的擴散會相當容易，因此以上政策的作用就不會明顯。

在論文的最后，兩位作者著重對隱私政策進行了討論。從經驗上看，更強的隱私保護會限制企業對數據的獲取，進而會阻礙以數據為關鍵資源的人工智能產業的發展。因此，在實踐中，隱私保護政策經常被作為隱性的貿易保護政策來對付國外企業。但這兩位作者看來，這類政策也同時會損害本國企業，因此是不可取的。他們建議，出于支持本國企業的目的，政府可以采用其他一些扶持政策，例如數據本地化規則、對政府數據訪問的限制、行業管制、制定本地無人駕駛法規，以及強制訪問源代碼等。

（六）人工智能與法律

人工智能的興起帶來了很多新的法律問題。

例如，人工智能在一定程度上可以替代或輔助人進行決策，那么在這個過程中人工智能是否應該具有法律主體地位？

在應用中，人工智能需要利用其他設備或軟件運行過程中的數據，那么誰是這些數據的所有人，誰能夠作出有效的授權？

在遭遇人工智能造成的事故或產品責任問題時，應該如何區分人工操作還是人工智能本身的缺陷？

對于算法造成的歧視、合謀等行為應當如何應對？

……

這些問題都十分實際，但卻充滿了爭議。限于篇幅，筆者只想對兩個問題進行專門討論，對于更多人工智能引發的法律問題的探討，可以參考Pagallo（2013），Erzachi and Stucke（2016），Stucke and Grunes（2016）等著作。

1、人工智能帶來的隱私權問題

現階段人工智能的應用是和數據密不可分的。例如商家在利用人工智能挖掘消費者偏好時，就必須依賴從消費者處搜集的數據（包括身份信息、交易習慣數據等）。對于消費者來講，讓商家搜集這些數據將是有利有弊的——一方面，這些數據可以讓商家更充分地了解他們的偏好，從而為他們更好地服務；另一方面，消費者的這些數據被搜集后也會帶來很多問題，例如可能被商家進行價格歧視，受到商家的推銷騷擾，在部分極端的情況下甚至可能因此而受到人身方面的威脅。

在數據的搜集和交換不太頻繁的情況下，消費者在遭受因數據引發的麻煩時很容易追蹤到責任源頭，因此他們可以有效地對出讓數據而帶來的風險進行成本收益分析。在理性決策下，一些消費者會選擇自愿出讓自己的數據。

但是，隨著大數據和人工智能技術的發展，這種情況發生了改變：

（1）商家在搜集了數據后可以更持久保存，可以在未來進行更多的使用，因此消費者出讓數據這一行為帶來的收益和遭受的累積風險之間將變得十分不對稱；（2）由于現在商家搜集數據的行為已經變得十分頻繁，當消費者遭受了數據相關的問題后也很難判斷究竟是哪個商家造成的問題，因此事實上就很難進行追責；（3）商家在搜集消費者數據后，可能并沒有按照其事先向消費者承諾的那樣合理使用數據，而消費者卻很難懲罰這種行為。

在上述背景下，如何對數據使用進行有效治理，如何在保護消費者合法權益的基礎上有效利用數據就成為了一個需要尤其值得關注的問題。目前，對于人工智能條件下如何保護消費者隱私的爭議很多，有學者認為應當由政府進行更多監管，有學者認為應當由企業自身進行治理，有學者則認為應該由民間團體組織治理?？傮w來講，幾種思路都各有其利弊，因此這一問題目前仍然是一個開放性問題。

2、人工智能的產品責任問題

人工智能及使用人工智能技術的設備（如機器人）可以大幅度提高生產率，但同時也會更大的使用風險。在這種背景下，界定人工智能的產品責任，明確一旦發生了事故，究竟人工智能制造者需要為此承擔多大責任，就成為了一個關鍵的問題。

在討論類似人工智能這樣的高新技術的產品責任時，一個需要著重考慮的問題是責任劃分對創新激勵的影響。在一篇較近的論文中，Galasso（2017）對這個問題進行了討論。

他建立了一個簡單的模型：企業可以選擇人工智能產品的研發強度，研發強度會改變產品對企業帶來的收益，以及產品發生事故的概率。一旦事故發生，企業會承擔一個固定的損失，法律決定了發生事故時企業需要承擔的責任比例。Galasso求解了企業利潤最大化時企業的最優研發強度。結果發現，產品責任的劃分會影響產品的研發響度，要求企業承擔更多責任會增加安全產品的研發強度，減少危險產品的研發強度；反之，如果要求企業承擔更少責任會減少安全產品的研發強度，增加危險產品的研發強度。不過，只要研發帶來的收益足夠高，安全責任將不會對是否研發的決策產生影響，而只會改變邊際上的研發強度，從而影響技術革新的速度。

據此，Galasso認為在考察人工智能相關產品的產品責任問題時，應當十分重視其對創新的影響，并強調應該對成本收益的動態效應進行關注。

四、結論

作為一門致用之學，經濟學是在回應現實發展的過程中不斷發展的。每一次重大的技術進步都會帶來生產生活的巨大改變，而這些改變最終也會體現在經濟學上。第一次工業革命帶來的生產方式和階級結構的變化為李嘉圖、馬克思等經濟學家的研究提供了鮮活的素材；第二次工業革命帶來的經濟結構變化和社會結構的變化催生了宏觀經濟學、產業經濟學、發展經濟學等經濟學分制；信息革命則為產業組織、信息經濟學和網絡經濟學的應用提供了用武之地。

相比于之前的歷次技術進步，“人工智能革命”所引發的沖擊更為巨大，其對經濟學造成的影響也將更為廣泛和深遠。相信在不久的將來，人工智能將作為重要的研究工具和研究議題進入經濟學的主流。