本文共字，预计阅读时间。

2024年3月11日，新加坡金融管理局副总裁（经济政策）兼首席经济学家Edward S. Robinson应邀出席2024年央行高级研讨会（2024 Advanced Workshop for Central Bankers），就近期热议的“人工智能”与央行决策之间的关系展开了讨论。

以下是演讲中的相关内容：

过去一年，未能共同预见疫情后持续通胀等问题让各国央行颇感棘手，这反过来也让当前模型的实用性受到质疑。因此，我们可能会向经济学家提问，是否应该更多地通过数据分析和人工智能（AI）技术来改善我们的预测和模型。

目前，“传统”大数据和机器学习技术已经在经济和金融领域得到广泛应用。十多年前始于麻省理工学院（MIT）的“海量价格项目”（Billion Prices Project）就是这一领域的先驱者之一。该项目每天从大量零售商那里收集在线产品价格，以改进对总体价格数据的衡量。从那以后，不断提高的计算能力和数据可用性导致对人工智能和机器学习（AI/ML）的经济应用的研究激增。中央银行在这方面也做出了贡献。例如，人工智能/人工智能技术已被用于识别异常金融交易，帮助监管机构筛选金融机构提交的大量文本数据以识别问题领域，并使用社交媒体帖子生成通胀预期的动态衡量指标。

AI/ML建模方法在预测任务中的一个关键优势是它们能够让数据灵活地确定模型的函数形式。这可能允许AI/ML模型以模仿专家（人类）判断的方式捕捉经济动态中的非线性变化。生成式人工智能（GenAI）最近的进展则更进一步。在大量数据基础上训练的大型语言模型（LLM）可以生成替代情景，指定和模拟基本经济模型，甚至在预测通货膨胀方面击败专家。

然而，这类模型的灵活性也带来了弊端，因为其输出通常对模型参数的选择或提供的提示高度敏感。加上它们的不透明性，这一缺陷使得解析建模过程的潜在驱动因素变得困难。尽管能力令人印象深刻，但大型语言模型目前在逻辑推理和数学运算方面的表现仍然不尽如人意，说明其还没有能力为自己的预测提供可信的解释。

总的来说，人工智能模型目前缺乏使结构模型对决策者有用的“结构清晰度”。引用前美联储理事Laurence Meyer的话来说，基于模型的预测需要“以范式开始，以故事结束”。由于无法阐明经济如何运行的愿景，人工智能模型还无法取代中央银行的结构模型。

AI或GenAI还不是其热情支持者所设想的通用技术或GPT。就目前而言，将人工智能技术纳入央行建模工具包的最佳方式可能是将其用于补充核心结构模型的卫星模型。除了将人工智能技术独立用于预测任务之外，还可以扩展到将人工智能方法与经济理论相结合的“半结构”方法。除此之外，AI技术在估计宏观经济模型基础的经济关系方面（如菲利普斯曲线）也具有潜力。我们目前的模型是通过严格纳入最相关的新发展而建立的，同时保留了它们的核心理论基础。随着我们对人工智能技术机制的理解不断加深，我们可以开始以类似的方式将它们引入我们的主力模型。

我们确实需要为GenAI进化为GPT的那一天做准备。事实上，经济建模的前景令人振奋。全球经济正在发生的变化给我们的模型提出了新的问题，我们可以用来回答这些问题的技术变得越来越丰富。作为央行行长和研究人员，我们中的许多人将亲身经历这一演变。本次研讨会为我们提供了一个在志同道合的同行之间解决共同问题的绝佳机会。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意

本文版权归原作者所有，如有侵权，请联系删除。首图来自图虫创意