轉載聲明：除調整格式外，不得對原文做改寫、改編。原創不易，謝謝！E-mail:yellow@aliyun.com

?聲明：本文為原創文本，非生成式，轉載請注明出處！

商務咨詢/顧問/請@yellowscholar?作者：黃先生斜杠青年

＃經濟學 ＃計算和人工智能 ＃思想史

接下來，你將看到/聽到一幅有別于絕多大數專家學者觀點，我將粗俗易懂的方式娓娓道來……

市場系統比經濟規劃者更好地利用了更多的信息，聽著是不是很熟悉？這就是傳說中的謀劃某濟（對，對于一個母語者，人們已經不能好好講母語了）。如果 AI 和機器學習改變了這種情況，會怎樣？

圖片通過：蓋蒂圖片社

機器學習是人工智能 （AI） 的一個子領域，是一種訓練算法的方法，用于在大量數據中辨別經驗關系。通過一堆可能癌變也可能不癌變的痣圖像來運行專門構建的算法。然后向它展示診斷出的黑色素瘤的圖像。使用以人腦神經元為模型的分析方案，在反復試驗的迭代過程中，該算法弄清楚了如何區分癌癥和雀斑。它可以以指定且穩步增加的確定性程度來近似其答案，達到超過人類專家的準確性水平。現在，全球經濟中正在運行類似的流程，這些流程可以改進算法以識別或發現大量數據中的模式：醫學、法律、稅收、營銷和研究科學都在受影響的領域。經濟學家 Erik Brynjolfsson 和計算機科學家 Tom Mitchell 說，歡迎來到未來：機器學習即將改變我們的生活，就像 19 世紀和 20 世紀的蒸汽機和電力一樣。

這種即將發生的變化的跡象仍然很難看到。例如，令人擔憂的是，生產率統計數據仍然沒有受到影響。這種滯后與新的“通用技術”出現的早期事件一致。在過去，技術創新需要幾十年的時間才能證明具有變革性。但思想往往走在社會和政治變革之前。機器學習可能顛覆現狀的一些方式已經在政治經濟學辯論中變得明顯。

我是斜杠青年，一個PE背景的雜食性學者！?致力于剖析如何解決我們這個時代的重大問題！?使用數據和研究來了解真正有所作為的因素！

政治經濟學學科的創建是為了理解一個由蒸汽動力和電力工業化驅動的世界。它的核心問題變成了如何最好地監管經濟活動。政府或行業的集中控制，或市場自由 - 哪些優化了結果？到 20 世紀末，答案似乎顯然是基于市場的秩序。但機器學習的出現正在重新開啟國家與市場的爭論。國家、公司或市場之間哪一種是協調供需的更好方式？對這個問題的舊答案正在受到新的審視。在 2017 年的一篇引人注目的論文中，東大川大的經濟學家 Binbin Wang 和 Xiaoyan Li 認為，大數據和機器學習為集中式規劃賦予了新的生命。供需的市場協調包含的信息比任何單一智能所能處理的信息都多，這種觀念很快就會被 21 世紀的人工智能證明是錯誤的。

我們應該多認真地對待這樣的猜測呢？機器學習是否會讓我們在經濟思想史上兜兜轉轉，經濟集中和控制的措施——很久以前就被譴責為危險的烏托邦計劃——以新的效率水平回歸，構成一種新的正統觀念？

這在很大程度上取決于隱性知識的地位。在這一點上，機器學習驅動的命令經濟學復興的擁護者和他們的批評者都同意這一點。隱性知識是我們所說的那種認知，當我們說我們知道的比我們能說的要多時。你怎么騎自行車？沒有人能準確地說。監督有幫助，但初學者必須自己弄清楚。你怎么知道一個斑點是雀斑而不是癌癥？專家不能僅僅通過用文字拼出她的想法來教醫學生。學生必須在監督下練習，直到她自己掌握了這項技能。這種專業知識無法傳授或下載。

機器人能吸收隱性知識嗎？20 世紀中葉反對集中規劃的論點認為他們不能。機器學習的一些成就（例如在發現癌癥方面超越了專科醫生）表明并非如此。如果機器人能夠保留隱性知識，那么人工智能驅動的中央計劃在協調經濟活動方面可能會勝過分散的市場互動。但有充分的理由相信，本世紀中葉的反規劃者是對的。隱性知識可能仍將是人類的專利——這不僅影響到命令經濟回歸的前景，還影響到對機器學習驅動的未來的更廣泛的恐懼和希望。

經濟學家長期以來一直認為，市場是協調經濟活動的最有效手段。市場的優勢在于它能夠聚合可用信息，從而平衡供需。沒有一種情報可以像市場機制那樣有效地包含所有這些信息。個人知識是分散和零碎的，但總的來說，影響市場內和通過市場的經濟活動協調的信息量是巨大的。政府可以知道足夠的信息來縱需求以平抑貿易周期中的波動——這是 1940 年后被廣泛接受的凱恩斯主義賭注——但供給是另一回事，最好留給個人和公司不受約束的互動。

20 世紀中葉反對規劃的論點集中在任何協調機構需要收集的信息量上，以便像自由市場一樣有效地做出決策。規劃者知道，沒有一種智慧所能知道的知識是每個人加起來的一半，無論我們的幾個觀點多么不完美。但是，個人所能知道的與整個社會所能看到的之間的差距正在縮小。波蘭經濟學家和外交家奧斯卡·朗格 （Oskar Lange） 看到供求關系可以用代數來表述。例如，在鋼鐵市場中，買賣雙方之間的所有關系都可以繪制為一系列聯立方程。一個有能力的數學家，只要有足夠的時間，就可以解開所有的方程式，以精確地量化供求匹配的價格。然后，政府可以確定該價格，立即向買賣雙方發出最佳采購和生產數量的信號，從而消除導致過剩和短缺的低效率。

當朗格于 1965 年去世時，不可能及時解決所有這些方程式，以便進行集中定價工作。鵝螺絲經濟學家、諾貝爾獎獲得者列昂尼德·坎托羅維奇 （Leonid Kantorovich） 花了六年時間試圖找出 1960 年代蘇聯鋼鐵生產的最佳價格——但速度太慢了，在實踐中毫無用處。但在 1965 年，美國 IT 先驅戈登·摩爾 （Gordon Moore） 觀察到，計算機的處理能力每年翻倍;從那時起，“摩爾定律”就一直有效。可能性的視野很快就開始發生變化。對于人類職員來說，協調經濟所涉及的計算可能不切實際地費力，但計算機改變了游戲規則。如果朗格是對的，并且特定市場的供求關系可以用代數來表述，那么計算機能力的指數級增長使得通過朗格方法集中確定價格只是時間問題。蘭格在去世前不久寫道，這個市場很快就會被視為“前電子時代的計算設備”，就像算盤一樣過時。

集中計劃的批評者還有一張牌要打。英奧經濟學家哈耶克（F A Hayek）在1945年指出，將具體細節轉化為通用統計數據的必要性是使中央計劃低劣的部分原因。為了方便中央規劃者，以代數方式繪制市場關系，涉及將分散在給定市場中個體之間的豐富而復雜的數據壓縮成一組統計數據。提取了有關所分析商品的位置或質量的詳細信息。人們在自由市場中過濾價格信號的特定本地知識增強了個人決策。這反過來有助于確保浮動價格仍然是供需波動的可靠指標。這種特定的、局部的知識是不可簡化為統計形式的。因此，任何集中式規劃系統都必須沒有它。無論規劃者可以收集多少信息，他們的信息質量永遠不會那么好。

機器人現在不是在做反規劃者說他們不能做的事情嗎——同化隱性知識？

在 1950 年代和 60 年代，英匈帝國哲學家兼科學家邁克爾·波蘭尼 （Michael Polanyi） 將反對集中計劃的定性論點更進一步，重新加工了哈耶克對計算機時代的觀察。如果說地方知識對統計來說是不可簡化的，因此對中央計劃局來說是不可理解的，那么隱性知識甚至在文字中也是無法指定的，因此人類不可能在計算機中編程。市場協調與生俱來就涉及了人類認知的隱性維度：每個考慮招聘的經理和每個評估牛肉的家庭主婦在做出決策時都利用了不清楚的知識。但是，通過超級計算機進行集中規劃將使所有這些專業知識得不到開發。機器無法計算它，無論它們變得多么強大。

哈耶克和波蘭尼提出的反對計算機驅動的集中規劃的論點是否仍然適用？乍一看，機器學習表明并非如此。癌癥發現似乎涉及模擬隱性知識的算法。醫學生需要多年的書本學習和高級醫生的實踐指導，然后才能做出同樣的區分。使專家能夠應用相關知識的不明確知識只能親自傳授 - 這就是為什么世界各地的學生都跟隨醫生查房的原因。專科醫生識別出惡性色素沉著，但無法準確闡明是什么導致她得出這個結論。現在，算法可以執行相同的認知壯舉。機器人現在不是在做早期反規劃者所說的他們做不到的事情嗎——同化隱性知識？

事實上，機器學習實際上并沒有將認知能力編碼進算法中，這些能力使人類能夠知道比他們能說的更多。機器學習使 AI 工程師能夠構建能夠得出人類使用隱性知識得出的一些結論的應用程序。機器人通過找出人類無法處理的數據量中的經驗關系來實現這一目標。人類學習區分雀斑和癌癥的學徒制不僅僅是處理成堆的經驗信息以辨別 X 輸入（潛在癌癥患者出現的癥狀）Y（癌癥）的功能。人類學生學習等效技能——對哪些斑點是無辜的，哪些會帶來麻煩的感覺或感覺——與診斷黑色素瘤只是其中一部分的整個職業相結合。在哪些痣是危險的具體問題上，算法現在勝過醫生。但撇開一些診斷技術不談，醫生仍然完全無法被算法取代。就像人類與生俱來的許多認知能力一樣，專家和學生之間傳遞的大部分職業由無法確定的隱性知識組成。

大多數更廣泛的專業知識遠未被 AI 系統復制。很多事情永遠不會發生。當前的經濟激勵措施有利于改進特定任務的 AI 系統——例如鼴鼠觀察器等算法，一旦在其中訓練，就可以解決特定問題。但是，即使激勵措施轉向將投資引導到所謂的“通用人工智能”系統的設計上——比如斯坦利·庫布里克（Stanley Kubrick）的電影《2001：太空漫游》（1968）中的哈爾（Hal）——到目前為止，機器學習的發展中沒有任何東西表明這種投資會取得任何成果。機器學習的工作原理與其說是模仿隱性知識，不如說是找到可靠的捷徑來得出與人類通過隱性知識相同的結論。盡管外表如此，但可以像人類一樣在各種任務中活動的機器人，運用足夠的上下文知識來知道該部部署哪種能力，仍然是科幻小說中的內容。

通過機器學習可以想象的 AI 應用程序通常能夠比人類更好地回答具體、框架緊湊的問題（“這顆痣癌嗎？但對于更普遍的問題——比如，“是什么讓這個人不舒服”——這些新型人工智能仍然毫無用處。通過類比，很容易看出機器學習將如何產生具有大量非常有益的微觀經濟和宏觀經濟應用的算法。“這家位于倫敦南部的樂購在 3 月的第二周能賣多少袋火箭油？”如果數據正確，機器學習比任何人都更能回答這個問題。優化新鮮食品供應鏈將減少從農場到餐桌過程中的浪費。機器學習很可能使特定的宏觀經濟問題更易于處理。在政治經濟學中，國內生產總值 （GDP） 這個粗陋且日益過時的概念仍然是衡量成功的標準。以 Diane Coyle 和 Mariana Mazzucato 為首的經濟學家一直在嘗試用更有意義和更細致入微的經濟表現指標取代 GDP，并取得了一些成功。機器學習可能會給他們的手臂帶來更多的力量。如果數據正確，就可以提供實時回歸分析產出統計數據和其他幸福感指標之間的關系，從而為將重點從 GDP 轉移開的嘗試提供新的動力。

至于更大的問題——比如哪個是國家和市場之間更好的經濟協調機構——機器學習不太可能再次強行推翻所有舊的爭論。正如機器學習并沒有讓我們更接近“通用”人工智能系統的出現一樣，它也不會將我們分流到某種新的認識論范式中，在那里，反對集中規劃的基于知識的隱性論點突然失去了有效性。原則上可以想象，有一天可能會出現算法，可以為現代經濟中生產的 120 億種左右商品中的每一種設定價格，就像蘭格時代一樣。大多數工程師仍然認為同時運行所有這些程序所需的處理能力是不可想象的。摩爾定律仍然站在規劃者一邊。但是，即使算法在集中控制下以電子方式重新創建了市場，他們的系統發出的價格信號也不會像現在生成的信號那樣有效。用于市場經濟決策的隱性且無法確定的知識部分將在將當前分散的信息轉化為新規劃沙皇的數字代碼的過程中丟失。

其中一些無法確定的知識會幸存下來，因為機器學習的最先進應用——在執行任務特定功能時類似于人類認知的系統——依賴于人類的持續監督和互動才能取得成功。最有前途的機器學習驅動的 AI 系統讓人類控制器“處于循環中”。也就是說，他們與人類工程師互動，處理大量數據來構建和重新構建問題，然后看著人類在所需的認知類型超過 AI 能力時解決問題，在每次迭代中變得更加熟練。假設機器人永遠不會吸收隱性知識，人類必須保持這些系統的核心，完善和擴展 AI 系統的能力。只要人類保持“循環”，通過動員機器學習及其支持的 AI 系統來集中控制經濟活動，也會將權力集中在制造系統的人手中。

通過控制對數據的訪問，Google 和 Facebook 等公司正在壟斷一項寶貴的資源

機器學習最有前途的應用使人類“參與其中”這一事實意味著，如果人工智能驅動的命令經濟復興的前景從學術期刊的頁面中走出來，進入主流討論，那么就有理由擔心這些算法真正賦予了誰權力。也就是說，有理由密切關注任何人工智能驅動的集中式經濟規劃計劃中“在循環中”的人類。可能確實有理由更密切地關注誰仍然“在循環中”，誰現在被排除在外，即使指揮經濟學復興的前景仍然很渺茫。

認為一群官僚有權憑借機器學習的力量獲得不受制約的政治權力，以及它與人類保持一定距離的假設，目前仍然遙不可及。然而，最大的科技公司通過在不安分的創新言論背后囤積市場力量而積累的經濟和政治影響力是另一回事。這些公司控制著數據，沒有這些數據，機器學習將無處可去。他們如何利用這種權力是好的還是壞的，理所當然地是一個非常令人擔憂的話題。這些問題往往集中在身份和隱私方面。這可能不是科技公司對客戶數據做得太多，而是做得太少。通過控制對數據的訪問，Google 和 Facebook 等公司壟斷了這一寶貴資源。將西方主要經濟體的生產率從目前的困境中提煉出來，可能需要讓這些數據更有效地發揮作用。為了實現這一目標，需要遏制 Facebook、Google 和其他公司對數據的控制。他們從這種權力中賺到的錢中有太多是地租——通過控制資源而榨取的私人利益，而對公共經濟利益沒有任何相應的貢獻。讓更多不同的人“參與循環”，以試驗可用的數據集，并查看可以構建哪些類型的系統，這對于實現機器學習的承諾是必要的。但是，要做到這一點，我們需要一些方法來打破技術壟斷者對數據的控制。

找到嵌入在這些遠程、非個人系統中的人物，這些系統正在用 0 和 1 構建未來，校準并在一定程度上平息了對 AI 進口的某些恐懼。它也帶來了希望。自動化可以被描繪成一個可怕的反烏托邦，工作崗位消失，生計枯萎。但機器學習創造的工作崗位可能會多于它所取代的工作崗位，其中許多工作崗位既高薪又有意義。有些人需要重新培訓，其中包括 inendent 規劃師和數據壟斷者。但更多——例如護士和教師;或者那些整天撫養孩子和建造家庭的男人和女人——可能會感覺到他們周圍正在發生某種再培訓。隨著 AI 能力的局限性越來越明顯，無法自動化的人類認知和行動的獨特尊嚴也越來越明顯。

了解更多時間深度剖析，盡在于此@黃先生斜杠青年
商業咨詢和顧問業務，請@yellowscholar

關注我，帶你先看到未來！?

轉載聲明：除調整格式外，不得對原文做改寫、改編。原創不易，謝謝！E-mail:yellow@aliyun.com

?聲明：本文為原創文本，非生成式，轉載請注明出處！

商務咨詢/顧問/請@yellowscholar?作者：黃先生斜杠青年