转载声明：除调整格式外，不得对原文做改写、改编。原创不易，谢谢！E-mail:yellow@aliyun.com
♥声明：本文为原创文本，非生成式，转载请注明出处！
商务咨询/顾问/请@yellowscholar♥作者：黄先生斜杠青年
＃经济学 ＃计算和人工智能 ＃思想史
接下来，你将看到/听到一幅有别于绝多大数专家学者观点，我将粗俗易懂的方式娓娓道来……
市场系统比经济规划者更好地利用了更多的信息，听着是不是很熟悉？这就是传说中的谋划某济（对，对于一个母语者，人们已经不能好好讲母语了）。如果 AI 和机器学习改变了这种情况，会怎样？
图片通过：盖蒂图片社
机器学习是人工智能 （AI） 的一个子领域，是一种训练算法的方法，用于在大量数据中辨别经验关系。通过一堆可能癌变也可能不癌变的痣图像来运行专门构建的算法。然后向它展示诊断出的黑色素瘤的图像。使用以人脑神经元为模型的分析方案，在反复试验的迭代过程中，该算法弄清楚了如何区分癌症和雀斑。它可以以指定且稳步增加的确定性程度来近似其答案，达到超过人类专家的准确性水平。现在，全球经济中正在运行类似的流程，这些流程可以改进算法以识别或发现大量数据中的模式：医学、法律、税收、营销和研究科学都在受影响的领域。经济学家 Erik Brynjolfsson 和计算机科学家 Tom Mitchell 说，欢迎来到未来：机器学习即将改变我们的生活，就像 19 世纪和 20 世纪的蒸汽机和电力一样。
这种即将发生的变化的迹象仍然很难看到。例如，令人担忧的是，生产率统计数据仍然没有受到影响。这种滞后与新的“通用技术”出现的早期事件一致。在过去，技术创新需要几十年的时间才能证明具有变革性。但思想往往走在社会和政治变革之前。机器学习可能颠覆现状的一些方式已经在政治经济学辩论中变得明显。
我是斜杠青年，一个PE背景的杂食性学者！♥致力于剖析如何解决我们这个时代的重大问题！♥使用数据和研究来了解真正有所作为的因素！
政治经济学学科的创建是为了理解一个由蒸汽动力和电力工业化驱动的世界。它的核心问题变成了如何最好地监管经济活动。政府或行业的集中控制，或市场自由 - 哪些优化了结果？到 20 世纪末，答案似乎显然是基于市场的秩序。但机器学习的出现正在重新开启国家与市场的争论。国家、公司或市场之间哪一种是协调供需的更好方式？对这个问题的旧答案正在受到新的审视。在 2017 年的一篇引人注目的论文中，东大川大的经济学家 Binbin Wang 和 Xiaoyan Li 认为，大数据和机器学习为集中式规划赋予了新的生命。供需的市场协调包含的信息比任何单一智能所能处理的信息都多，这种观念很快就会被 21 世纪的人工智能证明是错误的。
我们应该多认真地对待这样的猜测呢？机器学习是否会让我们在经济思想史上兜兜转转，经济集中和控制的措施——很久以前就被谴责为危险的乌托邦计划——以新的效率水平回归，构成一种新的正统观念？
这在很大程度上取决于隐性知识的地位。在这一点上，机器学习驱动的命令经济学复兴的拥护者和他们的批评者都同意这一点。隐性知识是我们所说的那种认知，当我们说我们知道的比我们能说的要多时。你怎么骑自行车？没有人能准确地说。监督有帮助，但初学者必须自己弄清楚。你怎么知道一个斑点是雀斑而不是癌症？专家不能仅仅通过用文字拼出她的想法来教医学生。学生必须在监督下练习，直到她自己掌握了这项技能。这种专业知识无法传授或下载。
机器人能吸收隐性知识吗？20 世纪中叶反对集中规划的论点认为他们不能。机器学习的一些成就（例如在发现癌症方面超越了专科医生）表明并非如此。如果机器人能够保留隐性知识，那么人工智能驱动的中央计划在协调经济活动方面可能会胜过分散的市场互动。但有充分的理由相信，本世纪中叶的反规划者是对的。隐性知识可能仍将是人类的专利——这不仅影响到命令经济回归的前景，还影响到对机器学习驱动的未来的更广泛的恐惧和希望。
经济学家长期以来一直认为，市场是协调经济活动的最有效手段。市场的优势在于它能够聚合可用信息，从而平衡供需。没有一种情报可以像市场机制那样有效地包含所有这些信息。个人知识是分散和零碎的，但总的来说，影响市场内和通过市场的经济活动协调的信息量是巨大的。政府可以知道足够的信息来纵需求以平抑贸易周期中的波动——这是 1940 年后被广泛接受的凯恩斯主义赌注——但供给是另一回事，最好留给个人和公司不受约束的互动。
20 世纪中叶反对规划的论点集中在任何协调机构需要收集的信息量上，以便像自由市场一样有效地做出决策。规划者知道，没有一种智慧所能知道的知识是每个人加起来的一半，无论我们的几个观点多么不完美。但是，个人所能知道的与整个社会所能看到的之间的差距正在缩小。波兰经济学家和外交家奥斯卡·朗格 （Oskar Lange） 看到供求关系可以用代数来表述。例如，在钢铁市场中，买卖双方之间的所有关系都可以绘制为一系列联立方程。一个有能力的数学家，只要有足够的时间，就可以解开所有的方程式，以精确地量化供求匹配的价格。然后，政府可以确定该价格，立即向买卖双方发出最佳采购和生产数量的信号，从而消除导致过剩和短缺的低效率。
当朗格于 1965 年去世时，不可能及时解决所有这些方程式，以便进行集中定价工作。鹅螺丝经济学家、诺贝尔奖获得者列昂尼德·坎托罗维奇 （Leonid Kantorovich） 花了六年时间试图找出 1960 年代苏联钢铁生产的最佳价格——但速度太慢了，在实践中毫无用处。但在 1965 年，美国 IT 先驱戈登·摩尔 （Gordon Moore） 观察到，计算机的处理能力每年翻倍;从那时起，“摩尔定律”就一直有效。可能性的视野很快就开始发生变化。对于人类职员来说，协调经济所涉及的计算可能不切实际地费力，但计算机改变了游戏规则。如果朗格是对的，并且特定市场的供求关系可以用代数来表述，那么计算机能力的指数级增长使得通过朗格方法集中确定价格只是时间问题。兰格在去世前不久写道，这个市场很快就会被视为“前电子时代的计算设备”，就像算盘一样过时。
集中计划的批评者还有一张牌要打。英奥经济学家哈耶克（F A Hayek）在1945年指出，将具体细节转化为通用统计数据的必要性是使中央计划低劣的部分原因。为了方便中央规划者，以代数方式绘制市场关系，涉及将分散在给定市场中个体之间的丰富而复杂的数据压缩成一组统计数据。提取了有关所分析商品的位置或质量的详细信息。人们在自由市场中过滤价格信号的特定本地知识增强了个人决策。这反过来有助于确保浮动价格仍然是供需波动的可靠指标。这种特定的、局部的知识是不可简化为统计形式的。因此，任何集中式规划系统都必须没有它。无论规划者可以收集多少信息，他们的信息质量永远不会那么好。
机器人现在不是在做反规划者说他们不能做的事情吗——同化隐性知识？
在 1950 年代和 60 年代，英匈帝国哲学家兼科学家迈克尔·波兰尼 （Michael Polanyi） 将反对集中计划的定性论点更进一步，重新加工了哈耶克对计算机时代的观察。如果说地方知识对统计来说是不可简化的，因此对中央计划局来说是不可理解的，那么隐性知识甚至在文字中也是无法指定的，因此人类不可能在计算机中编程。市场协调与生俱来就涉及了人类认知的隐性维度：每个考虑招聘的经理和每个评估牛肉的家庭主妇在做出决策时都利用了不清楚的知识。但是，通过超级计算机进行集中规划将使所有这些专业知识得不到开发。机器无法计算它，无论它们变得多么强大。
哈耶克和波兰尼提出的反对计算机驱动的集中规划的论点是否仍然适用？乍一看，机器学习表明并非如此。癌症发现似乎涉及模拟隐性知识的算法。医学生需要多年的书本学习和高级医生的实践指导，然后才能做出同样的区分。使专家能够应用相关知识的不明确知识只能亲自传授 - 这就是为什么世界各地的学生都跟随医生查房的原因。专科医生识别出恶性色素沉着，但无法准确阐明是什么导致她得出这个结论。现在，算法可以执行相同的认知壮举。机器人现在不是在做早期反规划者所说的他们做不到的事情吗——同化隐性知识？
事实上，机器学习实际上并没有将认知能力编码进算法中，这些能力使人类能够知道比他们能说的更多。机器学习使 AI 工程师能够构建能够得出人类使用隐性知识得出的一些结论的应用程序。机器人通过找出人类无法处理的数据量中的经验关系来实现这一目标。人类学习区分雀斑和癌症的学徒制不仅仅是处理成堆的经验信息以辨别 X 输入（潜在癌症患者出现的症状）Y（癌症）的功能。人类学生学习等效技能——对哪些斑点是无辜的，哪些会带来麻烦的感觉或感觉——与诊断黑色素瘤只是其中一部分的整个职业相结合。在哪些痣是危险的具体问题上，算法现在胜过医生。但撇开一些诊断技术不谈，医生仍然完全无法被算法取代。就像人类与生俱来的许多认知能力一样，专家和学生之间传递的大部分职业由无法确定的隐性知识组成。
大多数更广泛的专业知识远未被 AI 系统复制。很多事情永远不会发生。当前的经济激励措施有利于改进特定任务的 AI 系统——例如鼹鼠观察器等算法，一旦在其中训练，就可以解决特定问题。但是，即使激励措施转向将投资引导到所谓的“通用人工智能”系统的设计上——比如斯坦利·库布里克（Stanley Kubrick）的电影《2001：太空漫游》（1968）中的哈尔（Hal）——到目前为止，机器学习的发展中没有任何东西表明这种投资会取得任何成果。机器学习的工作原理与其说是模仿隐性知识，不如说是找到可靠的捷径来得出与人类通过隐性知识相同的结论。尽管外表如此，但可以像人类一样在各种任务中活动的机器人，运用足够的上下文知识来知道该部部署哪种能力，仍然是科幻小说中的内容。
通过机器学习可以想象的 AI 应用程序通常能够比人类更好地回答具体、框架紧凑的问题（“这颗痣癌吗？但对于更普遍的问题——比如，“是什么让这个人不舒服”——这些新型人工智能仍然毫无用处。通过类比，很容易看出机器学习将如何产生具有大量非常有益的微观经济和宏观经济应用的算法。“这家位于伦敦南部的乐购在 3 月的第二周能卖多少袋火箭油？”如果数据正确，机器学习比任何人都更能回答这个问题。优化新鲜食品供应链将减少从农场到餐桌过程中的浪费。机器学习很可能使特定的宏观经济问题更易于处理。在政治经济学中，国内生产总值 （GDP） 这个粗陋且日益过时的概念仍然是衡量成功的标准。以 Diane Coyle 和 Mariana Mazzucato 为首的经济学家一直在尝试用更有意义和更细致入微的经济表现指标取代 GDP，并取得了一些成功。机器学习可能会给他们的手臂带来更多的力量。如果数据正确，就可以提供实时回归分析产出统计数据和其他幸福感指标之间的关系，从而为将重点从 GDP 转移开的尝试提供新的动力。
至于更大的问题——比如哪个是国家和市场之间更好的经济协调机构——机器学习不太可能再次强行推翻所有旧的争论。正如机器学习并没有让我们更接近“通用”人工智能系统的出现一样，它也不会将我们分流到某种新的认识论范式中，在那里，反对集中规划的基于知识的隐性论点突然失去了有效性。原则上可以想象，有一天可能会出现算法，可以为现代经济中生产的 120 亿种左右商品中的每一种设定价格，就像兰格时代一样。大多数工程师仍然认为同时运行所有这些程序所需的处理能力是不可想象的。摩尔定律仍然站在规划者一边。但是，即使算法在集中控制下以电子方式重新创建了市场，他们的系统发出的价格信号也不会像现在生成的信号那样有效。用于市场经济决策的隐性且无法确定的知识部分将在将当前分散的信息转化为新规划沙皇的数字代码的过程中丢失。
其中一些无法确定的知识会幸存下来，因为机器学习的最先进应用——在执行任务特定功能时类似于人类认知的系统——依赖于人类的持续监督和互动才能取得成功。最有前途的机器学习驱动的 AI 系统让人类控制器“处于循环中”。也就是说，他们与人类工程师互动，处理大量数据来构建和重新构建问题，然后看着人类在所需的认知类型超过 AI 能力时解决问题，在每次迭代中变得更加熟练。假设机器人永远不会吸收隐性知识，人类必须保持这些系统的核心，完善和扩展 AI 系统的能力。只要人类保持“循环”，通过动员机器学习及其支持的 AI 系统来集中控制经济活动，也会将权力集中在制造系统的人手中。
通过控制对数据的访问，Google 和 Facebook 等公司正在垄断一项宝贵的资源
机器学习最有前途的应用使人类“参与其中”这一事实意味着，如果人工智能驱动的命令经济复兴的前景从学术期刊的页面中走出来，进入主流讨论，那么就有理由担心这些算法真正赋予了谁权力。也就是说，有理由密切关注任何人工智能驱动的集中式经济规划计划中“在循环中”的人类。可能确实有理由更密切地关注谁仍然“在循环中”，谁现在被排除在外，即使指挥经济学复兴的前景仍然很渺茫。
认为一群官僚有权凭借机器学习的力量获得不受制约的政治权力，以及它与人类保持一定距离的假设，目前仍然遥不可及。然而，最大的科技公司通过在不安分的创新言论背后囤积市场力量而积累的经济和政治影响力是另一回事。这些公司控制着数据，没有这些数据，机器学习将无处可去。他们如何利用这种权力是好的还是坏的，理所当然地是一个非常令人担忧的话题。这些问题往往集中在身份和隐私方面。这可能不是科技公司对客户数据做得太多，而是做得太少。通过控制对数据的访问，Google 和 Facebook 等公司垄断了这一宝贵资源。将西方主要经济体的生产率从目前的困境中提炼出来，可能需要让这些数据更有效地发挥作用。为了实现这一目标，需要遏制 Facebook、Google 和其他公司对数据的控制。他们从这种权力中赚到的钱中有太多是地租——通过控制资源而榨取的私人利益，而对公共经济利益没有任何相应的贡献。让更多不同的人“参与循环”，以试验可用的数据集，并查看可以构建哪些类型的系统，这对于实现机器学习的承诺是必要的。但是，要做到这一点，我们需要一些方法来打破技术垄断者对数据的控制。
找到嵌入在这些远程、非个人系统中的人物，这些系统正在用 0 和 1 构建未来，校准并在一定程度上平息了对 AI 进口的某些恐惧。它也带来了希望。自动化可以被描绘成一个可怕的反乌托邦，工作岗位消失，生计枯萎。但机器学习创造的工作岗位可能会多于它所取代的工作岗位，其中许多工作岗位既高薪又有意义。有些人需要重新培训，其中包括 inendent 规划师和数据垄断者。但更多——例如护士和教师;或者那些整天抚养孩子和建造家庭的男人和女人——可能会感觉到他们周围正在发生某种再培训。随着 AI 能力的局限性越来越明显，无法自动化的人类认知和行动的独特尊严也越来越明显。
了解更多时间深度剖析，尽在于此@黄先生斜杠青年
商业咨询和顾问业务，请@yellowscholar
关注我，带你先看到未来！♥
转载声明：除调整格式外，不得对原文做改写、改编。原创不易，谢谢！E-mail:yellow@aliyun.com
♥声明：本文为原创文本，非生成式，转载请注明出处！
商务咨询/顾问/请@yellowscholar♥作者：黄先生斜杠青年
热门跟贴