Generativ KI for økonomisk forskning: Bruksområder og implikasjoner for økonomer

1. juli 2024

Anton Korinek, *Journal of Economic Literature*

Feltet generativ kunstig intelligens (KI) har utviklet seg raskt og påvirker økonomisk forskning i betydelig grad. Siden denne artikkelen opprinnelig ble publisert i *Journal of Economic Literature* (Korinek, 2023), har fremskritt innen store språkmodeller (LLM-er) ført til en rekke innovasjoner og nye bruksområder. Denne rapporten oppsummerer de viktigste innovasjonene og oppdaterte bruksområdene for de mest avanserte LLM-ene i økonomisk forskning, med vekt på seks domener: idéutvikling og tilbakemelding, skriving, bakgrunnsforskning, koding, dataanalyse og matematiske utledninger.

Nyere fremskritt innen LLM-er kjennetegnes av bedre ytelse, større kontekstvinduer, bedre gjenkalling, raskere prosessering og lavere kostnader. Viktige oppdateringer fra de ledende KI-laboratoriene har innført bildeforståelse og lydprosessering i sanntid. Per mai 2024 er OpenAIs GPT-4o den mest kapable offentlig tilgjengelige LLM-en, med en GPT-butikk i ChatGPT-appen. Anthropics Claude 3, lansert i mars 2024, utmerker seg på skriveferdigheter, mens Google DeepMinds Gemini Pro 1.5, lansert i januar 2024, har det største kontekstvinduet og kan behandle opptil 1 million tokens.

De ledende LLM-ene fra OpenAI, Anthropic og Google DeepMind har tilsvarende ytelsesnivå, med OpenAI i en liten ledelse. Proprietære modeller som GPT-4o, Claude 3 og Gemini Pro 1.5 kombinerer språkprosessering med prosessering av visuell informasjon, slik at de kan gi helhetlige svar basert på både tekst og bilder. Modellene er tilgjengelige via nettbaserte chatboter, stemmeassistenter i sanntid, nettbaserte eksperimenteringsplattformer og API-er. I tillegg er mindre modeller med åpen kildekode lansert, noe som gir brukerne alternativer for personvernsensitive anvendelser.

Bruksområder i økonomisk forskning

1. Idéutvikling og tilbakemelding:

• LLM-er bistår i å generere og vurdere forskningsidéer og tilbyr en form for kreativitet som utfyller menneskelige forskere. De er særlig nyttige til idémyldring og vurdering av idéer, og kan synliggjøre fordeler og ulemper ved ulike hypoteser.

2. Skriving:

• LLM-er kan sette sammen tekst fra stikkpunkter, konvertere likninger til LaTeX, redigere for grammatiske og stilistiske forbedringer og lage titler, overskrifter og innlegg for sosiale medier. Disse egenskapene effektiviserer skriveprosessen og øker produktiviteten.

3. Bakgrunnsforskning:

• LLM-er er svært gode til å oppsummere store tekstmengder, identifisere relevant litteratur, forklare nye begreper og oversette tekster. Evnen til å behandle hele artikler og videoer utvider nytten deres i grundig bakgrunnsforskning.

4. Koding:

• LLM-er kan bistå med kodeoppgaver ved å generere kodesnutter, feilsøke og forklare komplekse kodesegmenter. Denne funksjonaliteten er særlig nyttig for forskere med begrenset programmeringskompetanse.

5. Dataanalyse:

• Avanserte dataanalysefunksjoner i LLM-er gjør det mulig å kjøre Python-kode i ChatGPT-grensesnittet, noe som forenkler oppgaver som filkonvertering, regresjoner og simuleringer.

6. Matematiske utledninger:

• LLM-er kan utføre matematiske utledninger og hjelpe forskere med komplekse beregninger og modellsimuleringer.

Selv om LLM-er gir mange fordeler, medfører de også utfordringer, som datakonfidensialitet, skjevheter i modellene og risikoen for overdreven avhengighet av automatisering. Å sikre etisk bruk av LLM-er og håndtere disse utfordringene er avgjørende for å maksimere den positive effekten på økonomisk forskning. Integreringen av generativ KI og LLM-er i økonomisk forskning ventes å øke produktiviteten og innovasjonen betydelig. Etter hvert som teknologiene utvikler seg, vil egenskapene deres utvides ytterligere og gi forskere nye muligheter og utfordringer. Gjennomtenkt og etisk bruk av disse verktøyene vil være nøkkelen til å utnytte hele potensialet deres innen økonomisk forskning.