“并非未来的可能，而是当下的现实”：AI 智能体如何重塑经济学研究
Yuan Ren
2025年11月17日
AI 智能体时代的经济学
过去两年间，经济学家开展研究的方式经历了深刻的结构性转变。在其 2025 年 NBER 工作论文 *AI Agents for Economic Research* 中，Anton Korinek 认为，研究共同体正在从 ChatGPT 这类简单的对话系统，转向以自主 AI 智能体为核心的新范式。这些系统将文本生成与规划、记忆和工具使用整合在一起，使其能够执行多步骤的研究任务。更广义地说，AI 智能体的兴起代表了研究组织方式本身的一次技术重构。
Korinek 回顾了他此前的论文 *Generative AI for Economic Research*（Korinek, 2023），并指出仅仅两年之内，AI 工具就已从概念原型演进为可用于日常研究流程的成熟系统。它们不再仅仅撰写邮件或摘要，而是能够独立开展文献综述、调试计量经济学代码、运行模型并解释结果。他将此描述为“AI 系统运作方式上的根本性架构进展”，其中速度、成本与组织方式正在被 AI 系统重新定义。
一、AI 的三次范式转变：从语言到推理，再到自主行动
Korinek 将 AI 的演进划分为三种范式，并认为这一轨迹映照了经济学自身的方法论进展：从语言处理的自动化，到可验证的推理，最终到能够自主执行任务的智能体。
第一种范式由 GPT-3 和 ChatGPT 等传统大语言模型（LLM）构成。这些模型擅长生成连贯文本并回应自然语言提问，但本质上仍是单轮反应式系统。Korinek 借用 Kahneman（2011）的“系统 1”思维概念，将其类比为人类直觉：快速且善于模式识别，却缺乏自我反思与逻辑验证。它们在数学推理中的错误源自显式推理链的缺失。
第二种范式是推理模型。自 2024 年 9 月以来，新模型纳入了思维链（Chain-of-Thought）与逐步验证机制，使 AI 得以执行 Kahneman 所说的“系统 2”推理。对经济学而言，这一点意义深远：AI 如今能够求解跨期最优化问题、执行动态规划，并生成可运行的计量经济学代码。Korinek 强调，推理能力的增强使 AI 从语言辅助上升为对研究设计与理论验证的概念性参与。
第三种范式被称为智能体化聊天机器人，出现于 2024 年末。这些模型不仅能够理解和推理，还能够行动。它们规划任务、调用外部工具、检索网络、执行 Python 脚本，并根据中间反馈调整策略。Korinek 认为，这标志着 AI 从被动的应答者转变为研究中的主动协作者，能够承担从数据获取到模型执行的完整工作流。对经济学家而言，这代表着研究分工的根本性改变。
*从推理模型到自主智能体*
二、突破性应用与面向经济学研究的 AI 智能体构建
到 2025 年，AI 智能体在研究中的应用已经超出了实验阶段。Korinek 重点讨论了两个代表性系统：*Deep Research* 与 *Claude Code*，二者分别在知识整合与自动化编程方面取得突破。
由 Google DeepMind 于 2024 年末推出的 *Deep Research* 系统，体现了让 AI 跨网络与数据库来源执行多阶段检索、筛选、综合与结构化报告生成的构想。Korinek 指出，此类系统能够在几分钟内检索数百篇论文并产出引用密集的报告。在大幅提升信息处理速度的同时，两项局限依然存在：其一，对既有知识的依赖限制了原创性；其二，在前沿文献与边缘文献之间的质量甄别仍不完善。Korinek 的结论是，Deep Research 代表着经济学中信息综合自动化的第一步，而非对学术判断的替代。
另一项重大创新来自 Anthropic 的 *Claude Code*，其核心是“氛围编程”（vibe coding）的理念，即用自然语言描述所需功能，由 AI 自动生成、调试并优化完整的代码模块。Korinek 称之为“编程的语言学转向”，其影响可与早期统计软件的问世相提并论。在经济学应用中，Claude Code 能够通过几轮对话生成回归脚本、结构模型例程或仿真程序。这显著降低了准入门槛：不具备编程专长的经济学家如今也能开展复杂的计算分析。Korinek 认为，经济学的技能构成正在转变，编程熟练度正让位于提示工程与概念建模。
在第 4 节中，Korinek 演示了如何构建可定制的研究智能体。借助 LangGraph 框架，研究者可以通过自然语言描述生成并连接任务节点，例如“从 FRED 下载数据”“运行回归”“撰写结果摘要”。这些智能体会依据中间输出自主决定后续动作，展现出真正的自主性。Korinek 将这一现象称为“AI 自我复制循环”：AI 系统如今正在协助人类编写下一代 AI。随着 MCP（Model Context Protocol）与 A2A（Agent-to-Agent）等标准协议的发展，跨智能体协作将变得顺畅无碍，预示着面向经济学研究的多智能体生态的出现。
三、技术民主化与成本不平等的回归
Korinek 强调 AI 民主化的双重效应：它在降低准入门槛的同时，也放大了有效使用上的不平等。擅长提示设计与模型结构的研究者获得更高的生产率，导致研究速度与质量的分化，这一现象被称为“民主化背后的不平等”。
他进一步分析了经济层面的约束。随着算力需求上升，GPT-4 或 Claude 3.5 等闭源前沿模型的高级订阅费用已升至每月 200 美元，比 2024 年高出十倍。由此，获取智能的能力成为支付能力的函数。在另一端，DeepSeek、阿里巴巴的 Qwen 以及月之暗面的 Kimi-K2 等开源模型以极低成本提供接近前沿的性能，发挥着均衡化的作用。作者建议经济学界保持跨平台的灵活性，避免依赖单一生态系统，以防止新形式的技术垄断。
*Deep Research 与氛围编程共同构建经济学探究的未来*
四、AI 智能体的局限与人类监督的必要性
尽管前景可期，Korinek 仍反复提醒研究者注意。首先，AI 智能体仍存在“幻觉”问题：它们可能编造引用或数据。在多智能体环境中运行时，此类错误可能层层放大。其次，它们对提示高度敏感，缺乏可复现性，并且易受提示注入攻击。此外，它们有时会误用理论框架，或复制训练数据中的偏见。
因此，文中建议经济学家像对待人类研究助理那样对待 AI 智能体：设定明确目标、监督执行过程、验证结果。换言之，AI 应被视为一组需要管理与评估的研究协作者，而非不容置疑的权威。这样的监督保障了研究诚信，并防止过度自动化。
五、结论：AI 智能体带来的经济学研究结构性转型
最后，Korinek 对未来研究给出了审慎的展望。AI 智能体的真正潜力不仅在于生产率提升，更在于改变研究的组织逻辑。它们推动研究从线性工作流走向网络化协作，从个体劳动走向人机混合团队。随着智能体获得规划、执行与学习的能力，学术探究的边界正在被重新划定。
他总结道：“经济学家应当像教授使用研究助理那样使用 AI 智能体，辅以清晰的规划、监督以及对结果的审慎核验。”
AI 或许尚未产出独立的理论创新，但它已经在重塑研究本身的生产函数。未来的经济学家不仅要理解模型，还必须掌握与智能体协作的能力。
References
Kahneman, D. (2011). *Thinking, fast and slow*. Farrar, Straus and Giroux.
Korinek, A. (2023). Generative AI for Economic Research: Use Cases and Implications for Economists. *Journal of Economic Literature*, *61*(4), 1281–1317. https://doi.org/10.1257/jel.20231736
Korinek, A. (2025). AI Agents for Economic Research. *NBER Working Paper Series*. https://doi.org/10.3386/w34202
留言