萨金特：AI处于“开普勒阶段”，面对不确定性需保持谦逊

事件概述

2026年9月9日，2011年诺贝尔经济学奖得主、纽约大学教授托马斯·萨金特（Thomas Sargent）在2026 Inclusion·外滩大会见解论坛上发表演讲。他指出，尽管美国正涌入巨额AI投资，但这些投资建立在尚不确定的模型基础之上，无人确切知晓这些模型最终会产出何种结果。萨金特认为，理解AI新经济的关键在于承认我们正处于一个“知道AI重要，却不知其将经济带向何方”的阶段。

核心信息

• 从“开普勒”到“牛顿”的跨越
  萨金特用天文学史作比喻：当前的AI类似于约翰内斯·开普勒，能够通过海量数据总结出行星运行的规律（相关性），但尚未像艾萨克·牛顿那样揭示规律背后的物理原理（因果性与结构）。AI目前擅长拟合和预测，但并未真正理解世界为何如此运行。AI前沿的挑战在于能否从“开普勒阶段”走向“牛顿阶段”，即在训练数据之外实现更好的泛化，并识别自身知识的边界。

• 区分“风险”与“不确定性”
  萨金特强调经济学中“风险”与“不确定性”的本质区别：

  • 风险：结果未知，但概率分布大致可知。
  • 不确定性：连未来可能出现什么及发生概率都无法准确估计。
    AI带来的许多经济变化属于后者。此外，神经网络并非真正的“无模型”学习，每种算法都包含参数化模型及隐含的世界假设。当环境变化或出现训练数据之外的新情况时，模型可能失灵。

• 稳健控制理论的应用
  针对上述不确定性，萨金特提出其长期研究的“稳健控制”（Robust Control）思路。决策的目标不应是寻找一个“绝对正确”的模型以追求最优解，而是确保在模型出现偏差甚至错误时，决策依然可靠。即不仅要问“如果模型是对的，最优选择是什么”，更要问“如果模型错了，这个选择是否还能承受”。

值得关注

萨金特反复强调“谦逊”的重要性。面对AI在生产率、研发、金融投资及公共政策等领域的深入渗透，企业、投资者和监管者不能仅依赖理想化的模型预测未来，而应承认模型的局限性，为未知和错误预留空间，并建立能够应对多种可能性的决策机制。在AI日益强大的背景下，人类更需要学会承认认知的边界，在不确定中做出更稳健的选择。