导言
当AI能够协助检索文献、推导模型、模拟场景乃至撰写论文，科学研究是否会自然而然地提效并加速？这是以往关于“AI与科学”（AI for Science）讨论中经常出现的问题。但知识生产不只关乎“研究能做多快”，也关乎“研究会走向哪里”：AI会怎样改变研究者选择什么课题、迈出多远的脚步？
在此前的“罗汉论道”讲座中，多伦多大学罗特曼管理学院战略管理教授、Creative Destruction Lab首席经济学家Joshua Gans分享了他对这一问题的独到思考。Gans是AI经济学领域的高产学者。除了一系列的论文和合集之外，他还出版有《预测机器》（Prediction Machines, 2018）、《权力与预测》（Power and Prediction, 2022）、《人工智能微观经济学》（The Microeconomics of Artificial Intelligence, 2025）等专著。在他自己的研究和写作实践中，AI已成为不可或缺的伙伴。
借助Carnehl & Schneider提出的知识模型，Gans将新知识的价值归结为对决策质量的改善。他指出，研究者在选题时常面临一种权衡：是稳妥地在现有知识边界内进行“深化”（deepening），还是冒险向外“拓展”（expansion）？而AI作为一种预测技术，极擅长在既有知识边界内进行深化和综合。正是这一特性打破了研究者原有的顾虑——当AI包揽了知识节点间的填补，研究者便有了更强的动力跨越舒适区，去探索更远的新知识。这构成了一种强有力的人机互补：AI主导深化，人类引领拓展，共同推进科学发现的前沿。
我们将分上下两篇刊载Joshua Gans的演讲。在上篇中，他介绍了基本的知识模型，并探讨了将AI引入模型之后带来的变化。在下篇中，他将进一步把这一框架引入增长模型，并回应AI能否真正创造新知识等问题。
以下是 Joshua Gans 演讲的上半部分中译全文：
Joshua Gans
感谢大家参与今天的线上研讨会。我知道对于不少人而言现在已是深夜，睡前探讨经济学理论确实不是一件轻松的事，非常感谢各位的支持。
我开始有关人工智能的经济学研究，要早于ChatGPT引领的AI热潮。但我今天要分享的内容，其实源自过去半年多时间里，我对自己论文写作方式的反思。我将这种方式称为“AI优先”（AI-first）：我会在研究项目的一开始就使用大语言模型来辅助论文写作，并随着模型的不断演进持续使用，和它一起反复打磨我的研究。在这个过程中，我获益匪浅。这让我更好地看清了自己的一些习惯，也让我对这些模型有了更多了解。现在我相信，就更快地提出理论而言，AI的作用是无可比拟的。以我今天的分享为例，如果我不说明，大家可能根本不会注意到这背后的AI痕迹。
今天我首先要分享的论文题为《探寻AI知识》（A Quest for AI Knowledge）。这篇论文想问的问题是：AI的采用会怎样改变知识生产？这里的“知识生产”（knowledge production）指的是科学研究，尤其是偏应用型的研究。此前已有不少讨论集中在知识生产的供给侧。2018年，我们在多伦多举办了一场关于AI经济学研究议程的会议，邀请了众多学者参与，并出版了一本会议合集（即The Economics of Artificial Intelligence: An Agenda）。其中，Cockburn, Henderson & Stern撰写的章节将AI视作一种“创新机制的创新”（innovation in the method of innovating），认为它是能够加速创新进程的工具。Agrawal, McHale & Oettl也发表了类似的研究，探讨AI如何优化对有用创意的组合搜索，从而改善研究流程。这些都是关于AI如何改变科学研究的供给侧视角。
相比之下，我个人一直以来更感兴趣的是需求侧，也就是AI的使用将如何改变人们的研究方向，知识本身又将如何转化为更优的决策。我与Agrawal和Goldfarb合著的《预测机器》（Prediction Machines）一书正是围绕这一主题展开的。我的新书《人工智能微观经济学》（The Microeconomics of Artificial Intelligence）同样把这一议题放在核心位置。总体而言，我认为AI扮演着连接知识与决策的桥梁角色。作为一种预测技术，AI能够让我们从已有知识中更精准地提取真正需要的那一部分，通过改善底层知识来改进决策，无论这些知识来自汽车传感器还是直接来自数据。这也正是本研究的切入点。
01
新知识的价值
回到这篇论文，刚才我提到它的核心问题是：AI的应用将会如何改变我们的知识生产？这里，我主要想探讨的并不是数据提供方的激励机制，或是知识的社会和公共属性。我想回到我们对科学研究的传统认知：产生新的知识并与现有知识体系相结合，最终带来更优的决策。
要讨论这个问题，我们需要一个关于知识如何服务于决策的模型。幸运的是，Carnehl & Schneider去年在《计量经济学》（Econometrica）上发表了一篇名为《探寻知识》（A Quest for Knowledge）的论文，正好为我们提供了一个这样的模型。我很乐意承认我的这项研究是“站在巨人的肩膀上”。他们的这篇论文其实相当复杂，即便有AI的辅助，我也花了不少时间才完全消化。但我非常喜欢它，并以此为基础延申出了多篇论文，今天分享的就是其中之一。我的论文题目比他们的多了一个词——“AI”，其核心问题可以理解为：如果在他们的模型中加入AI元素，会发生什么？
我先介绍一下Carnehl & Schneider的知识模型。在他们的模型中，所有潜在的问题都可以映射在一条实数轴上，每个问题都有一个唯一但预先未知的答案。这些答案的分布遵循随机变量的布朗运动（Brownian motion）规律，也就是我们所说的“真相”（truth）。现有的知识可被视为一系列已被解答的“问题-答案”组合，我们可以在实数轴上对它们进行编号。对于决策者来说，他面临一系列答案未知的问题，他要做的就是推测出正确的答案是什么。
假设我们已经有一个知识点，它有几方面作用。首先，最直接的作用是它为某个具体问题提供了精确的解答。在Carnehl & Schneider的图中，当仅存在一个已知知识点时，答案在这个点上是确定的，所以在这个知识点上不存在不确定性。其次，由于布朗运动的特性，与已知点相近的问题，其答案也会与它的答案相似，可以通过该已知点进行推测（conjecture）。而随着距离拉远，推测的置信区间（confidence intervals）会发生变化，这就是图上的虚线。
现在我们在左侧增加一个新知识点，局面就出现了变化。毫无疑问，新知识点处又得到了一个精确答案。但这个新知识点同时也改善了它左侧以及新旧两个知识点之间区域的推测。在布朗运动规律下，某个具体问题的答案分布呈正态分布，既有知识决定它们的均值与方差。对于一个落在两个相邻已知点之间的问题，只要知道两点之间的距离、以及它到知识边界的距离，就能用公式算出方差。新知识的价值就在于改善对未知领域的推测。
02
决策者的权衡
那么，决策者该如何利用这些知识呢？面对每一个具体的问题或知识点，决策者必须决定是基于现有的推测采取行动，还是按兵不动什么也不做。如果什么都不做，收益为零。如果采取了恰当的行动并与正确答案相匹配，则收益最大。如果推测与实际行动之间出现了偏离，则按偏离的程度扣除收益。
于是，决策者的期望收益可以表达为：最大收益减去该知识点的方差与潜在损益（stakes）之比。显然，如果决策者能预先知道确切的答案，最佳方案就是采取与之相符的行动。在无法知晓确切答案的情况下，最佳方案就是采取与推测的均值相等的行动，因为在正态分布下，把行动押在均值上的期望损失最小。
到此，知识的价值有了一个很明确的判断依据：只有当推测的误差范围（方差）小于决策的潜在损益时，行动才值得。也就是说，潜在损益必须足够高，高到值得动手。而方差取决于已知知识点怎么分布——离已知点越远，能依靠的信息越少，方差就越大。方差大到超过潜在损益，行动就不划算。
当我们衡量新知识的价值时，必须全盘考虑它可能影响的所有潜在问题和决策，也就是它将如何提升整体的决策质量。这就是该模型中的积分函数，它代表基于当前知识进行决策所能获得的总期望收益。一项新发现的价值，就在于它能把这个总和提升多少。
03
拓展知识与深化知识
我们可以设想一下科学发现的影响。当仅有单一的知识点时，随着问题偏离该点，决策的期望收益会呈现出一个三角形：在已知点上收益为1，越往远处收益越低，降到0之后就不如不行动了。增加一个新知识点之后，两个知识点对应的收益三角形各有一条斜边被截断，并在两者之间形成一条先下后上的收益曲线。这里我们可以看到，当有两个知识点时，它们之间的那个区域得到了优化：两块知识可以并用，推测会更准，决策也会更优，胜过单靠一个知识点。但在两者之间的这段曲线中，最没把握的仍是两者间的中点，因为它离两端都远，方差最大，收益最低。反过来说，若能恰好在这里找到答案，它对决策的贡献也最大。
因此，研究者在选择下一个研究课题时，需要决定新知识点与现有最近知识点之间的距离。此时会面临这样一个权衡：如果新知识点离现有知识点太远，那就可能会损失两者之间的部分收益；而如果靠得太近，则会有其他代价。只有当新旧知识点处在一个恰到好处的跨度——这个最佳距离约为潜在损益的3倍——研究者才能激活它们之间所有的决策。
Carnehl & Schneider还做了一个非常有意思的区分。如果现有知识的边界由最外侧的两个知识点代表，那么研究者从这两点间连线往外去找答案，可以叫做知识拓展（knowledge expansion）；而在边界之内补上新的知识点，可以叫做知识深化（knowledge deepening）。显然，如果已有的两个知识点相距很远，那么拓展和深化之间的区别并不大。但在更多情况下，两者是截然不同的选择。
研究者的选择不仅取决于他们对于发现新知识并改善决策的追求，也受到研究成本及成功概率等因素的影响。Carnehl & Schneider对研究者在何种条件下会选择拓展知识、何种情况下会选择深化知识做了探讨。他们发现，已有知识点之间存在一个阈值：当且仅当所有已知点非常密集，互相之间的距离都短于某个长度时，研究者才会选择去拓展知识；反过来，如果两个已知点相距足够远，研究者倾向于在中间区域进行知识深化，因为这样能获得立竿见影的决策收益。研究的进程就是以这样一种有趣的方式交替发生。
04
AI善于深化，而非拓展
以上这些都来自于Carnehl & Schneider的理论模型。下面进入我的论文。
让我们先来看看AI擅长什么。作为一种预测技术，AI非常擅长在现有知识中进行内插（interpolate）和提取（extract）。例如，你可以让它写一首Taylor Swift风格的关于电动汽车的歌。它了解Taylor Swift，也了解电动汽车，因此能将两者很好地结合起来。同样地，只要你能明确指出需要结合哪些现有知识，AI就能很好地综合它们，并分析它们之间的差异。然而，AI并不擅长在现有知识边界之外提出全新的问题——起码就目前而言，我们还没有看到AI能够稳定地产生被公认为是知识拓展的成果。
如果情况的确如此，那么研究者会采用AI吗？采用了AI之后，又会对研究带来什么影响？AI会如何处理那些原来是人类研究者需要权衡的知识点选择呢？我在这里要做一个极其简化的核心假设：如果现有的两个知识点落在AI的能力范围内，那么AI就能在这两者之间的区域做出完美的决策，产生最高的收益。但如果AI的能力范围太窄，无法连接现有的知识点，那么这个假设就不成立；在这种情况下，AI毫无用武之地。也就是说，AI的能力必须扩展到足以跨越两个知识点。
这意味着，如果要在已有知识边界内进行深化和填补，AI可以消除研究者以往在知识点距离上所面临的边际内权衡（infra-marginal tradeoff）。此前，当研究者选择一个距离现有知识点较远的课题时，会面临两难：虽然能激活更多新领域的决策，但新跨度内的决策质量却开始下降。现在，只要这两个知识点在AI的能力范围内，这种边际内的成本就不复存在了。既然有了AI，为什么还要在现有知识边界内做退而求其次的研究呢？因此，研究者去深化或者填补（AI能力范围内的）现有知识空白就有了更强的动力。
04
研究者与 AI 之间的互补
如果我们将AI的能力范围与研究者选择的课题跨度进行对比，就会发现，在没有AI辅助时，研究者会倾向于一个较为保守的最优跨度。在AI能力提升的初期，它可能还不足以改变研究者的现有策略。但一旦AI能力突破某个阈值，研究者就会认为调整自己的研究跨度以匹配AI的能力是值得的。在这个匹配的过程中，研究的新颖度最初可能会出现短期的下降，因为研究者可能会选择一个比原本更低的研究新颖度，以求刚刚好“够上”AI的当前能力下限。随着AI能力的进一步增强，研究新颖度会随之攀升。
所以，这里出现了一种强互补关系：一旦AI的能力范围有所提升，那么研究的跨度就可以相应拉大。AI能力的每一次提升，都会激励研究者开展更新颖的研究。更重要的是，无论新颖度是升是降，AI对研究的影响始终是积极的。即便它在初期导致了研究新颖度的下降，这种结果也是合理的，因为在那种情境下，研究者实际上并不需要那么多盲目的创新，更需要的是充分利用好现有的AI。
这就是这篇论文的核心结论。以此为基础，我们可以进一步思考一些推论。比如研究周期（research cycles）的问题：从单个知识点起步，AI将如何改变知识的演进轨迹？Carnehl & Schneider认为，我们可能需要进行一些人为干预来启动（kickstart）某些研究，比如发起一项“登月计划”（moonshot）——探索远远超出现有知识边界的领域，从而激励研究者不断向下深挖知识，让知识体系变得密集；一旦密集到一定程度，研究就会再次向外拓展。
AI可以用来形成一种新的研究周期。我们可以将知识跨度设为当前AI能力的3倍。然后，研究者要做的第一件事，就是去与现有知识点这个距离的另一端创造一个新的知识点。他们要做的第二步，是在这两个知识点之间（及其中的各个节点之间）利用AI进行知识深化，这样他们就能获得双倍的回报——因为当AI用于深化知识时，它可以在左右两个方向上都产生效应。当过了AI辅助知识深化阶段之后，研究者又需要进一步向外拓展。这就是研究者与AI之间的强互补效应。
完整视频回放请访问我们的 YouTube 官方频道👉🏻
https://youtu.be/xiGW-DQexro
