经济大数据是经济社会活动在数据空间的映射，具有一些重要特征，如微观主体性，数据源于个体层面的行为记录；高频实时性，能够实现对经济动态的连续记录；交互关联性，微观主体间存在复杂的网络关系；观测属性，大数据几乎均为观测数据而非实验数据。这些特征为经济学与社会科学研究带来了巨大的机遇与挑战。

　　从有限理性到AI赋能理性假设

　　经济学理论体系的基石是理性人假设。然而，20世纪70年代以罗伯特·卢卡斯、萨金特和尼尔·华莱士为代表的宏观经济学理性预期革命，假设经济人完全理性，将非理性因素从主流分析框架中彻底剔除，在随后二十年间几乎销声匿迹。过去二三十年，行为经济学与行为金融学的兴起标志着非理性因素的回归。赫伯特·西蒙更早提出“有限理性”概念，指出经济主体在信息收集、处理能力、认知水平与时间等方面受到约束，无法求得最优解，只能寻求“满意解”。

　　AI时代为这一理论演进提供了全新可能。AI不仅能高效收集与分析数据，实现精准预测与决策，还具备交互功能——不仅利用历史数据，更能与现在和未来的预期进行互动。我们正在见证从传统理性到有限理性再到AI赋能理性的跃迁。事实上，萨金特30多年前便提出用人工智能方法替代经济人形成理性预期。他认为，尽管个体仅具有“有限理性期望”，但基于人工神经网络的适应性学习，经济主体可以从有限理性预期逼近完全理性预期的状态。这一洞见在当前大模型时代展现出前所未有的现实意义，人机结合领域正成为理论研究前沿。

　　从代表性主体到异质性交互

　　当前“宏观数据与微观感受背离”现象的主要根源在于宏观经济理论缺乏微观基础。传统宏观经济学基于市场均衡理论，缺乏微观行为支撑；理性预期革命引入代表性主体优化行为，构建了初步微观基础，但代表性主体假设将异质性消弭殆尽，无法解释收入分配、财富分化等核心问题。

　　AI时代为微观基础构建提供了很多可能的路径。第一，异质性宏观经济学理论。过去二三十年兴起的异质性主体宏观经济理论假设存在大量异质性个体，具有不同偏好与结构参数等。核心挑战在于如何将微观变量加总为宏观指标。传统数学工具难以求解因异质性产生的高维非线性复杂关系，必须借助AI算法。机器学习技术能够有效处理高维异质性，实现从微观行为到宏观现象的链接。第二，概率统计加总方法。宏观变量本质上是微观个体变量的加总。若能获知微观变量联合概率分布，则通过变换可推导出宏观变量的概率分布，从而揭示其动态演化规律。但这一过程涉及超高维矩阵求解运算，传统计算能力无法胜任，当代计算机算力突破使这一路径成为可能。第三，基于主体的模型（Agent-Based Model， ABM）方法。这是用来模拟具有自主意识主体的行为及其相互作用的计算模型，从底层设定微观主体行为规则，通过计算机模拟技术生成宏观经济现象。不同于数学解析证明，ABM依靠计算模拟仿真技术揭示大量异质性微观主体的相互作用如何涌现宏观规律，为理解宏观经济动态提供了“生成式”视角。第四，基于微观大数据的分类数据方法。托马斯·皮凯蒂2013年研究收入不平等时提出的“分布式国民账户”是典型范例。传统统计关注均值，而分布式国民账户聚焦分布——顶端1%、10%收入群体的收入占比变化。这种分类数据依赖海量微观数据，使政策变化与外生冲击对收入与消费分布影响的量化分析成为可能，实现了宏观一致性与微观异质性的统一。

　　从小模型到大模型的复兴

　　过去几十年，经济学家多次尝试构建大模型，其中一些大模型因为“维数灾难”而应用受限。AI时代为那些大模型注入了新活力。例如，可计算一般均衡模型。里昂·瓦尔拉斯1874年提出一般均衡理论，历经多年后，肯尼斯·约瑟夫·阿罗与杰拉德·德布鲁用严谨数学证明其存在性，但求解均衡价格的方法长期缺失。1967年赫伯特·斯卡夫创新性提出算法求解路径，使CGE在政策分析中得到广泛应用。AI算法可进一步提升求解效率与模型规模，处理更复杂的部门关联与异质性。又如，世界宏观经济模型（LINK Project）。20世纪60年代，劳伦斯·克莱因发起该项目，整合各国宏观经济模型，20世纪90年代已包含70多个国家、约两万个方程。这个模型可用于研究各国宏观经济联动与政策整合，但由于参数维数超过样本容量而引发“维数灾难”，该模型未能发挥预期作用。大数据与AI方法特别是降维技术则使这一宏大构想具备实现可能。有学者基于消费者行为研究，构建了超过10万个未知结构参数的微观消费决策模型，用于评估消费者福利。10万多个未知参数具有明确的经济含义，但传统计量经济学方法难以估计。当前算力使此类模型的估计成为常规操作，开启了微观实证研究的新维度。

　　AI时代的大模型复兴不仅是规模的扩展，更是质量的提升：经济含义保持清晰、因果机制可解释、政策实验可验证。这标志着经济学建模从“小而美”的演示走向“大而实”的应用。

　　从数学证明到算法求解

　　长期以来，经济学理论以数学证明为基本范式——假设、引理、定理、推导，追求数学严谨性。然而，数学模型的严苛假设常与现实脱节，高维非线性系统往往难以获得解析解，导致理论模型应用价值受限。

　　计算科学提供了替代路径：通过算法求解复杂高维模型，不求最优解而求满意解。这呼应了有限理性哲学，即经济现实中本就存在“第一最优、第二最优、第三最优”的层级取舍，计算科学正是遵循这一逻辑。过去二三十年，计算经济学、计算金融学与计算社会科学蓬勃发展，均得益于大数据与计算机技术突破。

　　然而，经济学界仍偏数学证明而轻算法训练。高校经济学与计量经济学普遍开设经济学与计量经济学理论课程，却鲜少教授计算方法，构成人才培养的短板。哈尔伯特·怀特从20世纪八九十年代便开始研究人工神经网络模型的大样本理论，随后很多经济学家与计量经济学家便将人工神经网络模型应用于经济金融实证研究，却因那时算力不足、大数据匮乏、经济学家编程能力薄弱而未能成功。这一“超前”尝试暴露了学科交叉能力的缺失。此外，AI带来的不仅是计算工具，更是思维革命。吴文俊长期致力于用机器来证明，展示了算法推理的潜力。展望未来，AI极有可能在定理证明领域实现突破，从而完成经济学研究范式从“人类数学证明”向“人机协同算法求解”的终极转换。

　　人工智能对经济学研究的影响是系统性、革命性的。它将重构理性假设，赋予有限理性以技术实现路径；弥合宏微观裂痕，通过大数据与智能算法构建真正的微观基础；激活大模型潜力，使复杂经济系统的精准模拟成为可能；推动范式转换，从数学严谨性走向算法有效性。经济学正站在新纪元的门槛上，理论演绎与数据驱动将深度融合，微观行为与宏观现象将彻底贯通，数学之美与计算之力将交相辉映。

　　（作者系中国科学院大学经济与管理学院院长、教授）