Skip to content 跳到章节

💱AI与未来

经济学家 · 研究稀缺性的学者——从亚当·斯密的制针厂到中央银行的决策室,至今仍被要求预测任何模型都无法完全捕捉的东西。

一眼看清
指标浓度

格子越深,表示该主题在这项指标上越高。

最近审阅 来源与署名媒体署名方法说明

简短问答

经济学家一整天实际都在做什么?

三大方向共享这个头衔:从事研究和教学的学者,中央银行、部委和国际货币基金组织之类机构里的政策经济学家,以及银行、咨询公司和科技企业里的私营部门经济学家。日常工作在各处大同小异——清洗数据、估计模型、写作,并向必须据此行动的人解释结果。

当经济学家需要博士学位吗?

法律上不需要——这个头衔在任何地方都不受保护。实际上,大学、中央银行和国际机构的研究岗位几乎只招博士,而部委、商业银行和咨询公司在硕士层级招人,英国的政府经济服务部门甚至直接从本科毕业生中招聘。博士学位是研究这条路的准入证,而非整个行业的门票。

经济学家能挣多少钱?

据美国劳工统计局数据,2023年美国的薪资中位数约为11.5万美元,美联储和国际货币基金组织的经济学家高于这个数字,大型银行首席经济学家的年薪则可达五十万美元以上。在世界其他地方,名义薪资要低得多:印度或巴西的政府经济学家做同样的工作,收入只是美国数字的一小部分。

经济学真的有诺贝尔奖吗?

严格来说没有——它是瑞典央行1968年设立、以纪念阿尔弗雷德·诺贝尔命名的“瑞典中央银行经济科学奖”,首次颁发于1969年,比原本的诺贝尔奖晚了六十八年。它在同一场斯德哥尔摩典礼上颁发,奖金也相同,这就是为什么几乎所有人,包括经济学家自己,都直接称它为诺贝尔奖。

为什么经济学家没能预测到2008年的危机?

2008年11月,伊丽莎白二世女王访问伦敦政治经济学院时,正是这样问的。英国国家学术院给出的书面答复把责任归结为“众多聪明人集体想象力的失败”:标准的宏观经济模型根本没有把金融体系纳入考量。这一事件迫使银行与信贷重新回到主流模型之中,这场重建至今仍在进行。

经济学家和金融分析师有什么区别?

金融分析师为具体的公司和证券估值,以指导投资决策,通常通过CFA项目获得资质认证。经济学家研究的是整个系统如何运作——通货膨胀、就业、贸易、贫困——并对其提出因果性的问题。二者的训练也因此不同:分析师学会计和估值,经济学家学计量经济学和建模,通常通过硕士或博士完成。

打开对比实验室

分享本页

经济学家自己也承认,这份工作异常暴露于人工智能之下:这份工作就是阅读、编程、估计和写作——恰恰是大语言模型最擅长的任务。对这个行业的调查以及它自己的自动化研究都表明,经济学在暴露程度上远高于平均职业,在职经济学家如今每天都在依靠人工智能来编程、检索文献和撰写初稿。

但暴露不等于被取代。这份工作真正承载价值的部分——选择问题、判断某种变异是否真正外生、在一位行长或部长据此行动时为建议负责——是当前系统只能辅助而非取代的判断力和责任任务。现实的预测是:这个行业会在常规环节收缩,而它资深的判断力工作,反而可能获得更大的杠杆效应。

38 / 100
中等

机器可替代的工作占比

工作日的相当一部分——数据准备、常规估计、图表制作、文献综述、初稿散文、短期预测——已经可以自动化,其中很多在实践中已经被自动化。真正抵抗自动化的,是客户实际付费购买的那个核心:框定问题、判断因果主张、把模型与制度现实整合起来,以及为建议负责。这份工作大约三分之一已经是机器在做;顶层那份有担当的判断力则不是。

按任务计分,而非头衔。越低越安全。

AI难以取代的职业 →

机器夺不走的

选择问题

88

决定什么值得被衡量——哪项政策、哪个边际、哪种比较——是任何工具介入之前的那一步,也是整个研究计划和政策决定成败所系的一步。

模型失灵时的判断力

84

危机正是拟合关系失效的时刻;2008年和疫情都回报了那些能在模型出错时超越模型进行推理的经济学家。

对公共决策负责

80

利率制定委员会、预算记分员和专家证人都以自己的名字为其判断负责;目前还没有哪个机构会把一次投票、一项财政测算或宣誓证词委托给一个模型。

说服力与政治信任

74

建议只有在一位部长、董事会或公众相信它时才有意义;在简报、证词和平实语言中建立这种信任,是自动化触及不到的人际工作。

制度与历史情境

66

了解数据是如何被构建出来的、上一次危机在某个特定国家是如何真正演变的、某项统计数字遗漏了什么,这是模型能消费、却无法创造的隐性知识。

它们已经在夺的

图表、表格与报告制作

85

格式化产出、起草样板段落、生成标准图表包——这占据了初级经济学家真实工作时间的相当一部分——如今已被脚本和人工智能助手端到端接管。

数据清洗与常规估计

78

合并数据集、规范变量、运行设定良好的回归,越来越多地被自动化;人工智能编程助手如今已能为正是这些任务写出可用的Stata、R和Python代码。

文献检索与初稿撰写

72

大语言模型能总结工作论文、浮现相关文献、产出可用的初稿散文——把曾经耗费数周研究助理时间的任务压缩了下来。

短期预测

60

用高频数据对GDP和通胀做即期预测,如今在很大程度上已经是一个机器学习问题,中央银行也已经常规化地运行这类模型;人类的角色已转向解读和推翻它们。

工作如何变化

从调查转向行政大数据

证据的单位正从千人规模的调查转向覆盖全体人口的税收记录、交易和卫星图像——拉杰·切蒂的“机会洞察”团队正是用这种方法,从匿名化的美国国税局数据中绘制出了美国的社会流动性图景,这一方法如今正在全世界的统计机构中传播开来。

人工智能成为研究助理

编程、文献综述和撰写初稿正在转移给人工智能工具,正在掏空传统的研究助理学徒制;这个行业正积极讨论,当曾经用来教会人的那些常规工作被自动化之后,下一代人该如何学会这份手艺的判断力。

经济学家变成工程师

沿着阿尔文·罗斯“设计经济学家”的宣言,市场设计已经从纸面走向实际生产:肾脏交换算法、频谱拍卖和在线广告市场,都由经济学家建造并运营,让声望从解释经济转向了构建经济。

沟通本身成为这份工作

中央银行如今部分地靠讲话来驾驭经济——前瞻指引、扇形图、新闻发布会——社交媒体也让公开解释成为一项核心技能;这个行业正越来越多地提拔那些能镇得住一间会议室、而不仅仅能算清一个回归的经济学家。

分岔出的新职业

科技经济学家/市场设计师

在科技公司内部设计拍卖、定价和市场规则——这条职业路径在哈尔·瓦里安在谷歌开创的广告拍卖工作之前几乎不存在,如今已是新科经济学博士最大的去向之一。

行为洞察专家

运营“助推”团队——这个角色随着英国内阁办公室2010年成立行为洞察小组而诞生,此后被数十国政府效仿——把行为经济学和试验应用到税单、养老金和公共卫生上。

气候经济学家

为碳定价、转型情景建模,并对金融体系进行气候风险压力测试——这一专长因威廉·诺德豪斯2018年的诺贝尔奖而登顶,如今正被中央银行、保险公司和各国部委争相需要。

经济数据科学家

从支付数据、招聘信息和卫星数据流中构建即期预测系统和政策看板——这是统计机构和金融科技公司招聘最快的一个介于计量经济学和机器学习之间的边界角色。

AI 暴露情景

三个可逆透镜:增强、替代切片、新缝隙。教学标记,非预测。

增强

保留岗位;AI 加速草稿、分诊或调研,判断与责任仍在人。

替代切片

狭窄任务堆可能先压缩,相邻手艺反而增长。

新缝隙

在需信任 AI 输出的受监管场景,可能出现监督、集成与领域质检角色。

展望

对这些证据最诚实的解读是:经济学是一个暴露程度高、判断力要求也高的行业——它日常任务中能被自动化的比例,比大多数领域都要高,而它的价值中,能留在那无法被自动化的残余部分里的比例也更高。常规层面——清洗、编程、起草、标准预测——正被迅速吸收,建立在这一层之上的入门级岗位将会变薄。

扩张的是判断力这一层的杠杆效应。一位有人工智能辅助的经济学家,能测试比过去多得多的设定、读更多文献、产出更多情景,比一个团队十年前所能做到的还要多——但选择问题、给出因果结论、提出建议,仍然挂着一个人的名字。那些把决策押在经济分析上的机构,没有显示出任何要摘掉这个名字的迹象。

值得记住的先例是,经济学家此前就已经吸收过自己领域的自动化:电子计算机抹去了这个行业的计算职员,却也让计量经济学成为一个产业;廉价的回归软件让估计变得民主化,也提高了知道该估计什么的溢价。人工智能是同一场交易在更大规模上的重演——用在数据上的手更少,压在判断力上的分量更重。

相近职业

不限同一领域,六项评分最接近的职业。

继续探索

继续探索

商业·金融领域的其他职业