A menudo me preguntan: ¿Dónde hace una verdadera diferencia el aprendizaje profundo en nuestras capacidades computacionales en economía? ¿Mi respuesta? En la resolución de modelos de evaluación integrada (IAMs) del cambio climático. En esta clase de modelos, queremos entender el bucle de retroalimentación entre la macroeconomía y el clima. Este es un problema computacional extremadamente complicado porque: 1️⃣ No es estacionario. 2️⃣ Es altamente no lineal. 3️⃣ Es de alta dimensión. Debido a estas tres razones, muchos IAMs han simplificado en exceso el problema o han ignorado mecanismos económicos importantes. En un artículo reciente publicado hace unos días, "Cambio Climático a Través de la Lente del Modelado Macroeconómico", Kenneth Gillingham, @comp_simon y yo mostramos cómo aplicar el aprendizaje profundo para resolver IAMs mucho más sofisticados. Puedes leer el artículo aquí: Más particularmente, mostramos cómo el aprendizaje profundo mejora la precisión de nuestras soluciones y la relevancia de los hallazgos de políticas: 1️⃣ El aprendizaje profundo puede manejar no estacionariedades. 2️⃣ El aprendizaje profundo puede manejar no linealidades. 3️⃣ El aprendizaje profundo puede manejar problemas de alta dimensión. Claramente, hay una oportunidad abierta aquí para mucho trabajo de seguimiento. Sin embargo, este es un área para la cual la profesión económica no está bien equipada. Para cumplir con su promesa, este tipo de investigación requiere equipos de al menos media docena de investigadores (desde expertos en gestión de datos hasta científicos climáticos, programadores y macroeconomistas), y no tenemos la estructura institucional para tal colaboración. La mayoría de los artículos en economía son coescritos por equipos ad hoc de investigadores, y las subvenciones generalmente solo ofrecen apoyo por unos pocos años, lo que no permite la continuidad en los equipos y la inversión en las habilidades específicas requeridas. El punto va más allá de los IAMs. A medida que nos convertimos en un campo más cuantitativo y basado en datos, muchos proyectos de investigación (pero no todos) requieren un entorno de laboratorio más estructurado, similar al de las ciencias naturales, y no hemos logrado averiguar cómo lograr eso. Esperemos que la profesión avance en este frente en los próximos años.