我经常被问到：深度学习在我们经济学的计算能力中真正产生差异的地方在哪里？ 我的回答是？在解决气候变化的综合评估模型（IAMs）中。在这一类模型中，我们希望理解宏观经济与气候之间的反馈循环。 这是一个极其复杂的计算问题，因为： 1️⃣ 它是非平稳的。 2️⃣ 它是高度非线性的。 3️⃣ 它是高维的。 由于这三个原因，许多IAMs简化了问题或忽视了重要的经济机制。 在几天前发表的一篇新论文《通过宏观经济建模看气候变化》中，Kenneth Gillingham、@comp_simon 和我展示了如何应用深度学习来解决更复杂的IAMs。 您可以在这里阅读论文： 更具体地说，我们展示了深度学习如何提高我们解决方案的准确性和政策发现的相关性： 1️⃣ 深度学习可以处理非平稳性。 2️⃣ 深度学习可以处理非线性。 3️⃣ 深度学习可以处理高维问题。 显然，这里有一个开放的机会，可以进行更多的后续工作。然而，这个领域并不适合经济学专业。 为了实现其承诺，这类研究需要至少六名研究人员的团队（从数据管理专家到气候科学家，再到程序员和宏观经济学家），而我们没有这样的合作的制度结构。 大多数经济学论文都是由临时团队共同撰写的，资助通常只提供几年的支持，这不允许团队的连续性和对所需特定技能的投资。 这个问题超出了IAMs。随着我们成为一个更加定量和数据驱动的领域，许多研究项目（但并非全部）需要一个更结构化的实验室环境，类似于自然科学的环境，而我们尚未找到实现这一目标的方法。 希望在未来几年内，经济学界能在这一方面取得进展。