كثيرا ما يسألني: أين يحدث التعلم العميق فرقا حقيقيا في قدراتنا الحسابية في الاقتصاد؟ إجابتي؟ في حل نماذج التقييم المتكاملة (IAMs) لتغير المناخ. في هذه الفئة من النماذج ، نريد أن نفهم حلقة التغذية الراجعة بين الماكرو والمناخ. هذه مشكلة حسابية معقدة للغاية للأسباب التالية: 1️⃣ إنه غير ثابت. 2️⃣ إنه غير خطي للغاية. 3️⃣ إنه ذو أبعاد عالية. وبسبب هذه الأسباب الثلاثة، بالغت العديد من آليات الإدارة في تبسيط المشكلة أو تجاهلت الآليات الاقتصادية المهمة. في ورقة بحثية حديثة نشرت قبل بضعة أيام ، تغير المناخ من خلال عدسة نمذجة الاقتصاد الكلي ، @comp_simon كينيث جيلينجهام ، أوضحنا كيفية تطبيق التعلم العميق لحل IAMs الأكثر تعقيدا. يمكنك قراءة الورقة هنا: وعلى وجه الخصوص، نظهر كيف يعزز التعلم العميق دقة حلولنا وأهمية نتائج السياسات: 1️⃣ يمكن للتعلم العميق التعامل مع الثباتات. 2️⃣ يمكن للتعلم العميق التعامل مع الجوانب غير الخطية. 3️⃣ يمكن للتعلم العميق التعامل مع المشكلات عالية الأبعاد. ومن الواضح أن هناك فرصة مفتوحة هنا لعمل الكثير من المتابعة. ومع ذلك ، فهذا مجال لا تناسبه مهنة الاقتصاد. للوفاء بوعده، يتطلب هذا النوع من البحث فرقا من ستة باحثين على الأقل (من خبراء في إدارة البيانات إلى علماء المناخ إلى المبرمجين إلى خبراء الاقتصاد الكلي)، وليس لدينا الهيكل المؤسسي لمثل هذا التعاون. يتم تأليف معظم الأوراق في الاقتصاد من قبل فرق مخصصة من الباحثين ، وعادة ما تقدم المنح دعما لبضع سنوات فقط ، مما لا يسمح بالاستمرارية في الفرق والاستثمار في المهارات المطلوبة الخاصة بالمطابقة. النقطة تتجاوز IAMs. نظرا لأننا أصبحنا مجالا أكثر كمية وتعتمد على البيانات ، فإن العديد من المشاريع البحثية (ولكن ليس كلها) تتطلب بيئة معملية أكثر تنظيما مماثلة لتلك الخاصة بالعلوم الطبيعية ، ولم نكتشف كيفية تحقيق ذلك. نأمل أن تحرز المهنة تقدما على هذه الجبهة خلال السنوات القادمة.