Muitas vezes me perguntam: onde o aprendizado profundo faz uma diferença real em nossas capacidades computacionais em economia? Minha resposta? Na resolução de modelos de avaliação integrada (IAMs) das mudanças climáticas. Nesta classe de modelos, queremos entender o ciclo de feedback entre macro e clima. Este é um problema computacional extremamente complicado porque: 1️⃣ Não é estacionário. 2️⃣ É altamente não linear. 3️⃣ É altamente dimensional. Por causa dessas três razões, muitos IAMs simplificaram demais o problema ou ignoraram mecanismos econômicos importantes. Em um artigo recente publicado há alguns dias, Climate Change Through the Lens of Macroeconomic Modeling, Kenneth Gillingham, @comp_simon, e eu mostramos como aplicar o aprendizado profundo para resolver IAMs muito mais sofisticados. Você pode ler o artigo aqui: Mais especificamente, mostramos como o aprendizado profundo aumenta a precisão de nossas soluções e a relevância das descobertas de políticas: 1️⃣ O aprendizado profundo pode lidar com não estacionárias. 2️⃣ O aprendizado profundo pode lidar com não linearidades. 3️⃣ O aprendizado profundo pode lidar com problemas de alta dimensão. Há claramente uma oportunidade aberta aqui para muito trabalho de acompanhamento. No entanto, esta é uma área para a qual a profissão de economia não é adequada. Para cumprir sua promessa, esse tipo de pesquisa requer equipes de pelo menos meia dúzia de pesquisadores (de especialistas em gerenciamento de dados a cientistas climáticos, codificadores e macroeconomistas), e não temos a estrutura institucional para tal colaboração. A maioria dos artigos em economia é de coautoria de equipes ad hoc de pesquisadores, e as bolsas geralmente oferecem apenas alguns anos de apoio, o que não permite a continuidade das equipes e o investimento nas habilidades específicas necessárias. O ponto vai além dos IAMs. À medida que nos tornamos um campo mais quantitativo e orientado por dados, muitos projetos de pesquisa (mas não todos) exigem um ambiente de laboratório mais estruturado, semelhante ao das ciências naturais, e ainda não descobrimos como conseguir isso. Esperançosamente, a profissão progredirá nessa frente nos próximos anos.