Sou frequentemente questionado: Onde é que o deep learning faz uma verdadeira diferença nas nossas capacidades computacionais em economia? A minha resposta? Na resolução de modelos de avaliação integrada (IAMs) das alterações climáticas. Nesta classe de modelos, queremos entender o ciclo de feedback entre a macroeconomia e o clima. Este é um problema computacional extremamente complicado porque: 1️⃣ É não estacionário. 2️⃣ É altamente não linear. 3️⃣ É altamente dimensional. Por causa destas três razões, muitos IAMs simplificaram excessivamente o problema ou ignoraram mecanismos económicos importantes. Num artigo recente publicado há poucos dias, "Mudanças Climáticas Através da Lente da Modelagem Macroeconómica", Kenneth Gillingham, @comp_simon, e eu mostramos como aplicar deep learning para resolver IAMs muito mais sofisticados. Você pode ler o artigo aqui: Mais particularmente, mostramos como o deep learning melhora a precisão das nossas soluções e a relevância das conclusões políticas: 1️⃣ O deep learning pode lidar com não estacionariedades. 2️⃣ O deep learning pode lidar com não linearidades. 3️⃣ O deep learning pode lidar com problemas de alta dimensão. Há claramente uma oportunidade aberta aqui para muito trabalho de seguimento. No entanto, esta é uma área para a qual a profissão de economia não está bem preparada. Para cumprir a sua promessa, este tipo de pesquisa requer equipas de pelo menos meia dúzia de investigadores (desde especialistas em gestão de dados a cientistas climáticos, programadores e macroeconomistas), e não temos a estrutura institucional para tal colaboração. A maioria dos artigos em economia é coautorizada por equipas ad hoc de investigadores, e os subsídios geralmente oferecem apenas alguns anos de apoio, o que não permite continuidade nas equipas e o investimento nas competências 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) requerem um ambiente de laboratório mais estruturado, semelhante ao das ciências naturais, e ainda não descobrimos como alcançar isso. Esperançosamente, a profissão fará progressos nesta área nos próximos anos.