Chủ đề thịnh hành
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Tôi thường được hỏi: Học sâu thực sự tạo ra sự khác biệt nào trong khả năng tính toán của chúng ta trong kinh tế học?
Câu trả lời của tôi? Trong việc giải quyết các mô hình đánh giá tích hợp (IAM) về biến đổi khí hậu. Trong loại mô hình này, chúng ta muốn hiểu vòng phản hồi giữa kinh tế vĩ mô và khí hậu.
Đây là một vấn đề tính toán cực kỳ phức tạp vì:
1️⃣ Nó không ổn định.
2️⃣ Nó có tính phi tuyến cao.
3️⃣ Nó có nhiều chiều.
Vì ba lý do này, nhiều IAM đã đơn giản hóa vấn đề hoặc bỏ qua các cơ chế kinh tế quan trọng.
Trong một bài báo gần đây được công bố cách đây vài ngày, "Biến đổi khí hậu qua lăng kính của mô hình kinh tế vĩ mô", Kenneth Gillingham, @comp_simon và tôi đã chỉ ra cách áp dụng học sâu để giải quyết các IAM tinh vi hơn nhiều.
Bạn có thể đọc bài báo ở đây:
Cụ thể hơn, chúng tôi chỉ ra cách học sâu nâng cao độ chính xác của các giải pháp của chúng tôi và tính liên quan của các phát hiện chính sách:
1️⃣ Học sâu có thể xử lý các vấn đề không ổn định.
2️⃣ Học sâu có thể xử lý các tính phi tuyến.
3️⃣ Học sâu có thể xử lý các vấn đề nhiều chiều.
Rõ ràng có một cơ hội mở ở đây cho nhiều công việc tiếp theo. Tuy nhiên, đây là một lĩnh vực mà nghề kinh tế không phù hợp lắm.
Để thực hiện được tiềm năng của nó, loại nghiên cứu này cần các nhóm ít nhất nửa tá nhà nghiên cứu (từ các chuyên gia về quản lý dữ liệu đến các nhà khoa học khí hậu, lập trình viên đến các nhà kinh tế vĩ mô), và chúng ta không có cấu trúc thể chế cho sự hợp tác như vậy.
Hầu hết các bài báo trong kinh tế học đều được đồng tác giả bởi các nhóm nhà nghiên cứu ad hoc, và các khoản tài trợ thường chỉ cung cấp hỗ trợ trong vài năm, điều này không cho phép sự liên tục trong các nhóm và đầu tư vào các kỹ năng cụ thể cần thiết.
Điểm này vượt ra ngoài IAM. Khi chúng ta trở thành một lĩnh vực ngày càng định lượng và dựa trên dữ liệu, nhiều dự án nghiên cứu (nhưng không phải tất cả) yêu cầu một môi trường phòng thí nghiệm có cấu trúc hơn tương tự như của các khoa học tự nhiên, và chúng ta vẫn chưa tìm ra cách để đạt được điều đó.
Hy vọng rằng, nghề nghiệp sẽ tiến bộ trên mặt trận này trong những năm tới.

32,47K
Hàng đầu
Thứ hạng
Yêu thích