諾獎得主薩金特：AI發展仍處在“開普勒階段”

“美國正涌入AI的巨額投資，建立在可疑的模型之上。沒人真正知道這些模型最終會產出什么。”

9月9日，2011年諾貝爾經濟學獎得主、紐約大學教授托馬斯·薩金特（Thomas Sargent）在2026 Inclusion·外灘大會見解論壇上表示，AI正在成為推動經濟增長的重要力量，但圍繞AI的投資、決策與政策制定，也正面臨巨大的不確定性。

薩金特表示，資本投入的規模不斷擴大，并不意味著未來回報就更加確定。而談及AI發展階段時，他認為：“今天的AI有點像開普勒。”

這是2026 Inclusion·外灘大會開幕前的一場思想討論。來自國內外的經濟學家、產業界和投資界人士圍繞AI與經濟增長、生產率、投資決策以及未來經濟形態展開討論。

AI真正的前沿是能否從“開普勒階段”走向“牛頓階段”

在薩金特看來，理解AI正在帶來的經濟變化，首先需要承認一個事實：我們正在進入一個“知道AI很重要，卻還不知道它究竟會把經濟帶向哪里”的階段。

他用17世紀的開普勒和牛頓作比：開普勒通過大量天文觀測數據，總結出了行星運行的規律，但當時并不知道這些規律背后的物理原因；牛頓則進一步解釋了這些規律背后的基本原理。

“今天的AI有點像開普勒。”薩金特表示。

他提到，當前的AI已經非常擅長從海量數據中識別模式、擬合規律和進行預測，但這并不意味著它已經真正理解了世界為什么如此運行。AI之所以能夠取得今天的進展，很大程度上來自前所未有的數據規模、計算能力以及更加復雜的模型。

但在薩金特看來，AI真正的前沿，是能否從“開普勒階段”走向“牛頓階段”——不僅能夠發現相關性，還能夠進一步理解和推斷事物背后的結構，在訓練數據之外實現更好的泛化，并能夠識別自身知識的邊界。

“我們還不知道AI什么時候會進入‘牛頓階段’。”薩金特說。

他提出，這也意味著，AI新經濟的到來，并不意味著未來已經確定。正因如此，隨著AI越來越深地進入金融投資、企業經營、科研創新和公共政策等領域，如何面對“不確定性”，可能成為AI時代越來越重要的問題。

真正的稀缺，在預測之外

薩金特提醒，很多人會把神經網絡理解成一種“無模型”的學習方式，但實際上，每一種AI算法都包含特定的參數化模型，也包含大量關于世界的隱含假設。在熟悉的數據和環境中，一個模型可能表現得非常出色，但當環境發生變化、出現訓練數據之外的新情況時，模型也可能失靈。

這也是經濟學意義上的“風險”和“不確定性”之間的區別。他指出，風險意味著結果雖然未知，但概率大致可以估計；而不確定性意味著，人們甚至無法準確知道未來可能出現什么，以及各種結果發生的概率。而AI帶來的很多變化，恰恰屬于后者。

薩金特長期研究的“穩健控制”理論，正是試圖解決這樣的決策問題。

在“穩健控制”的思路下，決策的目標并不是找到一個“絕對正確”的模型，而是讓決策在模型出現偏差甚至錯誤時，依然能夠保持相對可靠。換句話說，不能只問“如果模型是對的，最優選擇是什么”，還要問“如果模型錯了，這個選擇還能不能承受”。

他認為，這對正在形成的AI新經濟尤其重要。當前，AI正在改變生產率，也正在改變企業研發、金融投資、教育科研和消費服務。但生產率究竟會提高到什么程度，新的價值會在哪里產生，哪些行業會被重構，以及這些新增價值最終如何分配，目前都沒有確定答案。

“我們正身處‘未知’的核心。”薩金特說。因此，他強調當前階段必須“保持謙遜”。

在他看來，面對AI帶來的巨大變化，無論是企業、投資者還是監管者，都不能僅僅依據一個理想化的模型預測未來，而是需要承認模型存在局限，為未知和錯誤留下空間，并建立能夠應對不同可能性的決策機制。

這或許也是理解AI新經濟的另一面：AI帶來的不僅是更強大的預測能力，也帶來了對未知邊界的重新認識。薩金特認為，對今天的AI而言，真正稀缺的或許不是更多預測，而是在預測之外——承認未知、保留余地，并在不確定中做出更穩健的選擇。

“AI可以越來越聰明，但面對AI對未來的影響，人類或許首先需要學會承認：我們還不知道。”他說。