機器學習在經濟學領域應用的哲學思考

徐靜

摘要：機器學習是人工智能的重要學科，本文從認識論、科學方法論和社會能動論闡述了其涉及的哲學問題。區別于傳統的經濟學研究方法，機器學習在解決“因果關系”的識別、提高經濟預測的效率和精度、經濟行為分類等方向具有良好前景，但也帶來經濟現象的絕對主義認識論淡化、“形而上學”與 “不可知論”的沖突、經濟倫理問題突出等哲學問題，因此我們認為未來應該積極應對，增強自我意識和自我知識，注重理論而非依賴方法。

關鍵詞：機器學習哲學;經濟學研究;絕對主義認識論

一、機器學習的科學基礎和哲學基礎

1.1機器學習概述

什么是機器學習？克拉克獎獲得者經濟學家、斯坦福大學的蘇珊·艾希（Susan Athey）給出了機器學習在社會科學語境中的定義，即通過開發適用于特定數據的計算機算法，實現聚類、分類及預測等任務（Athey，2018） [1]。說得更為透徹一點，就是基于大量的數據特征值，不斷優化統計計算程序的性能標準，讓程序來實現“學習”，發現數據特征并進行統計預測的任務。例如，一個電子郵件程序通過監視用戶將哪些郵件標為垃圾附件而學會了更好地過濾垃圾郵件，然則用戶將郵件標為垃圾郵件就是訓練經驗。機器學習意味著程序能夠自動完成任務。

機器學習是人工智能的核心領域，算法是對人類學習過程的模擬，因此經常涉及到認知、心靈等哲學方面的內容，因而在利用機器學習工具時必須進入到哲學的范疇內思考。機器學習作為現在最前沿的技術，國內外許多學者從認知科學、數據科學角度研究機器學習哲學[2]。實際上，機器學習的應用范圍非常廣泛，具體研究社科領域，尤其是其經濟學領域應用相關哲學問題的研究很少。因此本文希望從以自身研究實踐為基礎，梳理機器學習所帶來的哲學問題，闡述在我們在學術研究過程中引發的關于機器學習的哲學思考。

1.2機器學習與認識論

科學促進了人類對世界的認識，認識推動著認識論的進步，從而助推了科學認識論的出現。機器學習正是對人類一系列活動的模仿，也是對人類認識世界過程進行模仿后，將其結果反映到人類世界的一種學習輸出活動[3]。機器學習帶給認識論的挑戰在于其能否將人類取而代之，我們認為這個問題的答案是否定的。首先，機器要想進一步突破人類社會的認知極限離不開專家的進一步研究，本質上缺少主觀能動性。經濟學理論從現代經濟學誕生到新古典經濟學理論的發展，而后進入凱恩斯時代，這些都離不開社會形態、工業革命、政策干預等持續的實踐活動。其次，機器沒有像人一樣的思維認識與社會活動，很難與世界建立一種關聯。最后，機器缺乏自我意識，不可能像人一樣自發性的追求自身價值，雖然經濟學假設消費者都是理性的，但是實際上并不能精確預測消費者行為和刻畫消費者的效用，人類自我意識無法被機器所描述。

1.2機器學習與科學方法論

在科技高速發展的今天，機器學習已然成為了數據研究整理與分析預測工作中最有價值、最可靠的手段，為人類社會帶來了新的科學方法論[4]。機器學習在應用經濟領域被廣泛使用。在歸納推理方面，機器學習能對數據進行學習后處理復雜數據，大幅降低金融行業人力成本并提升風控及業務處理能力。在演繹推理方面，機器學習是一個完整的推理系統，旨在從一般性的結論中得到特定結論。

二、機器學習經濟學領域的應用前景

2.1解決“因果關系”的基本問題

計量經濟學是對經濟變量之間的因果關系進行定量分析的學科，指我們在判斷因果關系是否存在的時候，需要確定個體的反事實狀態[6]。例如，一個個體服用感冒藥后癥狀減輕，但是這本身并不足以說明服藥和癥狀之間的因果性。我們還需要假設另外一個反事實狀態，即如果這個個體沒有服用藥物的話，他或者她的癥狀會如何。經濟學傳統的實證方法主要是統計學實踐，依賴于主觀的模型設定，也很容易因為變量的內生性導致估計的偏誤。比如說，我們在研究科技創新對GDP的影響時，無法控制所有影響GDP又與科技創新無關的量保持不變，導致識別的結果不單單只是科技創新所決定。從這些實踐不難看出，所謂的“因果關系”，本質上是一個控制非觀測因素不變的問題，而這恰恰是機器學習方法的強項所在。目前，已經有學者采用各種新的機器學習技術來學習一系列解釋變量X與被解釋變量Y之間的相互關系，機器學習與統計回歸的不同在于可以自動識別自變量與自變量之間、當前自變量與前一刻自變量之間、因變量與前一刻因變量之間的內生性，通過這種對X與Y之間關系的學習，能夠基本解決“因果關系”的推斷。

2.2提高經濟預測的效率和精度

很多因果推論技術都是基于傾向值展開的，所謂傾向值，是指個體接納自變量某個特定水平影響的概率，這個概率需要研究者根據手頭的數據進行估計[6]。對于難以預測的變量，機器學習可以識別出周期的變化，同時很好地解決非線性問題，預測值全部分布在置信區間內，精度很高，可見機器學習技術便具有比較顯著的優勢。

三、機器學習在經濟學研究中引發的哲學問題

3.1經濟現象的絕對主義認識論淡化

機器學習的預測引入了“黑箱機制”，較之傳統定量研究追求明確、清晰和基于理論的機制性解釋相比，預測的絕對主義認識論色彩有了明顯淡化。在經濟學實證分析中，我們減少了對理論的依賴的關注，轉而依賴算法和數據來訓練模型和測試模型，導致在進行實證研究中忽略了其邏輯性和路徑。我們僅僅得到機器學習的識別和預測結果，不知道自變量之間以及自變量和因變量之間的具體關系，甚至無法把模型用數理形式表示出來，更不用說去解釋其經濟原理和影響機制。這成為利用機器學習進行研究中的局限性，使許多宏觀經濟層面的研究與該方法不適配。絕對認識主義的淡化使機器學習的算法并不是完美的，“計量經濟”和“機器學習”之間存在一種矛盾：“模型可解釋性”與“有效性”的抉擇，“模型精度”和“模型效率”的妥協，“欠擬合”和“過擬合”的平衡等。

3.2“形而上學”vs“不可知論”

無論是機器學習還是統計學習對于樣本的處理尋找一種映射，在經濟學領域映射關系的構建基于社會經濟數據，依賴于概率工具的判斷。統計學中對概率的認知有兩種：頻率學派，認為參數是客觀存在的，即“形而上學”;貝葉斯學派，認為參數不是固定的，即“不可知論”。機器學習面臨一個參數到底是否存在的問題，估計原理認為在宇宙中，到處都存在不確定性，一切都處于運動之中，因此并不存在真實的參數[7]。計量經濟學領域對樣本處理從統計學角度出發進行參數估計，哲學思想更接近于而頻率學派，相信參數是客觀存在的，試圖估計“哪個值最接近真實值”，相對應地使用最大似然估計、置信區間和p值，取決于我們對真實值估算的自信和可靠度。

3.3經濟倫理問題突出

隨著機器學習越來越多地被應用在經濟當中，尤其是大數據的處理，導致了經濟倫理問題的頻頻發生。去年新聞報道中，滴滴、阿里巴巴等利用人工智能大數據處理造成“殺熟”，例如消費者在淘寶天貓超市購買的同樣一件商品，淘寶對熟客的要價要遠高于面對新客的價格，這無疑是一種互聯網的價格歧視，極大地侵害了消費者的權益。這種大數據的信息不對稱與非透明性，更體現了機器學習對于傳統經濟倫理問題的沖擊，因此我們有必要利用經濟倫理規范人工智能的經濟行為。

參考文獻：

[1]林命彬. 智能機器的哲學思考[D].吉林大學，2017.

[2]趙彰. 機器學習研究范式的哲學基礎及其可解釋性問題[D].上海社會科學院，2018.