人工智能革命已经席卷经济学界。有人用AI生成“研讨会模拟系统”，可以让经济学家提前应对一个虚拟的“杠精审稿人”；也听说过一个项目，打算用AI批量生成1000份政策评估报告。

问题来了：这些新工具，真的让经济学变得更好吗？

理论上，AI至少可以从三个方面改变这门学科。第一，提高生产力，让原本复杂的研究流程变得可复制、低成本；第二，扩展研究边界，让过去难以量化的领域进入分析范围；第三，帮助发现并剔除错误。

先看效率这一块。AI在替代重复劳动方面几乎没有争议：数据清洗、申请写作、表格整理，这些曾经让人头疼的工作，现在都可以自动化完成。（做过数据清洗的人，大概都会对这件事心怀感激。）不少学者已经明显受益。达特茅斯学院的保罗·诺沃萨德说，他能用来“真正思考问题”的时间大约增加了五倍；苏黎世联邦理工的埃利奥特·阿什甚至表示，生产力的提升让他更想工作。

不过，效率的提升，并没有直接转化为“更好的研究”。至少目前还没有。

AI还无法独立产出顶级论文。参与“1000篇AI论文”项目的学者表示，目前成果“还不错”，但距离诺奖级别还有明显差距。《美国经济评论》的编辑估计，大约四分之一的投稿论文披露使用了AI，主要用于语言润色和编程辅助，但整体质量并没有显著提升。

甚至在一个更基础的问题上——论文是否更容易读懂——答案也是“没有”。基于美国国家经济研究局论文摘要的数据，自ChatGPT发布以来，句子确实变短了，但这只是延续原有趋势；与此同时，用词反而变得更复杂了。换句话说，读起来依然不轻松，甚至可能更拗口。

如果说效率提升还只是“量变”，那么研究范围的扩展，才更接近“质变”。

过去，经济学对定性信息的处理能力非常有限。收集成本高、分析难度大，很多问题只能被忽略。但现在，AI可以处理大量文本和非结构化数据，使得一些原本难以量化的领域开始被纳入分析框架。例如，研究人员可以更系统地评估城市分区政策的影响，分析求职面试的细节，甚至从企业财报电话会议中提取信息，判断公司如何应对关税变化。

预测领域也在发生变化。AI推动了一类更灵活的“通用模型”，不需要针对每一个具体问题单独设计。国际清算银行最近发布的一种模型，就声称如果当时存在，可以更早识别2021—2022年通胀的持续性。

这些变化的共同点在于：经济学正在从“能研究什么”，转向“几乎什么都可以研究”。

但问题也随之而来。

第三个方向，用AI来发现错误，看似最有希望，实际上也最复杂。原因很简单：经济学本身就高度依赖同行评审，而这个机制一直存在漏洞。如果未来论文数量因为AI而激增，或者每篇论文都附带大量附录和稳健性检验，审稿人很可能直接“被压垮”。毕竟，现实中的“严谨审稿人”，并不是无限精力的机器。

为了解决这个问题，一些顶级期刊已经开始尝试使用AI审稿工具，比如Refine。这类工具可以系统性扫描论文中的问题。据其开发者介绍，即便是已经通过顶级期刊审稿的论文，AI仍然能在大约三分之一的案例中发现问题。

听起来很美好：AI在帮人类“补漏洞”。

但风险也很现实。如果人类在原本就动力不足的情况下已经会忽略错误，那么当AI可以替他们完成部分工作时，人类是否会进一步“偷懒”？这个问题没有标准答案，但已经出现了一些不太妙的信号，比如用AI生成敷衍的审稿意见。

于是，一个有点讽刺的问题浮现出来：AI发现错误的速度，能否快过人类放弃寻找错误的速度？

这可能才是关键。

如果答案是肯定的，那么AI将真正提升经济学的质量；如果答案是否定的，那么我们可能会进入一个奇怪的阶段——研究数量爆炸、形式更加复杂，但错误并没有减少，甚至更难被发现。

从更宏观的角度看，AI对经济学的影响，和它对很多行业的影响一样：它首先改变的是“生产函数”，而不是“结果本身”。你可以更快地产出更多内容，但这并不自动意味着内容更好。

效率，从来不是质量的同义词。

所以，AI是否正在改善经济学？答案大概是：它正在改变这门学科的边界和节奏，但是否真正提升了质量，还远没有定论。

唯一可以确定的是，经济学家现在面对的，不再只是如何理解世界的问题，还包括如何在一个“AI参与生产知识”的时代，继续保持对错误的敏感。

说得直白一点，以前的难题是“怎么找到答案”，现在多了一个新难题——“怎么确认答案不是AI胡编的”。