诺奖得主萨金特：AI仍处于“开普勒阶段”，面对不确定性需保持谦逊

“美国正涌入AI的巨额投资，却建立在可疑的模型之上。没人真正知道这些模型最终会产出什么。”

2011年诺贝尔经济学奖得主、纽约大学教授托马斯·萨金特（Thomas Sargent）在外滩大会见解论坛上指出，AI已成为推动经济增长的关键力量，但伴随而来的投资、商业决策与政策制定正面临巨大的不确定性。资本投入规模的激增，并不等同于未来回报的确定性。

萨金特强调，理解AI重构经济的现状，首先要承认一个现实：我们正处于一个“知道AI至关重要，却尚未看清它会将经济引向何方”的过渡期。

他以科学史上的两位巨匠作比：17世纪的开普勒通过海量天文观测数据总结出行星运动定律，却无法解释背后的物理机制；直到牛顿出现，才真正揭示了这些规律的底层原理。“今天的AI，更像是开普勒。”

目前的AI模型极度擅长在海量数据中拟合规律、识别相关性并给出预测。这种能力的爆发主要源于算力激增、海量数据和更复杂的算法架构，并不意味着模型已经理解了现实世界的运行逻辑。萨金特认为，AI技术的前沿突破在于能否从“开普勒阶段”迈向“牛顿阶段”——不仅要发现数据关联，更要理解事物背后的深层因果与结构，实现在训练集之外的高效泛化，并准确识别自身的认知边界。

“我们至今无法预知AI何时才能进入‘牛顿阶段’。”这也意味着，AI驱动的新经济并不具备确定的演进路径。

随着AI深度嵌入金融风控、企业经营、科学研发及公共治理等核心环节，应对“高度不确定性”成为重中之重。萨金特提醒，许多人误将神经网络视为一种“无模型”的端到端学习，但实际上任何AI算法都内嵌了特定的参数架构与对世界的隐含假设。在基准数据分布内，模型表现优异；一旦外部环境突变或遇到分布外（OOD）场景，模型极易出现断崖式失灵。

这正是经济学中“风险”与“不确定性”的本质差异：风险是结果未知但概率分布已知；而不确定性则是人们甚至无法预知可能发生什么，更谈不上概率评估。AI引发的经济冲击普遍属于后者。

针对此类难题，萨金特长期推行的“稳健控制”理论（Robust Control）提供了新解法。在这一逻辑下，决策目标不再是押注一个“绝对最优”的模型，而是确保在底层模型产生严重偏差甚至失效时，系统依然具备足够的容错性与生存能力。核心问题从“模型正确时的最优收益”转变为“模型一旦犯错，损失是否可以承受”。

生产率的具体增幅、新价值的捕获节点、被颠覆的行业边界以及财富分配机制，目前都尚无定论。身处未知的核心，萨金特反复呼吁产业界与投资界保持“谦逊”。无论是科技巨头、风险投资机构还是监管部门，都不应盲目依赖理想化的线性预测，必须为错误与系统性未知预留冗余空间。

在生成式AI狂飙突进的当下，真正稀缺的资产并不是更激进的预测模型，而是在不确定性中承认未知的定力，以及构建足够稳健的防御边界。