徐静

摘要：机器学习是人工智能的重要学科，本文从认识论、科学方法论和社会能动论阐述了其涉及的哲学问题。区别于传统的经济学研究方法，机器学习在解决“因果关系”的识别、提高经济预测的效率和精度、经济行为分类等方向具有良好前景，但也带来经济现象的绝对主义认识论淡化、“形而上学”与 “不可知论”的冲突、经济伦理问题突出等哲学问题，因此我们认为未来应该积极应对，增强自我意识和自我知识，注重理论而非依赖方法。

关键词：机器学习哲学;经济学研究;绝对主义认识论

一、机器学习的科学基础和哲学基础

1.1机器学习概述

什么是机器学习？克拉克奖获得者经济学家、斯坦福大学的苏珊·艾希（Susan Athey）给出了机器学习在社会科学语境中的定义，即通过开发适用于特定数据的计算机算法，实现聚类、分类及预测等任务（Athey，2018） [1]。说得更为透彻一点，就是基于大量的数据特征值，不断优化统计计算程序的性能标准，让程序来实现“学习”，发现数据特征并进行统计预测的任务。例如，一个电子邮件程序通过监视用户将哪些邮件标为垃圾附件而学会了更好地过滤垃圾邮件，然则用户将邮件标为垃圾邮件就是训练经验。机器学习意味着程序能够自动完成任务。

机器学习是人工智能的核心领域，算法是对人类学习过程的模拟，因此经常涉及到认知、心灵等哲学方面的内容，因而在利用机器学习工具时必须进入到哲学的范畴内思考。机器学习作为现在最前沿的技术，国内外许多学者从认知科学、数据科学角度研究机器学习哲学[2]。实际上，机器学习的应用范围非常广泛，具体研究社科领域，尤其是其经济学领域应用相关哲学问题的研究很少。因此本文希望从以自身研究实践为基础，梳理机器学习所带来的哲学问题，阐述在我们在学术研究过程中引发的关于机器学习的哲学思考。

1.2机器学习与认识论

科学促进了人类对世界的认识，认识推动着认识论的进步，从而助推了科学认识论的出现。机器学习正是对人类一系列活动的模仿，也是对人类认识世界过程进行模仿后，将其结果反映到人类世界的一种学习输出活动[3]。机器学习带给认识论的挑战在于其能否将人类取而代之，我们认为这个问题的答案是否定的。首先，机器要想进一步突破人类社会的认知极限离不开专家的进一步研究，本质上缺少主观能动性。经济学理论从现代经济学诞生到新古典经济学理论的发展，而后进入凯恩斯时代，这些都离不开社会形态、工业革命、政策干预等持续的实践活动。其次，机器没有像人一样的思维认识与社会活动，很难与世界建立一种关联。最后，机器缺乏自我意识，不可能像人一样自发性的追求自身价值，虽然经济学假设消费者都是理性的，但是实际上并不能精确预测消费者行为和刻画消费者的效用，人类自我意识无法被机器所描述。

1.2机器学习与科学方法论

在科技高速发展的今天，机器学习已然成为了数据研究整理与分析预测工作中最有價值、最可靠的手段，为人类社会带来了新的科学方法论[4]。机器学习在应用经济领域被广泛使用。在归纳推理方面，机器学习能对数据进行学习后处理复杂数据，大幅降低金融行业人力成本并提升风控及业务处理能力。在演绎推理方面，机器学习是一个完整的推理系统，旨在从一般性的结论中得到特定结论。

二、机器学习经济学领域的应用前景

2.1解决“因果关系”的基本问题

计量经济学是对经济变量之间的因果关系进行定量分析的学科，指我们在判断因果关系是否存在的时候，需要确定个体的反事实状态[6]。例如，一个个体服用感冒药后症状减轻，但是这本身并不足以说明服药和症状之间的因果性。我们还需要假设另外一个反事实状态，即如果这个个体没有服用药物的话，他或者她的症状会如何。经济学传统的实证方法主要是统计学实践，依赖于主观的模型设定，也很容易因为变量的内生性导致估计的偏误。比如说，我们在研究科技创新对GDP的影响时，无法控制所有影响GDP又与科技创新无关的量保持不变，导致识别的结果不单单只是科技创新所决定。从这些实践不难看出，所谓的“因果关系”，本质上是一个控制非观测因素不变的问题，而这恰恰是机器学习方法的强项所在。目前，已经有学者采用各种新的机器学习技术来学习一系列解释变量X与被解释变量Y之间的相互关系，机器学习与统计回归的不同在于可以自动识别自变量与自变量之间、当前自变量与前一刻自变量之间、因变量与前一刻因变量之间的内生性，通过这种对X与Y之间关系的学习，能够基本解决“因果关系”的推断。

2.2提高经济预测的效率和精度

很多因果推论技术都是基于倾向值展开的，所谓倾向值，是指个体接纳自变量某个特定水平影响的概率，这个概率需要研究者根据手头的数据进行估计[6]。对于难以预测的变量，机器学习可以识别出周期的变化，同时很好地解决非线性问题，预测值全部分布在置信区间内，精度很高，可见机器学习技术便具有比较显著的优势。

三、机器学习在经济学研究中引发的哲学问题

3.1经济现象的绝对主义认识论淡化

机器学习的预测引入了“黑箱机制”，较之传统定量研究追求明确、清晰和基于理论的机制性解释相比，预测的绝对主义认识论色彩有了明显淡化。在经济学实证分析中，我们减少了对理论的依赖的关注，转而依赖算法和数据来训练模型和测试模型，导致在进行实证研究中忽略了其逻辑性和路径。我们仅仅得到机器学习的识别和预测结果，不知道自变量之间以及自变量和因变量之间的具体关系，甚至无法把模型用数理形式表示出来，更不用说去解释其经济原理和影响机制。这成为利用机器学习进行研究中的局限性，使许多宏观经济层面的研究与该方法不适配。绝对认识主义的淡化使机器学习的算法并不是完美的，“计量经济”和“机器学习”之间存在一种矛盾：“模型可解释性”与“有效性”的抉择，“模型精度”和“模型效率”的妥协，“欠拟合”和“过拟合”的平衡等。

3.2“形而上学”vs“不可知论”

无论是机器学习还是统计学习对于样本的处理寻找一种映射，在经济学领域映射关系的构建基于社会经济数据，依赖于概率工具的判断。统计学中对概率的认知有两种：频率学派，认为参数是客观存在的，即“形而上学”;贝叶斯学派，认为参数不是固定的，即“不可知论”。机器学习面临一个参数到底是否存在的问题，估计原理认为在宇宙中，到处都存在不确定性，一切都处于运动之中，因此并不存在真实的参数[7]。计量经济学领域对样本处理从统计学角度出发进行参数估计，哲学思想更接近于而频率学派，相信参数是客观存在的，试图估计“哪个值最接近真实值”，相对应地使用最大似然估计、置信区间和p值，取决于我们对真实值估算的自信和可靠度。

3.3经济伦理问题突出

随着机器学习越来越多地被应用在经济当中，尤其是大数据的处理，导致了经济伦理问题的频频发生。去年新闻报道中，滴滴、阿里巴巴等利用人工智能大数据处理造成“杀熟”，例如消费者在淘宝天猫超市购买的同样一件商品，淘宝对熟客的要价要远高于面对新客的价格，这无疑是一种互联网的价格歧视，极大地侵害了消费者的权益。这种大数据的信息不对称与非透明性，更体现了机器学习对于传统经济伦理问题的冲击，因此我们有必要利用经济伦理规范人工智能的经济行为。

参考文献：

[1]林命彬. 智能机器的哲学思考[D].吉林大学，2017.

[2]赵彰. 机器学习研究范式的哲学基础及其可解释性问题[D].上海社会科学院，2018.