" 美国正涌入 AI 的巨额投资，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。"

9 月 9 日，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 2026 Inclusion · 外滩大会见解论坛上表示，AI 正在成为推动经济增长的重要力量，但围绕 AI 的投资、决策与政策制定，也正面临巨大的不确定性。资本投入的规模不断扩大，并不意味着未来回报就更加确定。

这是 2026 Inclusion · 外滩大会正式开幕前的一场重磅思想讨论。来自国内外的经济学家、产业界和投资界人士围绕 AI 与经济增长、生产率、投资决策以及未来经济形态展开讨论。

在萨金特看来，理解 AI 正在带来的经济变化，首先需要承认一个事实：我们正在进入一个 " 知道 AI 很重要，却还不知道它究竟会把经济带向哪里 " 的阶段。

他用 17 世纪的开普勒和牛顿作比。

开普勒通过大量天文观测数据，总结出了行星运行的规律，但当时并不知道这些规律背后的物理原因；牛顿则进一步解释了这些规律背后的基本原理。" 今天的 AI 有点像开普勒。" 萨金特表示。

当前的 AI 已经非常擅长从海量数据中识别模式、拟合规律和进行预测，但这并不意味着它已经真正理解了世界为什么如此运行。AI 之所以能够取得今天的进展，很大程度上来自前所未有的数据规模、计算能力以及更加复杂的模型。

但在萨金特看来，AI 真正的前沿，是能否从 " 开普勒阶段 " 走向 " 牛顿阶段 " ——不仅能够发现相关性，还能够进一步理解和推断事物背后的结构，在训练数据之外实现更好的泛化，并能够识别自身知识的边界。

" 我们还不知道 AI 什么时候会进入‘牛顿阶段’。" 萨金特说。

这也意味着，AI 新经济的到来，并不意味着未来已经确定。

恰恰相反，随着 AI 越来越深地进入金融投资、企业经营、科研创新和公共政策等领域，如何面对 " 不确定性 "，可能成为 AI 时代越来越重要的经济问题。

萨金特提醒，很多人会把神经网络理解成一种 " 无模型 " 的学习方式，但实际上，每一种 AI 算法都包含特定的参数化模型，也包含大量关于世界的隐含假设。在熟悉的数据和环境中，一个模型可能表现得非常出色，但当环境发生变化、出现训练数据之外的新情况时，模型也可能失灵。

这也是经济学意义上的 " 风险 " 和 " 不确定性 " 之间的区别。

风险意味着结果虽然未知，但概率大致可以估计；而不确定性意味着，人们甚至无法准确知道未来可能出现什么，以及各种结果发生的概率。AI 带来的很多变化，恰恰属于后者。

萨金特长期研究的 " 稳健控制 " 理论，正是试图解决这样的决策问题。

在这种思路下，决策的目标并不是找到一个 " 绝对正确 " 的模型，而是让决策在模型出现偏差甚至错误时，依然能够保持相对可靠。换句话说，不能只问 " 如果模型是对的，最优选择是什么 "，还要问 " 如果模型错了，这个选择还能不能承受 "。

这对正在形成的 AI 新经济尤其重要。

AI 正在改变生产率，也正在改变企业研发、金融投资、教育科研和消费服务。但生产率究竟会提高到什么程度，新的价值会在哪里产生，哪些行业会被重构，以及这些新增价值最终如何分配，目前都没有确定答案。

" 我们正身处‘未知’的核心。" 萨金特说。因此，他反复强调 " 谦逊 "。

在他看来，面对 AI 带来的巨大变化，无论是企业、投资者还是监管者，都不能仅仅依据一个理想化的模型预测未来，而需要承认模型存在局限，为未知和错误留下空间，并建立能够应对不同可能性的决策机制。

这或许也是理解 AI 新经济的另一面：AI 带来的不仅是更强大的预测能力，也带来了对未知边界的重新认识。

对今天的 AI 而言，真正稀缺的或许不是更多预测，而是在预测之外，承认未知、保留余地，并在不确定中做出更稳健的选择。AI 可以越来越聪明，但面对 AI 新经济，人类或许首先需要学会承认：我们还不知道。