“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。

萨金特表示，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。而谈及AI发展阶段时，他认为：“今天的AI有点像开普勒。”

这是2026 Inclusion·外滩大会开幕前的一场思想讨论。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。

托马斯·萨金特在2026 Inclusion·外滩大会见解论坛上受追捧。

AI真正的前沿是能否从“开普勒阶段”走向“牛顿阶段”

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。

他提到，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。

他提出，这也意味着，AI新经济的到来，并不意味着未来已经确定。正因如此，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时代越来越重要的问题。

真正的稀缺，在预测之外

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。他指出，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。而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“稳健控制”的思路下，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”。

他认为，这对正在形成的AI新经济尤其重要。当前，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，他强调当前阶段必须“保持谦逊”。

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，而是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。萨金特认为，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对未来的影响，人类或许首先需要学会承认：我们还不知道。”他说。