2025年智能之光：⼈机协作的经济管理研究新时代报告-北京大学中国经济研究中心

微信扫码，打开到小程序

C2025003 2025-09-11 智能之光：⼈机协作的经济管理研究新时代 胡诗云 易君健 摘要： 以ChatGPT 和DeepSeek 为代表的⼈⼯智能⼤语⾔模型（简称⼤模型），正在对知 识⼯作者的⽣产⽅式产⽣⾰命性的影响。本⽂⾯向经济管理学科的研究者，介绍⼤模型的技 术原理、应⽤⽅式以及在科学研究全流程中的应⽤。本⽂⾸先从社会科学和⼤语⾔模型的本 质出发，分析了认知⾃动化的边界，指出围绕理论⼯作的能⼒是⼈类科学家在⼈⼯智能时代 的核⼼能⼒。随后，本⽂介绍⼤模型的基本原理、关键技术和发展趋势，经济管理研究者可 以建⽴对⼈⼯智能技术的基本认知。接下来，本⽂介绍了通过API 访问、本地部署等⼤模型 的具体应⽤⽅式。随后本⽂提出了⼤模型在经济管理研究全流程中的四种⻆⾊：参谋、助研、 智能体和朋友。作为参谋，⼤模型充当研究者的思想伙伴，协助资料收集、深化⽂献理解、 澄清概念并提供研究反馈；作为助研，⼤模型承担研究助理职能，处理⽂献整理、参考⽂献 格式调整、梳理建模和推导等重复性任务；作为智能体，⼤模型本⾝成为研究对象与实验⼯ 具，能模拟⼈类决策⾏为、预测反应，并通过多智能体系统模拟社会互动；作为朋友，⼤模 型超越学术⻆⾊，提供全⽅位⾮学术⽀持，包括职业发展建议、⼼理辅导和⼈际交往建议。 ⼤模型全⾯融⼊学术⼯作流程，不仅能通过⾃动化重复劳动提⾼研究效率，更能通过⼈机合 作扩展⼈类思维的⼴度和深度，经济管理研究即将⾛向⼈机协作的新时代。 关键词: ⼈⼯智能；经济学⽅法论；⼈机协同；⼤语⾔模型 JEL Codes: A11；B41；C45；D83 智能之光：人机协作的经济管理研究新时代 胡诗云，易君健∗ 2025 年 6 月 摘要： 以 ChatGPT 和 DeepSeek 为代表的人工智能大语言模型（简称大模型），正在对知识工作者的生产方 式产生革命性的影响。本文面向经济管理学科的研究者，介绍大模型的技术原理、应用方式以及在科学研究全 流程中的应用。本文首先从社会科学和大语言模型的本质出发，分析了认知自动化的边界，指出围绕理论工作 的能力是人类科学家在人工智能时代的核心能力。随后，本文介绍大模型的基本原理、关键技术和发展趋势， 经济管理研究者可以建立对人工智能技术的基本认知。接下来，本文介绍了通过 API 访问、本地部署等大模 型的具体应用方式。随后本文提出了大模型在经济管理研究全流程中的四种角色：参谋、助研、智能体和朋 友。作为参谋，大模型充当研究者的思想伙伴，协助资料收集、深化文献理解、澄清概念并提供研究反馈；作 为助研，大模型承担研究助理职能，处理文献整理、参考文献格式调整、梳理建模和推导等重复性任务；作为 智能体，大模型本身成为研究对象与实验工具，能模拟人类决策行为、预测反应，并通过多智能体系统模拟社 会互动；作为朋友，大模型超越学术角色，提供全方位非学术支持，包括职业发展建议、心理辅导和人际交往 建议。大模型全面融入学术工作流程，不仅能通过自动化重复劳动提高研究效率，更能通过人机合作扩展人类 思维的广度和深度，经济管理研究即将走向人机协作的新时代。 关键词: 人工智能；经济学方法论；人机协同；大语言模型 JEL Codes: A11；B41；C45；D83 ∗胡诗云，北京大学国家发展研究院，博士研究生，电子邮箱：hushiyun@pku.edu.cn。易君健，北京大学国家发展研究院，教授，（联系方式）。作者 感谢张皓辰、尹晔、李欣元、王若璧、江弘毅、周子火昆、吴浩哲、林轶凡、颜玮、赵家琪、曹治、李星宇、王王月琴、韩旭、周清源、王悦、李奕天、汪姝 君、王鹏飞参与讨论并贡献提示词案例，文责自负。 1 目录 2 目录 1 引言 4 2 人工智能时代的社会科学家 5 2.1 人工智能可以做什么？ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.2 人工智能做不了什么？ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.3 社会科学家与 AI 在知识创新中的角色 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 3 祛魅 AI：大模型的基本原理 10 3.1 大语言模型的定义和历史 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 3.2 大语言模型的数学结构 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 3.3 大语言模型的训练 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.4 采样和推理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.5 大模型下游应用 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3.6 大语言模型的总体发展趋势 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 4 应用大模型的四种方式 27 4.1 通过网页访问 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 4.2 通过 API 访问 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4.3 大模型本地部署 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 4.4 整合大模型的其它应用 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 5 作为参谋的 AI 34 5.1 澄清研究思路 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 5.2 信息资料的收集 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 5.3 文献的批判性阅读 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 5.4 研究反馈与改进 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 5.5 语言润色 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 6 作为助研的 AI 42 6.1 大模型作为助研时的一般技巧 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 6.2 完成重复性工作 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 6.3 数理建模与推导 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 6.4 撰写代码 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 6.5 提取事实信息 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 目录 3 6.6 构造经济指标 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 7 作为智能体的 AI 50 7.1 单智能体模拟个体行为 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 7.2 多智能体模拟社会互动 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 7.3 智能体模拟的问题和局限性 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 8 作为朋友的 AI 52 8.1 提供职业发展建议 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 8.2 提供心理辅导 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 8.3 提供人际交往建议 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 9 结论 54 9.1 进一步阅读建议 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 9.2 技术特点与应用启示 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 9.3 将大模型融入研究全流程 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 1 引言 4 1 引言 智能技术革命正重塑全球学术生态。人工智能大语言模型1传统自动化有本质区别：大语言模型实现了 “认 知工作的自动化”（Automation of cognitive work）(Korinek, 2023)，它们直接触及知识生产的核心，能够理 解复杂概念、生成连贯文本并进行多步推理。如果说上一轮自动化取代了蓝领工人并催生了德鲁克所谓“知识 工作者”的兴起，那么大语言模型就直接击中了知识工作者任务的核心。 经济学家作为知识工作者，毫无疑问处在这次变革的中心。经济学家的日常工作，包括数据分析、编程和 专业写作等，恰恰都是大语言模型擅长而且仍在快速进步的领域。如果我们采用 O*NET 对于经济学家的任 务描述，请 GPT-4o 来评判有多少会受到人工智能的影响，经济学家已经有 64% 的任务暴露于人工智能的影 响之下。人工智能的飞速发展，一方面使我们好奇：究竟是怎样的技术，能够具备如此令人惊叹的文字输出和 思考能力？它们更促使我们思考：当认知辅助工具已能处理大量学术任务时，我们应如何重新定义经济学家的 角色与价值？更重要的是，如何将这些工具整合到研究全流程中，使之成为智力放大器而非简单替代品？ 幸运的是，我们有机会找到与人工智能合作的方式。最直接地，大模型可以帮助我们自动化许多“脏活”， 比如修改格式、撰写文章、润色代码。除此之外，我们还可以把大模型作为自己可以随时与之对话的参谋，为 我们提供智识上的启发。除了经济学家的日常工作之外，大语言模型也为经济学研究提供了新的分析工具。多 模态大模型为另类数据提供了全新的研究方法。这些技术能够处理传统经济学方法难以量化的信息，如图像、 音频和非结构化文本，为经济学研究拓展了新的视野和分析维度。同时，大模型涌现出的行为能力本身，也为 经济学提供了新的研究对象。这些人工智能系统展现出的决策模式、信息处理机制和策略行为，为经济学理论 的应用与检验创造了前所未有的实验场景。 本文旨在向经济学家、管理学家和其它社会科学研究者全面地介绍大语言模型的技术和应用。我们首先 从社会科学知识生产的一般过程出发，讨论了大语言模型如何改变知识的生产函数。我们讨论了大语言模型 在发现现象、提出问题、构建理论、检验假说再到传播与应用这些研究环节中的应用，并在每个环节中识别了 人类相比起大模型的不可替代之处。我们发现，大模型可以在研究的各个环节实现常规认知任务的自动化执 行，在收集数据、文献汇总、数理推导、数据分析、文字撰写等方面提高社会科学研究的执行效率，扩充社会 科学家的知识库、认知边界和表达能力。但是，大语言模型作为语言统计模型的本质，决定了它没有提出理论 问题的动机，也缺乏从现实数据中抽象出新概念并构建理论的能力。这部分讨论这为社会科学研究中应用大 语言模型提供了思考框架，并且对更好的人机协作提出了启示。 随后本文介绍了大语言模型的技术原理。事实上，大语言模型并不神秘，它只不过是利用大量真实文本所 训练出的“下一词预测器”（Next Token Predictor)。这一部分还介绍了与大模型相关的一系列术语，透过这 些术语，我们可以更好地看出大模型日新月异发展背后的本质；而理解了大语言模型的本质，我们才能够更加 客观地对待大模型取得的种种进展，破除对它们的迷信，并且更加正确、高效率地利用人工智能。 接下来，我们介绍应用大模型的四种方式：通过网页访问、通过 API 访问、本地部署以及使用整合了大 模型的其它应用，包括代码编辑器以及大模型知识库。对于一般咨询的场景，使用网页访问即可满足要求；而 1从概念的包含关系上看，人工智能（Artificial Intelligence, AI）包含了生成式人工智能，生成式人工智能又包含了大语言模型，简称大模型。本文 主要讨论大语言模型的影响，因此若上下文中无特殊说明，本文中的 “AI”、“大模型” 均指代大语言模型。 2 人工智能时代的社会科学家 5 对于需要大规模文本分析的应用，则需要通过 API 访问；如果有进一步的保密需求，则需要考虑本地部署。 随着相关计算框架的成熟，本地部署大模型、微调大模型已经不是高科技公司的专利，而是每一个社会科学研 究者都能运用的工具。 在介绍完这些技术基础之后，我们分别介绍大模型在研究全过程中的应用。我们认为，人工智能大模型在 研究过程中将会扮演四种角色：参谋、助研、智能体，以及朋友。作为参谋，AI 可以协助创意生成与文献工 作；作为助研，AI 能够支持技术分析与数据处理；作为智能体，AI 可以实现行为模拟与社会实验，为经济管 理研究开拓了新的思路和范式。随着应用层次的深入，AI 对研究结果的影响逐渐加深，这既带来新的研究可 能，也出现了潜在的新问题。我们讨论了大语言模型在文本数据分析以及智能体模拟中的潜在问题。最后，研 究是一场孤独的修行，研究者也可以将 AI 作为自己的另一个 “朋友”，让自己在研究之路上不再孤单，从而在 科学探索的路上走得更远。对于每一种应用，我们都会提供相应的案例以及提示词，并总结相关的提示技巧。 本文所展示的案例远不能覆盖所有的应用场景，希望这些示例能抛砖引玉，启发读者们更多更有创意的应用。 本文的主要贡献体现为以下两个方面。首先，本文是面向经济学、管理学研究者的生成式人工智能应用指 南。在本文之前，Bail (2024) 从改善调查问卷、实施在线实验、自动化内容分析以及基于主体建模四个方面讨 论了生成式人工智能改善社会科学的潜力。Korinek (2023) 则探索了大语言模型在经济学研究中的数十个具 体应用场景，并根据技术发展不断更新。除此之外，还有大量文献探索了大语言模型在文本分析 (Kok, 2025) 以及行为模拟 (Horton, 2023) 等方面的具体应用。本文从三个方面对这一支文献进行了深化：一是从社会科 学研究的内核与大语言模型技术的本质属性出发，识别了大语言模型在社会科学知识生产中的应用边界以及 人类不可替代的作用，为更好的人机协作提供了理论指导；二是通过区分 AI 在研究流程中扮演的四种角色， 系统性地梳理和拓展了其在经济管理研究中的应用场景；三是面向经济管理研究者，对大语言模型的技术路 线及发展状况进行了更加深入的介绍。 其次，本文以经济管理研究为背景，讨论人工智能在创造性工作中的作用。已有研究关注了生成式人工智 能在营销话术 (Jia et al., 2024)、创意文本写作 (Noy and Zhang, 2023)、方案策划 (Boussioux et al., 2024) 等 创新场景中的影响。与这些应用场景相比，社会科学新知识的发现是最具创新性的活动之一。本文强调，构建 理论的能力是社会科学家最核心的能力，社会科学家负责提供方向、深度与意义，而 AI 负责在执行层面提高 规模与速度。这一核心思想与Gans (2025) 所提出的 AI 作为基础、常规任务执行者的框架是一致的。本文讨 论 AI 技术；但本文更希望通过让更多的研究者理解 AI 技术，通过这项技术来减少重复劳动与技术学习的时 间，让