economics
PulseAugur coverage of economics — every cluster mentioning economics across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
学生在动荡的全球局势中寻求科技教育
作者正在攻读计算机科学和IT教育，并表示希望早点开始。他们承认当前面临的全球挑战，包括政治变动、“科技巨头”的影响，以及由AI、劳动力和经济因素驱动的潜在社会崩溃或革命。尽管存在这些担忧，他们仍然珍视自己国家的理想，即使目前的状况已面目全非。
-
人工智能采用的经济悖论：削减成本可能损害消费者需求
一篇文章讨论了人工智能广泛采用的经济影响，并将其与历史经济理论进行了类比。文章认为，虽然个别公司可以通过用人工智能取代工人来削减成本和提高利润，但集体追求这种策略可能会导致有害的经济周期。当消费者的工资收入被消除时，整体对这些公司生产的产品需求就会减少。
-
理解P值：统计显著性指南
本文解释了P值这一概念，它对于理解研究中的统计显著性至关重要。文章使用了法庭类比，其中零假设代表无罪，备择假设代表有罪。P值量化了在零假设为真的情况下观察到证据的可能性。较低的P值（通常低于0.05）表明观察到的结果不太可能是由随机机会造成的，从而促使研究人员拒绝零假设并得出统计显著性的结论。
-
新论文对强化学习中的玻尔兹曼理性进行了公理化。
一篇新论文提出了玻尔兹曼理性（一种常见的随机选择模型）的公理化表征，该模型在强化学习中得到广泛应用。该研究区分了选择中的随机性与环境中的偶然性，并提出通过将独立性公理限制在环境彩票上，可以唯一地推导出玻尔兹曼策略及其相关的软贝尔曼方程。该框架为智能体设计提供了规范性评估，并阐明了无关选项独立性公理适用的条件。
-
经济学家为预训练嵌入开发理论框架
研究人员开发了在计量经济学中使用预训练深度学习嵌入的理论框架，解决了模型在不同数据集或任务上训练的挑战。该论文提供了可靠使用的条件并分析了估计误差，推导了预训练嵌入模型收敛的速率。该方法通过在双重机器学习中的应用得到证明，用于估计部分线性回归中的参数、使用图像和文本数据的需求估计、缺失数据插补以及具有非结构化混淆变量的平均处理效应估计。
-
X (推特) 用户指南：精选列表和屏蔽AI垃圾内容
作者提供了2026年如何有效使用X（前身为推特）的更新指南，强调了精选列表在管理信息流方面持续的重要性。由于X对按时间顺序排列信息流的界面越来越不友好，作者已迁移到一个单一的“全部”列表中，该列表结合了之前单独的AI、理性主义者和普通关注列表。作者还讨论了屏蔽用户的策略，特别是那些发布被认为是“垃圾”的AI生成内容的用户，除非这些内容特别有趣，以维护有价值的信息流。
-
基础模型在多智能体系统中协调以增强推理能力 · arXiv 研究
研究人员开发了一个多智能体框架，通过协调不同的模型来增强基础模型的推理能力。该系统包括生成初步草稿的求解器模型、通过结构化批评进行改进的批评智能体，以及综合最终共识的聚合器。评分模块评估解决方案的语义、数值和程序方面。实验表明，模型异质性是性能提升的关键驱动因素，而非框架架构或冗余采样，从而使准确性提高了 2.3 倍，并提高了分步推理质量。
-
新的基准测试 BehaviorBench 评估 AI 在行为科学任务上的表现
研究人员推出了一项名为 BehaviorBench 的新基准测试，旨在评估基础模型在行为科学相关任务（如心理学和社会学）上的表现。该基准测试从个体和群体层面评估模型在行为预测、策略决策、特质推断和知识应用方面的能力。与 BehaviorBench 一同推出的还有 http URL-1.5，这是一个在行为数据上微调的行为基础模型系列，与通用专有模型相比，该系列展示了更优越的分布对齐能力。
-
AI经济模式被批评加剧不平等
文章《AI的经济困境》批评了人工智能背后的经济模式，认为其当前结构使少数人受益，同时加剧了现有的社会不平等。文章指出，对AI开发中利润最大化的关注导致了财富和权力的集中，制造了“阶级战争”的局面。文章呼吁重新评估AI的经济基础，以确保更广泛的社会效益。
-
分析师称企业裁员是出于经济原因，而非AI · 已追踪2个来源
企业裁员并非出于人工智能，而是出于经济和商业原因。这一观点挑战了人工智能是导致失业的主要原因的普遍说法。焦点转移到影响就业趋势的潜在经济因素上。
-
通过 McSweeney's 文章和 YouTube 视频解释人工智能经济学 · 跟踪 10 个来源
Mastodon 上的多位用户正在分享解释人工智能经济学的资源。分享最多的内容是来自 McSweeney's Internet Tendency 的一篇题为“AI Economics for Dummies”的文章，该文章被描述为简洁而深刻的寓言式课程。此外，一个 YouTube 视频也被推荐为该主题的优秀入门读物，一位用户指出，尽管标题具有煽动性，但该视频客观地讨论了人工智能的可持续性。
-
大型语言模型评估器揭示研究发表取决于功劳和人脉
一项发表在arXiv上的新研究以经济学为案例，调查了影响研究论文在著名期刊上发表的因素。研究人员开发了一个基于大型语言模型的评估器，可以直接从文本评估论文质量，独立于作者的人脉关系。研究结果表明，虽然执行质量至关重要，但想法质量和作者人脉也起着重要作用，其中人脉关系具有轻微优势，尤其是在期刊选择性最高的顶尖期刊中。
-
用户声称AI可以解决资本主义的资源不平等问题
一位Mastodon用户认为，资本主义和经济学本身就会导致资源集中，而一个超智能的AGI有可能在没有金钱的情况下平均分配资源。该用户批评“兄弟寡头”优先考虑微不足道的AI应用，而不是开发这样一种革命性的AI，反而专注于未经同意的裸体女性和唐纳德·特朗普的宗教形象。
-
AI现在可以撰写与人类作品无法区分的金融研究论文
一项新研究表明，AI可以生成与人类撰写的论文无法区分的金融研究论文。这一能力引发了对经济学研究诚信的担忧，可能导致欺诈性或低质量研究的大规模生产。研究结果强调了需要改进检测方法，以确保学术和金融出版物的可信度。
-
作者将流体动力学、时空和经济学联系起来
Brandon Bedard 的 Substack 系列探讨了流体动力学与时空的交叉点，将天体物理现象与经济学原理进行类比。作者认为，理解这些流体原理可以为宇宙和人类社会结构带来新的见解。这次多部分探索旨在弥合科学和经济学理论之间的鸿沟。
-
高斯过程教程探讨个性化应用中的偏好学习
本文提出了一个使用高斯过程（GPs）进行偏好学习的综合框架。它将经济学和决策论的原理融入机器学习过程。该框架允许构建能够处理各种偏好场景的模型，包括随机效用模型和效用冲突的情况。