AI时代的经济学人必须收藏的网站!AI经济学皆系于一站之上!

AI到底该怎么真正用进经济学研究？

相信不少经济学人都会在AI时代产生这样的焦虑。

今天，我们就给大家推荐由 Jesse Lastunen 维护的项目“AI for Economists”，其本质上是一个围绕经济学研究流程组织的AI资源库。

网址：https://policy.fi/ai-econ/

截至当前版本（2026年4月更新），页面结构如下：

• • Research Papers：29
• • Courses & Learning：14
• • Coding with AI：19
• • AI Tools for Research：9
• • Talks & Videos：9
• • Commentary & Analysis：31

合计111条资源。

结构逻辑

这个资源库的关键，不在数量，而在组织方式。

它不是按“AI类型”分类，而是隐含对应：

一条完整的经济学研究流程

即：

• • 理论与前沿 → Papers
• • 学习与入门 → Courses
• • 实证执行 → Coding
• • 工具辅助 → Tools
• • 前沿交流 → Talks
• • 方法反思 → Commentary

这意味着它可以直接嵌入你的研究工作流，而不是停留在“了解AI”。

论文模块

理论前沿

29篇论文中，一部分集中讨论：

• • AI对生产率与增长的影响
• • AI对劳动力市场的作用机制
• • AI市场结构与竞争问题

例如：

• • Acemoglu关于AI对TFP影响的分析
• • Jones对“全面自动化”情境的推演
• • Athey关于市场集中与福利的讨论

这些内容构成当前“AI经济学”的核心讨论框架。

方法工具

更直接影响实证研究的是方法类论文。

核心问题是：

当AI参与数据生成或标注时，计量框架是否仍然成立？

相关研究指出：

• • LLM生成数据可能引入系统性偏误
• • 需要重新设计识别策略与验证方法

这部分内容，直接关系到你是否可以把AI嵌入回归分析。

AI作为对象

另一类论文开始研究AI本身，例如：

• • AI在经济学任务中的表现分布
• • AI写作的可识别性

标志着一个变化：

AI既是工具，也成为研究对象

学习模块

14个学习资源大致分为两类：

应用导向

• • API使用
• • Prompt工程
• • Agent调用

特点是：直接面向研究应用

理论导向

• • Transformer结构
• • 深度学习基础
• • AI经济学课程

用于建立模型与理论理解。

编程模块

这是最接近实证研究的一部分。

核心不是“学代码”，而是：

让AI进入你的Stata / Python工作流

典型应用包括：

• • 在VS Code中用AI生成.do文件
• • 用Claude Code参与数据分析
• • 使用MCP Server让AI直接执行Stata命令

这意味着：

AI开始参与“回归执行”本身

工具模块

9个工具基本覆盖研究流程：

文献阶段

• • 自动检索
• • 自动摘要
• • 结构化提取

写作阶段

• • AI审稿
• • 逻辑一致性检查

例如：

• • 自动生成referee report
• • 识别论证漏洞

这些工具本质上是在：

模拟学术评审机制

视频模块

9个视频资源主要来自：

• • 学术会议（如AEA）
• • 学者访谈

作用是提供：

非论文形式的前沿讨论

评论模块

31篇评论文章，是这个资源库最容易被忽略的一部分。

但它们实际上回答一个更关键的问题：

AI会如何改变研究本身？

核心讨论包括：

• • AI是否改变研究质量
• • 研究周期是否被压缩
• • “研究品味”是否仍然重要

这些内容不提供工具，但提供判断框架。

一个关键变化

如果把整个资源库抽象，可以得到一个清晰映射：

研究流程 × AI介入

这个页面的价值在于：

把AI嵌入研究流程的每一个节点

如何使用

不同阶段的研究者，可以直接对位使用：

• • 入门 → Courses
• • 做实证 → Coding + Tools
• • 看前沿 → Papers
• • 写论文 → Tools
• • 做研究反思 → Commentary

总结

“AI for Economists”并不是一个简单的资源列表。

它更接近于：

一个将AI工具系统性嵌入经济学研究流程的结构化框架

其信息本身分散，但通过该页面被重新组织为一个可操作的研究体系。