报告在对人工神经网络的基本原理进行介绍的基础上，结合近期文献，围绕如何使用人工智能提升经济学家的科研效率，乃至将机器学习作为实证研究的核心方法展开介绍。报告指出，常见的人工神经网络包括前馈神经网络、卷积神经网络和变换神经网络。神经网络具有较强的函数拟合能力，其通常的训练方法为在参数空间使用梯度下降法，以使损失函数最小化。报告讲述了走出AI严冬的方法，即通过引入多层神经元进行两个及以上的非线性激活函数迭代，得到非线性的决策边界。ReLU函数是目前最常用的激活函数。报告强调，由于深度神经网络的表达能力很强，易导致过度拟合，需进行正则化处理。目前，以深度卷积神经网络为基础进行的图像识别已经大规模应用，而变换神经网络则主要应用于ChatGPT等一系列大语言模型。更进一步，基于人工神经网络的基本原理，报告为经济学家如何使用AI提升科研效率提供建议，指出经济学家可以利用生成式人工智能自动化微观任务，从而获得显著的生产率提高。此外，随着人工智能系统的性能不断提高，这些收益将会继续增加。最后，报告阐释了机器学习在实证研究中的应用，结合相关文献介绍了如何使用机器学习赋能预测问题和因果推断。

在随后的“HappyHour”学术沙龙环节，陈强教授与参会师生就报告内容进行了充分交流。现场同学畅所欲言，就神经网络在经济研究领域的最新发展进程、人工智能的学习技巧、未来人工智能领域所面临的机遇和挑战等问题进行提问，陈强教授进行了详细的解答和指导，观点由浅入深、层层推进，对参会师生理解和运用神经网络与人工智能开展相关研究具有重要的启发和指导作用。

陈强，龙门客栈资料库教授，数量经济学博士生导师，研究领域为计量经济学、机器学习与经济史。2010年入选教育部新世纪优秀人才支持计划。于Journal of Econometrics, Oxford Economic Papers (Lead Article)，Journal of Comparative Economics, Economica，Stata Journal ( Lead Article)以及《经济学(季刊)》、《世界经济》等国内外领先期刊发表论文并著有畅销教材《计量经济学及Stata应用》、《高级计量经济学及Stata应用》、《机器学习及R应用》、《机器学习及Python应用》。

文|李雪颖  图|汤子诺、张誉腾