Economic Anthropology in the Era of Generative Artificial Intelligence

📄 arXiv: 2410.15238v1 📥 PDF

作者: Zachary Sheldon, Peeyush Kumar

分类: cs.AI, econ.GN

发布日期: 2024-10-20

期刊: Annual Joint Meeting of Society of Economic Anthropology and Society for the Anthropology of Work 2024

💡 一句话要点

融合经济人类学知识，提升生成式AI对多元经济体系的理解

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 经济人类学 生成式AI 大型语言模型 多元经济体系 文化建模

📋 核心要点

  1. 现有LLM在经济决策模拟中存在局限，未能充分考虑不同文化和社会背景下的经济行为差异。
  2. 论文提出将经济人类学知识融入LLM训练，以提升模型对多元经济体系的理解和模拟能力。
  3. 通过对比实验，验证了融入人类学知识的模型在识别和理解非市场经济概念方面的优越性。

📝 摘要（中文）

本文探讨了经济人类学与生成式人工智能（GenAI）的交叉领域。研究考察了大型语言模型（LLMs）如何模拟人类决策，以及AI研究中存在的归纳偏见。论文提出了两个AI模型：C.A.L.L.O.N.（Conventionally Average Late Liberal ONtology）和M.A.U.S.S.（More Accurate Understanding of Society and its Symbols）。前者使用标准数据进行训练，而后者则通过人类学知识进行调整。研究强调了人类学训练如何增强LLMs识别不同经济系统和概念的能力。研究结果表明，将经济人类学与AI相结合，可以提供对经济学更为多元化的理解，并提高非市场经济体系的可持续性。

🔬 方法详解

问题定义：论文旨在解决大型语言模型（LLMs）在模拟人类经济决策时，对不同文化和社会背景下的经济行为理解不足的问题。现有方法主要基于西方经济学理论和数据进行训练，导致模型在处理非市场经济体系时表现不佳，无法准确捕捉其复杂性和多样性。

核心思路：论文的核心思路是将经济人类学的知识融入LLMs的训练过程中，从而使模型能够更好地理解和模拟不同文化和社会背景下的经济行为。通过引入人类学视角，模型可以克服传统经济学理论的局限性，更全面地认识经济现象。

技术框架：论文提出了两个AI模型：C.A.L.L.O.N.和M.A.U.S.S.。C.A.L.L.O.N.是基线模型，使用标准数据集进行训练，代表了传统的LLM训练方法。M.A.U.S.S.则是在C.A.L.L.O.N.的基础上，通过引入人类学知识进行调整的模型。具体流程包括：1) 收集和整理经济人类学相关的数据和知识；2) 设计合适的知识表示方法，将人类学知识融入LLM的训练过程中；3) 使用调整后的模型进行实验，评估其在理解和模拟不同经济体系方面的性能。

关键创新：论文的关键创新在于将经济人类学知识与LLMs相结合，提出了一种新的LLM训练方法。这种方法能够有效地提升模型对多元经济体系的理解和模拟能力，克服了传统方法的局限性。此外，论文还提出了M.A.U.S.S.模型，该模型是第一个将人类学知识融入LLM的尝试。

关键设计：论文中关于M.A.U.S.S.模型的具体技术细节（如知识表示方法、损失函数、网络结构等）描述不足，属于未知信息。但可以推测，关键设计可能包括：1) 设计合适的知识图谱或嵌入方法，将人类学知识表示为模型可以理解的形式；2) 调整损失函数，使模型更加关注对非市场经济概念的理解；3) 可能使用了微调（fine-tuning）等技术，在预训练的LLM基础上，使用人类学数据进行进一步训练。

📊 实验亮点

论文通过对比实验，验证了M.A.U.S.S.模型在识别和理解非市场经济概念方面的优越性。具体的性能数据和提升幅度未知，但研究结果表明，融入人类学知识能够显著提升LLM对多元经济体系的理解能力。这为未来的AI研究提供了新的思路和方向。

🎯 应用场景

该研究的潜在应用领域包括：跨文化经济分析、国际发展援助、可持续发展政策制定等。通过提升AI对多元经济体系的理解，可以帮助决策者更好地制定符合当地实际情况的经济政策，促进经济的可持续发展。此外，该研究还可以应用于文化遗产保护、社会风险评估等领域。

📄 摘要（原文）

This paper explores the intersection of economic anthropology and generative artificial intelligence (GenAI). It examines how large language models (LLMs) can simulate human decision-making and the inductive biases present in AI research. The study introduces two AI models: C.A.L.L.O.N. (Conventionally Average Late Liberal ONtology) and M.A.U.S.S. (More Accurate Understanding of Society and its Symbols). The former is trained on standard data, while the latter is adapted with anthropological knowledge. The research highlights how anthropological training can enhance LLMs' ability to recognize diverse economic systems and concepts. The findings suggest that integrating economic anthropology with AI can provide a more pluralistic understanding of economics and improve the sustainability of non-market economic systems.