Anton Korinek, JOURNAL OF ECONOMIC LITERATURE
Det har skjedd en rask utvikling innen generativ kunstig intelligens (AI), noe som har hatt stor innvirkning på økonomisk forskning. Siden den opprinnelige publiseringen av denne artikkelen i Journal of Economic Literature (Korinek, 2023) har fremskritt innen store språkmodeller (LLM) introdusert ulike innovasjoner og nye bruksområder. Denne rapporten oppsummerer de viktigste nyvinningene og oppdaterte bruksområdene for banebrytende LLM-er i økonomisk forskning, med fokus på seks domener: idéutvikling og tilbakemelding, skriving, bakgrunnsforskning, koding, dataanalyse og matematiske utledninger.
Den siste utviklingen innen LLM-er kjennetegnes av forbedret ytelse, utvidede kontekstvinduer, forbedret gjenkalling, raskere prosessering og reduserte kostnader. Betydelige oppdateringer fra de ledende AI-laboratoriene har innlemmet synsfunksjoner og lydbehandling i sanntid. Per mai 2024 er OpenAIs GPT-4o den mest kapable offentlig tilgjengelige LLM-en, med en GPT-butikk i ChatGPT-appen. Anthropics Claude 3, som ble lansert i mars 2024, utmerker seg med sine skrivefunksjoner, mens Google DeepMinds Gemini Pro 1.5, som ble lansert i januar 2024, tilbyr det største kontekstvinduet, som kan behandle opptil 1 million tokens.
De ledende LLM-ene fra OpenAI, Anthropic og Google DeepMind har lignende ytelsesnivåer, med en liten ledelse til OpenAI. Egenutviklede modeller som GPT-4o, Claude 3 og Gemini Pro 1.5 integrerer språkprosessering med visuell informasjonsbehandling, noe som muliggjør omfattende svar basert på både tekst og bilder. Disse modellene er tilgjengelige via nettbaserte chatboter, stemmeassistenter i sanntid, nettbaserte eksperimenteringsplattformer og API-er. I tillegg har det blitt lansert mindre modeller med åpen kildekode, som gir brukerne alternativer for personvernsensitive applikasjoner.
Bruksområder innen økonomisk forskning
1. Idéutvikling og tilbakemelding:
- LLM-er hjelper til med å generere og evaluere forskningsideer, og tilbyr en form for kreativitet som utfyller menneskelige forskere. De er spesielt nyttige når det gjelder idémyldring og evaluering av ideer, og fremhever fordeler og ulemper ved ulike hypoteser.
2. Skriving:
- LLM-er kan syntetisere tekst fra kulepunkter, konvertere ligninger til LaTeX, redigere for grammatiske og stilistiske forbedringer og generere titler, overskrifter og innlegg i sosiale medier. Disse funksjonene effektiviserer skriveprosessen og øker produktiviteten.
3. Bakgrunnsforskning:
- LLM-er utmerker seg når det gjelder å oppsummere store tekstmengder, identifisere relevant litteratur, forklare nye konsepter og oversette tekster. Deres evne til å behandle hele artikler og videoer gjør dem også svært nyttige i omfattende bakgrunnsundersøkelser.
4. Koding:
- LLM-er kan hjelpe til med kodingsoppgaver ved å generere kodesnutter, feilsøke og gi forklaringer på komplekse kodesegmenter. Denne funksjonaliteten er spesielt nyttig for forskere med begrenset programmeringskompetanse.
5. Dataanalyse:
- Avanserte dataanalysefunksjoner i LLM-ene gjør det mulig å kjøre Python-kode i ChatGPT-grensesnittet, noe som forenkler oppgaver som filkonvertering, regresjoner og simuleringer.
6. Matematiske utledninger:
- LLM-er kan utføre matematiske utledninger og hjelpe forskere med komplekse beregninger og modellsimuleringer.
Selv om LLM-er har mange fordeler, byr de også på utfordringer, som konfidensielle data, skjevheter i modellene og potensialet for overdreven bruk av automatisering. Det er avgjørende å sikre etisk bruk av LLM-er og håndtere disse utfordringene for å maksimere deres positive innvirkning på økonomisk forskning. Integreringen av generativ AI og LLM i økonomisk forskning vil kunne bidra til betydelig økt produktivitet og innovasjon. Etter hvert som disse teknologiene fortsetter å utvikle seg, vil mulighetene deres utvides ytterligere, noe som gir forskere nye muligheter og utfordringer. Å ta i bruk disse verktøyene på en gjennomtenkt og etisk forsvarlig måte vil være nøkkelen til å utnytte deres fulle potensial innen økonomisk forskning.Det har skjedd en rask utvikling innen generativ kunstig intelligens (AI), noe som har hatt stor innvirkning på økonomisk forskning. Siden den opprinnelige publiseringen av denne artikkelen i *Journal of Economic Literature* (Korinek, 2023) har fremskritt innen store språkmodeller (LLM) introdusert ulike innovasjoner og nye bruksområder. Denne rapporten oppsummerer de viktigste nyvinningene og oppdaterte bruksområdene for banebrytende LLM-er i økonomisk forskning, med fokus på seks domener: idéutvikling og tilbakemelding, skriving, bakgrunnsforskning, koding, dataanalyse og matematiske utledninger.
Den siste utviklingen innen LLM-er kjennetegnes av forbedret ytelse, utvidede kontekstvinduer, forbedret gjenkalling, raskere prosessering og reduserte kostnader. Betydelige oppdateringer fra de ledende AI-laboratoriene har innlemmet synsfunksjoner og lydbehandling i sanntid. Per mai 2024 er OpenAIs GPT-4o den mest kapable offentlig tilgjengelige LLM-en, med en GPT-butikk i ChatGPT-appen. Anthropics Claude 3, som ble lansert i mars 2024, utmerker seg med sine skrivefunksjoner, mens Google DeepMinds Gemini Pro 1.5, som ble lansert i januar 2024, tilbyr det største kontekstvinduet, som kan behandle opptil 1 million tokens.
De ledende LLM-ene fra OpenAI, Anthropic og Google DeepMind har lignende ytelsesnivåer, med en liten ledelse til OpenAI. Egenutviklede modeller som GPT-4o, Claude 3 og Gemini Pro 1.5 integrerer språkprosessering med visuell informasjonsbehandling, noe som muliggjør omfattende svar basert på både tekst og bilder. Disse modellene er tilgjengelige via nettbaserte chatboter, stemmeassistenter i sanntid, nettbaserte eksperimenteringsplattformer og API-er. I tillegg har det blitt lansert mindre modeller med åpen kildekode, som gir brukerne alternativer for personvernsensitive applikasjoner.
Bruksområder innen økonomisk forskning
1. Idéutvikling og tilbakemelding:
- LLM-er hjelper til med å generere og evaluere forskningsideer, og tilbyr en form for kreativitet som utfyller menneskelige forskere. De er spesielt nyttige når det gjelder idémyldring og evaluering av ideer, og fremhever fordeler og ulemper ved ulike hypoteser.
2. Skriving:
- LLM-er kan syntetisere tekst fra kulepunkter, konvertere ligninger til LaTeX, redigere for grammatiske og stilistiske forbedringer og generere titler, overskrifter og innlegg i sosiale medier. Disse funksjonene effektiviserer skriveprosessen og øker produktiviteten.
3. Bakgrunnsforskning:
- LLM-er utmerker seg når det gjelder å oppsummere store tekstmengder, identifisere relevant litteratur, forklare nye konsepter og oversette tekster. Deres evne til å behandle hele artikler og videoer gjør dem også svært nyttige i omfattende bakgrunnsundersøkelser.
4. Koding:
- LLM-er kan hjelpe til med kodingsoppgaver ved å generere kodesnutter, feilsøke og gi forklaringer på komplekse kodesegmenter. Denne funksjonaliteten er spesielt nyttig for forskere med begrenset programmeringskompetanse.
5. Dataanalyse:
- Avanserte dataanalysefunksjoner i LLM-ene gjør det mulig å kjøre Python-kode i ChatGPT-grensesnittet, noe som forenkler oppgaver som filkonvertering, regresjoner og simuleringer.
6. Matematiske utledninger:
- LLM-er kan utføre matematiske utledninger og hjelpe forskere med komplekse beregninger og modellsimuleringer.
Selv om LLM-er har mange fordeler, byr de også på utfordringer, som konfidensielle data, skjevheter i modellene og potensialet for overdreven bruk av automatisering. Det er avgjørende å sikre etisk bruk av LLM-er og håndtere disse utfordringene for å maksimere deres positive innvirkning på økonomisk forskning. Integreringen av generativ AI og LLM i økonomisk forskning vil kunne bidra til betydelig økt produktivitet og innovasjon. Etter hvert som disse teknologiene fortsetter å utvikle seg, vil mulighetene deres utvides ytterligere, noe som gir forskere nye muligheter og utfordringer. Å ta i bruk disse verktøyene på en gjennomtenkt og etisk forsvarlig måte vil være nøkkelen til å utnytte deres fulle potensial innen økonomisk forskning.
Comments