2025年12月12日至14日，由清华大学与首都经济贸易大学联合主办，中国数字经济联盟协办的“2025中国数字经济联盟年会暨数字经济自主知识体系百校院长峰会”成功举行。百余所高校、科研机构的学者与行业领军企业代表齐聚一堂，围绕“构建数字经济自主知识体系”核心议题，探讨数字经济时代AI与经济学科融合发展等关键方向。

清华大学至善书院院长、社会科学学院教授、国家数据专家咨询委员会委员汤珂教授，应邀作了题为“Teaching Economics the Machines”的主旨报告。汤教授分享了其与团队合作的最新研究成果，聚焦人工智能与经济学理论的融合路径，强调在数据驱动的时代背景下，理论的核心价值不可替代，提出通过迁移学习（Transfer Learning）框架教会机器学习经济学理论的创新思路，为经济金融领域的AI应用提供了重要启发。

汤珂教授的报告开篇直击核心争议：随着数据分析广泛应用，诸多诺奖青睐数据驱动成果，马斯克等业界人物也强调数据与资本对AI的推动作用，这是否意味着理论研究已无必要？对此，汤教授明确指出，数据驱动与理论研究并非对立，尤其在数据相对稀缺的经济金融领域，理论指导更为关键。以机器人打台球为例，汤教授生动阐释了“记忆数据”与“理论推演”各自的价值，指出二者的有机结合是AI在经济领域实现高效应用的核心。

基于此，汤珂教授团队提出了以模拟数据训练深度学习网络的方案，核心为迁移学习框架：通过经济学理论模拟海量数据，在“源域”对模型进行预训练，再以其参数为起点，通过微调“目标域”的少量真实数据，实现特定经济场景的精准应用。该模式既解决了经济金融数据匮乏的痛点，又能借助理论保障极端场景（如金融危机）下的可靠性，规避单纯数据驱动模型的定价偏差。

报告以期权定价为例，详细阐述了该框架的实践逻辑：先在源域用Black-Scholes等模型生成大量无噪声模拟价格，并训练网络最小化价格和理论价格的偏差；再在目标域用真实市场报价，以极小学习率微调网络，最小化网络价格和实际成交价的误差，从而把理论结构迁移到真实场景。实证结果表明，该模型的定价误差显著低于传统的深度学习模型，在小样本和极端市场环境下表现尤为优越，稳定性受初始参数扰动的影响更小。研究还发现，当源域模拟数据量达到目标域真实数据量的10倍以上时，模型的稳健性能够得到充分保障。

汤珂教授强调，该框架具有较高的推广价值，团队正将其应用于宏观经济预测、定价模型构建及投资组合优化等领域。他认为，大语言模型的“幻觉”问题源于缺乏成熟的理论支撑。人工智能时代，人类的理论突破反而更加重要。模拟数据具有低成本、无隐私限制等优势，有望有效补充数据驱动的研究范式，而迁移学习则为理论知识与AI的深度融合提供了切实可行的技术路径。

汤珂教授的报告厘清了数据驱动与理论研究的关系，提出的融合框架为经济学建模开辟了新路径，对期权定价、经济预测等领域应对复杂现实问题具有重要的实践指导意义，引发与会嘉宾的广泛关注与深入思考。