傳統經濟學和複雜經濟學從基本假設到方法論，都有相當大的差異。例如，傳統經濟學的基本假設「理性人」，假設人都是理性的，會根據預算限制進行計算，以追求利益與效用的極大化。但複雜經濟學將用更大的「生態系」框架，將人視為為生態系中的不同「物種」，會依照各自既定的行為模式採取行動，不一定會進行復雜的理性計算。
面對人工智慧造成天翻地覆的產業典範轉移，加上地緣政治關係錯綜複雜瞬息萬變，經濟學預測還準確嗎？
在2025年正好有機會，參加AI與經濟發展相關的研究案，發現面對人工智慧所掀起的經濟滔天巨浪，經濟學家們無法找出舊有的模型加以解釋，更別說預測；甚至在將極端值刪除後，才找到指標間的相關性，但被刪除的極端值是美國、中國，全球兩大AI強國。
多伊恩．法默（J. Doyne Farmer）所著《經濟預測革命》，該書核心觀點主張，傳統主流經濟學基於「理性人」與「方程式求解」的預測模型已遭遇瓶頸，他認為應運用大數據、強大運算能力，結合物理、生物與社會科學等跨領域方法，才能打造足以模擬現今複雜經濟行為的動態系統。書中稱為「複雜經濟學」(Complex Economics)
法默是物理學博士，他的論述在主流經濟學界常被視為「非主流」甚至「異端」。但在實務應用上，包括預測 COVID-19 經濟衝擊、房地產政策制定及金融市場套利等，已展現出優於傳統經濟學方法的準確度。
為什麼複雜經濟學是非主流？
傳統經濟學和複雜經濟學從基本假設到方法論，都有相當大的差異。例如，傳統經濟學的基本假設「理性人」，假設人都是理性的，會根據預算限制進行計算，以追求利益與效用的極大化。但複雜經濟學將用更大的「生態系」框架，將人視為為生態系中的不同「物種」，會依照各自既定的行為模式採取行動，不一定會進行復雜的理性計算。
循著這個「理性人」的脈絡，傳統經濟學相信市場有機制能自動調節，價格最終會反映價值，達到供需平衡與效率；並且假設只有供給等於需求時才會產生交易，這種狀態稱為均衡（equilibrium）。
相對的，複雜經濟學模型不一定會假設均衡狀態，而是把均衡視為從系統湧現出來的一種性質。因為市場是由不同的人與組織構成，是動態演化的，隨時進行互動與回饋。不同策略的參與者會競爭、淘汰或共生，市場狀態是這些互動「湧現」出的結果。
稍微回想一下目前難以預測的政經變化，可以知道傳統經濟學的研究方法，面對相當大的挑戰。因為過去常用的模型和方程式為了能求出數學解，通常必須簡化假設，例如假設所有人都是理性的、會採取一致的行為，以便進行邏輯推演與計算。但這種過度簡化造成的結果，就如同哈佛大學經濟學家大衛．萊布森（David Laibson）和澤維爾．蓋比克斯（Xavier Gabaix）所說：「預測能力薄弱（或沒有預測能力）的模型對於理解世界經濟沒有什麼效果。」
以「代理人」模擬貼近真實的結果
而複雜經濟學則是採用代理人模型（Agent-Based Model），利用電腦建立「數位分身」，模擬成千上萬個異質代理人的互動，觀察系統自然生成的結果。因此在分析及預測過程中，個體差異、網路連結（Network），以及風險如何在連結中影響、擴散，是關注的重點。和傳統經濟學傾向於看大方向的供需變動，有相當大的差異。
以這段時間大家都關注的「AI發展對就業市場的衝擊」為例，就傳統經濟學分析來說，會從「整體均衡」角度切入，將勞動力視為一個整體的生產要素。分析邏輯可能是：AI提高生產力，長期會創造新的需求；短期會有摩擦，但在理性預期下，勞工會自動流向薪資較高或需求較大的領域。
整體模型傾向於預測一個新的「均衡點」，例如失業率最終大概是多少。但較難描述具體的轉職路徑，或出現結構性錯位的可能。
工作預測：到底誰會被AI取代？
但如果從複雜經濟學角度來看，就職市場是由數百個不同產業、數千個以上不同職位組成的複雜網路。同時，還必須考慮到個別就業者面對的現實限制，例如地理位置、技能轉換難度等，因此研究維度就複雜也實際許多。
像是必須考慮異質性與限制。複雜模型不會假設每個人都可以隨意轉職，必須在模型中設定每個人擁有特定的能力和地理位置限制。轉職，只能在有限的範圍內流動。
還有，必須預測連帶效應。例如AI 對保母工作的影響，從最直觀角度來看， 保母需要人際互動，理論上最不容易被 AI 取代。但若以複雜系統預測， AI 可能會先取代可自動化的行政工作。失業者因為技能與地理限制，無法轉去寫程式或擔任水電工，可能會湧入門檻較低、需求穩定的「保母」或「照護」市場。大量人力湧入後，會造成勞動力過剩、薪資下降？或是正好補足市場因少子化所造成的缺口？就是需要加入更多分析維度、找尋解答的問題了。
法默在書中有句話很值得思考：「從根本上來看，經濟學比物理學更困難，因為人類與行星不同，人類會思考，而且人類的行為也會因思考而做出改變。」
還有以下推薦閱讀：
第三波人工智慧的發展與類神經網路有密切關係。我們大概多多少少知道，類神經網路是一種模仿人類大腦神經元運作的機器學習技術，透過將大量人工神經元分層連結，處理複雜的非線性數據。那麼人類的大腦裡還有哪些神奇的作用？為什麼除了視覺的養成，大腦大部分是可塑的。我們的習慣、行為、對世界的了解、智力、分析能力、創造力和其他東西（例如學習跳舞或彈吉他），都是我們可以改變的？
在許多人將寫作、研究外包給人工智慧的此刻，回過頭想想看，為什麼人類是唯一能夠將內在想法轉化為對話的物種？無論是透過言語、寫作或手語，除了讓我們能分享想法、相互聯繫之外，本書作者瑪莉蓮．麥克唐諾指出，說話的作用不只是溝通，而是「說話」本身就是一個獨特且複雜的過程，而且改造了人類的大腦。
