1.AI and Trade
人工智能 (AI) 作为新兴产业，可能对国家之间的贸易产生冲击。Avi Goldfarb和Daniel Trefler合作的会议论文结合贸易理论以及AI特殊本质特征，分析了AI如何影响贸易模式，并提出了政策建议。作者先指出了AI知识密集型的特征，认为这会为其带来了不同寻常的规模经济和范围经济效果。因此作者采用的贸易模型考虑了知识的正外部性及技术的空间扩散，研究发现，政策是否有效促进AI产业发展很大程度上取决于它的规模经济多大和知识的国际扩散多慢。据此作者提出了一些保护本国AI产业的政策建议，包括限制访问数据、源代码开放和本地化规则等。
2.The Impact of Artificial Intelligence on Innovation: An Exploratory Analysis
Iain M. Cockburn、Rebecca Henderson和Scott Stern合作最新论文解释了人工智能对创新的影响。作者先分析了人工智能的历史，观察以自动化生产为目的的AI和以深度学习为目的的AI两者发展的趋势。文章认为，后者可以为其他各种领域 (general-purpose) 的创新提供方法。通过统计论文和专利数量，论文发现后者的数量发展较快，AI发展的重点逐渐转移到其上。作者随后论证了这种类型的AI的发展会加速企业创新，而这一加速又会驱动企业的组织和制度变革，使得企业放弃劳动密集型创新，更多利用数据科学的新型创新。
3.Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics
人工智能现在正越来越广泛地被运用到各行各业，去完成那些人力所难及的事情。这推动了其他领域内的技术创新，人工智能相关概念的股票价格也持续飞涨。然而美国的现实却和这些图景相反：近20年的生产力没怎么上升，人均实际收入也保持近似不变。Erik Brynjolfsson、Daniel Rock和Chad Syverson三位教授合作的最新论文解释了这一悖论，提供了四种可能解释：1. 虚假愿望 2. 统计方法错误 3. 再分配问题 4. 执行滞后 (implementation lag)。其中，经过实证检验，作者认为执行滞后是主要原因，即那些人工智能的突飞猛进需要其他产业的相应升级才能发挥真正作用。由于人工智能的进入，很多行业可能需要调整商业模式，进行组织方式变更，这些因素可能导致了人工智能这一技术创新所导致的社会生活水平提高滞后了。
4.Prediction, Judgment and Uncertainty
随着机器学习的发展，我们对于不确定性（uncertainty）下的预测（prediction）能力强了很多，预测的成本也相应发生了变化。Ajay Agrawal、Joshua S. Gans和Avi Goldfarb合作的论文“Prediction, Judgment and Uncertainty”将机器学习融入现有决策（judgment）模型，考虑不确定性、预测成本及决策收益，研究预测与决策之间的关系——两者之间是否存在互补关系，相互促进使得支付矩阵最大；还是说两者互为替代品。后文继续就预测的频率和准确率之间的权衡取舍进行了进一步阐释，并展示了机器学习在自动化、契约和公司内部的应用。
5.Robocalypse Now–Does Productivity Growth Threaten Employment?
对于社会生产力提高，经典理论和近期的经济学理论对就业率做出了不同的预测：经典的经济学模型认为生产力提高不会降低就业率，然而现代经济学认为这个问题没有一个明确的答案。近年来，人工智能的运用越来越广，这一问题显得更为重要。David Autor和Anna Salomons两位教授合作的最新工作论文利用19个国家的面板数据，实证检验了生产力的提高是否会降低就业率。结果发现，给定某一行业，其生产力提升会降低该行业的就业率，这一结果和传统和现代的模型均相符。然而作者发现，这一行业的生产率提升对就业带来的负效果抵不上生产率提高对全社会就业需求的正效应——由于这一行业生产率提高，提高了收入，刺激消费，因此促使社会劳动总需求上升，该上升可以超过这一行业就业率的下降。比如第一、第二产业生产率提升，这可能促进第三产业雇佣更多劳动力。因此作者得出结论，行业生产率提升会降低就业率，但其溢出效应促使社会在其他行业雇佣更多劳动力，使得社会总就业率提升。
6.Privacy, Algorithms and Artificial Intelligence
Catherine Tucker最新会议论文“Privacy, Algorithms and Artificial Intelligence”系统总结了数据的特征，并由此展开人工智能对隐私的经济学影响。作者认为数据不同于一般商品，它具有持久性 (persistence)、更换目的性 (repurposing) 和溢出性 (spillover)。举例来说，违章监控拍下闯红灯的照片，而这张照片一旦被保存下去，其影响将是长久的，想要完全从世界上删除这一数据很难。所以在未来，它可能被用到分析交通流量、车辆安全性等其他目的上，和其为了执法的初始目的没有关系。而溢出效应则是指这张照片对出现在其上其他车辆的影响，那些车主并没有主动选择“出镜”，但是照片的溢出效应也作用到了他们身上。寻常的效用函数可能无法完全捕捉数据的这三大特征，传统的隐私模型也出现了很多瑕疵。作者由此论述了从数据创建到数据产权的一系列动态效应，对传统静态隐私模型进行了拓充。
7.Artificial Intelligence and Economic Growth
近年来，许多领域内的自动化程度在不断提高，然而整个20世纪的人均GDP都近似维持不变。Philippe Aghion和Benjamin F. Jones将鲍莫尔的成本病 (Baumol’s cost disease) 引入到 泽拉的自动化模型 (Zeira’s model of automation) 中，认为人均GDP难以增长是因为我们擅长的东西并非我们急需改进的东西。换言之，即便我们完成了100%的自动化，我们的人均GDP仍可能维持不变，除非我们在其他地方进行改变。随后，作者将AI当成技术革新引入。根据理论模型，论文发现如果AI能够代替人类不断想出新点子，那么我们的经济增长可能是指数式的。而AI对就业的影响体现在“高AI”的企业将低技术岗位外包给其他企业，并对保留在其企业内部的低技术工人给予高工资。
8.Machine Learning, Market Structure & Competition
Carl Shapiro和Hal Varian合作的“Machine Learning, Market Structure & Competition”研究了新兴的机器学习产业。作者先分析了买方，即那些采用机器学习的行业，并分析了这些行业的异质性、地理特征和采用机器学习之后的情况。作者认为，由于机器学习的特殊性，那些采用机器学习的企业更倾向于垂直联合以获取更多数据并削减机器学习的成本。而机器学习的提供方目前正处于寡头垄断阶段，并且作者认为该行业的固定成本极大，边际成本极小，有较大的进入壁垒。这些特质导致寡头们的竞争可能会陷入伯特兰德悖论。最后，作者还分析了机器学习的采纳对下游企业的影响。
9.Artificial Intelligence, Worker-Replacing Technological Change and Income Distribution
由于人工智能 (AI) 的兴起，机器可能开始替代劳动力，并影响公司收益的再分配。Anton Korinek和Joseph E. Stiglitz两位教授在NBER的AI会议上详细分析了上述问题，通过假设社会经济体的不同种类，大致分析了AI对经济生产的影响。文章将AI可以被看成是一种劳动力替代型的技术革新，并依据社会是否为工人被新技术替代提供保障，将经济分为两类。作者认为，如果工人被AI替代后，社会能为其提供保障，那么AI是一种帕累托改进；而另一种经济情况较为复杂，作者从产权、经济政策和工人与技术之间的收入分配等多个方面，分情况进行了分析。
10.The Past and the Future of Innovation: Some Lessons from Economic History
Joel Mokyr最新论文对创新与经济发展的相关问题进行了一些综述。作者总结了现有文献对经济史上的长期出现经济缓慢增长的原因，大致有以下三点：1. 马尔萨斯陷阱 2. 斯密型增长 3. 人类对客观物理世界的认识不足。作者认为，如今我们凭借自然科学、制度变革和创新，已经跳出了过去的经济增长模式，完成了类似物理学概念上的“相变”。由此论文得出结论，经济史中的规律不能简单推延到现代经济的运行中，经济史无法直接对现在和将来的经济进行指导，应该基于经济的现状对未来进行预测，而非全凭历史臆断未来。
11.Artificial Intelligence and Behavioral Economics
行为经济学比起传统理论，加入了很多诸如自私、心态等因素，然而事实上可能影响我们经济行为的因素多如牛毛，在实证研究中很难兼顾这些因素，理论上也很难列举出所有可能因素。同时，很多人类做出的预测好像都和事实相去甚远，已有的行为经济学文献也难以解释这种预测。Colin F. Camerer的最新NBER会议论文就机器学习在这两点的运用展开了讨论。作者认为，在数据可获得性较高的今天，机器学习可以纳入尽可能多的变量，从中剥取出传统方法无法得到的影响因素；而且对于一个给定的数据库，机器学习也可以通过算法得出一个上限估计。对于第二个问题，作者将人类做的预测看作是机器预测的某种劣化，提供一种理解人类预测的新途径。
12.Artificial Intelligence and Market Design
近几年，美国对无线电波长进行再分配 (spectrum reallocation)，对现有一些频率的信号进行拍卖，将一些收音机的波长划拨给无线宽带，以增加整个无线电网络的效率。由于相近波长的信号会相互干扰，因此竞价方要确定竞标哪几个波长及将这几个波长安放在哪几个基站。这种最优化问题涉及到巨量数据，传统方法无法处理。Paul Milgrom和Steven Tadelis合作的论文利用机器学习算法较为快速地解决了这个问题。论文采用了维克里拍卖模型以及一些电磁学知识，构建了最理想的竞标方法。文章利用2015年11月至2016年2月的无线电相关数据，利用深度优化 (deep optimisation)，通过SMAC (Sequential Model-Based Algorithm Configuration) 算法解决了这一最优化问题。
