動態轉變：將網絡地位視為社會資本，以提升前沿人工智能實驗室的創新績效
《Technovation》：Dynamic Shifts: Understanding the network position as social capital to enhancing the innovation performance of frontier AI labs
【字體：
大
中
小
】
時間：2026年03月03日
來源：Technovation 10.9
編輯推薦：
本文基于社會資本理論與fsQCA方法，分析2013-2024年41,055篇AI論文和40,033項專利數據，揭示前沿AI實驗室網絡位置動態演變及對創新績效的影響機制，提出"獨立創新"與"網絡驅動"雙路徑戰略，為AI實驗室發展提供理論框架與實踐指導。
劉本|曲晶晶|鄒輝|劉嘉怡|陳思明|陳陽
上海人工智能實驗室，云錦路701號，上海，200240，中國
摘要
人工智能（AI）正在迅速改變各個行業，而領先的實驗室已成為推動創新的關鍵力量。本文探討了OpenAI和DeepMind等前沿AI實驗室在這個快速發展的領域中的演變動態。基于社會資本理論（SCT），我們認為，在創新合作中的關鍵網絡位置構成了極具價值的社會資本，這推動了前沿AI實驗室的快速增長和成功。我們的研究結合了網絡分析與模糊集定性比較分析（fsQCA），以定量評估影響研究影響力的因素。我們解決了兩個關鍵問題：首先，我們描繪了前沿AI實驗室如何隨時間占據不同“網絡位置”的演變模式；其次，我們深入研究了網絡位置及其他關鍵因素對其創新能力的因果影響。通過對2013年至2024年間發表的41,055篇AI研究論文和40,033項AI相關專利的數據集進行分析，我們發現這些實驗室在三個階段——早期階段（2013–2016年）、成長階段（2017–2021年）和成熟階段（2022–2024年）——不斷提升了其網絡位置，從追隨者角色轉變為機構合作網絡中的領導者。在第二項研究中，我們發現網絡位置和計算能力等各種因素是當前環境下前沿AI實驗室快速增長的關鍵驅動因素。我們的發現強調了合作網絡在促進研究創新方面的重要性，突顯了前沿AI實驗室在塑造AI技術未來中的戰略作用。
引言
人工智能（AI）正在全球范圍內重塑創新格局，像OpenAI和DeepMind這樣的前沿實驗室正在重新定義技術可能的邊界（Akter等人，2023年）。這些實驗室處于基礎研究與大規模工程的交匯處，取得了GPT-4（Achiam等人，2023年）和AlphaGo（Silver等人，2016年）等突破性成果，這些成果模糊了學術研究與產業影響之間的界限。它們的崛起引發了關于創新管理的關鍵問題：新興組織如何 navigate 復雜的創新合作網絡以在資源密集型、快速發展的領域中獲得競爭優勢？ 以及 它們在這些網絡中的位置在推動創新中扮演了什么角色——特別是在知識、數據和計算能力分散在多個機構之間的情況下？
創新管理學術界長期以來一直強調網絡在促進創新中的作用（Powell等人，2005年；Schilling和Phelps，2007年），但現有框架難以解釋AI研究生態系統的動態。與傳統行業不同，AI創新依賴于高度專業化的資源（例如專有數據集、GPU集群）、跨學科合作（涵蓋計算機科學和數學）以及知識快速過時——這些因素凸顯了網絡位置作為戰略資產的重要性（Arenal等人，2020年；Chen等人，2020年；Kusters等人，2020年）。雖然社會資本理論（SCT）提供了一個研究網絡聯系如何促進資源交換和知識流動的視角（Bourdieu，1986年；Nahapiet和Ghoshal，1998年），但其應用于AI實驗室的研究仍然不足，存在一些關鍵空白：
首先，創新管理研究主要集中在穩定、成熟的行業（例如制造業、制藥業），在這些行業中網絡結構是逐漸演變的（Schilling和Phelps，2007年）。相比之下，AI合作網絡動態變化——機構在幾年內就會發生網絡位置的顯著變化（Tu、Dall'erba和Ye，2022年），這挑戰了靜態的網絡影響模型。當前的研究未能充分解釋AI領域內網絡位置的快速和流動變化，忽視了網絡位置如何關鍵地塑造創新成果。
其次，盡管SCT強調社會資本是創新的驅動力，但它很少關注AI研究的資源特異性。與傳統研發不同，AI創新依賴于非傳統的、特定于技術的資源（例如預訓練模型、云計算基礎設施），這些資源在學術界、工業界和非營利組織之間的分布并不均衡（Zhang等人，2021年）。網絡位置如何使實驗室能夠獲取這些專業資源，以及這種獲取如何轉化為創新，在創新管理理論中尚未得到充分探討。
第三，前沿AI實驗室在混合生態系統中運作，需要在學術開放性（例如發表研究）和產業保密性（例如保護專有模型）之間取得平衡。創新管理學術界尚未闡明網絡位置如何幫助調和這些相互沖突的邏輯，或者這種混合性如何塑造創新成果。
基于此背景，我們的研究結合了網絡分析和模糊集定性比較分析（fsQCA）來回答兩個核心問題：
1.前沿AI實驗室的“網絡位置”隨時間如何演變，它們在機構合作網絡（創新合作網絡）中遵循怎樣的軌跡？
2.哪些因果配置——結合網絡位置、資源獲取和合作模式——推動了它們的創新表現？
通過收集前沿AI實驗室發表的AI相關論文和專利，并構建三個階段間的機構合作網絡，我們發現這些實驗室在2013年至2024年間經歷了網絡位置的動態變化——從邊緣追隨者發展成為中心參與者，其中一些實驗室還成為了行業領導者。此外，我們確定了在當前AI發展格局中提升創新表現的兩種不同戰略路徑：“單一創新者模式”和“網絡驅動模式”，為新興AI實驗室提供了戰略建議，幫助它們根據自身資源和目標選擇最合適的路徑來增強創新能力。
此外，我們在三個關鍵方面為創新管理理論做出了貢獻：（1）我們將SCT擴展到動態、高速度的生態系統，解釋了網絡位置如何放大創新能力；（2）我們深化了對AI領域資源中介作用的理解，展示了網絡位置如何解鎖對前沿研究至關重要的技術特定資產；（3）我們闡明了跨越學術界和工業界的混合組織角色是如何通過戰略網絡位置得以實現的，為生態系統層面的創新動態提供了新的見解。從實踐角度來看，我們的發現指導新興AI實驗室利用網絡資本在資源密集型環境中競爭，同時豐富了尖端技術生態系統的創新管理框架。
章節片段
前沿AI實驗室與AI創新中的合作
前沿AI實驗室專注于變革性的AI突破（Farhat等人，2024年），它們所處的生態系統依賴于兩個相互依存的支柱：基礎研究（例如機器學習理論的進步——Vaswani等人，2017年）和大規模工程（例如訓練數十億參數的模型——Brown，2020年；Achiam等人，2023年）。這種二元性帶來了獨特的挑戰：沒有單一組織能夠內部生成這些多樣化的資源——跨學科的
研究設計
根據Shi和Wang（2024年）提出的選擇標準，我們確定了一組具有共同特征的前沿AI實驗室：1）它們更重視長期影響而非短期商業收益；2）它們由企業或公共研發機構創立；3）它們主要位于AI發展的關鍵區域，包括美國、中國和歐洲（見圖1）；4）它們以產生有影響力的研究論文、AI模型和工具而聞名
數據收集
我們為這項研究收集了兩種類型的數據：研究論文和專利，時間跨度為2013年至2024年，數據來源于16個前沿AI實驗室和8家大型科技公司。
研究論文數據集通過Scopus的API獲取，Scopus是涵蓋各個學科的同行評審科學文獻最全面、使用最廣泛的文獻數據庫之一，包括期刊、會議論文集和學術書籍。專利數據集也是通過API獲得的
方法
為了解決第二個研究問題，我們研究了“網絡位置”作為一種社會資本形式如何影響前沿AI實驗室的創新表現。這種影響取決于多個相互作用因素的復雜配置。
在研究2中，鑒于合作模式、基本配置和網絡位置的復雜性，我們采用了模糊集定性比較分析（fsQCA）（Fainshmidt等人，2020年；Pappas和Woodside，2021年）來識別
結論與討論
將社會資本視角與網絡位置視角相結合，本文描繪了AI前沿實驗室在創新合作網絡中的崛起，并探討了它們的混合效應如何與其他因素一起影響創新表現。通過觀察三個階段前沿實驗室網絡位置的動態變化，我們清楚地看到前沿AI實驗室從邊緣參與者轉變為大型科技公司的關鍵合作伙伴
CRediT作者貢獻聲明
劉本：撰寫——審稿與編輯，撰寫——初稿，軟件開發，方法論，形式分析。
曲晶晶：撰寫——審稿與編輯，撰寫——初稿，項目管理，概念化。
鄒輝：撰寫——審稿與編輯，撰寫——初稿，概念化。
劉嘉怡：撰寫——初稿，可視化。
陳思明：項目管理。
陳陽：項目管理。
利益沖突聲明
本工作得到了中國國家重點研發計劃（項目編號：2022ZD0116205）的支持。我們還要感謝上海人工智能實驗室提供的計算資源。
生物通微信公眾號
生物通新浪微博
今日動態 |
人才市場 |
新技術專欄 |
中國科學人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術快訊 |
免費試用
版權所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯系信箱：
粵ICP備09063491號
