知识要素与协作网络对探索性创新绩效的交互影响：来自中国人工智能产业的证据

这对 AI 公司未来有何重要意义

每一次人工智能领域的突破背后，都是企业既有知识与合作伙伴网络的混合体。本研究深入中国快速发展的 AI 产业，提出一个简单而关键的问题：公司应如何将内部专长与外部合作结合，才能创造真正新的想法，而不仅仅是小幅改进？通过对数千项专利应用现代数据工具进行分析，作者揭示了可帮助管理者和决策者更智能地引导 AI 创新的模式。

三类 AI 创新者

研究者利用来自 260 家中国 AI 公司的专利数据，首先为每家公司绘制两类内容：技术知识的多样性与结构，以及通过共同申请专利构建的协作网络形态。随后他们采用聚类方法将具有相似特征的公司分组，结果显示三种大类。“协作导向”公司深度嵌入在密集的合作伙伴网络中，但内部知识优势仅为中等水平。“知识导向”公司拥有丰富多样且专业化的技术能力，但相对孤立。“平衡型”公司位于两者之间，在任一方面既无明显强势也无显著弱点。

知识组合与伙伴关系如何相互作用

研究进一步使用决策树算法追踪不同知识与网络特征组合如何关联公司在新技术领域产生专利的能力——这是衡量探索性创新的一个实用指标。在各类公司中，内部知识结构发挥了主导作用，但外部网络可以放大或缓和其影响。对于协作导向的公司来说，技术领域过于分散往往会因超出其吸收与利用信息的能力而损害绩效。然而，当这些公司同时拥有广泛或紧密的协作网络时，合作伙伴能够帮助过滤、共享并整合知识，将潜在的信息过载转化为有用的新颖性。

过度专业化可能适得其反

知识导向的公司则呈现另一种情形。其深厚且多样的专业知识并不必然带来前沿突破。当知识基础变得过于分散时，创新绩效反而下降，可能是因为注意力与资源被过度分散。即便在多样性受控的情况下，与大量组织合作也并非总是更好。适度数量的合作伙伴往往效果最佳，而过于广泛的合作带来协调成本与分心，过于狭窄的合作又限制了接触新思想的机会。这表明，高度专业化的 AI 公司需要有意识地精简其知识组合，并精心挑选一组可管理的战略伙伴。

在相似与差异之间找到最佳点

对平衡型公司而言，关键杠杆是知识要素之间的契合度以及一种技能在多大程度上可以替代另一种。当知识要素过于完全匹配时，公司容易陷入狭窄路径，难以跳转到新领域。然而，当存在足够的重叠，即一种技术可以替代另一种时，公司更能进行试验、调整并应对处于早期且波动较大的 AI 行业中的不确定性。换言之，通常被视为冗余的部分知识，在技术与市场快速变动时，反而能提供灵活性和韧性。

对 AI 战略的启示

总体而言，研究表明“更多知识”或“更多伙伴”并不必然带来更好的探索性创新。关键在于公司的内部知识组合与其构建及利用协作网络方式之间的匹配，而这种匹配在协作导向、知识导向和平衡型公司之间各不相同。对管理者而言，信息是将知识与合作视为一个共同设计的问题：避免失控的复杂性，寻求能补足特定弱点的伙伴，并保持足够的知识重叠以在 AI 生态变化时进行调整。对政策制定者而言，研究强调生态系统与行业平台的价值，这类机制有助于公司重组知识并形成有针对性的伙伴关系，而不仅仅是简单地推动更多研发投入或更多联盟。

引用: Zhang, L., Chen, J., Qiu, H. et al. The interactive effects of knowledge elements and collaboration networks on exploratory innovation performance: evidence from the Chinese artificial intelligence industry. Humanit Soc Sci Commun 13, 303 (2026). https://doi.org/10.1057/s41599-026-06637-x

关键词: 探索性创新, 人工智能公司, 协作网络, 知识管理, 专利分析