开放科学(资源服务)标识码(OSID)：
To this end,in line with the characteristics of young technological talents in China during this new era,this article delves into the successful experiences of technological innovation.It aims to extract the operational logic embedded therein to offer theoretical support for innovative practices.The study constructs an analytical framework centered on "knowledge production-diverse interaction" from both procedural and subjective perspectives.It further examines various paths of innovation through multiple typical cases in Beijing.The choice of Beijing for multiple case studies has several reasons.Firstly,all cases stem from technological innovations started by young talents who are alumni of top domestic universities,and Beijing is endeavoring to become a hub for elite talents and a global tech innovation center.Secondly,by comparing cases from the same region and field (technology),external variable interferences are minimized.This comparison aims to discern the differences between various models,deepening the typological understanding of knowledge production and diverse interactions.Lastly,the three selected cases each correspond to distinct interaction models.These models cover interactions between enterprises and government,experts and capital,and emphasize the scale,spillover,and competitive effects of knowledge production.In the initial stages of technological innovation,although all three cases were confronted with challenges and real-world constraints,the young talents facilitated knowledge production and interactions,making these cases highly representative and prompting further contemplation on the research question.
The results indicate that,firstly,through business-government interaction,scale effects in knowledge production are manifested.This interaction not only enhances governmental support for and understanding of technological innovation but also overcomes the constraints posed by decision-making "black boxes".It further improves the reliability and safety of innovative products.Moreover,the resources and policy support from the government actively encourage the greater participation of young talents in technological innovation.Secondly,the business-expert interaction brings forth the spillover effects of knowledge production,addressing challenges from the system's high complexity and barriers to sustained innovation.This interaction infuses knowledge production with fresh vigor and can foster new ways of thinking,constituting an effective way for technological innovation.Thirdly,the business-capital interaction promotes competitive effects in knowledge production,assisting enterprises in establishing sustainable business models.The involvement of capital provides broader horizons for innovation,along with the necessary resources,thereby driving business innovation.
Furthermore,this study centers on unveiling the intrinsic mechanisms through which young talents drive technological innovation.By integrating typical operational mechanisms,the study conducts a comprehensive analysis of the role of young talents throughout the innovation process.This analysis significantly bridges the existing theoretical gap in understanding the logic by which young talents propel technological innovation.As such,the study not only offers a fresh analytical perspective on the inherent patterns of technological innovation,but also serves as valuable reference for better cultivating young talents in both academic research and practical endeavors.
开放科学(资源服务)标识码(OSID)：
随着人才强国战略的深入实施,青年人才在推动科技创新中的重要作用日益凸显,已经成为促进科技进步和社会发展的关键力量。习近平总书记指出:“支持青年科技人才挑大梁、担重任,不断壮大科技领军人才队伍和一流创新团队。”中共二十大报告也首次提出,教育、科技、人才是全面建设社会主义现代化国家的基础性、战略性支撑。在此背景下,如何推进青年人才引领的科技创新,成为中国式现代化建设的重要命题。
纵观我国青年人才的发展培养历程,从简单的数量扩大、重科研成果等单一指标评价,到以产业需求为导向的人才培养,体现了人才发展目标的不断调整与演变。青年科技人才也不例外,从关注科技人才知识技能提升,逐渐转向关注其创新精神、团队协作能力,特别是知识生产与多元互动能力。在此过程中,我国科技发展历经动能转换与范式变革,以多模态、大模型、大数据为代表的技术正不断涌现,科技创新治理机制逐步形成[1]。青年人才知识生产与多元互动的重要性日益显现,为科技创新提供了新的动力和视角。青年人才通常拥有更高的灵活性和适应性,对新科技的发展趋势具有敏锐的洞察力,且敢于尝试新方法,愿意接受和应用新技术,这种开放和探索态度有利于推动创新。许多青年人才接受过良好的教育和训练,其年龄优势也能为科技创新提供持续性投入。然而,现有研究大多关注科技创新中的府际关系、资源重组及结构转型,对于青年人才在创新过程中的主动性和驱动能力的回应明显不足。因此,如何理解青年人才在科技创新中的行动逻辑,并构建有效机制推进创新,值得深入探讨。
为此,本文结合新时期我国青年科技人才特点,深入剖析青年人才科技创新的成功经验,提炼出蕴藏其中的行动逻辑,为创新实践提供理论支持。在文献梳理的基础上,从过程性和主体性视角构建知识生产—多元互动分析框架,基于3个典型案例解析不同类型的创新路径。进一步归纳青年人才引领科技创新的行动逻辑与运作机制,为科技创新提供有益的理论及实践启示。
科技创新作为推动经济社会发展的重要动力,其发展过程深受人才的影响,尤其表现在人才参与、培养及协同互动方面。学界从不同视角探讨人才与科技创新间的关系,为本研究提供了全面的理解和洞察。已有研究主要有两种分析视角:一是从人才本身的特质和能力出发,探讨其如何成为科技创新的内在驱动力;二是从人才与外部环境互动角度,着力解释人才如何与政府政策、资本市场相互作用,共同塑造科技创新发展格局。
一些研究从人才的内在特质和能力视角,探索其在科技创新中的关键作用。在这一视角下,科技创新得益于人才的知识结构、技能培养和创新思维。知识结构可以从宽度和深度两个维度考量,知识宽度使人才广泛接触和整合不同技术领域知识,而知识深度则确保人才在特定领域的专业性和准确性[2],从而体现出人才在科技创新中的关键作用。为进一步发挥人才在积累知识资源和推进技术创新中的主导作用,需要构建科技人才的知识结构与能力体系,优化科技创新资源整合、分类和配置机制,确保资源与人才知识结构能够有效链接[3]。实际上,随着项目复杂性的提高和技术发展的快速演变,对人才技能培养的需求也日益增加。有研究分析人才技能与团队知识存量、决策精准度的相关性,发现技能多样性有利于提高决策精准度并降低群体思维的风险[4]。但也必须意识到,人才之间存在显著差异性和独特性[5],如专业背景、实践经验、思维模式等方面。因此,有学者提出基于人才的独特属性和需求,构建多元化、包容性和合作性的一系列机制[6],破除相关体制和政策弊端[7],促进创新思维、发展潜力与专业知识等的交融(刘云等,2023),进而提高创新体系整体效能。
也有研究从人才与外部环境互动的角度探讨人才对科技创新的推动作用。这一视角关注人才如何在各种外部条件下利用其专业知识和技能促进科技创新。有研究关注合作网络(Cooperative network)的作用,分析科技创新如何在不同组织与人才的合作网络中发生,以及这些网络何以构建出有利于创新的生态系统[8]。当然,参与合作网络的人才,需要对其行为和决策负责,由此衍生出社会、经济和环境方面的影响。从社会影响与责任出发,有学者提出负责任的创新框架(responsible innovation),这一框架基于“预期—反思—包容—响应性”4个维度,解决科技创新中的治理问题[9]。进一步地,人才可通过其专业网络,推动知识和资源在不同地区,甚至全球范围内流动,从而实现更广泛的合作和影响。例如,有研究表明,地方活跃度(Local Buzz)与外部世界的连接,尤其是全球化对科技创新的流动和扩散具有深远影响,揭示出人才互动式学习与创新在技术进步中的重要性[10]。但值得关注的是,合作网络需要建立在伦理与可持续的基础之上。因此,置身于合作网络中的人才,需要考虑其行为是否遵循伦理准则,并确保合作的可持续性。例如,Brey[11]、Edler等[12]从伦理和可持续性角度探讨科技创新如何通过影响社会与环境促进可持续发展。这一视角不仅凸显了人才在科技创新中的引领价值,还揭示了如何通过建立信任和稳定的合作关系,确保创新生态稳健发展。
以上两种研究视角为科技创新的理论洞察作出了贡献,但仍存在一定局限:一方面,已有研究从人才的内在特质和能力视角探讨人才如何成为科技创新的关键驱动力,但鲜有研究聚焦青年人才层面。这是因为,在资源有限的情况下,资本和学术机构可能更倾向于投资具有成熟技能和知识的人才,而忽视青年人才的潜在价值和创新热情。另一方面,尽管已有研究的视野从人才与外部环境互动的角度,扩展到国家—社会和更广泛的场域,但由于人才、政府、资本市场等多方主体间的复杂博弈,现有研究仍然难以提供全面解释。因此,本文试图通过分析框架的理论构建和代表性案例的实证分析,对人才与科技创新之间的关系作出进一步探索。
科技创新是指在高水平人才的知识引领下,多元主体互动,研发新技术与新产品,创造新价值。一方面,青年科技人才具备新颖、前沿的理念,凭借专业知识和创新能力,能够挖掘、识别和解决问题,成为科技创新的核心力量;另一方面,多元主体间的有效互动推动创新成果生产和转化。基于知识生产和多元互动两个核心变量,本研究构建一个理解科技创新的整合性分析框架(见图1),解释青年人才推动科技创新的行动逻辑。
图1 分析框架
Fig.1 Analysis framework
迈克尔·吉本斯[13]提出,知识生产的传统模式是一种理念、方法、价值以及规范的综合体,遵循良好的科学实践。这种模式以同质性为特征,设置和解决问题的情境(context)由特定共同体的学术兴趣所主导,是一种基于学科、以个体探究为主的模式。第二种模式是传统模式的延伸,以应用为导向,承担更多社会责任且具有反思性(reflexive),呈现出跨学科和异质性特征。进一步地,以人工智能为特征的知识生产已经构成第三种新模式——智能知识生产[14],典型的例子是利用大数据和机器学习在人工智能领域取得突破进展。
本研究以知识生产解释青年人才对科技创新的支持效应。基于此,产品、技术和商业模式创新形成全方位创新体系:①技术创新是科技创新中最直观、最基础的一种形式,聚焦科技自身进步,包括但不限于新理论、新方法和新技术的发明与实践,分为增量创新和颠覆性创新[15];②产品创新是对产品形式或功能的创造,是将技术创新成果以适合于用户和市场的形式呈现;③商业模式创新是商业运作方式的变革,如新的营销方式、收益模式、合作方式等,是为了更好地将技术应用到商业领域中,创造经济价值。
本文以多元互动表示科技创新中不同参与者之间的交互和协作,强调知识共享、合作和跨界协作的重要性。在创新过程中,多元主体相互配合,推动资源整合、风险分散和知识共享,包括企业—政府互动、企业—专家互动、企业—资本互动3种主要类型,也相应地促成产品创新、技术创新和商业创新。因此,本文对知识生产—多元互动的表征及演进过程进行深入剖析,据此提出一系列论断,系统揭示青年人才推动科技创新的行动逻辑与运作机制。
1.2.1 企业—政府互动模式:知识生产的规模效应
企业—政府互动是科技创新的关键,企业与政府进行合作和资源共享能推动科技进步,加速新技术的研发和商业化进程。这一互动模式被赋予目标共享、互利共赢和动态交互特征,其核心意义在于,通过降本增效推动经济发展和社会进步,提升国家科技水平和竞争力。
在企业—政府互动模式中,随着知识生产规模的扩大,单位知识成本下降,生产效率提高。这得益于规模效应的双重作用:一方面,大规模知识生产能够分散固定成本,降低单位知识成本;另一方面,大规模实践促进组织和个人学习与优化,提高生产效率。因此,知识生产的规模效应可以解释为,政府通过科技政策、研发资金和科创平台等支持企业大规模知识生产,降低研发成本和风险,提高效率,并吸引更多资源和人才,进一步增强规模效应。基于上述讨论,本文提出以下命题:
命题1:企业与政府间互动会加速新技术研发和商业化,在政府支持下,企业开展的大规模知识生产能够降低成本,形成知识生产的规模效应。
1.2.2 企业—专家互动模式:知识生产的溢出效应
科技创新需要专家的专业知识和技能。企业—专家互动能获取新知识、新理念,发现创新的可能性,同时反馈市场需求,提高研究的实用性,促进知识转化。这种协作环境将产生独特的知识生成和传播机制——知识生产的溢出效应,主要体现为异质性、跨学科性、产业化3个特征。
企业通过与专家互动,吸收专家的知识和经验,展现知识生产的异质性。异质性涵盖知识来源、结构、更新等方面,企业和专家可以从不同视角和层面理解问题,进而推动跨学科研究和创新知识形成。创新成果经过产业转化,促发知识溢出效应的产生。这一效应源于知识的非排他性和公共品属性,无论是对企业自身,还是对社会整体性知识创新和经济发展都有积极影响。由此,本文提出以下研究命题:
命题2:知识的非排他性和公共品属性使其具有溢出效应。企业与专家互动能够促进异质性知识生产,并在跨学科性与产业化的双重推动下,对企业创新活动和知识转化产生作用。
1.2.3 企业—资本互动模式:知识生产的竞争效应
企业—资本互动是指企业和资本市场在资源与利益分配上的相互作用、相互影响。实际上,科技创新需要大量资金,企业从投资机构、银行获得资金开展创新活动,而投资方通过投资有潜力的项目实现资本增值。该模式有助于促进企业与资本市场的良性互动,提升企业竞争力。
资本在向企业提供资源的同时,也会对企业施加压力。为了保证投资回报,企业需要不断创新,提升技术水平和市场竞争力。这种压力驱动企业追求新知识,产生知识生产的竞争效应,形成一种动态竞争格局。基于上述讨论,本文提出以下命题:
命题3:企业与资本互动过程中,资本投入会影响企业科技创新行为,资本多元化、灵活的资金支持以及来自资本的压力会激发企业创新,产生知识生产的竞争效应。
研究选择北京市3个青年引领的科技创新案例。北京是科技创新高地,2017年确立建设具有全球影响力的科技创新中心的战略定位。习近平总书记指出,要以建设具有全球影响力的科技创新中心为引领,集中力量抓好北京市科学城、创新型产业集群示范区“三城一区”建设。这为青年创新者提供了政策支持、丰富的资源和市场机遇,但也面临技术风险、市场风险和生活支出压力等问题,需要通过企业、政府、专家与资本间的多元互动和技术交流解决这些问题。在此背景下,出现了青年引领的企业科技创新实践,以知识生产和多元互动为核心机制,破解发展难题。
本文选择北京市3个案例作为分析对象(见表1),展示科技创新中企业与多元主体的互动模式,提炼知识生产的经验路径。主要基于如下考虑:第一,3个案例是典型的由青年人才发起的科技创新项目,这些青年人才均毕业于国内顶尖高校。特别是在北京建设高水平人才高地和国际科技创新中心的环境下,这些案例具备理想的科技创新条件,能够体现出“最可能案例”的特点。第二,为确保研究逻辑的严谨性和结果的可靠性,选取来自同一地区(北京)且领域相同(科技)的案例进行分析。集中性的案例群组有助于消除潜在干扰因素,从而提高研究效度。同时,多案例比较分析能够更精细地构建理论模型,呈现知识生产与多元互动的多样性及其相互作用。第三,案例对应3 种不同模式,覆盖企业与政府、专家、资本等不同主体之间的互动,以及知识生产的规模效应、溢出效应和竞争效应。3家企业初期都面临不同程度的现实困境,而青年人才在实践中能够持续进行知识生产和互动,因而案例具有典型性,可以引发对研究问题的深思。此外,本研究使用的材料部分来自政府文本和内部资料,核心部分的研究资料则来自研究团队的观察与访谈。文中提及的实证资料和经验数据,如无特别说明,均来自作者所在课题项目于2023年5月18日举办的专题学术研讨和沙龙分享。遵循学术惯例,对访谈对象的个人信息进行匿名化编码,访谈资料的编码规则为:研讨日期+发言者单位与身份代码。
表1 案例基本情况
Tab.1 Basic information of the cases
名称技术领域CEO院校路径特征 R公司人工智能基础设施清华大学企业—政府互动模式以知识生产的规模效应促进产品创新(AI for Industry)S公司生物医药与新材料北京大学企业—专家互动模式以知识生产的溢出效应促进技术创新(AI for Science)B公司交易数字化、数字科技北京大学企业—资本互动模式以知识生产的竞争效应促进商业创新(AI for business)
R公司作为人工智能设施和解决方案供应商,在政府支持下对数据安全和隐私保护进行了一系列探索(人机协同AI平台、人工智能安全靶场等),采用多方安全计算、联邦学习等技术确保数据安全及数据价值的有效实现,形成企业—政府互动下的规模效应—产品创新路径,如图2所示。
图2 企业—政府互动推进产品创新
Fig.2 Promotion of product innovation by enterprise-government interaction
资料来源:作者根据R公司资料整理
3.1.1 现实困境:可靠性与安全性挑战,决策“黑箱”难以解释
在人工智能(AI)演进历程中,ChatGPT和AlphaGO的出现标志着深度学习进入重要时刻。自2012年起,基于神经网络的深度学习技术逐渐成熟,特别是到2018年,国内一系列人工智能创业公司开始基于深度学习研究感知方面的各项应用。然而,随着技术的发展,AI在安全性和可靠性方面的挑战也逐渐显现。就可靠性而言,人工智能一旦遇到未在训练数据中出现过的新情况,可能表现出不稳定行为,特别是在对系统可靠性要求更高的领域,如航空、核电,可能出现目标偏离、安全中断等由AI系统行为导致的不良后果;就安全性而言,人工智能易受到对抗性攻击,在自动驾驶、医疗诊断等高风险领域会造成严重后果,同时AI训练的大数据需求也可能引发用户隐私问题[16]。
“其实我们期待能够落地的,包括AI医药、AI医疗、AI自动驾驶等,时至今日都没有达到理想的落地效果。本质在于,深度学习存在网络结构以及黑盒方面的问题,不适应于高价值观念的场景。”(访谈记录:20230518RLZHTT)
这是因为深度学习的决策过程往往被视为“黑箱”,模型的可解释性成为人工智能领域的一个关键问题,尤其在涉及重要决策和高风险情况的医疗、司法和金融领域。这些模型通常包含数百万甚至数十亿参数,基于对大量数据的复杂计算作出决策,但决策过程是不透明的。显然,这种不透明性会限制组织和个体对AI决策的理解和信任[17]。此外,如果训练数据不均衡或包含偏见,AI模型可能复制并放大这些偏见,进而导致不公平的决策[18]。
3.1.2 行动逻辑:政府引领—规模效应
为解决上述挑战,R公司提出发展安全、可靠、可信的第三代AI,以数据与知识共同驱动的方式衍生出新技术体系。北京市政府自上而下给予政策支持,降低企业初始投入风险和信息不对称。
R公司是时任中共中央政治局委员、北京市委书记蔡奇联系的重点企业,2021年12月,蔡奇调研R公司时强调,“安全是科技发展的重要前提”,同时提出“专注人工智能领域安全,保持技术领先优势,推出更多具有前瞻性、带动性的新产品、新技术”。此后,R公司入选国家级专精特新“小巨人”企业,研发一系列安全、可信的AI技术。
“我们走在了一条与众不同的技术路线上,典型的技术是人工智能对抗攻防,通过一系列算法攻击,比如攻击人脸识别、语音识别,检测这些算法、产品在什么时候会出现错误,再用技术手段进行安全加固。”(访谈记录:20230518RLZHTT)
经过几年的研发,R公司相继打造了人工智能安全防火墙、人工智能安全平台等,同时积极配合主管部门完成20余项国际、国家及行业标准制定。在这一过程中,R公司CEO意识到,仅仅把现有算法变得更安全并不能完全解决问题,需要从本质上打造能力更强的AI。为此,R公司开始把目光投入更高阶的领域——生成式人工智能。
生成式人工智能:知识驱动研发能力更强的AI。生成式人工智能(Generative AI)是一种机器学习技术,能够从输入数据中学习模式并创造新的输出,如文字、图像、声音、视频等。通过生成式AI能够大幅降低采集成本,甚至可以在完全零样本的情况下解决工业缺陷检测问题,这是R公司在生成式AI方面最早的探索。
“举一个工业视觉检测的案例,比如在太阳能电池板出厂前,需要通过人工或者算法解决上面究竟有什么缺陷、什么故障,但是这类缺陷经常是随机产生的,种类非常多,采集负样本很困难。”(访谈记录:20230518RLZHTT)
多模态大模型:知识驱动训练更综合、更通用的AI。随着数据变得越来越丰富和多样化,AI进入大模型时代,R公司不再局限于单一形式,而是开始尝试从多个角度使用多种形式的数据解读现象——研发多模态AI大模型。本质上,多模态大模型采用复杂算法进行训练,能处理文本、图像、声音等多种数据类型的输入。例如,用多模态AI理解文本描述场景,并将其与图像数据匹配,或者分析语音输入并将其与相关文字或图像内容关联起来。
“我们一直在进行多模态大模型的训练,也是在今年4月份,我们的第一个生成式多模态大模型,基于transformer的模型正式发布和开源,它在文生图、图生文等多个领域都达到世界领先水平,后续还有大量的工作需要持续地发展,让多模态大模型能够真正在各场景发挥作用。”(访谈记录:20230518RLZHTT)
S公司在AI for Science研究中,运用分子模拟算法解决生物医药、能源、信息科学和工程等领域的重要科学问题。在顶尖专家指导下,S公司在药物和材料领域创新性地推出计算模拟和设计工具,如药物计算设计、微尺度科学计算云平台等,形成企业—专家互动下的溢出效应—技术创新路径,如图3所示。
图3 企业—专家互动推进技术创新
Fig.3 Promotion of technological innovation by enterprise-expert interaction
资料来源:作者根据S公司资料整理
3.2.1 现实困境:系统复杂性高,可持续创新壁垒
作为一家以科学计算和工业研发软件为落地场景的科技公司,算法引擎、大规模软件工程、行业研发经验3个核心要素的深度结合,成为S公司独特的竞争优势。然而,这种深度结合也可能使系统复杂性大幅提升,造成多方面挑战。
本质上,算法引擎是一种可以模拟人类智能解决复杂问题、处理大量数据,甚至可以自我优化的计算模型。大规模软件工程涉及大量系统间协作、交互和依赖,这就需要高度协调、整合,从而提高复杂性。同时,算法引擎、大规模软件工程与行业研发经验的深度结合,意味着S公司需要深入了解行业需求和趋势,以适应这种复杂性。
“算法引擎、大规模软件工程还有行业的研发经验要深度结合起来,是我们面临的一大困难,也是国内工业软件存在差距的地方,一旦形成就会有非常高的壁垒,在这一波科技革命浪潮中要把握机遇。”(访谈记录:20230518SSKJSWJ)
正是由于上述复杂性,系统稳定性面临挑战:①巨大的代码量意味着即使非常微小的编程错误也可能导致严重问题,如未捕获的异常或输入—输出错误;②如果软件架构设计存在问题,模块间的依赖关系处理不当,那么一个模块发生故障可能影响到整个系统,甚至引发系统崩溃;③大规模软件系统通常需要处理并发和同步问题,若处理不当,可能导致死锁、竞态条件等。
类似地,复杂的算法引擎也可能对系统稳定性产生影响:一方面,若算法设计或实现存在问题,可能导致预期之外的行为;另一方面,复杂的算法引擎通常需要大量计算资源,管理不当可能导致系统崩溃。面对这些挑战,需要S公司具备持续创新能力,改进算法、管理策略和系统架构,以提高系统稳定性。
“科技的真实壁垒不是面上的软件和代码,一个技术研发出来一定是可被模仿和超越的,持续创新能力才是真正的壁垒,原创的速度要比别人模仿的速度更快,才能给科技企业带来发展。”(访谈记录:20230518SSKJSWJ)
之所以说持续创新能力是企业发展的壁垒,因为其不仅需要技术积累和人才支持,还需要企业进行制度创新。只有具备这种创新能力,企业才能在面对复杂性和稳定性等挑战时,持续提供高质量产品和服务,保持竞争优势。
3.2.2 行动逻辑:专家引领—溢出效应
S公司首席科学顾问鄂维南教授(中国科学院院士、北京大学讲席教授、国际机器学习研究中心主任、北京大数据研究院院长)提出专注于AI for Science驱动的微观尺度科研和工业研发。因对应用数学的开创性贡献,鄂维南教授曾荣获国际工业与应用数学大会麦克斯韦奖、科拉兹奖,也是第一位两获国际工业与应用数学大奖的数学家。专家引领的知识驱动能够让企业与高校、研究机构共享知识资源,降低技术开发的不确定性。
“AI for Science现在已经在行业里面成为一个共识,新华网指出其是发生在当下的科学变革,今年两会科技部启动了AI for Science专项部署行动。”(访谈记录:20230518SSKJSWJ)
为进一步推动AI for Science的发展和应用,2021年9月鄂维南院士领衔成立科学智能研究院,将人工智能技术与科学研究相结合,也为S公司的科技创新提供了更高的平台支撑。研究院将一批顶尖研究人员集聚起来,打破传统研究壁垒,将AI for Science发展推向一个新的高度。
多尺度建模与高性能计算:知识驱动的科学范式。S公司融合物理建模和高性能计算,开发出药物计算设计平台,为临床前药物研发提供计算解决方案。例如,应用分子对接与虚拟筛选,精准预测药物与靶点的结合模式;研发设计大分子药物,预测3D结构模型。新的科学研究范式将多尺度建模、机器学习和高性能计算相结合,开发人工智能分子模拟技术。这种模型通过深度神经网络参数化原子相互作用势能,突破性地实现微尺度分子模拟的精度与效率统一。
“时至今日,我们打造了一个科学研究平台和一系列药物、材料研发的工业软件平台,和很多药物、材料厂商联合研发创新药和新材料。技术平台已经赋能了包括小分子、大分子药物、合成生物学等生物制药领域的产业领域,以及像催化、半导体、显示等近10个材料研发领域。”(访谈记录:20230518SSKJSWJ)
计算引导实验,实验优化设计:打造自然科学界的GPT。实验设计可以帮助理解社会现象,找出问题的原因,制定解决方案。通过设计实验,可以对社会科学理论进行实证检验,验证理论假设的正确性,从而得到可靠的研究结果,为政策制定、决策等提供科学依据。S公司为药物、材料领域研发计算模拟及设计工具,不仅有助于加深学术界和实践界对各种复杂现象的理解,还可以更有效地支持决策过程。这些工具的使用,让研发流程变得更加科学、系统,并且节省大量时间和成本。
“生物医药、新材料这些领域,其实相比于100年前的研究范式并没有根本改变。现在我们发明一款新的药物、新的材料,唯一的变化就是做的实验次数比以前更多了。如果能够先进行非常精密的实验来验证计算结果,就可以大幅提升研发效率,这是我们问题的起点。”(访谈记录:20230518SSKJSWJ)
计算模拟及设计工具的成功开发,代表自然科学领域的GPT——利用高级人工智能技术,对复杂实验数据进行深度学习和分析,从而实现计算引导实验,实验优化设计。未来可以持续优化这些工具,使科研工作更加精准、高效,助力科技创新。
B公司是专门为产业互联网领域提供SaaS服务的供应商,旨在为各类组织提供数字化解决方案,如票据数字化、智能财税处理等,已为超过2 000家集团型企业、60万家成长型企业以及1 000万家小微型企业提供服务。B公司的发展得益于灵活的资本布局和精准投资,资本投入推动创新发展和市场扩展,也提升服务质量和效率,形成企业—资本互动下的竞争效应—商业创新路径,如图4所示。
图4 企业—资本互动推进商业创新
Fig.4 Promotion of business innovation by enterprise-capital interaction
资料来源:作者根据B公司资料整理
3.3.1 现实困境:核心业务不明确,商业模式难以延续
科技行业的快速发展和不断变化的市场环境要求公司持续调整核心业务,以适应变化并保持竞争优势,这对企业业务的明确性提出了挑战。同时,受竞争压力和内部管理影响,商业模式的持续性也成为挑战,需要持续创新和优化,以保持商业模式的有效性和竞争力。
“最重要的就是资本战略和核心业务战略,我们引入腾讯、阿里投资,在融资过程中也有很多股权调整。如何形成一个商业模式,让它在资本市场受认可,同时不断引入人才,打造一个上市公司很重要。”(访谈记录:20230518BWGFYZD)
当然,商业模式的延续不仅需要外部市场环境支持,也需要公司内部的运营和管理能力。公司需要建立一套有效机制,持续优化和调整商业模式,以适应内外部环境变化。
3.3.2 行动逻辑:资本引领—竞争效应
对科技公司而言,明确的核心业务不仅有助于明晰战略方向,为决策提供基础,也能够优化资源配置和提升运营效率。B公司的核心业务是电子发票,实现了购销交易、合规交易以及各类运输交易的全面数字化。在此过程中,B公司积极引进腾讯、阿里等风险投资、股权融资,资本多元化和灵活的资金支持降低了财务风险和业务波动造成的压力。
“我们的战略方向是数字科技,无论数字中国、数字北京,还是数字交易的基础设施,最核心的战略就是在信息、科技、人力密集型的基础上,以编排的方式来实现降本增效。”(访谈记录:20230518BWGFYZD)
未来20年是数字科技的时代,算力密集化将成为一种主导趋势。大数据处理和复杂计算需求的增长,将推动算力提升和优化。在此背景下,全流程数字化和构建数据驱动的数字网络,成为B公司提高业务效率和创新能力的必然选择。
以模式创新推动商业社会减碳提效:交易数字化。在为政府、企业和公共组织提供服务的过程中,B公司构建了一套全面数字化解决方案,其核心是通过模式创新引领数字交易新范式,对全闭环数字商业过程进一步精细化,覆盖采购、对账结算、电子发票、智慧财税及支付融资等环节。
“我们也在金融、财税、供应链等领域,投入SaaS服务。在与投资方的谈判过程中,我们建立了协商对话机制,展示技术优势、商业模式和市场潜力,优化业务科技、财务科技、税务科技、金融科技等。”(访谈记录:20230518BWGFYZD)
可以发现,通过实施模式创新和数字化解决方案,B公司不仅在企业级别上实现了高效的数字化交易,也成功推动商业社会的减碳提效。这种全闭环的数字业务流程不仅能够优化商业活动,也能为社会可持续发展作出贡献。
以数据驱动的方式实现全流程数字化:政务数字化。在商业社会减碳的基础上,B公司链接商业企业,并逐步向公共领域延伸,如政务数字化。数据驱动的全流程数字化方式可用于搭建政务数据平台,整合各类政务数据,推进信息公开和阳光政府建设,云计算、AI等技术则能进一步优化政务服务流程。
“未来数字商业网络能够让交易在全流程数字化角度上形成高速的交易网络,这就是我们的目标。核心是在数字中国战略下,让交易管理降低成本。”(访谈记录:20230518BWGFYZD)
在实现全流程数字化及推进数字中国战略实施的过程中,人才无疑起着至关重要的作用。高效的交易网络和战略实施,都依赖具有专业技能和创新思维的人才推动。人才的引进、培养和合理使用,是公司持续发展和创新的关键驱动力。在此大背景下,B公司充分认识到人才是推动企业创新和发展的关键资源,对人才的重视也体现在其企业发展战略和文化中。
“在这个过程中我们也认为,资本战略很重要,人才战略也很重要,所以我们其实在创业历程中应该不断强调人才的升级是最核心的竞争力之一,如何不断地去引进团队,如何不断地让人才在资本平台能够有获得感,能够持续释放自己的核心竞争力,这个是非常重要的。”(访谈记录:20230518BWGFYZD)
简言之,优秀的人才是企业持续发展的关键。人才不仅是执行企业战略的重要力量,也是推动企业创新和变革的主要驱动者。一项有效的人才战略既要保证企业能吸引和留住优秀人才,也要能够激发和发展人才的潜力,为企业长远发展提供持续的人力资源支持。
观察3个案例可以发现,尽管青年人才在科技创新中面临的现实困境有所差异,形成了不同运作逻辑,但也呈现出一些共性特征。综合分析上述案例,本文提炼出4种典型运作机制:风险规避机制、压力调适机制、理性学习机制和协商对话机制。
在青年人才推进科技创新中,风险规避机制可以系统识别、评估、管理和控制潜在风险(如技术风险、市场风险、财务风险等),以减轻其对创新成果的负面影响。案例1中,政府通过提供政策支持和补贴,降低青年人才在产品创新中的初始投入风险,设立标准解决可靠性与安全性问题;案例2中,基于专家引领的知识驱动,企业与高校、研究机构建立合作关系,通过技术合作降低技术开发的不确定性,分担研发风险;案例3中,在资本引领的运作逻辑下,企业通过引入风险投资和股权融资等方式降低创新的财务风险。
青年科技人才面临多重压力,在资源配置上并不占优势,不仅要应对来自同龄人的竞争,还要与资历更深的前辈争夺资源,同时还面临保持技术领先、应对市场挑战、团队管理、保护知识产权以及家庭负担等变化。因此,建立压力调适机制至关重要。案例1中,透明的决策过程可以帮助青年人才了解决策逻辑,降低信息不对称;案例2中,专家和高校的培训能够提升青年人才的知识技能和应对复杂问题的能力;在案例3中,灵活的资金支持与资本多元化能为青年人才提供多种选择和发展路径,减轻因业务波动带来的压力。这一机制的核心在于营造支持性环境,让青年人才拥有应对压力的资源和能力。
大量实验与数据积累、研究对象的多样性和学科交叉应用使得科技创新具有长期性和复杂性特征,决定了成果产出周期较长,导致青年人才更愿意选择保守的短期或中期课题,而忽视长期性研究。然而,本文案例中3位毕业于中国顶尖名校的CEO,尤其是案例1和案例2的90后青年CEO,能够理性对待科技创新的长期性和复杂性,投入时间和精力深入研究,通过跨学科合作和知识整合解决问题,采用数据驱动策略评估方案的准确性、有效性[19],将自身高水平知识运用到解决实际问题中。同时,在商业落地方面进行及时调整,以满足市场需求。
为减轻信息不对称带来的压力,让青年人才了解决策逻辑,需要在政府、企业与青年人才之间建立透明的沟通渠道,如搭建合作平台、定期举办信息交流会、发布决策公告等,这在案例1中得以体现。良好的协商对话机制至关重要,可以保证企业与投资方在谈判中充分分享和接收信息,企业可以展示其技术优势和市场潜力,而投资方了解这些信息有助于作出理性投资决策。这是形成长期关系的基础,通过建立信任,加强部门间协同沟通[20],降低双方的不确定性和风险感知,从而获得更有利的投资条款,这在案例3中得以呈现。
上述分析强调知识生产的多维效应和多元主体互动模式在科技创新中的作用,将青年人才的创新行为与企业、政府、专家和资本的互动联系起来,显示其在整个创新系统中的作用和价值。进一步地,本文将4种机制之间的联系归纳为协同性、互补性、动态性和独特性四大特征(见图5)。
图5 青年人才推进科技创新的运作机制及其相互联系
Fig.5 Operation mechanism and interrelationships of young talents promoting scientific and technological innovation
(1)协同性。科技创新的实现需要风险规避、压力调适、理性学习和协商对话4种机制的相互配合与共同推动。其中,理性学习机制能为青年人才提供必要的知识技能,提高其应对创新风险(风险规避)和压力(压力调适)的能力,而有效的协商对话机制可以提供必要的信息和资源支持,对青年人才开展创新活动极为重要。4种机制的协同对青年人才推动科技创新发展具有积极作用。
(2)互补性。在理解互补性的框架下,风险规避、压力调适、理性学习和协商对话4种机制在青年人才推进科技创新中互为补充、各具优势。风险规避机制帮助青年人才识别和管理创新风险,协商对话机制通过促进信息交流和协商,降低信息不对称导致的不确定性和风险,为青年人才提供一种具有层次感且全方位的创新行动策略。
(3)动态性。上述4种机制相对灵活,能根据环境和条件进行适应性调整。随着经验的累积,青年人才对这些机制的依赖程度可能有所调整,如对某一领域深入了解后,会更多依赖理性学习和协商对话机制,提升自身专业能力,进行有效的信息沟通和资源共享;积累一定经验后,青年人才会降低对风险规避和压力调适机制的依赖。这也体现出青年人才不仅是科技创新的参与者,更是驱动者。
(4)独特性。独特性揭示出上述4种机制在实施过程和效果上具有差异性,尽管这些机制在各种行动路径中都有体现,但其执行方式和结果存在显著不同。这主要源于青年人才的个体差异(如知识储备、技能熟练程度、经验积累等)和所处环境的特征(如企业文化、市场态势、政策环境等)。总体来看,上述4种机制构成青年人才推进科技创新的核心,机制间的关系揭示了其过程的复杂性。
中国的科技创新是一场涉及政策创新、制度优化和体制改革的科技治理体系变革,青年人才以其敏锐的洞察力、灵活性和创新精神,推动新技术的发展和应用。知识生产和多元互动是科技创新的重要机制,也是解剖中国科技治理体系变革和人才推动创新过程中深层机理的关键维度。本文基于多案例的实证分析得出以下结论:一是企业—政府互动形成知识生产的规模效应。这种互动不仅能够深化政府对科技创新的支持和认识,而且有助于克服决策“黑箱”的限制,提高创新产品的可靠性和安全性。同时,政府资源和政策支持对于扩大青年人才参与科技创新的规模具有积极推动作用。二是企业—专家互动使得知识生产的溢出效应得以显现,能够打破系统高度复杂性和可持续创新壁垒。这种互动能为知识生产注入新活力,形成新的视角和思维方式,是一种有效的技术创新路径。三是企业—资本互动促进知识生产的竞争效应,帮助企业建立可持续商业模式。资本介入能够提供更大的创新空间和丰富的资源,推动商业创新。
首先,结合过程性与主体性视角,创新性提出青年人才推进科技创新的新模式:知识生产—多元互动。知识生产用于解释青年人才高水平知识对科技创新的支持效应,多元互动则表示科技创新中不同参与者之间的交互与协作,强调知识共享、合作和跨界协同的重要性。通过识别知识生产—多元互动模式的独特性,丰富了对青年人才推进科技创新行动逻辑的理论认知,深化了对知识生产和多元互动在科技创新中作用的理解。其次,本文通过解构青年人才推进科技创新的内在机制,结合典型运作机制,对青年人才在科技创新中的角色进行全面分析,一定程度上填补了现有研究在探讨青年人才推动科技创新逻辑方面的理论缺口,为明晰科技创新内在规律提供了新的分析视角。同时,也为理论研究与实践活动中如何更好地使用和培养青年人才提供了重要参考。
根据上述研究结论,本文提出如下政策建议:首先,政府和相关机构应当建立一套完善的风险预防体系,设立专门的风险投资基金或保险机制,为青年人才在科技创新中承担的风险提供保障。同时,鼓励企业进行内部风险管理,评估技术风险、市场风险、财务风险。其次,加大对青年人才的支持力度,提供更多研究资金与项目机会。企业层面也应建立一套完善的员工关怀和压力管理体系,为青年科技人才提供健康的工作环境,平衡其工作与生活。再次,支持青年人才进行深入、长期、跨学科研究,设立专项资金资助具有长期价值的科研项目,在评价导向上更加注重长期影响。最后,政府应与企业紧密合作,通过常规信息交流和政策咨询确保决策透明度,并促进企业与投资方之间的沟通,通过行业协会或交流平台促进知识共享和创新。
本文仍存在一定局限性:由于时间和资源限制,研究结果可能无法全面反映中国其它地区和行业的情况,未来计划通过大样本实证分析提高研究的深度与广度。此外,市场环境、文化差异等可能影响创新的其它因素未被充分考虑,后续研究将探讨这些未覆盖的议题。
[1] 薛澜,姜李丹,余振.如何构筑多元创新生态系统推动科技创新促进动能转换——以黑龙江省为例的实证分析[J].中国软科学,2020,35(5):23-31.
[2] 王巍,孙笑明,崔文田,等.知识宽度与深度对内部知识搜索的影响:结构洞的调节作用[J].科技进步与对策,2019,36(23):119-128.
[3] 曾锡环,黄钦旭,谭茜.科技人才生态圈运行机制构建——以综合性国家科学中心为例[J].科技管理研究,2023,43(15):53-60.
[4] JEHN K A,RISPENS S,THATCHER S M B.The effects of conflict asymmetry on work group and individual outcomes[J].Academy of Management Journal,2010,53(3):596-616.
[5] 田晓丽,刘雨菁.基于韧性视角的区域硬科技创新组态分析[J].科技进步与对策,2022,39(20):32-40.
[6] 孙锐.实施新时代人才强国战略:演化脉络、理论意涵与工作重点[J].人民论坛·学术前沿,2022,11(18):92-101.
[7] 宁吉喆.中国式现代化的方向路径和重点任务[J].管理世界,2023,39(3):1-19.
[8] ADNER R,KAPOOR R.Value creation in innovation ecosystems:how the structure of technological interdependence affects firm performance in new technology generations[J].Strategic Management Journal,2010,31(3):306-333.
[9] STILGOE J,OWEN R,MACNAGHTEN P.Developing a framework for responsible innovation[J].Research Policy,2013,42(9):1568-1580.
[10] BATHELT H,MALMBERG A,MASKELL P.Clusters and knowledge:local buzz,global pipelines and the process of knowledge creation[J].Progress in Human Geography,2004,28(1):31-56.
[11] BREY P A E.Anticipating ethical issues in emerging IT[J].Ethics and Information Technology,2012,14:305-317.
[12] EDLER J,GEORGHIOU L.Public procurement and innovation:resurrecting the demand side[J].Research Policy,2007,36(7):949-963.
[13] 迈克尔·吉本斯.知识生产的新模式:当代社会科学与研究的动力学[M].北京:北京大学出版社,2011.
[14] 刘日明,刘小涛.智能知识生产模式的本质特征和社会驱动[J].社会科学,2022,44(8):21-28.
[15] CHRISTENSEN C M.The innovator's dilemma:when new technologies cause great firms to fail[M].Harvard Business Review Press,2013.
[16] CATE F H.Protecting privacy in health research:the limits of individual choice[J].California Law Review,2010,98(6):1765-1804.
[17] DOSHI-VELEZ F,KIM B.Towards a rigorous science of interpretable machine learning[J].arXiv preprint arXiv:1702.08608,2017.
[18] CRAWFORD K.The trouble with bias[C].Long Beach:NIPS,2017.
[19] 杨一,邹昀瑾.以机器学习应对信息“爆炸”时代:公共管理研究的降维可视化探析[J].中国行政管理,2021,37(1):105-113.
[20] 邹昀瑾,牛建华,张锐.政府跨部门协同机制在应急管理中的赋能效用——以奥运危机应对为例[J].苏州大学学报(哲学社会科学版),2022,43(2):115-124.