0 引言
在人工智能技术迭代加速背景下,人工智能大模型(简称“AI大模型”)已成为全球前沿科技创新与科技竞争的核心载体,是驱动新一轮产业变革的关键技术支撑。2018年10月,习近平总书记在中共中央政治局第九次集体学习时强调,人工智能是引领这一轮科技革命和产业变革的战略性技术,具有溢出带动性很强的“头雁”效应。当前,通用大模型、垂直大模型与端侧大模型多元业态并行发展,产业化落地不断提速。AI大模型凭借语言生成能力、知识整合能力与多模态融合能力,在医疗[1]、金融[2]、技术创新[3]等多个领域引发了广泛而深远的变革,展现出巨大的应用潜力和商业价值,深刻改变着人类社会的生产生活方式。
AI大模型与技术创新之间的关系日益紧密。一方面,AI大模型本身具备颠覆性技术特征,其打破了传统人工智能技术的局限性,为科学技术发展带来全新的范式和思路[4];另一方面,它为各领域的突破性创新提供了强大赋能,加速新技术、新产品、新模式的涌现与扩散,推动行业智能化转型升级。此外,AI大模型还通过提供创新思路、优化研发流程、加速成果转化等路径全方位激发创新活力,为技术创新的持续推进注入长久动力。然而,部分企业尚未厘清AI大模型重构技术创新的范式逻辑,对人、机器与场景协同创新认知不足。若盲目依托大模型开展技术创新,容易导致技术引入与业务场景适配、组织模式重构、创新模式升级及创新过程再造等协同转型失衡,从而偏离技术赋能的有效路径。因此,从范式层面系统探究AI大模型对技术创新的重构具有重要意义。
基于此,本文聚焦AI大模型对技术创新范式的重构作用,系统分析并构建相应理论框架。本研究围绕两大关键问题展开:一是明确AI大模型“何以驱动”技术创新范式重构;二是阐释AI大模型通过“何种方式”、历经“哪些过程”推动范式重构。本研究可为技术创新管理实践提供新视角,丰富数字化时代技术创新管理理论体系,为企业借助AI大模型等前沿技术突破传统创新瓶颈、高效赋能技术创新提供兼具科学性与实操性的决策参考和实践启示。
1 AI大模型驱动技术创新范式重构的内涵
熊彼特[5]在《经济发展理论》一书中提出创新的基本概念,奠定了传统技术创新范式的理论基础。在技术创新领域,当原有范式遇到新的问题与阻力时,需要突破原有范式的制约,推动原有范式体系重构,最终实现新范式对旧范式的替代[6],这一过程循环往复,构成技术创新范式不断演化的内在逻辑。围绕创新驱动要素,学界发展出3种创新范式:一是技术推动范式,即以技术为核心导向,将创新视为从基础研究、应用开发到产业化的线性推进过程[7];二是需求拉动范式,其强调市场需求对创新方向与推进速度的主导作用,更贴合市场化阶段的创新实践[8];三是技术—需求耦合驱动范式,其突破单一要素驱动的局限,将创新界定为技术与市场双向互动、连续反馈的过程[9]。传统技术创新范式始终围绕实体技术与市场需求两大要素展开,呈现出从单一驱动向多元整合的演进特征。然而,其固有的线性逻辑与经验决策模式使得企业创新试错成本较高、市场响应滞后,难以应对当前复杂、多元且可持续性的创新要求。
随着全球数字经济的快速发展,数字技术与创新体系深度融合、技术创新范式数字化重构对突破传统线性开发模式的固有局限具有重要作用[10]。传统创新范式逐步转向以战略为引领,倡导全面创新、开放创新与协同创新,实现多主体、全要素系统整合的整合式创新范式[11]演进。数智时代,智能化技术打通了物理与数字空间的协同创新通道,使设计、仿真、验证等环节得以在实时高效、架构灵活的数字空间中高效完成,大幅缩短了试验验证时间与成本[12]。AI大模型发展与应用改变了创新主体的生产方式与创新模式,拓展了技术创新边界,驱动创新主体、技术形态与载体架构系统性变革,催生出全新的技术创新范式。在这一变革过程中,用户由创新活动的被动客体转化为深度参与的核心主体,创新技术从相对单一技术转向复合技术,创新载体从孤岛模式演变为互联互通的平台架构,由此孕育出具备全新类型的技术创新生态系统[12]。
基于此,本文中“AI大模型驱动技术创新范式重构”是指以AI大模型为核心驱动,通过变革传统技术创新方式、模式与流程,构建以知识要素为核心、企业为主体、人机场深度协同为特征的全新技术创新规则与运行体系。企业不再局限于单一主体、单一环节的线性创新,而是以AI大模型为智能底座,将人类的战略判断、价值创造与机器的认知计算、知识整合、场景适配有机融合,以解决复杂创新需求为目标,实现创新要素的全域协同与动态适配,最终推动技术创新从经验驱动、流程驱动向知识驱动、智能驱动跃迁。然而,现有研究多从技术与市场等方面关注技术创新范式演化的动力、路径与形态变迁,较少立足AI大模型这一高阶智能技术,揭示其驱动技术创新范式智能化跃迁的逻辑。因此,本文试图厘清人工智能大模型驱动技术创新范式重构的驱动机制、组织模式、创新模式与过程机制,进而构建AI大模型驱动技术创新范式重构的理论框架。
2 AI大模型驱动技术创新范式重构的驱动机制
AI大模型按应用范围划分为通用大模型和垂直大模型。其中,通用大模型具备海量参数,经大规模数据训练而成,拥有强大的学习与推理能力[13],高度的灵活性与广泛的适用性使其能够在最小限度的调整或定制化之后,迅速适应并应用于具体领域和场景。但因训练数据缺乏特定领域的专业知识深度,难以满足复杂领域的精准需求。因此,企业需要构建垂直大模型,以更准确地理解和生成特定领域的专业内容。垂直大模型是针对特定领域数据和应用开发的大模型[14],与通用大模型相比,其更专注特定任务和数据集,能够在特定领域提供更加精确和专业的数据。
在技术创新领域,通用大模型与垂直大模型协同互补,形成“通用+垂直”双轮驱动机制,打破了传统技术创新中通用能力不足以及场景落地乏力的局限,形成“广度覆盖—深度渗透”的互补关系(见图1),既通过通用大模型的广度覆盖降低垂直领域技术开发门槛,又借助垂直大模型的深度渗透填补专业场景应用空白,兼具通用能力及场景需求。具体而言,通用大模型主要解决通用能力问题,其作为技术创新的基础设施,凭借海量数据预训练获取跨领域的语言理解、逻辑推理、自然交互等基础能力,为全场景创新提供通用操作系统支撑。垂直大模型主要解决场景适配性问题,其作为技术落地的转换器,基于通用大模型的底层能力,融合领域知识、专用工具与业务流程,将通用能力转化为特定场景解决方案,弥补通用大模型在专业深度、可靠性方面的不足。二者协同联动,推动技术创新从实验室走向产业化,实现从技术可能性到商业必然性的跨越。
3 AI大模型驱动技术创新范式重构的方式
3.1 AI大模型重构技术创新范式的组织模式
在技术迭代与企业规模扩张过程中,融资约束、创新短板及持续创新压力容易滋生组织惰性,使企业固化既有运作模式、抗拒组织变革。因此,技术创新范式的数智化转型不再只是工具层面的迭代,也涉及创新主体、组织结构与决策方式等的系统性重构。部分企业未能深刻把握转型内涵,缺乏对组织模式的顶层统筹规划,导致技术创新难以落地。AI大模型凭借强大的理解能力与创造力,对创新组织模式产生深刻影响[15],催生出以“人机场”协同为特征的创新主体、突破固定结构约束的流体型组织以及“经验+数据”驱动的决策方式,共同构成新型组织模式,有效破除创新主体惰性、组织结构惰性与决策方式惰性(见图2)。
3.1.1 AI大模型推动创新主体向“人机场”协同创新模式演变
创新主体是指具备创新意愿、能力与资源,直接参与并主导创新活动,对创新成果的形成与转化承担核心责任的实体,其在新技术、新产品协同开发中日益趋向多元复合,逐步形成互补式跨域协同创新模式,打破了行业、地域与组织边界。因此,以单一创新主体为主导、传统岗位设计固化的劳动分工结构难以满足复杂的技术创新需求,进而滋生出创新动力衰减与主体惰性等问题。AI大模型通过协同人类智慧与特定场景,推动创新主体从个体创新向“人机场”协同演进,能够有效消除创新主体惰性。面向AI大模型的“人机场”协同遵循“人类定方向、机器强能力、场景验成效”的运行逻辑,即人类主导价值判断,机器(AI大模型)提供智能支撑,场景作为需求牵引与验证载体,实现创新需求、智能技术与场景落地的有机统一,推动创新活动从人机二元辅助升级为人机场三元深度协同[16]。从协作分工看,AI大模型承接数据清洗、规则性计算、文档生成等结构化工作,人类则聚焦非结构化问题解决、战略决策优化、情感化交互等高价值场景[17]。相较于传统数字化工具,大模型拥有自主认知与逻辑推演能力,能与人类形成认知互补、知识共创与联合决策。而“场”指协同活动开展的特定场景与环境,其是各种虚实元素相互交织、相互影响、共同演化的载体。依托场景牵引能够推动人机在复杂动态场景下高效协作,充分释放人与智能系统各自的禀赋优势[16],进一步夯实人机场协同创新的主体架构,破除传统劳动分工带来的创新惰性。
3.1.2 AI大模型促进组织结构向流体型组织形态演化
组织结构是组织内部正式设定的关于工作任务、权力责任及相互关系的框架体系,合理的组织结构能够为人力资本开展技术创新提供直接、高效的平台支撑。随着技术的持续演进,企业组织结构先后经历了U型职能制的高度集权、M型事业部制的有限分权以及以知识分工为导向的矩阵制等过渡性探索阶段。这些模式虽然在工业化时代实现了效率最优,但普遍存在创新要素集成不足、界面协同不畅等问题,难以回应数字经济时代应对不确定性、跨界协同与知识创新的内在需求。进入智能化阶段,以AI大模型为代表的智能技术正推动生产方式向智能化、定制化方向演进,驱动流体型组织的出现与发展。流体型组织并非某种特定的组织形式,而是一种核心理念或战略定位,不同企业可依势衍生出不同的组织设计模式,但都呈现出以数字技术为底层驱动、以用户价值需求为最终目的的特征[18],其摆脱了传统固化结构的束缚。在AI大模型赋能下,流体型组织主要从4个维度化解组织结构惰性。具体而言:第一,分布式布局。AI大模型能够整合跨部门异构数据与分散资源,破除内部信息壁垒,实现各类创新资源全域流通与统筹调配。第二,要素自涌现。依托AI大模型的知识挖掘与关联运算能力,零散信息和隐性知识实现自发联结与重组,驱动创新要素动态生成。第三,架构非固化。AI大模型通过简化信息传递链路、压缩审批层级,推动管理权限下沉,弱化刚性科层管控,助力组织架构突破传统范式桎梏。第四,组织开放性。借助大模型的跨域信息交互能力,企业围绕用户需求打通内外组织边界,创新团队依据项目需求灵活组建,多方主体按需开展协同联动。
3.1.3 AI大模型驱动决策方式向“经验+数据”人机协同转变
决策方式是创新主体为解决特定问题或达成目标,基于对信息的处理,从多个备选方案中确定最终行动方案所采用的系统程序、逻辑准则与行为范式。数字技术演进持续改变着组织获取信息、分析信息和使用信息的方式。传统决策范式受个体有限理性、知识碎片化、组织壁垒与静态线性逻辑的制约,难以应对复杂不确定的环境,存在认知局限、系统评估不足、适应能力弱等结构性缺陷(米加宁等,2025)。由于AI大模型本身不具备独立于数据之外的自主经验,其决策支撑源于对海量人类知识与经验的规模化整合,是群体智慧的数字化载体,但其输出的通用知识未必契合特定场景,存在幻觉、数据偏倚等局限。因此,AI大模型的价值并非代替人类决策,而是以人机协同为基础,整合外部通用经验与全域知识,依托认知生成、跨域推理与动态建模能力,拓展决策可能性边界,弥补个体经验在广度、深度与动态响应上的不足,形成以人的战略直觉引领方向,以机器的结构演绎强化论证,构建出更加精准、开放、动态的协同决策体系(米加宁等,2025),形成“经验+数据”人机协同决策方式,消除决策方式惰性。具体而言:第一,构建全域知识支撑。AI大模型以数据驱动整合多源异构信息,形成全景式知识视图,提供全面、客观的外部参照,打破部门壁垒与认知局限。第二,实现科学决策推演。基于计算能力和表征能力,AI大模型综合考虑影响决策评估的多种因素,对决策场景进行建模,对创新方案进行多轮模拟,通过多维、全面、长链路的动态推演方法进行决策评估,从而得到更加准确、客观、科学的决策结果[19]。第三,推动决策范式迭代。AI大模型可支撑创新过程的动态监测与实时优化,将传统阶段性经验判断升级为持续迭代、弹性适配的进化式决策,最终促进组织认知决策权的合理下沉与高效重组。
3.2 AI大模型重塑技术创新范式的创新模式
随着企业内外部业务边界深度交融、数据规模持续扩张、业务规则日趋复杂,传统数字化架构逐步迭代为AI大模型赋能的企业智慧中枢,推动创新模式进入系统性智能统筹的新阶段。AI大模型重塑的技术创新模式强调“自主—合作—协同—生态”4个维度的有机联动(见图3),即个体自主创新为跨部门合作创新提供能力基础,跨部门合作创新为产业链协同创新提供组织支撑,而产业链协同创新则进一步促进跨域生态创新,形成相互促进的创新循环。
个体自主创新是依托“人机场”能力互补、聚焦研发主体开展原创突破的微观创新形态,是整个创新模式的底层根基。传统创新模式强调“人类”主导,而人工智能技术则能够带来创造性增益,促进人类专业能力与人工智能信息优势互补融合,带动创新表现整体提升[20]。一方面,AI大模型具备超越人脑的信息检索与知识生成能力,可为不同年龄、技能层级的员工提供实时指导[21];另一方面,AI大模型以“顺序分工”逻辑嵌入个体自主创新流程,AI协助处理任务的初始标准化部分有助于提高高技能员工解决高阶问题的能力[22]。当个体以启发式取向使用大模型时,其在想法生成过程中的投入得以增强,进而能提升创新绩效[23],为技术创新注入微观动力。
跨部门合作创新是以企业内部多职能单元联动为载体,整合零散个体创意实现组织层面创新聚合的中观创新形态。受认知局限与资源壁垒约束,个体创新难以形成规模化效应,跨部门合作创新能够将分散的个体创新转化为组织层面的整体创新效能,从而打破企业内部数据孤岛与职能壁垒。大模型具备跨层级、跨部门的技术特征,可搭建企业内部整合创新资源的知识中台,推动创新审批流程的制度化重塑。而且,基于AI大模型的协作平台能够更好地支持跨地域、跨部门虚拟团队运作,并通过数据共享、自动化决策与智能调度等功能显著提升跨部门合作效率[24],推动跨部门合作创新。
产业链协同创新是创新活动突破单一企业边界,沿着产业链上下游纵向延伸、串联全链条市场主体的产业层级创新形态。受企业内部组织边界束缚的传统跨部门协作,难以充分释放创新潜力,而跨部门合作创新向外延伸能驱动创新价值沿产业链纵向渗透,驱动创新模式由企业内部协作转向产业链协同。一方面,AI大模型依托多模态整合能力,能够提升产业链上中下游的协作效率,实现数据流、技术流、资金流与人才流的“四流融通”,降低产业链上下游信息不对称,提升产业链上中下游的分工协作与合作互动效率,进而催生出更多产业链和产业生态。另一方面,AI大模型能加速产业数智融合与数字化转型,依托数字技术对产业链各环节实施数字化改造、智能化升级,助力传统产业实现转型升级[25]。同时,人工智能技术还能借助数据驱动性、系统智能化和广泛渗透性等特点,增强产业链稳固性、抵抗力、恢复力、可持续性和引领力,进而持续增强产业链韧性[26],达到“稳链强链”效果,进一步促进链上企业技术创新。
跨域生态创新是产业链协同进一步突破固有生态,汇聚跨行业、跨领域多元主体形成开放共生体系的高阶创新形态。依托AI大模型构建的新型智能底座,产业链协同升级为生态开放共享的跨域生态创新。大模型构建的去中心化创新架构契合流体型组织动态开放的核心逻辑,有助于弱化传统创新生态的圈层化壁垒。同时,作为资源流转与要素匹配的智能中介,AI大模型能够压缩信息传递层级、重塑扁平化创新网络,紧密联结各创新主体与节点。这意味着,各创新节点之间的连接将更加紧密,业务流程衔接也将更加高效和迅速。
4 AI大模型驱动技术创新范式的过程机制
AI大模型的智能分析和数据处理能力为企业技术创新过程优化提供了从赋智到赋能的动态化辅助过程[3]。通过“通用+垂直”的双轮驱动作用,在组织、创新模式双重变革的基础上,AI大模型深刻改变着技术创新过程,表现为AI大模型驱动新兴技术洞察、促进技术研究开发、赋能技术成果转化(见图4)。
4.1 AI大模型驱动新兴技术洞察
新兴技术洞察是创新的逻辑起点,容易受信息分散与不确定性的影响。AI大模型通过变革知识生产方式、重构知识进化进程夯实底层支撑。一方面,AI大模型通过突破传统知识螺旋理论(SECI模型)[27],使知识生产从封闭、线性模式转变为开放、网络化、生态化模式[28],从而改变知识生产方式。AI大模型依托强大的数据处理能力拓展知识网络边界,结合人类创造性思维深化知识体系内涵,形成人智共生知识螺旋理论[29],从而夯实新兴技术洞察的知识基础。另一方面,AI大模型从知识内容进化、知识形式进化、知识工具进化3个层面重构知识进化体系。内容维度通过打破学科壁垒催生交叉学科知识,形式维度通过依托多模态载体优化知识呈现形态,工具维度嵌入知识变异、选择、遗传的演化过程,依靠知识输出、筛选与保留提升技术洞察的前瞻性与精准性。
4.1.1 AI大模型赋能跨领域搜索
技术创新的去中心化特征意味着其分布离散于复杂技术系统之中,传统知识搜索主要依靠人类记忆和手动检索,面临信息获取效率低和数据库限制等问题[30],难以触及技术创新易于发生的边缘地带。新知识生产模式下,AI大模型打破了学科壁垒与数据孤岛,构建了跨领域知识关联网络。一方面,AI大模型利用互联网搜索能力,实时获取最新的专利、文献、产业等知识数据并进行深度挖掘,识别不同领域间技术创新要素间的潜在关联,整合多领域知识,帮助人类突破领域限制,检索到更广泛而准确的知识,拓展探索性搜索边界,催生出更多跨领域创新“变异”。另一方面,依托“嵌入—推理—交互—跃迁”人智共生知识螺旋[29],提炼出隐含于AI大模型内部关联规则的隐性知识,并整合多元主体的隐性知识和显性知识,实现“数据驱动+认知引导”的跨领域搜索升级。
4.1.2 AI大模型提升复杂认知效能
技术创新的不确定性源于复杂的技术要素组合,而个体认知能力难以处理多维度、高依存度的创新情境。AI大模型通过以下方式提升复杂认知效能:一是依托知识进化理论中的“选择性保留”机制,AI大模型对海量技术组合方案进行快速模拟与验证,筛选出契合技术规律与市场需求的可能性方向,降低反复试错带来的创新损耗。二是借助人机场协同互补优势实现认知突破。人类凭借经验与洞察打破固有认知框架,提出前瞻性创新设想;AI大模型依托强大算力与高效算法,对设想进行快速推演、量化分析与风险评估,验证技术方案的可行性;场景则在具体应用环境中检验适配性,动态收集实际痛点与优化方向,为人类提供修正依据。三者依次递进、持续互动,推动认知边界逐级拓展。
4.1.3 AI大模型重塑新兴技术识别方法
新兴技术识别是指通过采集、整理、加工、分析现有技术信息,判断哪些技术属于新兴技术,传统识别方式面临主观定性分析认知偏差与客观定量分析实效性差的短板。AI大模型推动新兴技术识别方法向主客观识别融合模式转型。在定量层面,AI大模型能够实时获取专利、论文、科技前沿等数据信息并对其进行量化分析,促进专利新颖性测度、专利被引结构分析升级。如通过引入时序网络模型识别技术非线性演化路径,提升对非连续性突破的敏感度及定量分析的实效性。在定性层面,通过文本挖掘、德尔菲法等主观分析方法与AI大模型所收集的数据,消解专家依托经验预判产生的主观认知偏差,解决边缘技术易被忽视的问题。这种主客观识别融合模式能够提升新兴技术识别的准确性与敏捷性,较早捕捉潜在新兴技术。AI大模型将分散的主观经验与客观数据转化为多模态知识,最终推动新兴技术识别从静态判断转向实时追踪。
4.2 AI大模型促进技术研究开发
技术研发具有研发周期长、难度大、资金投入高等特征,需要长期持续的高强度投入(吴晓波等,2026),同时高度依赖多学科交叉融合,是跨领域知识与技术的整合创造过程。传统研发模式受限于学科壁垒、资源分散与效率瓶颈约束,难以适配新兴技术高速迭代的发展诉求。AI大模型凭借知识生成与整合优势,能够高效处理海量数据,打破传统信息检索边界,实现跨学科、跨地域知识资源的即时融通,从而拓宽技术研发的信息源头。从底层逻辑看,AI大模型重塑了知识生产与演化规律,推动研发范式从封闭、线性的传统架构转向多主体协同的开放式架构,逐步构建起人机场深度耦合的智能化研发新范式。
4.2.1 AI大模型驱动知识生产模式跃迁
颠覆性技术研发依赖跨学科知识的深度融合,传统知识生产模式难以突破单一学科或有限跨学科的局限。从知识生产模式看,AI大模型正在推动传统知识生产从单学科、线性封闭模式向跨学科、动态化、人机场协同的开放式模式跃迁。具体而言:第一,提升跨学科整合效率。AI大模型依托机器学习算法与海量数据基础,可消除基础学科间的术语壁垒,将不同学科的底层原理转化为可关联、可整合的知识单元,使知识生产从单一领域创新转向多学科多维协同创新,加速跨学科理论创新与技术融合。第二,构建动态化知识网络。AI大模型为企业、高校、科研院所、用户等多元创新主体搭建实时知识交互平台,使企业研发数据、高校基础研究成果与用户需求反馈实时对接,确保知识更新速度匹配技术演化进程,避免因信息滞后导致研发偏差。第三,实现人机场协同的知识创造。基于科研实验室、开放式创新平台、云端协作系统及虚拟仿真环境等多元场景,人类的领域专长与创新直觉、AI大模型的超算能力与数据处理优势形成互补,在持续交互中生成、验证并沉淀可复用的新概念、新原理、新方法,实现人、机器与场景深度融合的知识创造。
4.2.2 AI大模型促使双元创新能力平衡
双元创新分为探索式创新和利用式创新,其中前者基于全新概念或技术范式对未知领域进行探索,后者则是对原有技术或产品进行持续性改善[31]。过度侧重探索式创新,容易因技术不确定性高、落地风险大陷入“失败陷阱”;过度依赖利用式创新,则难以突破现有技术路径,陷入“能力陷阱”,制约长期创新活力。基于知识进化中“选择”与“遗传”的协同,AI大模型为双元创新能力平衡提供了新范式,即既“遗传”有价值的探索成果,又通过市场与技术验证选择最优方向。在探索式创新层面,AI大模型通过多模态数据融合与深度神经网络架构构建数字孪生系统,模拟技术创新的多种可能,降低探索成本。在利用式创新层面,AI大模型对既有技术知识库进行优化,对生产流程关键参数进行实时调优,提高生产效率,提升短期收益。更为关键的是,AI大模型具备实时监测与动态调节能力,能够持续追踪探索与利用的投入产出比,实现技术成熟度曲线与市场反馈的匹配,从而动态调整资源分配。当探索性技术出现规模化潜力时,会触发利用性研发资源的倾斜,从而有效规避“失败陷阱”。
4.2.3 AI大模型推动研发范式变革
研发活动高前期投入、长回报周期、高风险的内在特性使线性、封闭、离散的传统研发范式难以为继。AI大模型的深度应用正推动研发范式向非线性迭代、开放协同、系统集成的新范式转型。具体而言:第一,研发流程重构。AI大模型打破了“基础研究—应用研究—产业化”的线性时序约束,依托仿真推演与多场景测算能力实现不同研发环节交叉联动。第二,研发主体拓展。研发主体由企业、科研机构单点研发演进为AI大模型中枢牵引的全球化创新网络生态,整合政产学研用分散资源,推动多元创新主体从零散合作迈向深度协同。第三,研发目标升级。受场景驱动,研发不再片面聚焦技术性能突破,转而统筹技术可行性、市场适配水平与社会效益三重指标,实现创新综合价值最大化。
4.3 AI大模型赋能技术成果转化
技术成果转化是将技术创新过程中产生的新兴技术通过试验验证、产品化设计及规模化推广,转化为新产品、新工艺、新产业或全新商业模式的活动,是衔接技术研发突破与创新价值落地的关键环节。新兴技术只有落地转化、产品化并实现市场化推广,才能释放颠覆效能,牵引产业整体变革。AI大模型能够高效获取海量产业数据与成功转化案例,自动生成详细的技术分析与市场前景报告,并智能匹配研发团队与技术解决方案,提升技术转化效率。凭借这种突破性、革新性力量,AI大模型正重塑创新成果转化体系,加快科技创新成果转化。
4.3.1 AI大模型辅助创新技术试验
创新技术试验是验证新兴技术原理、性能及可靠性的关键阶段。传统技术试验依赖人工经验,存在周期长、成本高等问题,会阻碍创新成果的快速转化与广泛应用。AI大模型凭借强大的表征学习能力、生成式推理能力与强化学习持续进化能力辅助创新技术试验方式,改变技术试验认知方式、执行方式和迭代方式。具体而言:第一,数据驱动智能认知。大模型通过对海量异构数据的自监督学习,将物理世界的运行规律转化为可计算的数学模型,捕捉人脑无法直接感知的复杂因果关系,使技术试验从依赖人工经验转向数据驱动的智能认知。第二,数字空间执行方式。大模型与数字孪生技术深度协同,在虚拟构建的数字空间对系统未来状态进行实时预测与验证,使技术试验从滞后性验证转向前瞻性推演,从物理环境的反复试错转向数字空间的高效运作。第三,动态更新的迭代方式。大模型依托强化学习技术,将现实试验中产生的技术运行数据与故障反馈数据反向输入模型,持续更新参数体系,实现预测精度的动态校准,为技术创新的迭代优化提供量化依据。
4.3.2 AI大模型优化创新产品落地
创新产品落地是连接技术研发成果与市场价值实现的核心环节。小模型因泛化性差、跨场景迁移成本高、复杂问题分析能力不足,难以解决技术与市场需求脱节、生产工艺适配性低等落地困境。而AI大模型凭借跨模态理解、知识生成与泛化能力,正成为破解技术创新落地过程中数据孤岛、场景碎片化、决策低效等痛点的关键。具体而言:第一,识别市场需求,优化产品定义。AI大模型能够深度挖掘市场数据,识别消费者对创新产品的功能偏好、使用场景需求及潜在痛点,并结合技术研发核心优势,帮助企业在功能设计、外观造型、用户体验等方面做出贴合市场的决策,避免因“重技术、轻需求”陷入落地困境。第二,优化生产工艺,保障产品落地。AI大模型针对技术创新成果的产业化需求,对生产流程数据进行实时分析与优化。一方面,依托技术研发阶段积累的工艺知识,结合生产实时数据,通过复杂运算筛选出最适配的工艺参数组合,提升产品质量稳定性与生产效率;另一方面,在工业机器人辅助生产环节,通过预训练语言模型搭建“人类—机器人”自然交互桥梁,使工业机器人精准理解生产指令并快速响应决策,确保技术成果在生产环节精准落地。
4.3.3 AI大模型促进产品市场推广
产品市场推广是前沿技术创新成果从实验室走向商业化发展的过程,这一过程并不完全取决于技术的先进性,还需要跨越从产品化到规模化的市场推广“死亡之谷”(吴晓波等,2026)。AI大模型通过数据整合、智能匹配与资源协同,为促进创新成果推广提供了核心支撑。具体而言:第一,会聚创新资源。AI大模型通过整合技术成果、专家资源与政策信息等多元数据,形成供需全局视图。在此基础上,会聚知识产权服务机构、投融资机构等第三方服务资源,形成一站式服务体系,推动高校、企业、投资机构等多元主体高效协同,实现成果、人才、资本等创新要素的有机整合。第二,对接供给方—需求方。借助大数据画像,AI大模型实现技术供给与产业需求的精准对接,对整合后的创新资源与市场需求进行匹配。第三,制定个性化推广策略。AI大模型会综合分析消费者行为数据、社交媒体舆情数据及市场竞争态势数据,在识别用户核心诉求的同时洞察市场潜在顾虑,进而实现“个性化定制+精准营销”(丁颖等,2025),为新兴技术产品制定适配其创新属性的市场推广策略。
5 AI大模型应用的局限性与风险反思
AI大模型能够拓展技术创新机会识别边界,通过融合企业内外部知识库打破研发领域壁垒,实现低成本自动化研发,依托真实应用场景模拟与实时反馈分析,为技术落地提供最优路径[3]。然而,在企业实际应用中,AI大模型仍受多重约束与潜在风险的制约,难以稳定、充分释放其创新赋能价值。从技术属性维度看,AI大模型基于数据、算法、算力三大核心要素构建深度学习体系,模型训练高度依赖海量数据支撑。然而,其数据训练来源面临一定风险,劣质数据的投喂会给技术创新与应用造成较大损失。在知识生产层面,固有的内容幻觉、语料偏倚与认知固化等缺陷会削弱知识产出的严谨性与决策的正当性,容易引发技术依赖与理性错位(米加宁等,2025),难以完全替代人类在关键研发环节的判断与创造。在数据安全方面,企业技术创新往往包含涉密资料、核心算法、未公开专利及商业机密等敏感资产。而在AI大模型调用、数据上传与微调过程中,容易出现数据泄露、知识产权边界模糊、创新资产保护难度上升等风险,对企业核心资产安全构成威胁,其数据风险治理也存在目标含混、主体割裂、依据缺位、手段僵化等困境[32]。在个体创新层面,适度的人机合作有利于激发创新活力,若员工长期以捷径式思维使用大模型,不仅会弱化大模型对创意生成与创新绩效的提升效应[23],还会弱化员工独立思考与原创能力,助长创新惰性。此外,小微企业虽组织架构灵活,便于捕捉创新机遇,但受算力、数据、人才的制约,落地成本居高不下,大模型难以规模化落地赋能。因此,AI大模型价值的有效释放,需以专家的战略判断、专业校验、场景把控与合规管理为前提,在人机场协同、风险可控、规范治理的框架下有序运行,以持续、安全地服务于技术创新活动。
6 结论与启示
6.1 结论与贡献
本文构建AI大模型驱动技术创新范式重构的理论框架(见图5),涵盖驱动机制、组织模式、创新模式、过程机制4个方面。
(1)“通用+垂直”双轮驱动机制形成“广度覆盖—深度渗透”的互补优势,推动技术创新范式重构。通用大模型凭借跨领域语言理解、逻辑推理、自然交互等基础能力,为技术创新提供通用能力支持;垂直大模型融合领域知识与专用工具,将通用能力转化为特定场景解决方案,二者互补形成“广度覆盖—深度渗透”的创新合力,能突破传统创新通用能力不足与场景落地乏力的局限。现有研究多从主体视角[33]、战略视角[11]等角度探讨创新动因与模式,尚未明晰AI大模型赋能技术创新的驱动机制。本文从技术工具视角出发,揭示AI大模型赋能情境下,“通用+垂直”双轮驱动能力互补机制,为理解AI大模型重构技术创新范式提供了新视角。
(2)AI大模型驱动技术创新范式组织模式与创新模式的双重变革。在组织模式层面,AI大模型推动创新主体从人类单一或“人机”双元驱动范式向“人机场”三元协同模式演进,驱动组织结构向不局限于特定形式的流体型组织形态演化,推动决策方式从经验驱动转向“经验+数据”人机协同,破除组织惰性。在创新模式层面,依托AI大模型形成“个体自主创新—跨部门合作创新—产业链协同创新—跨域生态创新”的四阶层递进架构,实现创新资源的多层级整合。现有研究多强调“人类+机器”二元协作架构通过分工互补来提升整体效能[17]。部分研究虽关注“场”的作用,提出人、机、场交互研究思路[16],但尚未在AI大模型赋能情境下,深入探究三者如何协同作用。本文提出“人机场”协同模式,揭示场景是技术创新过程中需求生成、知识验证与价值实现的关键载体,拓展了仅以人类为创新主体的创新模式,为企业智能化创新提供了依据与启示。
(3)AI大模型智能化赋能“新兴技术洞察—技术研究开发—技术成果转化”的创新全过程。在新兴技术洞察阶段,AI大模型通过跨领域知识关联、复杂认知强化与主客观融合识别,精准捕捉潜在技术机会;在技术研究开发阶段,AI大模型推动知识生产模式向跨学科整合、人机场协同创造跃迁,实现探索式与利用式创新的动态平衡,推动研发流程从线性封闭转向非线性开放;在技术成果转化阶段,AI大模型重塑了技术试验的认知、执行与迭代方式,通过优化产品定义与产品工艺推动创新产品落地,并通过会聚创新资源、对接供给方与需求方、制定个性化推广策略,促进技术成果市场推广。现有研究多探讨AI大模型驱动知识生产方式变革过程的驱动效能[28,30]或聚焦于特定领域研究其赋能效应[34],尚未形成贯通创新全过程的系统性分析框架。本文构建的AI大模型驱动技术创新范式的过程机制,拓展了技术创新理论边界,为理解智能技术重塑从科学发现到商业价值的完整创新链条提供了新范式。
6.2 实践启示
(1)立足AI大模型技术发展规律与技术创新范式转型需求,强化顶层设计与制度供给,为大模型赋能创新营造稳定有序的发展环境。一是统筹“通用+垂直”大模型协同发展布局,加大算力底座、核心算法攻关投入,厘清通用大模型筑基、垂直大模型落地行业的分工逻辑,引导创新资源向关键技术研发与产业化落地集聚。二是牵头搭建政产学研用一体化创新联合体,打通知识共创、联合攻关、成果转化全链条,破除主体协作壁垒,促进技术、人才、资本、数据等创新要素高效流转配置。三是健全普惠性算力支持与数据安全保障体系,优化算力调度机制,降低中小企业应用大模型的成本与门槛。同时,完善数据安全、知识产权保护、模型伦理规范等制度规则,强化风险防控与安全治理。四是出台适配智能创新范式的专项激励政策,引导市场主体依托大模型推进组织变革、模式创新与流程升级,持续释放全社会创新动能。
(2)产业链各创新主体应依托AI大模型多模态融合、跨域协同与生态链接核心能力,以产业链为根基、以创新生态为支撑,推动产业创新范式实现系统性迭代升级。一是以链主企业为枢纽搭建产业链协同创新体系,借助大模型贯通产业链数据流、技术流、资金流、人才流,缓解上下游信息不对称,促进协同研发、协同制造、协同转化。二是依托大模型去中心化架构破除行业边界,串联跨领域创新主体,打造开放共生的跨界创新生态,孕育产业新业态与商业模式。三是深耕垂直行业场景落地,围绕重点领域定制行业大模型,提升大模型在技术洞察、研究开发、成果转化全链条的场景适配度与赋能实效。四是共建产业协同风险防控机制,针对数据泄露、产权纠纷、技术路径依赖等共性问题协同治理,保障产业创新稳健运行。
(3)企业应立足自身资源禀赋与创新基础,依托AI大模型加快组织模式、创新模式与创新转型,夯实“人机场”协同创新的实践根基。在组织模式上,加快构建有利于“人机场”三元协同创新的组织模式,明确战略方向,发挥大模型在知识整合与方案推演中的技术作用,通过场景聚焦需求验证与效果落地;立足企业现有组织基础,围绕技术攻关与市场任务需求,推动组织结构向动态灵活的流体型组织形态转型,减少层级传导带来的信息损耗,提升跨部门、跨主体协同响应效率;加快推动决策方式由经验主导转向“经验+数据”驱动的人机协同模式,充分借助大模型的全域知识整合与多场景模拟能力,增强创新决策的科学性、前瞻性与风险防控能力。在创新模式方面,企业可依托AI大模型完善“自主—合作—协同—生态”多层级创新架构,运用智能技术打破内部信息壁垒,提升产业链协同效率,拓宽跨领域创新空间,构建多层级联动、全要素高效整合的创新格局。在创新过程方面,推动AI大模型深度融入技术洞察、研究开发、成果转化各环节,强化跨领域知识搜索、复杂认知提升与研发范式变革,实现探索式创新与利用式创新的动态平衡,降低创新试错成本,提升技术落地效率与市场适配能力,推动企业创新从线性封闭走向开放协同。此外,重视员工在人机协同中的主体地位,引导员工通过开放探索、多轮迭代与批判性校验合理使用大模型,充分借助大模型提升创意生成、方案优化与问题解决能力,使个体自主创新更好地嵌入企业创新流程。
6.3 不足与展望
本文存在以下不足:第一,以定性分析为主,缺乏实证量化与分行业异质性检验,未来可选取多行业大样本数据开展实证分析,拓展理论适用边界。第二,从宏观层面剖析AI大模型的双轮驱动作用,未详尽阐述通用大模型与垂直大模型的差异化作用机理,未来可分类探究两类大模型的赋能路径差异。第三,立足于国内AI大模型赋能的创新环境,缺乏跨国比较分析,未来可开展跨国比较,探究制度环境差异下的创新赋能路径。
参考文献：
[1] JAMES T A, JENG T D S, KABILAN E, et al. Large language models in medicine[J]. Nature Medicine, 2023, 29(8): 1930-1940.
[2] 赵宣凯, 宝恩德尔, 左从江, 等. 大语言模型在经济金融领域的应用——研究评述、学术应用及未来展望[J]. 金融评论, 2025, 17(1): 69-93,156-157.
[3] 余江, 聂佳宇, 李婉晴, 等. AI大模型赋能的技术与需求双轨创新——机制与实践探索[J]. 技术经济, 2024, 43(12): 10-22.
[4] 孙晓华, 车天琪, 伊珺瑶, 等. 人工智能大模型、范式冲击与科技创新变革[J]. 大连理工大学学报(社会科学版), 2025, 46(3): 16-27.
[5] 约瑟夫·熊彼特. 经济发展理论[M]. 何畏,易家详,张军扩,等,译. 北京: 商务印书馆, 2020.
[6] 谢荷锋,蒋晓莹.创新范式:概念建构、理论基础与演化评价研究进展述评[J].中国科技论坛,2023,39(7):42-52,62.
[7] LYNN L H, REDDY N M, ARAM J D. Linking technology and institutions: the innovation community framework[J]. Research Policy, 1996, 25(1): 91-106.
[8] SCHMOOKLER J. Economic sources of inventive activity[J].The Journal of Economic History, 1962, 22(1): 1-20.
[9] KLINE S J, ROSENBERG N. An overview of innovation[M]// LANDAU R, ROSENBERG N. The positive sum strategy: harnessing technology for economic growth. Washington, DC: National Academy Press, 1986: 275-305.
[10] NAMBISAN S, LYYTINEN K, MAJCHRZAK A, et al. Digital innovation management: reinventing innovation management research in a digital world[J]. MIS Quarterly, 2017, 41(1): 223-238.
[11] 陈劲, 尹西明, 梅亮. 整合式创新:基于东方智慧的新兴创新范式[J]. 技术经济, 2017, 36(12): 1-10,29.
[12] 朱香敏.新质生产力视域下超前培育发展未来产业的政策选择和实施路径[J].江西社会科学,2024,44(11): 50-56.
[13] 任福继, 张彦如. 通用大模型演进路线[J]. 科技导报, 2024, 42(12): 44-50.
[14] 创新世界周刊编辑部. 垂直领域大模型[J]. 创新世界周刊, 2023, 6(10): 110-111.
[15] 李宁. 大模型驱动的组织管理创新[J]. 清华管理评论, 2024, 14(Z1): 89-95.
[16] 尹西明, 武沛琦, 钱雅婷, 等. 人机场三元协同如何赋能新质生产力:范式逻辑与实践进路[J]. 科研管理, 2025, 46(2): 43-52.
[17] DAUGHERTY P R, WILSON H J. Human + machine: reimagining work in the age of AI[M]. Harvard :Harvard Business Review Press, 2018.
[18] 戚聿东, 徐凯歌. 技术革命、生产方式变革与企业组织结构调整[J]. 管理世界, 2024, 40(10): 1-16,35.
[19] 何赛克,张培杰,张玮光,等.大模型时代下的决策范式转变[J].中国地质大学学报(社会科学版),2023,23(4):82-91.
[20] HITSUWARI J, UEDA Y, YUN W, et al. Does human-AI collaboration lead to more creative art? aesthetic evaluation of human-made and AI-generated haiku poetry[J]. Computers in Human Behavior, 2023, 139: 107502.
[21] CHOI S, KANG H, KIM N, et al. How does artificial intelligence improve human decision-making? evidence from the AI-powered Go program[J]. Strategic Management Journal, 2025, 46(6): 1523-1554.
[22] JIA N, LUO X, FANG Z, et al. When and how artificial intelligence augments employee creativity[J]. Academy of Management Journal, 2024, 67(1): 5-32.
[23] 李育辉, 薛嘉欣. 生成式人工智能的使用如何影响员工创新绩效?基于启发式—捷径式取向的视角[J/OL]. 南开管理评论, 1-39 [2026-06-10]. https://link.cnki.net/urlid/12.1288.f.20260116.1724.002.
[24] 何精华.AI大模型驱动的智慧政府:功能重塑与结构优化[J].上海师范大学学报(哲学社会科学版),2024,53(5):88-102.
[25] 范德志,于水. 生成式人工智能大模型助推实体经济高质量发展:理论机理、实践基础与政策路径[J]. 云南民族大学学报(哲学社会科学版), 2024, 41(1): 152-160.
[26] 丁建勋, 王云瑶. 人工智能提升产业链韧性的供需路径与空间效应[J]. 科技进步与对策, 2026, 43(10): 76-87.
[27] 野中郁次郎, 竹内弘高. 创造知识的企业:领先企业持续创新的动力[M]. 北京: 人民邮电出版社, 2009.
[28] 米加宁, 董昌其. 大模型时代: 知识的生成式“涌现”[J]. 学海, 2024,35(1): 81-96,214-215.
[29] 郭亚军, 梁艳丽, 徐苑茜, 等. 大语言模型驱动下的人智共生知识螺旋新范式:以DeepSeek为例[J]. 情报理论与实践, 2025, 48(10): 1-9.
[30] 张超,韩虓,王芳. ChatGPT与知识生产和复用: 赋能、挑战与治理[J]. 图书与情报, 2023, 44(3): 52-60.
[31] ETTLIE J E, BRIDGES W P, O'KEEFE R D. Organization strategy and structural differences for radical versus incremental innovation[J]. Management Science, 1984, 30(6): 682-695.
[32] 郭小伟. 生成式人工智能数据风险治理模式评析与机制完善[J]. 科技进步与对策, 2026, 43(8): 1-12.
[33] 姚艳虹, 夏敦. 协同创新动因——协同剩余:形成机理与促进策略[J]. 科技进步与对策, 2013, 30(20): 1-5.
[34] 贺仁龙,沈滨.生成式人工智能赋能政府治理能力变革的逻辑建构与实现路径[J]. 改革, 2026, 39(1): 128-139.
(责任编辑：王敬敏)
