开放科学(资源服务)标识码(OSID)：
However, in the era of big data, the market adoption of AIENT faces formidable challenges. On one hand, the exponential growth of societal knowledge and the substantial incompleteness of disclosure regarding new technology information exacerbate the problem of information asymmetry between technology developers and adopters. On the other hand, AIENT often resides at the interdisciplinary periphery, characterized by the fusion of multi-source knowledge, strong cross-disciplinary nature, high complexity, weak generalizability, and heavy reliance on specialized complementary resources. These attributes lead to a disconnect in technology-market breakthroughs. Furthermore, existing research frequently adopts the perspective of technology developers, focusing on the impact of technological attributes, adopter readiness, and environmental conditions on the market adoption of emerging technologies. This approach neglects the importance of adopter perceptions and fails to concurrently examine the perceptual similarities and differences between developers and adopters regarding the critical factors influencing market adoption. Consequently, varying degrees of perceptual disparity exist between developers and adopters, hindering the advancement of synergistic technology-market breakthroughs for AIENT.
This study employs a case study methodology, selecting AI+BD material industrial simulation technology as a representative AIENT case. Focusing on exploring the factors influencing AIENT market adoption and the perceptual differences between technology developers and adopters, the study summarizes common factors affecting AIENT market adoption. Pioneeringly, it examines the perceptual similarities and differences between developers and adopters regarding these factors using a logic of reciprocal validation between the two parties. Simultaneously, the study creatively incorporates the organizational attributes of technology developers and their external contexts into the foundational analytical framework. Furthermore, on the basis of an in-depth case analysis, the study constructs an IDT-TAM-TOE framework with practical significance for guiding the vertical application of AIENT in numerous other fields. This framework enables an explicit comparative analysis of the consistencies and differences in perception between the two parties and systematically deconstructs the interactions between the supply and demand sides during the AIENT commercialization process.
The study reveals significant consensus between developers and adopters on the key factors influencing AIENT market adoption, alongside non-negligible perceptual differences. there are convergence of perceptions. First, technical usefulness is consistently recognized as a critical factor for market adoption. Second, technical ease of use, such as adoption cost and complexity, is uniformly acknowledged for their importance in marketization. Third ,the R&D capabilities, technical expertise, and data processing capabilities of developers are deemed crucial for successful technology implementation. Finally, government policies and support are identified as significant drivers for technology industrialization. Their role in promoting the advancement of computing infrastructure and enhancing algorithmic capabilities is expected to accelerate AIENT application. However, there are significant cognitive differences between technology developers and adopters. For example, developers underemphasize the importance of model trialability, observability, and user market environmental shifts for AIENT market adoption, factors that are focal points for adopters. Additionally, developers place insufficient emphasis on inter-organizational collaboration, whereas adopters express a strong desire for in-depth collaboration with developers on key technologies to enhance competitiveness. Overall, adopters exhibit a broader spectrum of evaluation concerning the factors influencing AIENT market adoption compared to developers.
开放科学(资源服务)标识码(OSID)：
2024年《政府工作报告》提出要“深化大数据、人工智能等研发应用,开展‘人工智能+’行动”。人工智能(Artificial Intelligence,AI)是指机器模拟人类智能以处理复杂任务和问题并作出类似于人类决策的能力。AI作为新一代信息技术的重要使能技术,是科技创新的关键领域和数字经济时代的重要支柱。要推动人工智能技术与其它战略性新兴产业融合发展,构建新一代信息技术、人工智能、生物技术、新材料等一批新增长引擎[1]。5G技术、大数据、边缘计算等支撑性技术取得突破性发展,使AI可利用数据库从样本数据库转变为大规模多源异构数据库,较大程度上提高了AI预测的准确性,促使其在多场景深度融合。机器学习、深度学习等技术在制造业、医疗等传统领域和生物技术、新材料[2]等新兴领域得到广泛应用,催生出智能制造、智慧医疗、生物特征识别、材料工业仿真技术等诸多极具颠覆性的具有AI赋能特征的新型技术,对于促进经济增长、加快产业转型升级具有重要意义(郭凯明,2019)。
本文将这类技术称为“AI赋能型新技术”(AI-enabled New Technologies,简称AIENT),即基于人工智能算法和模型集成机器学习、深度学习或强化学习等先进AI技术,汇聚特定领域数据和知识,与人类智能(Human Intelligence,HI)融合产生的新技术。AIENT既可在现有技术基础上通过引入AI实现创新性提升,也可通过AI与HI深度融合产生。
根据“技术—经济”范式[3],技术变革是时代变革的先导。数字化、自动化和智能化技术驱动社会进入工业4.0时代,技术变革对社会、时代变革的推动作用体现为新一代通用技术的扩散与市场推广。随着人工智能技术的进步和通用化发展,“AI+HI”成为AI赋能传统行业、技术创新的新模式。AIENT作为AI与HI协同的重要组成部分,帮助用户顺利识别、部署和实施该类技术不仅是组织创新的关键,更是促进AIENT市场采纳和发展的必要途径。然而,由于AIENT处于学科领域“边缘”地带,具有融合多源知识、知识交叉性强、复杂性高、泛化性弱、专有配套资源依赖性强等特征,使得技术突破与市场突破出现“断层”现象。既有研究存在如下不足:一方面,主要探讨人工智能对经济增长[4]、就业[5]、组织变革[6]、企业技术创新[7-8]、企业价值创造[9-10]等的影响,较少关注AIENT的市场采纳规律;另一方面,相关学者往往基于技术开发方立场,关注技术特性、采纳方就绪度及环境对新兴技术市场采纳的影响,忽视了采纳方感知的重要性,未深入探讨技术开发方与采纳方对新兴技术市场采纳关键因素感知的异同,“开发方—采纳方”感知存在不同程度差异,从而阻碍新兴技术市场采纳进程。因此,厘清AIENT市场采纳影响因素及作用机制,探究技术“开发方—采纳方”影响AIENT市场采纳因素感知的异同,对于缓解技术开发方与技术采纳方信息不对称、改善“断层”现象、实现AIENT“技术—市场”协同具有重要意义。
本文以探究AIENT市场采纳影响因素和技术“开发方—采纳方”感知异同为重点,试图回答以下问题:①影响AIENT市场采纳的因素有哪些?作用机制是什么?②技术“开发方—采纳方”对AIENT市场采纳因素的感知是否一致?围绕上述问题,本文采用案例研究法,从市场采纳影响因素视角对AIENT展开分析;在此基础上,基于技术“开发方—采纳方”双向验证逻辑考察技术“开发方—采纳方”对AIENT市场采纳因素的感知,系统解构在AIENT商业化过程中供给端与需求端的互动情况。同时,将技术开发方的组织特征及外部环境纳入研究框架,以期为后续研究提供新思路。
技术市场采纳是指某项技术被市场认可并采用的程度,其已形成较为成熟的理论体系。其中,最具代表性的为创新扩散理论(IDT)[11]、“技术-组织-环境”理论(TOE)[12]、技术接受理论(TAM)[13]以及统一的技术接受理论(UTAUT)[14]。此外,计划行为理论(TPB)[15]、“任务—技术”适配理论(TTF)[16]也得到不同程度应用与发展。根据研究对象特征与研究问题属性,本文选择创新扩散理论、“技术—组织—环境”理论和技术接受理论作为基础理论。
(1)创新扩散理论。美国社会学家罗杰斯[11]在其1962年出版的著作《创新的扩散》一文中提出“技术采纳”概念和创新扩散理论,发现相对优势、兼容性、可试性等创新特性是影响创新推广的关键因素。随着技术的不断发展与时间演进,虽涌现出诸多具有代表性和不同解释意义的理论模型,但创新扩散理论仍是研究创新扩散(包括技术创新)及市场采纳的重要基础性理论。
(2)“技术—组织—环境”理论。1990年,Tornatzky等[12]在《技术创新的过程》一文中探究技术创新、技术转移与市场推广过程,总结影响技术市场采纳的因素,提出“技术—组织—环境”理论,该理论将影响技术转移的因素划分为技术、组织及环境3个维度。其中,技术维度包括技术相对优势、兼容性、复杂性、可试性和可观察性;组织维度包括采纳方组织规模、组织结构、组织文化、资源可用性和管理层支持;环境维度包括市场压力、供应链支持、政策法规、技术标准和社会经济条件。针对不同技术,影响其市场采纳的决定性因素可灵活调整。
(3)技术接受理论。技术接受理论由Davis[13]在理性行为理论(TRA)的基础上提出,该理论认为个体对计算机技术的采纳程度由使用者对该项技术的态度决定,而使用者态度受其对新技术有用性与易用性感知的影响。目前,在技术采纳理论中,技术接受理论应用最广,尤其在信息技术领域,具有突出的理论解释能力。
(1)研究框架。相较于传统新技术,AIENT涉及多个学科领域,具有高知识复合性和多方法整合性,且具有较高的技术复杂性,其应用过程往往伴随着复杂领域知识和数据流动,对高质量领域知识和数据具有较高依赖性,同时对算力基础设施、算法能力要求较高。因此,AIENT市场采纳是一个受多种因素影响、动态变化的复杂过程,技术开发方能力、服务水平等特征在这一过程中扮演着重要角色。尽管创新扩散理论和技术接受理论能够在一定程度上解释技术特征对AIENT市场采纳的影响,但创新扩散理论倾向于静态视角,未充分考虑技术在不同发展阶段的迭代与动态调整。而技术接受理论则过于简单化,仅关注感知有用性和感知易用性两个维度,且主要聚焦于个体层面行为,未涵盖组织层面因素,二者都忽视了外部环境对新兴技术市场推广的影响。此外,“技术—组织—环境”理论虽考虑到技术、组织、环境3个层面因素,但各维度不够细致和全面。可见,创新扩散理论、“技术—组织—环境”理论和技术接受理论各有其关注重点和适用条件,但均存在一定局限性,无法对AIENT的市场采纳进行科学解释。
因此,本文将创新扩散理论、“技术—组织—环境”理论和技术接受理论进行整合,构建基础研究框架IDT-TAM-TOE模型(见图1)。此框架借鉴“技术—组织—环境”理论结构,从技术、组织、环境3个维度考察AIENT市场采纳影响要素。其中,在技术维度,模型纳入技术接受理论中的技术有用性和易用性,将创新扩散理论中的技术成熟性和兼容性归类于有用性和易用性;在组织维度,除考虑采纳方组织特征外,还引入开发方组织特征,以更全面地考察其产生的影响;在环境维度,基于现有文献,从竞争压力、政府政策与行业协会、市场不确定性及市场需求等方面深入分析技术开发方与采纳方所面临的外部环境,从而更准确地揭示这些外部条件对AIENT采纳决策产生的多维度影响。
图1 IDT-TAM-TOE框架
Fig.1 IDT-TAM-TOE framework
(2)构念测度。基于图1构建的研究框架,对技术、组织和环境3个影响AIENT市场采纳的核心维度进行测度,如表1所示。
表1 构念测度
Table 1 Construct measurement
维度定义 具体构念 文献来源 技术维度影响技术市场采纳的技术特征,包括相对优势、复杂性、可试性、可观察性等,本文将其归为有用性和易用性两个维度技术有用性罗杰斯[11]技术易用性Davis[13]组织维度影响技术市场采纳的组织特征和能力技术开发方服务水平朱萌等[17]技术开发方组织规模Thong[18]技术开发方组织能力何贵友等[19]技术开发方组织间关系陶群山等[20]、Bech等[21]技术采纳方组织准备度李全书、陈琳[22]技术采纳方技术技能冯叶等[23]技术采纳方组织规模Thong[18]技术采纳方组织能力何贵友等[19]技术采纳方组织间关系陶群山等[20]环境维度作用于技术市场采纳的外部环境因素竞争压力Teo et al.[24]政府政策与行业协会李全书、张铠[25]市场不确定性邵明星[26]市场需求张德海、康世瀛[27]
AIENT市场采纳影响因素属于“是什么(what)”“怎么样(how)”的问题,案例研究法作为一种系统研究方法,适用于回答此类问题[28]。因此,本文以案例研究法为主,将具体实施过程划分为两个阶段。第一,技术开发方案例分析阶段,选取一个在AIENT开发方面具有典型性的企业,归纳影响AIENT市场采纳的因素,对研究模型进行第一次实证检验,构建技术开发方视角影响因素模型。第二,技术采纳方案例分析阶段,分别对AIENT的3家用户企业和行业用户进行资料收集,总结AIENT直接用户对其落地应用的认知情况。在此基础上,提炼AIENT行业用户观点,考察直接用户与AIENT行业用户感知一致性,对两者感知情况进行整合,对基础模型进行第二次实证检验,构建采纳方视角影响因素模型。第三,分析技术开发方与采纳方影响因素感知异同,并对基础理论框架进行修正,提高模型普适性[29]。
案例选取是在确定研究对象及研究问题的基础上对案例进行挖掘,案例需兼具典型性和价值性特征。在技术开发方案例分析阶段,选择深圳屹艮科技有限公司(下文简称“屹艮科技”)作为案例企业,将其研发的核心技术“‘AI+BD’材料工业仿真技术”作为研究对象,原因有以下几点:第一,随着大数据与AI发展,新材料研发范式发生变化,在数据驱动的新材料研发范式下,“材料工业仿真技术”成为主导新材料研发的关键核心技术。此前,材料工业仿真市场长期被达索、安斯科技公司等国外企业垄断,屹艮科技作为国产材料仿真软件“破局者”,基于“‘AI+BD’材料工业仿真技术”的BDA平台是国内领先的电池设计全栈平台,成功攻克国外长达数十年的技术壁垒,打破欧美工业软件巨头在关键材料仿真领域的垄断地位,突破工业软件“卡脖子”困境。同时,屹艮科技获得“高新技术企业”“专精特新中小企业”资质,标志着其技术先进性和商业潜力得到官方认可。此外,通过与宁德时代等新能源产业链巨头合作,利用中国新能源汽车产业独有的核心数据和应用场景优势,确立了其在国内AI驱动材料仿真技术领域的先发优势和市场引领地位。第二,“‘AI+BD’材料工业仿真技术”以材料基因组学为基础,以“AI+BD”为技术手段,融合科学家知识、经验与技能,是AI赋能新材料开发的实际运用,具有AIENT的典型特征。同时,“‘AI+BD’材料工业仿真技术”利用AI算法攻克传统物理计算瓶颈,在虚拟环境中对材料进行高效仿真预演与组合优化,显著区别于传统依赖经验和试错的研发模式,代表着材料研发智能化的前沿方向。然而,“‘AI+BD’材料工业仿真技术”仍处于技术初创期,在材料仿真市场长期被外国企业垄断,市场采纳现状存在不确定性,多数采纳方仍对该技术不甚了解,对其应用与发展前景持观望态度。从调研结果看,这是AIENT面临的共性问题。因此,屹艮科技满足案例选择的典型性和价值性要求。
在技术采纳方案例分析阶段,考虑到数据可得性,选取宁德时代新能源科技股份有限公司(简称“宁德时代”)、贝特瑞新材料集团股份有限公司(简称“贝特瑞”)、中伟新材料股份有限公司(简称“中伟新材”)3家上市企业作为“‘AI+BD’材料工业仿真技术”的直接用户案例企业。以上3家企业在新材料与新能源领域均居于头部位置,并在不同业务领域部署材料工业仿真技术。领军企业作为行业发展的风向标,其技术部署往往代表行业技术发展方向,也意味着“‘AI+BD’材料工业仿真技术”得到市场初步认可。因此,本文选取以上3家企业作为技术采纳方案例,研究“‘AI+BD’材料工业仿真技术”用户感知具有较高的典型性和科学性。为验证理论模型的普适性,通过线上、线下参加2024年世界人工智能大会“产业发展主论坛”“中国联通‘AI+赋能·智算未来’论坛”“科学前沿主论坛”三大论坛,获取AIENT行业应用、科学研究等相关情况,探究该类技术市场应用与采纳影响因素。
在技术开发方案例分析阶段,由于屹艮科技创立时间较短,其在媒体、报刊的曝光度较低,所得二手资料有限,因此主要以一手资料为主。在技术采纳方案例分析阶段,主要从企业官网、企业年报及投资者接待与问答记录中获得二手资料。在数据收集过程中,为提高数据准确性和可靠性,本文严格遵循“三角验证”逻辑,对一二手数据进行比较,对表述出入较大的资料进行深层次研判,从而使得异源数据之间得到相互印证,具体来源与编号见表2。
表2 数据来源与编号
Table 2 Data sources and numbers
资料类型资料主题 资料来源资料编号一手资料屹艮科技发展及“‘AI+BD’材料工业仿真技术”概况(1.36万字)第一轮访谈(1.5h)F1“‘AI+BD’材料工业仿真技术”市场采纳情况(1.82万字)第二轮访谈(1.25h)F2“‘AI+BD’材料工业仿真技术”发展及采纳情况(1.55万字)第三轮访谈(1h)F3AIENT赋能传统行业情况(3.1万字)中国联通“AI+赋能·智算未来”论坛(1.55h)F4二手资料(10万字)企业与技术概况企业官网、人物专访S1材料工业仿真技术与材料研发学术期刊、学者讲座S2布局AIENT的路径及影响因素易观数据库S3AIENT产业应用现状“AI+”产业发展主论坛S4AIENT前沿研究“AI+”科学前沿主论坛S5屹艮科技用户资料汇总企业官网、企业投资者接待与问答记录等S6相关政策文件政府门户网站S7
本文运用扎根理论三级编码技术[30]对访谈资料及二手数据进行结构化处理与分析,用NVivo14对数据作如下处理:①数据整理:为方便后续查看与编码,分别对一二手数据按时间先后顺序进行排序;②开放性编码:对数据资料进行逐字逐句解析和总结,实现原始数据的颗粒化解构,生成初级泛化概念和关键词,在此基础上提炼开放代码;③主轴编码:基于“因果条件—现象—脉络—行动策略—结果”逻辑,对开放性编码阶段所得的开放代码进一步归纳总结和聚类,形成概括性较强的主要范畴;④选择性编码:对二级编码中的同类范畴与关键词进行分类,提炼核心构念,具体编码情况见表3。
表3 影响因素编码情况
Table 3 Coding of the influencing factors
技术交易方技术因素开放性编码主要范畴核心构念组织因素开放性编码主要范畴核心构念环境因素开放性编码主要范畴核心构念技术开发方案例分析348236188743技术采纳方案例分析5982362481494
根据创新扩散理论和“技术—组织—环境”理论,影响技术创新扩散的特征包括兼容性、相对优势、复杂性、可试性和可观察性,由于不同类型新技术具有异质性特征,本文将技术因素总结为有用性和易用性两大维度。基于技术接受理论,本文分别将技术有用性和技术易用性定义为“使用AIENT提高企业绩效的程度”和“企业采用AIENT的努力程度,其中‘努力’包括人员、资金等相关资源调配”。技术有用性涵盖相对优势、技术成熟度、技术可靠性和兼容性,技术易用性包括互补性资产依赖性、采纳成本、复杂性、可试性、可观察性等。
(1)技术有用性。屹艮科技认为传统新材料研发范式以第一性原理为基础,依靠专家经验和实验试错,存在耗时长、成本高、效率低等不足。相较之下,基于材料基因组学、机器学习和大数据的“‘AI+BD’材料工业仿真技术”融合高通量计算与大数据分析,通过仿真模型精细化挖掘材料基本单元,实现新材料研发效能的显著提升和研发成本的优化重构,对新材料性能预测、寿命评估和可靠性分析具有较强指导性。目前,该技术得到航空航天、新能源电池领域(如宁德时代21c实验室)部分采纳方初步认可,其带来的经济效益与工程可行性在固态电解质稳定性预测等场景中得到验证。然而,根据技术生命周期理论[31],“‘AI+BD’材料工业仿真技术”在中国尚处于萌芽期。受限于研发时间短、机器学习有限智能和完全理性等局限,“‘AI+BD’材料工业仿真技术”成熟度不够,导致仿真结果与传统物理结论之间存在误差,甚至可能无法得出仿真结果,只能从事非决策性和非创造性辅助工作。尽管该技术已实现部分商业化应用,但第一性原理密度泛函理论方法及实验试错法在新材料研发领域仍居于主流地位,构成双重技术壁垒。一方面,新材料行业特有的长研发与创新周期使得该技术可靠性在短期内难以验证;另一方面,该技术跨技术兼容性的缺失会提高技术采纳方对部署该技术的风险感知。可见,技术成熟度、可靠性与兼容性不足形成的多维约束对冲“‘AI+BD’材料工业仿真技术”可行性与经济价值,影响技术采纳方对该技术的采纳决策,本质上形成“技术有用性—市场采纳”制约关系。具体编码情况见表4。
表4 技术有用性典型证据援引
Table 4 Typical evidence citations of technical usability
核心构念主要范畴 开放性编码 典型证据援引有用性技术成熟度技术研发时间较短深圳公司成立于2020年,2021年正式运营技术不完善产品(技术)已经商业化,但还不完善技术产品成长阶段一个技术产品叫材料工坊,主要是研究材料端,比较成熟可靠性仿真结果不确定性仿真结果不一定和物理结论一致准确度行业异质性仿真准确性得看行业,材料研发行业创新慢、周期长,准确性短期内难以验证固有局限人工智能有局限的地方有限智能机器不能够代替人工工作仅从事辅助性工作AI从事辅助性工作,但做决策,就很严肃完全理性机器比较理性计算准度无法保证算得更快,算的体积更大,但不一定更准,机器学习有它的不足仿真技术产品载体是一个科研软件或者是一个计算软件,出bug之后计算可能得不到结果,需修复之后重新提交兼容性技术与需求适配性我们与相关厂商合作,观察仿真技术与需求是否适配技术普适性不断完善工具(技术),提高普适性产品适用性我们目前的产品集中在材料端和电芯端应用行业材料仿真技术集中于竞争激烈的新材料企业相对优势竞争优势工业界主流还是用第一性原理的方法,就是密度泛函理论的那种方法技术先进性主流还是传统这种实验法试错法,所以(工业仿真)比较先进研发效率提升用户比较看重的是提高研发效率计算效率高(AI的引入)使计算体积更大,计算速度(更快)改变原有研发方式因为没有仿真方法,专家只能是凭感觉猜,凭试验进行材料研发降低研发成本试错太难了,耗费人力物力去做实验高通量高通量是非常快、规模巨大的这种计算,突破传统物理计算方法尺度小、方程复杂度高的计算瓶颈
(2)技术易用性。一方面,“‘AI+BD’材料工业仿真技术”耦合第一性原理、分子动力学及机器学习等多领域知识,具备多学科知识融合和强技术集成特征,实现模型优化和大规模量级仿真双重突破,形成技术复杂性壁垒,增加了该技术“研发—迭代—应用”难度,对技术人员物理、化学等相关知识和技能提出较高要求,导致采纳该技术的人力资源成本高于传统方法。另一方面,作为新材料研发关键支撑技术,“‘AI+BD’材料工业仿真技术”高度依赖领域知识、数据以及仿真算力基础设施,技术采纳成本较高,而技术采纳方能力存在显著差异,中小企业或无力承担部署该技术的较大费用。值得注意的是,新材料研发重视仿真过程的可观察性,实时观察分子、原子等基本单元排序、结构缺陷及相态变化,正如赖根明等[32]运用机器学习探究锂枝晶自修复过程。然而,屹艮科技在技术推广过程中未直观演示仿真模拟过程,而是侧重于展示机器学习与大数据驱动的材料研究范式,用户无法直观观察该技术操作和仿真过程,由此削弱了其对该技术易用性的正向感知。屹艮科技认为“技术复杂性—采纳成本—资产适配性”共同作用于技术采纳方的技术易用性感知并最终影响“‘AI+BD’材料工业仿真技术”的市场采纳效果,但忽视了技术可观察性和可试性能力缺失对技术采纳方技术效用感知的抑制作用。受篇幅限制,技术易用性典型证据援引不作赘述。
3.2.1 技术采纳方组织特征
屹艮科技认为技术采纳决策形成过程本质上是技术采纳方“技术特性—组织特征”动态匹配的过程。技术采纳方在作出采纳决策前会对候选技术与自身能力、资源匹配性作出评估并回答以下问题:
(1)组织规模与能力是否足以承担采纳该技术带来的风险与挑战?技术采纳方规模与能力在一定程度上反映其风险承受能力,构成技术采纳方采纳决策的关键约束条件。具体而言,应用“‘AI+BD’材料工业仿真技术”实现新材料研发突破后,采纳方将实现显著的技术经济价值与多维战略竞争优势。然而,新材料研发周期长、失败率高等特征使得该技术的可靠性无法在短期内得到验证,中小型企业受制于组织规模和能力约束,难以控制和承受采纳该技术带来的不确定性风险。
(2)组织相关资源就绪度如何?技术采纳方资源就绪度直接影响其对候选技术易用性的感知。“‘AI+BD’材料工业仿真技术”要求技术采纳方购置配套硬件设备和基础设施(如材料仿真软件Materials Studio正版购买费用约为100万元)、算力基础设施、领域数据、专业技术人才等互补性资产,这些高昂的购置成本对采纳方形成显著的财务约束。
(3)组织技术技能能否满足该技术应用要求?“‘AI+BD’材料工业仿真技术”高复杂性决定技术应用、迭代、机理分析等阶段包含复杂领域知识和技术,要求技术采纳方具备材料基因组学、机器学习与计算物理等跨域知识整合能力。技术采纳方对技术有用性、易用性的感知及“技术—组织”匹配度形成“组织准备度—技术不确定性感知—风险规避路径”,进而影响技术采纳方的采纳意向和“‘AI+BD’材料工业仿真技术”的市场采纳效果。
3.2.2 技术开发方组织特征
屹艮科技作为完全科学型企业,具有科学家自主创业、高科学家占比等特征,其以科学研究为核心[33-34],科学突破是其获利的主要来源,组织规模并非掣肘其技术研发与商业化的重要因素。然而,屹艮科技展现出显著的知识生产优势与市场转化短板,形成“强研发—弱市场”的双元悖论,深刻影响“‘AI+BD’材料工业仿真技术”的市场推广效果。
(1)知识生产优势。屹艮科技特殊的组织架构(科学家占绝大多数)为“‘AI+BD’材料工业仿真技术”研发提供了坚实的知识基础与团队支撑。同时,屹艮科技掌握该技术知识产权,通过与外界“隔离”构筑技术壁垒,有效缓解技术采纳方盗版该技术溢出风险。此外,红杉、基石等高质量风投资本加持,形成技术可信度增益效应,为“‘AI+BD’材料工业仿真技术”商业化奠定了坚实基础。屹艮科技认为以上优势是其组织能力和“‘AI+BD’材料工业仿真技术”价值的重要表征,能有效促进该技术被市场采纳。
(2)市场转化短板。在强大的知识生产优势下,屹艮科技对其服务水平提升和组织间关系维护的忽视导致其市场转化能力存在不足。具体而言,屹艮科技技术开发团队需要辅助运营团队进行技术推广,导致营销人员出现结构性缺口。在技术开发和推广过程中,屹艮科技主要进行标准化和通用化方案打磨,仅为核心用户提供定制化服务,标准化开发模式引发服务质量供给弹性不足。此外,为保持技术诀窍的独有性和竞争优势,屹艮科技未与其它企业进行技术协同开发,仅与高校和科研机构保持较浅层次合作关系,创新生态系统构建不足。在技术推广阶段,屹艮科技用户网络稀疏、连接交互性较弱、信息输送渠道有限,无法实现技术市场采纳的长尾效应。
市场端能力缺陷和知识生产优势失衡导致“‘AI+BD’材料工业仿真技术”市场采纳呈非对称分布,即在屹艮科技核心用户领域拥有较高渗透率,但受限于服务水平与用户网络的稀疏性,在其它领域的渗透率较低。
当前,中国材料工业仿真技术尚处于萌芽期,技术开发方面临复合型人才稀缺、成熟仿真团队与互补性资产匮乏等挑战。“‘AI+BD’材料工业仿真技术”未进入同类技术激烈竞争阶段,屹艮科技处于技术先发优势窗口期,具有较大竞争优势。同时,中国新材料研发仍以传统实验试错和化学制备为主流模式。然而,作为新兴领域,更多企业进入新材料市场参与竞争,传统技术方法已无法帮助材料企业获取绝对竞争优势。技术采纳方面临研发技术同质化、竞争态势日益严峻等挑战,“‘AI+BD’材料工业仿真技术”能有效降低研发成本、提升研发效能、满足技术采纳方差异化创新需求,但市场潜在风险带来的不确定性是萌芽期新兴技术市场采纳面临的主要挑战。“‘AI+BD’材料工业仿真技术”的可靠性与技术价值若得到验证,伪劣产品可能迅速增加,并出现逆向选择风险,增加市场不确定性,阻碍该技术可持续迭代。因此,需借助政府和行业协会等外部力量,发布促进新材料领域发展的政策法规,引导新材料仿真技术落地与应用。
综上所述,本文构建技术开发方感知影响因素模型,见图2。
图2 技术开发方感知因素框架
Fig.2 Framework of technology developers′ perceived factors
(1)技术有用性。技术采纳方对AIENT有用性的多维感知是采纳该技术决策的核心驱动力。技术成熟度作为技术有用性的首要维度,通过候选模型的体量、认知能力、复杂决策胜任力、市场应用程度等核心指标形成技术效能评估标准。调研发现,AIENT市场应用程度与其技术发展阶段高度相关,多数传统企业倾向于采用成熟期技术以降低风险,而创新驱动型企业则更青睐于探索期技术以获取先发优势。目前,AIENT的“专业能力—泛化能力”失衡导致技术采纳方对其技术有用性的感知产生领域分化,在AIENT垂直应用领域虽存在应用优势,但在跨学科场景却面临适用性挑战。这种差异揭示技术成熟度在技术采纳方技术价值感知中的阈值效应,即当AIENT的通专融合性达到临界值时,多模态能力将得到显著提升,从而会打破应用场景壁垒,实现跨领域嵌入。
同时,技术采纳方通过技术兼容性、动态拓展性、安全可靠性三重标准检验AIENT的技术有用性。以新材料研发为例,材料创新与研发伴随着较为复杂的深层次科学问题,研发周期长、不确定性高,且具有人才密集、资金密集、风险密集和技术密集等特征。AIENT与技术采纳方现有系统、业务接口匹配度影响其整合成本;动态拓展性影响AIENT与技术采纳方未来业务需求、技术发展变化的适应度及该技术生命周期;模型可解释性与数据安全风险反映AIENT的安全可靠性,影响技术采纳方的技术信任度。AIENT的多尺度耦合能力影响采纳方技术有用性感知向采纳行为的转化过程。此外,技术有用性的终极价值标准在于其超越传统方法产生的创新溢价。例如,“‘AI+BD’材料工业仿真技术”从数据出发,一定程度上可避免传统方法难以处理复杂材料体系的难题,通过跨领域知识、方法融合,提升材料研发效能,帮助材料企业在领域内建立不可复制的竞争优势。可见,AIENT技术有用性对其市场采纳具有多维属性调节作用。
(2)技术易用性。技术采纳方对AIENT易用性的多维感知是影响市场采纳的关键要素,其作用机制表现为AIENT“复杂性—互补性资产依赖性—采纳成本—可观察性—可试性”的多维互动。具体而言,AIENT整合多种技术手段与多领域知识,其高度复杂性决定其对数据资源、算力基础设施以及领域知识的依赖性远高于其它技术。因此,AIENT易用性并不仅指友好性的操作界面,还包括数据治理成熟度、领域知识封装度等。以“‘AI+BD’材料工业仿真技术”为例,其材料研发整个过程都伴随着材料数据与领域知识的流动,仿真结果的准确性与可解释性(技术有用性与易用性的相互作用)依赖投喂数据质量与特征。然而,材料数据存在多源异构、样本少、维度高等特征,数据清洗耗时长,要求技术采纳方具备跨学科知识的数据工程师团队。值得注意的是,随着AI的深入发展,以AI为基础的各类模型价格逐步降低,这为技术采纳方带来一定成本优势。此外,AIENT技术可观察性与可试性是技术采纳方技术采纳决策的前置条件。其中,可观察性体现为AIENT仿真过程与技术效果可视化程度(如仿真结果精度),具备这一特性可有效降低采纳方技术“黑箱”焦虑;可试性则表现为AIENT的可前测性,其核心价值在于验证“技术—场景”匹配性,通过渐进式验证塑造技术采纳方对AIENT的认知框架。两者通过降低技术不确定性、验证技术效能边界,显著影响技术采纳方对AIENT可行性的信任程度,从而影响其技术采纳意愿。
4.2.1 技术采纳方组织特征
技术采纳方组织特征通过调节采纳方技术“有用性—易用性”的双维感知对AIENT的市场采纳形成多维影响机制。换言之,技术采纳方采纳决策形成过程是AIENT技术特性与采纳方组织资源禀赋动态匹配和博弈的过程。AIENT技术有用性感知驱动技术采纳方的技术价值预期,AIENT技术易用性感知影响技术部署可行性,技术采纳方组织特征构成两者向采纳行为转化的约束条件。
首先,技术技能和组织能力储备影响技术采纳方对AIENT的应用效能,进而影响其技术有用性感知。技术采纳方认为拥有部署AIENT的相关能力是其最终获取AIENT技术价值的前置条件,如持续投入能力等。算法影响技术采纳方运用数据和领域知识对AIENT进行迭代的能力。其次,AIENT技术复杂性要求技术采纳方具备高资源就绪度以降低技术易用性障碍,用户作出采纳决策前需对团队资金充裕度、数据资源与算力资源储备情况进行全方位评估。以材料工业仿真技术应用为例,其在材料研发中的应用是材料数据与领域知识在目标定义、数据准备等6个阶段[35]高速流动的过程,宁德时代通过算力设施预部署和跨学科团队配置成功将该技术嵌入现有系统。
以上“技术特性—采纳方组织特征”的交互作用表明,AIENT市场采纳是技术客观特性与技术采纳方主观能力禀赋的协同演进过程,只有当二者实现良好互动时,AIENT才能加速市场渗透。
4.2.2 技术开发方组织特征
AIENT的多学科交叉性与高知识复合等特点使得仅考虑技术采纳方特征不足以实现跨领域嵌入,技术开发方多维能力禀赋亦影响AIENT的市场采纳。
(1)组织能力与行业话语权。当前,AIENT处于市场导入期,其高度复杂性使得技术发展存在较大不确定性,技术开发方的研发经验、研发人员、数据处理能力、复杂决策框架构建能力以及研发独立性等反映AIENT技术成熟度与风险抵御能力,影响技术采纳方对AIENT有用性的感知,技术采纳方会评估开发方研发能力。此外,技术开发方的行业话语权也是其技术领先程度的体现,行业标准制定与参与程度不仅反映开发方组织能力,也是其技术实力和市场认可度的表征。在同等条件下,在行业内拥有较高话语权的企业,其所研发的技术更容易被市场接受和认可。
(2)组织间关系。AIENT领域跨度大、资源集聚性高,需要不同领域专家在技术共创、数据共享、人才培养等方面进行合作,搭建良性创新生态系统。强大的生态协作网络带来的知识溢出效应能使AIENT在开发、部署、应用等环节得到良好支持,进而促进技术应用与发展。
(3)服务水平。技术开发方服务水平影响技术应用门槛与技术采纳方风险感知,服务水平提高对AIENT市场采纳具有显著推动作用,因此逐渐受到用户广泛关注。一方面,技术采纳方希望技术开发方提供技术交付全流程端到端服务,包括软硬件系统安装调试、定制化培训及售后响应机制,以缩短AIENT部署周期。另一方面,运营服务质量影响技术价值的可持续释放,技术开发方需构建与AIENT私域场景深度绑定的服务体系(如通过建立专属技术团队解决模型安全性与目标匹配性问题),提升AIENT应用成功率。以“‘AI+BD’材料工业仿真技术”应用为例,贝特瑞在使用该技术进行NCM材料研发时要求屹艮科技提供配套的专业化服务。屹艮科技向其提供“技术交付—人员赋能—场景适配”的服务方案,使NCM材料研发效率显著提升,验证了高水平服务对技术采纳的正向促进作用。
总之,技术开发方组织能力、服务水平及组织间关系通过三重传导路径影响技术采纳决策,技术开发方构建“技术能力—生态网络—服务韧性”赋能体系可使AIENT的市场渗透率得到显著提升。
技术采纳方对外部环境约束的感知影响其对AIENT市场采纳决策空间,在2024年世界人工智能大会“产业发展主论坛”和“中国联通‘AI+赋能·智算未来’论坛”中,AIENT行业用户对当前市场环境和行业应用进行了详尽分析与讨论。他们表示,当前AIENT市场环境呈现双重特征:一方面,基于AI开发的各类大模型数量呈现爆发式增长,AIENT技术供给侧竞争趋于白热化,倒逼技术开发方加速技术迭代;另一方面,AIENT需求侧市场竞争现状与市场饱和度为该技术带来发展机遇,但同时也存在跨行业数据标准化率不足与算力供给失衡等问题,使得数据与算力基础设施成熟度比较滞后。数据安全风险带来的市场不确定性也成为AIENT市场采纳的重要制约因素,这种环境特征导致技术采纳方部署AIENT的策略与进程存在显著异质性。一项针对中国97家央企的调研(沙丘智库《2024年国资央企大模型应用跟踪报告》)显示,有47%的央企已经开始明确梳理技术应用场景并启动相关设施建设,有36%着手构建专门团队,有24%则陆续发布自主研发或合作搭建的大模型。此外,AIENT对算力网络、算力资源和算法能力要求较高,意味着其需依赖国家层面的大力支持。以“‘AI+BD’材料工业仿真技术”为例,其虽能显著提升研发效率,但其技术复杂性、应用场景特性与政策环境的交互作用使得部署该技术的成本较高。这表明,AIENT市场采纳很大程度上是技术创新势能与外部环境之间的博弈,技术“开发方—采纳方”外部环境及其变化影响AIENT市场采纳的最终效果。
综上所述,本文构建一个整合“‘AI+BD’材料工业仿真技术”直接用户、AIENT行业用户感知因素的理论模型,见图3。
图3 技术采纳方感知因素框架
Fig.3 Framework of technology adopters′ perceived factors
基于技术开发方和采纳方的案例分析,整合技术开发方与采纳方感知因素模型,构建AIENT市场采纳影响因素IDT-TAM-TOE框架,综合分析技术开发方和采纳方“技术双维特性—组织调节—环境约束”对AIENT市场采纳复杂影响机制的感知情况,以便更好地理解AIENT采纳过程中关键因素间的相互作用,见图4。该理论模型由技术、组织、环境3部分构成,包括技术开发方与技术采纳方感知影响因素,箭头和指向关系展示了这些因素之间的相互影响作用。
图4 AIENT市场采纳影响因素理论模型
Fig.4 Theoretical model of factors influencing AIENT market adoption
(1)技术有用性。AIENT实际应用场景多集中于新材料、生物医疗等新兴领域,其预期经济效益和市场认可度是AIENT有用性的外在表现,也是确保技术采纳行为和市场接受度能够实现良好匹配的重要依据。然而,AIENT正处于市场应用初期,其成熟度与仿真可靠性尚未得到有效验证。因此,在数据驱动研发范式下,聚焦新兴技术应用价值及市场采纳能力,技术有用性作为AIENT市场采纳的核心驱动力,其内含的技术成熟度、可靠性、兼容性与相对优势等特性构成技术开发方与技术采纳方共同关注的技术价值评估标准。首先,技术成熟度是技术采纳方对AIENT信任的关键指标,随着AIENT成熟度的提升,技术开发方的技术推广承诺与技术采纳方的效能预期趋于一致,形成“技术可行—市场认可”的正向循环。其次,技术可靠性是确保AIENT技术价值可持续释放的前提,模型精确性、解释力是其在市场推广和实施过程中跨越限制、顺利落实的关键所在。同时,兼容性通过“技术—系统”适配性影响技术采纳方的部署成本与技术开发方的市场渗透率。最后,技术开发方将AIENT相较于传统方法的相对优势作为市场推广核心,技术采纳方通过技术效能验证这一特性。整个过程强调连贯的逻辑关系,从技术本身特性出发到双方感知一致性,最终落实于市场价值和推广实践。
(2)政府政策与行业协会。随着AIENT迭代速度不断加快,其应用水平将进一步提高。然而,AIENT从研发、监测、模拟到正式应用对算力、领域数据、资金等资源消耗较高,技术开发方与技术采纳方需借助国家战略指导及援助政策的贯彻实施,为算力设施建设和算法能力的全面提升提供基础性支撑,通过“政策赋能—生态优化—技术价值兑现”传导路径实现AIENT的垂直应用与跨领域嵌入。
由图4可知,技术开发方与采纳方对AIENT市场采纳因素存在一定感知差异并体现为技术易用性、组织特征及外部环境等因素。
(1)技术易用性维度,双方均认为AIENT互补性资产依赖性(如算力设施)与复杂性(如跨学科知识整合)对市场采纳具有抑制作用,但对可试性与可观察性的重视程度存在显著差异。技术开发方忽视了AIENT的可试性和可观察性能力建设,导致技术采纳方在候选技术评估和预部署阶段既不能通过预先测试验证AIENT技术效能和可靠性,也无法通过实时可视化(如锂枝晶生长动态仿真演示)缓解应用AIENT的“黑箱”焦虑,从而降低了采纳方技术信任度。
(2)组织特征维度,技术开发方以技术能力(如跨学科团队配置)与研发独立性为核心竞争力,但对技术服务、技术“研发—推广”生态网络的搭建与维护不足;而技术采纳方除关注技术开发方组织能力外,也会关注技术开发方服务水平带来的技术可及性(如定制化服务)与生态协同(如技术开发方与产业链各环节的研发协同、与用户的合作网络等)。以“‘AI+BD’材料工业仿真技术”为例,开发方屹艮科技定制化服务意识不足、研发生态网络协同度低等导致技术采纳方采纳成本上升,而宁德时代希望通过跨组织协作增强技术适配能力。这一差异凸显出技术开发方与采纳方在“封闭创新”与“开放协同”路径选择上的对立性,削弱了AIENT“技术—应用场景”的适配性。
(3)外部环境维度,双方感知差异体现为技术开发方聚焦AIENT技术供给侧竞争强度对市场采纳的影响,忽视了需求侧市场波动(如电池材料需求增长带来的技术过时风险)对技术采纳方决策的影响。以“‘AI+BD’材料工业仿真技术”为例,技术开发方通过提升技术性能应对同业竞争,但忽视了采纳方因电动化加速衍生的场景适配需求,导致其技术实用性与市场需求存在一定脱节。此外,数据安全风险、AIENT应用领域特征因素会进一步增强技术采纳方的风险规避倾向,制约AIENT市场采纳效果。
总之,技术开发方与采纳方在关键因素的认知差异本质上是信息不对称导致的“技术—需求”结构性脱节,通过影响采纳方技术信任阈值、增加采纳成本等路径影响AIENT从实验室创新向产业化落地。因此,技术开发方与采纳方弥合认知鸿沟,成为推动AIENT从“技术可行”向“市场可信”跃迁的关键一环。
本文以AIENT为研究对象,分析技术开发方与采纳方对影响AIENT市场采纳因素感知的异同。研究发现:尽管技术开发方和采纳方在技术有用性、政府政策重要性方面存在一致认知,但在易用性、双方组织特征和外部环境等方面存在显著差异。
(1)一致性认知方面,技术有用性是影响AIENT市场采纳的关键因素,具体包括技术成熟度、可靠性、兼容性和相对优势;易用性表征因素如采纳成本、复杂性等对市场化的重要作用得到一致认可;技术开发方研发能力、技术能力和数据处理能力对技术落地至关重要;政府政策和支持度是技术产业化的重要推动力,其推动算力基础设施不断完善和算法能力持续提升,最终加速AIENT应用。
(2)差异性认知方面,技术开发方未充分关注模型可试性、可观察性和用户市场变化对AIENT市场采纳的重要性,而这些都是采纳方关注重点;技术开发方对组织间合作关系重视不足,而技术采纳方则希望在关键技术研发方面与开发方进行深度合作,以增强竞争力。
由图4可知,在AIENT市场采纳影响因素中,技术采纳方评估范围较开发方更为广泛,双方关注差异显著影响AIENT“技术—需求”匹配度,从而对其市场采纳效果产生多维影响。为提高AIENT市场采纳率,促进垂直领域应用与跨领域嵌入,各方需明确影响市场采纳的关键因素及作用机制并据此采取相应行动,以消除技术“开发方—采纳方”信息不对称导致的认知差异。
(1)技术开发方应构建“技术创新—生态协同—服务保障”驱动机制,基于市场需求动态强化AIENT生态耦合能力。第一,通过增强可试性和可观察性强化技术采纳方对AIENT有用性和易用性的感知。技术开发方可通过构建模块化技术架构,开放部分核心功能接口,使技术采纳方在技术评测与预部署阶段进行小规模场景试验,以验证AIENT的技术效能;同时,使用动态可视化工具(如3D分子动力学仿真界面)展示AIENT运行过程与结果,降低其技术“黑箱”属性,增强技术采纳方对AIENT的实际认知。第二,提升技术开发方服务水平以强化采纳方的技术部署信心。一方面,建立“部署—迭代—培训”全周期服务体系,确保技术采纳方能够掌握技术内部算法与原理,充分发挥技术潜力;另一方面,提供定制化兼容方案,基于基础应用领域,针对不同应用场景开发适配插件以降低AIENT部署成本。第三,构建开放式创新网络,破解信息孤岛效应。一是联合多方主体建立和完善创新生态系统,加强企业与机构、产业链各环节的合作,减少异构系统对接成本,共同推动技术研发与应用。二是建立技术采纳方参与的技术路线共商机制,将用户需求直接嵌入技术迭代规划,提升技术实用性和市场适应性。
(2)技术采纳方探索“能力建构—供需协同”发展路径,基于组织资源禀赋优化AIENT技术匹配机制。首先,评估自身能力储备和资源就绪度,通过增加领域知识与数据积累、构建高质量数据库、培养和引进高质量复合型人才、加大资金投入等方式确保技术持续研发、维护、运营、迭代。其次,建立生态协同与反馈机制,在关键技术研发方面与技术开发方进行深度合作,搭建技术应用反馈平台,实时提交AIENT技术适配性问题与改进建议,形成“需求输入—技术优化—价值提升”的技术发展路径,提升可持续竞争优势。
(3)政府与行业协会可强化“政策引导—基建赋能—生态发展”保障机制,构建AIENT产业化支撑体系。第一,完善顶层设计与制度保障,通过出台AIENT专项政策、明确数据安全规范、加大税收减免力度等措施形成良好政策导向,降低AIENT采纳门槛。第二,构建“算力—数据—算法”基建赋能路径。一方面,依托“东数西算”工程,部署AIENT专用超算集群,增强算力资源普惠性,提升行业整体算法能力。另一方面,行业协会牵头共建数据共享平台,摆脱多源异构数据整合困境。第三,搭建产业联盟与创新平台,整合支撑AIENT创新的数据、领域知识等核心资源,建立AIENT技术评价标准并通过技术图谱、白皮书等方式向社会公开,减少技术开发方与采纳方之间的信息不对称,打破信息孤岛,助推AIENT实现垂直领域应用和跨领域嵌入。
本文存在一些局限:首先,受条件限制,仅使用新材料领域一家企业作为技术开发方案例企业,在验证性案例分析阶段纳入AIENT行业用户观点,模型适用范围可能受到一定限制,未来可在其它领域寻找案例企业进行多案例并行分析,以提高模型适用性。其次,明确技术开发方与采纳方对AIENT市场化因素感知的一致性,但未对各影响因素重要性程度进行定量分析,未来可采用统计方法进行实证分析,以增强模型实用性。
[1] 史丹, 聂新伟, 齐飞. 数字经济全球化: 技术竞争、规则博弈与中国选择[J]. 管理世界, 2023, 39(9): 1-15.
[2] WEN C, ZHANG Y, WANG C, et al. Machine learning assisted design of high entropy alloys with desired property[J]. Acta Materialia, 2019, 170: 109-117.
[3] 佩蕾丝. 技术革命与金融资本: 泡沫与黄金时代的动力学[M]. 田方萌,等, 译.北京: 中国人民出版社, 2007.
[4] 杨光, 侯钰. 工业机器人的使用、技术升级与经济增长[J]. 中国工业经济, 2020,38 (10): 138-156.
[5] 黄勃, 李海彤, 刘俊岐, 等. 数字技术创新与中国企业高质量发展——来自企业数字专利的证据[J]. 经济研究, 2023, 58(3): 97-115.
[6] 吴小龙, 肖静华, 吴记. 人与AI协同的新型组织学习: 基于场景视角的多案例研究[J]. 中国工业经济, 2022,40 (2): 175-192.
[7] BURSTROM T, PARIDA V, LAHTI T, et al. AI-enabled business-model innovation and transformation in industrial ecosystems: a framework, model and outline for further research[J]. Journal of Business Research, 2021, 127: 85-95.
[8] 邓悦, 蒋琬仪. 工业机器人、管理能力与企业技术创新[J]. 中国软科学, 2022,38(11): 129-141.
[9] LIU J, CHANG H, FORREST J Y L, et al. Influence of artificial intelligence on technological innovation: evidence from the panel data of China′s manufacturing sectors[J]. Technological Forecasting and Social Change, 2020, 158: 120142.
[10] 李树文, 罗瑾琏, 张志菲. AI能力如何助推企业实现价值共创——基于企业与客户间互动的探索性案例研究[J]. 中国工业经济, 2023,41(5): 174-192.
[11] 罗杰斯. 创新的扩散[M]. 唐兴通,等, 译. 北京: 电子工业出版社, 2016.
[12] TORNATZKY L G, FLEISCHER M, CHAKRABARTI A K. The processes of technological innovation[M]. Lexington, MA: Lexington books, 1990.
[13] DAVIS F D. Perceived usefulness, perceived ease of use, and user acceptance of information technology[J]. MIS Quarterly, 1989, 13(3): 319-340.
[14] VENKATESH V,MORRIS M G,DAVIS G B,et al.User acceptance of information technology:toward a unified view[J]. MIS Quarterly, 2003, 27(3): 425-478.
[15] AJZEN I.The theory of planned behavior[J].Organizational Behavior and Human Decision Processes,1991,50(2):179-211.
[16] GOODHUE D L, THOMPSON R L. Task-technology fit and individual performance[J]. MIS Quarterly, 1995, 19(2): 213-236.
[17] 朱萌, 齐振宏, 罗丽娜, 等. 基于Probit-ISM模型的稻农农业技术采用影响因素分析——以湖北省320户稻农为例[J]. 数理统计与管理, 2016, 35(1): 11-23.
[18] THONG J Y L. An integrated model of information systems adoption in small businesses[J]. Journal of Management Information Systems, 1999, 15(4): 187-214.
[19] 何贵友, 王广斌. 组织变革动能对BIM技术采纳的影响机理实证研究[J]. 统计与决策, 2013,29(7): 97-100.
[20] 陶群山, 胡浩, 王其巨. 环境约束条件下农户对农业新技术采纳意愿的影响因素分析[J]. 统计与决策, 2013,29(1): 106-110.
[21] BECH M, CHRISTIANSEN T, DUNHAM K, et al. The influence of economic incentives and regulatory factors on the adoption of treatment technologies: a case study of technologies used to treat heart attacks[J]. Health Economics, 2009, 18(10): 1114-1132.
[22] 李书全, 陈琳. 基于MA-SVM的建筑企业精益建设技术采纳决策研究[J]. 科技管理研究, 2014, 34(21): 199-204,227.
[23] 冯叶, 陈盛伟, 宋长青. 农业企业采纳大数据技术影响因素研究——基于ISM模型的实证分析[J]. 技术经济, 2020, 39(7): 18-26.
[24] TEO H H, WEI K K, BENBASAT I. Predicting intention to adopt interorganizational linkages: an institutional perspective[J]. MIS Quarterly, 2003, 27(1): 19-49.
[25] 李书全, 张铠. 建筑企业精益建设技术采纳影响因素分析[J]. 统计与决策, 2015,31(23): 184-187.
[26] 邵明星.企业用户云计算技术采纳的影响因素[J]. 中国科技论坛, 2016,32(1): 99-105.
[27] 张德海, 康世瀛. 物流信息网格技术采纳的影响因素及对策分析[J]. 情报杂志, 2008, 27(12): 51-53,60.
[28] 孙海法, 朱莹楚. 案例研究法的理论与应用[J]. 科学管理研究, 2004, 22(1): 116-120.
[29] 张琼,于祺明,刘文君,等. 科学理论模型的建构[M]. 杭州: 浙江科学技术出版社, 1990.
[30] GLASER B, STRAUSS A. Discovery of grounded theory:strategies for qualitative research[M]. London: Routledge, 2017.
[31] ABERNATHY W J, UTTERBACK J M. Patterns of industrial innovation[J]. Technology Review, 1978, 80(7): 40-47.
[32] 赖根明, 焦君宇, 蒋耀, 等. 机器学习原子势在锂金属负极中的应用[J]. 硅酸盐学报, 2023, 51(2): 469-475.
[33] 李天柱, 马佳, 刘小琴, 等. 科学型企业的若干基本问题研究[J]. 中国科技论坛, 2014,29(10): 99-105.
[34] 李天柱, 马佳, 刘小琴, 等. 科学型企业的管理特征研究[J]. 科技管理研究, 2014,34(21): 105-109.
[35] 刘悦, 邹欣欣, 杨正伟, 等. 材料领域知识嵌入的机器学习[J]. 硅酸盐学报, 2022,50(3): 863-876.