二、文献与假说
（一）社会学习理论
社会学习理论由 Bandura (1977) 首次提出，强调行为、认知、环境三者有机作用，关注个体通过社会化互动实现信息获取与行为改变。相较于传统行为主义仅关注外部环境对行为的单向决定作用，Bandura 提出 “交互决定论”，突出人在学习过程中的关键主体性地位。社会学习理论强调社会互动在个体学习中的核心价值，认为学习是一个由社会情境驱动的动态过程。因其对个体间信息传递和行为模仿机制的高度解释力，社会学习理论被广泛应用于组织行为、消费决策、知识传播等领域 (Brown,2005; 方娴和金刚，2020;Ting,2023)。
随着技术的迅速发展，新一代生成式人工智能逐渐被视为相互交流的伙伴，能够在知识交流中承担信息反馈的角色，模糊社会学习理论中环境对认知主体的界限。对于传统信息媒介难以覆盖的知识情境与应用范围，生成式人工智能通过大规模语料库训练后的知识编码，能够更好地还原知识生成所处的原始环境。此外，生成式人工智能突破以人为中心的学习模式，不仅能够即时聚合、重组现有知识，还能够通过复杂的模型推理机制创造性输出前所未有的新颖观点(Choi et al.,2025;Raisch & Fomina,2025;Gans,2025)。此外，生成式人工智能可以承担由人类伙伴提供的社交支持与激励角色，重塑团队内部专业知识分布与社交连接的方式(Gaessler & Piezunka,2023;Hoffmann et al.,2025)。这意味着，生成式人工智能的角色从传统的学习辅助工具正在演变为具有知识生产能力的交流伙伴，甚至成为知识共创者。
在此情境下，生成式人工智能在发明者群体的应用为社会学习理论提供了新的实践场景与理论挑战。一方面，生成式人工智能作为 “非人类角色” 融入发明者社会网络，延续并强化社会学习理论中关于学习、交流与反馈的核心机制；另一方面，与传统的社会学习情境相比，生成式人工智能展现出原本只属于人类的学习能力和创造新知识的能力，改变传统社会学习中以人际互动为核心的认知。将社会学习理论从以人为主体的经典模式向人机协同模式扩展，不仅显著拓展了已有理论的解释边界，也为进一步完善面向未来的新型学习理论提供重要依据，推动理论体系的完善与发展。
（二）发明者协同与社会网络
科学新思想的传播很大程度上依赖于各种正式或非正式的社会学习过程。相同或者不同领域内的发明者相互分享经验与见解，通过不同种类知识的交流融合弥补个体知识的不完全，减少试错成本。更重要的是，发明者的相互学习不仅注重外部信息的吸收，更强调通过互动交流获得新的思维启迪，为创新提供至关重要的新视野与新灵感(Atkin et al.,2022)。虽然这种互动式的知识交流有助于激发新的创意，但其有效性依赖于稳定的社会关系支撑。通过社会网络进行知识交流是发明者实现协同创新的重要途径 (de Faria et al.,2010)。在这个意义上，发明者协同强调通过社会网络实现持续互动与知识交流，并最终推动创新的过程 (Chandrasekhar et al.,2020;Mumin & Goetz,2025)。也就是说，发明者在持续交流中不断深化和完善彼此的思想观点，逐步构建起更加全面的认知体系，并在此基础上催生出新的知识产出。
生成式人工智能引发的技术变革正逐渐改变人类信息的获取途径与处理方式，甚至在一定程度上重塑人类社会关系的组成与人际交往的模式 (Babina et al.,2024;Abis & Veldkamp,2024)。鉴于发明者社会网络是协同创新过程的重要途径，亟须重点审视生成式人工智能对其的关键性影响。然而，现有研究更多集中在企业董事、经理等由高层管理者之间达成的创新合作与交流，而对发明者社会网络及其协同效应的研究尚处于初级阶段。随着生成式人工智能在知识交流等方面的能力逐渐接近人类水平，不可避免地会对传统发明者协同模式提出挑战。在此背景下，本研究通过追踪发明者社会网络结构的变化，旨在探究生成式人工智能如何重塑发明者协同模式，进而理解并优化企业创新体系，为应对快速演变的创新环境制定更具前瞻性的策略。
（三）生成式人工智能对发明者协同的影响
在技术创新过程中，发明者常常通过获取和应用他人的经验来丰富与发展自身的知识体系 (Cheong et al.,2022)。然而，随着生成式人工智能技术的快速发展，越来越多的个体开始依赖生成式人工智能获取所需知识。这一趋势标志着传统社会学习模式正在经历深刻的变革：知识不再局限于人际的相互传递，生成式人工智能正逐步成为一种新型的知识交流渠道和协同伙伴。在此情境下，生成式人工智能作为交流互动的主体，能够在知识交流中承担信息反馈的角色。发明者不再只是被动地从静态资料中吸收间接经验，而是参与一个动态的、迭代式的知识获取与反馈过程。此外，生成式人工智能具备自主吸收、整合和重构知识的能力，不仅能够分享对已有知识的理解，还能生成新的思想、方法与解决方案。与生成式人工智能交互不仅能够促进发明者涌现更多有价值的见解，还能激发出更多创新思维 (Babina et al.,2024;Jia et al.,2024)。这意味着，生成式人工智能正在一定程度上改变发明者的社会学习方式，降低发明者对传统社会网络知识交流的依赖，继而削弱企业技术创新中的发明者协同活动。据此，提出以下竞争性假说 H1:
H1: 生成式人工智能的应用会显著降低技术创新过程中的发明者协同活动。
相反的理论也给出了不同的观点。知识的有效性、适用性和诠释性通常会因具体情境的不同而发生变化 (Lovallo et al.,2020)。若生成知识的情境未能得到充分共享，则该知识的应用可能会偏离初衷。有效的知识共享依赖于具有深厚经验背景的个体，而人工智能在捕捉与理解形成知识的特定情境方面存在局限 (Felin & Holweg,2024)。特别是对那些难以载明而又非常重要的隐性知识而言，发明者面对面的互动与直接交流是重要的知识转移路径(Atkin et al.,2022)。尽管相关研究致力于提高人工智能对非结构化知识的解读能力，但将碎片化的个体经验整合为连贯的知识体系需要进行持续信息加工与意义建构。质疑的观点认为，生成式人工智能本质上只是对语言统计规律进行建模，并不具备解构复杂内容的逻辑能力，这使得以人工智能为核心构建的知识分享体系在处理复杂知识转移时面临挑战。更重要的是，发明者在社会学习中并非只是机械地接受他人的观点，而是在思维交流、观点碰撞和逻辑辩论的过程中自然达成共识。这种深层次的知识交流通常依赖于面对面的沟通情境，因而可能难以被人工智能完全替代 (Felin & Holweg,2024)。在这种情况下，长期以来作为重要知识交流渠道的社会学习将继续发挥关键作用。与此同时，生成式人工智能有助于发明者更高效地理解、吸收与转化他人知识，可能进一步激发发明者间的知识交流意愿。据此，提出以下竞争性假说 H2:
H2: 生成式人工智能的应用会显著增加技术创新过程中的发明者协同活动。
（四）生成式人工智能对技术创新的促进作用和溢出作用
上述假说表明，生成式人工智能对技术创新过程的发明者协同活动具有重要影响。由此引申出一个问题：由生成式人工智能引发的发明者协同活动的变化，是否足以对企业层面的技术创新成果产生实质性影响？传统观点中，发明者协同一直被视为企业技术创新的核心驱动力。特别是嵌入于特殊情境、实践操作、组织流程及共享规范中的经验型知识，需要通过人类的抽象与整合，才能实现真正的知识转化与交流。普遍担心的是，由于人工智能的输出本质上是对已有数据模式的高效重组，无法直接从实践场景中提炼新的知识，且其创新路径多限于局部搜索，因此可能导致创新新颖性降低 (Balasubramanian et al.,2022; 李玉花等，2024)。真正新颖的创新成果往往依赖于实践的深度挖掘、复杂的知识拼接以及持续的试错过程，这是人类认知的独特优势。
随着新一代生成式人工智能技术的快速发展，传统认知正面临颠覆性的挑战 (Raisch & Fomina,2025;Gans,2025)。通过在海量语料库上进行深度学习，生成式人工智能不仅有效梳理并简化复杂知识，还能从数据、案例与经验中提取出易于传播的核心知识概念，正逐渐成为知识创造的重要参与者。通过对知识元素关联的系统性提取、归纳、梳理以及有序排列，生成式人工智能可以高效地揭示蕴藏在不同概念中的逻辑关联、因果链条以及层级结构 (Wu et al.,2025)，并以此推理出新的知识网络匹配关系，进而催生出更新颖的知识概念 (Ludwig & Mullainathan,2024)。在与人类发明者的知识交流中，生成式人工智能不仅展现出强大的学习与表达能力，还在内容生成与跨领域知识整合方面表现出色，有助于识别容易被人类忽略的潜在知识联系(Choi et al.,2025)，进而为探索式创新提供有力支持 (Raisch & Fomina,2025;Gans,2025)。综上，生成式人工智能通过融入企业技术创新过程，不仅提升发明者在技术创新中的探索深度，同时显著增强其在知识探索与概念生成方面的能力，从而推动更具新颖性的创新成果不断涌现。由此，提出以下假说 H3:
H3: 生成式人工智能的应用会显著提升技术创新的新颖性。
在知识经济时代，新兴知识的产出高度依赖跨领域知识的融合。由于知识分布的广泛性与个体认知的局限性，仅凭自身力量进行创新可能并不是有效率的 (程新生和王向前，2023)。基于开放式创新理论，企业应主动与外部知识主体建立广泛的互动合作关系。从外部获取的多样化知识资源对于保持知识的新鲜度与广度，提升创新新颖性具有至关重要的作用。然而，现实中企业间的知识交流往往受到正式或非正式契约的限制，如研发联盟、合作协议和技术交流合同等，这些制度安排限制知识交流在不同企业间延伸的灵活性与可拓展性。发明者间面对面的互动与直接交流是重要的知识转移路径 (Atkin et al.,2022)，外部知识传播与扩散通常局限于特定地理空间范围，导致创新溢出效应随着地理距离增加而减弱 (陈露和刘修岩，2024)。因此，地理距离被视为影响发明者知识交流的重要因素。在上述制度安排与地理限制的共同作用下，企业间的知识交流通常面临沟通成本高、产权不透明以及效率低下等问题，不仅限制知识的有效共享与整合，也对更大范围的协同效应构成障碍。
生成式人工智能对企业内部传统技术创新模式的重塑，不仅改变了知识的获取与交流方式，也在更广泛的层面上影响创新溢出。与以往技术进步带来的改变不同，生成式人工智能与发明者的相互协同，减少了发明者间面对面知识交流的需求，降低了企业边界与地理距离对创新溢出造成的阻碍。此外，生成式人工智能可以充当企业引进外部知识的重要桥梁，串联企业内外部多元创新主体，为企业发明者提供更完善、便捷的知识交流环境，降低合作伙伴甄别和维护人际关系的成本，打破知识传播中的割裂局面。这种转变表明，生成式人工智能正在深刻重塑知识在网络结构中的转移路径，从而改变由此驱动的创新溢出效应。据此提出以下假说 H4。
H4: 生成式人工智能的应用会降低企业边界与地理距离导致的知识交流障碍，增强创新溢出效应。
