推广 热搜： 采购方式甲带滤芯气动隔膜泵带式称重给煤机减速机型号链式给煤机无级变速机减速机履带

登顶知网,南开博士生独作发《经济研究》!大模型测度创新溢出!巨强的讲故事能力!

日期：2026-01-15 23:34:58 来源：网络整理作者：本站编辑评论：0

[1]王向前.生成式人工智能、企业技术创新与发明者协同：基于社会学习理论视角[J].经济研究,2025,60(09):156-176.

本文由南开大学博士生王向前独作发表在中文顶刊《经济研究》。研究一发出来就登顶了知网下载排行榜首。研究的核心问题在于探讨生成式人工智能的应用对技术创新过程中的发明者协同活动的促进作用（文中为一组竞争性假说）。在实证设计中，王博用通义千问，DeepSeek等大模型作为分析工具，在评价和测度创新的过程中不只是聚焦于文档中的词汇差异，而是完整对比整篇文档的语义，大大提高了分析精度。以及研究视角以社会学习理论作为切入，确实很牛！

一、引言

1.1 研究背景

生成式人工智能（如 ChatGPT、DeepSeek）的突破性进展正深刻重塑企业技术创新模式，国务院《关于深入实施“人工智能+”行动的意见》明确提出要探索人机协同的新型科研范式。现实中，越来越多企业发明者开始借助生成式人工智能开展研发活动，但理论研究滞后于实践，尚未厘清这种新型人机协同如何影响传统发明者协同模式。

1.2 研究问题

传统技术创新高度依赖发明者通过社会网络进行知识交流与灵感碰撞，而生成式人工智能在知识整合、信息处理、跨领域关联方面展现出超越人类的能力，这使得传统人际协同的核心地位受到挑战。核心研究问题随之而来：生成式人工智能的应用是否会从根本上改变企业技术创新中的发明者协同？这种改变是削弱创新活力，还是通过人机协同激发新的创新潜能？

二、理论基础与研究假说

2.1 核心理论：社会学习理论

社会学习理论强调行为、认知、环境的交互作用，认为个体通过社会互动实现信息获取与行为改变。生成式人工智能的兴起重构了这一理论的应用场景：

模糊了 “环境” 与 “认知主体” 的界限，生成式人工智能既作为信息媒介，又能承担反馈、激励角色，成为知识共创的参与者；

突破以人为中心的学习模式，可通过大规模语料库训练还原知识生成环境，聚合重组现有知识并创造新颖观点，重塑了知识交流的方式。

2.2 发明者协同与社会网络

发明者协同的核心是通过社会网络实现持续互动与知识共享，弥补个体知识局限、激发创新灵感。传统协同高度依赖稳定的社会关系支撑，但生成式人工智能的出现改变了知识获取渠道，使得发明者对社会网络的依赖可能发生结构性变化。

2.3 研究假说

基于上述理论分析，研究提出四大竞争性与确定性假说。

H1（竞争性假说）：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。理由是生成式人工智能成为新型知识交流渠道，降低了发明者对传统社会网络的依赖。

H2（竞争性假说）：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。理由是人工智能难以捕捉隐性知识与情境化信息，面对面互动仍是关键，且人工智能可能提升知识吸收效率，激发更多人际协同。

H3（确定性假说）：生成式人工智能的应用会显著提升技术创新的新颖性。理由是生成式人工智能能高效梳理复杂知识、揭示潜在关联、跨领域整合概念，为探索式创新提供支持。

H4（确定性假说）：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。理由是人工智能减少了面对面交流的需求，可作为知识传播桥梁，打破传统知识流动的时空限制。

三、研究设计

3.1 样本与数据来源

核心数据：2010年至2025年6月国家知识产权局专利数据（含发明者署名、专利文本），企业层面控制变量来自中国工商企业注册数据、CSMAR数据库、CNRDS数据库；

样本筛选：对连续变量进行1%和99%分位数缩尾处理，对数化企业规模、专利数量等变量，采用企业层面聚类稳健标准误，最终样本根据数据可得性调整。

3.2 核心变量测度

发明者协同：基于专利发明者署名网络，构建三个指标——专利平均发明者合作署名数量、发明者网络密度、独立发明者比例，聚合至企业层面逐月追踪；

技术创新新颖性：使用Qwen开源模型将专利文本转化为嵌入向量，以 “1-向量夹角余弦相似度” 衡量，取值范围0-1，数值越高新颖性越强，同时用DeepSeek模型进行一致性检验；

创新溢出效应：通过生成式人工智能提取专利核心知识概念（结构化关键词），构建行业创新溢出（同行业知识概念重叠度）、跨区域创新溢出（跨地区知识概念重叠度）指标；

核心解释变量：企业层面（完成生成式人工智能算法备案=1）、行业层面（所在行业推出行业大模型=1）。

3.3 模型设定

采用渐进双重差分模型，核心模型如下：

FirmGAI为企业层面生成式人工智能应用虚拟变量，IndustryGAI为行业层面虚拟变量；

控制变量包括企业财务特征（资产报酬率、资产负债率等）、治理特征（董事会规模、股权集中度等），以及企业固定效应、季度固定效应（或行业 × 季度联合固定效应）；

研究通过倾向得分匹配缓解可观测变量差异导致的偏误，确保处理组与对照组可比性。

四、实证结果

4.1 生成式人工智能与发明者协同

生成式人工智能显著降低传统发明者协同。

企业层面应用事件后，专利平均发明者合作署名数量显著下降，发明者网络密度显著降低，独立发明者比例显著上升；行业层面应用事件的回归结果一致，生成式人工智能确实削弱了依赖社会网络的传统协同，推动创新模式向更自主化转变。

4.2 生成式人工智能与创新新颖性

生成式人工智能显著提升创新新颖性。

生成式人工智能通过人机协同弥补了传统发明者协同减少的损失，甚至激发了更具新颖性的创新成果，验证了其在知识整合与概念生成方面的优势。

4.3 生成式人工智能与创新溢出效应

生成式人工智能显著增强创新溢出效应。

生成式人工智能打破了企业边界与地理距离的限制，加速了知识在行业内、跨区域的流动。

4.4 稳健性检验

人工智能生成内容检测：事件发生后，专利文本困惑度显著降低，人工智能生成内容检测率显著提高，验证了识别策略的有效性；

创新新颖性替代指标：使用IPC分类差异、专利引用次数作为替代指标，结果一致；

排除干扰因素：控制新冠疫情影响（加入累计确诊人数、限定 2023 年后样本），核心系数无实质性变化；

模型有效性验证：bootstrap抽样显示生成式人工智能提取知识概念的F-Score达90%，不同模型间Kappa系数表明结果一致性高；

平行趋势检验：事件发生前处理组与控制组趋势平行，事件后效应逐渐增强，符合预期。

五、进一步分析：异质性与拓展效应

5.1 发明者社会网络位置的异质性

生成式人工智能对社会网络边缘发明者的提升作用更显著。

按中心度、结构洞指标分组，低中心度（边缘位置）组的创新新颖性提升系数大于高中心度（核心位置）组，邹检验证实组间差异显著；生成式人工智能缓解了边缘发明者的信息获取劣势，缩小了 “信息鸿沟”，提升了创新生态的包容性。

5.2 发明者个体经验的异质性

生成式人工智能对低经验发明者的促进效应更强。

低经验组创新新颖性提升系数显著大于高经验组，邹检验支持组间差异；尽管存在 “幻觉” 风险，但低经验发明者可通过人机交互有效甄别信息，借助人工智能弥补经验不足，验证了人机协同的普惠价值。

5.3 发明者数量、流动与效率

生成式人工智能未替代发明者，反而提升创新效率。

发明者数量显著增加，创新边界拓展带动了对发明者的总需求上升；发明者流动性无显著变化，排除了 “技术替代导致人员流失” 的担忧；发明者创新效率显著提升，按年滚动专利申请量增加，验证了人机协同的效率提升效应。

六、结论与政策启示

6.1 核心结论

生成式人工智能对发明者协同产生双重效应：降低了对传统社会网络的依赖，提升了发明者自主性，同时为边缘发明者提供了更多创新机会；

人机协同模式未削弱创新新颖性，反而通过知识整合、跨领域关联激发了更具新颖性的成果；

生成式人工智能突破了企业边界与地理限制，显著增强了行业内与跨区域的创新溢出效应；

异质性分析表明，生成式人工智能对社会网络边缘、经验不足的发明者促进作用更显著，且未替代发明者，而是提升了创新效率与总需求。

6.2 政策启示

（1）企业层面

重构人机协同创新体系：将生成式人工智能纳入核心创新伙伴，搭建定制化协同平台，推动知识资源模块化整合，优化从 “人际协同” 向 “人机协同” 的转型；

优化内部创新生态：依托生成式人工智能构建开放、扁平的知识共享机制，为边缘发明者提供技能培训与技术支持，减少社会网络结构带来的隐性壁垒；

强化跨界协同能力：利用生成式人工智能搭建跨企业、跨区域知识交流桥梁，主动接入行业级开放平台，提升创新溢出的吸收与输出能力。

（2）政策层面

完善政策支持体系：由行业协会制定生成式人工智能创新应用指南，设立专项基金降低中小企业技术接入门槛，支持试点示范项目；

构建包容性创新生态：推动行业级生成式人工智能平台开放化、低门槛化，弱化关系壁垒对创新的制约，促进资源优化配置；

强化新型基础设施建设：统筹布局高性能算力网络与公共数据平台，完善数据流通机制，支持实时协同研发场景，助力形成全国统一创新体系。

我们是谁

全息学术团队拥有一支由100余位来自QS前200、国内顶尖985、211等高校的青椒及以上组成的专家团队，有较高的学术水平，其中还有SCI/SSCI/CSSCI等权威期刊的评审专家，在核心期刊发表和论文辅导方面经验丰富。

我们帮助过的硕博生总计超过八百余人，目前仍有近百位研究生“在抢救中”，有望如期穿上“蓝袍子”、“红袍子”。

我们的优势

01

全流程

提供从精准选题定向，到高效文献梳理与批判性解读，再到清晰研究框架构建、严谨写作规范指导，以及细致语言润色与逻辑优化，直至最终的全真答辩模拟与技巧点拨。我们致力于在学术旅程的每一关键节点，提供专业、务实的深度支持

02

全类型

全面涵盖您在不同学术阶段的写作需求。无论您需要撰写投稿发表的期刊论文，还是关系到学位授予的毕业论文（本硕博），或是需要深入研究与呈现的课题报告与申请，我们都能提供精准、高效的专业指导。

03

全学科

专业覆盖度MAX：从经管、法学、教育等核心领域，到文学、历史、理工科以及众多细分交叉学科，我们的专家团队都能提供精准指导。依托庞大的专业资源库和经验丰富的编辑团队，无论您的研究领域多么小众或具有挑战性，都能在我们这里找到最专业、最贴心的指导，助您高效完成高质量论文。

为什么选择我们？

1

名校老师辅导，制定详细辅导计划

制定合理的辅导计划，做好时间管理，拒绝延毕！

在论文写作的各个阶段，专业老师会对学员的论文进行深入细致的书面修改，并提供专业的反馈意见。

2

信息保密，线上会议1V1指导

平台高度重视学员的个人知识产权和隐私保护，在学员报名成功后，会立即与学员签订严格的保密协议，确保整个服务流程在保障学员隐私和知识产权的前提下安全、有序地进行。

通过语音指导的方式，能够及时、高效地为学员解决在论文写作和发表过程中遇到的各种问题让沟通更加顺畅。

3

售后保障，文章优化，确保顺利毕业

在完成论文各个阶段的指导后，专业老师会对论文全文进行全面、深入的审查和把关。从论文的研究主题、框架结构、内容逻辑到语言表达、格式规范等各个方面进行细致检查，确保论文质量达到较高水平，为学员顺利毕业提供有力保障。

一、部分成果展示

二、签约流程

三、联系方式

1.报名方式

请扫描下方二维码并留言您的具体需求

例如：论文辅导/期刊投稿等

2.特别提醒

现在进行咨询，您将有机会获得免费试听服务！

打赏

更多>同类资讯

0 条相关评论

推荐图文

推荐资讯

点击排行