引言
人工智能（AI）是一种通过感知、解释数据、学习、推理并决定最佳行动方案来发挥作用的系统（世界经济论坛，2023）。作为新一轮技术革命和产业转型的关键驱动力，AI被广泛应用于信息和通信技术（ICT）、制造业、能源、医疗健康及科学创新等领域（Demirbaga, 2025; Li等人, 2024; Rammer等, 2022; Chatterjee等, 2021; OECD, 2023; Truong & Papagiannidis, 2022; Zahlan等, 2023; Spatharou等, 2020; Matheny等, 2022; Lee等, 2019）。在医疗健康领域，AI技术为疾病诊断和治疗以及医疗服务提供了新工具，并为解决资源约束、服务效率和医疗公平等问题提供了新的可能性（Zahlan等, 2023）。根据美国政府问责办公室（GAO）的一份报告，AI有潜力改善治疗结果、降低成本并提高健康水平，通过减轻医疗提供者的工作负担以及改善资源配置和服务效率来实现这些目标（GAO, 2020）。
在过去60年中，AI推动了众多领域的进步（Hajkowicz等, 2023; Hoffmann, 2022）。然而，在医疗健康领域的进展相对有限（Bohr, 2020）。主要的制约因素是缺乏高质量、准确且可靠的数据来支持算法的开发和训练（Yang等, 2019）。随着技术进步和医疗数据的增长，这一状况正在发生变化。大量的医疗数据为AI应用及相关技术（如机器学习）提供了基础。这些技术正在被快速整合到医疗场景中，包括医学影像、临床决策支持、健康管理和药物发现（He等, 2022; Zhang等, 2017）。
随着AI在医疗健康领域的应用不断深入，近期的研究越来越多地不仅关注其临床应用和技术进步，还关注实施过程中的挑战、工作流程整合、组织适应性和治理问题（Zahlan等, 2023; McCradden等, 2023; Khan等, 2024; Alami等, 2024; Secinaro等, 2021; Rong等, 2020）。这些研究为理解AI在医疗健康环境中的采用和实施提供了重要见解。然而，对于AI作为通用技术（GPT）与医疗健康技术系统进行长期融合的过程，关注度相对有限。
技术融合理论为理解这一问题提供了重要的视角。现有研究通常将融合分为不同层次，如知识融合、技术融合、应用或市场融合以及产业融合（Br?ring等, 2006; Appio等, 2023; Curran等, 2010; Hacklin等, 2010）。其中，技术融合连接不同的技术领域，通过功能集成和边界重构推动技术关系的变化。然而，现有的技术融合理论主要基于传统技术领域或相对开放的产业环境，在解释如AI等通用技术整合到高度监管行业的过程中仍存在不足。AI具有跨场景扩散、算法迭代和持续学习的特征，而医疗健康则高度依赖专业知识、敏感数据、伦理规范、监管审批和组织边界。这两个领域的融合不仅涉及技术应用的扩散，还包括技术能力对现有医疗健康体系的持续适应和修改。这种融合对现有的技术融合理论提出了新的挑战。
在此背景下，我们关注以下研究问题：当AI作为通用技术嵌入高度监管的医疗健康技术系统时，技术融合的演化路径、融合机制和组织结构表现出哪些特征？这些特征与现有技术融合理论的典型预期有何不同？本研究潜在的贡献包括三个方面：(1) 通过将AI与医疗健康的整合置于技术融合框架中，我们扩展了现有技术融合研究的范围，重点关注通用技术进入高度监管的社会技术系统的过程；(2) 利用专利文本、技术分类和协作网络，我们从演化路径、融合机制和组织结构三个维度分析融合过程，为进一步的理论发展提供实证证据；(3) 本研究揭示了AI驱动的医疗健康创新中的技术演化、治理约束和协作特征，为政策制定者、医疗机构、技术公司、研究机构及其他利益相关方提供了实践启示。
本研究共包含六个部分。第2节回顾文献并建立理论框架。第3节描述研究设计、方法和数据分析过程。第4节呈现实证发现并分析AI与医疗健康融合的趋势和特征。第5节讨论研究发现以及本研究的理论和管理启示。第6节提供结论并指出研究的局限性和未来研究方向。
