动态转变：将网络地位视为社会资本，以提升前沿人工智能实验室的创新绩效

《Technovation》：Dynamic Shifts: Understanding the network position as social capital to enhancing the innovation performance of frontier AI labs

本文基于社会资本理论与fsQCA方法，分析2013-2024年41,055篇AI论文和40,033项专利数据，揭示前沿AI实验室网络位置动态演变及对创新绩效的影响机制，提出"独立创新"与"网络驱动"双路径战略，为AI实验室发展提供理论框架与实践指导。

　　

刘本|曲晶晶|邹辉|刘嘉怡|陈思明|陈阳

上海人工智能实验室，云锦路701号，上海，200240，中国

摘要

人工智能（AI）正在迅速改变各个行业，而领先的实验室已成为推动创新的关键力量。本文探讨了OpenAI和DeepMind等前沿AI实验室在这个快速发展的领域中的演变动态。基于社会资本理论（SCT），我们认为，在创新合作中的关键网络位置构成了极具价值的社会资本，这推动了前沿AI实验室的快速增长和成功。我们的研究结合了网络分析与模糊集定性比较分析（fsQCA），以定量评估影响研究影响力的因素。我们解决了两个关键问题：首先，我们描绘了前沿AI实验室如何随时间占据不同“网络位置”的演变模式；其次，我们深入研究了网络位置及其他关键因素对其创新能力的因果影响。通过对2013年至2024年间发表的41,055篇AI研究论文和40,033项AI相关专利的数据集进行分析，我们发现这些实验室在三个阶段——早期阶段（2013–2016年）、成长阶段（2017–2021年）和成熟阶段（2022–2024年）——不断提升了其网络位置，从追随者角色转变为机构合作网络中的领导者。在第二项研究中，我们发现网络位置和计算能力等各种因素是当前环境下前沿AI实验室快速增长的关键驱动因素。我们的发现强调了合作网络在促进研究创新方面的重要性，突显了前沿AI实验室在塑造AI技术未来中的战略作用。

引言

人工智能（AI）正在全球范围内重塑创新格局，像OpenAI和DeepMind这样的前沿实验室正在重新定义技术可能的边界（Akter等人，2023年）。这些实验室处于基础研究与大规模工程的交汇处，取得了GPT-4（Achiam等人，2023年）和AlphaGo（Silver等人，2016年）等突破性成果，这些成果模糊了学术研究与产业影响之间的界限。它们的崛起引发了关于创新管理的关键问题：新兴组织如何 navigate 复杂的创新合作网络以在资源密集型、快速发展的领域中获得竞争优势？ 以及 它们在这些网络中的位置在推动创新中扮演了什么角色——特别是在知识、数据和计算能力分散在多个机构之间的情况下？

创新管理学术界长期以来一直强调网络在促进创新中的作用（Powell等人，2005年；Schilling和Phelps，2007年），但现有框架难以解释AI研究生态系统的动态。与传统行业不同，AI创新依赖于高度专业化的资源（例如专有数据集、GPU集群）、跨学科合作（涵盖计算机科学和数学）以及知识快速过时——这些因素凸显了网络位置作为战略资产的重要性（Arenal等人，2020年；Chen等人，2020年；Kusters等人，2020年）。虽然社会资本理论（SCT）提供了一个研究网络联系如何促进资源交换和知识流动的视角（Bourdieu，1986年；Nahapiet和Ghoshal，1998年），但其应用于AI实验室的研究仍然不足，存在一些关键空白：

首先，创新管理研究主要集中在稳定、成熟的行业（例如制造业、制药业），在这些行业中网络结构是逐渐演变的（Schilling和Phelps，2007年）。相比之下，AI合作网络动态变化——机构在几年内就会发生网络位置的显著变化（Tu、Dall'erba和Ye，2022年），这挑战了静态的网络影响模型。当前的研究未能充分解释AI领域内网络位置的快速和流动变化，忽视了网络位置如何关键地塑造创新成果。

其次，尽管SCT强调社会资本是创新的驱动力，但它很少关注AI研究的资源特异性。与传统研发不同，AI创新依赖于非传统的、特定于技术的资源（例如预训练模型、云计算基础设施），这些资源在学术界、工业界和非营利组织之间的分布并不均衡（Zhang等人，2021年）。网络位置如何使实验室能够获取这些专业资源，以及这种获取如何转化为创新，在创新管理理论中尚未得到充分探讨。

第三，前沿AI实验室在混合生态系统中运作，需要在学术开放性（例如发表研究）和产业保密性（例如保护专有模型）之间取得平衡。创新管理学术界尚未阐明网络位置如何帮助调和这些相互冲突的逻辑，或者这种混合性如何塑造创新成果。

基于此背景，我们的研究结合了网络分析和模糊集定性比较分析（fsQCA）来回答两个核心问题：

1.

前沿AI实验室的“网络位置”随时间如何演变，它们在机构合作网络（创新合作网络）中遵循怎样的轨迹？

2.

哪些因果配置——结合网络位置、资源获取和合作模式——推动了它们的创新表现？

通过收集前沿AI实验室发表的AI相关论文和专利，并构建三个阶段间的机构合作网络，我们发现这些实验室在2013年至2024年间经历了网络位置的动态变化——从边缘追随者发展成为中心参与者，其中一些实验室还成为了行业领导者。此外，我们确定了在当前AI发展格局中提升创新表现的两种不同战略路径：“单一创新者模式”和“网络驱动模式”，为新兴AI实验室提供了战略建议，帮助它们根据自身资源和目标选择最合适的路径来增强创新能力。

此外，我们在三个关键方面为创新管理理论做出了贡献：（1）我们将SCT扩展到动态、高速度的生态系统，解释了网络位置如何放大创新能力；（2）我们深化了对AI领域资源中介作用的理解，展示了网络位置如何解锁对前沿研究至关重要的技术特定资产；（3）我们阐明了跨越学术界和工业界的混合组织角色是如何通过战略网络位置得以实现的，为生态系统层面的创新动态提供了新的见解。从实践角度来看，我们的发现指导新兴AI实验室利用网络资本在资源密集型环境中竞争，同时丰富了尖端技术生态系统的创新管理框架。

章节片段

前沿AI实验室与AI创新中的合作

前沿AI实验室专注于变革性的AI突破（Farhat等人，2024年），它们所处的生态系统依赖于两个相互依存的支柱：基础研究（例如机器学习理论的进步——Vaswani等人，2017年）和大规模工程（例如训练数十亿参数的模型——Brown，2020年；Achiam等人，2023年）。这种二元性带来了独特的挑战：没有单一组织能够内部生成这些多样化的资源——跨学科的

研究设计

根据Shi和Wang（2024年）提出的选择标准，我们确定了一组具有共同特征的前沿AI实验室：1）它们更重视长期影响而非短期商业收益；2）它们由企业或公共研发机构创立；3）它们主要位于AI发展的关键区域，包括美国、中国和欧洲（见图1）；4）它们以产生有影响力的研究论文、AI模型和工具而闻名

数据收集

我们为这项研究收集了两种类型的数据：研究论文和专利，时间跨度为2013年至2024年，数据来源于16个前沿AI实验室和8家大型科技公司。

研究论文数据集通过Scopus的API获取，Scopus是涵盖各个学科的同行评审科学文献最全面、使用最广泛的文献数据库之一，包括期刊、会议论文集和学术书籍。专利数据集也是通过API获得的

方法

为了解决第二个研究问题，我们研究了“网络位置”作为一种社会资本形式如何影响前沿AI实验室的创新表现。这种影响取决于多个相互作用因素的复杂配置。

在研究2中，鉴于合作模式、基本配置和网络位置的复杂性，我们采用了模糊集定性比较分析（fsQCA）（Fainshmidt等人，2020年；Pappas和Woodside，2021年）来识别

结论与讨论

将社会资本视角与网络位置视角相结合，本文描绘了AI前沿实验室在创新合作网络中的崛起，并探讨了它们的混合效应如何与其他因素一起影响创新表现。通过观察三个阶段前沿实验室网络位置的动态变化，我们清楚地看到前沿AI实验室从边缘参与者转变为大型科技公司的关键合作伙伴

CRediT作者贡献声明

刘本：撰写——审稿与编辑，撰写——初稿，软件开发，方法论，形式分析。 曲晶晶：撰写——审稿与编辑，撰写——初稿，项目管理，概念化。 邹辉：撰写——审稿与编辑，撰写——初稿，概念化。 刘嘉怡：撰写——初稿，可视化。 陈思明：项目管理。 陈阳：项目管理。

利益冲突声明

本工作得到了中国国家重点研发计划（项目编号：2022ZD0116205）的支持。我们还要感谢上海人工智能实验室提供的计算资源。