跨越部门研究与开发中的知识孤岛与系统不信任导航

《Proceedings of the Design Society》：Navigating knowledge silos and system distrust in cross-sectoral R&D

　　

摘要：知识管理（KM）对于高效的跨部门研究与开发至关重要。本研究与学术界和工业界专家（n=17）合作进行，揭示了研究人员对正式知识管理平台的深度不信任以及对个人网络的高度依赖。基于对个人网络如何服务于知识管理和交换的发现，研究人员提出了一个由人工智能（AI）驱动的“知识协调者”的概念和基本设计要求。考虑到现代人工智能的潜力和能力，这种人工智能驱动的“知识协调者”可能成为现代跨部门研究与开发的新一代知识管理系统。

### 跨部门研发中知识管理困境与人工智能驱动解决方案的探索

#### 研究背景与问题缘起
在知识密集型生态系统中，如企业研发部门和学术机构，其竞争优势源于创造、分享和应用知识的能力。然而，尽管知识管理领域已有五十年的研究和实践，一些根本性挑战依然存在。传统方法难以应对信息量的爆炸式增长，并且关键地，无法有效捕获隐性知识——即专家创新者基于经验的专业技能。数十年研究清晰地揭示了几个持续存在的障碍：隐性知识难以编码化；信息过载削弱了系统有效性；知识隐藏和信任问题在实际实践中占据主导地位。

近年来，研究背景呈现出独特的变化。专利申请和科学出版物数量每十年翻一番，仅基因编辑领域就拥有超过60,000项专利。大学与工业界通过资助项目的合作日益紧密，大量学术论文被工业专利引用，记录了强劲的学术-工业知识流动。然而，尽管存在信息爆炸和对跨部门合作的强调，关于专业知识、能力和合作者的知识仍然支离破碎。与此同时，人工智能（AI），特别是大语言模型（LLMs）和知识图谱，为新的技术可能性带来了希望。LLMs能够从非结构化技术文档中提取知识，跨部门翻译领域特定信息，整合异构数据源，并维护动态、持续更新的知识表示。然而，一个关键的缺口依然存在：虽然技术能力可以解决已识别的知识管理挑战，但在跨部门背景下，组织层面的实施和实践者的采纳，特别是其采纳情况，仍不明确。

本研究旨在通过两个阶段来填补这一空白：（1）对基于人工智能的知识管理研究趋势进行系统分析；（2）对学术和工业研发从业者进行定性访谈，以识别实际的知识管理挑战、跨部门合作的障碍，以及对人工智能增强型知识管理系统的看法。研究提出了三个核心问题：当前人工智能-知识管理研究的主要主题是什么？从业者在2025年的高校-工业界研发中遇到的核心知识管理问题是什么？当前技术方案与从业者需求之间存在哪些差距，以及除了技术之外，哪些因素影响系统采纳？

#### 研究方法概述
本研究采用定性方法，探索学术和工业环境中与研发和知识管理相关的挑战和过程。研究设计和报告遵循定性研究综合报告标准（COREQ）清单，以确保透明度和严谨性。

研究团队由一名具有定量背景（物理学、计算机科学）的工程系统学博士候选人（同时担任高级行业关系专家）构成。研究采用了多管齐下的招募策略，通过内部大学同事、外部政府与行业联系人、研究者的专业网络以及滚雪球抽样，最终招募了17名参与者。数据收集通过半结构化访谈进行，访谈时长45-60分钟，围绕日常工作流程、合作挑战和知识共享实践等主题展开。数据分析遵循Braun和Clarke（2006）的六阶段主题分析框架，采用主要归纳性的编码过程，并通过参与者的引述来增强可信度。

#### 主要研究发现与结论
通过对来自学术界和工业界的研发社区成员访谈的主题分析，揭示了三个主要的、相互关联的主题。

**1. 非正式知识网络的首要性**
这一基础性主题描述了所有参与者面临的中心、普遍性挑战。在正式的制度化知识系统（如网站、数据库、官方知识库）与完成工作所必需的非正式的、以人为中心的网络之间，存在着显著脱节。虽然正式系统是知识发现的预期路径，但它们被普遍认为是不充分、过时且不可信的。因此，整个研发社区默认采用一个建立在个人关系、声誉和直接询问基础上的平行系统。这种二元性定义了知识工作的日常现实。

该主题由两个不同的子主题构成：正式系统的失败以及对非正式网络的依赖。
* **子主题1.1：对正式系统的不信任。** 参与者普遍对其组织的正式知识系统表示深度怀疑。这些工具常被描述为不完整、难以导航且不可靠，导致其实用性低下。核心问题在于缺乏时效性和实用性，形成了“正式系统（网站、平台）对于寻找专业知识不可靠”的共识。
* **子主题1.2：对关系网络的依赖。** 作为对正式系统失败的回应，参与者普遍依赖非正式的个人网络来寻找专业知识和资源。这种临时系统被认为更高效、可信和有效。知识搜索被一致描述为人对人的过程，最常见和可信的方法是“口碑相传”和依赖“专业知识的传奇声誉”。然而，这种非正式系统虽然有效，但也脆弱、依赖个人，并且会延续其本应克服的知识孤岛，带来显著的项目风险和低效率。

**2. 学术界-工业界合作障碍**
这一主题捕捉了阻碍有效合作，特别是学术与工业研发实体之间合作的根本性障碍。这种摩擦是多方面的，源于语言、运作节奏和核心目标的深层差异，导致了“翻译危机”、“节奏危机”以及由此产生的“信任危机”。
* **子主题2.1：术语不匹配。** 双方参与者反复强调“科学术语与工业术语之间的不匹配”。这不仅仅是简单的词汇问题，更反映了世界观的根本差异。这种差距需要能够充当“翻译者”角色的个人来弥合语义鸿沟。
* **子主题2.2：不同的时间线和优先级。** 一个主要的摩擦来源是“时间线的不匹配：学术（长期）与工业（即时）”。工业界在巨大的时间压力下运作，其优先级是务实的；而学术界则遵循严谨的研究和发表周期。这种节奏差异常常发生冲突。
* **子主题2.3：信任作为缓解因素。** 鉴于翻译和节奏带来的摩擦，数据显示成功的合作并非基于更好的系统，而是基于个人信任的艰辛构建。对于克服固有的制度界面摩擦，建立这种信任是至关重要的部分。

**3. 战略性研发网络协调**
从前两个主题描述的挑战中，衍生出这最后一个主题，阐述了一种战略演变。它描述了从被动的、个体化的网络建立，转向主动、有意识地协调研发生态系统的转变。这项工作由经验丰富的个人（如开放创新经理、联盟首席执行官、大学业务发展联络员）执行。他们的目标不是取代以人为中心的网络，而是使其专业化和规模化，旨在超越为单一任务寻找单一专家，转而建立一个可持续的、预先审查过的可信合作伙伴社区，从而创造更可靠、更主动的合作流。

该主题也直接回应了关于人工智能潜力和谁需要此类系统的研究问题。“生态系统协调者”手动、耗时的工作，恰恰突显了最需要自动化的领域。
* **子主题3.1：对系统性差距的认识。** 经验丰富的参与者认识到依赖非正式网络是不可持续的。他们识别出组织中的“系统性差距”和“功能性差距”。核心问题是缺乏面向外部合作伙伴的“单一入口点”。
* **子主题3.2：手动中介实践与自动化需求。** 这些协调者的工作涉及通过“组织化、结构化的中介活动”等方式系统地建立社区和信任。然而，这项工作极其耗费人力。参与者明确表达了需要智能工具来支持这项工作的愿望。他们的愿景不是一个简单的搜索引擎，而是一个主动的“助手”，能够自动完成最痛苦的任务，如生成能力档案和追踪专业知识。理想的解决方案被描述为一个能够“实时捕获能力并追踪其演变”的“人工智能驱动能力映射系统”。对于弥合学术界-工业界鸿沟的人来说，明确需要“从科学到市场的自动化‘翻译’”。

#### 讨论与结论
研究发现对设计研究社区具有特定启示。识别出的“知识协调者”角色表明，未来的知识管理工具不应仅仅设计为静态知识库，而应设计为促进不同组织文化间信任的活跃“边界对象”。对于设计研究者而言，这将挑战从信息检索转向交互设计，特别是设计能够提供专业知识“社会证明”的界面，以缓解主题1中识别的系统不信任。

本研究结论基于对17名参与者的定性分析，揭示了现代研发生态系统中的一个根本性张力：受访者一方面依赖非正式的、以人为中心的网络，另一方面又渴望智能工具来管理海量数据并驾驭学术界与工业界之间困难的合作。

针对所揭示的问题，研究人员提出了一种动态的、基于人工智能的“知识协调者”作为解决方案，该系统能够自动映射研发专业知识并建议合作连接。研究制定了设计此类系统的要求，包括从多样化来源自动生成能力档案、动态知识追踪以防止过时，以及智能搜索以发现内部资源。此外，该系统还必须充当“数字桥梁”，翻译科学和商业的不同语言和优先级以建立信任。

研究还识别了系统采纳的关键成功因素，强调需要最小的用户负担、无缝的工作流程集成和数据准确性。这种方法在科学领域是独特可行的，因为出版物和专利的庞大公开数据为人工智能有效绘制研发图景提供了必要的材料。

未来工作有两个明确方向：首先，扩大实证基础，进行大规模、结构化的调查，以系统映射需求和障碍，为设计真正以用户为中心的系统提供坚实基础。其次，解决创建可持续“知识协调者”的技术挑战，研究必须聚焦于自动化，开发能够在新信息生成时自主创建并动态更新底层知识图谱的智能体。