产业智能化：理论机制与中国实践探索

余江 马蕾 张越

摘 要：产业智能化是我国把握新一轮科技革命挑战与机遇的必然要求，更是推进新型工业化发展和实现经济高质量发展的关键战略举措。产业智能化不仅为中国场景下的管理学研究带来了新机遇，也为探索数智时代的产业体系转型理论提供了新的内涵。因此，立足全球视野和中国实践，深入研究产业智能化的规律与趋势，探索产业智能化在构建我国现代化产业体系中的作用机制。产业智能化是产业主体利用数字智能化技术对产业体系进行赋智重塑，引发产业逻辑变革的过程。其不仅是提升生产及运营效率的过程，更是以创新为导向的生态化过程。按照“AI突破驱动—转型与变革—共创价值”的分析逻辑，同时聚焦企业运营战略层次和产业生态层次的规则变化。主要结论有：第一，產业智能化强化了数字化在产业发展中的赋能作用，是产业数字化产生质变的新阶段，将引发产业创新发展逻辑变革。第二，产业智能化基于知识集成、自主决策、精准匹配等能力聚集，提升了企业持续创新的潜力。第三，产业智能化促进了产业边界全面融合，加快了产业间渗透，推动了产业智能生态快速发展及新业态形成。产业智能化带来的不仅是局部的成本降低和效率提升，而且是整个产业层面的新价值共创，并不断促进新业态产生。

关键词：产业智能化；人工智能；创新生态系统；产业生态

中图分类号：F424    文献标志码：A     文章编号：1671-0037（2024）1-1-7

DOI：10.19345/j.cxkj.1671-0037.2024.1.1

0 引言

新一代生成式人工智能持续取得突破，标志着世界进入新一轮创新活跃期和产业变革期［1］。AI的新突破与应用正在加速重塑科学研究及生产范式，也在不断催生新产业、新业态和新商业模式，从而成为数字智能化时代大国科技竞争的战略制高点。2023年5月5日，二十届中央财经委员会第一次会议强调，“要把握人工智能等新科技革命浪潮……推进产业智能化、绿色化、融合化，建设具有完整性、先进性、安全性的现代化产业体系”。2023年12月11日至12日，中央经济工作会议在北京举行。会议强调，要大力推进新型工业化，发展数字经济，加快推动人工智能发展。可以看出，推动产业智能化是我国把握新一轮科技革命挑战与机遇的必然要求，也是推进新型工业化发展和实现经济高质量发展的关键战略举措，因而受到国家决策层的高度关注。

近年来，在实践领域我国已经涌现了一批具有全球影响力的人工智能研究成果，同时一些先行企业也开始探索智能化转型之路。然而，产业的智能化转型具有高度的复杂性和挑战性。企业作为科技创新和产业发展的主体，一方面对AI的新突破与应用引发革命性变革进而提升企业核心能力的潜力充满期待，另一方面也对人工智能被恶意使用、存在故障和失控等技术风险以及相关数据质量管理、安全治理、知识管理、人力资本管理与组织变革等现实挑战存有疑虑。不仅如此，在学界，以“数据”“感知”和“链接”为支撑的产业智能化转型不仅为中国场景下的管理学研究带来了新挑战，也为数智新时代的产业体系转型发展理论探索提供了新的内涵。产业智能化是有待深入研究的重大理论与实践命题，需要立足全球视野和中国实践，深入研究产业智能化的规律与趋势，探索产业智能化在构建我国现代化产业体系中的作用机制。综上，产业智能化研究对于新时代深刻把握产业发展新规律有着积极意义。

1 产业智能化理论机制

产业智能化将进一步打破传统的产业分工，促使产业进入深度数字化与智能化新阶段，促进产业新结构的生态重组，形成融合的充满活力的新智能产业系统［2］。产业智能化是产业主体利用数字智能化技术对产业体系进行赋智重塑，引发产业逻辑变革的过程。其不仅是提升生产及运营效率的一种过程，也是以创新为导向的生态化过程。面对各类异质度很高的复杂产业场景，其智能化过程将集成多学科信息、数据、技术和工具等［3］。产业智能化在业务模型能力开放和全新人机接口的基础上，与产业垂直场景深度结合，推动改变产业内组织结构和商业逻辑，从多方向识别和寻求多元化产业知识，多维度突破原有组织边界，持续挖掘新发展潜力。在这一过程中，产业创新的规则正在发生重大的变革。

产业智能化遵循“AI突破驱动—转型与变革—共创价值”的逻辑，同时关注企业运营战略层次和产业生态层次的新逻辑与规则（见图1）。生成式人工智能作为基于算法、模型、规则等生成文本、图片、声音、视频、代码等内容的新一代人工智能技术，早已突破传统数据展示工具功能，形成了一个具有深度集成感知、分析、预测、决策、执行和学习等多种能力的智能化系统。以超大模型自然语言处理为代表的AI新算法正在推动重构基于数字化平台的产品服务形态，以全新的人机互动形式，改变产品和服务提供新价值的过程［4］。这种变革早就超越了企业内单纯的个别单元应用新技术的层面，而是涉及产业全价值链、生产方式以及产品与服务交付模式的系统升级。

企业依托智能系统实现自身的智能化战略转型，以AI技术突破为驱动改变了产业创新生态的工作流程，进而改变跨产业组织的治理规则。通过从海量数据信息中自主学习行业知识，构建闭环式学习体系，进而生成全新的、原创的专业知识或产品，并能持续提高能力来打破专业知识壁垒。而基于AI大模型生成的自然语言交互能力，为企业内部、产业上下游之间实时泛在的连接提供了数据交互的全新方式［5］。

智能化的产业创新生态逐步被赋予了“感知—分析—决策”能力。基于智能感知与数据积累改变了信息的交互规则，基于大模型的预测能力改变了数据分析的过程，依托智能决策能力改变了传统的业务流程。近年来，人工智能多模态能力的建设，推进机器基本实现了感知—决策—执行的流程［6］。面向产业垂直场景，不断更新整合产业知识库，在实现产业技术模块知识和系统知识同步积累的同时，帮助企业主体克服自身的发展惯性，进而发现潜在的新业务突破的可能性［7］。

在各个行业垂直场景方面，新型AI技术全面增强了需求分析与需求理解能力。在产业数据要素方面，AI技术对于数据资产管理、数据质量管理、数据服务体系和数据架构建设等能力的提升作用显著。在专业知识库方面，AI技术依托专业模型的知识库，提高了跨环节、跨领域知识积累与综合运用的能力。同时，AI技术通过整合财务、人力资本、运营、IT等企业多个业务条线与系统数据，实现企业业务数据的整体性、系统性价值释放，提高其业务洞察力与战略预见力。

1.1 AI突破驱动

产业智能化是延展智能化宽度与深度的过程，能够推动应用场景深度融合，提升生产效率，并引发产业竞争格局的重构［8］。AI模型通用能力的释放与赋能以及新的交互能力的产生，正在推动实现工业软件功能的横向与纵向深度拓展，同时图像数据的全新生成能力正在大幅提升工业设计效率。在制造层面，人形机器人等的飞速发展也在推动未来的制造流程结构性变化。例如，特斯拉公司开发的全新Optimus人形机器人，其成本已经降到20 000美元，标志着高智能的人形机器人逐步进入规模应用阶段。

1.2 转型与变革

产业转型与变革在产业链层面推动了产业智能化，能够帮助企业全方位构建具有针对性的AI能力，快速发掘大规模应用场景［9］。随着AI技术在产业中的不断应用与发展，企业不仅会产生新的AI需求，而且还需要与上下游企业共创可执行、可落地的企业级AI解决方案，将AI转化成生产力。与此同时，企业内部新的人机交互模式渗透到产品研发、工艺设计、生产作业、产品运营等环节，赋能每个智能终端、智能单元和智能系统。传统的工业流水线和生产性单元转变为学习型工厂、数字化工厂以及网络化工厂。

1.3 共创价值

面向价值网络重构的产业智能化，是一个以挖掘潜在价值和创造新价值为核心的过程。其可以让相关企业实现价值倍增，主要包括以下几种。更加敏捷的运营，通过更进阶的智能感知与认知技术提升产业生产效率；更加高效的定制化，允许企业在控制成本的前提下保持生产的灵活性；更加智能的决策支持，利用大模型的高水平预测能力辅助实现快速精准的生产决策。这种在产业场景下塑造的新创造能力不仅能节省大量的人力和时间成本，还可以提高产业安全性和可靠性，帮助企业应对高度不确定的市场环境，促进企业将技术转化为业务价值［10］。

2 以“赋智”来“赋能”的产业智能化实践

以智能制造为主攻方向，人工智能与制造业的深度融合推动着我国新型工业化发展［11］。AI技术与服务体系及制造业应用场景分别从供给侧和需求侧两端推进产业智能化发展。在AI技术与服务体系的供给侧，依托算力、算法、数据、连接等推进产业基础大模型能力提升，并在此基础上训练垂直领域专用模型。在制造业应用场景的需求侧，通过研发设计、生产制造、检测运维、售后服务等的应用需求促进模型迭代升级。在智慧化的工业场景中，智能化转型贯穿AI生命周期各个层面和环节，即从数据获取到模型开发、部署和监控，帮助产业主体构建和部署端到端的、可信负责的AI，进而实现价值跃升。依托供需两端发力，支撑智能产品和装备、智能工厂、智慧供应链等智能制造的主攻方向，以持续智能化带动工业化、工业化促进智能化的方式推动新型工业化发展（见图2）。

2.1 行业模型框架：算法、算力和数据

算法、算力和数据等基础设施是发展人工智能新应用的基石。算法决定了AI识别和决策的方式，其需要足够的算力来驱动；同时，算法的提升又需要大规模高质量的数据；三者相辅相成，缺一不可［12］。

算法层面，产业智能化发展需要在大模型基础上构建领域专业小模型，面向特定产业场景高效集成来自产业范畴内外不同类型的知识要素。以持续“赋智”来对产业持续赋能，最大化发挥AI的效能，激发产业主体创建和训练有业务针对性的AI模型。通过不断调整和管理，持续优化和利用好支撑业务的数据科学模型，对海量相关数据进行智能化甄别、筛选、解释和洞见。

算力层面，行业模型对于AI模型类训练的需求成倍增长。“云+AI”已为产业智能化转型提供了稳定的支撑环境，有助于产业创新生态系统的持续扩展，优化了算力基础设施布局、结构、功能和系统集成。越来越多的企业组织在公有云、私有云和企业本地基础设施之间部署、训练、调整模型和数据。算力代表着集信息计算力、网络运载力、数据存储力于一体的生产力，推动了产业生态赋能。例如，在前沿的芯片制造工艺领域，2023年英伟达公司公布了面向芯片制造行业的突破性技术——NVIDIA cuLitho计算光刻库，其可以将计算光刻加速40倍以上，使得2nm及更先进的芯片技术商用化大大加速。全球芯片制造巨头台积电、全球光刻机企业ASML公司和全球最大EDA巨头新思科技（Synoposys）均参与了研发合作。这项人工智能技术的突破推动了集成电路前沿制造工艺研发新模式的形成。

数据层面，与以往以时间序列等结构化数据处理为主不同，生成式AI对高质量文本、图片、文档等数据的要求也不断提升［13］。AI正在成为当前企业的一种核心生产力。在具体的产业情景下，生成式AI通过不断学习结构化与非结构化数据，迅速理解产业用户解决问题的场景模式，进而创造性地生成全新的解决方案，以保障企业业务的健康发展。

2.2 产业领域AI应用的主要进展

以多模态AI大模型为代表的新一代人工智能技术应用已经从办公、营销、商业设计等层面逐渐拓展到先进制造、金融科技与智慧城市等产业经济发展的核心层。产业应用对专业领域的数据积累与知识学习提出了新的要求，需要以场景为牵引全面提升产业智能化水平［14］。以核心产业的制造业场景应用为例，目前AI主要被应用于以下领域。

在研发设计领域，依托力学和合成等制造领域专业化知识与原理在大模型中的沉淀，提升建模的准确性与效率，指导相关工业设计的实践。例如，在传统工业设计中，现有工业设计软件的应用提供了海量标准化的工程制度、布局规划；然而依托现有数据进行工业大模型训练，并与设计者的思路需求进行交互，拓展了工业设计的思路边界，提升了设计的可行性与效率。通过不同知识主体之间异质性知识相互整合、相互补充的反馈环，能够帮助企业研发人员更好地摆脱既定认知惯性的约束［15］。例如，海尔设计公司与亚马逊云科技合作，使生成式AI涵蓋新品设计、改款升级、渠道定制化等设计业务场景，形成4个完整的云上解决方案，全面替代自有机房，进而促使产品设计中心的工作流程实现了全面自动化。上线后各类项目周期缩短了30%，获得了显著的商业成功。

在工业仿真领域，大模型提升了仿真模拟对现实场景与环境复杂性的理解程度。例如，依托已有车辆测试与实验中的数据，学习车辆结构、材料属性与碰撞结果相互之间的非线性关系。与传统车辆碰撞仿真需要多轮人工参数的大量调整不同，人工智能大模型大大缩短了寻找参数组合的周期，并涌现出多样化的全新碰撞场景。

在工业检测领域，视觉大模型提升了加工瑕疵、次品等问题的检测准确性与效率，解决了传统样本数据获取困难、标注困难的问题。平台化设计、网络化协同、规模化定制等新业态新模式的涌现，扩展和延伸了价值的内涵［16］。例如，当前主要汽车制造企业均借助最新的智能化技术手段，实现设备知识快速获取、故障智能诊断、专家在线指导［17］。人工智能新技术的广泛应用正推动创新驱动和跨界的落地。例如，百度公司的Apollo自动驾驶研发平台从有限合作到开源平台的演进，为技术开源合作和产业上下游伙伴网络的形成提供了发展契机［18］。

在流程管理方面，AI智能系统的效用逐步增强。智能化转型重构产业组织的竞争模式，增强了产业竞争活力，推动各类产业主体前瞻性地持续优化战略业务。例如，对产品销售进行预警，同时触发智能工作流给相关部门，并提供若干推荐解决方案和已使用过的方案。其后，智能工作流一直在智能系统中跟进问题，并进行智能应对，直到问题闭环解决。企业组织结构向扁平化精益化转型，根据产业特定场景和业务情况二次建模。企业需要在生成式AI的基础上建立微调（Fine Tune）层，对产品与服务需求先进行预处理，再交给大模型进行理解和分析，以促使其在具体产业场景下实现价值跃升。

在智能客服领域，依托大语言模型赋能，能够全面理解和把握用户需求，并结合自身的知识库与逻辑推理能力给出解决方案。例如，某家电巨头利用搜索引擎和大语言模型结合产生的解决方案，将原始企业资料转化为可利用的数字资产，借助生成式AI實现精准检索和问答，彻底重构了全球化售后客户服务体系。

在产业链协同方面，产业链上下游企业只有拥有更强的数据密集型跨界创新能力，才能保持其在产业链中的竞争优势。而供应商更多选择产品构架创新，进而加剧了产业链内部创新分工的竞争程度［19］。产业智能化需要产业领军企业联合广泛的产业伙伴生态力量，帮助合作伙伴深度应用数字智能新技术，实现AI应用现代化和安全，形成跨产业主体组织间的智能工作流。依托开放的AI平台，汇聚产业链上下游的合作伙伴和行业客户，通过价值共创促使产业伙伴专注于将AI用于核心业务来提升自身竞争力，加速推进开放、可信、具有行业和业务针对性的企业级AI的落地应用［20］。

3 结论与启示

3.1 研究结论

产业智能化是产业数字化产生质变的新阶段，也是推动国内新型工业化发展的关键路径；同时产业智能化基于知识集成、自主决策等集成能力，提升了产业主体的持续创新能力。不仅如此，产业智能化还促进了产业边界全面融合，加快了产业间渗透，推动了产业生态快速发展及新业态形成。智能化正在成为企业差异化竞争和产业技术共同进步的驱动力，将为产业中各相关方创造独特的智能化价值。

第一，产业智能化全面强化数字化在产业发展中的赋能作用，将引发产业发展逻辑变革。AI技术及其应用全面强化了信息技术、计算技术、通信技术和连接技术的深度集成，是产业组织发生重大变革并重构组织结构、行为及运行系统的重要驱动力。因此，在产业智能化转型中，需要系统布局产业智能化战略，指导企业在智能化转型过程中的战略演变，产品、服务和运营创新以及在业务流程中应用智能技术。

第二，产业智能化基于知识集成、自主决策、精准匹配等能力聚集，提升了企业持续创新的潜力。依托对行业知识的沉淀与集成，形成了对于产品研发/设计、生产制造、供应链/资源管理、市场/营销、用户/客户运营、组织协同等多方面的支撑能力。同时，依托AI大模型预测精准性的提升，智能辅助决策成为产业决策系统的基础。

第三，产业智能化促进产业边界进一步融合，加快了产业间渗透，推动了产业生态快速发展及新业态形成，以产业中焦点企业的大模型为主导，连接众多专业模型。数据流、知识流在大模型及专业模型中的快速流转加快了产业间的互动，并与围绕模型的算法及算例共同形成了产业智能化创新生态系统。

3.2 研究启示

当前，数智赋能新领域新赛道呈现的群体突破，对于在复杂国际环境下抢占全球产业体系智能化发展制高点，以人工智能创新突破为抓手推进国家的新型工业化发展具有重大意义。产业智能化带来的不仅是局部的成本降低和效率提升，而且是整个产业层面的新价值共创。在智能化转型中构建前瞻性、引领性和可持续发展的智能产业创新生态系统，能够有效应对未来的不确定以及不断变化的新挑战和机遇，并引领产业创新和发展。其主要启示体现在以下几点。

其一，在企业运营战略层次，依托数据与模型相互增强的双驱动力，积极推动人工智能深度嵌入生产全过程，以深度数智化推动更多新业务新场景持续落地，共生共赢，支撑形成有国际竞争力的开放的产业创新生态。

其二，在产业智能化转型过程中，要持续更新产业战略思维。以数智引领新领域新赛道的整体战略谋划，推动智能基础设施升级，发挥算法、算力、数据协同驱动的潜力，推动人工智能和大数据深度嵌入生产过程，以共生共赢的合作开放理念，营造数智创新生态圈，释放智能化的创新潜能。

其三，聚焦中国特色产业场景，有效推动产业智能化，促进人工智能新技术和产业创新管理形成有效动态互动，引导各类产业组织架构转型，构建共享型组织架构，充分利用数字经济优势实现跨时空的资源分享，提高资源配置效率。同时，持续加强数据要素基础制度建设和治理体系建设，深入实施“数据要素×”行动计划，在重点领域加强产业数据要素价值创造的路径探索和试点示范。总之，只有深入探究产业智能化的规律与趋势，把握人工智能新科技革命浪潮的挑战与机遇，才能在更高起点更大空间塑造高质量发展的新动能新优势。

参考文献：

［1］ 郭凯明.人工智能发展、产业结构转型升级与劳动收入份额变动［J］.管理世界，2019，35（7）：60-77，202-203.

［2］ 刘灿雷，张静，高超.中国产业智能化与智能产业发展：政策驱动视角［J］.南开经济研究，2023（7）：126-145.

［3］ 国家信息中心信息化与产业发展部，京东数字科技研究院.携手跨越，重塑增长：中国产业数字化发展报告［R/OL］.（2020-06-03）［2023-12-25］.https：//www.sohu.com/a/405614733_492538.

［4］ 喻国明，苏健威.生成式人工智能浪潮下的传播革命与媒介生态：从ChatGPT到全面智能化时代的未来［J］.新疆师范大学学报：哲学社会科学版，2023，44（5）：81-90.

［5］ 陈国青，吴刚，顾远东，等.管理决策情境下大数据驱动的研究和应用挑战：范式转变与研究方向［J］.管理科学学报，2018，21（7）：1-10.

［6］ 张贝贝，余江.面向高水平科技自立自强，构建关键产业科技知识管理体系［J］.创新科技，2022，22（10）：19-26.

［7］WENG Y，LIN F.Multimodal emotion recognition algorithm for artificial intelligence information system［J/OL］.Wireless Communications and Mobile Computing，2022：1-9.https：//doi.org/10.1155/2022/9236238.

［8］ 张昕蔚，刘刚.人工智能与传统产业融合创新机制研究：基于对中国智能安防产业创新网络的分析［J］.科学学研究，2022，40（6）：1105-1116.

［9］HUTCHINSON P.Reinventing innovation management：the impact of self-innovating artificial intelligence［J］.IEEE Transactions on Engineering Management，2020，68（2）：628-639.

［10］ 杨飞，范从来.产业智能化是否有利于中国益贫式发展？［J］.经济研究，2020，55（5）：150-165.

［11］ 盛朝迅.数智赋能新型工业化发展［J］.企业家，2023（12）：62-63.

［12］ 张琪玮.中国工程院院士陈鲸：大数据、算力、算法是人工智能应用的基石［N］.中国电子报，2023-11-28（005）.

［13］ ZAHN M V，FEUERRIEGEL S，KUEHL N.The cost of fairness in AI：evidence from E-commerce［J］.Business & Information Systems Engineering，2022，64（3）：335-348.

［14］ 郭尉.知识异质、组织学习与企业创新绩效关系研究［J］.科学学与科学技术管理，2016，37（7）：118-125.

［15］ 李纪琛，刘海建，李润芝.知识异质性对企业创新绩效的影响研究：基于社会关系的调节作用［J］.华东经济管理，2023，37（5）：42-51.

［16］ 王倩，柳卸林.企业跨界创新中的价值共创研究：基于生态系统视角［J］.科研管理，2023，44（4）：11-18.

［17］ 余江，孟庆时，张越，等.数字创新：创新研究新视角的探索及启示［J］.科学学研究，2017，35（7）：1103-1111.

［18］ 李东红，陈昱蓉，周平录.破解颠覆性技术创新的跨界网络治理路径：基于百度Apollo自动驾驶开放平台的案例研究［J］.管理世界，2021，37（4）：130-159.

［19］ 杨勇.数字技术影响产业链内部创新分工的机制研究［J］.科学学研究，2023，41（8）：1495-1506.

［20］ 陈劲，杨文池，于飞.数字化转型中的生态协同创新战略：基于华为企业业务集团（EBG）中国区的战略研讨［J］.清华管理评论，2019（6）：22-26.

Industrial Intelligence： Exploration of Theoretical Mechanism and Chinese Practice

Yu Jiang1，2， Ma Lei3， Zhang Yue1，2

（1.Institute of Science and Development， Chinese Academy of Sciences， Beijing 100190， China; 2.School of Public Policy and Management， University of Chinese Academy of Sciences， Beijing 100049， China; 3.School of Public Affairs， Nanjing University of Science and Technology， Nanjing 210094， China）

Abstract： Grasping the challenges and opportunities presented by the new era of scientific and technological revolution is the inevitable requirement of industrial intelligence， which stands out as a pivotal strategic initiative for China in advancing new industrialization and achieving high-quality economic development. The concept of "industrial intelligence" not only poses fresh opportunities to management research within the Chinese context but also injects new connotations into the exploration of the theory of industrial system transformation in the era of digital intelligence. Hence， in-depth examination of the laws and trends of industrial intelligence， rooted in both a global perspective and China's practical experiences is imperative. This exploration seeks to explore the mechanisms by which industrial intelligence can contribute to the construction of China's modern industrial system. This study emphasizes that industrial intellectualization constitutes a systemic process wherein industrial entities leverage digital intelligent technology to instill intelligence and reshape the industrial system， resulting in a shift in industrial logic. It is not merely a process system aimed at enhancing production and operational efficiency but also an innovation-oriented ecological system. The analytical framework of industrial intelligence follows the logic of "AI breakthrough-driven transformation-co-creation of value." It delves into the novel principles and regulations governing enterprise operations at both the strategic and industrial ecological levels. The deep integration of artificial intelligence and manufacturing industry are promoting the development of our new-type industrialization. This research underscores several key findings： firstly， the infusion of "intelligence" into the industry reinforces the enabling role of "digitalization" in industrial development， representing a new stage in the evolution of industrial digitalization and will trigger the new logic of industrial innovation and development. Secondly， the industry's "intelligence" enhances the innovation capabilities of enterprises through knowledge integration， independent decision-making， precise matching and others. Thirdly， the "intellectualization" of the industry propels the full integration of industrial boundaries， accelerates inter-industry penetration and reduces the original industrial barriers， not only promotes the rapid development of industrial intelligent ecology， but also continuously promotes the generation of new business forms.

Key words： industrial intelligence; AI; innovation ecosystem; industrial ecology

（欄目编辑：邵冰欣）

收稿日期：2024-01-02

基金项目：国家自然科学基金重点项目“我国核心信息技术创新规律与创新体系研究”（NSFC71834006）；国家自然科学基金重点项目“数字技术创新机制、突破路径与政策体系研究”（NSFC72334007）；国家自然科学基金青年项目“从追赶到后追赶：核心信息技术产业新兴创新生态系统培育路径与政策研究”（NSFC72104227）。

作者简介：余江（1969—），男，博士，研究员，研究方向：数字科技与产业创新战略;马蕾（1965—），女，博士，教授，博士生导师，研究方向：技术创新管理与政策、数字创新生态系统；张越（1988—），女，博士，副研究员，研究方向：产业创新管理与竞争战略。