让人工智能赋能组织知识创新

人工智能是一项持续发展演进的突破性技术，其能力阈值还在不断提升。可以肯定的是，它将对企业知识创新产生重要影响，尽管我们目前对其影响方式、影响程度所知尚浅。本文将从企业知识创新的特征、人工智能技术的特性及两者之间的关系入手，探讨企业如何构建AI能力以提升知识创新水平和能力。

企业知识创新

知识创新有突破式创新和渐进式创新之分。采用突破式创新，企业通常要突破或跳出原有的认知模式、知识边界、技术轨迹、能力体系和商业模式，从熟知的体系跳到新的体系当中；要进入新的思维状态和探索路径，通过发现新知识、采纳新技术来构建新能力、创建新模式，其间要经历搜索、探寻、试验、发现和改变等活动；要在开放、不确定和模糊的环境中乐观预判、勇于挑战、积极试错、承担风险并包容失败。

突破式创新具有很大的价值，但要真正实施并不容易，主要有四个方面的挑战。一是不确定性高。突破式创新在技术方向、技术选择、技术价值及投资回报上均具有不可预测性，有可能成功，也有可能失败。二是探索周期长。从创意产生、实验室研发、工程化生产到市场接纳，突破式创新要经历漫长的时间。三是发散性涌现。突破式创新通常以创新思维和创意为起点，而创意是在长期探索中偶然“涌现”或意外激发的。四是阻力重重。突破式创新是在成熟的技术体系之外寻求发展空间和上升曲线，是在传统赛道之外的探索，因此，常受到主流体系的质疑与怀疑。五是投入巨大。突破式创新需要长期大量投入才能推行下去，是人才、知识、机制和体系的较量，更是资源、耐力和耐心的较量。

渐进式创新是目前大多数企业采用的创新类型。它是在现有技术、知识、产品和运营体系内进行持续改良、优化和升级，强化现有技术体系、产品品质和能力体系，以此提升效率，提高竞争门槛，打造护城河。渐进式创新非常重视整合、共享和利用已有知识，注重吸取经验教训，在精益管理中追求卓越。

采用渐进式创新的企业通常会通过一系列精细化、规范化、标准化、数字化的活动来提升现有产品的品质和运行体系的整体效率与效能。渐进式创新主要有四个方面的特点。一是整体稳定，局部改善。渐进式创新要求尽可能降低不确定性，这就需要在整体方向和架构上保持一致性、稳定性和系统性，在细节上发现不足并持续改善优化。二是小步快跑，持续迭代。渐进式创新以提升竞争力为核心，对标最佳企业和最佳产品，短时间内取得成效。这需要企业小步快跑、快速试错，持续迭代和闭环验证。三是聚焦目标，压强原则。渐进式创新针对明确的指标进行纠错和改善，并尽可能地在特定指标上做到极致，真正做到专精特新。四是持续改善，精益求精。渐进式创新的目标是在特定产品与体系运营中出类拔萃，卓越非凡，因此需要做到精益求精。尤其是在制造业中，渐进式创新与精益管理密不可分，在细节上下功夫，在定标比超中超越竞争对手是企业文化的一部分，也是企业的长期策略。

突破式创新和渐进式创新的差异决定了二者有不同的认知需求。

突破式创新是一个从无到有、从小到大、从弱到强的过程，其间要探索大量未知领域，应对各种不确定性、模糊性以及意外事件的发散性涌现等情况。突破式创新要对各类要素进行创造性整合，是人类好奇心、想象力、创造力、价值观、使命感、独立人格、实践智慧和欲望动机的综合集成，要面对各种批评、质疑、挑战和失败，是对人的认知稳定性、实践智慧和耐受力的极限挑战。因此，突破式创新要求企业从现有认知思维框架中跳出来，关注未知领域、感知现实挑战、预见未来趋势、承担变革风险、勇于探索试错，并在知识广度拓展、跨界学习、系统整合和多元协同等方面打造非凡能力。很多企业由于长期专注特定领域，形成了相对稳定的认知框架。在面对可能引发突破式创新的早期信号时，受局部思维、静态思维限制，存在认知盲点和认知缺口，从而有可能错失突破式创新的最佳时间窗口。因此，扩大知识来源的广度、知识获取的速度和知识的差异性、多样性、前瞻性非常重要。

渐进式创新是一个从局部到整体、从有到优、从多到精、从集成到共享的过程，其间要经历去粗取精、从粗到精、由表及里的演化。因此，渐进式创新要求企业以系统思维、整体思维、聚焦思维和探索思维，将既有知识进行整合和共享，在已有能力路径和知识体系内持续深化拓展，兼顾整体性、综合性和专业性，提升知识使用效率。

人工智能技术

1956年，约翰·麦卡锡在达特茅斯学院会议上首次提出“人工智能”（AI）的概念。作为计算机科学的子领域，这一概念已有七十多年的发展历史。简单来说，“人工”指的是人类制造机器或程序来模拟人的智能，“智能”指的是人类的智力活动。对于AI可以在多大程度上模拟和匹配人类智能，仍然存在不同看法。有人认为AI具有分析数据并采取行动的能力，不需要通过编程来控制；有人认为AI具有模仿人类的学习能力，有感知、判断、学习、规划能力，运行过程不需人为干预；还有人认为AI具有对环境的适应能力，能够正确理解外部数据，从数据中学习，从而实现特定目标和任务，在整个过程中不需遵循预定规则或行动准则。

近年来，企业家对于AI的发展更加乐观。例如，谷歌前首席执行官埃里克·施密特最近谈到，AI通过检索系统上下文窗口扩展，从用户提交的文件和问题中获取数据，成为更加开放动态的学习系统；通过智能代理执行更加复杂的任务：具有从文本到操作的能力。埃隆·马斯克则预测，未来五年通用人工智能（AGI）可以拥有人类文明所积累的各类知识，并有可能击败任何领域里能力最强的人。

作为一个动态开放的学习系统，AI可以在很短的时间内处理人类长期积累的海量信息。在这个过程中，机器学习发挥了重要作用。机器学习包括监督、半监督、无监督、强化学习和深度学习。在监督学习中，系统通过带有标签的数据集来训练模型，使其能够对新数据进行预测或分类。每个训练样本都有一个已知的标签或输出值，系统通过学习输入变量和输出变量之间的关系来构建预测模型。无监督学习的目标值不包括在训练集中，系统必须分析训练数据的结构及统计属性，发现数据集中隐藏的模式和结构，通过自动聚类、异常检测和关联挖掘发现问题。半监督学习中既使用标记数据，也使用未标记数据。强化学习不从过去的数据中学习，而是通过接收与外部环境交互的反馈进行学习。深度学习以多层方式从数据中获得结构。与传统机器学习不同，深度学习利用多层人工神经网络来模拟人脑的复杂决策能力，在处理大数据方面表现出色，能够自动从数据中学习特征，特别适用于图像和语音识别，在自动驾驶上有广阔的应用空间。

以ChatGPT为代表的生成式人工智能可以生成和解析多模态媒体与文本，使机器更好地理解世界，更轻松地与人类交流。没有编程技术的人也可以利用文本或语音指导计算机写作、提炼、翻译、计算、编程、绘图、生成视频等。采用大模型技术的AI具有大规模参数和复杂计算结构，当系统规模和复杂性达到一定程度时，会涌现一些新的、不可预测的特性或行为。在可预测的未来，通用人工智能将具有强大的类人智能及学习、适应能力，并在处理多任务和适应环境过程中不断生成新的能力。

人工智能赋能知识创新

目前，AI仍在不断迭代发展，可以预见的是，未来它对创新速度、创新拓展和创新意外必定会产生深远影响。对于企业来说，将AI的技术特征和能力与企业知识创新需求结合，对构筑知识创新能力十分重要。如生成式人工智能、强化学习和无监督学习的开放性、交互性和探索性特征，是突破式知识创新的有力支持；监督学习和半监督学习中人工参与的前期处理和结构控制，是企业内部渐进式学习的有效路径。与以人为核心的创新体系相比，AI有可能从多个方面赋能突破式知识创新和渐进式知识创新。

人工智能赋能突破式知识创新

第一，获取全景知识。人工智能技术的独特价值在于其对多模态数据的采集、加工、处理和检索超过所有搜索引擎和数据库，既能获取企业内部的管理信息系统数据、供应链交易数据等，也能获取外部互联网、社交媒体、新闻媒体和社会各界发布的信息。因此，在对特定概念进行分析时，有机会获取尽可能多的特征值，从而更准确地展现全貌。企业通过文本、图像、语音识别等技术，通过聚类、降维、深度学习等方法，辅以社会网络、网络计量分析等方法，针对特定领域数据的网络结构、拓扑结构和动态演化进行分析，即可获取超越个人的全景式知识，从而对突破式创新所需的关键要素获得比较全面的认识。

第二，获取跨界知识。知识创新是一个充满活力、复杂、多元、隐性的过程，特别是突破式创新，通常是在前沿领域探索与试错，发现的知识珍贵而稀缺。采取突破式创新的企业要不断扫描、知悉新政策、新对手信息和新技术苗头与走向，这些信息可能跨越既有知识边界，在现有知识来源中也难以获得。借助AI处理海量数据，企业可以快速从各种渠道中找到蛛丝马迹，借助AI的知识涌现获得有意义的发现，从中受到启发。对于创新者来说，跨界学习已经成为有效感知变化和学习的关键能力，企业可以借助AI的智能检索、智能生成和智能推荐技术，使跨界知识的获取变得更容易，从“人找知识”变成“知识找人”。

第三，获取理性知识。在企业创新实践中，受岗位、经验、专业、时间等因素影响，人们的认知结构容易固化，形成认知盲点，造成各部门、供应链各成员的沟通协作成本变高。企业可以开发共享专业语义库、知识图谱、智能问答、数字样机等工具，帮助参与者消除认知盲点，就特定概念和语义达成共识，减少歧义和混乱。同时，AI以有效方法处理海量数据，以可视化方式辅助管理决策，从数据视角揭示问题真相，可以减少管理人员仅凭直觉、局部信息以及受部门利益羁绊做决策的行为，使其能够更理性地决策并提高决策质量和速度。

第四，获取知识洞察。AI最重要的价值之一是解锁隐藏在大量数据中的洞察力和潜在模式，呈现人们难以发现、甄别和解读的事实和风险。借助AI能发现仅凭人的经验无法触达的知识广度与深度，从而提高创新的精准度。对外，企业可以解码竞争对手发布的文档，获取对方的重要信息；可以通过解析网络信息了解客户结构、诉求、社交媒体偏好等，从而进行精准营销；还可以借助自然语言处理和机器学习等工具评估市场新闻的真假，甄别潜在欺诈风险和安全漏洞。如果企业能够借助AI获取稀缺洞察和真知灼见，并有针对性地采取竞争举措，就有机会驾驭复杂竞争环境构造的“黑箱”，知己知彼获取独特的竞争地位。

人工智能赋能渐进式知识创新

第一，获取精益知识。从知识创新的深度上看，企业可以借助深度学习的多层结构、自动特征提取和高效的大数据处理能力，不断分解信息的颗粒度，从产品和运营的精微之处获取数据，从中发现问题之后，设定相应指标，通过动态检测、闭环衡量和持续改善，做到精益管理和持续优化，在品质检测、风险防范、产品追溯上做到全生命周期管理和全时空无休。

第二，实现知识自动化。知识自动化指利用机器学习技术以自动化方式处理和管理知识的过程。知识自动化可以帮助企业和个人更高效地获取、整理和应用信息，关键应用领域包括自动化文档处理——自动提取和分类文档中的关键信息，智能搜索和客户推荐——根据用户的兴趣和行为提供个性化的搜索结果和推荐。数字员工、客户服务自动化、聊天机器人和虚拟助手等均是知识自动化的应用。

第三，赋能产品创新。AI对产品研发和优化也有很大价值。在生物医药领域，AI在病人诊断、药物发现和医生助手等方面都可以大有作为。以药物发现为例，AI不仅能够提高生物制剂研发的成功率和速度，还能增加生物制剂的多样性。

第四，赋能流程优化。AI模型嵌入流程中可以助力企业发现衡量现有流程的量化指标及流程设计中的缺陷，还能对标竞争对手找到流程差异。AI还可以通过共享设计、共享图纸和数字样机，让供应链上的合作伙伴实现标准化操作，从而加速供应链运营；通过自动检测发现缺陷和质量问题，提升整体流程的效率。将AI模型嵌入硬件和业务流程中能够改变物理对象的运行状态和效率。嵌入硬件设备中的AI模型可以指挥、调度和支配硬件设备的运行和操作，助力人或机器人进行操作、检测和管控，提升设备性能、精准度、成本和带宽。

人工智能赋能突破式与渐进式创新的整合

大多数企业并非单独从事突破式创新和渐进式创新，而是对两者进行高效整合。因此，在AI布局和使用时，需要综合考量两者的需求。

在突破式创新上，一方面，AI可以助力企业产生突破性战略创新。企业在战略扫描和战略制定时，可以借助AI在全景知识、跨界知识、理性知识和知识洞察方面获得裨益。另一方面，AI可以助力企业推进突破性市场创新。企业借助AI处理和学习客户数据，对客户进行细分，以全新方式了解客户偏好和生活方式，并通过数字员工提供一对一的营销服务以改善客户体验，实现更精准的营销。在客户需求和行为发生变化时，通过AI系统重新对其进行细分，更有效地更新营销策略。

在渐进式创新上，AI赋能管理运营体系创新。企业可以通过精益知识、知识自动化、AI驱动的产品创新、AI赋能流程优化等，生产出高质量或物美价廉的产品，形成市场竞争力。

在对AI价值的讨论中，一个关键并充满争议的话题是AI是否会替代人类在创新中的智力活动。在突破式创新中，创意和想法的产生、知识的有效利用，通过分享知识激发创造力，用知识创造性地解决问题，通过多种知识的融合打造竞争优势等活动，人类都具有主导性，AI目前还无法替代。因此，我们构造了AI赋能的突破式和渐进式知识创新的“哑铃模型”，将人的作用和AI的作用进行区分，对突破式创新和渐进式创新的知识活动进行分解（见图1）。在突破式创新中，人类提出知识需求、推动知识利用、加强知识共享、促进知识创造和打造知识优势，发挥主导性作用；AI提供全景知识、跨界知识、理性知识和知识洞察，发挥辅助作用。在渐进式创新中，AI凭借检索信息的速度、广度和深度优势，助力人类进行高效的知识扫描、知识获取、知识筛选、知识处理和知识生成，通过精益知识、知识自动化、赋能产品创新和流程优化，给企业带来新的竞争优势。

人工智能赋能组织知识创新能力模型

野中郁次郎教授在《创造知识的企业》一书中，基于大量的企业案例研究，提出了著名的隐性知识与显性知识转化的SECI模型。参考其框架，笔者提出AI赋能组织知识创新能力的“SECI模型”（见图2）。模型由AI战略（Strategy）、AI执行（Execution）、AI能力（Capability）和AI实施（Implementation）四个要素构成。

AI战略

根据企业知识创新的战略目标和现实痛点，企业在部署AI能力时，需调研并明确核心需求和要解决的问题，并从竞争视角考察其战略意义。在激烈的国际科技竞争中，企业的竞争优势源自其拥有的资源和能力，数据是战略资源，AI是战略能力。

领导人对AI价值的理解，对打造AI环境、构建数据基础、基于数据赋能企业决策和创新至关重要。AI治理要解决企业战略与AI战略，信息化、数字化部门与业务部门的匹配、沟通和协作问题，还要在组织层面确定AI工具的开发、使用、安全和隐私等。绩效指标需要考虑AI投资能带来的潜在收益以及降本增效等问题。

这一环节以领导团队与部门的协调沟通为主，隐性知识是主导性的知识模式。

AI执行

要在组织中成功部署AI，需要具备三个要素：丰富且高质量的数据集、算法和算力。企业实施AI战略，需要将AI与数据、算力和企业人才、知识、规则、流程等整合在一起。

数据质量关乎AI能否提供可靠的值得信赖的预测，数据质量低，AI提供的洞察与预测就很值得怀疑。例如，很多企业的专有数据经常出现数据不规范、不标准、完整性不足、来源混乱、条目不正确、时效性差等问题，导致AI预测有误，从而使企业贻误“战机”。企业要根据创新需求选择特定算法，有针对性地解决突破式和渐进式创新中的现实问题。算力与芯片、数字基础设施和电力有关。

这一环节是将组织资产与活动数字化的过程，是从隐性知识转化为显性知识。

AI能力

AI能力是将技术与业务进行深度融合，并为企业员工创造价值的能力。在AI能力建设中，人才是最关键的因素。大多数企业选择与AI公司合作，但企业内也需要有既懂创新业务又懂AI的人才。方法论指企业将AI与创新业务融合时采取的流程、工作方法和知识管理能力。开发过程是企业整合内外部人才协同开发算法的路径与实践。优化指企业利用AI赋能创新活动时不断优化算法的闭环与绩效指标。

这一环节是利用AI从大数据中挖掘发现模式规律。一方面，AI和业务团队开发迭代算法，另一方面，利用算法在大数据中进行分析挖掘，因此是显性与隐性知识交互组合的过程。

AI实施

AI应用可以分为自动化AI和增强AI两类。自动化AI指取代人类工作的AI系统，增强AI指AI提供有助于决策的洞察力来增强人类智能。企业推广应用AI并非轻而易举，面临几个障碍。

首先是人与AI的信任。人工智能无法像人类那样体验情感，也不具有同理心，加上AI（特别是生成式人工智能）目前还存在信息幻觉（编造虚构或荒谬的答案）、信息偏差等问题，其可靠性需要较长时间来验证。其次是决策主导权。在创新活动中，专家基于长期积累的知识和经验来进行预测和判断，AI则是基于数据集进行预测判断，当两者出现差异时，如何判定哪一方更可信，如何协调两者权重成为问题。最后是商业模式。参照企业AI战略阶段设定的绩效指标，评价和衡量AI对中短期商业价值和中长期竞争优势的影响。

在这一环节，AI生成的信息不断赋能人的决策和创新，AI与人的交互展现为显性知识不断内化为隐性知识，并最终升级为更高级的隐性知识的过程。