人工智能創新生態系統中的技術互補與協同創新

摘要：人工智能技術的廣泛應用催生了以AI創新應用為導向的企業創新生態系統。數字平臺賦能互補者創新研究多從平臺模塊性、邊界資源開放等視角展開，缺乏對互補者與平臺企業創新要素復雜協同關系結構的考察，構建“要素—過程—績效”框架研究平臺企業賦能互補者協同創新的內在機制和作用路徑。首先，采用社會網絡分析法對隱含在協同創新活動中的技術組件互補關系進行建模和分析；其次，采用數據驅動的NK模型對互補者協同創新過程進行建模和仿真，探究技術相互依賴對生態系統協同創新績效的影響；最后，基于百度大腦AI開放平臺實例研究和仿真實驗，發現互補者通過組件策略嵌入生態系統所形成的技術相互依賴水平負向影響協同創新潛力，并且系統中核心組件比例（C-Ratio）越高，協同創新績效越低。據此，提出平臺企業協調創新生態系統各類參與者資源及賦能平臺創新活動的對策建議。

關鍵詞：企業創新生態系統；數字平臺；協同創新；NK模型；社會網絡分析

中圖分類號：F114.3

文獻標識碼：A

文章編號：1001-7348（2025）03-0014-13

0 引言

在數字經濟快速發展背景下，人工智能（AI）成為推動產業變革的關鍵技術，其融合了技術、商業和社會屬性。2017年，國務院發布《新一代人工智能發展規劃》，將AI提升為國家戰略。作為通用技術，AI具有廣泛的應用場景、持續的改進潛力和引發互補性創新的能力。在AI產業化進程中，技術領先企業通過搭建數字平臺，構建由不同參與者共同創新和共享價值的生態系統。在這種“平臺+參與者”模式下，平臺企業轉變為賦能者，利用核心組件和邊界資源產生網絡效應，吸引互補企業參與協同創新。互補企業與平臺企業形成協同增效關系，這種互動、協同創新模式不僅能提高生態系統創新效率，還能促進AI產業發展。

企業創新生態系統圍繞協同創新獲得的最終產品或解決方案運行。在面向AI創新應用的生態系統中，創新產出由源自不同創新主體的技術組件通過有效組合和互補實現價值創造，體現為通用性技術與互補性技術資產重組和互補的創新過程。協同創新作為一種整合多個創新主體和多種創新資源的組織形式，依托數字平臺開放式創新情景，由于創新主體資源開放性和技術組件多樣性，協同創新不同程度地存在諸如同生態位互補者競爭、焦點企業與互補者競合以及通用技術與專用技術重組等問題，這些復雜交互特征不僅影響創新主體生態策略和績效，還影響整個生態系統運行效率和可持續發展^[3]。因此，平臺企業作為生態系統領導者，需要協調各創新主體與創新要素之間的復雜依賴關系，進而促進協同創新開展^[4-5]。

當前，關于平臺企業促進生態系統協同創新的研究主要聚焦“補貼”和“模塊化”兩類平臺協調機制，分別集中在定價策略和系統架構設計兩個方面。這些機制將參與者視為外生、被動的接受者，忽視了生態系統內部自組織之間的互動，以及不同創新主體或要素異質性和復雜性對創新效率的影響^[5]。相關研究多基于資源依賴理論和復雜網絡理論，從創新主體間復雜關系網絡視角出發，聚焦平臺企業如何治理主體間關系進而管理創新生態系統^[6-8]。從技術視角看，數字平臺生態系統由焦點創新所需組件和互補組件構成，是為最終用戶提供一致價值主張、由模塊化結構和協調機制（如標準接口）組成的復雜系統^[1]，但關于不同創新參與者技術組件如何實現互補協調的研究較少。基于此，本研究聚焦平臺企業如何管理和協調與互補企業之間的技術依賴復雜性問題，綜合運用創新生態系統理論和協同創新理論，采用數據驅動和仿真建模方法探究復雜技術依賴與協同創新之間的邏輯關系，以期為平臺企業賦能互補者創新及生態系統良性發展提供相關建議和參考。

1 理論回顧與研究框架

1.1 企業創新生態系統內涵與特征

企業創新生態系統是指焦點企業以自身為核心主體，利用數字技術提供核心組件和邊界資源，賦能各類參與者協同創新，實現價值共創共享的創新生態系統^[1]。創新生態系統以提高系統協同創新績效為目標，以增強創新生態系統協同創新潛力為核心，通過系統成員間的密切合作與眾多創新要素間的協同作用，完成創新生態系統技術或產品從創新產生至技術擴散的整個過程^[13]。其中，焦點企業主導創新生態系統核心組件和邊界資源構建，創新參與者借助自身異構性資源和邊界資源接入生態系統，利用焦點企業提供的核心組件進行互補式創新，并在生態系統中占據特定生態位。隨著異質參與者的進入，企業創新生態系統逐漸演化為多種要素構成的動態復雜系統。

互補性是創新生態系統的核心特征。Teece^[14]在PFI框架中強調互補性資產與核心技術的綜合性應用，其中互補性技術是互補性資產的一項重要內容，是指從焦點創新中獲取其它技術或技術資產，側重于創新價值獲取。關于互補性技術，有學者將其定義為兩種彼此相關但屬于不同類別的技術，包括獨特互補性和超模快化互補性。其中，前者是指兩項技術無法獨立發揮功效；后者是指兩項技術之間可以促進對方功能實現或價值提升。在生態系統中，互補性技術可視為解決同一問題的不同模塊，技術組合可以創造更多價值^[15]，同時也存在價值創造的相互依賴性^[16]。在產品創新視角下，技術互補強調依靠平臺企業與參與者間的互補性技術提高產品功能、完成價值創造和獲取，產品技術性能依賴于互補性技術所提供的功能特性。因此，焦點企業需要協調互補性技術相關活動，對技術相互依賴性進行治理，典型的治理形式包括技術模塊化和標準化（張幃等，2023）。

互補性技術由生態系統互補者提供，他們與焦點企業形成獨特互補關系，這種互補關系包括交易互補和創新互補兩種^[15]。其中，前者是指兩種產品或服務缺一不可，否則將無法運轉并有可能導致價值損失；后者是指兩種產品或服務一起創造出比各自更大的價值。互補性更關注價值創造，與互補性相伴的相互依賴關系則更關注價值獲取。從資源對組織的重要性和不可替代性角度看，由于平臺企業控制核心組件和標準接口等關鍵資源，與眾多互補者和用戶交互產生網絡效應，導致平臺企業相對于互補者更具資源優勢，更能形成傾斜的非對稱依賴關系，因此如何平衡平臺企業與互補者之間的依賴性及價值獲取關系，不僅影響互補者生態戰略決策，也關乎平臺企業發展。資源依賴理論強調參與者需要采取相應措施降低依賴，通過約束吸收活動賦予控制資源的權利，重構依賴關系^[9]。可見，現有研究主要聚焦平臺企業如何構建生態系統架構以及平臺參與者如何“解耦”互補和依賴關系展開^[9，17]。

1.2 平臺生態系統分工與協調

企業創新生態系統依托數字技術建構服務型數字平臺^[2]，并采用全新的商業創新邏輯及價值創造路徑為參與者賦能。然而，不同學科視角對數字平臺（以下簡稱“平臺”）概念及內涵的闡釋不同，如表1所示。

經濟學視角將平臺視為多邊市場，強調多邊網絡效應。技術管理視角將平臺描述為一種由核心組件和外圍組件構成的模塊化架構^[21]，通過標準化界面、接口協調產品創新模塊化分工。組織視角強調平臺作為一種新的組織形式，通過協調治理平臺中的雙邊或多邊網絡使平臺形成一個和諧整體。參與者以符合平臺共同價值主張的要求進行價值創造，采納平臺核心技術開展協同創新，但在價值分配上存在組織間相互依賴關系。在生態系統視角下，平臺被視為社會要素與技術要素的集合。鑒于學界對平臺本質的理解存在異議，國內學者認為可從分工與協調視角詮釋平臺的本質特征^[24]。換言之，平臺所有者、平臺互補者和其他參與者之間通過分工協作實現價值創造。在超模塊分工的基礎上，平臺所有者通過制定規則構建創新協調機制，營造分布式創新環境。在創新協調機制下， 平臺所有者為平臺互補者創新提供工具和資源支持，平臺互補者使用這些工具和資源與平臺所有者進行協同創新^[24]。可見，平臺生態系統由承擔不同分工的多邊、非通用互補性關系且不受層級制控制的平臺所有者、平臺互補者和其他類型參與者構成，并由平臺所有者協調價值創造和分布式創新。

1.3 數字平臺賦能創新

數字平臺作為一種新興的組織形式，引起創新管理領域學者對生態系統內多主體協同創新現象的廣泛關注。協同創新理論包括創新要素中心論、創新主體協同論和協同創新網絡理論等。從創新主體視角看，協同創新是比開放式創新更復雜的一種組織方式（陳勁等，2012）。在國家或區域層面，協同創新涉及企業、政府、知識生產機構、中介和用戶等多元主體的大范圍整合，通過網絡創新產生非線性效應。從過程視角看，協同創新是創新主體要素系統優化和合作創新過程，包括整合和互動兩個維度。其中，“整合”包括知識、資源、行動和績效；“互動”包括溝通、協調、合作和協同^[14]。隨著創新向系統化、網絡化方向轉移，協同創新涉及多層次、多組織、多階段和多種創新要素的動態復雜活動^[18]，目標是實現資源共享、知識傳遞、技術擴散和創新產出。

平臺企業在賦能創新方面扮演著關鍵角色，數字平臺賦能創新本質上是一種協同創新。現有研究通常從平臺模塊性、分層性與邊界資源動態性等角度探討其對互補者創新行為和過程的影響。邊界資源（如APIs和SDK）作為平臺企業與互補者互動的接口，平臺企業可通過開放或修繕這些資源提升自身功能和控制互補者創新^[17]。平臺企業通過技術架構設計控制組件接口和創新活動流^[6，10]，但在眾多由異質參與者構成的創新生態系統中，技術組件間呈現復雜且動態的相互依賴結構，這些相互依賴結構在經濟價值和創新速度上存在差異^[11]。盡管有學者關注平臺企業與互補者之間的協同效應^[25]、生態系統參與者創新網絡特征^[7，9，26]等，但對平臺企業和互補企業兩類創新主體間技術互補及協同創新過程的研究較少。

1.4 研究框架

創新生態系統作為企業創新管理的新范式，為研究協同創新網絡化模式及影響機制提供了基礎。本文認為，企業創新生態系統協同創新既包括創新主體協同模式，也涵蓋創新要素間的協同結構，還體現為互補者與平臺企業間的協同創新過程。資源和知識分工不同，平臺企業和互補企業的生態策略也不同，前者通過開放核心組件和邊界資源掌握控制權，而后者則通過瓶頸策略或互補組件策略參與生態系統，形成資源依賴。雙方在協同創新過程中各取所需，在相關知識、技術等要素上實現互補。

本研究通過構建“要素—過程—績效”框架，分析不同創新環境下平臺企業與互補者協同創新的內在機制和作用路徑。其中，“要素”是指生態系統中的技術組件，包括平臺企業核心技術組件和互補者技術組件（互補組件）；“過程”是指互補者通過嵌入生態系統，搜索和采納平臺核心技術組件，組合自身互補組件實現創新；“績效”是指通過數字平臺賦能創新，通過異質創新主體技術組合發揮協同效應。本文研究過程如下：①數據采集與預處理。采集企業創新生態系統中的創新活動數據，識別和編碼互補者創新采用的技術要素；②網絡建模與分析：構建表示技術要素相互依賴的網絡，并分析其結構特征；③數據驅動NK模型建模與仿真：設定NK模型參數，模擬生態系統中的協同創新環境，并探索不同創新環境下的績效差異；④管理啟示：基于仿真實驗結果對企業創新生態系統運行提出理論命題，揭示復雜技術依賴與協同創新之間的邏輯關系。通過構建研究框架，旨在幫助平臺企業更好地管理和協調與互補企業之間的技術依賴關系，揭示復雜技術依賴與協同創新之間的關系。

2 模型與方法

2.1 技術組件依賴網絡模型

生態系統組成部分之間的相互依賴關系可采用網絡模型進行描述和分析^[27]，網絡模型一般用 GV，E表示。其中，V=v1，v2，…，vn表示網絡節點集，由網絡中n個節點組成；式vi，1≤i≤n；E=e1，e2…，em 表示網絡邊集合，也稱為關系集，由m條邊組成，式中 ei，1≤i≤m。網絡鄰接矩陣A是表示圖的一種方法，由M行N列組成，矩陣中元素aij表示vi與vj之間存在連接（用1表示）或不存在連接（用0表示），如式（1）所示。

AMN=a11…aMNaM1…aMN（1）

社會網絡分析法（SNA）是對因素網絡關系進行量化分析的一種研究方法。社會網絡是社會行動者及其關系的集合，被定義為一個或多個有限行動者（如人、組織或其他社會實體）及其關系，其中節點即行動者，行動者之間的關系用連邊表示。通過梳理“互補者—技術組件”關系構建“2-模”網絡，即描述M個互補者與所采納和貢獻的N個技術組件之間的關系。利用矩陣算法投影得到兩類“1-模”網絡，即獲得技術組件鄰接矩陣T=A^TMN×AMN，如圖1所示。

2.2 技術組件依賴網絡特征

本文從節點、社群和整體網絡不同維度進行社會網絡分析，應用于技術組件依賴網絡的指標與解釋如表2所示。在節點層面，節點中心性和邊的權重反映節點創新性和經濟價值，這些指標能幫助識別系統瓶頸組件。在網絡層面，主要考察生態系統中的技術組件數量及其相互依賴關系，以及中心化、集聚化程度。在社群層面，主要識別網絡中存在的社群結構特征。模塊度概念及最大模塊化算法可用以檢測技術組件依賴網絡中的模塊劃分。E-I指數可用以衡量群組內外連接比例，反映技術組件依賴網絡結構的分離程度，即平臺企業和互補者兩類創新主體組件的相互依賴分派程度。

2.3 協同創新NK模型

NK模型（Kauffman，1993）最初用于研究生物進化過程，通過模擬基因變化分析系統演進。這一模型將生物演化視為在三維崎嶇景觀中的基因遷移過程，其中生物內在基因動力與外在表現之間的非線性關系通過系統適應度表示。NK模型因對復雜系統內非線性關系的刻畫，成為分析復雜性影響創新績效的有效方法^[29]。在企業創新生態系統中，互補者通過結合核心技術組件與互補組件形成最終產品和服務，類似于生物體的基因組合。本文將協同創新產出的產品或服務抽象為由N個技術組件組成的生態系統，包含核心組件（p）和互補組件（c），形成lt;P，Cgt;的配置。組件間技術相互依賴水平由K表示，即每個組件與K個其它組件間存在關聯關系。每個組件有兩種狀態——使用或不使用（用0和1表示）。不同于基礎NK模型，考慮到創新主體間的組件互補性和創新價值差異，假設不同創新主體組件對創新績效的貢獻不同，即代表企業創新生態系統內協同創新績效的系統適應值由各組件的加權平均貢獻計算，如式（2）所示。其中，fi為技術組件i對創新績效的貢獻度，服從[0，1]均勻分布，wi為組件i的貢獻權重。

F=1N∑Ni=1wifi，i=1，2，…，N，fi～U（0，1）（2）

為區分不同創新主體組件占比，本文用C-Ratio表示核心組件在生態系統中的相對比例，即pp+c或pN。生態系統強調技術相互依賴，既需要核心組件提供基礎設施和核心功能，也需要互補組件補充實現創新獲利，但關于C-Ratio保持在何種水平更有利于協同創新仍有待驗證。表 3列出了協同創新NK模型的有關參數。

由于每個技術組件對系統創新績效的貢獻受其它組件影響，因此導致協同創新績效景觀復雜程度不同。在“光滑”的創新環境中，創新主體更容易通過技術調整找到最優解，而在“崎嶇”的環境中，創新過程可能會陷入局部最優，從而限制創新績效提升。

NK模型文獻常將景觀崎嶇程度視為局部峰值的數量或密度^[26]。本文采用由不同技術組件形成的適應度景觀崎嶇值反映生態系統協同創新潛力，通過匯總2^N個組件配置的協同創新績效生成不同崎嶇程度景觀測量值，如式（3）所示。

生態系統協同創新潛力=1峰值密度=景觀尺寸局部峰值數量（3）

協同創新潛力是指生態系統創新績效提升的難易程度，與各技術組件的相互依賴結構緊密相關。這種潛力并不直接等同于實際創新績效，而是與創新過程中的價值創造變化能力相關。協同創新績效反映企業創新效率，以及與外部參與者的創新合作效果。在創新生態系統中，協同創新的最終目標是為用戶提供一致價值，如通過共同演化、競爭和專業化等方式獲得的創新產品或服務。

3 案例分析：百度大腦AI開放平臺

百度大腦AI開放平臺（下文簡稱“百度大腦”）是由百度公司主導構建的提供人工智能（AI）技術的服務平臺。百度大腦自2016創立以來，經過幾次架構調整，包括2018年建立AI市場子平臺，2019年發布生態伙伴合作計劃，逐漸演變為集百度智能云平臺、智能駕駛Appolo、融合AI技術創新與產品交易的混合多邊平臺。百度大腦實施模塊化策略，將AI技術系統拆解為多個子系統；同時，引入多元化定價機制，包括固定定價、階梯定價和限時免費試用等，降低進入門檻，增強伙伴參與協同網絡的積極性，促進生態系統創新。截至2023年，累計開放30種AI核心技術、270多項AI能力，吸引來自工業、零售、教育、醫療等行業共150家生態合作伙伴，這些生態伙伴利用AI技術組件進行產品或服務創新（見圖2）。

3.1 數據采集與預處理

百度大腦公開信息為研究協同創新提供了數據支持。例如，迪威泰公司結合百度大腦人體識別、人臉識別技術與攝像頭硬件提出智慧門禁產品方案，并利用百度阿波羅疲勞駕駛監測算法開發司機行車安全預警系統。圖3展示了百度大腦創新生態系統中合作伙伴數量和互補組件數量增長情況。為深入探索AI生態系統中技術互補性對協同創新的影響，本文使用Python爬蟲程序從百度大腦網站中收集生態伙伴信息，包括行業類型、產品或服務領域、AI技術采納等。經過數據清洗，共獲得158家互補者信息和160項技術組件（包括30項核心技術和130項互補技術）。最后，基于對“成功案例”文本的分析，識別并提取“互補者—技術組件”關系矩陣。

3.2 技術組件依賴網絡分析

3.2.1 技術組件依賴網絡可視化

百度大腦生態系統“互補者—技術組件”網絡如圖4所示。網絡由318個節點組成，包括158家企業、160種技術組件和869條邊。網絡密度為0.017，表明網絡凝聚性較低。核心組件節點平均度為11.7，互補組件節點平均度為3.98，表明每個核心組件平均被12家互補企業使用，而每個互補組件平均由4家互補企業提供，提供相同技術組件的互補企業在生態系統中占據相同生態位。例如，“攝像頭硬件”度為34，意味著有34家企業提供此組件。而度值較高的技術組件，如“門禁閘機硬件”和“人臉識別技術”有可能成為生態系統中的專有技術或瓶頸技術。

從網絡構成看，有近80%的合作伙伴將自身產品與百度大腦AI產品相結合，提供整合AI技術的行業解決方案。硬件集成技術互補企業占比較小，這些企業主要提供定制研發、生產和組裝AI硬件產品或技術組件，如AI芯片、板卡、傳感器模組等。還有個別合作伙伴提供培訓和數據服務。每家企業平均采納1.9項核心組件和3.63項互補組件，從而依托技術互補形成協同創新網絡。

3.2.2 技術組件依賴網絡整體特征分析

對“互補者—技術組件”二模網進行投影，得到技術組件依賴網絡，如圖5（a）所示。本文從160項技術組件間識別出1 203對技術相互依賴關系，技術組件依賴網絡密度為0.09，網絡平均度為15.04，點度中心勢為0.872，說明網絡較為稀疏，存在高點度中心性的瓶頸組件。此外，網絡平均節點聚類系數為0.77，說明網絡具有較強的集聚效應，即多項技術組件通過組合實現協同創新。網絡中的邊表示技術組件所形成的技術相互依賴關系，邊的權重代表互補性強度。當篩選出互補性強度高于3的技術組件依賴關系時，網絡核心組件比例增加，網絡密度上升，但平均度和點度中心勢降低，說明互補性更高的瓶頸組件中心性地位源于核心組件與外圍組件之間的技術相互依賴關系。

3.2.3 節點特征分析

在技術組件依賴網絡中，核心組件與互補組件節點度分布顯著不同。核心組件平均度為25.3，且50%以上節點度小于60；而互補組件平均度為12.6，超過80%節點點度小于20。這表明，核心組件技術相互依賴和重要性程度明顯高于互補組件，約是互補組件的2.2倍。考慮到網絡結構中心化趨勢，核心組件相較于互補組件具有更強的互補性，在協同創新中發揮更重要的作用。例如，在表4節點中心性排名前十的技術組件中，“人臉識別”“人體識別”“理解與交互技術”等作為百度大腦的核心瓶頸組件，與許多其它技術組件組合使用。這些瓶頸組件升級會影響互補組件，從而促進創新績效提升。在互補者方面，如“數據分析技術”“傳感器硬件”“軟件開發技術”等是互補者提供的重要組件。

篩選過濾權重為10以上的邊，得到13個技術組件之間的27對技術組件依賴關系，如圖6所示。“人臉識別”和“人體識別”兩項技術應用高達43次，具有極高的互補性，且“人臉識別”核心組件與多項互補組件協同創新成為關鍵瓶頸組件。進一步，識別出生態系統瓶頸技術組件包括攝像頭硬件、人臉識別、人體識別、物聯網技術、門禁閘機硬件、傳感器硬件、數據分析技術、語音合成、理解與交互技術UNIT、語音識別、軟件開發技術、活體檢測和數據庫技術。

3.2.4 網絡社群特征分析

技術組件依賴網絡分為6個模塊，模塊度系數為0.265。這些模塊由核心組件和互補組件組成，顯示兩類技術間的互補性和相互依賴性。在包含“人臉識別”技術的模塊中，不僅有核心組件如“人體識別”和“活體檢測”間的依賴關系，也有互補組件如“傳感器硬件”和“物聯網技術”間的依賴關系。

為分析核心組件與互補組件間的互補依賴結構，首先計算網絡E-I指數，并與隨機期望進行比較。在保持子群區塊和整體連接密度不變的情況下，隨機分配連接5 000次，計算E-I指數的隨機期望值（見表5）。結果顯示，技術組件依賴網絡的E-I指數為-0.122，意味著同類組件間的互補性略占優勢，但核心組件與互補組件內連程度和外連程度大致相當。在隨機分配情況下，互補依賴的E-I指數為-0.386，與實際觀測值存在顯著差異，表明核心組件和互補組件群組封閉是協同創新過程中自組織形成的結構特征，而非隨機變異。進一步，使用NK模型建模和分析這種自組織形成的技術互補性特征對生態系統協同創新的影響。

3.3 生態系統協同創新NK模型仿真實驗

互補關系E-I指數可提供技術組件依賴結構分離的量化信息，通過調整不同互補關系E-I指數，可設計不同技術間的相互依賴關系，進而生成不同的創新環境。圖7展示了N=16、C-ratio=0.375（p=6，c=10）、K=5時技術組件依賴網絡對應的交互矩陣。如圖 7（a）所示，以E-I指數為-0.8為例，6個核心組件之間存在10對技術相互依賴關系，10個互補組件之間存在26對技術相互依賴關系，即群組內連接IL=36；核心組件與互補組件之間存在3對技術相互依賴關系，即群組外連接EL=3。如圖7（b）所示，當 E-I=0時，核心組件與互補組件的派系林立程度相當。如圖7（c）所示， E-I指數越接近于1，技術相互依賴關系越發生在群體外部，說明核心組件與互補組件間的依賴水平越高，協同創新越能通過異質性知識和技術進行互補。

3.3.1 實驗一：創新崎嶇景觀模擬

在協同創新NK仿真實驗中，首先通過調整技術相互依賴結構特征參數，生成協同創新績效景觀。參考Luo（2018）的創新生態系統景觀仿真模型，設置如下實驗參數：N=16，K=3，4，5，6，wc/wp=2。以1為步長調整核心組件數量，設置核心組件比例（C-Ratio）介于0.25～0.75之間，以0.2為步長調整E-I指數，生成交互矩陣進行適應度景觀模擬，觀察企業創新生態系統協同創新潛力在不同結構特征參數下的變化情況。為確保實驗準確，對每種情況進行模擬實驗200次。

3.3.2 實驗二：協同創新仿真模擬

創新崎嶇景觀代表互補者通過各自組件策略所形成的生態系統組件相互依賴網絡結構，這種結構為互補者協同創新提供了基礎框架。協同創新智能體（代表互補者）被置于創新崎嶇景觀中，通過核心組件和互補組件結合實現技術互補，完成協同創新。創新主體協同創新可視為在含有N個組件的崎嶇景觀中創新主體進行優化攀爬的過程。本研究使用NK模型中的本地搜索方法，模擬智能體通過改變單個組件狀態嘗試達到更高的適應值。尤其是協同創新互補者只能改變互補組件的狀態，而核心組件由平臺企業掌控，在創新過程中發揮錨定作用。根據不同技術組件依賴特征設定協同創新局部尋優時間步長為50步，即每個創新主體在崎嶇景觀中嘗試攀爬50次，測量每個時間步長的協同創新績效，實驗模擬1 000次以獲得充分數據。

3.4 仿真結果分析與討論

3.4.1 技術相互依賴水平（K）對協同創新的影響

在實驗一中，通過調整技術相互依賴水平（K）、核心組件比例（C-Ratio）和互補關系E-I指數，生成不同的協同創新績效景觀。如圖8所示，當K值增加時，協同創新潛力呈下降趨勢，即隨著技術相互依賴水平提升，協同創新景觀變得更加復雜和崎嶇。技術相互依賴水平受互補者組件策略的影響。若互補者提供相同互補組件并采納不同核心組件進行組合創新，如生態系統中核心組件A與互補組件B存在技術相互依賴關系，其他互補者也會補充相同互補組件C并結合核心組件A進行創新，則在生態系統組件數量一定情況下會形成新的技術相互依賴關系；相反，若互補者提供不同的互補組件，則在生態系統中會豐富互補組件數量并避免過高地提升技術相互依賴水平。

生態系統協同創新潛力通過協同創新績效景觀崎嶇程度評判。為深入理解技術相互依賴結構特征對協同創新績效的影響，還需通過仿真實驗模擬創新主體在這些景觀中的演化過程。在實驗二中，記錄創新主體在不同K、C-Ratio和互補關系E-I指數組合下景觀1 000次的協同創新仿真過程。記錄協同創新過程最終取得的協同創新績效與初始時間步長的協同創新績效差值，統計協同創新績效改進的平均值分布趨勢。如圖9所示，隨著K值增加，創新績效改進中心趨勢下降，變異范圍擴大。這與Kauffman（1993）的觀點相契合，即系統峰值數量隨著景觀崎嶇程度的增加而增加。這表明，在技術相互依賴性更強的復雜生態系統中，協同創新路徑多樣且不可預測，但潛在創新績效改進空間更大，同時創新績效改進不確定性增加。據此，本文提出如下命題：

命題1：技術相互依賴水平與系統協同創新潛力之間存在負向關聯。隨著技術相互依賴水平的提高，生態系統中協同創新績效改進平均值減少，同時其變異性或離散程度有所增加。

3.4.2 核心組件比例（C-Ratio）對協同創新的影響

在實驗二中，采集創新主體處于不同景觀不同時點的創新績效數據，計算平均績效表征生態系統協同創新績效。如圖10所示，實驗結果觀察到核心組件比例（C-Ratio）對協同創新績效具有顯著影響。當C-Ratio增加時，協同創新績效呈下降趨勢。這表明，在生態系統中，過高的核心組件比例有可能導致對核心技術的過度依賴，進而增加協調成本。技術互補性強調兩類技術之間的獨特互補性功能或超模塊互補性帶來的協同增效，對于平臺企業和互補者兩類異質主體所控制的組件，結果顯示AI核心組件這類通用技術在具有更高互補性和經濟性的情況下，若核心組件比例過高，互補組件貢獻度可能會被削弱，從而影響協同創新效果。這是因為，一旦核心組件發生問題或技術過時，整個生態系統的穩定性和創新能力將會受到嚴重威脅。據此，本文提出如下命題：

命題2：互補組件數量影響生態系統協同創新，互補組件越少即核心組件比（C-Ratio）越大，協同創新績效反而越低。

3.4.3 互補關系E-I指數與協同創新績效

研究發現，生態系統中技術相互依賴水平與協同創新績效之間存在復雜關系。在特定的K和C-Ratio 條件下，隨著互補關系E-I指數的增加，協同創新績效先升后降，呈倒U型趨勢。這表明，在適度的E-I 指數范圍內可實現較高的創新績效。這與協同創新理論中的協同效應概念相符，即合適的協同程度能提升創新績效。因此，平臺企業需要精心選擇和配置技術組件，對技術相互依賴關系進行治理以達到最佳協同創新績效。在不同K值和C-Ratio設置下，與互補關系E-I指數增長相關的協同創新績效呈倒U型趨勢，但峰值在E-I指數上的位置隨條件變化。這說明，在不同系統復雜性和核心組件比例下，最佳異質主體互補關系E-I指數也隨之發生改變。當核心組件占比較低（C-Ratiolt;0.5）時，創新績效峰值在E-I指數為負時出現，表明同類組件間互補性有利于協同創新；而當核心組件比例較高（C-Ratiogt;0.5）時，創新績效峰值在E-I指數為正時出現，顯示核心組件與互補組件間的互補性對創新更關鍵。隨著技術相互依賴水平（K值）的增加，E-I指數與創新績效的倒U型關系更加明顯，強調在復雜環境下精細協調的重要性。據此，本文提出如下命題：

命題3：平臺企業與互補企業之間的技術組件互補特征影響生態系統協同創新，互補關系E-I指數與協同創新績效間存在倒U型關系。

3.4.4 基于百度大腦的協同創新仿真

分析百度AI開放平臺生態系統技術相互依賴結構發現，核心組件比例（C-Ratio）僅為18.75%，表明大部分技術組件為互補組件。網絡平均度和點度中心勢較高，表明技術相互依賴水平較高，類似于仿真模型中K=6的情況。參考C-Ratio=0.25時協同創新績效與E-I指數間的關系如圖11所示，當E-I指數接近于-0.2時，協同創新績效較高，說明技術組件間的相互依賴結構在一定程度上傾向于群組內部時，能實現更高的創新績效。當前，百度E-I指數為-0.122，表明平臺可考慮適度組合更多AI組件形成解決方案并賦能參與者創新。

百度AI生態系統中的技術依賴網絡包括兩個群組：百度提供的AI核心技術組件和合作伙伴提供的互補組件。群組層次E-I指數能量化技術依賴的外向性（EL）和內向性（IL），適度的E-I指數有助于提高創新績效，而過高或過低的E-I指數則有可能對創新產生負面影響。過高的E-I指數意味著過度依賴外部技術，會導致高協調成本；過低的E-I指數表明缺乏與外部技術的合作，無法充分利用外部資源，會導致協同效應較低。綜合來看，在面向AI創新應用的“平臺+參與者”生態系統中，妥善管理和協調技術依賴關系至關重要。這不僅能提高資源利用效率，通過技術依賴實現各參與者間的技術資源共享，減少重復投資和浪費，還有助于促進不同企業基于各自的技術優勢開展協同創新，使生態系統以更快的速度和更高的質量發展。

4 結語

4.1 研究結論

本文基于人工智能技術在生態系統場景下的協同創新實踐，研究不同創新主體間技術組件互補協調對協同創新績效的影響。具體而言，第一，從平臺分工與協調視角構建“要素—過程—績效”分析框架，探討平臺企業與互補企業協同創新技術互補、協同關系結構對創新績效的影響。第二，結合社會網絡分析與NK仿真建模方法，量化協同創新要素間的交互關系及網絡結構特征，并從復雜系統動態行為建模角度出發，基于觀測數據設定參數和仿真規則，為創新生態系統場景下協同創新理論構建提供支持^[30]。第三，以百度大腦為例進行分析和仿真實驗，揭示AI技術互補形成的系統結構特征對協同創新的影響，發現互補組件與核心組件間相互依賴水平對協同創新潛力具有負面影響，即核心組件比例越高，協同創新績效越低，組件內部與組件間的依賴關系特征（E-I指數）與協同創新績效呈倒U型關系。

上述研究結論為平臺企業管理創新提供如下啟示：平臺企業作為生態系統構建者和領導者，應有效管理互補者創新。平臺企業作為協調者，需關注協同創新主體網絡化模式，通過制度設計有效管理和協調內部互補者行動。此外，平臺企業還需關注模塊化組件，當互補依賴關系網絡結構指數偏離標準時，可通過提高核心組件的標準化和靈活性激勵互補企業參與協同創新；抑或是豐富互補組件多樣性，降低核心組件比例，同時協調技術組件互補性關系。

4.2 對策建議

（1）平臺企業（AI技術提供商）和互補企業（專有技術提供商）間的技術重組和互補性創新是AI促進產業發展與經濟增長的關鍵。平臺企業（PE）和互補企業（CE）作為創新生態系統中的兩類創新主體，主體互動模式、技術重組和互補性創新成效是推動創新生態系統可持續發展的動力機制。創新主體協同創新本質上是通過技術互補和重組實現的，且隨著應用場景的不斷擴展，通用技術體系開始分化，專用技術朝著體系化方向發展。

（2）激發平臺網絡效應是關鍵。一方面，隨著互補企業的進入與協同創新的出現以及技術體系的不斷完善和應用場景的拓展，AI作為通用技術的創新激勵效應逐漸得到增強。另一方面，AI早期應用者（互補者）通過網絡效應影響其他潛在互補者采用決策，當網絡效應足夠大時，AI技術將會在特定應用領域被鎖定成為主導技術。例如，本文中人臉識別等瓶頸組件技術的普及和廣泛應用不僅能促進自身技術升級和商業化，還能促進門禁閘機、攝像頭硬件等與之相關的互補技術的創新與應用，形成技術應用聯動效應，即一種技術的應用會增大另一種技術應用的概率。

（3）在不同行業多元創新主體相互作用和協同創新過程中，通用技術專用化和AI專用技術體系的形成與發展是AI創新生態的基礎。而AI專用技術體系的出現以平臺為主導，平臺生態績效是技術、組織和制度協同創新的結果。因此，應充分發揮組織創新和制度創新對技術創新的積極作用，這是AI產業創新生態形成和可持續發展的關鍵。

4.3 不足與展望

本研究存在一定局限性：一是應探究影響平臺企業賦能互補者協同創新的關鍵情景因素，揭示創新生態系統復雜結構和行為動態；二是關于互補者協同創新影響機制的研究需結合多源數據分析和案例研究；三是應將多案例質性比較研究和多主體仿真建模方法相結合，探究協同創新網絡化模式與生態系統共演機制，為深入理解創新生態系統運作機理提供理論指導。

參考文獻：

[1] 魏江.企業創新生態系統管理理論[M].北京：機械工業出版社，2023.

[2] 王發明，張贊.平臺企業主導的創新生態系統穩定性研究：基于企業間網絡關系視角[J].科技進步與對策， 2021，38（8）：26-33.

[3] CASADESUS-MASANELL R， YOFFIE D B. Wintel： cooperation and conflict[J]. Management Science， 2007， 53（4）： 584-598.

[4] TIWANA A. Platform desertion by app developers[J]. Journal of Management Information Systems， 2015， 32（4）： 40-77.

[5] LEONG C， LIN S， TAN F， et al. Coordination in a digital platform organization[R]. Information Systems Research， 2023.

[6] 趙紅，張昆燦，姚鴿.嵌入式創新生態系統平臺賦能模型構建與仿真[J].同濟大學學報（自然科學版），2023，51（5）：643-651.

[7] 蔡寧，劉雙，王節祥，等.平臺生態系統戰略更新的過程機制研究：相互依賴關系構建的視角[J/OL].南開管理評論，1-19[2024-01-13].http：//kns.cnki.net/kcms/detail/12.1288.f.20230308.0928.002.html.

[8] 霍麗莎，邵云飛.企業如何構建生態系統實現突破性創新——資源依賴與網絡嵌入互動機制探析[J].技術經濟，2020，39（4）：76-85.

[9] LUNDVALL B A. Product innovation and user-producer interaction[J]. The Learning Economy and the Economics of Hope， 1985， 19： 19-60.

[10] ADNER R. Ecosystem as structure： an actionable construct for strategy[J]. Journal of Management， 2017， 43（1）： 39-58.

[11] JACOBIDES M G， MACDUFFIE J P， TAE C J. Agency， structure， and the dominance of OEMs： change and stability in the automotive sector[J]. Strategic Management Journal， 2016， 37（9）： 1942-1967.

[12] GRANSTRAND O， HOLGERSSON M. Innovation ecosystems： a conceptual review and a new definition[J]. Technovation， 2020， 90： 102098.

[13] 劉丹，閆長樂.協同創新網絡結構與機理研究[J].管理世界， 2013（12）：1-4.

[14] TEECE D J. Profiting from innovation in the digital economy： enabling technologies， standards， and licensing models in the wireless world[J]. Research Policy， 2018， 47（8）： 1367-1387.

[15] JACOBIDES M G， CENNAMO C， GAWER A. Towards a theory of ecosystems[J]. Strategic Management Journal， 2018， 39（8）： 2255-2276.

[16] TOH P K， MILLER C D. Pawn to save a chariot， or drawbridge into the fort？ firms' disclosure during standard setting and complementary technologies within ecosystems[J]. Strategic Management Journal， 2017， 38（11）： 2213-2236.

[17] 梅景瑤，鄭剛，朱凌.數字平臺如何賦能互補者創新——基于架構設計視角[J].科技進步與對策， 2021， 38（12）：1-8.

[18] RIETVELD J， SCHILLING M A. Platform competition： a systematic and interdisciplinary review of the literature[J]. Journal of Management， 2021， 47（6）： 1528-1563.

[19] VAN ALSTYNE M W， PARKER G G， CHOUDARY S P. Pipelines， platforms， and the new rules of strategy[J]. Harvard Business Review， 2016， 94（4）： 54-62.

[20] GAWER A. Bridging differing perspectives on technological platforms： toward an integrative framework[J]. Research Policy， 2014， 43（7）： 1239-1249.

[21] BALDWIN C Y， CLARK K B. Design rules： the power of modularity[M].Cambridge：MIT Press， 2000.

[22] KRETSCHMER T， LEIPONEN A， SCHILLING M， et al. Platform ecosystems as meta-organizations： implications for platform strategies[J]. Strategic Management Journal， 2022， 43（3）： 405-424.

[23] KAPOOR K， BIGDELI A Z， DWIVEDI Y K， et al. A socio-technical view of platform ecosystems： systematic review and research agenda[J]. Journal of Business Research， 2021， 128： 94-108.

[24] 王馨博，李春利，高良謀.平臺到底是什么——基于分工與協調視角[J].科技進步與對策，2022，39（3）：153-160.

[25] TANG F， QIAN Z. Leveraging interdependencies among platform and complementors in innovation ecosystem[J]. Plos One， 2020， 15（10）： e0239972.

[26] LUO J. Architecture and evolvability of innovation ecosystems[J]. Technological Forecasting and Social Change， 2018， 136： 132-144.

[27] SHIPILOV A， GAWER A. Integrating research on interorganizational networks and ecosystems[J]. Academy of Management Annals， 2020， 14（1）： 92-121.

[28] KRACKHARDT D， STERN R N. Informal networks and organizational crises： an experimental simulation[J]. Social Psychology Quarterly， 1988： 123-140.

[29] GANCO M. NK model as a representation of innovative search[J]. Research Policy， 2017，46（10）： 1783-1800.

[30] HOFMAN J M， WATTS D J， ATHEY S， et al. Integrating explanation and prediction in computational social science[J]. Nature， 2021， 595（7866）： 181-188.

（責任編輯：王敬敏）

Technological Complementarity and Collaborative Innovation in the Artificial Intelligence Innovation Ecosystem

Liu Xiao， Li Jiabao

（School of Management， Jinan University， Guangzhou 510632， China）

Abstract：An innovation ecosystem （IE） is the evolving set of actors， activities， and artifacts， along with the institutions as well as complementary and dependency relations. Artificial intelligence （AI） is increasingly adopted by organizations for innovation，giving rise to platform-based innovation ecosystems for collaborative innovation and value co-creation. However， most research has focused on the co-evolution of platform architecture and platform governance and the role of boundary resources provided by the platform owner， while heterogeneous artifacts provided by complementors are rarely explored. Specifically， the industrial and managerial literature still lacks information about how heterogeneous artifacts can foster collaborative innovation in the AI innovation ecosystem.

Thus， this paper presents a framework for the collaborative innovation process of technological complementarity by using a comprehensive research model to examine the impact of collaboration in the AI innovation ecosystem. The conceptual framework termed “elements-process-performance” from the perspective of complex system， captures the intrinsic mechanisms of collaborative innovation between platform owners and complementors. The elements of innovation refer to the technological components within the ecosystem， comprising both core components and complementary technologies. The process of innovation encompasses the way complementors integrate these technologies to foster innovation. The innovation performance assesses how the empowerment of core technical components affects collaborative innovation performance.

After reviewing the relevance of studying the innovation system， the study proposes a bipartite network （BN） model to describe the relationships between complementors and technology components based on real-world data from “Baidu Brain” which is an AI open platform in China; then through analyzing the properties of the projected network of the bipartite network， it quantifies the structural features of component interdependency at the node-level， group-level， and whole network-level; the process of innovation is modeled as a bounded， iterative， trial-and-error search over a complex landscape using an NK model， and several simulation experiments are conducted to observe the complex relationship patterns between innovation performance and components' interdependency; finally the study manages to predict the ecosystem innovation performance based on empirically observed patterns from the Baidu Brain ecosystem.

The analysis reveals that complementary component strategies can affect collaborative innovation in ecosystems in four ways： （1） the level of technological interdependence formed by embedding complementary components into the ecosystem through component strategies has a negative impact on the potential for collaborative innovation; （2） the higher the proportion of core components in the system （C-Ratio）， the lower the performance of collaborative innovation; （3） it hampers collaborative performance by raising the ratio of core components above a threshold， indicating over-reliance on the platform's core elements without enough complementary components impedes synergy;（4） an inverted U-shaped relationship exists between component interdependency E-I index and innovation performance. These important findings further emphasize that collaboration among different actors in the ecosystem plays a critical role in achieving higher innovation outcomes.

The findings provide insights for management innovation in platform enterprises. Platform enterprises as ecosystem builders and leaders， should effectively manage complementary innovation. As a coordinator， it is necessary to pay attention to the network pattern among collaborative innovation entities and effectively manage and coordinate the actions of internal complementarity through institutional design. In addition， platform enterprises also need to pay attention to the management and coordination of modular components. When the E-I Index of a partition of the complementary dependency network deviates from the optimal level， adjustments can be made by enhancing the standardization and flexibility of core components， encouraging participation from complementary enterprises， increasing the diversity of complementary components， reducing the proportion of core components， and modifying the complementarity of technical components.

This study focuses on how platform enterprises manage and coordinate with complementor enterprises. Given the complexity of technology dependence， integrated application of innovation ecosystems and collaboration innovative theory， it utilizes data-driven and simulation modeling methods to explore the complex relationship logic between technological dependence and collaborative innovation. This paper advances the understanding of the intersection of innovation and AI and provides suggestions for complementary innovation and the ecosystem development.

Key Words：Enterprise Innovation Ecosystem; Digital Platform; Collaborative Innovation; NK Model; Social Network Analysis

基金項目：國家社會科學基金項目（22BGL289）；廣東省哲學社會科學規劃重大基礎理論研究專項項目（GD22ZDZGL03）

作者簡介：劉瀟（1971—），女，云南昆明人，博士，暨南大學管理學院副教授，研究方向為大數據驅動的管理與決策、復雜網絡與復雜自適應系統；李家寶（1998—），男，廣東深圳人，暨南大學管理學院碩士研究生，研究方向為大數據驅動的管理與決策、企業創新生態系統。