人工智能賦能產業創新生態系統動態演進：驅動因素與具體路徑

中圖分類號：F260 文獻標識碼：A開放科學（資源服務）標識碼（OSID）：文章編號：1001-7348（2025）13-0001-13

0 引言

“十四五\"規劃明確提出要大力發展人工智能（ArtificialIntelligence，簡稱AI），強調構建產業集群、推動人工智能賦能傳統行業發展。當前，人工智能不僅推動傳統產業轉型升級，還與新興產業不斷融合，為經濟社會注人前所未有的新動能，對技術范式、產業格局和社會生活帶來巨大變革和深遠影響。人工智能在自動駕駛、金融、生物醫藥等領域1-3實現廣泛應用，尤其是在生物醫藥領域，其作為新一輪科技革命與產業變革中創新最活躍和發展最迅猛的戰略性新興產業，正成為人工智能應用最重要的領域，人工智能與生物醫藥融合程度逐漸加深，并全面驅動生物醫藥領域的巨大變革[3]。相關研究表明，ChatGPT技術應用的下一個前沿或將出現在與人類生命健康息息相關的生物醫藥領域[4。人工智能賦能生物醫藥全產業鏈發展、各環節運行，逐漸打破藥物研發“高投入、長周期、高風險”的困境。

構建創新生態系統是各國推動創新發展的重要戰略，美國、日本、歐盟分別于2004年、2006年和2010年陸續出臺相關政策，將構建創新生態系統納入工作重點（韓鳳芹等，2024）。中國也十分重視創新生態系統建設，黨的二十大報告提出“完善科技創新體系”“形成具有全球競爭力的開放創新生態”。人工智能的應用能夠推動源頭技術創新，吸引多方主體共同參與價值共創，整合創新資源，共同構建創新生態系統。眾多創新主體積極引入人工智能技術，推動數字化變革與智能化改造，深刻改變了企業行為邏輯，提升了企業技術研發效率，引發了整體性、顛覆性技術變革，因此引起社會各界對產業創新生態系統智能化的廣泛關注[5]

人工智能以高效的系統演進、升級和迭代能力賦能創新生態系統，助推創新生態系統演進升級，對傳統創新生態系統理論提出新挑戰，因此探究人工智能賦能創新生態系統演進具有重要意義[6]。然而，對于人工智能技術演進賦能創新生態系統缺乏深入研究7]，對于人工智能如何賦能創新生態系統以及提升創新生態系統效率的關注不足[8。因此，本研究采用縱向單案例研究方法，分析人工智能賦能生物醫藥產業創新生態系統動態演進的動因與路徑，揭示深層次邏輯規律，以期為推動產業創新生態系統持續優化升級提供理論支撐和實踐指導。

1文獻綜述

1.1 技術賦能

“賦能”一詞源于西方的積極心理學，是一個外來概念，其核心意義在于賦予能力或提供能量，最初主要應用于組織內部人員權力配置，即授權賦能。盡管“賦能\"的概念至今尚未在學術界形成統一共識，但學者普遍認為其是在自由主體之間互動和交換，旨在催生各領域創新驅動力和方法，從而有效激發主體實現既定目標的能力[9]。近年來，隨著信息技術的快速發展，技術賦能理論逐漸興起，賦能對象不再局限于個體，而是擴展至更廣泛的領域。有學者從宏觀、中觀、微觀等[10-12]不同層面進行研究，強調技術利用下的獨特優勢。通過對技術賦能概念進行梳理發現，技術數據已成為智能化時代的一種新型生產要素，數據具有非耗損性，并通過正反饋機制實現收益遞增，針對不同創新場景賦予主體掌握復雜事物規律、實現價值目標的能力。

1.2 創新生態系統演進

創新生態系統研究根據關注點不同劃分為兩大流派。一是以Ander[13-14]團隊為代表的基于結構視角的創新生態系統研究，聚焦于微觀層面，關注核心成員如何與生態系統成員互動，以實現價值創造和價值獲取。二是強調以生態系統成員為中心，認為生態系統是由多個相互關聯、共生共存的成員組成的松散網絡[15-16]。

創新生態系統演進是一個持續動態、系統變異和選擇性保留的過程[17]。學者從開放式創新、價值共創、架構者等不同視角進行積極探索。基于開放式創新視角，林勇和張昊運（2020）運用超邊際分析工具揭示“創新生態系統”向“開放式創新生態系統”演進的機理，認為基于開源合作創新范式與用戶獨創價值模式，創新生態系統呈現以大眾用戶為創新源主體、以開源共享為動力以及功能專業化的生態群落互動三大演進特征；劉云等[18]研究表明，我國高檔數控機床技術追趕經歷了技術學習、自主創新與開放創新相結合以及創新鏈與產業鏈融合3個階段，從而實現創新生態系統持續優化。基于價值共創視角，王宏起等（2021）認為企業合作與競爭行為會影響創新生態系統演化，進而影響企業價值創造與獲取；韓鳳芹等（2024）基于江蘇產研院單案例研究，建立“目標一行為—機制一結果”分析框架，認為創新生態系統演進是從他組織向自組織發展的過程，是不斷吸引其他創新主體和創新資源的過程。基于架構者視角，譚勁松等（2021）以中國軌道交通裝備產業為例，研究架構者變遷對產業創新生態系統形成和演進的作用機理；林艷和李盈[19]基于架構者資源編排視角，研究平臺型創新生態系統的動態演進機理。也有學者從組織因素[20]、創新政策[21]等多個視角切入，深入探究創新生態系統演進機理與路徑。

1.3人工智能賦能創新生態系統

（1）關于人工智能賦能創新生態系統驅動因素，邵云飛等[22]認為可在結構賦能、心理賦能和資源賦能3個層面推動企業從單一主體向多元協作主體轉變，并逐漸建立創新生態體系，進而實現企業跨越式發展；李明和王衛[23]基于靜態視角，認為政策引導力、產業變革力、創新賦能力和需求拉動力共同推動創新生態系統演進，進而實現企業價值共創；歐春堯等[發現技術賦能、價值重構和平臺化發展是影響海上風電產業創新生態數智轉型的關鍵因素；湯睿等[24]強調資源編排是促進創新生態系統構建的重要因素，數字化能力作為中介變量與兩者共生演化，將資源編排劃分為資源構建、資源捆綁及資源撬動3個子過程，其在創新生態系統構建不同階段發揮不同作用；李曉娣等（2024）以中國內地30個省市區域創新生態系統為研究對象，基于資源編排理論，深入分析數智情境下創新生態系統所具備的資源與能力，采用fsQCA方法揭示傳統創新要素與新型數字生產要素不同組態對區域創新生態系統能級的提升作用。

（2）關于人工智能賦能創新生態系統特征，姜李丹等（2022）的研究表明，人工智能的賦能作用使數據成為產業創新要素，打破傳統創新主體生態位和功能邊界，引發創新生態系統內政府、企業、大學、用戶等不同種群的適應性演進，為產業創新生態系統轉型提供充分條件，使得產業樣態朝著價值分配重構、智能制造升級、商業模式轉變、組織決策變革等方向發展；寧連舉等（2022）從新型數字創新生態系統視角出發，認為受技術、資金和要素總量等客觀條件限制，創新生態系統內部主體成長過程遵循Logistic規律，內部組織規模不會無限擴張，但在三螺旋主體互惠共生模式下，數字創新生態系統演進能夠達到最優狀態，實現創新主體間互利互惠和創新生態系統可持續發展；阮添舜等[25]強調數字技術與生態系統的協同聯動能推動數字創新；儲節旺等[26]強調數智賦能創新生態系統具有要素開放與構成多樣、主體協同與系統演化、系統漲落與技術風險等特征；孫永磊等（2023）認為數字創新生態系統朝著關系互動、知識能力和行為規范3個方向演化；王永貴等（2023）從知識管理視角出發，研究傳統工業企業實現數字化轉型以及推進數字化生態的全過程；王海軍等[27]構建“情景—組織—機制\"框架，通過對中關村科技園區的縱向案例研究，從市場需求適應、合作資源互動和系統主體共生3個維度揭示創新生態系統演進呈現“被動適應一主動適應一引領適應”、“資源共享—知識轉移一利益分配”、“寄生共生一偏利共生一互利共生”的特征。

1.4 研究述評

現有研究在一定程度上為人工智能賦能產業創新生態系統演進驅動因素和路徑提供了理論支撐，但存在如下不足：第一，多數研究偏宏觀層面，對于中觀產業生態運作機制缺乏深入探討；第二，多是對創新生態系統內部結構功能的定性研究，鮮有研究探討產業創新生態系統內部非線性、動態演進過程，未明晰不同技術階段人工智能賦能產業創新生態系統影響因素及作用機制的差異性與關聯性。鑒于此，本文以生物醫藥產業為案例研究對象，基于動態視角構建不同技術階段下人工智能賦能生物醫藥產業創新生態系統演進的理論模型，對其驅動因素和路徑進行分析，以此打開其演進機理的“黑箱”。

2 研究設計

2.1 研究方法

本研究采用歸納性縱向單案例研究方法[28]，主要基于以下考慮：第一，人工智能賦能產業創新生態系統的研究正處于理論發展初級階段，需要選取能夠深度挖掘復雜機制和邏輯共性、構建理論框架的探索性案例研究方法。第二，人工智能賦能產業創新生態系統是一個復雜且長期的過程，驅動因素和具體路徑受不同人工智能發展階段的影響，縱向案例研究在分析構念之間聯系和變化上具有獨特優勢，能夠對長周期案例時間進行階段劃分和理論整合[29]，總結不同階段戰略要素的協同演變過程，進而凝練出理論邏輯。第三，與多案例研究相比，單案例研究更適合對復雜系統的深入剖析，其將不同主體視為嵌入式分析單元，能夠細致觀察產業演進中的核心企業及關鍵事件，有利于發現并解釋演化過程和機制，具有較好的啟發性（毛基業等，2016）。因此，縱向單案例研究可為本文提供方法支撐。

2.2 案例選取

在案例選取方面，本文根據典型性、匹配性、代表性和啟示性原則，選取我國生物醫藥產業為研究對象，側重于人工智能在生物醫藥研發領域的應用。一是典型性。生物醫藥作為戰略性新興產業，技術創新含量高，產業發展帶動性強，不僅是世界各國經濟發展的重心之一，也是學術研究熱點領域，人工智能應用于生物醫藥產業更是中美戰略競爭的重點領域（王楠等，2023）。二是匹配性。隨著人工智能技術的不斷推進，AI生物醫藥發展成為一個完整的生態系統，涵蓋從藥物研發、臨床試驗到市場推廣等各個環節。在這個生態系統中，AI技術得到廣泛應用，不僅能提高研發效率，降低研發成本，還能推動藥物創新。三是代表性。我國AI生物醫藥企業的崛起與全球發展幾乎同步，與領先企業相比，主要差距體現在規模與業務成熟度方面，而非技術或業務形態方面。四是啟示性。我國AI生物醫藥產業發展速度令人矚目，政府在政策層面給予大力支持，為AI生物醫藥產業發展創造了良好環境。同時，國內企業積極研發新技術，推動AI生物醫藥技術創新和應用，這些努力不僅促進了我國AI生物醫藥產業迅速發展，也為全球藥物研發領域帶來新機遇和新挑戰。

2.3 數據收集

鑒于產業創新生態系統中復雜的主體關系，本研究主要依賴客觀性強、覆蓋面廣、時間跨度大的質性資料，全面揭示其動態演變規律。一是獲取詳盡的一手資料，團隊連續多年參與AI生物醫藥產業相關年會，收集到一批高價值的實地調研信息和會議資料，同時通過訪談、現場觀察補充細節，提高數據與研究層面的契合度。二是通過年鑒、報告、政策、文獻、新聞檢索等途徑收集大量二手資料。

2.4 數據編碼

本文采用扎根理論研究方法，按照“開放式編碼—主軸式編碼一選擇式編碼”對案例資料進行分析。第一，開放式編碼。對多來源原始資料通過貼標簽的方式逐步進行概念化操作，形成初始概念；隨后，將初始概念進一步副范疇化，初步形成供需主導型政策、環境主導型政策、均衡型政策等副范疇。第二，主軸式編碼。深人分析并總結各范疇間的邏輯關系，通過反復論證，將具有同一類屬的副范疇提煉為主范疇，形成政策引導、技術推動等主范疇。第三，選擇式編碼。通過多重比較和分析，最終提煉出涵蓋所有范疇的核心范疇，形成驅動因素和驅動路徑概念體系。相關數據結構如圖1所示。

為確保編碼的客觀性和準確性，采取背靠背編碼方式，由兩組團隊成員獨立進行編碼，再對比兩組編碼數據，對不一致概念和主題進行深入討論。最終，對編碼結果進行“數據一關系一框架\"迭代分析，不斷驗證案例與涌現理論之間的契合度，確保理論的合理性和創新性。

3 案例簡介

3.1人工智能在生物醫藥產業領域應用現狀

生物醫藥產業通常面臨研發周期長、投入高、成功率低的難題，人工智能技術在生物醫藥產業領域的應用能實現降本增效。從初期計算機輔助藥物設計，歷經多年發展，人工智能已經深入到藥物研發的各個環節，主要涉及研發前期、藥物發現、臨床前試驗、臨床研究、審批上市等不同階段，人工智能技術在不同階段發揮的作用不同（見表1）。

（1）研發前期。一是人工智能實現對海量數據資源的擴展和優化，如以實體小分子化合物和化學規則為基礎，機器學習能夠高效構建大量虛擬化合物，加速人類對未知化學空間的探索；二是實現海量異構數據信息的整合與深度挖掘，運用自然語言處理、知識圖譜等人工智能技術從海量文獻、專利和數據庫中提取出與藥物研發相關的信息，并通過聚類分析等方法提出新的可被驗證的藥物研發假說，進一步加速藥物研發過程。

（2）藥物發現。在藥物發現階段，AI技術主要聚焦于靶點發現與驗證。利用自然語言處理和機器學習技術訪問針對目標及非目標的大型數據集，通過系統訓練機器學習模型預測數據集屬性，有助于研究者深入了解疾病機制、藥靶蛋白結構和功能，或從免疫系統、信號通路、分子立體結構等多元視角篩選靶點，縮短靶點發現周期。如DeepMind研發的AlphaFold工具便成功預測了蛋白質折疊方式，解決了蛋白結構表征難題。

（3）臨床前試驗。在藥物篩選和藥物設計領域，AI分子篩選技術和生成技術從結構生物學角度出發，能夠加速先導化合物的發現和優化，促進候選藥物分子的產生。例如，Exscientia公司作為藥物設計自動化的先驅，其AI系統能夠自動設計新型化合物，并根據藥效、選擇性、ADME等條件確定合成優先級。在精準預測領域，AI技術的引入，尤其是深度神經網絡算法能夠精確提取結構特征，進一步提升藥物預測的準確性。例如，Atomwise公司開發的AtomNet平臺利用深度神經網絡識別化學基團及其構效關系，為新藥發現和風險評估提供了有效工具。此外，在工藝優化方面，人工神經網絡能夠解決傳統數理方法難以應對的多變量優化問題，顯著提升制藥過程效率和精度。

（4）臨床試驗。臨床試驗階段涉及臨床I、II、III期試驗，期間包括臨床試驗設計、患者招募和大規模臨床數據處理。患者招募是一大挑戰，合適的患者不僅難以招募，而且招募成本較高，借助大數據和人工智能技術可以精準挖掘目標患者，實現快速招募，從而縮短試驗周期并降低研發成本。同時，AI在云計算支持下能夠高效處理臨床試驗中的海量數據，及時優化試驗進程，增強風險控制能力。例如，新加坡國立大學創建的“CURATE.AI”人工智能平臺利用臨床數據快速識別藥物劑量，為臨床試驗提供了有力支撐。

（5）審批上市。在審批上市階段，技術審評是一項高度專業化的工作，需要深厚的專業知識和經驗積累。AI技術在圖像識別方面的應用（如色譜圖審評）能夠提高審評的準確性和效率。此外，上市后的藥物安全性監測也至關重要，AI技術在這方面發揮著重要作用，如用于假藥識別等。

3.2人工智能賦能生物醫藥研發服務模式

當前，AI驅動生物醫藥發展的技術分為兩類：一類是以人工智能算法為核心技術，這些算法在強大的硬件設備支持下，結合各類生物數據庫資源，構建出精確而高效的模型，用于新藥研發；另一類是以前沿生物技術為主導，以人工智能作為輔助工具，旨在提升新藥分子發現和設計效率。目前，AI生物醫藥領域呈現3種模式，首先是為制藥企業及委托研究機構（CRO）提供外包服務的“AI + CRO\"模式；其次是制藥企業自主研發AI生物醫藥產品的內部研發模式；最后是搭建通用AI技術平臺，為整個行業提供技術服務的平臺服務模式。

3.3人工智能賦能生物醫藥產業創新生態系統

AI生物醫藥產業鏈涵蓋上游云計算平臺、AI模型數據集與自動化實驗室，數據是AI藥物研發的關鍵，包括公開數據集、文獻數據集、專利數據集和客戶數據集。云計算平臺，如華為云、騰訊云、阿里云等能保障底層架構算力供給。AI藥物研發企業與IT企業是產業鏈中游的核心力量。AI藥物研發企業借助醫藥數據集，運用內部訓練工具及AI開發工具構建并訓練出高效的AI模型，通過醫藥研發外包形式與下游企業攜手合作。而IT企業通過自建AI藥物研發平臺，提供算力、計算框架等服務，深度參與AI藥物研發過程。在產業鏈下游，傳統藥企如復星醫藥、恒瑞醫藥等作為AI藥物研發的直接需求者，與中游AI藥物研發企業保持緊密的合作關系，通過購買中游企業的藥物研發服務，加速新藥研發進程。同時，CXO企業如藥明康德等在這一生態系統中發揮著重要作用，如圖2所示。

4案例分析與發現

本研究通過梳理關鍵時間節點，根據關鍵事件、政策變遷及學者研究（郭旭等，2023；陳凱先，2024），將AI賦能生物醫藥創新生態系統演進劃分為3個階段。① 技術積累期（2010—2016年）：該時期生物醫藥納入中國戰略性新興產業范疇，英矽智能、晶泰科技等標志性企業成立，生物醫藥企業開始嘗試將AI技術應用于部分業務流程，如數據分析、流程優化、藥物初步篩選等； ② 技術融合期（2017－2019年）：該時期人工智能研發服務平臺涌現，AI生物醫藥企業取得實質性進展，出現驗證性成果，政府推出一系列人工智能政策應用于生物醫藥研發，引導生物醫藥產業研發創新； ③ 產業賦能期（2020年至今）：互聯網巨頭布局人工智能藥物研發產業，AI生物醫藥企業晶泰科技上市，人工智能應用于生物醫藥研發創新的技術逐漸成熟（見圖3）。

4.1 技術積累期 （2010-2016 年）

該階段，在市場主導的生存壓力下，人工智能技術通過單點突破模式促進創新生態系統演進，典型證據及編碼見表2，技術積累期人工智能賦能產業創新生態系統演進過程見圖4。

4.1.1 驅動因素

（1）政策驅動。第一，技術創新政策。2016年國務院發布《關于促進和規范健康醫療大數據應用發展的指導意見》，明確支持健康醫療領域人工智能技術應用，提升設備生產制造水平，推動健康醫療智能裝備產業升級。同年，國家發展和改革委員會等部門聯合發布《“互聯網 + ”人工智能三年行動實施方案》，強調在制造、健康醫療等領域開展人工智能應用試點，推動規模化應用。第二，市場培育政策。2010年國務院發布的《國務院關于加快培育和發展戰略性新興產業的決定》將生物醫藥產業列為戰略性新興產業，2015年國務院發布《關于改革藥品醫療器械審評審批制度的意見》，優化創新藥審評審批流程，鼓勵藥物創新。自此，國家從注冊審批、醫保支付、資本市場上市規則、人才政策和專利保護等多個維度全面推動創新藥發展，推動產業創新生態系統不斷優化。

（2）技術推動。第一，技術突破。自2010年以后，隨著深度卷積神經網絡（AlexNet）、生成式對抗網絡（GANs）的出現，使得深度學習在圖像識別任務中的潛力被挖掘，并產生了強大而新穎的數據生成工具，促進人工智能技術發展。2015年前后，人工智能藥物發現平臺出現，這些平臺利用算法分析基因組數據、蛋白質結構與藥物分子間的相互作用，從而預測藥物療效和副作用。第二，技術優勢。TechEmergence報告指出，AI技術將新藥研發成功率從 12% 提升至 14% 。根據Evaluate公司的分析，相較于傳統新藥研發，運用人工智能技術能夠顯著縮短新藥發現周期、降低研發成本并提高研發收益。例如，傳統新藥發現需要6年篩選出合適的先導化合物，而AI技術則能將研發周期縮短至 1～2 年甚至幾個月，使得研發成本由8億美元降至不到300萬美元。

（3）市場拉動。第一，私人需求。2015年“722”事件后產業環境重塑，同質化企業逐漸縮減或被收購，創新藥企蓬勃興起，國外藥企紛紛進軍中國市場，國內藥企面臨巨大的生存壓力。第二，市場競爭。國內創新藥物審批流程加長、創新難度和成本上升，仿制藥重復申請和同類產品過度競爭加大了市場競爭壓力。同時，發達國家如美國新藥審批效率提升更能滿足患者需求并引領生物醫藥科技前沿。例如，PD1抑制劑經短暫臨床研究后僅4天就能獲得FDA批準，標志著全球醫藥技術競爭進入新階段。

（4）組織變革。生物醫藥企業逐漸意識到人工智能技術應用的重要性，紛紛制定數字化轉型戰略。如《上海醫藥三年發展規劃》（2013—2015年）明確提出“初步建成數字化上藥”，這一目標不僅體現了上海醫藥對數字化轉型的堅定決心，也展示了其在人工智能技術應用方面的前瞻性思維。

4.1.2 驅動路徑

此階段人工智能賦能生物醫藥研發創新為單點突破模式，企業主要關注AI技術在特定環節的應用，如利用AI輔助藥物發現等實現顯著的效率提升或創新突破。然而，單點突破模式高度依賴人工智能技術，如果技術本身存在不足，則有可能對生物醫藥產業帶來負面影響。

4.2 技術融合期（2017－2019年）

該階段在政策指引下，人工智能技術通過端到端模式促進創新生態系統演進，典型證據及編碼見表3，人工智能賦能產業創新生態系統演進過程見圖5。

4.2.1 驅動因素

（1）政策引導。第一，技術體系完善。國務院、工業和信息化部等部門發布了一系列文件，如《促進新一代人工智能產業發展三年行動計劃》《國務院關于印發新一代人工智能發展規劃的通知》《新一代人工智能產業創新重點任務揭榜工作方案》《國家新一代人工智能開放創新平臺建設工作指引》等，鼓勵領軍企業搭建開放平臺，圍繞重點任務建設國家新一代AI開放創新平臺，推動人工智能技術發展。第二，資本市場。2018年港交所在《主板上市規則》中新增第18章《生物科技公司》，允許沒有收入和利潤的生物科技公司在港股上市，隨后中國內地便推出科創板與注冊制試點。第三，市場監管。《關于深化審評審批制度改革鼓勵藥品醫療器械創新的意見》《關于調整藥物臨床試驗審評審批程序的公告（2018年第50號）》等一系列政策發布。此外，中國加人人用藥品注冊技術要求國際協調會議（ICH），推動制度流程與國際接軌，增強國際競爭力，吸引更多國際創新藥企業選擇中國作為首批上市國家之一，為人工智能在生物醫藥研發領域的應用營造了良好的市場環境和監管環境。

（2）技術推動。大數據集成平臺在科技創新生態系統中具有重要地位，尤其是在生物醫藥研發領域。此階段，我國在生物醫藥研發數據庫建設方面取得顯著成效。如上海生物醫藥大數據中心（BDMC）搭建的三位一體生物醫學信息基礎設施，可提供生物醫藥數據采集與共享、數據管理與分析等全周期大數據服務。中國醫藥工業信息中心面向醫藥行業開發的PDB（藥物綜合數據庫）和CPM（新藥研發監測數據庫）為行業提供了醫藥全產業鏈信息解決方案。中國國家基因庫是中國第一個國家級基因庫，主要提供基因組數據歸檔、信息搜索引擎、數據管理和數據分析服務。

（3）市場拉動。第一，公共需求。盡管科技不斷突破，但人們仍面臨 60% 疾病缺乏有效藥物、半數至七成患者對主流藥物無反應、 95% 靶點“不可成藥”等現實問題，這些公共需求使得人工智能技術的應用更加緊迫。第二，私人需求。新成立的AI生物醫藥公司為實現盈利，與藥企從靶點選擇階段便展開深度合作，確保臨床試驗過程中的持續協同。這種合作不僅為AI生物醫藥企業帶來穩定的現金流和產業支持，更有助于其深化研發，形成良性循環。

（4）組織變革。第一，人才技能。隨著人工智能技術的應用，據智聯招聘中國醫藥產業人才供需白皮書（2022年）數據顯示，在醫藥研發需求端的人才專業技能圖譜中，數據出現頻率呈逐年遞增趨勢，即企業對研發人才的數據素養越來越看重，見表4。第二，人才需求。據智藥局統計，2017一2019年新成立的AI生物醫藥研發公司為30家左右，增加了對AI生物醫藥人才的需求，見圖6。

4.2.2 驅動路徑

隨著人工智能研發平臺建設的增多，提供端到端生物醫藥研發平臺服務的公司開始嶄露頭角，并為整個生物醫藥研發流程提供整體解決方案，將生物醫藥研發各個環節緊密相連，催生出從藥物發現到臨床試驗再到商業化生產的全新研發模式。例如，英矽智能開發的“端到端”人工智能制藥系統集成靶點發現、化合物設計、臨床試驗預測等多個平臺，各平臺模塊協同工作，包括生成式對抗神經網絡、自然語言處理引擎等。2019年，英矽智能僅用21天時間、約15萬美元的成本便創造出全新分子，顯著提升了藥物研發效率。

4.3產業賦能期（2020年至今）

該階段，在技術引領的多維合力下，人工智能技術通過自動化模式促進創新生態系統演進，典型證據及編碼見表5，人工智能賦能產業創新生態系統演進過程見圖7。

4.3.1 驅動因素

（1）政策引導。國家藥監局發布的《模型引導的藥物研發技術指導原則》，明確要求探索AI、云計算、大數據等技術在新藥研發領域的應用，以提升靶點和藥物發現效率。《中華人民共和國專利法》《藥品注冊管理辦法》《用于產生真實世界證據的真實世界數據指導原則（試行）》為創新藥研發提供了較強的法律保護。2022年，國家發展改革委印發《“十四五\"生物經濟發展規劃》，提出我國將積極利用大數據、人工智能等信息技術，全面監管新藥研制的各個環節，實現藥物產業的精準化研制與規模化發展。政府從環境、供給、需求側為人工智能在生物醫藥研發領域的應用提供了全方位的政策保障。

（2）技術推動。2021年德勤與上海市科協聯合發布的《中國生物醫藥創新趨勢展望》報告顯示，2019年已有超過 60% 的生命科學企業在人工智能計劃上投入2000萬美元。騰訊、華為、阿里巴巴、字節跳動等相繼布局，借助對外投資打造自有平臺，提供算力及計算框架服務。如騰訊推出“云深智藥（iDrug）\"平臺，利用AI技術為藥物發現提供數據和云計算支持，以滿足制藥公司的特定需求。百度研究院發布的LinearFold算法能夠快速預測RNA二級結構，助力mRNA疫苗開發；

隨后推出的LinearDesign算法能在12分鐘內完成mRNA序列設計，提升疫苗穩定性和蛋白質表達水平。此外，字節跳動也加入AI生物醫藥行列。這些互聯網領軍企業涉足醫藥領域預示著互聯網與制藥行業融合正在加速推進。

（3）市場拉動。持續繁榮的新增市場可擴展新應用場景。《中國新藥注冊臨床試驗進展年度報告（2021年）》指出，PD-1、PD-L1、VEGFR、HER2等靶點位列登記臨床試驗前列，對應藥物品種數量分別達到71個、59個、46個和43個。值得關注的是，多個靶點藥物適應癥主要集中在抗腫瘤領域，凸顯了當前藥物研發的同質化問題，因此需要尋求差異化和多元化研發路徑。

（4）組織變革。Gartner預測2026年將會有超過1億人與“機器人同事（合成虛擬同事）\"協同工作。德勤歷年發布的《中國生命科學與醫療行業調研結果：行業現狀與展望》報告顯示，自2020年起，生物醫藥領域建立或發展數字團隊的企業比例先增后減，說明絕大多數企業已有效開展數字運營，專家團隊數字化建設工作逐漸得到落實，成為在華企業的“常規事務”。研發活動與資源配置重要性始終占比 50% 以上，且在2023年比重有所上升。政府事務的重要性得以充分貫徹，擴大中國共享服務中心職能范圍的受訪者數量在2021年大幅增加，2022年和2023年逐步穩定，見圖8。可見，此階段企業實現人才隊伍建設、研發資源配置、政府事務等理念變革，加速數字化轉型及人工智能技術應用。

4.3.2 驅動路徑

人工智能推動新藥研發由傳統“專家 + 實驗\"驅動模式向“AI十自動化實驗 + 專家經驗\"模式轉變，以提高創新藥研發效率和成功率。以晶泰科技自主研發的自動化數智實驗室為例，該實驗室利用人工智能設計出分子，通過機器人工作站完成合成制造等后續流程。借助云端軟件控制系統，研發人員可以遠程操控機器人工作站和調度物流機器人，實現全天候不間斷運行。在2023世界人工智能大會上，這一先進的藥物研發平臺榮獲了SAIL大獎。此外，晶泰科技還自主研發了XtalDynamicsTM實驗室自動化平臺系統，該系統采用人機結合方式，實現實驗過程的高度自動化與智能化。通過智能調度系統可以遠程操控數百臺自動化工作站和AGV小車，從而大幅提升實驗過程中的物料傳送效率。

4.4演進驅動因素與路徑分析

在技術積累階段，人工智能技術實現新的突破，政府通過制定技術創新和市場培育政策促進人工智能在生物醫藥研發領域的應用，隨著市場競爭和私人需求的增加，企業逐步制定數字化智能化轉型戰略。此階段，人工智能技術聚焦特定環節應用，具有單點突破的特點。

進人技術融合期，大數據平臺涌現，政府通過制定以環境側為主的政策指引人工智能在生物醫藥研發端的應用，公共和私人需求持續增加，企業迫切需要擁有數據分析等技能的人才。隨著生物醫藥人工智能研發服務平臺的逐漸成熟，企業實現端到端的研發模式，進一步提高了研發創新效率。

在產業賦能階段，互聯網巨頭開始布局AI生物醫藥研發產業，人工智能技術逐漸成熟并對產業賦能，政府加大在供給側、需求側和環境側的政策供給，個性化市場需求增加，全方位數字化布局開始顯現，“AI + 自動化實驗 + 專家經驗”模式出現，使得創新生態系統不斷演進（見圖9）。

5 結論與啟示

5.1 研究結論

本研究通過生物醫藥產業縱向案例研究，基于動態視角探究人工智能賦能生物醫藥產業演進的驅動因素和路徑，得出如下結論： ① 政策引導、技術推動、市場拉動、組織變革共同推動創新生態系統演進，人工智能技術在不同發展階段發揮的主導作用不同； ② 人工智能通過模式創新促進創新生態系統演進，且創新模式實現從點到端再到自動化的全方位轉變。

5.2 理論貢獻

（1）以往研究多從宏觀視角或單個企業出發探究創新生態系統構成與演化，缺乏技術背景下對中觀產業層面的分析。本文基于扎根理論，對人工智能賦能生物醫藥產業創新生態系統演進的驅動因素和路徑進行分析，擴展了產業創新生態系統理論研究。

（2）將技術賦能劃分為技術積累期、技術融合期和產業賦能期3個不同階段，得出不同階段人工智能技術賦能動力因素和路徑不同，擴展了動態視角下創新生態系統研究。

（3）由于人工智能技術的特殊性，國內外研究對人工智能賦能產業創新生態系統演進的驅動因素和路徑缺乏系統研究，本文得出技術推動、市場拉動、政策引導、組織變革是推動人工智能技術賦能產業創新生態系統主要因素，對當前理論發展作出有益補充。

5.3 實踐啟示

根據上述研究結論，本文提出如下實踐啟示：

（1）政府層面，首先應明確人工智能賦能產業發展的戰略重點，制定分階段優先發展戰略，支持人工智能行業試點項目實施，為技術推廣和應用積累經驗。另外，系統規劃人工智能基礎設施建設，支持數據共享平臺等關鍵性資源開發，為創新生態系統提供硬件基礎。

其次，政策設計需考慮供給、需求和環境等不同維度，在技術發展和應用不同階段采取差異化監管策略。在早期注重寬松政策，中后期通過精細化、動態化的監管模式，平衡好技術創新與潛在風險之間的關系。最后，設置專項資金，支持高校和科研機構與企業聯合培養跨學科復合型人才，尤其是培育將人工智能技術與產業深度融合的實踐型專家。積極促進國際合作與交流，搭建全球化創新資源共享平臺，與國際領先機構和企業開展技術交流，分享技術發展經驗和創新成果。

（2）在企業層面，首先企業需結合行業發展趨勢和自身核心業務需求，重點布局適配的人工智能技術。逐步提高技術管理與研發能力，在業務場景中深度應用人工智能，實現“技術驅動 + 模式創新”的雙輪驅動。其次，根據市場環境及政策變化，靈活調整組織結構與戰略部署，推動從單一技術驅動到系統化戰略管理轉型。加強與上下游產業鏈企業及跨行業合作伙伴的協同合作，共建數據資源和技術平臺，構建開放式創新生態，實現資源的高效配置與價值共創。最后，加大關鍵技術研發投入，建立多層次人才培養機制，推進企業數據資源積累和治理，圍繞人工智能新興應用領域進行投資布局，形成創新生態競爭優勢，通過開放合作提升行業影響力。

5.4 不足與展望

本文存在如下不足：第一，雖然本文嚴格遵循案例研究方法，且選取生物醫藥產業作為案例研究對象，并在數據收集與分析過程中盡可能保證研究信度和效度，但單案例研究在復制性和拓展性方面存在一定局限性。人工智能賦能不同產業創新生態系統演進動力機制差異較大，未來應采用多案例研究或大樣本實證研究等方式檢驗本文研究結論的普適性。第二，本文研究對象處于快速變革中，未來應持續跟蹤相關企業，深入挖掘其變革規律和機制，從不同視角對人工智能賦能生物醫藥產業發展進行深入分析。

參考文獻：

[1]霍治方，劉剛.智能化轉型背景下自動駕駛產業化的中國實踐[J].中國科技論壇，2024，40（7）：95-109.

[2]汪壽陽，李明琛，楊昆，等.ChatGPT + 金融：八個值得關注的研究方向與問題[J].管理評論，2023，35（4）：3-11.

[3]王茜，李東巧，劉細文.ChatGPT技術在生物醫藥領域的應用潛力與風險[J].中國科學基金，2024，38（1）：200-210.

[4]ROB TOEWS. The next frontier for large language modelsisbiology[EB/OL].[2023-07-16]/.https：//www.forbes.com/sites/robtoews/2023/07/16/the-next-frontier-for-large-language-models-is-biology/.

[5]BELTAGUI A，ROSLI A，CANDI M. Exaptation in a dig-ital innovation ecosystem：the disruptive impacts of 3Dprinting[J].ResearchPolicy，2020，49（1）：103833.

[6]戎珂，柳卸林，魏江，等.數字經濟時代創新生態系統研究[J].管理工程學報，2023，37（6）：1-7.

[7]歐春堯，邵業，曹陽春，等.數智賦能下海上風電產業創新生態系統演化過程研究——基于明陽智能的扎根分析[J].科技進步與對策，2024，41（15）：128-137.

[8]楊柏，陳銀忠，李海燕.數字化轉型下創新生態系統演進的驅動機制[J].科研管理，2023，44（5）：62-69.

[9]關婷，薛瀾，趙靜．技術賦能的治理創新：基于中國環境領域的實踐案例[J]．中國行政管理，2019，35（4）：58-65.

[10]BREIDBACH C F，REEFKE H，WIDMER T. Service sup-ply chain configurations：from agile to efficient value net-works[C].The Routledge Handbook of Service ResearchInsights and Ideas，2020：241-256.

[11]CHENG H，JIA R，LID，et al. The rise of robots in Chi-na[J]. Journal of Economic Perspectives，2019，33（2）：71-88.

[12]GLUECKLER J，HAMMER I. A pragmatic service typol-ogy： capturing the distinctive dynamics of services in timeand space[J].Service Industries Journal，2011，31（5-6）：941-957.

[13]ADNER R. Match your innovation strategy to your inno-vation ecosystemLJ」.Harvard Business Review，2006，84（4） ：98-107，148.

[14]ADNER R. Ecosystem as structure： an actionable con-struct for strategy[J]. Journal of Management， 2o17，43（1）：39-58.

[15]CENNAMO C，SANTALO J. Generativity tension andvalue creation in platform ecosystems[J]. Organizationscience，2019，30（3）：617-641.

[16] JACOBIDES MG，TAE C J. Kingpins，bottlenecks，andvalue dynamics along a sector[J]. Organization Science，2015，26（3）： 889-907.

[17]CHAE B K. A general framework for studying the evolu-tion of the digital innovation ecosystem： the case of big da-ta[J]. International Journal of Information Management，2019，45（2） ：83-94.

[18]劉云，郭棟，黃祖廣．我國高檔數控機床技術追趕的特征、機制與發展策略——基于復雜產品系統的視角[J]．管理世界，2023，39（3）：140-158.

[19]林艷，李盈.平臺型創新生態系統動態演進機理——基于“架構者”的資源編排視角[J].科技進步與對策，2024，41（15） ：118-127.

[20]NETO JR，FIGUEIREDO C，GABRIEL BC，et al. Fac-tors for innovation ecosystem frameworks：comprehensiveorganizational aspects for evolution[J]. TechnologicalForecasting and Social Change，2024，203：123383.

[21]武建龍，鮑萌萌，楊仲基.新興產業顛覆性創新政策組合作用機制研究：基于創新生態系統視角[J].中國軟科學，2023，38（7） ：44-55.

[22]邵云飛，周湘蓉，楊雪程.從0到1：數字化如何賦能創新生態系統構建[J].技術經濟，2022，41（6）：44-58.

[23]李明，王衛.場景驅動、商業模式與創新生態系統演進基于特斯拉企業價值的邏輯起點[J].科技進步與對策，2023，40（17） ：45-55.

[24]湯睿，林春培，李京，等.基于資源編排的企業數字化能力與創新生態系統構建[J].科技進步與對策，2024，41（16）：83-94.

[25]阮添舜，屈蓉，顧穎.數字平臺生態系統下企業何以實現數字創新[J].科技進步與對策，2023，40（23）：82-91.

[26]儲節旺，吳蓉，李振延.數智賦能的創新生態系統構成及運行機制研究[J].情報理論與實踐，2023，46（3）：1-8.

[27]王海軍，賀子桐，馬曉琳，等.數字化下區域創新生態系統的組織與機制演進——基于中關村科技園區的縱向案例研究[J].科技進步與對策，2024，41（17）：32-43.

[28]EISENHARDT K M， GRAEBNER M E. Theory buildingfrom cases： opportunities and challenges[J]. Academy ofManagement Journal，2007，50：25-32.

[29]SIGGELKOW N. Persuasion with case studies[J].Acade-my of Management Journal，2007，50（1） ：20-24.

（責任編輯：王敬敏）

The Dynamic Evolution of Artificial Intelligence-Empowered Industrial Innovation Ecosystem：Driving Factors and Specific Paths

Liu Yun，Fang Haochao （Institute of Public Policy and Management，University of Chinese Academy of Sciences，Beijing l0ol90，China）

Abstract：The integration of artificial inteligence acrossvarious sectors，including autonomous vehicles，finance，and bio medicine，hascatalyzed significant shiftsandadvancementsinboth establishedand burgeoning industries.Buildinganddevelopinganinnovationecosystemisanimportantstrategyforcountries topromote innovationanddevelopment.The applicationof artificialintellgencecandrivetechnological innovationatthesource，atract multiple stakeholders toparticipate in value creation，integrate innovationresources，and jointlybuildaninnovationecosystem.Withthe gradual deepening of artificial intellgence empowerment，it has promoted the dynamic evolution of innovation ecosystems and posed new challenges tothetheoryofinnovation ecosystems.Theparticularityofartificial intellgencetechnologyhasledtoalackof indepth and systematic research on its specific application process and characteristics inthe innovation ecosystem，and the internal driving factors and paths for theevolutionoftheindustrial innovationecosystem empowered byartificialinteligence are not yet fully understood.

This paper adopts a longitudinal single case study method with the biopharmaceutical industry as the case study object.Theapplicationofartificial intellgenceis divided intoatechnologyaccumulationperiod，anintegrationperiod，andan industry empowerment period.From a dynamic perspective，thedrivingfactorsand paths of theevolutionofthebiopharmaceuticalidustry empowered byartificial intellgenceareexplored，providing theoreticalsupportand practical guidance for promoting the continuous optimization and upgrading of the industrial innovation ecosystem.

Theresults show that（1） policy guidance，technology promotion，market pull，and organizational change jointly drive theevolutionof the innovation ecosystem，andthe dominant drivingfactors thatplayarole vary indiferentstages of artificialintellgence technology.（2）Artificialintellgencepromotes theevolutionofinovationecosystemsthrough pattern innovation，and innovation paterns achieve a comprehensive transformation from point to end and then to automation.（3）The periodof technologicalaccumulation is driven by the survival pressurecaused by marketcompetition，achievinga single point breakthrough in technology；the technology integration period is driven by policy-guided inovation strategies，achievingan end-to-end research and development model;and the industrial empowerment period is driven by multidimensional synergy led by technology，achieving a model of \"AI+automated experiments十expert experience\".

The novelties of this paper areas follws：Given the lack of industry analysis at the meso level under technological background in theexisting research ，this paper conducts case studies on the biopharmaceutical industry to analyze the driving factorsand pathsof theevolutionofartificial intellgenceenabled industrialinnovation ecosystems，expandngthe theoretical research on industrial innovationecosystems.Moreover，it divides the technology empowerment stage into technology accumulation stage，technology integration stage，and industry empowerment stage，and expands the research on innovation ecosystems fromadynamic perspective.Finally，duetothe particularityof artificialinteligence technology， thereis alack of systematic researchonthedriving factorsand paths fortheevolutionof AI-empowered industrial inovation ecosystems domesticallyand internationally.This studyanalyzes the evolutionprocess of the innovation ecosystem in the biopharmaceutical industry，and through model innovation，it facilitates the evolution of the innovationecosystem.

The deepempowermentofartificialintellgence technologyand thedeep integrationof artificialintellgenceand industrialinnovation ecosystem are thefundamental guarantees for promoting the prosperous and orderlydevelopmentof industries.Atthegovernmentlevel，itisecessarytoguidetheapplicationofartificialintellgenceindiferentindustries，considering thefocus of different policies such assupply，demand，and environment.At diferent stages of technological development，eforts should be made to shift from encouraging technological development to emphasizing regulation，and thentoachievingbalanceddevelopment.Attheenterpriselevel，itisnecessarytoactivelylayoutartificialinteligence，adjust organizationalstructure inatimely manner according tothe policiesand market environment，and achieveadual wheel driveof \"technology+mode\".At the same time，in the future，multiplecase studies or large-scaleempirical studies can also beused totesttheresearch conclusions ofthis article，further tracking thelawsand mechanisms of change，and exploring the empowerment of the biopharmaceutical industry by artificial intellgence from different perspectives.

Key Words：Artificial Inteligence; Industrial Innovation Ecosystem;Driving Factors； Biopharmaceutical Industry