數字經濟時代融合式創新機理與發展路徑

【摘要】國產大模型DeepSeek以其開源、低成本、高效能，以及可為全球用戶免費、無限調用等特性，在全球人工智能產業中掀起熱潮。我國數字經濟領域眾多企業通過“融合式創新”充分發揮協同合作優勢，實現了低成本的技術迭代與升級，推動了新的“技術-經濟”范式發展。數字經濟時代融合式創新的特征，包括技術融合化、數據要素化、產業融合化、信息能量化、算力網絡化。融合式創新以技術融合和協同合作為支柱，推進了人工智能系統基礎設施層、數據層、算法模型層、服務化層、應用生態層和安全治理層的優化。促進融合式創新需要以創新為目標推進跨領域合作，以算力為中心強化基礎設施建設，以用戶為導向推動技術與產業融合。

【關鍵詞】人工智能" 融合式創新" 技術融合" 協同合作

【中圖分類號】TP18/F49" " " " " " " " " " " " 【文獻標識碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2025.13.008

引言

人類社會的每次技術革命，都是在創新性技術的推動下，重構生產要素組合、產品形態、生產方式、組織結構以及產業生態，從而建立新的生產力體系和生產關系網絡，最終引發整個社會經濟制度的深刻變革。從工業革命到信息革命，再到當今的數字經濟時代，我們看到各領域的技術邊界不斷被突破，以人工智能（AI）技術為代表的一系列新興技術正在重塑全部經濟活動和社會生活，“技術-經濟”范式呈現出新的變遷。這一范式轉變遵循了熊彼特創新理論和技術經濟范式理論，正在形成新的增長動力機制。

?2025年1月27日，國產大模型公司深度求索的大語言模型應用DeepSeek-R1超越美國開放人工智能研究中心（OpenAI）的ChatGPT，登頂蘋果中國和美國應用商店免費APP下載排行榜，標志著中國人工智能技術在全球競爭格局中的重要突破。DeepSeek的發布引發了全球科技股市場的波動，英偉達（NVIDIA）股價在1月27日暴跌17%，創下美國歷史上公司單日市值最大跌幅紀錄。[1]博通（Broadcom）當日股價同樣下跌17%，甲骨文下跌超13%，超威半導體公司（AMD）下跌6%，微軟下跌2%。[2]受DeepSeek影響，2025年2月6日，OpenAI宣布向所有用戶免費開放ChatGPT搜索功能。可以說，DeepSeek引發了人工智能技術在全球范圍的普惠應用，也正在重塑人工智能領域的競爭格局和競爭規則。

在全球技術競爭日益激烈的背景下，中國數字技術的快速發展彰顯了其獨特的創新路徑。在全球貿易技術領域和相關產業處于諸多限制的環境下，我國企業不斷探索突破技術邊界，通過“融合式創新”產生了以小博大的市場業績，DeepSeek促使人工智能產業從依賴高端算力（如英偉達的A100/H100芯片）轉向更注重算法優化和低成本的解決方案，體現了資源約束下的創新智慧。事實上DeepSeek的案例并非孤例，它代表了中國技術創新的普遍模式。例如，新鋰電池技術雖非中國原創，但通過完善產業鏈、深化應用場景和持續技術迭代，中國企業已在全球鋰電池產業中占據領先地位，展現了“融合式創新”取勝的趨勢。在“融合式創新”的模式下，中國技術發展實現了從跟隨者到引領者的轉變，以小博大、以關鍵環節帶動平臺發展，已成為中國技術發展范式轉變的主旋律。

數字經濟時代融合式創新的特征

融合式創新與顛覆性創新。熊彼特的創新理論剖析了創新的作用機理，總結了產品創新、技術創新、市場創新、資源配置創新、組織（制度）創新等五種情況，指出創新帶來的新生產函數為經濟向前發展筑牢了根基。熊彼特提出了“創造性破壞”（creative destruction）理論，其核心即顛覆性創新（disruptive innovation），強調企業通過引入全新的技術或商業模式，徹底改變現有市場的競爭格局，甚至創造出全新市場。實踐的發展與進一步的研究證明，與顛覆性創新相比，融合式創新（integrative innovation）在技術變革周期中展現出更廣泛的適用性。融合式創新是指在新技術出現并逐漸普及的過程中，通過跨領域技術整合、生產要素重組和產品服務再融合，創造新的生產函數，產生對微觀經濟、中觀經濟，乃至宏觀經濟的重大影響。融合式創新側重跨領域的協同與整合，從傳統意義上講，融合式創新的路徑較為漸進，因此對市場的影響相對和緩，不會像顛覆性創新那樣引發突破性、革命性市場競爭格局變革。

數字經濟背景下，當融合式創新與網絡平臺疊加，創新的影響力及協同效應會被極大拓展，數字技術的模塊化、可重組性和分布式應用特性使融合式創新具備了改變市場競爭格局、創造全新市場需求與用戶群體的能力。中國在人工智能和新能源領域的實踐表明，融合式創新在資源約束條件下，能夠實現“以小博大”的效果，成為后發經濟體實現跨越式發展的重要路徑。

融合式創新的特征。一是技術融合化。數字經濟是以各種數字技術與現代通信網絡為基礎設施、以數據為關鍵生產要素的經濟系統，新技術對原有技術的改造、替代，可以打破固有的技術壁壘。與此同時，多種類前沿技術的融合與交叉應用成為常態。技術融合已使10%至15%的傳統產業邊界被重構，為新產品（服務）、新運營（組織）模式及新商業模式的涌現奠定了基礎。以大語言模型為例，其發展依賴于深度學習算法、海量數據、高性能計算等多種技術的融合。DeepSeek正是通過優化算法和創新系統架構，在有限算力條件下實現了可與高端芯片依賴型模型相媲美的性能。這種技術融合化特征使創新不再局限于單一技術突破，而是通過系統性整合實現價值創造。

二是數據要素化。數字經濟的核心生產要素是數據，它已成為生產函數中的關鍵變量，數據在生產、交換、分配、消費等環節中的價值作用不斷凸顯。數據要素不僅發揮自身價值，還能與傳統生產要素結合，通過數據賦能提升資源配置效率。數據的非競爭性特征使其能夠被多方同時使用而不被損耗，從而產生規模遞增的經濟效應。要素的重新組合也是融合式創新產生的重要路徑，例如，數據驅動的智能化生產正在成為制造業轉型升級的重要方向。2023年，我國規模以上企業在生產經營活動中廣泛應用信息化管理系統、云計算、物聯網、人工智能等數字化技術，推動了生產效率提升和資源配置優化。[3]

三是產業融合化。融合式創新的主旨在于打破傳統領域的邊界，整合不同領域的技術和資源。如果說技術融合和數據要素化是融合式創新的微觀特征，那么產業融合化則是融合式創新的中觀呈現形式。數字經濟時代的產業邊界日益模糊，企業競爭不再局限于傳統產業內部，而是擴展到更廣泛的生態系統。傳統產業的數字化轉型和不同產業之間的邊界消融速度將加快，數字經濟與實體經濟的深度融合也將形成多種新興的產業業態。根據國家統計局數據，2023年我國數字經濟核心產業增加值為127555億元，占GDP的比重為9.9%。其中，數字技術應用業增加值為55636億元，數字產品制造業增加值為43135億元，數字要素驅動業增加值為24747億元，數字產品服務業增加值為4037億元。[4]數字經濟與實體經濟的融合不斷深化。以新能源汽車產業為例，2023年，我國新能源汽車產量為944.3萬輛，產銷量占全球比重超過60%，[5]其融合了汽車制造、電池技術、智能軟件、能源管理等多個領域，形成了全新的產業生態。產業融合不僅創造了新的增長點，還推動了傳統產業的數字化轉型和升級。

四是信息能量化。從經濟學角度看，一切經濟活動都可以解釋為能量的傳遞，能量與價值相交互。數字經濟時代，信息的傳輸和處理過程意味著能量與價值間的轉化，信息規模化使用有助于減少各類經濟活動中的不確定性并提升價值。

信息價值化是其能量化的具體表征，香農（Shannon）的信息熵理論已經證明信息與物理熵的關系，進而表明信息處理是一種能量轉換過程。隨著量子信息理論的發展，蘭道爾原理（Landauer's Principle）進一步證實了信息處理的能量本質。伴隨數據要素和新一代信息技術的廣泛應用，信息能量已成為驅動經濟社會發展的“數智能量”。預計2025年，全球數據創造和復制量將達到175澤字節（ZB），其蘊含的信息能量將對經濟系統產生深遠影響。

五是算力網絡化。數據、算法和算力被公認為數字經濟的三大基石，數據是核心生產要素、算法是數據分析的規則和處理程序的方法，而算力則是執行算法所需的軟硬件資源的綜合能力。算力在數字經濟中起到支持數據處理和加速算法運行的作用，強大的算力是數據應用和算法運行效率和效果的保障。根據工信部數據，截至2024年，全國移動網絡承載的數據流量超過3376億千兆（GB），比上一年增長了11.6%。伴隨數據規模的超速增長，數字經濟正從量變走向質變。融合式創新突破了單點算力局限，正在推動形成泛在協同的算力網絡。算力的高效分配和利用是實現普惠數據服務的關鍵，也是融合式創新在資源約束條件下發揮效能的重要機制。

以DeepSeek為代表的融合式創新的邏輯機理

融合式創新的兩大支柱。融合式創新的核心在于將不同領域的技術、資源或理念進行整合，創造出全新的價值和解決方案。在數字經濟時代，融合創新依托開放平臺的網絡效應將不同領域的技術、資源或理念深度整合，形成極強的放大效應。根據夏皮羅（Shapiro）和范里安（Varian）在《信息規則》中的闡述，這種效應可分為直接網絡效應（網絡的總價值隨用戶規模的增加而增加）、間接網絡效應（網絡的總價值因互補品的增加而增加）和交叉網絡效應（網絡總價值因平臺上各邊群之間的互動和相互影響而增加）。從驅動力上看，技術融合和協同合作作為兩大支柱，共同推進融合式創新產生。

技術融合是指將不同領域的技術進行有機結合，形成新的技術體系，也有學者將其定義為“通過不同技術領域的交叉和重組，創造出具有新功能和新價值的技術系統”。這種融合可以是現有硬件與軟件的更高效率結合，也可以是以不同學科技術的重新組合與交叉應用形成更有效的新型技術。DeepSeek正是基于對算法優化、數據處理和系統架構等多領域技術的融合創新，在有限資源條件下展現了高效性能。

在融合式創新中，不同領域資源的重組與整合往往需要多個企業和機構合作完成。在數字經濟時代，平臺鏈接各類相關聯的企業（機構），形成平臺的不同“邊群”。這些邊群在供給和需求方面相互依賴、相互影響，既有產業鏈上下游之間的關系，也有同一市場層級中競爭合作的關系。協同合作進一步放大技術融合的效果，平臺的各邊群在競爭中有合作，在合作中有競爭，形成了共建、共享、共贏的創新局面。這種協同合作在DeepSeek的發展中表現為其開源策略、開發者社區建設以及與多方合作伙伴的生態構建。

融合式創新的邏輯機理。作為數字經濟核心技術，無論從微觀還是宏觀視角來看，人工智能都給生產要素、企業組織和產業運行帶來了體系化變革，形成賦能態勢。本部分將通過對比分析DeepSeek和傳統大模型的差異，揭示融合式創新在人工智能領域的具體實現機制和邏輯機理。人工智能系統可分為基礎設施層（Infrastructure Layer）、數據層（Data Layer）、算法／模型層（Large Model Layer）、服務化層（Service Layer）、應用生態層（Application Layer）、安全治理層（Safety amp; Governance Layer）六個核心層次，這六個層次共同支撐了人工智能系統的感知、學習、推理和執行四種智能化行為（見圖1）。

基礎設施層是指支撐大規模人工智能訓練與推理的算力基礎，包括硬件基礎（如服務器、圖形處理器）和軟件基礎（如操作系統、分布式計算框架）。在這一層面，DeepSeek與傳統大模型的基礎設施需求相似，但其創新點在于能夠在算力受限的條件下，優化與高效利用計算集群。硬件方面，DeepSeek-V3采用了大規模的計算集群，計算節點內高速互連，節點間采用“無限帶寬”技術（InfiniBand， IB）進行高效通信，減少了通信延遲，顯著提升了訓練效率；軟件方面，采用任務調度組合并行策略，引入雙向管道并行算法（DualPipe），充分利用集群的計算資源，在大規模集群上高效進行分布式訓練的同時，實現了高效的流水線并行處理。

數據層主要為模型訓練與迭代提供高質量數據，包括多模態數據湖、數據治理工具和知識增強引擎等。與傳統大模型依賴大規模人工標注數據的方式不同，DeepSeek在數據層的創新主要體現在兩個方面。一是DeepSeek應用強化學習方法讓模型在與環境的交互中自主學習，即通過獎勵機制引導模型從海量數據中提取高質量的訓練樣本，減少了對人工標注數據的依賴；二是DeepSeek開發了多模態數據蒸餾技術（Data Distillation），即通過從大型原始數據集中提取關鍵信息，生成更小但信息密度更高的訓練數據集，從而形成數據自動清洗-標注-增強的閉環系統，極大提升數據處理效率。在物理世界數據采集方面，DeepSeek開發了3D神經渲染引擎，通過虛擬環境模擬生成訓練數據，很大程度上降低了實物數據的采集成本。這種數據層的融合式創新，展現了創新組合算法與數據處理技術，降低對高質量標注數據的依賴，從而在數據資源約束下實現高效訓練的發展模式。

算法／模型層是人工智能系統的“大腦”，負責研發與迭代通用及專業領域的大模型。不同的模型可以處理不同類型的任務，如自然語言處理、計算機視覺等。傳統大模型主要采用經典變換器架構（Transformer），在所有節點上進行參數計算，整體效率偏低。DeepSeek在算法／模型層的創新主要體現為兩方面。一是基于Transformer架構，DeepSeek自研了無輔助損失負載均衡策略的混合專家架構（Mixture-of-Experts， MoE）。MoE每層包含1個共享專家和256個路由專家，通過智能路由機制，每次推理僅激活部分參數，在保證性能的同時大幅降低計算成本，實現了參數規模線性增長，且計算復雜度僅呈次線性增長。二是DeepSeek開發了多頭潛在注意力機制（Multi-head Latent Attention， MLA）。MLA通過優化注意力計算過程，減少了推理時的緩存占用并提升了處理效率。DeepSeek-V2模型通過MLA技術將推理量提升了5.76倍，內存占用減少了93.3%。在模型訓練和推理過程中，DeepSeek應用模型蒸餾方法，通過將大型“教師模型”的知識遷移到小型“學生模型”中，實現模型輕量化。這種方法突破了模型對海量數據的依賴，同時顯著降低了計算資源消耗，使小型模型在特定任務上達到接近大型模型的性能。在算力有限的條件下開發高效人工智能模型，體現了融合式創新“化繁為簡”的特點。

服務化層將模型能力轉化為標準化服務。基于前三層的創新積累，DeepSeek在服務化層形成了顯著的成本優勢。首先，DeepSeek通過應用程序編程接口（API）、軟件開發工具包（SDK）提供模型即服務（Model as a Service， MaaS），包括聊天、代碼生成、多模態理解等功能，其API定價較之同類服務更低，極大降低了使用門檻。其次，DeepSeek實現了模型輕量化（包括蒸餾和量化技術），使模型能夠在終端設備上高效運行。此外，DeepSeek開發了動態批處理、顯存優化等彈性推理引擎，進一步提升了服務效率。這些服務化層的融合式創新，展示了將技術優勢轉化為服務優勢和成本優勢的有效路徑，使人工智能技術更加普惠化和大眾化。

應用生態層是人工智能系統面向用戶的最終界面，包含了各種智能應用和解決方案。DeepSeek在應用生態層的創新主要表現在兩個方面。一是DeepSeek公開了核心框架的輕量版，并允許商業化使用。二是DeepSeek建立了模型微調眾包平臺，吸引全球人工智能領域的專家和愛好者參與模型改進。這種開放式創新模式不僅促進了大模型的迭代與升級，更因其透明性促進了人工智能技術的公平使用。DeepSeek的應用生態包括面向消費者（Business-to-Consumer，簡稱C端）的智能助手（如DeepSeek-R1）等，面向企業或商業客戶（Business-to-Business，簡稱B端）的金融研報生成、法律合同審查、教育個性化輔導等，以及涵蓋開源模型（如DeepSeek-MoE）、模型托管平臺、工具鏈在內的開發者生態體系。這種多層次的應用生態構建，體現了融合式創新的協同合作特征，即通過開放協作形成創新合力。

安全治理層主要負責保障技術可控、人工智能運行系統符合倫理原則及合規原則。DeepSeek在這一層面的創新主要是構建了符合中國政策法規的安全治理框架。根據《生成式人工智能服務管理暫行辦法》和《國家人工智能產業綜合標準化體系建設指南（2024版）》的要求，DeepSeek開發了多層次的安全防護機制，包括內容輸出過濾系統和對抗攻擊防御機制。

融合式創新的綜合效應。通過對DeepSeek六層創新的分析，可以清晰地看到作為融合式創新兩大支柱的技術融合和協同合作如何在實踐中發揮作用。在技術融合方面，DeepSeek基于傳統大模型技術，不斷對算法架構、數據處理、系統優化等多領域技術進行重組和重構，形成了適應資源約束條件的創新解決方案。這種技術融合不是單純的技術疊加，而是通過系統性整合產生了超越單一技術的協同效應。在協同合作方面，DeepSeek通過開源策略和生態構建，整合了全球開發者社區、行業應用伙伴和用戶群體的創新力量，形成了開放共享的創新網絡。這種協同合作模式不僅加速了技術迭代，也擴大了應用場景，實現了技術、資源和市場的高效對接。

DeepSeek的案例驗證了融合式創新在數字經濟時代的巨大潛力，特別是在資源約束條件下，通過技術融合和協同合作，依然能夠實現與資源密集型創新模式相媲美的成果，體現了“以小博大”的創新智慧。這種模式為發展中國家技術追趕提供了寶貴啟示，即在無法完全復制發達國家資源密集型創新路徑的情況下，可以通過融合式創新尋找適合自身條件的差異化發展路徑。

促進融合式創新的發展路徑

世界知識產權組織發布的《生成式人工智能專利態勢報告》顯示，2014～2023年十年間，全球共有54000項生成式人工智能發明，中國的生成式人工智能發明超過3.8萬項，排名全球第一，是排名第二的美國的6倍。[6]在這些專利中，融合式創新無疑成為重要力量。數字經濟時代的融合式創新最初表現為跨領域整合（各類技術、軟件與硬件、應用與商業模式間的重組），然后表現為協同合作（開放、開源的多主體價值共創），最后展現為以用戶為導向的多元化產業應用模式。從未來的發展看，我國促進融合式創新需要從以下幾方面進一步強化。

以創新為目標推進跨領域合作。首先，鼓勵跨學科研究，推動企業、高校和科研機構之間的合作，形成共同探索新技術和新應用的聯合體，通過聯合研發、委托開發、平臺共建等模式，推進人工智能技術與其他相關技術（如物聯網、大數據、5G等）深度融合，形成更強大的技術體系，以實現更廣泛的應用場景和更高效的解決方案。例如，浙江大學與阿里巴巴公司攜手成立前沿技術聯合研究中心、字節跳動與清華大學人工智能研究院（AIR）建立聯合研究中心等，上述機構在自然語言處理、計算機視覺以及機器學習等前沿技術方面已取得階段性突破。

其次，不同企業之間也可以形成產業鏈縱向與橫向的合作關系，共同探索新興數字技術在各自領域的應用前沿，不斷壯大產業集群的效益。例如，騰訊云將DeepSeek-R1大模型一鍵部署至其高性能應用服務（HAI）中，開發者可以在3分鐘內完成模型的啟動和配置，無需手動處理復雜的安裝和調優過程；北京硅基流動科技有限公司和華為云團隊聯合首發并上線基于華為云昇騰云服務的DeepSeekR1/V3推理服務；360數字安全集團創始人周鴻祎承諾360將無償為DeepSeek提供全方位網絡安全防護。上述企業間合作無疑會進一步加速相關技術的迭代與普及。

最后，伴隨各產業領域數字化轉型的加速，企業需要快速適應技術變化、商業模式和市場變化。數據技術與各業務領域的融合趨勢，將使各方對具備靈活應變能力的跨領域人才的需求呈爆發性增長。教育機構育人體系將不斷突破學科、專業界限，更注重全面培養學生的綜合能力，企業也會通過內外部跨領域培訓提升員工的綜合思維能力。

以算力為中心強化基礎設施建設。量子計算、億億次（Exascale）超算系統、專用人工智能芯片與類腦芯片研發以及國家級數據和算力中心建設已成為各國算力革命的關鍵戰略領域。美國通過《國家量子倡議法案》和《芯片與科學法案》為量子計算研發和半導體產業提供了大量資金支持和政策保障，國家科學基金會資助的多個量子計算項目促進了該技術在多領域的應用拓展。在高性能計算方面，美國能源部支持的橡樹嶺國家實驗室超級計算機“Frontier”已達Exascale級別，與歐盟的歐洲高性能計算（EuroHPC）項目共同為科研與工業發展提供了強大計算支撐。在芯片研發領域，美國NVIDIA等公司開發的高性能人工智能芯片廣泛應用于數據中心和產業領域，顯著提高了計算效率。歐盟EuroHPC項目整合多國資源部署Exascale超算系統，顯著提升了歐洲高性能計算競爭力。法國針對數據中心企業實施電價優惠政策，降低了其運營成本，有效促進了基礎設施建設。日本AI橋接云基礎設施（ABCI）超算平臺開放共享模式則有效避免了資源重復建設。各國通過政策引導、資金投入和技術創新協同推進，已在算力技術發展與應用領域形成明顯競爭態勢。

在《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》中，量子信息被列為前沿科技重點方向。在已有研究成果的基礎上，發揮“國家主導＋市場驅動”的雙輪模式優勢，匯聚政府、企業、科研機構等多主體的力量，一要穩步推進“東數西算”工程，優化算力資源布局。二要加大對國產芯片等核心硬件的研發投入，夯實數字經濟時代的硬實力，避免關鍵領域（如芯片、量子）受制于人。三要增強大型、高效能數據中心的建設，一方面建立有效的數據管理和共享機制，在確保數據安全的前提下促進數據的流通和共享；另一方面強化基礎設施建設，推動算力建設由基礎研究向工程化落地跨越式發展，不斷滿足人工智能技術對計算資源和存儲資源的需求。

以用戶為導向推動技術與產業融合。當前中國具備應用場景多樣化和市場規模龐大的雙重優勢，為新興技術尋找可持續商業化路徑提供了得天獨厚的條件。與西方國家相比，中國擁有更為復雜多樣的社會經濟結構和用戶需求譜系，這種“需求側多樣性”成為推動技術與產業深度融合的催化劑。因此，未來發展戰略應當以用戶需求為核心導向，推動技術規模化應用，實現產業融合創新的質量突破。

一是精準定位高價值需求，實現目標導向的融合創新。傳統的技術推動型創新往往陷入“技術找場景”的困境，導致創新與市場需求脫節。改變這一狀況，必須廣泛開展行業運行數據、用戶心理特征及行為模式的系統性分析，運用大數據和人工智能技術，精準定位不同產業的“高價值需求”，即那些具有顯著市場空間、較高支付意愿、明確痛點問題的用戶需求集合。

二是更多采用“場景切片”方法，按用戶需求對場景應用進行分級分類，將復雜需求拆解為可技術化的小模塊（如零售業通過“時序數據建模＋動態優化算法”實現庫存預測）。“場景切片”方法的關鍵在于準確把握用戶需求的顆粒度，既不能過于宏觀、難以落地，也不能過于微觀、無法形成系統解決方案。理想的切片應當是基于用戶旅程（user journey）的自然節點，形成既相對獨立又能有機銜接的應用場景組合。

三是利用數字技術全鏈條賦能傳統產業。傳統產業是國民經濟的基礎，也是技術與產業融合的廣闊試驗場。應當利用各類數字技術對傳統產業進行全方位、全鏈條的數字化改造，提升自動化、智能化水平。這種改造不是簡單的技術嫁接，而是通過數字技術重塑產業價值鏈。一方面，通過融入數據、算法、算力等新型生產要素，發揮“數據＋”“數據×”“人工智能＋”“人工智能×”等效應，形成更高效、更精細、更敏捷的生產方式。例如，傳統制造業通過引入工業互聯網平臺，實現設備互聯、數據共享、遠程運維，提升生產效率，降低能源消耗。另一方面，數字技術能夠重塑產業邊界，催生新型業態。以農業為例，通過物聯網、大數據、人工智能等技術的融合應用，傳統農業正在向“智慧農業”轉型，不僅優化了種植、灌溉、收獲等環節的效率，還延伸出農產品溯源、定制化種植、體驗農業等新業態，拓展了產業價值空間。

四是不斷進行敏捷迭代，保障融合創新的市場適配性。技術與產業融合不是一蹴而就的，這一過程需要持續迭代優化。因此，必須建立起“原型測試-反饋收集-調整優化”的敏捷循環機制，確保創新成果與市場需求的高度契合。

結語

DeepSeek是中國技術融合式創新的典型案例，其成功開發和應用展現了中國開放與融合式創新模式對傳統閉源模式的超越，充分證明了在一個完整的創新生態系統中，融合式創新和顛覆性創新并非對立關系，可以相互補充、相互促進。融合式創新通過對已有技術的整合優化和場景化應用，保持現有市場的活力和競爭力；顛覆性創新則可以推動市場的變革和升級。兩者的有機結合，構成了創新驅動發展的雙引擎。

融合式創新作為一種新興的創新模式，正以其獨特的邏輯和強大的生命力，形成新的“技術-經濟”范式，深刻改變產業格局和人們的生產生活。中國是全世界唯一擁有聯合國產業分類目錄中所列全部門類的國家，互聯網規模全球領先，數字科技水平位于全球前列且潛力巨大，這為融合式創新提供了巨大的市場空間。當多樣化的產業需求與先進數字技術相結合，將催生出大量新產品、新服務、新模式和新業態，形成推動高質量發展的新動能。

可以預見，隨著5G、人工智能、區塊鏈、量子計算等新興技術的不斷成熟，以及產業數字化轉型的深入推進，數字經濟時代的融合式創新將在更廣領域得到應用，創造出更多符合市場需求的創新成果，為經濟社會發展注入持久活力。

（本文系國家社會科學基金項目“數字經濟背景下我國體育服務業與新媒體融合效果及融合創新研究”的階段性成果，項目編號：20BTY052）

注釋

[1]《英偉達股價暴跌 蒸發市值創紀錄》，2025年1月28日，https：//www.news.cn/fortune/20250128/6055df49ae824c90b6f925832943a56d/c.html。

[2]《華爾街手記｜美國科技企業股價暴跌的“意料之外”和“預期之中”》，2025年1月28日，https：//www.news.cn/world/20250128/ed6fa750974c4f78b83bde727a3dd886/c.html。

[3]《第五次全國經濟普查結果顯示：我國企業數字化轉型不斷走深走實》，2025年2月28日，https：//www.stats.gov.cn/sj/sjjd/202502/t20250227_1958814.html。

[4] 《2023年全國數字經濟核心產業增加值占GDP比重為9.9%》，2024年12月31日，https：//www.stats.gov.cn/sj/zxfb/202412/t20241231_1958126.html。

[5]《新能源汽車產量連續9年居全球首位》，2024年12月27日，https：//auto.cnr.cn/hy/20241227/t20241227_527022513.shtml。

[6]World Intellectual Property Organization， \"Patent Landscape Report - Generative Artificial Intelligence，\" 2024， https：//www.wipo.int/web-publications/patent-landscape-report-generative-artificial-intelligence-genai/en/index.html.

參考文獻

李林倬、趙南南， 2024年，《熊彼特的遺產——創新研究中顛覆式和組合式創新的思想溯源》，《社會學研究》，第6期。

A. Berut et al.， 2012， \"Experimental Verification of Landauer's Principle Linking Information and Thermodynamics，\" Nature， 483.

C. E. Shannon， 1948， \"A Mathematical Theory of Communication，\" Bell System Technical Journal， 27.

C. I. Jones and C. Tonetti， 2020， \"Nonrivalry and the Economics of Data，\" American Economic Review， 110（9）.

C. Shapiro and H. R. Varian， 1998， Information Rules： A Strategic Guide to the Network Economy， Boston： Harvard Business School Press.

D. J. Teece， 2018， \"Profiting from Innovation in the Digital Economy： Enabling Technologies， Standards， and Licensing Models in the Wireless World，\" Research Policy， 47（8）.

F. Kodama， 1992， Emerging Patterns of Innovation： Sources of Japan's Technological Edge， Harvard Business School Press.

G. Hinton; O. Vinyals and J. Dean， 2015， \"Distilling the Knowledge in a Neural Network，\" https：//arxiv.org/pdf/1503.02531.

IDC， 2022， \"Data Age 2025： The Digitization of the World from Edge to Core，\" https：//www.seagate.com/files/www-content/our-story/trends/files/idc-seagate-dataage-whitepaper.pdf？gid=164649.

R. U. Ayres and B. Warr， 2009， The Economic Growth Engine： How Energy and Technology Drive Productivity， Cambridge University Press.

Stanford HAI， 2023， \"AI Index，\" https：//hai.stanford.edu/research/ai-index-report.

Y. Yoo et al.， 2012， \"Organizing for Innovation in the Digitized World，\" Organization Science， 23（5）.

責 編∕李思琪" 美 編∕周群英