人工智能能力对颠覆性技术创新的效应研究——基于155家企业的调查研究

摘要：在第四次工业革命背景下，人工智能能力作为核心驱动力对颠覆性技术创新的影响备受关注。本研究基于155家企业的调查数据，从能力维度解构人工智能能力，提出“四维能力分析框架”（知识创造力、群智协同力、流程调用力、生态更新力），并区分高端与低端颠覆性技术创新，探究其作

在第四次工业革命背景下，人工智能能力作为核心驱动力对颠覆性技术创新的影响备受关注。本研究基于155家企业的调查数据，从能力维度解构人工智能能力，提出“四维能力分析框架”（知识创造力、群智协同力、流程调用力、生态更新力），并区分高端与低端颠覆性技术创新，探究其作用机制及情境差异。实证结果表明：（1）人工智能能力对两类颠覆性技术创新均具有显著正向驱动效应，但对低端颠覆性技术创新的边际效应更强；（2）企业规模呈现非线性调节作用，中等规模企业和特大型企业的颠覆性技术创新优势更突出；（3）民营企业中人工智能能力对高端颠覆性创新的驱动效应略高于国有企业，而低端颠覆性创新的驱动效应在两类企业间无显著差异。研究揭示了人工智能能力的多维度赋能机理，为企业颠覆性技术创新提供理论依据。

| 关键词 |

人工智能能力；颠覆性技术创新；效应研究

| Abstract |

Under the backdrop of the Fourth Industrial Revolution， the impact of artificial intelligence （AI） capability as a core driver on disruptive technological innovation has garnered significant attention. Based on survey data from 155 enterprises， this study deconstructs AI capability from a multidimensional perspective， proposing a “four-dimensional capability analysis framework” （knowledge creativity， collective intelligence synergy， process orchestration， and ecosystem renewal） and distinguishing between high-end and low-end disruptive technological innovations to explore their mechanisms and contextual differences. Empirical results indicate that：（1） AI capability exerts significant positive driving effects on both types of disruptive technological innovations， yet exhibits stronger marginal effects on low-end disruptive innovations; （2） Enterprise scale demonstrates a nonlinear moderating effect， with medium-sized enterprises and large-scale enterprises showing more pronounced advantages in disruptive innovation; （3） The driving effect of AI capability on high-end disruptive innovation is slightly stronger in private enterprises compared to state-owned enterprises， while no significant difference exists in low-end disruptive innovation between these two types of enterprises. This study unveils the multidimensional enabling mechanisms of AI capability， providing a theoretical foundation for enterprises to advance disruptive technological innovation.

| Keywords |

Artificial Intelligence Capability；Disruptive Technological Innovation； Effect Study

1.研究背景

在第四次工业革命的浪潮中，人工智能作为核心驱动力，正以前所未有的速度推动着社会经济的变革。随着大数据、云计算、深度学习等技术的快速发展，人工智能的应用场景不断拓展，从简单的自动化任务到复杂的决策支持，从单一的领域应用到跨领域的深度融合，人工智能正逐步渗透到社会经济的各个角落。

现有研究关于人工智能与创新的研究，主要是从人工智能应用的角度分析其对创新绩效、创新能力、创新过程的影响。如孙慧等（2025）利用机器学习的文本分析方法测度人工智能，研究发现人工智能有利于提升创新质量；田慧敏等（2024）探讨了人工智能应用程度、行业集中度和动态能力的协同作用对企业数字技术创新的影响，总体认为人工智能应用程度正向影响企业数字技术创新；李玉花等（2024）运用机器学习方法生成的AI词典测度了人工智能技术应用水平，并研究了其对企业创新的影响，发现可以显著促进企业的渐进式创新，长期来看也有助于促进企业突破式创新。这些研究对理解人工智能赋能创新的效应提供了丰富的视角和基础，但仍然存在两个方面的研究不足：一是人工智能赋能创新是一个动态的过程，在创新的不同阶段发挥着不同的作用，包括供给分析工具、强化分析功能等，这说明仅以人工智能工具或应用的视角理解人工智能的赋能效应还不够完整，人工智能更体现为一种促进创新的能力；二是随着学术界关于颠覆性技术创新研究的深入，已经区分为了高端颠覆性创新和低端颠覆性创新，也有研究关注到人工智能在这两类颠覆性创新方面发挥的效应不同，但目前从这一视角分析人工智能的效应还比较缺乏。基于此，本研究从能力的维度解构“人工智能”，从高端和低端的视角分类颠覆性技术创新，通过155家公司的样本数据深入分析人工智能能力对颠覆性技术创新的效应。

2.人工智能能力的内涵

1956年，约翰麦卡锡（John•McCarthy）、明斯基（Minsky）、纽维尔（Newell）和西蒙（Simon）等科学家在美国达特茅斯会议上探讨利用机器模拟智能的相关问题，并首次正式提出“人工智能”这一概念。随后在人工智能发展的过程中，不同领域的学者提出了对人工智能内涵的不同理解（见表1），目前关于“人工智能”的定义尚未达成统一（Łapińska et al.，2021）。

表1 人工智能的定义

人工智能可以从“人工”和“智能”两部分去认识。在汉语词典中，“人工”泛指人造的、人为的。与“自然、天然”相比，“人工”是人类主导的、目标明确的、经过精心设计和制造，能充分发挥主观能动性的行为，体现人类对物质世界客观规律的深刻理解与把握。所以人工智能是一种人为手段创造出来的机器（McCarthy， 1955）、计算系统（Russell & Norvig， 1995）或信息技术（Paschen， 2020）。而“智能”是智力和能力的统称，“智”强调对活动的认知能力，是一种分析、理解和运用知识的高级思维；“能”则是在实际活动中的操作能力[1]。大部分学者在理解和定义人工智能时突出其“智能”属性。例如，Mikalef和Gupta（2021）强调系统识别、解释、做出推论并从数据中学习以实现预先确定的组织和社会目标的能力。束超慧等（2022）认为人工智能是机器在执行相关任务时体现出的识别、预测和决策能力。

通过词义分析，结合不同学者对人工智能本质的诠释，人工智能可以定义为人类创造出的模拟人类智能的机器或系统。具体而言，人工智能具备类似人类的诸多智能能力，包括思维能力、推理能力、学习能力、感知能力等，可以像人一样进行思考、学习、决策，能够实现自主学习、自主适应和自主创新。

根据不同学者对人工智能内涵的理解，提炼总结出人工智能具有以下特征：

2.1智能性

“智能”是人工智能最重要的属性之一。人工智能的智能性感知、理解、推理、学习、决策以及自我优化等多个高级认知功能（Bolander， 2019; Duan et al.， 2019），具体表现在以下方面：首先，人工智能系统具备强大的感知能力，能够通过各种传感器接收并处理来自外部环境的信息；其次，人工智能可以运用复杂的算法和模型深度挖掘和分析数据信息。最后，人工智能具备推理和决策能力。在执行任务时，人工智能能够根据已有的知识和信息，进行逻辑推理和判断，从而制定出最优的行动方案。

2.2自主性

自主性通常被理解为一种独立于其他控制或引导的操作能力，它强调自我意识和自由意志。人工智能具备类似于人类的思维和能力，可以理解和再现复杂人类行为的能力，包括自学、自动化、自治、扩充、预先规定和决策（Issa et al.， 2022）。通过机器学习和深度学习等技术手段，人工智能可以实现自主优化，这意味人工智能在特定条件下自主感知环境、理解任务、制订计划并执行操作，而无需或仅需很少的人类干预。因此，人工智能具备一定的自主性，例如在自动驾驶领域，车辆运用人工智能集成传感器收集道路信息，自主规划行驶路线，避开障碍物，甚至在遇到突发情况时做出安全决策。

2.3协同性

人工智能的协同性具有重要意义，具体体现在两个方面：第一，机器与机器的协同。这种协同并不体现在单一智能体的高效运作上，更在于多个智能系统之间能够无缝衔接、相互协作，共同解决复杂问题，推动社会进步与产业升级。在多个人工智能系统或智能体之间能够基于数据共享、算法优化、策略调整等机制，实现高效的信息交流与决策制定。例如，智能制造、智慧城市等均需要人工智能的协同。第二，人与机器的协同。人工智能与人的协同性，指的是在人类智能与人工智能之间建立起的一种相互支持、共同完成任务的关系。“人机协同”充分利用人类的智慧、创造力、判断力和机器的计算能力、精确度、效率等优势，实现资源的优化配置和能力的互补。

通过算法和模型的搭建，人工智能能够在特定应用场景中模拟类人智能行为。当前研究范式集中于算法精度、算力拓展及场景应用效率优化（Russell & Norvig， 2020）[2]，将人工智能的工具属性置于核心分析维度。然而，这种只涉及技术层面的测量框架未能触及人工智能的本质特征，存在一定程度的局限性，第一，未能有效解释人工智能是否具备真正的“智能性”“自主性”和“协同性”这一核心问题。只是单纯从效率角度衡量人工智能的能力，往往不能充分解释其多维度能力与未来潜力。第二，局限于单一和静态任务的完成能力评估，需要关注其在动态复杂环境中的自主决策与持续进化潜力（Hutter， 2012）[3]。因此，本研究认为人工智能作为一项颠覆性技术，其不仅体现为工具属性的提升，也包括其通过知识重构与系统演化赋能颠覆性创新的能力。

基于此，本文建构“四维能力分析框架”：“知识创造力”体现技术突破能力，“群智协同力”强调系统交互水平，“生态更新力”反映环境适应程度，“流程调用力”衡量业务整合深度。该框架突破传统技术效能评估范式，从多维和动态视角揭示人工智能赋能颠覆性创新的内在机制，为理解其多维度能力提供新的理论框架。

3.人工智能能力的测度

人工智能能力和颠覆性技术创新是本研究的两个核心概念。采取扎根编码与理论文献相结合的方法，对人工智能能力和颠覆性技术创新进行了测度量表开发。

3.1人工智能能力及其测度

根据前文研究，首先将人工智能从能力的角度解构为：群智协同力、知识创造力、流程调用力和生态更新力。

关于知识创造力，主要通过2个题项测度：（1）部署了本地化AI，能够自主地进行学习、推理、判断和决策，无需依赖外部平台或人类干预；（2）利用生成式模型和自然语言处理等技术手段，AI能够自主生成与特定领域相关的文本、图像、音频等多模态内容。通过问卷调查的数据测评，题项的Cronbach α系数为0.885，符合大于0.7的标准，可见结果良好，说明该测度的信度质量较好。

关于群智协同力，主要通过5个题项测度：（1）人类与AI能够在任务执行过程中相互支持、共同完成任务；（2）AI在与用户的交互过程中，能够识别用户情感状态，并做出具有共情反应的反馈；（3）人类与AI系统可协同工作，人类的智慧、创造力、判断力和AI计算能力、精确度、效率等优势，实现了资源的优化配置和能力的互补；（4）多个AI系统或智能体之间能够基于数据共享、算法优化、策略调整等机制，实现高效的信息交流与决策制定；（5）多个AI系统或智能体之间能够基于数据共享、算法优化、策略调整等机制，为用户提供场景化解决方案（产品）。通过问卷调查的数据测评，题项的Cronbach α系数为0.928，符合大于0.7的标准，可见结果良好，说明该测度的信度质量较好。

关于流程调用力，主要通过3个题项测度：（1）在特定条件下，AI能够自主感知环境、理解任务、制订计划并执行操作，而无需或仅需很少的人类干预；（2）面对不同工作问题和实际场景，AI能够自动识别关键环节并定义适应性的流程方案；（3）AI能够基于自动化流程，智能调度企业内部管理活动，包括生产、运维、检修、营销、财务、合同管理等多个业务模块。通过问卷调查的数据测评，题项的Cronbach α系数为0.935，符合大于0.7的标准，可见结果良好，说明该测度的信度质量较好。

关于生态更新力，主要通过3个题项测度：（1）AI通过数据分析与算法优化和个性化推荐等多种技术手段，辅助企业选择合作伙伴；（2）在合作过程中，AI可基于实时数据反馈，对合作伙伴选择与资源配置进行动态优化与调整；（3）AI可依据用户偏好、消费能力、地理位置、历史评价等多维度实时数据，动态调整商品或合作伙伴的排序推荐。通过问卷调查的数据测评，题项的Cronbach α系数为0.940，符合大于0.7的标准，可见结果良好，说明该测度的信度质量较好。

表2 人工智能能力Cronbach α系数

3.2颠覆性技术创新及其测度

首先将颠覆性技术创新区分为高端颠覆性技术创新和低端颠覆性技术创新。根据高端颠覆性技术创新和低端颠覆性技术创新的概念，分别对其构建测度指标体系。

关于高端颠覆性技术创新，主要通过6个题项测量：（1）您公司基于客户的需求痛点和潜在需求开发产品；（2）您公司通过主动预测未来市场需求开发产品；（3）您公司在开发和生产产品时运用领先和前沿技术；（4）您公司实施的创新在很大程度上改变现有产品、技术、业务或服务；您公司的创新正在吸引高端市场的客户群体；（5）您公司开发的产品市场份额高并能挤占原有市场，形成新的主流市场。通过问卷调查的数据测评，题项的Cronbach α系数为0.959，符合大于0.7的标准，可见结果良好，说明该测度的信度质量较好。

关于低端颠覆性技术创新，主要通过3个题项测量：（1）创新产品/服务简化了功能，且显著降低了成本；（2）创新产品/服务正在吸引被主流市场忽视的客户群体；（3）创新重新定义了产品/服务的核心价值主张。通过问卷调查的数据测评，题项的Cronbach α系数为0.910，符合大于0.7的标准，可见结果良好，说明该测度的信度质量较好。

4.样本特征与描述性分析

4.1样本特征

考虑到要分析人工智能在高端和低端颠覆性技术创新中的作用，因此，在样本选择时要考虑以下因素：（1）人工智能在公司中发挥了重要作用；（2）公司的产品创新品类中既有高端颠覆性技术创新和低端颠覆性技术创新；（3）公司的基本情况能够覆盖不同的成立时间、不同的行业背景、不同的性质和不同的规模，以便于形成样本之间的差距。

基于上述样本选择的标准，在研究中采取了理论抽样，先后对155家公司发放了问卷调查，要求对公司人工智能及颠覆性技术创新比较了解的高管进行无记名填写，同时每家公司只填写1份问卷，以确保数据的准确度和避免数据重复。主要的头部企业包括：海尔集团、美的集团、中集集团、中石油、烽火通信、中海油、武汉产业创新研究院、兰石集团、三峡集团、中广核、武汉光谷金控产业链公司等。

155家样本企业中，见表3，成立2年以内的公司数8家，占比5.16%；成立2~5年的公司数有15家，占比9.68%；成立6~10年的公司数有15家，占比12.90%，成立11年及以上的公司数有112家，占比72.26%。这说明样本中大部分企业成立时间较长，确保了在颠覆性创新中有部署和利用人工智能的经验。

表3 样本企业成立的时间（单位：年）

155家样本企业中，见表4，医疗制造行业有9家，占比5.81%；机械制造行业21家，占比13.55%；电子信息产业21家，占比13.55%；环保绿化行业73家，占比47.10%；服装纺织产业12家，占比7.74%。这是样本企业中主要的分布行业。

表4 样本企业的行业背景

155家样本企业中，国有企业64家，占比41.29%；民营企业71家，占比45.81%，国有企业和民营企业比例基本相持平。此外，外商独资企业和集体经济分别有5家。这说明，在国有企业和民营企业方面可以进行人工智能赋能效应的情境化研究。

155家样本企业中，见表5，“100人及以下”的企业32家，占比20.65%；“101~1000人”的企业38家，占比24.52%；“101~5000人”的企业25家，占比16.13%。5000人以下的公司占比超60%。与此同时，“10001~30000人”的企业17家，占比10.97%。这说明样本企业的员工规模分布在大、中、小，员工规模也可以作为人工智能赋能效应的情境化变量。

表5 样本企业的员工规模

4.2核心变量描述性分析

核心变量的描述性分析主要包括人工智能能力和颠覆性技术创新能力，其中，人工智能能力包括群智协同力、知识创造力、生态更新力和流程调用力。颠覆性技术创新包括高端颠覆性技术创新和低端颠覆性技术创新。

4.2.1人工智能能力描述性分析

表6反映了样本企业的人工智能能力，其最小值为1，最大值为5，能力平均值为2.728，表明样本企业人工智能能力总体上不是很理想，无论从人工智能的能力深度还是广度还不够强。其中，知识创造力表现最好，次之为生态更新力、群智协同力和流程调用力。

表6 样本企业的人工智能能力

4.2.2人工智能能力的方差分析

表7为“公司成立时间”的方差齐性检验结果，对于群智协同力，其F值为0.840，显著性P值为0.474>0.05，水平上不呈现显著性，不能拒绝原假设。对于知识创造力，其F值为0.121，显著性P值为0.948>0.05，水平上不呈现显著性，不能拒绝原假设。对于生态更新力，其F值为3.037，显著性P值为0.0310.05，水平上不呈现显著性，不能拒绝原假设。对于人工智能能力，其F值为0.519，显著性P值为0.670>0.05，水平上不呈现显著性，不能拒绝原假设。这说明，群智协同力、知识创造力、流程调用力和人工智能能力可以进行方差分析。

表7 公司成立时间的方差齐性检验

表8为“公司成立时间”的方差分析，结果显示，不同公司成立时间对于知识创造力、流程调用力、群智协同力、人工智能能力全部均不会表现出显著性（p>0.05），意味着公司成立时间对于群智协同力、知识创造力、流程调用力、人工智能能力全部均表现出一致性，并没有差异性。

表8 公司成立时间的方差分析

表9为“公司性质”的方差齐性检验结果，对于群智协同力，其F值为1.05，显著性P值为0.390>0.05，水平上不呈现显著性，不能拒绝原假设。对于知识创造力，其F值为1.062，显著性P值为0.384>0.05，水平上不呈现显著性，不能拒绝原假设。对于生态更新力，其F值为1.741，显著性P值为0.129>0.05，水平上不呈现显著性，不能拒绝原假设。对于流程调用力，其F值为0.524，显著性P值为0.758>0.05，水平上不呈现显著性，不能拒绝原假设。对于人工智能能力，其F值为1.078，显著性P值为0.375>0.05，水平上不呈现显著性，不能拒绝原假设。这说明，群智协同力、知识创造力、生态更新力、流程调用力和人工智能能力可以进行方差分析。

表9 公司性质的方差齐性检验

表10为“公司性质”的方差分析，结果显示，对于知识创造力，其F值为2.495，P值为0.033，说明不同组别的知识创造力之间存在显著差异（p

表10 公司性质的方差分析

表11为“公司员工规模”的方差齐性检验结果，对于群智协同力，其F值为2.593，显著性P值为0.0200.05，水平上不呈现显著性，不能拒绝原假设。对于生态更新力，其F值为2.963，显著性P值为0.0090.05，水平上不呈现显著性，不能拒绝原假设。对于人工智能能力，其F值为2.414，显著性P值为0.030

表11 公司员工规模的方差齐性检验

表12为“公司员工规模”的方差分析，结果显示，对于知识创造力，其F值为2.452，P值为0.027，说明不同组别的知识创造力之间存在显著差异（p

表12 公司员工规模的方差检验

4.2.3颠覆性技术创新描述性分析

数据分析显示，高端颠覆性技术创新的最小值为1，最大值为5，均值为3.583，标准差为1.041，这说明样本总体呈现出较高的高端颠覆性技术创新水平。低端颠覆性技术创新的最小值为1，最大值为5，均值为3.320，标准差为1.038，这说明样本总体呈现出较高的低端颠覆性技术创新水平。样本企业在高端和低端颠覆性技术创新水平方面均有较好的表现，说明样本的选择具有较好的代表性和典型性。

表13为“公司成立时间”的方差齐性检验结果，对于高端，其F值为0.245，显著性P值为0.865>0.05，水平上不呈现显著性，不能拒绝原假设。对于低端，其F值为1.074，显著性P值为0.362>0.05，水平上不呈现显著性，不能拒绝原假设。这说明，可以进行方差分析。表14为“公司成立时间”的方差分析，结果显示，对于高端，其F值为4.142，P值为0.007，说明不同组别的高端颠覆性技术创新之间存在显著差异（p

表13 公司成立时间的方差齐性检验

表14 公司成立时间的方差分析

运用同样方法得到“公司的行业背景”的方差齐性检验结果，对于高端，其F值为1.506，显著性P值为0.143>0.05，水平上不呈现显著性，不能拒绝原假设。对于低端，其F值为1.035，显著性P值为0.417>0.05，水平上不呈现显著性，不能拒绝原假设。这说明，高端颠覆性技术创新水平、低端颠覆性技术创新水平在不同的公司背景方面不存在显著差异。可以进行方差分析。

表15为“公司性质”的方差齐性检验，对于高端，其F值为2.538，显著性P值为0.0310.05，水平上不呈现显著性，不能拒绝原假设，因此数据满足方差齐性，可以使用方差分析。对低端颠覆性技术创新进行方差分析，结果显示，其F值为1.463，P值为0.205，说明不同组别下的低端颠覆性技术创新之间不存在显著差异（p>0.05）。

表15 公司性质的方差齐性检验

对“公司的员工规模”进行方差齐性检验，结果显示，对于高端，其F值为1.202，显著性P值为0.309>0.05，水平上不呈现显著性，不能拒绝原假设，因此数据满足方差齐性，可以使用方差分析。对于低端，其F值为0.775，显著性P值为0.591>0.05，水平上不呈现显著性，不能拒绝原假设，因此数据满足方差齐性，可以使用方差分析。表16为方差分析结果，对低端颠覆性技术创新进行方差分析，结果显示，其F值为2.835，P值为0.012，说明不同组别的低端颠覆性技术创新之间存在显著差异（p

表16 公司员工规模的方差分析

综上分析，样本企业在高端和低端颠覆性技术创新水平方面均有较好的表现，“成立时间在2~5年”的公司和“11年及以上”的公司，具有更高的颠覆性技术创新水平。不同公司性质组别下的低端颠覆性技术创新之间不存在显著差异。不同员工规模组别下的高端和低端颠覆性技术创新之间存在显著差异，50000人以上的公司具有更高的高端、低端颠覆性技术创新水平，这说明公司的员工规模与高端、低端颠覆性技术创新水平正相关。

5.人工智能与颠覆性技术创新实证分析

5.1颠覆性技术创新的回归分析

表17颠覆性技术创新的回归分析结果表明，一方面，人工智能能力在两类颠覆性技术创新中均表现突出（低端系数0.586，高端系数0.533，均在0.1%水平上显著），表明智能化技术是推动颠覆性技术创新的关键要素。值得注意的是，人工智能能力在低端颠覆性技术创新中的边际效应略高于高端颠覆性技术创新（差值+0.053），可能反映低端颠覆性技术创新对技术赋能的依赖性更强，或技术普及带来的边际收益更高。

表17 颠覆性技术创新回归分析结果

此外，在模型解释力方面，低端颠覆性技术创新模型的整体解释力（R²=0.442，调整后R²=0.423）高于高端颠覆性技术创新模型（R²=0.398，调整后R²=0.378），可能反映低端颠覆性技术创新机制相对简单，变量间关系更易被捕捉；而高端颠覆性技术创新因复杂性更高，需纳入更多情境因素以提升模型解释力。综上，人工智能能力是颠覆性技术创新的共性驱动力，但其作用强度及与其他变量的交互效应存在领域差异。

综上，人工智能能力能够显著促进高端颠覆性技术创新和低端颠覆性技术创新，但总体上更有利于促进低端颠覆性技术创新。

5.2不同情境下高端颠覆性技术创新的回归分析

为进一步分析，研究选取企业员工规模和企业性质作为情景变量，以此来探究不同企业员工规模和公司性质对高端颠覆性技术创新的影响。

5.2.1不同员工规模情境下人工智能对高端颠覆性技术创新的效应

表18回归分析结果显示，人工智能能力对不同员工规模企业的高端颠覆性技术创新均呈现显著正向驱动作用（所有组别系数均通过显著性检验），但其边际效应与模型解释力呈现明显的规模异质性：首先，在1001~5000人规模组（系数0.836）和50000人以上组（系数0.608）中，人工智能能力的创新驱动力较为突出，前者可能受益于组织灵活性与技术适应性，后者则体现规模化资源投入与数据优势；而5001~10000人组（系数0.292）和10001~30000人组（系数0.334）边际效应较弱，或反映中等规模企业在创新管理效率或资源分配上的阶段性瓶颈。其次，5001~10000人组（R²=0.555）和30001~50000人组（R²=0.917）的模型拟合度最高，但后者极小样本量（n=4）可能导致过拟合；100人及以下组（R²=0.294）和101~1000人组（R²=0.216）解释力最低，表明小微型企业的高端颠覆性技术创新机制可能更多依赖未纳入模型的情境因素（如创始人特质或市场机遇）。此外，30001~50000人组（n=4）尽管系数显著且R²极高，但样本量不足使结论可靠性存疑；50000人以上组（n=27）则显示出大企业通过系统化人工智能布局提升高端颠覆性技术创新的潜力。

表18 不同员工规模情境下高端颠覆性技术创新的回归分析

综上，人工智能能力是跨规模驱动高端颠覆性技术创新的共性因素，但其作用强度受企业规模的非线性调节，中等规模企业（1001~5000人）和特大型企业（50000人以上）或存在差异化创新优势。

5.2.2不同公司性质情境下人工智能对高端颠覆性技术创新的效应

表19回归分析结果表明，人工智能能力对国有企业和民营企业的高端颠覆性技术创新均呈现显著正向驱动作用（系数分别为0.569和0.615，且均在1%水平显著）。两类企业中，人工智能能力的边际效应在民营企业中略高（差值+0.046），可能反映其在高端颠覆性技术创新机制灵活性或技术应用效率上的优势。模型拟合度方面，民营企业的R²（0.395）和调整R²（0.387）均高于国有企业（0.351和0.341），且F值（45.112 vs 33.583）的显著性更强，表明人工智能能力对民营企业高端颠覆性技术创新结果的解释力更稳定。

表19 不同公司性质（国有、民营）情境下高端颠覆性技术创新的回归分析

因此，人工智能能力是高端颠覆性技术创新的关键驱动力，且其作用在民营企业中可能通过市场机制或组织灵活性得到进一步强化。

5.3不同情境下低端颠覆性技术创新的回归分析

为进一步分析，研究选取企业员工规模和企业性质作为情景变量，以此来探究不同企业员工规模和公司性质对低端颠覆性技术创新的影响。

5.3.1 不同员工规模情境下人工智能对低端颠覆性技术创新的效应

表20回归分析结果显示，人工智能能力对不同员工规模企业的低端颠覆性技术创新均呈现显著正向驱动作用（所有组别系数均在1%或5%水平显著），但其影响强度与模型解释力存在规模异质性。具体而言：首先，在1001~5000人规模组（系数0.780）和50000人以上（系数0.651）中，人工智能能力对低端颠覆性技术创新的边际效应较为突出，前者可能得益于组织灵活性，后者或因技术积累与资源集中产生质变；而101~1000人组（0.427）和5001~10000人组（0.418）系数相对较低，或反映中等规模企业在资源调配或管理效率上的阶段性瓶颈。其次，5001~10000人组（R²=0.600）和50000人以上组（R²=0.495）的模型拟合度较高，表明人工智能能力对这类企业的低端颠覆性技术创新机制具有稳定解释力；而101~1000人组（R²=0.175）解释力最弱，表明该规模企业低端颠覆性技术创新可能更多依赖其他未纳入模型的变量。此外，30001~50000人组（n=4）虽系数最高且R²达0.960，但极小样本量可能导致过拟合，需谨慎解读；50000人以上组（n=27）则显示出大企业通过规模化人工智能应用提升低端颠覆性技术创新的潜力。

表20 不同员工规模情境下低端颠覆性技术创新的回归分析

综上，人工智能能力是跨规模促进低端颠覆性技术创新的共性因素，但作用强度受企业规模的非线性调节，中等规模企业（1001~5000人）和特大型企业50000人以上或存在差异化创新优势。

5.3.2 不同公司性质情境下人工智能对低端颠覆性技术创新的效应

表21回归分析结果表明，在低端颠覆性技术创新领域，人工智能能力对国有企业和民营企业均展现出显著的正向驱动效应（系数分别为0.649和0.607，且均在1%水平显著）。值得注意的是，国有企业的人工智能能力系数略高于民营企业，这可能与其在资源调配、政策支持或基础技术积累方面的优势相关，但两者差异较小（差值仅0.042），表明企业性质对低端颠覆性技术创新的边际影响趋近。模型拟合度方面，国有企业（R²=0.415，调整后R²=0.406）与民营企业（R²=0.411，调整后R²=0.403）的解释力高度接近，F值（分别为44.010和48.175）也均通过显著性检验，说明人工智能能力对两类企业的低端颠覆性技术创新具有稳定解释力。

表21 不同公司性质（国有、民营）情境下低端颠覆性技术创新的回归分析

因此，人工智能能力是低端颠覆性技术创新的关键驱动力，且其作用在国有与民营企业间未呈现显著差异，反映该领域创新可能更多依赖技术普惠性应用而非企业性质特有的制度优势。

6.主要结论与管理启示

6.1主要结论

第一，人工智能能力可以较好地通过群智协同力、知识创造力、流程调用力、生态更新力四个能力测度。

第二，样本企业人工智能能力总体上不是很理想，能力平均值为2.728，无论从人工智能的能力深度还是广度还不够强。在不同公司性质方面，群智协同力和生态更新力无显著差别；集体经济企业的知识创造力/流程调用力和知识创造力最高，次之为外商独资企业。在员工规模方面，中等规模企业（1001~5000人）和特大型企业（50000人以上）的知识创造力和流程调用力最强。

第三，人工智能能力能够显著促进高端颠覆性技术创新和低端颠覆性技术创新，但总体上更有利于促进低端颠覆性技术创新。

第四，人工智能能力是跨规模驱动高端和低端颠覆性创新的共性因素，但其作用强度受企业规模的非线性调节，中等规模企业（1001~5000人）和特大型企业（50000人以上）或存在差异化创新优势。

第五，人工智能能力是高端颠覆性技术创新的关键驱动力，且其作用在民营企业中可能通过市场机制或组织灵活性得到进一步强化。同时，人工智能能力也是低端颠覆性技术创新的关键要素，且其作用在国有与民营企业间未呈现显著差异，反映该领域创新可能更多依赖技术普惠性应用而非企业性质特有的制度优势。

6.2 管理启示

第一，强化人工智能能力建设。企业需系统性提升知识创造力、群智协同力、流程调用力与生态更新力，通过技术迭代与资源整合推动颠覆性技术创新。

第二，差异化创新布局。低端颠覆性技术创新可优先通过人工智能技术实现成本优化与市场下沉；高端颠覆性技术创新需结合规模化数据优势与组织灵活性，重点突破前沿技术。

第三，规模适配策略。中小型企业应聚焦灵活性，利用人工智能快速响应市场需求；大型企业需加强跨部门协同与数据治理，释放规模化创新潜力。

第四，制度与环境优化。国有企业可依托政策支持强化基础技术积累，民营企业应发挥市场敏捷性，探索人机协同的高效创新模式。

第五，技术普惠性应用。政府及行业协会需推动人工智能技术标准化与资源共享，降低中小企业技术门槛，促进全行业创新生态升级。

——————

刘海兵武汉科技大学管理学院院长、教授，博士生导师

辛肖阳武汉科技大学管理学院硕士研究生