关于 AI 如何改变创新，主流的说法一直是 “更好的搜索工具”—— 帮人在海量知识里更快找到高价值的组合，跳出本地搜索陷阱。但最新发表在战略管理顶刊Strategic Management Journal上的这篇研究，提出了一个更根本的视角：
AI 的真正价值，不止于发现那些 “已经存在、只是没被找到” 的组合；它更像一座桥梁，能让大量过去技术上根本不可行的跨域组合，第一次变得可以实现。
换句话说，AI 不是在已有的创新棋盘上帮你找更好的走法，而是直接把棋盘本身变大了。
一、创新的本质是重组，但为什么很多组合 “不可能”？
熊彼特的经典论断认为，创新就是现有知识元素的重新组合。但真实世界里，真正新颖的重组非常难。过去的解释大多聚焦在人的认知局限：发明人容易陷在自己的领域里做本地搜索，看不到远处的可能性。但这篇文章指出了另一个被长期忽略的关键约束：技术可行性。很多组合不是没人想到，而是在技术上根本走不通 —— 性能不够、接口不兼容、系统无法协同，导致这些组合从一开始就不在 “可行集” 里。随着一个领域里能做的组合慢慢被挖完，创新就会陷入 “技术枯竭”。而 AI 作为具备通用技术（GPT）属性的使能技术，恰恰能打破这个约束。它不是直接帮你想点子，而是通过充当 “共享层”，把原本不连通的技术领域连接起来。
二、AI 如何当桥梁？两条核心路径
论文提出，AI 的桥梁作用来自两个底层能力，二者共同让跨域重组从 “不可行” 变为 “可落地”：
1. 共享解决方案表征：给不同领域一套 “通用语言”
AI 的核心能力是模式识别。它能把异构的输入 —— 图像、信号、文本、传感器数据 —— 都转化为标准化的算法表征，提炼出不同领域背后共通的底层问题。比如：卷积神经网络用来检测喷气发动机涡轮叶片的裂纹，会提炼出 “金属疲劳的高频 / 低频噪声特征” 这套底层物理信号规律；同样的特征表征，可以直接迁移到风力发电机的故障预测上。相当于 AI 把两个完全不相关的工程领域，转译成了同一种 “算法语言”。一个领域的解题思路，可以通过 AI 这个中间层，平移到另一个领域。这也是为什么 AI 能在医疗、制造、交通、能源完全不同的行业里快速落地 —— 它不是逐个行业定制解决方案，而是用同一套底层能力，打通了不同域的知识壁垒。
2. 降低不确定性：让跨系统集成变得可控
很多跨域组合之所以做不成，不是原理上行不通，而是不确定性太高、性能不稳定，拼到一起没法用。AI 通过预测能力提升单个组件的可控性，让原本无法协同的系统，可以稳定地结合在一起。比如：汽车变速箱和 GPS 地形导航，过去是两套完全独立的系统；当 AI 换挡算法能精准预测地形、天气和路况，提前调整挡位策略，二者就可以深度集成，实现更好的燃油经济性和驾驶体验。这个过程非常类似社会网络里的三元闭包：两个本来不认识的人，因为有一个共同的朋友，从而建立了联系。对应到技术网络里：两个本来无法组合的技术域，因为各自都接入了 AI，从而通过 AI 这座桥，实现了新的连接。
尤其是通过 “桥梁机制” 产生的 AI 专利，经济价值溢价更高（约 2.94%，中位数专利对应约 11.7 万美元）。
这说明 AI 带来的跨域重组，不只是为了新而新，而是真的能解决更复杂的问题、创造更大的商业和技术价值。
四、理论与实践启示
对理论：重新理解通用技术与创新的关系
过去我们谈蒸汽机、电力、计算机这些通用技术对创新的影响，更多把它们当作外生的生产率催化剂。而这篇研究告诉我们：通用技术改变创新的一个核心路径，是成为 “桥梁技术”—— 它嵌入到各个独立的技术域之后，会让这些域之间产生新的可连接性，从根本上扩张可行重组的边界。对应到 AI 与创新的讨论里，就区分出了两条完全不同的路径：
搜索路径：AI 作为 “新的发明方法”，帮人更好地发现已存在的高价值组合；
桥梁路径：AI 作为技术输入，解锁过去根本不可行的全新组合，重构创新的底层架构。
后者，才是 AI 作为通用技术更长期、更根本的影响力。
对企业：把 AI 从 “效率工具” 升级为 “重组平台”
很多企业引入 AI，想的都是提效、降本、替代人力。但这项研究给出了一个更有战略价值的思路：AI 真正的战略潜力，在于打通组织内部的技术壁垒、产品壁垒、研发壁垒。不要只在单个业务线里用 AI 解决单点问题；要思考如何用 AI 作为共享技术层，连接原本各自为战的研发单元、产品线、技术栈，在交叉点上挖掘突破性创新。AI 在一个领域的投入，可能会在另一个看似不相关的领域，催生意想不到的新组合 —— 这就是桥梁效应带来的创新溢出。
对政策：AI 基础设施具有强溢出性
既然 AI 的桥梁效应具有跨领域、跨行业的正外部性，那么公共层面对 AI 基础技术、通用工具、行业适配的投入，回报会远不止于单个行业。支持 AI 在不同垂直领域的渗透，本质上是在给整个经济的创新网络搭建通用的连接桥梁，最终释放的是全行业的重组创新潜力。
五、局限与未来方向
当然，这项研究也有它的边界：
专利配对无法完全消除内生性，更优秀的团队可能既更爱用 AI，也更易做出新颖发明；
专利层面的数据无法打开微观过程，看不到发明人具体如何与 AI 互动，两条子路径各自贡献多少也无法精确分离；
依赖专利引用测度知识流动，无法覆盖未申请专利的创新活动。
未来更值得探究的问题还有很多：什么样的企业最能抓住 AI 的桥梁效应？不同 AI 技术的桥梁强度有差异吗？长期来看，AI 驱动的技术融合，会如何重塑整个产业的创新网络结构？
最后
回到 “人机融合创新网络” 这个视角，这篇研究描绘的，其实就是一张正在被 AI 重构的技术知识网络。原来这张网里，很多节点之间隔着不可逾越的技术鸿沟，遥遥相望却无法连接；而 AI 就像一张铺在底层的共享路网，让越来越多原本孤立的技术域，彼此之间有了可达的路径。创新的未来，不会只是 “人用 AI 找点子”；而是人与 AI、技术与技术，通过桥梁彼此连接，共同拓展可能性的边界。论文来源：Qu X, Eggers J P, Kumar M V S. Unlocking novel knowledge recombinations: The effect of artificial intelligence on inventive activity[J]. Strategic Management Journal, 2026.
夜雨聆风