夜雨聆风
一、当AI进入创新管理的核心地带
人工智能正在从创新活动的辅助插件演变为组织核心基础设施。在新产品开发（NPD）这一数据密集、不确定性高企的领域，AI的应用已从机会识别、创意生成延伸至方案筛选与迭代优化。然而，现有文献大多将AI系统视为给定的技术工具，关注其部署后的使用方式，却相对忽视了更为根本的问题：在AI投入使用之前，组织如何设计其训练策略？这些策略又如何与专家知识、组织学习动态交互，进而塑造人机代理（agency）的分布格局？
分享Technovation的最新发表的研究《Teaching to learn and learning to teach: Using machine training to develop artificial intelligence partners in new product development》，将AI训练策略重新界定为一种组织设计决策（organizational design decision），而非单纯的技术调参问题，并借助组织学习理论，系统考察了不同训练配置如何通过反馈递归（feedback recursion）、知识位置（locus of knowledge）与编码深度（codification depth）三个维度，决定AI系统在NPD情境中的可靠性、稳健性与跨情境可迁移性。
二、从人机交互到人机代理的互嵌
作者援引Puranam（2021）关于人机协同决策的组织设计视角，指出H-AI交互不应被简化为用户界面问题，而应被理解为一种结构化、组织中介的信息交换过程。在此基础上，Leonardi（2011）的互嵌（imbrication）概念构成了本文的核心理论隐喻。人类代理与物质代理并非先验存在，而是在反复交互中结晶化、硬化为相互制约与赋能的配置。这意味着，AI的自主性并非技术内禀属性，而是训练交互的产物，其能够承担的任务广度、处理可靠性及输出迁移范围，均取决于训练阶段人机交互的组织方式。
组织学习理论为分析这一动态提供了恰当的透镜。学习被界定为基于经验与反馈的信念或行为改变，而多主体学习研究进一步表明，反馈耦合（feedback coupling）决定了系统是发展出稳健知识，还是过早收敛于狭窄的解空间。作者据此提炼出区分训练策略的三个结构性维度：
| 反馈递归 | |
| 知识位置 | |
| 编码深度 |
三、研究方法
研究选取海底地质勘探服务作为实证场景。这是一个典型的高风险、数据密集、专家判断稀缺且难以先验编码的NPD情境。研究基于一家领先地质服务企业的两个真实项目（代号Atlantis与Heracleion），运用前馈人工神经网络（ANN）构建五种计算场景，系统操纵训练策略的结构性特征：
场景1（经验学习，不完整信息）：ANN仅从部分历史路径数据学习，无专家交互；
场景2（经验学习，完整信息）：增加电缆弯曲约束等编码化专家知识，但仍无反馈递归；
场景3（助推学习）：专家在ANN偏离走廊时进行纠正，但纠正信号不进入后续训练周期；
场景4（生成性学习）：专家纠正被编码并递归纳入下一轮训练数据集，形成累积性知识；
场景5（跨情境稳健性检验）：将场景4训练完毕的模型直接部署于差异显著的Heracleion情境，检验其迁移能力。
评估指标涵盖AUROC（预测精度）、路由错误数（决策一致性）与路线长度比（运营效率），从多维度捕捉学习稳健性（learning robustness），即模型在新数据、不同任务特征或更宽泛部署情境中的可靠表现能力。
四、核心发现
研究结果呈现出清晰的层级分化，数据量并非关键，反馈结构才是。
第一，经验学习的局限。 场景1与场景2中，即便提供完整的编码化信息，ANN的表现仍高度受限：场景1仅在六个移动类别上达到可接受的AUROC（均值0.81），两个类别完全失效；场景2虽将均值提升至0.86，但可靠判别集中于三个类别，其余五类均低于随机阈值。这表明，缺乏反馈递归时，增加信息存量并不能转化为稳健的组织惯例，模型"被给予了信息，但未被教导"。
第二，助推学习的脆弱性。 场景3引入专家干预后，表现方差增长。路线长度比从1.01到5.72不等，错误数从6到831大幅离散。部分ANN受益于引导，另一些则困于劣质局部解。当纠正信号仅被"应用"而未被"铭刻"（inscribed）入模型时，交互本身不足以形成稳定的组织惯例，知识位置仍滞留于人类专家一侧。
第三，生成性学习的跃迁。 场景4通过将错误编码为可复用的训练资产，实现了性能的质变。路线长度比压缩至1.00–1.04之间（均值1.015，标准差仅0.014），首轮平均错误125.08个，次轮降至7.58个，第三轮全部12个独立ANN均实现零错误。方差的急剧压缩表明，这并非数据划分的偶然产物，而是训练策略的结构性效应。反馈递归将专家判断转化为累积性编码深度，使模型逐步内化了人类专家的心智模型。
第四，跨情境迁移的稳健性。 场景5中，未经Heracleion数据预训练的Atlantis模型被直接部署于更大、更复杂的新情境。尽管首轮错误均值高达761.50，但第二轮即降至89.92，第三轮再次实现全部零错误，长度比稳定在1.04–1.18。这一模式澄清了"归纳学习"在本研究中的理论意涵。事先训练并未消除局部监督的必要性，但赋予了模型可迁移的搜索逻辑与快速吸收纠正反馈的能力。换言之，生成性训练所积累的是一种"关系性可迁移性"（relational transferability），其成立条件是在新情境中重新激活H-AI训练配置。
五、理论贡献
其一，训练策略作为组织设计杠杆。通过结构化反馈递归与知识编码，训练策略决定了AI系统是发展出可靠、可迁移的能力，还是过早收敛于狭窄的统计近似。这要求创新管理研究将注意力从"AI如何使用"前移至"AI如何被训练"。
其二，人机代理的过程性建构。研究拒绝了"人类代理vs.机器代理"的零和框架，借助嵌入概念论证AI代理是训练配置涌现的产物，而非技术内禀属性。自动化与增强并非互斥的静态选择，而是随时间共演的动态过程。训练阶段的深度增强，为部署阶段更可靠的自动化创造了条件。
其三，组织学习理论的拓展。作者将OL理论中的反馈递归、知识位置与编码深度等经典概念，正式映射到AI训练情境，为理解算法学习如何与个体、集体学习过程交织提供了结构化语言。这不仅回应了Balasubramanian等（2022）关于"以机器学习替代人类决策可能损害组织学习"的警示，更指明了缓解路径，并非限制AI的使用，而是将专家判断更深地嵌入训练惯例。
六、管理启示
首先，训练策略选择应被视为NPD的核心设计决策，而非可下放给技术团队的后端事务。 当任务具有高不确定性、高失败成本且依赖隐性知识时，组织应投资于生成性再训练与累积性反馈系统，而非寄望于"一次性编码、长期自主运行"的替代逻辑。
其次，投资于"人类训练者"的能力与"跨职能反馈治理"机制。 每一次纠正、标注与反馈循环都是知识编码事件。组织需要培养既能外化隐性判断、又能理解算法决策逻辑的领域专家，并建立连接专家与模型开发者的反馈治理角色。
再次，监控表现的离散度与错误收敛速度，而非仅关注平均精度。 场景3与场景4的对比表明，高方差是H-AI惯例尚未稳健化的早期预警信号。管理者应建立明确的再训练触发标准与反馈强度升级规则。
研究以严谨的计算模拟为组织学习理论在AI时代的适用性提供了有力证据。在AI赋能的NPD中，竞争优势的来源不在于是否拥有AI，而在于组织能否设计出使人机学习交互递归深化、使专家知识累积编码的训练惯例。 当企业将AI简单视为"即插即用"的技术工具时，它们可能恰恰错过了塑造未来创新能力的关键组织设计窗口。对于关注创新管理、组织学习与数字化转型的学者而言，这项研究不仅开辟了H-AI交互分析的新议程，更为我们理解"机器如何学习"与"组织如何学习"的交汇地带，提供了富有穿透力的理论透镜。
文献信息： Lipparini, A., Sobrero, M., & Toniolo, K. (2026). Teaching to learn and learning to teach: Using machine training to develop artificial intelligence partners in new product development. Technovation, 157, 103661. https://doi.org/10.1016/j.technovation.2026.103661
