对话爱思唯尔大中华区总裁：AI让知识不再稀缺，创新迈向下一程

南方财经 21世纪经济报道记者吴斌 上海报道

当人工智能席卷全球之际，真正决定创新成败的，已不再是“有没有知识”，而是“能否把可信知识连接到真实问题”。

爱思唯尔大中华区总裁李琳近日在2026 InnoMatch技术转移大会上对记者表示，如今知识不再稀缺，成果越来越多，出版也越来越容易，但科学成果和知识越来越丰富，并不必然解决企业和产业在应用知识、解决问题时遇到的痛点。服务机构最重要的思考点，不是自己想做什么，而是所服务的行业和客户需要什么。在此基础上，要更加快速、可信地把科研产出的知识连接和应用到真实世界中，让知识发挥更重要的作用。

她强调，当前信息不是太少，而是太多、鱼龙混杂，学术界和产业界又使用不同的话语体系，双方语言并不相通。因此，需要利用行业洞察、生成式人工智能以及专家创新网络，架起知识传播的桥梁。未来，知识组织方式还需要从学科分类延伸到围绕具体研究主题和研究问题，进行更细颗粒度的关联与标注，从而提升知识发现和应用效率。

展望未来，李琳对记者表示，中国拥有丰富的应用场景、庞大的产业体系和持续进化的产业链，如果能让真实问题更快反哺研究，让可信知识更顺畅地连接产业需求，让人才、数据和组织形成可观测的闭环，就有机会在AI for Science（人工智能驱动的科学研究）与创新生态中走出自己的路径。

爱思唯尔大中华区总裁李琳

当知识不再稀缺

无论是看整个社会，还是看科技信息领域，现在很大的问题已经不是知识稀缺，而是知识越来越多、成果越来越多，发布科研成果的渠道也越来越丰富，这是一个根本性的变化。但李琳提醒，不能作出这样的假设：科研成果和知识越来越丰富，就自然解决了企业和产业在应用知识、解决问题过程中的痛点。

在她看来，最重要的思考点可能不是“我们想要做什么”，而是“爱思唯尔所服务的科研共同体和企业需要什么”。在这些需求基础上，能够做的是更加快速、可信地把科研产出的知识应用到真实世界中，让这些知识发挥更重要的作用。

这也意味着一系列事情需要重新组织。学术界和产业界使用的是不同话语体系，双方语言并不相通。怎样利用行业洞察、生成式人工智能以及专家创新网络，架起知识传播的桥梁，在可信基础上让知识更快捷、更方便地被发现和传递，是首先需要做的事情。

知识传播的另一个重要载体是人才。当学术界人才流向企业，或者企业界人才流向学术界时，他们自然会把各自的经验、知识和认知带到另一个领域。李琳指出，促进人才流动还涉及政策、评估和评价等一系列问题。一个较为完整的人才或学者画像，可以帮助人们判断应该寻找谁合作，突破熟人网络。

在AI快速发展的背景下，信任问题变得更加尖锐。科研与创新体系如何平衡效率与可信度？李琳认为这可能不是一个“平衡”的问题。如果速度很快，但前面的所有证据、所做的事情都建立在不可信的假设、数据和知识体系上，那不叫效率，只是速度而已，甚至可能具有破坏性。因此，利用AI加速整个科研和创新流程时，最重要的一步，是维护好信任机制。

AI不能替代人，最终还是由人作出决策。但AI可以把证据链客观地呈现出来，包括一个观点得到哪些证据支持，又有哪些证据反对它。爱思唯尔把这种呈现和认证机制称为“信任卡”。“信任”不是在AI里自动生成的，还需要持续与最终用户共创，由人来探索和主导需要建立什么样的新认证机制、呈现哪些维度的信息，以及怎样减少偏见。

知识、人才与合作组织需打通

“从投入角度看，2024年中国R&D经费达3.63万亿元，基础研究经费占全国研发经费的6.88%，而且仍以高于GDP增速的速度增长。从科研产出规模看，中国也处于领先位置。在全球前1%高被引论文中，中国占比已经连续五年位居世界第一；中国科研人员体量和博士生规模也都位居世界第一。”李琳感叹道，各个数据维度都可以证明，中国已经是一个科研大国和科研强国。

她紧接着提出一个问题：科研大国和科研强国，是不是自然而然就能演进为产业创新强国？她认为，可以从几个维度来看：第一是知识传播。目前企业对于基础科研产生的知识和研究成果，应用仍然不够充分。无论从科研论文被企业专利引用的情况看，还是从被企业研究引用的情况看，与全球主要创新强国相比，仍然存在差距。

第二个是人才流动。无论应用还是科研，最终都要靠人去做。如果有更多产业界人才带着真实问题回到学界，或者有更多学术界人才带着科研成果进入产业，知识就会传播得更快，连接链路也会更加顺畅。从人才流动的数据看，无论是产业界流向学术界，还是学术界流向产业界，与全球主要创新强国相比，都还存在比较明显的差距。

什么决定了人才愿不愿意流动？李琳认为机会成本是一个非常重要的因素。科研人员进入企业后，会考虑如果自己在企业发展得不好，将来还能不能回到学界；或者在企业锻炼一段时间后想回到学界，是否还有机会。所以，在整个社会创新体系下，怎样更加全面地评价一项研究和一位科研人员，并且更加长线地看待这件事，是非常重要的。这需要回到创新共创的框架中，由各方共同探索，建立更加多元、长效的考评机制。

而且，多元评价不仅要考虑产业界与学术界的不同，也要考虑不同学科的差异。物理和医学的评估与评价方式可能非常不同。如果所有人都采用单一口径，人才跨界、跨领域和交叉融合的机会成本就会非常高。当机会成本很高时，每个人都会倾向于留在自己熟悉的舒适区，而不愿意冒险进行跨界流动。

第三个是合作组织。李琳说，人们一直在强调“有组织的科研”，但创新合作的组织方式仍然可以进一步提升。从体量看，中国产学研合作的论文发表量和科研产出的绝对数量很大；但产学合作的比例、产学合作成果的影响力，以及合作中的跨学科、交叉学科和多学科融合程度则仍有待加强。所以，从科研大国到科研强国，再从科研强国走向科创强国，在知识流动、人才流动和合作组织方面，都还可以继续发力。

随着越来越多企业从效率驱动走向创新驱动，它们对科研知识和创新服务的需求自然会越来越强。在这样的背景下，李琳认为未来仍有两个值得继续加强的方向：第一，科研与产业需求之间可以建立更多连接，当高校和科研机构选择研究方向时，如果能够更多关注产业和市场需求，部分科研成果可能会更容易被企业发现和应用；第二，科研成果的表达方式可以更加面向应用场景，当研究人员在论文、项目申请或者成果介绍中，能够更清晰地说明潜在应用价值时，企业也更容易理解和采用这些成果。此外，科研成果与产业界之间还需要更多有效传播。中国并不是缺少科研成果，也不是缺少有创新能力的企业，而是在如何让更多科研成果被更多企业理解、吸收和应用方面，仍然有进一步提升空间。

迈向创新生态下一程

从知识生产到价值创造，创新正迈向下一程。

中国AI应用场景比较丰富，工程化能力和数字化程度也比较高。李琳认为，真正值得关注的是，中国丰富的需求和应用场景一定会产生各种各样的现实问题，如果大量来自实践的需求能够在整个创新生态中被捕捉并流动起来，并通过不同的组织模式尽快形成闭环，这会成为一个非常关键的观测点或者突破口。

在从科研到产业的转化中，李琳认为，科学家和企业家天然具有不同的特质。既是杰出企业家，又是杰出科学家的人，在历史上都凤毛麟角。因此，如果期待科学家单独转变为企业家，并独自完成从科研到创业的全部工作，这种期待可能并不现实。现在越来越多硬科技创业团队采用混合模式，团队中有人是企业家，有人是科学家，有人负责工程，也有人负责市场。真正关键的问题，是怎样让这些人相互认识，并产生化学反应。

一种情况是，一项非共识的技术刚刚取得突破，市场上可能还没有明确需求。它具有前瞻性，未来可能产生千亿级、万亿级的爆发式市场，需要有人推动它继续发展。另一种更常见的情况是，传统行业面临的某些瓶颈或问题得到十倍甚至一百倍的改善。这就涉及怎样让科学家具备企业家的思维，也让企业家能够读懂科学知识。需要有人把这两套语言连接起来，技术经理人和AI可以相互赋能，把这件事情做得更快、更好，并实现更大规模。

当AI帮助个人扩展能力边界时，李琳也提醒，不要忘记背后已经有一套产业链建立在那里。中国今天的创新实力能够快速增长，是因为已经建立了完善的产业链体系，包括创新产业链体系。当一个人有了一个想法时，不需要从头建设所有东西，因为已经有人把这些能力建立起来了，他可以直接使用。

中国已经拥有科研体量、产业场景和产业链底座，下一步的关键在于协同破解现实难题。谁能把真实问题与可信知识更早、更顺地连接起来，从知识生产迈向价值创造，谁就更有可能在下一轮创新竞争中占据主动。