DOI: https://doi.org/10.1038/s41598-026-48244-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41965423
تاريخ النشر: 2026-04-11
المؤلف: Li Zhang وآخرون
الموضوع الرئيسي: الملكية الفكرية وبراءات الاختراع
نظرة عامة
تبحث هذه الدراسة في انتشار الذكاء الاصطناعي (AI) غير المتساوي عبر المدن في الصين، باستخدام إطار عمل التحفيز والمقاومة لتحليل لزوجة المعرفة في الذكاء الاصطناعي. يميز الإطار بين الدافع لالتقاط إمكانات الانتشار المحلي والمقاومة التي تعيق نقل المعرفة بين المدن، مما يؤدي إلى آثار الإغلاق المحلي. من خلال فحص طلبات براءات اختراع الذكاء الاصطناعي جنبًا إلى جنب مع الإحصاءات الحضرية من 2014 إلى 2023 باستخدام نموذج التأثيرات الثابتة ثنائية الاتجاه، يحدد المؤلفون علاقة على شكل U مقلوب بين لزوجة معرفة الذكاء الاصطناعي والتركيز التكنولوجي. يشير هذا إلى أن زيادة اللزوجة تعزز التركيز حتى عتبة معينة، بعد ذلك يت reversed الاتجاه.
علاوة على ذلك، تكشف الدراسة أن التعقيد التكنولوجي يؤثر على هذه العلاقة غير الخطية، مما يؤثر على قوتها وانحنائها بدلاً من مجرد تغيير نقطة التحول. تشير تحليلات التباين إلى أن هذا النمط غير الخطي أكثر وضوحًا في المدن الشرقية وفي المناطق الحضرية الصغيرة إلى المتوسطة، بينما تكون الأدلة في المدن الكبيرة أقل قوة بسبب عدم وجود دلالة إحصائية في المصطلح التربيعي. بشكل عام، تشير النتائج إلى أن الظروف المحلية تؤثر بشكل كبير على توزيع أنشطة الذكاء الاصطناعي عبر فروع التكنولوجيا الفرعية المختلفة، مما يبرز أهمية السياسات المعتمدة على المكان لتعزيز الابتكار في الذكاء الاصطناعي.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التأثير التحويلي للذكاء الاصطناعي (AI) كتكنولوجيا ذات أغراض عامة تعيد تشكيل الابتكار والتحضر. تؤكد على تركيز ابتكار الذكاء الاصطناعي في المدن الكبيرة، التي تمتلك قدرات قوية في البحث والتطوير (R&D) وموارد البيانات، مما يؤدي إلى تفاوتات كبيرة بين المدن الرائدة والمدن الصغيرة في الصين. يُعزى هذا الانتشار غير المتساوي لتقنيات الذكاء الاصطناعي إلى الاعتماد على المسار والاحتكاكات المرتبطة بنقل المعرفة، والتي تُسمى “لزوجة المعرفة”. تفترض الورقة أن لزوجة المعرفة، التي تشير إلى التحديات في نقل وإعادة إنتاج المعرفة، يمكن أن تسهل الابتكار التراكمي وتعرض المخاطر المرتبطة بالإغلاق التكنولوجي، مما يؤثر بذلك على القدرة التنافسية الحضرية.
يحدد المؤلفون فجوتين حرجتين في الأدبيات الحالية: نقص التركيز على المدن كوحدات أساسية للابتكار والحاجة إلى التحقق التجريبي من العلاقة بين لزوجة المعرفة، والتعقيد التكنولوجي، والتركيز المكاني. يجادلون بأن نماذج الانتشار الخطية التقليدية لا تفسر الديناميات المعقدة لتركيز تكنولوجيا الذكاء الاصطناعي بين المدن. من خلال استخدام رسم خرائط المعرفة القائمة على الذكاء الاصطناعي، تهدف الدراسة إلى استكشاف كيفية تأثير لزوجة المعرفة على تركيز براءات اختراع الذكاء الاصطناعي عبر مختلف التكنولوجيات الفرعية وكيفية تأثير تعقيد الذكاء الاصطناعي المحلي على هذه العلاقات. تسعى هذه البحث إلى تعزيز فهم التطور المكاني لتقنيات الذكاء الاصطناعي والمساهمة في الأدبيات من خلال تأطير لزوجة المعرفة ضمن سياق ثنائي الأبعاد.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. تتفصل في تصميم التجربة، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتفسير النتائج. استخدمت الدراسة إطارًا كميًا، حيث تم استخدام أدوات إحصائية لضمان موثوقية وصدق النتائج.
تم جمع البيانات من خلال استبيانات منظمة وتجارب، مع التركيز على تقليل التحيز وزيادة تمثيل العينة. شمل التحليل تطبيق اختبارات إحصائية متنوعة، مثل تحليل الانحدار وANOVA، لتقييم العلاقات بين المتغيرات ولإجراء استنتاجات ذات مغزى من البيانات. تؤكد المنهجية على الشفافية وقابلية التكرار، مما يوفر نظرة شاملة على العمليات التي تدعم نتائج البحث.
المناقشة
في هذا القسم، تناقش البحث العلاقة بين لزوجة المعرفة والتركيز التكنولوجي في الذكاء الاصطناعي (AI) عبر البيئات الحضرية في الصين. تحدد علاقة على شكل U مقلوب، مما يشير إلى أن مستويات معتدلة من لزوجة المعرفة يمكن أن تعزز التركيز التكنولوجي من خلال تسهيل تراكم القدرات المحلية والتخصص. ومع ذلك، قد تؤدي اللزوجة المفرطة إلى آثار الإغلاق التي تعيق الابتكار وتقلل من إمكانيات التجديد. تفترض الدراسة أن هذه العلاقة تتوسطها التعقيد التكنولوجي، حيث تزيد التعقيدات الأعلى من أهمية لزوجة المعرفة لديناميات التركيز.
تشير النتائج إلى أن المدن ذات القدرات البحثية الأقوى وتنوع الصناعات يمكن أن تمتص المعرفة بشكل أفضل، مما يقلل من الآثار السلبية للزوجة العالية. على العكس من ذلك، تكون المدن الصغيرة وتلك الموجودة في المناطق الأقل تطورًا أكثر عرضة للاعتماد على المسار وتراجع الابتكار عند مواجهة مستويات عالية من لزوجة المعرفة. تقترح البحث فرضيات لاستكشاف هذه الديناميات وتستخدم نموذجًا قويًا لتحليل البيانات، مما يكشف أن التفاعل بين لزوجة المعرفة والتعقيد التكنولوجي يؤثر بشكل كبير على تركيز ابتكار الذكاء الاصطناعي في البيئات الحضرية. تؤكد الدراسة على أهمية فهم هذه العلاقات لوضع سياسات ابتكار إقليمية فعالة.
القيود
تسلط قيود هذه البحث الضوء على عدة اعتبارات حاسمة عند تفسير النتائج. أولاً، الاعتماد على مؤشرات قائمة على براءات الاختراع يلتقط فقط النشاط التكنولوجي المرموز، متجاهلاً تبادل المعرفة الضمنية، والتعاون غير الرسمي، والابتكارات غير المسجلة في الذكاء الاصطناعي (AI). ثانيًا، إن لوحة الدراسة غير متوازنة بطبيعتها، حيث يتم استبعاد المدن التي لا تمتلك براءات اختراع في الذكاء الاصطناعي، مما يعني أن النتائج تعكس بشكل أساسي المدن التي لديها نشاط براءات اختراع ملحوظ في الذكاء الاصطناعي بدلاً من المشهد الكامل للمدن الصينية.
بالإضافة إلى ذلك، فإن مقياس لزوجة المعرفة هو مؤشر مركب مشتق من مجموعة متنوعة من المؤشرات القائمة على براءات الاختراع، وعلى الرغم من إجراء التحقق من الصحة وفحوصات الحساسية، قد تؤدي خيارات المؤشرات البديلة إلى تقديرات مختلفة. يركز المتغير التابع على تركيز فروع التكنولوجيا الفرعية للذكاء الاصطناعي داخل المدن، مما لا يعادل مقياس القدرة التنافسية العامة للذكاء الاصطناعي أو جودة الابتكار. أخيرًا، على الرغم من أن التأثيرات الثابتة، والمواصفات المتأخرة، وطرق التجميع البديلة تعزز من القوة، إلا أنها لا تعالج تمامًا القضايا المحتملة للسببية العكسية والمتغيرات المفقودة. وبالتالي، يجب أن تُعتبر النتائج أدلة قوية على العلاقات الشرطية بدلاً من إثبات قاطع للعلاقات السببية. يُشجع البحث المستقبلي على دمج بيانات براءات الاختراع مع مقاييس أخرى مثل بيانات النشر والاستثمار لتوفير فهم أكثر شمولاً لديناميات ابتكار الذكاء الاصطناعي.
DOI: https://doi.org/10.1038/s41598-026-48244-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41965423
Publication Date: 2026-04-11
Author(s): Li Zhang et al.
Primary Topic: Intellectual Property and Patents
Overview
This study investigates the uneven diffusion of artificial intelligence (AI) across cities in China, employing a motivation-resistance framework to analyze AI knowledge stickiness. The framework distinguishes between the motivation to capture local diffusion potential and the resistance that hinders knowledge transfer between cities, leading to local lock-in effects. By examining AI patent applications alongside urban statistics from 2014 to 2023 using a two-way fixed-effects model, the authors identify an inverted U-shaped relationship between AI knowledge stickiness and technological concentration. This indicates that increased stickiness enhances concentration up to a certain threshold, beyond which the trend reverses.
Furthermore, the study reveals that technological complexity influences this nonlinear relationship, affecting both its strength and curvature rather than merely shifting the turning point. Heterogeneity analyses indicate that this nonlinear pattern is more pronounced in eastern cities and in small to medium-sized urban areas, while evidence in large cities is less robust due to the lack of statistical significance in the quadratic term. Overall, the findings suggest that local conditions significantly impact the distribution of AI activities across various sub-technology branches, highlighting the importance of place-based policies for fostering AI innovation.
Introduction
The introduction of the research paper highlights the transformative impact of artificial intelligence (AI) as a general-purpose technology reshaping innovation and urbanization. It emphasizes the concentration of AI innovation in large cities, which possess robust research and development (R&D) capacities and data resources, leading to significant disparities between leading and smaller cities in China. This uneven diffusion of AI technologies is attributed to path dependence and the frictions associated with knowledge transfer, termed “knowledge stickiness.” The paper posits that knowledge stickiness, which refers to the challenges in transferring and reproducing knowledge, can both facilitate cumulative innovation and pose risks of technological lock-in, thereby affecting urban competitiveness.
The authors identify two critical gaps in existing literature: the lack of focus on cities as primary units of innovation and the need for empirical verification of the relationship between knowledge stickiness, technological complexity, and spatial concentration. They argue that traditional linear diffusion models fall short in explaining the intricate dynamics of AI technology concentration among cities. By employing AI knowledge-based mapping, the study aims to explore how knowledge stickiness influences the concentration of AI patents across various sub-technologies and how local AI complexity moderates these relationships. This research seeks to enhance understanding of the spatial evolution of AI technologies and contribute to the literature by framing knowledge stickiness within a two-dimensional context.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including participant selection, data collection techniques, and analytical methods used to interpret the results. The study utilized a quantitative framework, employing statistical tools to ensure the reliability and validity of the findings.
Data were collected through structured surveys and experiments, with a focus on minimizing bias and maximizing the representativeness of the sample. The analysis involved the application of various statistical tests, such as regression analysis and ANOVA, to assess the relationships between variables and to draw meaningful conclusions from the data. The methodology emphasizes transparency and reproducibility, providing a comprehensive overview of the processes that underpin the research outcomes.
Discussion
In this section, the research discusses the relationship between knowledge stickiness and technological concentration in artificial intelligence (AI) across urban environments in China. It identifies an inverted U-shaped association, suggesting that moderate levels of knowledge stickiness can enhance technological concentration by facilitating local capability accumulation and specialization. However, excessive stickiness may lead to lock-in effects that hinder innovation and reduce the potential for renewal. The study posits that this relationship is moderated by technological complexity, where higher complexity increases the relevance of knowledge stickiness for concentration dynamics.
The findings indicate that cities with stronger research capabilities and industrial diversity can better absorb knowledge, mitigating the adverse effects of high stickiness. Conversely, smaller cities and those in less developed regions are more susceptible to path dependence and innovation decline when faced with high levels of knowledge stickiness. The research proposes hypotheses to explore these dynamics and employs a robust model to analyze the data, revealing that the interaction between knowledge stickiness and technological complexity significantly influences the concentration of AI innovation in urban settings. The study emphasizes the importance of understanding these relationships for formulating effective regional innovation policies.
Limitations
The limitations of this research highlight several critical considerations when interpreting the findings. Firstly, the reliance on patent-based indicators captures only codified technological activity, neglecting tacit knowledge exchange, informal collaborations, and non-patented innovations in artificial intelligence (AI). Secondly, the study’s panel is inherently unbalanced, as cities with no AI patenting are excluded, which means the results primarily reflect cities with observable AI patent activity rather than the entire landscape of Chinese cities.
Additionally, the knowledge stickiness measure is a composite index derived from various patent-based proxies, and while validation and sensitivity checks were conducted, alternative indicator choices may yield different estimated magnitudes. The dependent variable focuses on the concentration of AI sub-technology branches within cities, which does not equate to a measure of overall AI competitiveness or innovation quality. Lastly, although fixed effects, lagged specifications, and alternative clustering methods enhance robustness, they do not completely address potential endogeneity issues arising from reverse causality and omitted variables. Consequently, the findings should be viewed as robust evidence of conditional associations rather than definitive proof of causal relationships. Future research is encouraged to integrate patent data with other metrics such as publication and investment data to provide a more comprehensive understanding of AI innovation dynamics.