OECD 发布《科技创新数字化》报告

文/袁珩（中国科学技术信息研究所）

2020 年2 月，经合组织（OECD）发布报告《科学、技术与创新数字化——关键进展和政策》。报告考察了数字化对科技创新的影响与数字技术对先进制造和生物经济的影响，以及随之对政策产生的影响。对此，OECD 为各国政府提出了相关政策建议。

一、数字化如何影响科技创新

（一）数字化为何重要

数字化是当前企业、科学界和政府机构中创新活动的最显著表现。只要充分发挥数字化的作用，数字技术就能推动科学进步，提高人民生活水平，帮助保护自然环境，并改善政策制定本身。

1.科技创新数字化的大环境已经形成

科技创新数字化与许多重要的短期和长期政策挑战都直接相关。近年来，许多OECD国家的劳动生产率增速都已下降。开发并采用数字生产技术是应对经济衰退的必要手段。数字技术为创意的融合和重构提供了更便利的条件，从而能够促进创新。有证据表明，创新越来越多地是通过结合现有的想法而不是通过形成全新的想法来实现的。另外，数字化能够加速科学技术解决全球挑战的能力，包括环境问题、卫生问题、人口问题等。科技突破是解决这些挑战的必要条件。

人口结构的变化可能对OECD国家可自由支配的公共支出形成长期下行压力。这种压力可能导致公众对科技创新的支持力度停滞甚至下降。长期的缓慢增长也可能产生类似影响。因此，数字技术能否提高政策效率以及能提高多少成为重要议题。

科学生产力可能正在下降也引发担忧。一些学者认为，科学变得越来越低效，知识的“低枝果实”已被采完，实验的成本越来越高。未来科学必须更多地基于跨学科研究，并且跨越的学科数量也会越来越多。

2.数字化影响科学环境

从制定工作规划到开展实验活动，从知识共享到与公众的交互，科学研究的每个部分都因数字化发生变化。为实现开放科学的承诺，需将数据管理成本纳入科研预算；为促进公共研究数据的跨境共享，需提高研究数据所属机构之间的政策一致性和信任；建设国际网络基础设施，需加强国际合作；开放获取出版要求开放获取相关激励机制应与资助机构的授权相匹配。

数字化促进技术融合，这是创新的重要特征。这种融合由多种原因促成：一是由于各种数字化设备都以“数”为基础，数字技术就可以组合起来，方便程度超过其它任何技术；二是随着数字技术的发展，对自然世界的科学表达能更多地通过数字信息的形式实现。例如，得益于观测能力的进步及计算模拟水平的提高，模拟材料微观结构的能力不断提升，材料科学取得了巨大进步。

数字化使科学更具合作性和网络化。2015年，从事大型强子对撞机工作的研究人员发表的一篇论文作者多达5154人，创下历史纪录。

数字技术与生物技术的融合反映出一种更为新颖的观点，即生命本身就具有信息和算法的性质。数字技术推动的微型化同样促进了融合。毫米级的计算机可能在未来十年普及。这些设备很可能与医疗技术结合，如在体内监测疾病过程。

3.数字化影响企业创新

创新过程越来越多地依赖数据。运用数据有助于探索、研发新产品和服务，洞察市场趋势，理解竞争对手的行为，优化研发、生产和分销流程，并根据特定或变化的需求定制产品和服务。

通过分析实时数据，数字化能够推动开发新型商业模式。包括端对端住宿服务（如Airbnb）和应需出行服务（如Uber），用于搜索、对比并预订客房和出行服务的平台（如Booking）等。

数字技术促进服务创新。制造商越来越多地提供基于数字技术的服务，以补充其产品性能。服务提供商则不断投资用于改善其活动的数字技术，如大型零售商利用物联网改进库存管理。

生成式设计软件和增材制造等数字化创新正在加快产品设计、原型制作和测试速度。信息通信技术使企业能够推出产品测试版，并随时更新，接收消费者反馈。

数字技术使创新生态系统更加开放和多元化。随着数字技术的发展，企业正更多地与研究机构和其他企业互动，原因有三：一是可以接触到更多互补的专业知识和技能；二是有助于分担数字创新领域不确定的投资成本和风险；三是通信成本降低，能够进行更多交互。

（二）科技创新数字化新理念

1.基于预测市场开展决策

预测市场是一种机制，人们可以对事件结果进行预测，这可以为科技创新政策提供信息。在体育比赛和政治选举等领域，预测市场的表现都超过了专家判断。基于预测市场可能实现以下目标：预测原本要通过成本高昂的研究评估活动才能取得的结果；快速、低成本地确定不太可能重复的研究结果；帮助最佳地分配有限的资源；帮助研究机构评估提高研究质量的战略行动是否达到目标；检验科学假设；帮助认识特定的科学工作流程。

建立专门的数字平台可使预测市场更易实现。不过，在科技创新政策中使用预测市场更多地是受到传统的限制，而不是技术可行性。

2.利用人机结合进行预测

将人类智慧与机器智能结合起来进行预测和研究前景广阔。斯坦福大学的研究人员通过人工智能对一些放射科医生诊断胸部X 光的能力进行了测试。结果显示，有算法辅助的放射科医生比无辅助的医生诊断更准确，同时也比最先进的纯人工智能预测准确22%。

3.让区块链服务于科技创新

这首先需要解决互操作性等技术和政策挑战，才能在科技创新活动中广泛部署区块链。如果不能在相关技术领域达成共识，其应用会受限。

4.运用社交媒体扩大创新

人们的创新倾向往往包含着模仿的元素。研究表明，在有更多发明家的地区长大的孩子更有可能成为发明家，因此使少数族裔和低收入家庭的儿童更多地接触创新有助于增加创新的普及度。社交媒体可以为有针对性的干预提供渠道。

（三）推动科技创新数字化的措施建议

为推动科技创新数字化的健康发展，报告提出以下政策设计的总体考虑。

1.培养数字技能

数字化提高了对数字技能的需求，人工智能系统的快速改进可能会导致人工智能技能的匮乏。例如，新近出现了“工业数据科学家”“生物信息学科学家”等新职业。因此，培养数字化人才，提高公众的数字技能成为当务之急。

教育和培训系统必须利用来自所有社会伙伴的信息。教育和培训系统应利用来自所有企业、工会、教育机构和学习者等各方面提供的人才技能需求信息。学生、家长和雇主也需获得数据来判断教育机构的表现。教育和培训系统的资源必须有效地流向最符合技能需求的课程和机构。

数字技术的进步可能需要开设全新的课程。在许多国家，大学很少在专业课程以外开设逻辑学课程，这使得懂得逻辑在人工智能中基本作用的学生十分稀少。但生物经济越来越需要融合生物学、工程学、程序设计等学科课程。

在重大技术变革的背景下，终身学习必须成为工作的一部分。政府可与社会伙伴合作，开发全新的培训项目，如针对在职人员的人工智能转换课程，并构建有效的认证体系。许多国家已经制定了发展数字技能的长远计划。例如，芬兰计划通过在线教学向每个公民传授人工智能基础知识；英国政府最近承诺为1000 名学生完成人工智能博士学位提供1.15亿英镑的资金支持。

2.助力企业创新

确保获取创新数据。数据访问政策应旨在确保尽可能广泛地访问数据，即鼓励共享和重复使用，同时尊重有关数据隐私、道德、知识产权以及经济成本和效益的限制。

为创新创业提供适当的支持和激励。随着创新议程的迅速发展，政府应灵活应对变化。报告建议：部署和监测小范围试验性政策，并根据效果在此基础上扩大或收缩政策实施范围；精简创新支持工具的申请程序；关注服务创新。

确保创新生态系统支持竞争。数字创新占据重要地位的市场更易受到快速创新和规模经济的影响。政府应确保这些市场的可竞争性，并重视数据作为市场力量来源的作用。

支持合作创新。数字技术为企业和机构合作创新提供了新途径，包括众包、开放型挑战和现实实验室。同时，拥有创新型组织结构的新型研究创新中心能够帮助组建多学科团队共同应对技术挑战，如澳大利亚的Data 61和荷兰的智能工业现实实验室。

3.积累专业知识经验，进行负责任的治理

政府部门必须熟悉了解数字化领域相关情况，积累专业知识，才不会错过从数字技术中受益的机会。对人工智能加以治理的呼声也凸显了政府积累相关专门知识经验的必要性。倘若没有相关专业和知识积累，政府对数字化技术的任何管理都有可能弊大于利。此外，由于许多关键系统都愈益复杂，依靠代码来调和并相互关联，政府还需要加强对这些系统的认识。另外，由于创新活动的目标也在快速演变，政府既要保持灵活性并敏锐地观察相关变化和趋势，也要确保关键基础设施的供给。

4.避免负面影响

数字化可能给科技创新造成负面影响，表现在：发达国家在产生数据的资本密集型科学工具方面具有比较优势；数字经济可能会扩大初始技能赋予的经济和社会影响，加剧收入的地理性差异；国家间的实力可能因超级计算和人工智能间日益增强的协同效应而分化；老式的预编程软件将被人工智能系统所取代，验证工作本身会将十分复杂。

数字化可能给科学研究造成负面影响，表现在：在数据驱动的科学中出现越来越多无假说研究；具备先进数字能力的研究人员与不具备这种能力的人员之间差异扩大；在科学界形成追名逐利的风气，使不成熟的研究结果过早传播；工作流程和数据可能会集中于提供数字工具的少数企业手中。

报告建议，可通过以下几种方式降低技术风险：将部分预算用于研究数字化对科学的更广泛影响；让公众参与讨论，同时避免对技术的夸大其词；确保科学建议是可信的；对能够降低风险的研究和创新(如网络安全)进行投资。

二、人工智能、数字技术与先进制造

（一）新兴数字技术应用于生产制造面临的挑战及政策建议

1.人工智能

人工智能应用于生产制造面临的挑战包括：

在特定行业中，建立人工智能模型需要收集和训练大量高质量数据。人工智能应用通常需要结合各种数据类型。训练数据必须每月甚至每天更新。不少行业应用新颖且需要定制，数据可用性受到限制。

研究有待进步，以摆脱“数据饥荒”。如AlphaGo Zero 不依赖外部数据，只利用游戏规则就能学会围棋。因此在象棋和围棋等基于规则的游戏中，人工智能可以通过模拟数据实现高性能。但对于其他行业而言，训练数据还需要来自于现实世界的机器和流程。

数据质量是影响人工智能取得成功的主要障碍。行业数据可能出现格式错误、不完整、不一致等问题。在人工智能系统投入使用之前，科学家通常花费大量时间对数据进行清洗、构形和标记。整个过程需要熟练劳动力，且前期工作不能保证成功。

制造业对人工智能系统的精度要求远高于其他行业。例如，销售部门可接受的误差程度，对精密制造可能是不可容忍的。

对此，报告提出以下政策建议：

采取措施，帮助企业利用其数据创造价值。许多企业持有宝贵数据，但没有有效使用。它们可能缺少技能和知识，缺少企业数据战略或数据基础设施。外部专业机构（如人工智能初创企业、高校等）能利用企业数据创造价值。政府可作为数据伙伴关系的催化剂和中介，解决这种不匹配问题。政府还可以与利益相关方合作，为实现可信数据共享制定自愿性质的样本协议，如美国交通运输部编制了《加快自动驾驶车辆安全部署的数据交换指导原则》草案，英国数字“弹射”中心计划为有意签订数据共享协议的初创企业提供样本协议。

推进开放数据倡议。包括：使用机器可读取的公共数据，加快人工智能应用；完善法制保障，确保使用人工智能不会导致原始作品被替换或损害版权所有者的合法利益；促进利用数据流通实现公共利益，共享公共数据和私人数据。例如，《海洋协议》（Ocean Protocol）是一个去中心化的数据交换协议，基于人工智能和区块连技术，允许数据持有者通过去中心化的数据市场与数据消费者进行交互，同时保证对所有参与者的控制、可审计性、透明度和合规性。

解决人工智能应用面临的硬件局限性。人工智能创业者可能拥有知识和资金，但缺少必需的硬件设施和相关资源。为解决此类问题，英国数字“弹射”中心发起了“机器智能创业空间计划”，与图形处理器制造商英伟达、智能处理器生产商Graphcore 以及云提供商亚马逊网络服务和谷歌云平台等伙伴合作，共同为处于早期阶段的人工智能企业提供能够获得计算能力和专业知识的途径。

2.区块链

区块链应用于生产制造面临的挑战包括：

采用区块链涉及到业务流程的根本变化，特别是供应链参与者之间的协议；当多台计算机参与时，交易速度可能比现有流程慢；很多区块链的开发是独立的，而区块链平台的可扩展性取决于它能否与其他平台合作。

对此，报告提出以下政策建议：

使用区块链监管沙盒。监管沙盒能帮助政府更好地了解新技术及其监管影响，使行业在实时环境中对新技术和商业模式进行测试。区块链监管沙盒的范围可以扩大至其他非金融部门的区块链应用。

在公共部门使用区块链，提高对其潜力的认识。一些技术问题仍需解决，例如，如何信任放置在区块链上的数据，可信的数据需要以何种方式进行认证。另外，区块链也可能引发对竞争的担忧，一些大企业可能会通过联盟方式构建区块链标准，例如供应链管理标准，这将对其他企业的发展形成威胁。

3.增材制造

增材制造方式应用于生产制造面临的挑战包括：

与大规模生产相比，增材制造在量产成本方面不具竞争力；增材制造的推广取决于该技术在打印时间、成本、质量和材料方面的发展。

对此，报告提出以下政策建议：

重视增材制造对环境的可持续影响。经合组织提出两项优先重点，一是鼓励采用低能耗打印工艺，二是开发和使用具有使用寿命终止特性的低冲击材料（如可降解的生物材料）。

划定通过增材制造方式生产已停产设备相关零部件的知识产权权属。例如，一台已停产的洗衣机可能因为一个零部件损坏就得报废，通过增材制造的方式根据所需零部件的CAD文件可以制造出相应零部件，进而使机器恢复运转。但是，大多数CAD文件由原始设备制造商专有，这需要推动其授予第三方打印产品替代零部件的权利，第三方则需向其支付特许权使用费。

政府帮助企业获得发展增材制造所需的知识。包括：支持相关基础科学发展，如构建材料数据库等；协助构建政产学研多方参与的数据共享协议；支持发展独立的制造和测试标准；创建一个能够记录早期用户体验的平台，用于量化采用新技术的优势。

4.新材料和纳米技术

政策建议：

建立公私合作投资模式，特别是在建设网络实体基础设施和培训劳动力方面。

开发材料信息基础设施，为材料发现过程提供决策支持。

开展国际政策协调工作，整合欧洲、北美洲和亚洲有关投资和能力的网络及实体基础设施，构建数据共享文化。

开展机构间和/ 或国际间合作，充分发挥纳米技术的潜力。纳米技术研究需要复杂且昂贵的设备，并建设专门场地。公共资助的研发应允许其它国家的学术界和产业界参与，并灵活开展合作。

支持中小企业创新和商业化。通过提高中小企业研究资助，补贴或免除服务费等方式，向中小企业提供获得和使用设备的机会。

通过国际合作，解决纳米技术产品的风险评估和许可等监管问题。这些问题会严重阻碍纳米技术创新的商业化。政府应为评估纳米技术产品风险及时制定透明的指导方针，同时在制定准则和执行方面积极开展国际合作。

（二）与数字技术相关的交叉政策事项

1.技术推广

潜在的技术使用者必须经常评估大量迅速变化的技术、所需技能和投入方面的信息。以下因素有利于技术推广：

增加初创企业数量，促进初创企业发展。初创企业在促进就业净增长和根本性创新方面发挥巨大作用，并且不受传统模式的约束，能够引入新技术发展所需的组织机制。

为先进制造创造有利的经济和监管框架，高效分配资源。包括：构建有竞争力的产品市场和灵活的劳动力市场；降低创办和经营企业的成本；为外国直接投资和贸易的开放创造条件，推动技术推广和广泛应用；吸引国际市场上的熟练劳动力；加强本国内部知识流动，特别是科研机构和企业之间的互动。

设立专业技术推广机构。目前，提高制造业企业采用新技术的周期较长。如果设立专业技术推广机构，使其获得相关技术和资源授权，有助于实现更有效的技术推广。

2.连接政策和数据政策

加强宽带网络部署。宽带网络对工业4.0不可或缺。重点包括：进一步扩大高速宽带网络接入，特别是农村和偏远地区；推动竞争性和私人投资，提高通信服务速度，扩大覆盖范围。

避免限制跨境数据流动。限制数据流动可能会导致丧失贸易和投资机会、云计算和其它信息技术服务成本上升、劳动生产率和GDP 增速下降。

提高对云计算的信任。提高对云端的信任，鼓励采用云计算技术。重点帮助中小企业更好地了解云服务的技术和法律影响。

3.数字技能

为采用新型数字技术，人们需要掌握必要的基本技能。报告建议各国基于现有关于新兴技能需求的信息构建一个系统。在这个系统中，学生、家长和雇主能够获得信息，判断教育机构的表现，评估不同课程毕业生的职业道路；同时，教育和培训机构应被高效组织起来，推动资源流向最能满足技能需求的机构或课程。

4.标准制定

一些国家和企业在国际标准制定方面发挥主导作用。如果新标准符合本国国家标准和/或其生产基础的特点，在制定国际标准方面发挥主要作用的国家和企业将享有优势。公共部门应鼓励产业界在技术发展早期阶段就参与制定国际（国家）标准。

5.高性能计算

从建筑业、制药业到汽车工业、航空航天业，高性能计算越来越重要。美国2/3使用高性能计算的企业表示，提高计算模型性能事关竞争生存问题。高性能计算在制造业中的应用不断扩展，已超越了设计和仿真等应用。目前，高性能计算公共倡议通常侧重于满足“大科学”项目的计算需求，未来需要提升产业界特别是中小企业对高性能计算的需求。

6.知识产权

人工智能、增材制造等技术对知识产权系统提出新的挑战。例如，自然形成的人体组织没有专利，但如果通过增材制造产生的人体组织比自然人体组织更好，它就有资格申请专利。在这方面，应遵循的原则是平衡知识产权方面的需求。一方面，知识产权对于激励创新是必不可少的；另一方面，知识产权不应阻碍新兴技术的推广。

7.公共研究

许多新涌现的生产技术的复杂性可能超越了大型企业的研究能力。在这种情况下，需要建立公私合作的研究伙伴关系。其中，公共资助的基础研究往往至关重要。

加大对计算能力的支持。经济中的数字技术应用依赖于不断增长的计算能力。例如，最大型的人工智能实验所需的计算能力每3.5 个月就会翻番。

开展更具多元化的人工智能研究。相关研究领域涉及：使人工智能可以解释；使人工智能系统更稳定（如图像识别系统）；确定人工智能执行困难任务需要多少先验知识；将抽象、高阶推理及“常识”引入人工智能系统；使人工智能能够推断和表示因果关系。

扩大研究界与产业界的合作。政府资助的研究机构和计划应能够自由寻找适当的合作伙伴，以应对规模扩大和跨学科挑战。

三、生物经济中的数字化

生物经济符合循环经济理念，它基于全新的生产方式，将逐渐替代基于化石燃料的生产。

（一）生物技术与数字技术的大融合

光靠数字技术或生物技术无法实现生物经济的政策目标。将二者融合起来可能会极大地改变生产制造过程以及产品的设计和处理。

在生物学发展中，由于缺乏数据，实验一直很难进行。随着实验高通量测序技术的进步，生物数据变得更加丰富，这对生物数据分析和解释工具提出了需求，因此生物工程和合成生物学应运而生，其核心是预测性设计和快速评估，能够通过实验自动化、高通量特征表述和加工后处理等实现新材料合成。

（二）生物技术与工程设计的大集成

大多数生物技术尚未达到工程学的特定标准。互操作性、设计与制造的分开、零部件和系统的标准化等概念都是工程学科的核心，但在生物技术领域，这些概念基本不存在。为满足工程规范的要求，必须解决科学方法与工程设计之间的本质差异。

1.测试是现阶段主要瓶颈

在工程设计周期中，测试阶段是最基本的挑战，需要通过生物学和迭代过程的自动化解决。评价生物体表型是代谢工程的一个重要步骤。例如，当构建生物燃料或生物基化学品的菌株时，设计是否成功将通过其产品的形成量来衡量。这需要分离单个菌株并测定每个菌株产生的化学品浓度。消除这一瓶颈的关键是搭建一个拥有代谢建模、高通量测序、菌株构建、小规模定量筛选和系统生物学的综合性技术平台。也就是说，通过生物设计自动化能够推动解决测试阶段面临的障碍。实现生物设计自动化需要：构建工程标准以加快数据交换；开发高通量评估和计量方法；实现生物成像自动化。

2.可再生性问题长期存在

未来，生命科学、化学和食品开发将依靠生物制造实现，这需要人、仪器与设备、知识与数据等一系列要素的协作，以开发出日益复杂并具环保性的产品。要使生物制造成为未来可靠的制造方式必须克服可再生性问题。可靠性和可预测性是影响再生性的重要方面。这需要开发出集设计、合成和测试于一体的全周期生物工程自动化工具。

3.数据分析和储存面临挑战

未来二十年，硅基存储方法可能难以跟上需求增长，数据存储可能面临危机。DNA 作为储存介质或许能够提供预防储存危机的方法，使得将数字信息转化为基因信息成为可能。但DNA存储作为存储介质太过昂贵，DNA 合成成本比DNA测序高出几个数量级。为推进DNA存储的商业化，应开发更好的算法，将数字信息转化为生物信息，实现快速、准确、低成本的信息检索；开发新的化学物质，使低成本DNA 合成成为可能；在生产中引入更多自动化流程，降低成本。

（三）生物生产技术前沿

报告探讨了三种不同且存在交叉的未来生物制造方式。

1.生物加工平台（biofoundries）

生物加工平台是指利用合成生物学技术，以自然界已有的自然物质或合成物质为基础，构建基于生物体的新型制造平台，它将生物设计、研发、制造过程转变成工程设计问题，通过对自然生物的操纵来获取原创性新材料、新器件、新系统和新平台，实现高价值材料和设备的“按需设计与生产”。其最终目标是压缩生物设计、制造和测试的周期和成本，实现生物元器件和生物制造平台的模块化标准化设计。

2.生物增材制造

生物增材制造能捕捉生物实体的复杂性，通过增材制造的方式生产制造细胞、组织或更高形式的生物组成部分（如器官）。这需要基因代码和数字代码的密切结合，以保证所需的高准确度。

3.无细胞合成生物学

无细胞系统具有合成速度快、直接控制反应、对有毒物或产品耐受、可扩展性等优点。无细胞合成生物学在环境应用方面具有重要意义。如在生物修复领域，无细胞合成生物学能够推动开发基因网络和代谢途径，没有新型微生物菌株无限复制和传播的风险。为拓展应用，无细胞合成生物学需要更大程度地与化学和信息技术融合，如增材制造和人工智能。

（四）政策建议

生物工程已成为影响未来生物领域科学研究和先进制造的重要领域，各国政府应在以下方面施加政策影响。

在生物工程材料研发平台技术方面，包括：将研发补贴重点放在实现生物制造过程的可再生性上；开发多类型平台技术，构建创新型公私伙伴关系，使公共部门和私营部门都能公平地获得设备使用权、服务和数据；建立一支训练有素的跨学科工作队伍，这需要更大程度地发展跨学科教育，将生物学和工程学领域相结合，使毕业生的学科素养具有足够的深度和广度，以成为能够真正解决问题的生物工程领域先锋。

在标准化、互操作性和知识产权方面，包括：加强开放获取和知识产权保护，认真考虑开放获取与知识产权保护相关事项，在满足学术界需求和充分保护知识产权的基础上，激励私人投资；按照“公平、合理和无歧视”原则制定相关法律法规和标准，以实现产品和工艺的互操作性；推动实施《开放材料转让协议》（OMTA），这有助于在自动化和半自动化管理系统或平台中共享生物材料，减少文书工作及单独谈判。

在可持续材料制造和管理方面，数字技术将发挥重要作用，特别是在生物工程和生物制造领域。包括：利用区块链技术可以跟踪原料来源等问题；利用用于可持续性评估的自动化或数字化协议能够减轻需要证明其产品和流程可持续性的小企业的财务负担。

在数字安全方面，包括鼓励及时分享网络威胁信息，保护隐私和公民自由；大力打击网络犯罪；培养网络安全意识；鼓励网络安全合作。