AI視域下智庫要素模型建構及其功能路徑變遷

摘要：[目的/意義]全面系統(tǒng)地探究智庫運行機制與組成要素，能夠為分析智庫的功能實現提供模型基礎。[方法/過程]本文剖析了智庫運作模式下的各功能要素，建構了利益相關者—組織—技術—證據（stakeholder-organization-technology-evidence，SOTE）要素模型，并對其動力因素以及應用場景展開闡述。在此基礎上，著重分析人工智能這一變革性力量對SOTE模型的影響。［結果/結論］人工智能顯著改變了SOTE模型的各要素及要素間的互動模式，為智庫功能實踐路徑提供了創(chuàng)新動力，推動了智庫議程設置、研究與運營工作的革新優(yōu)化。

關鍵詞：人工智能" " 智庫" " 要素模型

分類號：C931；TP18

DOI： 10.19318/j.cnki.issn.2096-1634.2025.01.03

1" 引言

1.1" 研究背景及思路

2022年，以ChatGPT為代表的生成式人工智能（generative artificial intelligence，GAI）異軍突起，越來越強大的GAI兼具高效的數據處理能力、準確的信息篩選分析能力和創(chuàng)新的內容生成能力，不斷拓展人工智能（artificial intelligence，AI）的功能邊界，為知識生產力帶來了質的飛躍。在當今復雜多變的社會環(huán)境和快速發(fā)展的技術變革的背景下，智庫作為一個知識生產系統(tǒng)，面臨著新的機遇與挑戰(zhàn)。

本文通過深入分析智庫的構成要素并構建智庫要素模型，以系統(tǒng)化的方式呈現智庫的運作機制、影響因素與功能實現路徑，探討AI作為催化劑如何推動智庫要素變化與要素互動演變，如何影響智庫議程設置、研究與運營功能的實現，從而引導智庫積極適應環(huán)境變化，實現動態(tài)平衡，以提供高質量的研究成果和政策建議。

1.2" 研究綜述

AI技術的飛速發(fā)展，不僅有效推動了智庫內部要素的流通、整合與共享，更為新型智庫在研究和運營模式上的重構提供了支撐。

目前，國內關于AI應用于智庫的研究仍聚焦于傳統(tǒng)AI在智庫研究和管理中的應用。智庫為AI提供了具體的應用場景[1]，AI則相應地為智庫提供了科學、高效的技術支撐，包括交互式處理智庫資源、構建智能化搜索引擎[2]以及模擬專家決策[3]等。在為智庫的研究運營提供輔助支撐的過程中，AI展現出立場相對中立、智能高效等特性，但一些挑戰(zhàn)也逐漸顯現，例如，信息質量問題以及虛假舞弊風險[4]，AI掌握的價值判斷和內容生產有潛在的道德和倫理風險[5]。

在國際上，GAI能力的增長激發(fā)了全世界的想象力。從戰(zhàn)略規(guī)劃層面，智庫需要采用結構化的方法，整合個人、團隊、組織和生態(tài)系統(tǒng)4個層面的AI，以推動知識型組織的創(chuàng)新[6]。從工具利用層面，通過定制化交流和參與計劃，可以充分發(fā)揮ChatGPT等GAI的優(yōu)勢，顯著提高智庫的研究與溝通效率[7]。

2" 智庫SOTE要素模型

智庫工作呈現跨學科、多要素的平衡狀態(tài)，這些覆蓋人員、技術、信息等方面的組成要素是智庫的支撐性基礎。為了系統(tǒng)、全面地分析智庫的運作模式，可以將這些要素歸納為利益相關者（stakeholder，S）、組織（organization，O）、技術（technology，T）、證據（evidence，E）四部分。四大要素間的互動形成了智庫的議程設置、研究、運營功能。

2.1" SOTE模型

基于已有研究，本文構建了智庫利益相關者—組織—技術—證據（SOTE）要素模型，如圖1所示。該模型明確了智庫作為一個系統(tǒng)所包含的要素，以及其在互相作用下形成的智庫功能。

2.1.1" 利益相關者要素" " 利益相關者要素包括智庫服務對象、內部人員和外部支持者。政府部門、企業(yè)與公眾為智庫主要服務對象。智庫為政府、企業(yè)決策提供前沿戰(zhàn)略問題的綜合研判與前瞻性研究；面向公眾解讀國家政策及熱點問題，引導輿論，助力政策落實與理解。內部人員包括研究人員和管理人員。研究人員作為智庫核心，具備深厚專業(yè)背景，承擔學術研究和政策分析；管理人員負責機構的日常運營管理和戰(zhàn)略發(fā)展，確保運作效率和資源利用，推動智庫目標達成。合作伙伴及媒體是智庫的外部支持者。合作伙伴包括大學、研究機構、國際組織、政府部門、民間組織、非政府組織、企業(yè)及行業(yè)協會等，它們與智庫共享資源、探討問題、制定政策建議；媒體支持者涵蓋傳統(tǒng)媒體與新媒體，為智庫成果推廣和觀點傳播提供平臺與途徑[8]。

2.1.2" 組織要素" " 組織要素涵蓋戰(zhàn)略規(guī)劃、管理機制與政策制定、結構與文化。戰(zhàn)略規(guī)劃是在明確中長期發(fā)展的戰(zhàn)略定位與研究方向的基礎上，制定包含優(yōu)先研究領域、課題計劃等具體的規(guī)劃以實現戰(zhàn)略目標。管理機制與政策制定以保障組織運作的高效性為目的，涉及財務、人力、課題等運營管理的各個方面。結構與文化中，組織架構支持戰(zhàn)略與研究實施，如跨學科的矩陣式組織架構、自下而上的半自主課題管理等[9]；價值觀念和文化氛圍在智庫的長期發(fā)展中形成，影響研究方法與政策分析。

2.1.3" 技術要素" " 技術要素包含信息技術、數智工具和架構技術。信息技術包括數據庫管理系統(tǒng)、在線協作工具和項目管理平臺，用于提升數據管理、溝通協作和項目管理水平。數智工具涉及數據采集、存儲、處理技術工具，保障數據高效利用。架構技術涉及信息安全與系統(tǒng)拓展性、穩(wěn)定性、靈活性，通過加密、訪問控制等措施實現。

2.1.4" 證據要素" "證據要素包含知識與數據。智庫是知識、智慧高度密集型的行業(yè)，知識生產是智庫的核心活動，知識產品是智庫的核心競爭力[10]。知識資本是智庫最有價值的資本，表現為知識生產與沉淀、專家智慧、項目成果等。數據為智庫提供信息資源。智庫所需數據可通過調研、專家網絡、合作伙伴或公開數據獲取，需評估其可信度與準確性。

2.1.5" 功能" " 智庫的議程設置、研究與運營三類功能是智庫四大要素相互作用后的能力輸出，其本質是以結構要素為基體、通過要素間能量流動產生的功能涌現。三大功能構成智庫的價值循環(huán)體系，議程設置決定系統(tǒng)輸入方向，研究活動實現要素能量轉化，運營傳播完成價值輸出與反饋。①議程設置是要素作用下的認知框架建構。通過利益相關者需求牽引、組織資源定向配置、要素沖突協調機制，智庫分析利益相關者的需求，結合研究定位與戰(zhàn)略規(guī)劃，將特定問題納入自身研究范疇，利用技術與證據基礎開展研究，促使這些問題在更廣泛的層面上得到關注。②研究功能本質是四大要素的深度協同創(chuàng)新過程。利益相關者要素嵌入研究設計，組織要素構建知識管理體系，技術要素解構復雜政策變量、增強分析效能，證據要素提供新穎的研究視角和解決方案。③運營功能是要素的價值再生產。利益相關者要素引導資源配置、實現內部管理優(yōu)化，組織要素設定運營目標、規(guī)范運營決策，技術要素構建運營數字孿生體、驅動自動化運營，證據要素指導資源分配決策、直接創(chuàng)造運營價值，從而實現運營生態(tài)的自增強。

2.2" 智庫SOTE要素模型的影響因素

2.2.1" 政策環(huán)境" " 政策環(huán)境通過規(guī)制壓力與需求牽引雙重機制作用于SOTE模型。政府治理模式及政策導向直接塑造利益相關者要素中服務對象的政策咨詢需求，驅動組織要素調整研究領域布局與戰(zhàn)略規(guī)劃，推動智庫技術要素升級。同時，政策的不確定性也可能影響證據要素的連續(xù)性，如美國總統(tǒng)于2019年1月14日簽署通過法律《循證政策制定法案基礎》（H.R.4174 - Foundations for Evidence-Based Policymaking Act of 2018）[11]，其中包含的《開放政府數據法案》（OPEN Government Data Act），提出向公眾開放“非敏感”政府數據。這一舉措從制度層面重構了證據要素的獲取、分析、應用。

2.2.2" 國際環(huán)境" " 全球化與地緣政治競爭通過知識流動壁壘重構SOTE要素交互邏輯。國際議題復雜性推動智庫擴展技術要素以增強全球數據采集能力，優(yōu)化組織要素中的架構以嵌入多邊合作機制。智庫需要應對地緣政治、民粹主義、逆全球化、AI技術等多重環(huán)境的嬗變，積極響應全球性議題，構建智庫國際交流合作的雙線型格局[12]。例如中美科技脫鉤背景下，部分技術工具與證據的可及性下降，智庫需通過利益相關者網絡構建替代性資源渠道。

2.2.3" 技術發(fā)展" " 顛覆性技術既賦能SOTE要素升級，又衍生新型治理挑戰(zhàn)。在技術發(fā)展的推動下，智庫的研究方法和研究資源得到了極大拓展。智庫利用各種可視化數據統(tǒng)計分析工具及預測工具，提升了戰(zhàn)略研究和科學預判的能力。如AI的出現為智庫提供了比云計算時代更強大的數據處理和存儲能力，支持復雜的模型和分析，但可能削弱利益相關者對研究成果原創(chuàng)性的信任，需通過組織要素建立AI輔助研究倫理規(guī)范。

2.3" 智庫SOTE要素模型的應用場景

第一，助力智庫戰(zhàn)略規(guī)劃。SOTE模型為智庫戰(zhàn)略規(guī)劃提供系統(tǒng)性分析框架，通過要素間動態(tài)耦合實現科學決策。利益相關者的需求轉變驅動戰(zhàn)略目標設定，組織要素依托技術模擬資源配置方案，證據要素支撐規(guī)劃可行性驗證。基于這些分析，智庫可以把握發(fā)展契機，制定科學、合理的發(fā)展規(guī)劃與重點。

第二，評估智庫工作質量。SOTE模型為智庫工作提供科學的參考框架，能夠對智庫現行工作方式的效果進行多維度、精細化的評估。例如，對一系列具體指標的設定和測量，如利益相關者的滿意度得分、技術應用帶來的研究效率改變比例、證據的準確性可用性等，能夠直觀地反映智庫工作的優(yōu)勢和不足，進而不斷優(yōu)化工作流程。

第三，保障具體業(yè)務落實。SOTE模型通過要素嵌入機制確保業(yè)務執(zhí)行全鏈條可控，為項目可行性考量、知識管理與共享、人才培育等具體業(yè)務的有效開展與順利落實提供保障。例如，項目啟動階段運用利益相關者要素識別核心需求，組織架構配置資源與團隊；研究開展階段證據要素推送相關數據庫與案例庫，技術要素中研究方法、數據分析工具為項目的可行性提供充分依據。

3" AI驅動下的SOTE模型要素變化及智庫功能實踐路徑演變

日新月異的AI技術在眾多領域中起到了變革性的作用，對智庫的影響也不可避免地逐漸加深。分析AI動力下的SOTE模型要素變革，一方面，能夠從本質上分析智庫受到AI影響的程度與形式；另一方面，從側面反映智庫應該采取何種方式應對技術變化帶來的影響。AI在不同程度上改變了智庫模型中的4個要素以及要素之間的互動模式（圖2），同時也影響著四大要素作用下的智庫智庫議程設置、研究與運營功能的實現。

3.1" AI驅動的SOTE模型要素變化

AI影響下的SOTE模型各要素根據不同特性而產生了不同程度的變化，這些變化可以分為變革型與增強型兩類。變革型變化指AI對智庫關鍵要素的深度重塑，推動其運作方式發(fā)生根本性轉變；增強型變化則指AI在現有基礎上提升智庫各要素的效率和適應性。

3.1.1" 變革型變化

（1）技術要素

AI顯著增強了智庫在技術層面的能力，推動傳統(tǒng)數字技術向智能化方向演進。比如，自然語言處理技術（natural language processing，NLP）能夠幫助智庫有效地處理和理解政策文件、文件報告、圖像與音視頻等非結構化數據；機器學習能夠幫助智庫從海量數據中發(fā)現規(guī)律。此外，智庫還能夠自行構建垂直化專屬大模型，更高效地解決研究領域內的問題。

（2）證據（數據型）

AI加速推動智庫從專家驅動向數據驅動轉型[13]，并實現了自動化內容生成。通過AI驅動的網絡爬蟲工具與文本分析技術，智庫可實時收集解析多平臺數據，并進行情感分析、主題提取。AI推動智庫基于數據分析結果，按照數據準備、模型訓練、明確需求、信息輸入、生成初稿、人工優(yōu)化的邏輯順序，快速生成研究報告和政策建議，大大提高了智庫的工作效率和決策支持能力。

（3）組織（戰(zhàn)略與管理機制）

AI促使智庫調整戰(zhàn)略定位與管理機制，以適應智能化政策分析需求。智庫需要從議程設置的層面考慮AI技術對自身研究、運營管理等工作帶來的變革，并形成相應的戰(zhàn)略規(guī)劃，強化數據治理、合規(guī)管理與倫理監(jiān)督。在管理方面，AI能夠實現對智庫內部流程的自動優(yōu)化，如算法的客觀性能夠保障人才選拔和評估的科學性，在項目管理中實現資源智能調度、任務自動優(yōu)化。

3.1.2" 增強型變化

（1）利益相關者

AI增強了利益相關者的參與感和互動性。AI能夠依據智庫服務對象的行為和偏好，為其量身定制個性化的服務，實現精準的研究成果推送。AI可以根據智庫研究人員工作習慣和興趣方向，推送適合的學習資料和工作任務安排，能夠依據合作伙伴和資助方支持歷史和偏好，為其提供個性化的項目介紹和合作方案，增強其對智庫的信任和支持力度。

（2）證據（知識型）

基本的知識管理流程依然存在，但是AI提升了知識獲取與應用的能力。AI賦能智能檢索技術縮短智庫信息獲取周期，知識圖譜構建有助于政策邏輯梳理，推動智庫構建更加科學的政策分析框架。

（3）組織（組織架構與文化建設）

部分智庫會因AI的推動而對組織架構或文化建設進行優(yōu)化。在組織政策方面，智庫會制定相關的政策和規(guī)范以更好地適應AI技術的應用；在組織結構方面，智庫會增設專門的AI技術部門或崗位，加強與技術公司的合作，以提高技術研發(fā)和應用能力；在文化建設方面，智庫會鼓勵研究人員積極探索和應用AI技術。

3.2" SOTE模型要素間互動模式的演變

AI的融入對智庫SOTE模型4個要素之間的互動模式產生了不同程度的影響。如圖2所示，線條的粗細代表了影響程度的大小，線條越粗則影響越大。

首先，影響最大的是技術與證據。AI推動二者從“工具-對象”的單項關系轉向共生互動關系。一方面，信息技術得到智能化的提升，能夠更自動化、動態(tài)化地采集數據，并且保障了數據的質量與可用性；架構技術利用AI進行自我優(yōu)化與調整，以適應不斷變化的數據特征。另一方面，數據的豐富和優(yōu)化得到了充分的利用，數據的高度繁榮為AI提供了訓練基礎，使技術手段能夠發(fā)揮更高效能。AI大幅增強了技術對證據的利用能力、證據對技術的支撐能力，使技術與證據緊密相連且相互深刻作用，影響程度最大。

其次，AI對組織與技術、證據與利益相關者互動的影響程度相對平緩。AI出現前，智庫與技術相關的文化、政策、管理機制一般向技術部門傾斜，而隨著AI的融入，低代碼（low code）平臺與自動化工具降低技術應用門檻，打破了技術部門的專業(yè)壁壘，推動技術工具的使用權逐漸向管理人員、研究人員等全員擴散。同時推動將算法公平性、可解釋性嵌入組織核心價值體系，驅動技術應用從效率導向轉向責任導向。由于AI介入的組織與技術間互動變化受到多種因素的影響，是一個宏觀漸進的過程，因此，影響程度有一定削弱。AI的介入將復雜證據轉化為決策友好型信息，降低利益相關者的認知負荷。如內部研究人員以極高的效率從海量的證據中提取所需信息，為服務對象提供深度分析和可視化呈現，使其更快速、直觀地理解復雜的數據與知識；外部支持者利用AI篩選并分析證據，從而評估智庫的研究成果與價值。證據傳遞模式從單向輸出轉向“需求感知—智能匹配—認知強化”的閉環(huán)系統(tǒng)，智庫通過控制證據的解釋權與分發(fā)渠道，隱性獲得議程設置能力。

最后，AI的融入對技術與利益相關者、組織與利益相關者、組織與證據間互動的影響較弱。利益相關者對技術的認可程度與掌握程度決定了其對技術的使用情況，如智庫的服務對象的技術接受習慣，以及內部研究人員對技術的應用水平。AI技術使需求方與合作方能夠通過智能平臺與研究人員進行更直接的互動，同時改變智庫內部人員的技術使用結構，增強利益相關者對技術的使用與信任。組織與利益相關者之間的互動更多地集中于信息傳遞層面，AI造成的兩者互動變化更間接且程度更低。服務對象的需求和反饋影響著組織的戰(zhàn)略規(guī)劃及資源投入；內部人員不斷推動政策機制的優(yōu)化；外部支持者的資源投入和合作意愿則從側面反映了智庫組織文化的吸引力程度。AI技術的應用提升了利益相關者之間的溝通效能。智庫通過大數據分析和機器學習算法，預測外部潛在需求、制定前瞻性戰(zhàn)略規(guī)劃；內部研究人員和管理人員優(yōu)化工作方式，從而形成有利于AI使用的智庫文化。AI對組織與證據互動的影響最小。智庫的戰(zhàn)略規(guī)劃與政策制定依賴充分的數據與知識基礎，智庫內部文化影響著對證據的重視程度。借助AI工具，智庫能夠更全面地收集處理數據，從而提出更科學、可行的戰(zhàn)略規(guī)劃。此外，AI在知識獲取和數據管理中的應用，推動著智庫研究模式由專家驅動向數據驅動轉變，可以看作智庫組織文化的改變。

3.3" AI作用下智庫功能實踐路徑的演變

AI不僅是工具革新，更是智庫功能的“催化劑”，通過數據穿透力、算法決策力、網絡協同性三大核心特質，推動智庫在議程設置、研究與運營等環(huán)節(jié)實現系統(tǒng)性重構，形成“環(huán)境感知—動態(tài)響應—價值輸出”的閉環(huán)能力。AI打破智庫依賴政策信號的被動研究模式，轉向議題建構與規(guī)則設計的主動干預；將智庫的研究從“線性知識生產”升級為“動態(tài)決策推演網絡”；同時AI重構組織資源分配邏輯，驅動智庫從官僚制管理轉向“平臺化賦能”。此背景下，智庫需要圍繞議程設置、研究和運營三大核心功能，制定具體的實施路徑，將AI的影響轉化為實際行動，從而在復雜性和不確定性交織的全球化環(huán)境中，持續(xù)輸出高質量政策方案。

3.3.1" 重構智庫議程設置" " 第一，建構智庫及公眾對AI的認知。智庫需要明晰人與AI間的關系，消除認知盲區(qū)，明確所需的AI技能和應用場景。同時，由于目前公眾對GAI以積極態(tài)度為主，同時也保持著較高的警惕[14]，智庫有義務積極引導公眾的認知。在AI時代，大眾媒體主導的圖文信息戰(zhàn)正在向社交媒體主導的算法認知戰(zhàn)演變[15]，智庫需要認識到這一變化，通過教育、傳播和公共討論等方式，提升公眾對AI的認知水平，培養(yǎng)公眾的批判性思維能力，使其能夠更加理性地評估AI技術的影響。

第二，關注倫理與安全問題。AI涉及議題領域廣泛、行為體眾多，各方在倫理、規(guī)范和安全領域存在分歧[16]。正如亨利·基辛格（Henry Kissinger）的《人工智能時代與人類未來》（The Age of AI： And Our Human Future）一書所說：“我們既不應將人工智能視為自動運作、無須照管的存在，也不應允許其在無人監(jiān)督、監(jiān)視或直接控制的情況下采取不可撤銷的行動?！盵17]智庫需要積極參與AI的道德規(guī)范研究，防止算法偏見和信息泡沫，并關注AI生成內容的版權歸屬問題。此外，鑒于大多數的大語言模型只能通過應用程序編程接口（application programming interface，API）獲得[18]，容易導致數據泄露、濫用和不當訪問等風險，智庫應研究如何通過技術、政策和法律手段，加強隱私保護和安全監(jiān)管。

第三，積極主導推動全球治理。目前，國際上與AI相關文件有《人工智能倫理問題建議書》（Recommendation on the Ethics of Artificial Intelligence）《布萊切利宣言》（The Bletchley Declaration）《人工智能法案》（Artificial Intelligence Act）等，但這些文件并不都適用于全球人工智能管理，且與我國立法的標準體系難以完全兼容。因此，智庫要協助政策制定者共同打造適應AI發(fā)展的法律框架，同時以建立共同遵守的秩序為目標[19]，致力于將公眾關注的人工智能問題納入更廣泛的國際討論范疇，有序推進全球人工智能治理的進程。

3.3.2" 創(chuàng)新智庫研究生態(tài)" " 第一，自動化處理與分析信息。英國數學家克萊夫·洪比（Clive Humby）提出“數據就是新的石油，如果沒有提煉，就不能使用”[20]，強調了數據的價值及提煉的重要性。AI的自動化分析能力提升了智庫對大量非結構化數據的處理效率。利用情感分析、主題識別和文本分類等技術，AI幫助研究人員快速識別政策趨勢與學術問題，支持基于數據的智能決策。通過此類AI（如Anthropic的Claude），智庫能夠對海量數據進行自動分析，迅速發(fā)現問題并為政策研究提供方向。

第二，實現高效的知識提煉與成果生成。AI技術特別是GAI具備自主學習和動態(tài)調整能力，能從多源數據中提取復雜模式和關聯，促進跨領域知識融合。對于智庫研究人員而言，AI不僅有助于形成多維度理解，推動新理論誕生，還能夠生成研究綜述和報告框架等各類文稿作為正式報告的參考。同時，借助人類反饋強化學習技術（reinforcement learning from human feedback，RLHF），AI可以根據研究人員的反饋不斷增強文稿表達，學習如何更準確地使用專業(yè)術語、更有效地結構化報告內容。

第三，開展政策的動態(tài)預測與評估。AI技術中，循環(huán)神經網絡（recurrent neural network，RNN）在解決時間序列問題上展現出獨特優(yōu)勢。已有專家學者通過門控循環(huán)單元（gated recurrent unit，GRU）等循環(huán)神經網絡進行股票預測并取得成效[21]。參考這種方式，智庫可以在模擬預測中，基于深度學習模型的GAI提升多維度數據集處理的精度和效率，分析歷史數據識別趨勢，構建模擬環(huán)境，預測不同政策干預的綜合反應。例如，亞馬遜的全托管平臺“魔法生成器”（Amazon SageMaker）提供了構建、訓練和部署GAI模型的功能，用戶可以根據需要生成預測模型。在效果評估中，實時數據處理和反饋學習機制的AI技術通過監(jiān)控即時效應、調整優(yōu)化預測模型，對比預測和實際數據，識別偏差和問題，為政策調整提供依據。

第四，支持跨語言和跨文化的研究。NLP能夠識別和理解不同文化背景下的語言使用和表達方式，實現跨領域、跨文化、跨時空分析[22]，這使智庫能夠在全球范圍內收集和分析數據，更深入地理解不同文化中的概念、價值觀和行為模式，從而提供更全面和深入的比較分析，促進不同文化背景下的觀點和知識的交流。

3.3.3" 再造智庫運營工作" " 第一，優(yōu)化內部管理及運營效率。通過AI工具可以優(yōu)化智庫內部管理的資源配置，智庫的項目具有服務于國家宏觀決策、解決公共政策問題、高時效性、強綜合性等特征[23]。AI能夠為智庫提供項目啟動階段的任務優(yōu)先級識別、時間資源分配、人員安排，項目實時過程中的進度跟蹤、風險預測、動態(tài)調整等功能。例如，澳大利亞軟件公司艾特萊森（Atlassian）研發(fā)的項目管理工具“吉拉”（Jira Software）能夠自動分配任務并為任務設置優(yōu)先級，根據任務數據評估成員的價值貢獻，利用自然語言處理和機器學習算法來解析項目數據[24]。AI能夠通過簡單的問答為智庫新員工指引入職流程，介紹智庫政策、課題項目等資源，自動化并簡化了智庫研究人員與人力資源管理人員的重復性任務[25]。同時，AI輔助管理人員分析研究人員的研究專長、工作成果、項目參與度、各級反饋等，生成詳盡的績效評估報告，從而助力綜合性、復合型和前瞻性隊伍[26]。例如，松下北美公司利用維西爾（Visier）公司的人才洞察平臺，顯著改善了人才招聘、員工敬業(yè)度和績效管理。

第二，賦能傳播塑造智庫品牌影響力。結合了AI技術的傳播媒介，擁有人工書寫難以達到的內容生產效率[27]。GAI既能生成定制化的新聞稿、報告等內容，并且形成一種擬人化的主體身份，與使用者“平等”交流，還可以生成音頻、視頻等多媒體內容，文字生成視頻軟件Sora、RunwayML、Pika及StableVideo等都能夠豐富智庫觀點的展現形式，使智庫的傳播內容更加生動、直觀。

第三，擴大智庫輿論引導功能發(fā)揮的邊界。輿論引導是智庫的重要職能之一，進行輿論監(jiān)測和情感分析則是輿論引導的重要前提。情感分析作為NLP的重要應用，其使用的深度學習神經網絡有多層感知機（multilayer perceptron，MLP）、卷積神經網絡等能夠識別和分類文本數據中的情緒傾向。智庫可以使用情感識別技術識別公眾在不同社交平臺上對新政策的反應，并識別其中的情感驅動因素，來調整其溝通策略，強化政策的正面成果或直接提出公眾關心問題的解決方案。

第四，支持構建智庫國際網絡關系。國際網絡的形成需要經歷了解形勢、樹立形象、達成合作、國際共治等過程，AI有效降低了國際信息檢索難度和語言轉換的壓力，協助智庫監(jiān)測全球治理的進展和挑戰(zhàn)。智庫可以將AI的信息獲取能力和強大的學習能力為自己所用，通過反饋訓練優(yōu)化AI的語料庫，塑造智庫良好的國際形象，提升其在國際社會中影響力[28]。在此基礎上，AI的相對公正性能夠對全球范圍內的公共問題進行數據分析與決策參考，推動形成更加公平、合理、有效的國際治理體系。

4" 結論

SOTE模型中利益相關者、組織、技術、證據四大要素各司其職，共同推動智庫功能的實現和優(yōu)化。在AI這場具有劃時代意義的革命浪潮中，SOTE模型內的要素、結構與功能也受到了顛覆性的影響：利益相關者突破單向信息交互模式，通過智能協同平臺深度參與政策推演；組織架構打破傳統(tǒng)僵化邊界，構建跨域協作網絡；技術要素從輔助工具升級為驅動內核，實現多源異構數據的穿透性解析與知識重構；證據生產則從經驗依賴轉向多模態(tài)融合分析，形成動態(tài)演化的政策知識體系。智庫作為戰(zhàn)略和政策研究的機構，是數據、信息、知識和情報行業(yè)的重要主體，應引入AI技術與專業(yè)人才，在道德和法律框架內完善研究議程，從傳統(tǒng)的被動研究模式向主動的議題建構與規(guī)則設計轉型，使研究模式由線性知識生產升級為動態(tài)決策推演網絡，提升研究的質量與影響力。

參考文獻：

[1] 李程. 基于人工智能技術的新型出版智庫建設淺析[J]. 出版廣角， 2020（4）： 6-10.

[2] 羅明. 人工智能時代圖書館新型智庫的建設研究[J]. 河南圖書館學刊， 2023， 43（4）： 81-83.

[3] 黃曉斌， 張明鑫. 新技術環(huán)境下的智庫情報服務創(chuàng)新研究[J]. 圖書與情報， 2020（1）： 112-119.

[4] 游俊哲. ChatGPT類生成式人工智能在科研場景中的應用風險與控制措施[J]. 情報理論與實踐， 2023， 46（6）： 24-32.

[5] 里昕. 新科技在智庫中的運用： 以媒體智庫為例[J]. 智庫理論與實踐， 2020， 5（5）： 48-54.

[6] MULLER A. AI preparedness for think tanks[EB/OL]. （2024-04-21）[2024-07-21]. https：//onthinktanks.org/articles/ai-preparedness-for-think-tanks/.

[7] BALL L. How to use ChatGPT to improve your think tank communications[EB/OL]. （2023-02-15）[ 2024-07-23]. https：//onthinktanks.org/articles/how-to-use-chatgpt-to-improve-your-think-tank-communications/.

[8] 丁炫凱， 葛子豪. 社交媒體視角下智庫影響政策過程研究[J]. 圖書館論壇， 2024， 44（11）： 59-67.

[9] 楊瑞仙， 權明喆， 魏子瑤. 國外一流智庫運行機制現狀調研及啟示[J]. 情報理論與實踐， 2017， 40（12）： 29-34.

[10] 王龍， 王娟. 智庫的知識生產與高質量發(fā)展策略研究[J]. 智庫理論與實踐， 2022， 7（6）： 26-36.

[11] H.R.4174 - Foundations for Evidence-Based Policymaking Act of 2018 [EB/OL]. （2019-01-14）[ 2025-02-13]. https：//www.congress.gov/bill/115th-congress/house-bill/4174.

[12] 葛子豪， 李剛， 盧柯全. OTT報告解讀： 全球智庫如何應對多重環(huán)境嬗變[J]. 智庫理論與實踐， 2024， 9（3）： 125-135.

[13] 夏子葉， 霍國慶. 智庫數字化轉型與數字智庫[J]. 智庫理論與實踐， 2024， 9（2）： 22-28.

[14] 劉鳴箏， 王碩. 技術想象與技術實踐的交織： 科學傳播視域下公眾對生成式人工智能的認知、評估與使用[J]. 國際新聞界， 2024， 46（4）： 32-51.

[15] 羅昕， 張驍. 人工智能時代美西方認知戰(zhàn)的運作機制與中國應對[J]. 統(tǒng)一戰(zhàn)線學研究， 2023， 7（4）： 124-133.

[16] 魯傳穎. 全球人工智能治理的目標、挑戰(zhàn)與中國方案[J]. 當代世界， 2024（5）： 25-31.

[17] 亨利·基辛格， 埃里克·施密特， 丹尼爾·胡滕洛赫爾. 人工智能時代與人類未來[M]. 北京： 中信出版社， 2023： 269 .

[18] TANG R X， HAN X T， JIANG X Q， et al. Does synthetic data generation of LLMs help clinical text mining？[J/OL]. arXiv， 2023[2024-07-01]. https：//arxiv.org/abs/2303.04360.

[19] 魯傳穎. 全球數字地緣政治的戰(zhàn)略態(tài)勢及其影響[J]. 當代世界， 2023（5）： 37-43.

[20] Michael Palmer. Data is the New Oil [EB/OL]. （2006-11-03）[ 2024-08-01]. https：//ana.blogs.com/maestros/2006/11/data_is_the_new.html.

[21] 嚴冬梅， 李斌. 基于生成式對抗神經網絡的股票預測研究[J]. 計算機工程與應用， 2022， 58（13）： 185-194.

[22] 王文廣. 跨文化傳播中的通用人工智能： 變革、機遇與挑戰(zhàn)[J]. 對外傳播， 2023（5）： 48-51.

[23] 李穎明， 王曉莞， 田園， 等. 基于雙螺旋理論的智庫項目管理研究[J]. 中國科學院院刊， 2020， 35（12）： 1482-1489.

[24] 吳奕鴻. GenAI專欄 | 生成式AI賦予項目管理工具新生機： LocWorld50大會的前沿洞察（二）[EB/OL]. （2023-10-30）[2024-07-01]. https：//www.sohu.com/a/732434309_121292768.

[25] AGUINIS H， BELTRAN J R， COPE A. How to use generative AI as a human resource management assistant[J]. Organizational Dynamics， 2024， 53（1）： 101029.

[26] 蔡靖. 社會智庫人力資源管理如何支撐人文外交實踐[J]. 公共外交季刊， 2021（4）： 89-94， 125.

[27] 鄭泉. 生成式人工智能的知識生產與傳播范式變革及應對[J]. 自然辯證法研究， 2024， 40（3）： 74-82.

[28] 周亭， 蒲成. 生成式人工智能的國際傳播能力及潛在治理風險[J]. 對外傳播， 2023（4）： 14-18.

作者貢獻說明：

何雙伯：確定論文選題、撰寫及修改論文；

唐聞天：設計論文總體框架、撰寫及修改論文；

黃筠惠：收集資料、撰寫及修改論文；

謝彬瑜：收集資料及資料整理；

楊利辛：修改論文；

李" 剛：提出觀點，設計論文總體框架，指導、修改論文。

The Construction of Think Tank Element Model and the Change of Its Functional Path

under the Perspective of AI

He Shuangbo1" Tang Wentian2" Huang Junhui2" Xie Binyu1" Yang Lixin1" Li Gang2

1 China Southern Power Grid Energy Development Research Institute Co.， Ltd.， Guangzhou" 511458

2 School of Information Management， Nanjing University， Nanjing" 210023

Abstract： [Purpose/Significance] A comprehensive and systematic exploration of the the operational mechanisms and components of think tanks can provide a model basis of the analysis of the functional realization of think tanks. [Method/Process] This study analyzes each functional element under the operational mode of think tanks， constructs the SOTE element model， and elaborates on its driving factors and application scenarios. On this basis， it focuses on analyzing the influence of artificial intelligence， a transformative force， on the SOTE model. [Result/Conclusion] Artificial intelligence has significantly changed each element of the SOTE model and the interaction mode among elements. Furthermore， it has provided innovative impetus for the functional practice path of think tanks， promoting the innovation and optimization of think tank agenda setting， research， and operational work.

Keywords： artificial intelligence（AI）" " think tank" " element model

收稿日期：2024-08-01" " " 修回日期：2024-10-11

作者簡介：何雙伯，南方電網能源發(fā)展研究院大數據中心項目經理，高級工程師，碩士，E-mail：hesb1@csg.cn；唐聞天，南京大學信息管理學院博士研究生，E-mail：602023140023@smail.nju.edu.cn；黃筠惠，南京大學信息管理學院碩士研究生，E-mail：1134095058@qq.com；謝彬瑜，南方電網能源發(fā)展研究院助理研究員，工程師，碩士，E-mail：xieby1@csg.cn；楊利辛，南方電網能源發(fā)展研究院助理研究員，工程師，碩士，E-mail：yanglx8@csg.cn；李剛，南京大學中國智庫研究與評價中心主任、首席專家，南京大學信息管理學院教授、博士生導師，博士，E-mail：ligang@nju.edu.cn。