Research on the mechanism and practical path of context driven innovation in Large Language Model industry architecture

Abstract

Abstract:

The large language model is highland of global technological competition and engine for economic development. As new innovation paradigm emerging in the digital economy era, exploring the mechanism and path of context driven innovation in the industrial architecture of large language model has important theoretical value and practical significance for solving major application and industrialization problems and better supporting high-quality economic development. Based on the theory of context driven innovation, exploring the connotation, core elements, and process mechanisms of context driven innovation in the industrial architecture of large language model industries. It summarizes the specific practical path of context driven innovation in the industrial architecture of large language industries, and verifies and concretizes the practical path through multiple case analyses. It has been found that under the context driven innovation paradigm, the mechanism of innovation in large language model industry architecture can be summarized into four key links: major mission and strategic traction, scenario identification and classification, industrial architecture innovation process, and innovation effects; The innovation of large language model industry architecture under the context driven innovation paradigm covers the systematic integration of technological architecture, the dual transformation of organizational architecture, and the integration of industrial chain architecture. The research results provide important theoretical basis and practical guidance for promoting the higher-level application of large language model and better supporting the high-quality development of the digital economy.

Key words: context driven, large language model industry architecture, mechanism, practical path, multiple case studies

摘要：

数字经济时代大模型是全球科技竞争新高地和经济发展新引擎,而场景驱动作为数字经济时代涌现的全新创新范式,探索场景驱动大模型产业架构创新的机理与路径对解决大模型应用和产业化问题,更好支撑经济高质量发展具有重要的理论价值和实践意义。基于场景驱动创新理论,探讨场景驱动大模型产业架构创新的内涵特征、核心要素以及作用机理,探究场景驱动大模型产业架构创新的实践路径,并通过多案例分析对实践路径进行验证与具象化阐述。研究发现:场景驱动大模型产业架构的作用机理包括战略与使命牵引、场景识别与分类、产业架构创新过程以及创新效应4个关键环节;场景驱动创新范式下的大模型产业架构创新涵盖技术架构的系统性整合、组织架构的双重转型以及产业链架构的贯通融合。研究结果为促进大模型更高水平应用,更好支撑数字经济高质量发展提供了重要的理论依据与实践指导。

关键词: 场景驱动, 大模型产业架构, 作用机理, 实践路径, 多案例研究

CLC Number:

F270
F204

LI Shao-shuai, CHEN Ling. Research on the mechanism and practical path of context driven innovation in Large Language Model industry architecture[J]. Studies in Science of Science, 2026, 44(2): 225-234.

李少帅, 陈玲. 场景驱动大模型产业架构创新的机理及路径研究[J]. 科学学研究, 2026, 44(2): 225-234.

Figures/Tables 7

References 27

[1]	施锦诚, 王迎春. 大模型产业创新生态系统竞争力评价研究[J]. 科学学研究, 2025, 43(2):382-393.
	Shi J C, Wang Y C. Evaluation of competitiveness of foundation model industry innovation ecosystem[J]. Studies in Science of Science, 2025, 43(2):382-393.
[2]	董天宇, 孟令星. 双循环战略提升中国人工智能产业竞争力途径[J]. 科学学研究, 2022, 40(2):230-236,287.
	Dong T Y, Meng L X. Policy to improve the competitiveness of China’s Artificial Intelligence industry with the dual circulation strategy[J]. Studies in Science of Science, 2022, 40(2): 230-236,287.
[3]	陆伟, 刘家伟, 马永强, 等. ChatGPT为代表的大模型对信息资源管理的影响[J]. 图书情报知识, 2023, 40(2): 6-9,70.
	Lu W, Liu J W, Ma Y Q, et al. The influence of large language models represented by ChatGPT on information resources management[J]. Documentation, Information & Knowledge, 2023, 40(2): 6-9,70.
[4]	郁建兴, 刘宇轩, 吴超, 等. 人工智能大模型的变革与治理[J]. 中国行政管理, 2023, 39(4):6-13.
	Yu J X, Liu Y X, Wu C, et al. The social transformation and governance of large generative artificial intelligence models[J]. Chinese Public Administration, 2023, 39(4):6-13.
[5]	刘金瑞. 生成式人工智能大模型的新型风险与规制框架[J]. 行政法学研究, 2024, 32(2):17-32.
	Liu J R. Regulatory framework for new risks of Large Generative AI models[J]. Administrative Law Review, 2024, 32(2):17-32.
[6]	Kenny D, Marshall J F. Contextual marketing: The real business of the internet[J]. Harvard Business Review, 2000, 78(6):119-125. PMID
[7]	Crantj M. Proactive behavior in organizations[J]. Journal of Management, 2000, 26(3):435-462. DOI URL
[8]	Parker S K, Williams H M, Turner N. Modeling the antecedents of proactive behavior at work[J]. Journal of Applied Psychology, 2006, 91(3):636-652. PMID
[9]	Sharma R S, Yang Y. A hybrid scenario planning methodology for interactive digital media[J]. Long Range Planning, 2015, 48(6):412-429. DOI URL
[10]	尹西明, 苏雅欣, 陈劲, 等. 场景驱动的创新:内涵特征、理论逻辑与实践进路[J]. 科技进步与对策, 2022, 39(15):1-10. DOI
	Yin X M, Su Y X, Chen J, et al. Context-driven innovation: Connotation, theoretical logic and practical approach[J]. Science & Technology Progress and Policy, 2022, 39(15):1-10.
[11]	武建龙, 董阔, 杨仲基, 等. 场景驱动企业颠覆性创新的作用机制研究:基于创新生态系统视角的双案例分析[J]. 中国软科学, 2024, 39(10):164-174.
	Wu J L, D K, Yang Z J, et al. Research on the mechanism of context-driven disruptive innovation in enterprises: Dual case analysis based on the perspective of innovation ecosystem[J]. China Soft Science, 2024, 39(10):164-174.
[12]	康健, 唐欣, 谢诗蕾. 场景驱动中国制造企业创新实现全球价值链攀升路径——双重价值链差异性嵌入视角[J]. 科技管理研究, 2024, 44(6):117-127.
	Kang J, Tang X, Xie S L. Paths of achieving global value chain climbing of scenario-driven manufacturing enterprises innovation in China: Dual-value chain differentiation embedding perspective[J]. Science and Technology Management Research, 2024, 44(6):117-127.
[13]	唐欣, 许永斌. 场景驱动农业全产业链创新的理论逻辑与实践路径研究[J]. 科技进步与对策, 2023, 40(23):32-41. DOI
	Tang X, Xu Y B. The theoretical logic and practice path of context-driven agricultural whole industry chain innovation[J]. Science & Technology Progress and Policy, 2023, 40(23):32-41.
[14]	Sun K, Xue Y, Zhou J, et al. Multi-modal fusion for arbitration award prediction based on deep learning[J]. Information Processing and Management, 2020, 59(1):385-397.
[15]	Deng Y, Wan F. Distributed deep learning: Slgorithms, theories, and applications[J]. Foundations and Trends in Machine Learning, 2020, 13(1):1-164. DOI URL
[16]	Gulati R, Puranam P, Tushman M. Meta-organization design: Rethinking design in interorganizational and community contexts[J]. Strategic Management Journal, 2012, 33(6):571-586. DOI URL
[17]	Jacobides M G, MacDuffie J P, Tae C J. Agency, structure, and the dominance of OEMs: Change and stability in the automotive sector[J]. Strategic Management Journal, 2016, 37(9):1942-1967. DOI URL
[18]	Mallya T, Lakhani A. Rethinking few-shot learning: Problem definition, evaluation, and a survey of recent advances with a look at bayesian methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021, 43(2):332-357.
[19]	邹波, 杨晓龙, 董彩婷. 基于大数据合作资产的数字经济场景化创新[J]. 北京交通大学学报(社会科学版), 2021, 20(4):34-43.
	Zou B, Yang X L, Dong C T. Scenario-based innovation of digital economy from the perspective of big data-based cooperative assets[J]. Journal of Beijing Jiaotong University(Social Sciences Edition), 2021, 20(4):34-43.
[20]	李明, 王卫. 场景驱动、商业模式与创新生态系统演进——基于特斯拉企业价值的逻辑起点[J]. 科技进步与对策, 2023, 40(17):45-55. DOI
	Li M, Wang W. Context-driven concept, business model and the evolution of technological innovation ecosystem: An analysis based on the logical starting point of tesla's enterprise value[J]. Science & Technology Progress and Policy, 2023, 40(17):45-55.
[21]	尹西明, 武沛琦, 钱雅婷, 等. 场景驱动型数智技术创新赋能新质生产力:理论逻辑与实践进路[J]. 中国软科学, 2024, 39(10):18-31.
	Yin X M, Wu P Q, Qian Y T, et al. Context-driven digital intelligence innovation enabling new quality productive forces: Theoretical logic and practical approach[J]. China Soft Science, 2024, 39(10):18-31.
[22]	Sanders P. Phenomenology: A new way of viewing organizational research[J]. The Academy of Management Review, 1982, 7(3):353-360. DOI URL
[23]	Phelan S. Case study research: Design and methods[J]. Evaluation & Research in Education, 2011, 24(3):221-222.
[24]	Eisenhardt K, Graebner M. Theory building from cases: Opportunities and challenges[J]. The Academy of Management Journal, 2007, 50(1):25-32.
[25]	Siggelkow N. Persuasion with case studies[J]. Academy of Management Journal, 2007, 50(1):20-24. DOI URL
[26]	肖宁, 梁艺凡, 卢卓宇, 等. 场景驱动的“软件+硬件+服务”系统整合创新——以广汽Magic Box智能移动服务样车为例[J]. 装饰, 2020(5):35-39.
	Xiao N, Liang Y F, Lu Z Y, et al. The scenario-driven integrated innovation of“software+hardware+service” system: A case study on magic box maas prototype of GAC[J]. Decoration, 2020(5):35-39.
[27]	万劲波, 张凤, 潘教峰. 开展“有组织的基础研究”:任务布局与战略科技力量[J]. 中国科学院院刊, 2021, 36(12):1404-1412.
	Wan J B, Zhang F, Pan J F. Promoting organized basic research: Strategic layout and strategic capacity in science and technology[J]. Bulletin of Chinese Academy of Sciences, 2021, 36(12):1404-1412.

创新范式	创新内涵	创新特质	创新过程
场景驱动创新	以场景为载体,多种创新要素的有机协同整合与多元化应用	可量化的数据构成,数字技术支持和数字化流程	技术研发与应用同步进行的共时性创新
需求驱动创新	基于市场或用户的具体需求来推动技术和产品的开发	依赖对市场需求的信息掌握和理解	从需求反馈挖掘到技术创新应用的线性过程
技术驱动创新	通过技术革新满足发展需求,并形成相应的商业模式与策略	注重技术的前沿性和突破性,以及可能性应用	从技术研发、突破到成果转化并推向市场的线性过程
数据驱动创新	通过海量数据挖掘与分析,以数据为基础进行决策和创新	科学性与准确性,助力精细化运营与管理	从数据收集到最终数据驱动决策的多阶段循环过程

创新范式	创新内涵	创新特质	创新过程
场景驱动创新	以场景为载体,多种创新要素的有机协同整合与多元化应用	可量化的数据构成,数字技术支持和数字化流程	技术研发与应用同步进行的共时性创新
需求驱动创新	基于市场或用户的具体需求来推动技术和产品的开发	依赖对市场需求的信息掌握和理解	从需求反馈挖掘到技术创新应用的线性过程
技术驱动创新	通过技术革新满足发展需求,并形成相应的商业模式与策略	注重技术的前沿性和突破性,以及可能性应用	从技术研发、突破到成果转化并推向市场的线性过程
数据驱动创新	通过海量数据挖掘与分析,以数据为基础进行决策和创新	科学性与准确性,助力精细化运营与管理	从数据收集到最终数据驱动决策的多阶段循环过程

数据来源		数据获取方式	编码
实地调研访谈	现场访谈	对案例对象进行调研访谈,与相关负责人、领导等深度交流。	I-1
实地调研访谈	参与体验	分别使用不同案例对象的大模型产品、服务等,并撰写使用体验报告	I-2
案例公开数据	官方网站	官网发布的与本研究相关的布局、技术、产品服务等信息共计46条	O-1
案例公开数据	社交平台	案例对象在主要社交平台发布的与本研究相关的信息共计54条	O-2
新闻以及期刊	新闻报道	主流媒体对案例对象大模型相关的信息报道共计31篇	J-1
新闻以及期刊	学术期刊	CNKI和WOS期刊数据库中与本研究相关的文献共计49篇	J-2
权威研究报告	研究院所	案例对象研究院所、实验室等公开发布的相关研究报告3篇	R-1
权威研究报告	咨询公司	专业管理咨询公司和智库机构发布的大模型相关研究报告16篇	R-2

数据来源		数据获取方式	编码
实地调研访谈	现场访谈	对案例对象进行调研访谈,与相关负责人、领导等深度交流。	I-1
实地调研访谈	参与体验	分别使用不同案例对象的大模型产品、服务等,并撰写使用体验报告	I-2
案例公开数据	官方网站	官网发布的与本研究相关的布局、技术、产品服务等信息共计46条	O-1
案例公开数据	社交平台	案例对象在主要社交平台发布的与本研究相关的信息共计54条	O-2
新闻以及期刊	新闻报道	主流媒体对案例对象大模型相关的信息报道共计31篇	J-1
新闻以及期刊	学术期刊	CNKI和WOS期刊数据库中与本研究相关的文献共计49篇	J-2
权威研究报告	研究院所	案例对象研究院所、实验室等公开发布的相关研究报告3篇	R-1
权威研究报告	咨询公司	专业管理咨询公司和智库机构发布的大模型相关研究报告16篇	R-2

创新过程	核心构念	典型事实证据援引
技术创新场景需求	数据融合与智能化;算法性能优化;算力拓展提升;多模态能力升级	GPT、星火等需要增强多模态能力并在文本、视觉和音频理解方面表现更加出色(J-2,R-1、2);数据融合、算法性能及算力拓展成为星火大模型增强任务智能化水平的关键(J-2)
核心要素协同整合	创新要素升级;软件、硬件、服务战略协同	GPT-4o在硬件、软件及服务设定新标杆,实现多方的协同提升(O-1,R-1、2);星火大模型通过数据融合与增强,推出“飞星一号”算力平台等措施,推动软硬件以及服务协同(J-2)
技术架构创新方式	人类和机器反馈的强化学习;微调与迁移学习等;应用场景深度定制;系统级技术架构创新	GPT基于人类和机器反馈的强化学习、引入微调与迁移学习机制等推动技术架构调整(J-1,O-2);星火大模型的迭代已从单一的模型优化转变为场景极其细分、深度定制优化、工程持续补充、持续效果运营的系统工程(J-1、2)
技术创新效应	模型泛化与适应能力增强;生产力提质增效;模型更加安全稳定	GPT通过技术创新增强了泛化能力和适应性,并使模型更加安全和稳定(I-2;J-2);GPT在各行业应用提升生产力并实现降本增效(O-2,R-2);星火大模型极大地提升了教育场景、材料科学等场景的泛化性能和提质增效潜力(I-1、2;O-1、2)