研究速递｜人工智能、教育与创业

编者按

近日，长江商学院金融学助理教授金钊的合作论文《Artificial Intelligence, Education, and Entrepreneurship》在最新一期国际金融学顶级期刊《The Journal of Finance》上发表。该论文揭示了在人工智能领域，教育对创新创业与初创企业融资的关键性作用：AI学术界人才向产业界的流失，削弱了人工智能领域创业公司萌生以及未来融资前景，对AI行业的长期可持续发展影响负面。

人工智能、教育与创业

文献来源：Gofman, M., & Jin, Z. 2024. Artificial Intelligence, Education, and Entrepreneurship. The Journal of Finance, 79(1): 631–667.

1. 引言

初创企业和创业精神对于创新、就业和经济增长非常重要（例如，Schumpeter (1942)、King and Levine (1993)）。人工智能初创公司尤为重要，因为它们呈指数级增长，并且具有巨大的创造性破坏潜力。我们的分析基于由 504 名人工智能企业家创立的 432 家人工智能初创公司的新样本。具体来说，我们关注教授对学生创业成功的重要性。我们的第一个贡献是记录了人工智能教师从学术界到工业界前所未有的人才流失现象。当人工智能教授离开学术界时，受影响大学的学生建立的人工智能初创公司和筹集的早期资金都会减少。

我们的论文对多方面的文献做出了贡献。首先，我们为创业文献做出贡献。论文表明创始人通过高等教育获得的特定领域知识对于初创企业的组建和融资非常重要。这些发现对于未来的企业家和政策制定者都很重要，因为它们强调了在数据和人工智能驱动的经济中创业成功所需的技能。

其次，我们的论文还为有关大学研究向私营部门溢出的文献做出了贡献。首先，我们提供了关于人工智能人才流失的第一个系统证据。其次，我们利用人工智能人才流失来表明，先进的学术知识可以对学生建立人工智能初创公司和筹集资金的能力产生重大影响。第三，我们比较了教授和学生创业的特点，发现教授筹集的早期资金是本科生的两倍。

再次，我们还为研究人工智能的新兴金融文献做出了贡献。我们介绍了人工智能企业家的特征并比较人工智能和非人工智能（IT）初创公司之间的主要差异。此外，我们的方法使我们能够研究人工智能初创公司的创建以及它们在 2010 年至 2020 年间每轮融资中筹集的资金数额。

更广泛地说，我们对人工智能初创公司的研究为研究人工智能对社会和经济影响的新文献做出了贡献。我们的研究表明人工智能人力资本的稀缺性对于人工智能初创公司的创新非常重要。这种稀缺性还会减少劳动力增强型技术进步，加剧不平等，并对人工智能驱动的经济增长机会产生负面影响。我们的第二个贡献是分析人工智能初创企业组建和融资的障碍。鉴于创新对经济的重要性（Romer (1990)），这些障碍不应被忽视。

最后，我们的论文为有关科技巨头对创业的影响的争论做出了贡献。我们的论文表明，大型科技公司挖掘人工智能教授可能会对创业产生负面影响，因为从教授到学生的知识传播减少了。

2. 数据描述

2.1 人工智能企业家和人工智能初创企业 

我们从 Crunchbase 数据库中收集有关企业家和初创企业的信息。如果一家初创公司在 Crunchbase 数据库中至少具有以下关键字之一，我们将其归类为人工智能初创公司：人工智能、机器学习、神经网络、机器人、人脸识别、图像处理、计算机视觉、语音识别、自然语言处理、自动驾驶、自动驾驶汽车或语义网。我们的样本包括 2010 年至 2018 年间毕业于 84 所北美大学的 504 名人工智能企业家和 1,531 名非人工智能 (IT) 企业家。在表一中，我们比较了 504 名人工智能企业家和 1,531 名非人工智能企业家的特征。

我们发现，人工智能企业家成为单一创始人的可能性比非人工智能企业家低 6%。人工智能企业家往往比非人工智能企业家受过更好的教育：四分之一的人工智能企业家拥有博士学位，而拥有博士学位的非人工智能企业家仅占9%。平均而言，人工智能初创企业的联合创始人略多于非人工智能初创企业。此外，28% 的人工智能初创公司至少一名创始人拥有博士学位，而非 AI 初创公司的这一比例为 9%；20% 的 AI 初创公司至少有一名创始人毕业于计算机科学系排名前 10 的大学，而非 AI 初创公司的这一比例为 7%非人工智能初创公司。平均一家人工智能初创公司在早期融资中筹集了 832 万美元。这比一般非人工智能初创公司早期筹集的资金额多出 354 万美元。

在表三中，我们报告了大学中人工智能企业家和非人工智能企业家的数量。平均每个大学年有 0.667 名人工智能企业家，最多 11 名。每大学年非人工智能企业家的数量为两名，最多为 46 名。这些估计表明，一所大学平均每三名非人工智能企业家就培养出一名人工智能企业家。2010 年至 2018 年间人工智能企业家毕业人数最多的五所大学是斯坦福大学（125）、麻省理工学院（113）、加州大学伯克利分校（59）、卡内基梅隆大学（CMU）（56）和哈佛大学（52） 。

2.2 人工智能人才流失

我们论文的第二个贡献是记录了从学术界到工业界的人工智能人才流失情况。为此，我们制定了人工智能人才流失衡量标准，手工收集有关人工智能教授隶属关系的数据来计算这些衡量标准，并使用这些衡量标准记录 2004 年至 2018 年间前所未有的人工智能人才流失情况。

为了衡量大学水平的人工智能人才流失，我们首先收集有关特定年份部分或全部离开大学的人工智能教授数量的数据。然后我们计算当年离开大学的人工智能教授人数占人工智能教授总数的比率。在最后一步中，我们对该比率在三年或六年内进行平均。我们的衡量标准是相对于学生的毕业年份 (t) 计算的。我们使用滚动窗口来解释这样一个事实，即很难准确衡量教授的离职年份，因为一些教授可以在正式离职前休假，而另一些教授则在仍受雇于大学的情况下开发自己的人工智能初创公司。为了计算人工智能人才流失指标，我们需要知道特定年份每所大学的人工智能教授总数。我们从 CSRankings.org 获取 AI 教职人员的总规模，该网站依赖于出版物数据库 DBLP，并且仅计算终身教授或终身教授。为了计算离开大学的人工智能教师数量，我们从人工智能教授的 LinkedIn 个人资料中手工收集数据。

最终样本包括北美大学的 211 名终身教授和终身AI教员，他们在 2004 年至 2018 年间开始为私营公司工作 (149 人) 或创办初创公司 (62 人)。该样本包括 141 名完全离开学术职位的教师和 70 名保留其大学关系的教师。

为了分别计算终身教授和非终身教授的人工智能人才流失指标，我们将助理教授归类为非终身教授，将副教授或正教授归类为终身教授。AI 人才流失样本包括 143 名终身教授和 68 名非终身教授。我们还手动将教师分为深度学习领域的人员和使用更传统机器学习方法的人员。我们的分类表明，在所有离开学术界的人工智能教授中，43% 是深度学习教授。在 91 名离开学术界的深度学习教授中，77% 获得终身教授职位。

2.3 人工智能人才流失趋势

图 1A 显示了 2004 年至 2018 年人工智能人才流失的总体趋势。在我们的样本中，2004 年只有一名人工智能教授离开学术界，而 2017 年和 2018 年有 40 名人工智能教授完全或部分离开。总体而言， 2004 年至 2018 年间，离开学术界的人工智能教授数量呈上升趋势。

图 1B 显示了 2004 年至 2018 年担任行业职位或创办自己的初创公司的教职人员数量排名前 13 的北美大学。人工智能教职人员流失最多的三所大学是卡内基梅隆大学、华盛顿大学、和加州大学伯克利分校。卡耐基梅隆大学失去了 16 名终身教授，没有非终身教授，而华盛顿大学失去了 8 名终身教授和 4 名助理教授。

图 2 展示了人工智能人才流失的“目的地”。在部分或全部离开学术界的 211 名人工智能教授中，有 62 人创办了人工智能初创公司，其余人则在私营公司开始全职或兼职工作。2004年至2018年，谷歌及其子公司DeepMind总共从北美大学聘请了22名终身教授和终身人工智能教授。亚马逊和微软分别聘请了 16 名和 12 名人工智能教授。除了科技公司之外，我们还看到摩根士丹利、美国运通、摩根大通等金融行业的大公司也在挖掘人工智能教授。上市公司占所有聘请人工智能教授的公司的 64%。

2.4 AI 教授的初创公司

在离开学术界的 211 名 AI 教授中，有 62 名成立了 AI 初创公司。在表二B 组中，我们报告了教授的初创公司和学生的初创公司之间的差异。B 组显示，教授创办的初创公司在种子轮融资中筹集的资金比学士学位学生创办的初创公司多 64%。

教授创业公司在A轮融资中获得的资金与本科生创业公司在A轮融资中获得的资金相差1053万美元，增幅超过100%。学术知识与人工智能创业资金之间的正相关关系是一种新颖的经验规律，为创业金融文献做出了贡献。

2.5  为什么人工智能教授离开学术界？

人工智能人才流失不太可能是由学术界的内部因素驱动的。我们发现，人工智能教授的初创公司平均在不到两年的时间内筹集了 2300 万美元，其中 20% 的教授的初创公司平均在成立 3.5 年后就被收购。这一优势可能会吸引许多人工智能教授建立自己的初创公司，特别是如果他们能够在大学保住终身职位的话。

离开学术界的另一个可能的触发因素是企业向人工智能教授提供数百万美元的报酬。在彭博社最近的一篇专栏文章中，卡内基梅隆大学计算机科学教授 Ariel Procaccia 也提出了类似的问题：“如果业界继续聘用尖端学者，谁来培养下一代人工智能创新者？” （普罗卡西亚（2019））。这个问题为我们进一步分析AI人才流失和学生AI创业提供了舞台。

3. 人工智能人才流失和创业

3.1 人工智能初创企业的创建（广泛的利润）

我们从大学层面的广泛的利润分析开始。具体来说，我们测试了人工智能教授离开大学从事行业工作是否会影响从该大学毕业的学生创办的人工智能初创公司的数量。我们从以下面板 OLS 回归开始：

下面的时间线显示了毕业年份 (t) 和人工智能人才流失之间的时间安排。AI人才流失有两个时期：学生毕业前四到六年和毕业前一到三年。学生更有可能与学习期间有重叠的教授互动。通过分别观察这两个时期，我们可以排除对我们的发现的不同解释。

表 IV 报告了方程 (1) 估计的 OLS 结果。

3.2 早期创业融资（密集保证金）

接下来我们研究人工智能人才流失与学生创业融资之间的关系。密集利润率结果补充了广泛利润率分析，因为它们揭示了学术知识对于筹款的重要性。

具体来说，我们研究早期融资，定义为从预种子轮、种子轮和 A 轮融资中获得的资金总额。选择专注于早期融资并汇总早期融资是由数据可用性驱动的。与广泛的利润率分析一样，我们比较了人工智能初创公司和非人工智能初创公司的融资情况。

我们使用以下 OLS 模型来测试教师离职对学生吸引创业资金能力的影响：

表五显示了人工智能教师离职对人工智能和非人工智能初创公司早期融资的影响。第(4)栏可以看出，负面影响完全是由终身教授的离职造成的。终身教授的离职会产生 1% 水平的负面影响，而非终身教授的离职系数几乎为零。

3.3 稳健性检查

 由于我们的人工智能人才流失衡量标准和大学级别的人工智能企业家数量存在偏差且稀疏，因此我们在之前的分析中将它们按第 99 个百分位数进行了缩尾处理。在本节中，为了进一步解决对影响我们结果的一些异常值的担忧，我们进行了一系列稳健性检查。首先，我们测试了人工智能人才流失衡量结果的稳健性。其次，对于人工智能企业家的数量，基准结果的一个潜在担忧是，每个大学年的人工智能初创企业的对数数量很少。为了解决这个问题，我们使用反双曲正弦变换作为对数变换的替代方法。最后，我们还测试了结果对于大学选择方法的稳健性。

4. 经济渠道

在本节中，我们研究了人工智能人才流失对学生创业产生负面影响的潜在渠道。

4.1 知识转移渠道

知识转移渠道将人工智能教师离职对初创企业的负面影响归因于学生从教授那里获得的人工智能知识减少。这种知识的减少可能会产生多种影响。例如，当教授教授新的人工智能技术时，学生可以看到如何应用给定的技术来解决现有的问题。其他学生可能已经有了创业的想法，但他们需要向教授学习实现他们的想法所需的技能。学生还可以从教授那里获得知识，这将有助于他们获得人才，因为他们将能够更好地区分真正精通人工智能的申请人。虽然我们不直接观察学生从人工智能教授那里获得的知识类型，但我们可以间接评估知识转移渠道的相关性。

为了进一步研究这个渠道，在表 VI 第 (1) 列中，我们根据离职教授是否从事深度学习研究，将 AI Brain Drain[t−6,t−1] 分解为两类 AI 教授。在第(1)栏中，我们看到人工智能人才流失对所有人工智能企业家的负面影响集中在深度学习教授身上。这个结果与知识转移渠道一致，因为深度学习是一种新的机器学习技术，需要高水平的专业知识。另一种观察拥有最前沿知识的教授离职影响最严重的方法是将人工智能人才流失指标与该大学是否在计算机科学领域排名前十的指标进行交互。第 (2) 列中的交互作用项为负，且在 1% 的水平上具有统计显着性，表明排名前 10 的大学受终身教授离职的影响最大。

与我们的猜想一致，深度学习教授的人工智能人才流失（Deep-Learning Brain Drain[t−6,t−1]）和排名前 10 大学的终身教授（Tenured AI Brain Drain[t−6,t−6, t−1]× Top10) 对于硕士和博士企业家来说是负的，并且在 5% 显着性水平上显着。这些系数为负，但对于仅拥有学士学位的企业家来说微不足道。

此外，对于本科子样本，第 (3) 列中的 DeepLearning Brain Drain[t−6,t−1] 和列中的交互项 Tenured AI Brain Drain[t−6,t−1]× Top10 的系数 ( 4) 在 5% 显着性水平下显着小于全样本的相应系数。当我们将硕士或博士子样本的相同两个变量的系数与完整样本的系数进行比较时，差异都是微不足道的。总体而言，表六提供了与知识转移渠道一致的额外证据。

4.2 替代解释

在本节中，我们考虑了人工智能人才流失对人工智能初创企业负面影响的几种替代解释。

• 跟随教授

教授雇用学生在工业界的研究小组或初创公司工作是有道理的，在这种情况下，学生不会建立人工智能初创公司。这个渠道对于最近的离职应该更有效，但我们发现，教师在学生毕业前四到六年离职的结果比学生入学期间离职的结果更好。即将离职的教授可能会在离开几年后从原来的机构雇佣更多的学生，因为他们被提升到更高的管理职位，或者他们的初创公司获得了外部资金。

对于离开学术界加入企业的教授来说，对于像Yann LeCun和Geoffrey Hinton这样的顶尖人工智能教授来说，晋升效果应该不那么明显，他们被Facebook和谷歌等顶级公司聘请建立和管理人工智能小组。在表六第（2）列中，我们发现，计算机科学系排名前 10 的大学的终身教授的人工智能人才流失对人工智能初创公司的影响明显强于非排名前 10 的系的大学。

对于创办初创公司的教授，我们研究了教授初创公司筹集的资金与未来学生人工智能初创公司形成之间的关系。如果这笔资金用于雇用学生，我们预计教授在接近学生毕业的年份筹集的资金越多，雇用的学生就越多，学生创办的初创公司就越少。我们计算了相对于学生毕业年份 t，他们的初创公司在 [t − 6,t − 4] 和 [t − 3,t − 1] 年间筹集的资金数额。在表七中，我们发现[t − 3,t − 1]期间筹集的资金和[t − 6,t − 4]期间筹集的资金都没有减少学生创业后的数量。毕业。也就是说，人工智能人才流失措施的负面影响不受教授启动资金措施的影响。因此，学生人工智能初创公司的减少不太可能是由于教授将最优秀的学生挖走到他们的初创公司造成的。

• 学校选择

当人工智能人才流失发生在学生入学之前时，它可能会对学生入学的意愿产生积极、中性或消极影响。如果对人工智能行业或创业工作感兴趣的学生更愿意入读人工智能人才流失率较高的大学，因为他们希望利用大学的行业联系来找到工作，那么可能会产生积极的影响。或者，学生可能不会对人工智能人才流失做出反应，因为他们不知道这一点，特别是如果教授保持其学术关系的话。

这两种可能性无法解释我们关于人工智能人才流失对初创企业产生负面影响的发现。与我们的结果一致的唯一解释是，随着高质量的候选人决定入读另一所大学，学生质量下降。在这种情况下，人工智能初创企业的减少是由于新生质量的下降，而不是学生在受影响大学接受的人工智能教育质量的下降。我们收集有关人工智能领域博士奖学金的数据，以进一步研究这种可能性。如果教师离职对高质量学生的入学产生负面影响，我们预计教师离职后获得博士学位的奖学金数量将会下降。

所有模型均在统计上不显著。这些结果表明，人工智能教师在过去一年或过去三年内的离职不太可能阻碍大学吸引高质量博士生的能力。

• 其他替代解释

除了传授知识之外，教授还可以为学生的成功做出贡献。例如，教授可以向学生介绍风险投资，在这种情况下，人工智能人才的流失会减少学生的融资机会。对于与大学位于同一城市的风险投资家来说，这个渠道应该更强大，因为教授更有可能认识当地的风险投资家。然而，与本地企业家相比，非本地企业家受到人工智能人才流失的负面影响更大，因此我们得出结论，该渠道不太可能推动我们的基准结果。

另一种可能性是，离开工业界或创办自己的初创公司的教授拥有更好的一般技能，例如领导技能。因此，学生可以简单地向离职教授学习管理技能，而不是人工智能相关的知识。这种替代解释无法阐明人工智能人才流失的负面影响是由深度学习教授的离职造成的（表六，第（1）栏）。目前尚不清楚为什么研究深度神经网络的教授的领导技能或其他一般技能比研究其他类型机器学习算法的教授更明显。

最后，我们考虑对人工智能人才的高需求是否可以共同解释人工智能人才流失以及拥有人工智能知识的学生加入企业和创办较少初创企业的增加。

我们的结果表明，拥有排名前十的计算机科学系的大学的人工智能人才流失更为严重。这些大学以培养人工智能人才而闻名，而经历人工智能人才流失更有可能表明学生获得的人工智能知识质量下降。

5. 结论

我们记录了人工智能人才流失与北美大学学生创办的人工智能初创公司数量之间的负相关关系。此外，在大学经历人工智能人才流失多年后，学生的人工智能初创公司筹集的资金也减少了。虽然我们不能随机地将教授从学术界拉到工业界，但许多研究结果支持对结果的因果解释。

首先，教授们离开学术界主要是因为行业中的薪酬大幅上涨、数据和计算资源无与伦比。其次，我们只看到对同一所大学的学生组成的人工智能初创公司有影响（即对非人工智能初创公司没有影响）。第三，我们发现随时间变化的城市层面的冲击不太可能共同解释教师离职和学生创业活动。第四，我们证明这种效应仅适用于人工智能初创公司，并且仅适用于与学生、顶尖学校的教授和深度学习教授不重叠的终身教授。最后，人工智能教授的离职与学生的创业形成和资助决定之间存在显着的时间差距，这有助于对结果的因果解释。

由于人工智能初创公司推动创新和增长，因此了解初创公司数量及其资金减少背后的原因非常重要，这种情况发生在人工智能教授离开学术界多年后。我们的发现与知识转移渠道一致。人工智能人才流失有效地限制了人工智能知识从教授转移到未来创始人的过程。如果企业家能够筹集资金并雇用具有深厚人工智能知识的员工，那么人工智能人才流失应该不会影响受影响大学的学生成立的人工智能初创公司的数量。我们的发现是，人工智能人才流失之后，人工智能初创企业的数量和资金都大幅减少，这表明创始人的人工智能学术知识对于初创企业的成功非常重要。我们还表明，人工智能初创公司比非人工智能初创公司更有可能拥有至少一名拥有博士学位的联合创始人。我们进一步发现，创始人的正规教育程度与他们获得的资金数额之间存在正向单调关系。这表明人工智能的学术知识是成功筹款的重要因素。

当教授突然在学术界之外变得炙手可热时，大学的基础研究和知识传播都会受到负面影响。在本文中，我们利用人工智能人才流失来揭示高度专业化的学术知识对企业家的重要性。我们不研究人工智能人才流失的短期经济效益或其长期福利影响。我们将这些重要问题留给未来的研究。

素材来源：长江商学院

本文经翻译整理，仅供学习与交流，转载请注明出处。

-编辑：张宇擎| 审核：张宇擎-

文章荐读