地理距离对技术知识转移的阻碍程度，对于远离知识创造或技术生产中心的国家政府、希望跟上技术发展的企业家以及试图影响这些企业家决策的国家或地方政策制定者来说，都具有重要意义。这些主体可能将知识转移视为进一步创造知识的投入，或者视为采用新技术实践的先决条件。

在电话、现代交通工具、电子邮件、短信、万维网和视频会议等技术进步的背景下，距离似乎不再是问题。然而，研究发现，距离仍然是创新活动传播和技术跨国传播的障碍；先前的研究也指出，美国州界对专利引用构成了障碍。一些研究还发现，旅行时间的缩短促进了跨地区的合作，以及学术论文和专利的引用。

尽管如此，距离是否构成创新与技术采用之间的障碍仍未得到深入研究。距离可能会成为已经在远离通勤区运营的公司采用新技术的障碍，也可能成为在这些区域设立新公司的障碍。Agha and Molitor（2018）指出，如果临床试验在同一地区进行，医生更有可能采用新的抗癌药物。Bloom et al.（2021）考虑了一组 29 种“颠覆性”技术，包括人工智能（AI），结果表明，这些技术首先在“先锋地点”获得专利，然后在地理上扩散，涉及该技术组的招聘广告份额在不同地点的收敛被作为衡量标准。

在一项新研究中（Hunt et al. 2024），经济学家们研究了美国公司在应对人工智能创新方面的适应和采用，明确考虑了距离因素，并区分了通过专利和科学出版物传播的创新。选择人工智能作为研究对象的部分原因是其研究论文和专利的快速增长刚刚开始，这使得我们能够从早期阶段研究其地理传播。此外，人工智能对未来经济增长潜在的重要性也使其特别引人关注。由于人工智能仍处于发展初期，现成应用程序数量较少，因此我们不仅关注距离对技术采用的影响，还探寻距离对人工智能在新行业适应的影响。

为了衡量创新，经济学家们创建了一个与“深度学习”相关的人工智能出版物数据集，利用 Microsoft Academic Graph (MAG) 统计相关的期刊文章、会议论文和专利。他们将美国划分为 741 个通勤区，并将研究期前累计 AI 出版物超过一定阈值的通勤区指定为 AI 创新热点。经济学家们使用 Burning Glass Technologies（现更名为 Lightcast）抓取的 2007 年至 2019 年的美国在线招聘广告中的职位空缺信息，来衡量 AI 的适应性或采用情况，并再次汇总到通勤区级别。通过这个通勤区面板，他们调查了在距离 2007 年前的 AI 创新热点较远的地区，需求 AI 技能的职位在线空缺是否增长得更慢。

图 1 显示了当 AI 出版物（专利加专利）阈值为 1,000 时属于热点的通勤区。他们发现，在七年内，距离最近的 AI 热点额外 200 公里（125 英里）的通勤区，AI 职位空缺份额的增长率要低 17％。随着热点地区出版物数量的增加，距离的影响变得更加负面，并且是由与 AI 论文而不是 AI 专利的距离驱动的。距离降低了 AI 研究职位的增长，也降低了将 AI 应用于新行业的职位的增长，这对计算机和数学研究人员、软件应用程序开发人员以及金融和保险行业产生了强大的影响。与 AI 热点的距离对 AI 的采用（例如使用图像处理）的影响要小得多。

图 1 2006 年创新热点的 AI 出版物

总体距离效应的 20% 可由某些通勤区与其最近的热点之间的州界来解释。这可能反映出州界阻碍了移民（Wilson，forthcoming），进而限制了隐性知识的流动。距离并不能准确反映面对面或远程协作的难度，因为旅行时间并不总是与距离成正比。此外，距离也无法体现多机构公司内部在招聘计算机职业时的知识和人员流动。

研究结果与相关文献一致，表明距离是知识转移的障碍，但与“距离使面对面或远程协作变得困难，从而减少人工智能工作增长”的假设不符。人工智能论文与人工智能专利之间的距离（高度相关）的影响对比表明，若仅关注溢出效应或人工智能专利的其他地理因素，可能会将科学论文的影响误认为是专利的影响。