文献追踪日报

训练大规模语言模型对显存与带宽提出了极高要求，计算与通信的串行执行往往造成流水线气泡和资源闲置。本文设计并实现 PipeMesh，一种面向大语言模型分布式训练的内存高效计算-通信重叠机制。通过对流水线调度粒度的细粒度划分与拓扑感知的任务分配，PipeMesh 在不额外增加显存峰值的前提下让通信操作与计算操作充分重叠，缓解了长序列与大批量训练场景下显存受限导致的活性下降问题。在多项大规模语言模型训练负载上的实验结果表明，该方法能够在有限的显存预算内实现更高的训练吞吐，为大规模 AI 训练的工程化落地提供了可复用的系统设计经验。

生成式人工智能（以 ChatGPT 为代表）正在深刻改变学术写作的方式。本文以科学计量学视角，系统考察 ChatGPT 发布前后科学论文文本可读性的动态变化：通过构建多个可读性指标并应用于大规模论文语料，对比大模型发布前后的文本复杂度、句子结构与用词特征。研究发现，大模型发布后科学论文的整体可读性出现显著变化，作者写作风格呈现趋同化与简化趋势，该变化在不同学科与地域间存在差异。文章进一步讨论了可读性变化背后的潜在原因及其对科研诚信、学术评价与科学传播的影响，为理解生成式 AI 对科研产出的长期效应提供了量化证据。

评估数字技术对企业流程的影响长期以来依赖人工编码与小样本案例，难以规模化。本文提出一种基于大语言模型（LLM）的因果声明网络构建方法：利用 LLM 从海量科研文献中抽取包含因果关系的学术语句，将"技术—流程—影响"三元关系组织为因果声明网络，进而量化各类数字技术对企业业务流程不同环节的影响程度与作用方向。研究展示了该方法在覆盖广度、可解释性与可扩展性上相较传统方法的优势，并通过实证案例验证了其有效性。该工作为数字技术经济影响的量化研究提供了可复制的计算范式，也为信息计量方法注入了大模型能力。

本文是 Computational Linguistics 领域著名学者 Kenneth Ward Church 在《Natural Language Processing》（原 Natural Language Engineering）"Emerging Trends"专栏发表的观点性评论。文章针对大语言模型在学术写作与科研流程中日益普遍的使用，回应了学术界关于"AI 代写是否构成学术作弊"的激烈争论。作者认为，如同计算器之于数学、拼写检查之于打字，LLM 辅助写作应被视作工具演进而非道德滑坡，关键在于使用方式的透明与责任归属。文章呼吁期刊与学术共同体建立明确、可执行的 AI 使用规范，在拥抱技术效率的同时维护科研诚信，并对 NLP 社区如何适应这一趋势提出了前瞻性建议。

已有研究关注气候风险对资本结构与投资决策的影响，但气候风险如何作用于商业信用这一企业流动性管理的重要工具仍缺乏证据。本文利用 2001—2021 年美国上市公司数据，考察气候风险敞口对供应商商业信用供给的影响。实证结果发现，气候风险敞口与商业信用供给之间存在显著正相关关系，且这一关系在财务弹性更高、经营业绩较弱或声誉地位较低的企业中更为突出。进一步研究表明，股东对因气候风险而进行的信用扩张给予积极的市场反应。综合来看，商业信用可被视为气候暴露企业的风险分担机制，为企业适应性财务策略和利益相关者对环境挑战的响应提供了新的洞见。

在非洲，非正规企业在就业与经济活动中的占比举足轻重，却普遍面临正规金融体系的可及性障碍，商业信用等替代性融资机制因此具有重要价值。本文利用世界银行八个非洲国家的非正规企业调查数据，采用递归双变量 Probit 模型，估计内向（供应商提供）与外向（企业给予客户）商业信用对正规信贷获取的影响。结果表明：内向商业信用以及内向+外向商业信用的联合使用能显著提升企业获得正规信贷的概率，而仅使用外向商业信用对正规信贷获取的影响不显著。使用内向商业信用的企业通过向正规贷方传递财务可靠性与经营稳定性的信号获益，同时规范的经营实践（如记账与开设银行账户）亦有助于获取正规融资。

供应链金融能够缓解中小企业面临的融资约束，区块链则可优化供应链金融的策略与可信性，而大语言模型独特的自然语言处理与推理能力为两者融合开辟了新空间。本文深入分析了大语言模型在基于区块链的供应链金融平台中的应用潜力：一方面，区块链为供应链上的交易与融资数据提供不可篡改的可信底座；另一方面，LLM 可对链上交易文本、合同与单据进行语义理解与智能解析，辅助信用评估、风险识别、流程自动化与决策优化。文章提出了融合 LLM 与区块链的供应链金融架构设想，并讨论了数据隐私、模型可解释性与工程部署等挑战，为该方向的研究与实践提供了前瞻性框架。

生成式人工智能有望重塑品牌的创意内容设计流程，但在真实市场环境下的实证证据仍很稀缺。本文与葡萄酒电商品牌 Wine Access 合作开展案例研究，利用大语言模型生成差异化、个性化的邮件营销创意内容，并通过大规模随机对照实验评估其对消费者打开、点击与转化等行为的影响。研究发现，LLM 能够以较低成本规模化产出有吸引力的创意文案，并在特定情境下显著提升营销效果，同时研究表明内容个性化程度与消费者感知质量之间存在需要权衡的边界。该工作为品牌营销中生成式 AI 的应用价值与设计策略提供了基于真实市场数据的量化证据，也对创意劳动的自动化带来了管理学启示。

大量研究探讨了销售人员认同（即对工作的归属感或同一性感）的前因、过程与后果，发现销售人员可对各种相关群体与对象产生认同，即所谓的"认同焦点"。然而这一庞杂的研究体系彼此割裂，缺乏跨焦点的完整图景。本文对 76 篇考察销售人员认同的文献进行了系统综述，涉及组织、品牌、工作团队、领导、客户与职业等焦点，并基于两个维度对其进行分类：包容程度（集体/人际）与相对于企业边界的位置（内部/外部）。综述整合了现有研究、识别出核心主题与关键缺口，并提出了面向未来的研究议程，为销售管理与品牌认同研究提供了整合性参考框架。

生成式人工智能正重塑内容创作，内容来源从人类生成转向供人们挑选的 AI 生成内容，而 AI 生成内容中的刻板印象传播日益引发担忧。本文通过一项 2024 年开展的预注册大规模实地研究——让 ChatGPT、Midjourney 与 Canva 为多个场景生成 1110 张图片——发现 AI 会系统性地复制并可能放大性别与种族刻板印象，在其生成的选择集中产生显著更高比例的刻板内容。随后 5 项预注册实验（2024—2025 年，美国成年被试 N=2994）进一步表明：刻板内容的过剩会提高人们选择它的可能性，从可用性与既有刻板信念两方面共同驱动；当选择集中 AI 刻板内容的可得性下降时，个体的刻板信念与选择也随之减少。研究还发现，仅仅提高对 AI 刻板内容的意识并不能促使人们在面对看似无害的刻板（如"女性—护士"）时自我纠偏，反而可能提高选择刻板内容的概率。