动态多维网络视角下人工智能技术创新演化路径研究*

■ 武庆圆 何凌南 胡家华

1.广东金融学院互联网金融与信息工程学院 广州 510521

2.中山大学传播与设计学院 广州 510079

3.北京师范大学珠海分校管理学院 珠海 519085

0 引言

技术演进路径是指特定领域在特定的经济、技术变量的约束下，依据一定的技术方式进行技术创新努力的可行路径，是多维空间中一组可能的技术成长路径[1]。由于技术自产生之日起，有些技术就不断发展成熟并获得广泛应用，而有些技术会因种种原因淘汰甚至消亡。如果从国家、企业到研究团体等能够前瞻性、预见性地了解特定技术领域的演进路径，可帮助创新主体提高竞争效率，在市场竞争中获得较高的经济收益和市场份额，从而赢得更多的竞争优势。在全球范围，中国的创新技术水平尚未具备足够的竞争力[2]，如何辅助创新主体快速找到特定技术领域的技术机会、技术空白点，刻画特定技术的演进路径具有重要的研究价值。因此，本文旨在研究创新技术领域演进路径的有效方法与模型。

技术演进路径的相关研究大多基于某一类关系的单维关系网络，如专利主体引用关系、专利分类号的共现关系等，而学者已发现单维关系网络的研究局限性和不足。Li等指出在专利文献中存在多个引用主体，导致专利的引证关系存在重复杂性[3]。彭帅等利用专利和论文之间的引用关系来测量技术对于科学的依赖程度[4]。郭思月等指出利用语义引用能够更好地挖掘出有价值的技术情报[5]。Madani等揭示传统的引证关系的弊端和局限性，提出基于语义层面分析隐性的知识价值[6]。孙冰等探讨了传统引用网络的局限性，通过引入网络拓扑结构，能够更加科学、精准地识别技术演进和核心企业[7]。李睿等论述了传统的被引用频次等指标的局限性，提出了多个维度的指标衡量体系[8]。与此同时，为了弥补和改进上述不足，有学者利用动态网络分析方法构建具有多重属性关系的异构网络并对相关技术产业展开实证研究，如姜春林等以OLED 技术领域相关专利为数据源,建立多重属性节点的技术创新网络并对其网络测度分析[9]。杨仲基等以中国石墨烯产业为样本，利用动态网络分析方法对其专利合作网络特征及演化态势展开研究[10]。叶琴以东营市石油装备企业申请专利与合作专利数据,探讨多维邻近对东营市石油装备制造业创新网络演化的影响[11]。

梳理上述文献发现，单维网络可用于快速发现、刻画核心、关键团体，但其单一、静态、单模的视角不够全面、动态地反映产业技术的演化程度，在研究现状、演化、特征等方面存在局限。多维网络一定程度上可以更全面地解释网络的潜在价值和信息。本文在动态网络分析方法的基础上，聚焦人工智能高新技术型战略产业，以其专利数据为研究样本，利用时态变化视角，构建出多层多维网络的体系方法，使其不仅可以全面、精准地反映特定产业的演化过程，还能为创新主体开展相关工作提供重要的决策依据。具体而言：首先，构建多维网络，测算多类中心性指标集，分析人工智能领域的技术创新主体、技术创新领域的总体演化态势；其次，从时间动态变化视角下，有效划分人工智能的发展历程，研究不同时态下技术创新主体、创新领域的演化特点及共性，进而从宏观、微观层面全面揭示人工智能产业创新网络的演化态势，为有效推动创新协同、提高竞争效率提供参考。

1 动态网络分析演化测度模型

1.1 基于专利的动态网络分析元矩阵构建

卡耐基梅隆大学的Carley 教授提出了融合传统社会网络分析、关联分析、多智能系统分析等方法的动态网络分析理论（Dynamic Network Analysis，简称DNA）及分析软件[12]。该方法体系能够构建不同类型的元矩阵，分析多种类型数据网络中各节点的位置和变化，具有强大的可视化功能。具体而言，其元矩阵的构建可以从人、知识、组织、事务、地域位置等交叉构建，本研究将专利数据中的属性进行归类（详见表1），如专利权人作为主体（Agent）、以国际专利分类号（IPC）作为知识（Knowledge）、以国家作为地域（Location）等，根据各维度之间的合作、共现、附属关系等构建多重技术创新网络如下：（1）主体合作网络（Agent *Agent，简称AA）；（2）知识共现网络（Knowledge * Knowledge，简称KK)；（3）主体*知识关联网络（Agent*Knowledge，简称AK）。

表1 基于动态网络分析的创新网络演化测度表

1.2 3类网络中心性指标计算公式描述

本文采用的网络中心性指标集包括：权威中心性（Authority Centrality，简称AC）、中介中心性（Between‐ness Centrality，简称BC）、接近中心性（Closeness Cen‐trality，简称CC）。其中，权威中心性可用于发现核心团体、中介中心性可用于发现关键团体、接近中心性可用于发现潜在的核心技术团体。我们进一步介绍每类指标的计算公式，如下所示：

在权威中心性的计算中，对一个矩形网络的邻接矩阵G，首先计算G’*G，其中G’为G的转置矩阵，然后通过Jacobi 方法得到其特征值和特征向量，最后将最大特征值对应的特征向量作为特征向量中心性，如下所示：

在中介中心性的计算中，令G=(V,E)是某个网络的图表示，其中V为节点集合，E为边的集合。令n=|V|，即图G中的节点数量为n。对于特定的节点vεV，该节点的中介中心性的计算公式如下：

上式中，u和w是节点集合V中的两个节点，nG(u,w)为图G中从u到w的最短路径长度。如果(u,w)∈E，则令nG(u,w)=1。此外，集合S的定义如下：

在接近中心性的计算中，令G=(V,E)是某个网络的图表示，其中V为节点集合，E为边的集合。对于特定的节点v∈V，该节点的接近中心性计算公式如下：

其中，给定所有从v不能到达的节点i：

2 人工智能产业技术演化态势基本统计分析

人工智能（Artificial Intelligence,AI）亦称机器智能，是指由人制造出来的机器所表现出来的智能[13]。从1956年被首次提出以来，人工智能的发展几经沉浮，在近十年里迎来了技术质的飞跃。人工智能作为引领人类未来的战略性技术，在引发科技、产业和社会变革方面具有巨大潜力，2021年颁布的《国民经济和社会发展第十四个五年规划和2035年远景目标纲要》提出，要在事关国家安全和发展全局的基础核心领域，制定实施战略性科学计划和科学工程。瞄准人工智能等前沿领域，实施一批具有前瞻性、战略性的国家重大科技项目[14]。专利创新是衡量技术创新态势、发现技术创新机会的重要指标之一，是研究创新产业技术发展的重要数据基础。

本文立足于人工智能领域的专利数据，数据全部来源德温特专利数据库，通过从专业文献中提取关键词并向领域内的专家征求意见，对关键词进行修正，确定最终的检索式为：TI=("artificial intelligence*" OR "Depth learning*" OR "Natural language processing*" OR"Speech Recognition*" OR "Computer vision*" OR "Ges‐ture control*" OR "smart robot*" OR "Video recogni‐tion*" OR "Voice translation*" OR "Image Recognition*"OR "Machine learning*") OR TS= ("artificial intelli‐gence*" OR "AI" OR "Depth learning*" OR "Basic algo‐rithm*" OR "Natural language Processing*" OR "Smart search*" OR "Speech Recognition*" OR "Computer vi‐sion*" OR "Gesture control*" OR "Smart recommenda‐tion*" OR "smart robot*" OR "Video recognition*" OR"Voice translation*" OR Translation*" OR "Automatic drive*" OR "Image Recognition*" OR "Machine learn‐ing*")。

获取1996～2020年有效专利数据55154 条。参考人工智能领域相关的专利分析报告，本文以5年为1 个子阶段将时间划分为5 个阶段并验证了其有效性：1 阶段（1996～2000），2阶段（2001～2005），3阶段（2006～2010），4阶段（2011～2015），5阶段（2016～2020）。

2.1 多重属性的数量分布分析

本文研究中，专利数据中的专利权人用于表示人工智能产业中的技术创新主体，IPC 用于表示该产业中的技术创新领域，通过对专利权人、IPC、地域的分布统计，发现维度的数量级虽有所差异，但数量的趋势变化基本保持一致，基本在2013、2014、2015年出现的明显的拐点变化（详见图1）。

图1 多重属性的数量变化趋势图

在数量频次统计分布中（详见表2），可现专利权人多数为企业等组织机构且大多数公司隶属于日本、美国等地，而分类号主要集中于G、H、A等领域。

表2 技术创新主体、技术创新领域数量统计表（前20名）

2.2 多重属性的差异性、相关性比较分析

通过方差分析与Pearson 相关分析发现不同属性间存在显著的相关性（详见表3），IPC、专利权人、地域分布均随着时间的发展和变化，呈现显著的正相关关系。同时，专利权人、IPC、地域在5个时间段中均呈现明显的差异性。

表3 基于方差分析与Pearson相关分析的多重属性统计表

2.3 多重属性的共现行为比较分析

多重属性的共现行为包括技术主体的合作行为、技术领域的共类行为等，对共现行为的刻画是研究技术产业演化的重要方式之一，通过多因素方差分析发现（详见表4）合作、共类行为在时间维度的分布中没有明显的差异性，但在合作、共现程度上存在明显的差异性。

表4 多因素方差分析的创新主体、创新领域共现行为分析表

通过多维统计分析发现，人工智能技术产业总体呈现基本的发展态势：第一，人工智能产业的创新进程在全球范围内进一步拓宽；第二，技术创新主体、创新领域已形成明显的集中现象；第三，不同时间阶段下，人工智能领域的发展具有明显差异；第四，融合分布上，创新主体间的合作行为，创新领域的共现行为呈现明显差异。在后文中，本文进一步从网络视角解释该技术领域的宏观、微观的动态演化态势及特性。

3 人工智能技术创新网络演化态势分析

本节首先从多层网络视角下，刻画人工智能总体宏观演化态势；进而结合时间动态视角刻画该技术领域具体的演化态势和特性。

3.1 多层网络视角下人工智能领域技术宏观演化态势分析

3.1.1 多层网络视角下技术创新主体宏观演化态势分析

基于AA网络、AK网络构建下测算多类中心性指标集用于反映核心技术创新主体、关键技术创新主体的分布态势，便于全面刻画技术主体的总体演化态势。本文统计不同网络中高于指标平均值的节点分布（详见表5），其中，1表示出现，0表示未出现。各类网络中接近度测算均无高于平均值的节点，暂无展示。

表5 多层网络多类指标下的技术创新主体排名分布表

AA 网络中人工智能领域中核心节点和关键节点的重复主体较少，核心技术主体主要集中于IBM、飞利浦、惠普、松下、摩托罗拉等公司，大多企业主要集中于日本、美国、中国等国家。而关键技术主体主要集中于IBM、松下、谷歌、微软、三星、腾讯、清华大学等机构，核心节点和关键节点之间的重合率较低有且仅有：IBM、微妙、中国电力即是核心又是关键节点。在AK 网络中，企业主要集中于富士、佳能、三菱、苹果、丰田、AT&T 知识产权公司、百度、脸书等。在不同网络中，IBM、英特尔、松下、东芝、谷歌、三星、微软等是人工智能领域技术演化的核心领域，结合技术领域分布发现IBM 公司在人工智能领域内涉及到82 个不同子行业领域。富士、三星、OPPO 在单维网络的核心技术主体地位没有非常突出，但在多维网络中的技术领域涉足的广度、深度上较为突出。富士涉及64 个子行业领域，主要集中于G10L、G06F、G06T、G06K、H04N；三星涉及97 个子行业领域，主要集中于G10L、G06F、G06N、H04N、H04W；OPPO 公司涉及27 个子行业领域，主要集中于G06F、G06K、H04N、G10L、H04M。同时，以中国电力为代表的相关的中国机构开始崛起，其技术领域主要涉及58个子行业领域，技术主要集中于G06Q、G06K、G06F、H04N领域。

3.1.2 多层网络视角下技术创新领域宏观演化态势分析

基于KK网络、AK网络构建下测算多类中心性指标集用于反映核心技术创新领域、关键技术创新领域的分布态势，便于全面刻画技术主体的总体演化态势。本文统计不同网络中高于指标平均值的节点分布（详见表6），其中，1表示出现，0表示未出现。各类网络中接近度测算均无高于平均值的节点，暂无展示。

表6 多层网络多类指标下技术创新领域排名分布表

统计发现A、B、G、H 类是人工智能领域核心区域，而G 类是传统核心领域，A、B 类是人工智能涌现的新兴领域。其中，B25J、G06F、G06K、G06N、G06Q、G06T、G10L、H01L、H04N 均是核心、关键技术创新领域，其主要涉及B 类的机械与装有操纵的容器领域；G 类的计算模型，数据识别，数据处理，涉及商业、金融、管理监督等系统的内容；语音分析、语音识别或声音处理技术；电通信、图像融信技术等。而关键非核心技术的主要集中于A61K、B01D、B01J、C12N、C08L、G01N、G01B、G02B、H05K 领域，主要涉及医用、牙刷或梳妆配制品；物理化学方法；微生物、酶、变异遗传工程；测试、测量技术；及HO5K阶段的印刷电路；电设备的外壳或结构零部件；电气元件组件的制造。由此可见，电数字数据处理，数据识别、一般的图像数据处理或产生、语音识别，图像通信，数字信息的传输、基于特定计算模型的计算机系统、无线通信网络、数据处理系统或方法等依旧是技术领域的传统核心领域，但多维网络分析中还涌现出无线通信网络，数据处理系统或方法等两类新兴的技术子领域。

3.2 时态变化下人工智能技术微观演化趋势分析

3.2.1 人工智能技术创新主体微观演化态势分析

（1）AA网络下技术创新主体的微观演化态势分析

在核心技术主体的涌现和融合中（详见表7），从1996～2010年，我们发现IBM、飞利浦占据人工智能领域的核心技术主体位置，处于类似的节点状态的公司还有惠普、松下、摩托罗拉、日本电气股份有限公司等。2011～2020年，新核心技术主体开始涌现，如：谷歌、国家电网等公司机构。

表7 基于5个时间阶段的AA网络技术创新主体排名分布表

在关键团体的分布中，英特尔、IBM 始终处于核心，关键节点位置，个体中的LI Y、ZHANG L 均是关键节点，微软、国家电网均有突出表现，但索尼、东芝公司在1995-2010年前处于关键节点位置后续再无突出表现。值得关注的是腾讯公司、清华大学有突出表现。

（2）AK网络下技术创新主体的微观演化态势分析

技术领域的涉足广度和深度上，富士、IBM、三星、索尼表现非常突出；2016～2020年，谷歌、美国通用电气公司、北京航空航天大学、南京邮电大学、华南理工大学、西安电子科技大学、浙江大学等表现较为突出（详见表8）。在多维网络的分析中，大量的高校科研机构会参与到技术融合和交叉的探索中，这在一定程度上符合知识创新的基本规律，先理论创新再演化为技术创新。

表8 基于5个时间阶段的AK网络技术创新主体排名分布表

综上所示，在人工智能领域技术主体的核心，关键团体的融合演化过程中，我们发现人工智能领域的领头企业的核心，关键位置较为稳固，如IBM 公司等，在第二梯队的技术主体上，技术主体的融合演化过程变化较为频繁，如松下、摩托罗拉的核心地位开始被谷歌等取代。而高校等科研结构大多处于技术创新的关键连接节点位置。

3.2.2 人工智能技术创新领域微观演化态势分析

（1）KK网络下技术创新领域微观演化态势分析

核心技术在过去几十年的发展融合过程中未有发现大规模对于传统核心领域的迭代现象（详见表9），但作为涌现出大量的新兴技术开始有规模的融入人工智能领域，如在时间维度的第1阶段中，关键技术领域主要集中在A61K、G01B、G01N 等，在时间维度的第5 阶段中，关键技术领域主要集中在C12N、A61B、G06N、B25J等。

表9 基于5个时间阶段的KK网络技术创新领域排名分布表

关键技术领域主要集中在物理、运输、化学、电学领域，其中物理最多、运输,化学次之、电学最少，可以看出在关键节点的发现中，化学类取代了人类生活必需类，其是连接不同技术领域的关键节点。具体而言，电数字数据处理,数据识别，一般的图像数据处理或产生，语音分析或合成，图像通信在20多年的发展过程中始终处于关键融合节点位置，在2010年～2020年发展中，如微生物或酶，无环或碳环化合物，使用无机物或非高分子有机物作为配料，数字信息的传输，机械手，数据处理系统或方法等技术开始融入人工智能领域。

（2）AK网络下技术创新领域微观演化态势分析

根据AK 网络下技术创新领域时态演化趋势分布（详见表10），可见多数技术创新领域之间有所重叠，G06依旧是核心技术领域。

表10 基于5个时间阶段的AK网络技术创新领域排名分布表

另外，可见H04M、H05K 在AK 网络中心位置主要突出在1个时间阶段，但随着人工智能领域交叉学科、新兴学科数量和速度不断加快，其领域的中心性地位在后续的时间态势中没有进一步凸显。

4 结论与建议

4.1 研究结论及贡献

从动态、多维网络视角展开研究，对人工智技术进行宏微观、纵横向全面比较分析发现，日本、美国依旧是该领域的核心技术优势国家，中国在人工智能领域开始展露头角，通过对该领域技术创新主体、技术创新领域演化态势的分析，发现如下态势：

（1）技术创新主体演化态势中，人工智能行业的原有核心技术主体融合过程正在发生明显的变化，除了IBM、英特尔、松下、东芝、谷歌、三星、微软等依旧暂居核心关键地位外，其他技术主体正处于不断迭代、变化的过程。新兴人工智能领域公司如微妙等开始崛起。中国企业在该领域的技术优势开始涌现，其代表机构有：百度、腾讯、中国电力等企业和清华大学、浙江大学、南京邮电大学等高校机构。

（2）技术创新领域演化态势中，人工智能的核心传统领域如G06 依旧是核心关键领域，其发展一直处于稳定、主流的状态，但新兴技术子领域在数量和涉及的行业上开始呈现出积极状态。各领域的企业开始积极探索将G06 与其他类学科进行融合、应用的可能性，如A类人类生活必需中的涉及医用行业的A61B、A61K，C类化学、冶金中涉及微生物、变异遗传工程行业的C12N、C08J等。

（3）从时态变化上看，1996-2010年前传统工业智能是技术发展的主流趋势，从2011-2020年无线电导航、智能机器人等领域的迅速发展，全球人工智能技术演进经历了从传统制造业到新兴产业的跃升，但日本、美国等国家依旧是引领跃升变化的主流国家，日本在技术创新演化过程中专注于智能机器人等领域，美国专注于电数字数据处理领域。

本文的研究贡献在于不仅拓宽了探寻专利多维属性间知识流动内在规律的方法模型；并且丰富了技术领域的实践案例和方法体系，能为创新主体提供科学、合理的建议并帮助其实现既定技术创新目标。

4.2 研究建议及措施

根据本文实证内容的分析和阐述，本研究进一步给予的建议与措施如下所示：

（1）借鉴技术优势国家或地区发展经验，积极寻求交叉技术领域的创新机会：通过了解日本、美国人工智能技术领域的发展过程，中国的相关创新机构在发展过程中应注重对核心、关键技术领域优势的占据，并且需要积极探寻多领域融合的创新行为，实现弯道超车的可能。

（2）聚焦核心、关键技术节点的创新突破，寻求新的关键技术节点创新优势：人工智能产业中技术创新主体的时态交替变化较为明显，而关键、核心技术领域的迭代相对稳定。为此，相关机构一方面应跟踪已有的关键、核心技术领域的创新进展，另一方面，可积极发现新的关键、核心技术节点（如医用、化学、生物领域等），从而创造自己的技术优势机会。

（3）积极探寻产学研合作的高效途径，寻求合适的技术创新合作对象：根据实证结论，目前中国在关键、核心专利权人分布中，高校机构占比较大，反映中国在该领域的研发阶段多集中于理论创新，离应用创新还有一定的距离。为此，相关机构一方面可积极参与高校机构的研发合作，另一方面，可以聚集理论创新与技术应用创新的转化工作，从而提高企业自身创新效率，获得竞争优势。

5.3 研究不足与展望

本文研究结果仍然存在一定的局限性。第一，调研数据主要来自人工智能领域的专利数据，在多源数据的方面可以进一步扩充，收集更多可参与研究的数据。第二，本研究多源关系的考虑主要涉及主体的合作关系、专利分类号的共现关系，未来的研究还可以通过增加更多关系维度来提高演进模型的全面性、准确性，以更科学地了解目标技术演进过程。