基于专利技术共现网络的人工智能跨领域融合模式识别*

陈钰芬 王科平

(浙江工商大学统计与数学学院 杭州 310018)

0 引 言

当前人工智能技术蓬勃发展，正成为推动国家发展的主要力量。中国政府长期以来不断推进数字经济转型战略，相继出台一系列政策促进人工智能的发展，2017年6月国务院发布《新一代人工智能发展规划》，同年12月工信部发布《促进新一代人工智能产业发展三年行动计划(2018-2020年)》等，新一代人工智能技术的发展将成为中国弯道超车的重要机遇。人工智能涉及到数学、计算机、物理学、生物学等多领域，是典型的多学科交叉、跨领域融合的新兴领域，技术复杂程度高，突破难度大，跨领域技术融合已经成为人工智能技术创新发展的重要来源。因此，本文以全球人工智能专利数据为基础，对人工智能跨领域融合模式进行分析，从深层次挖掘人工智能发展的核心所在，揭示人工智能的发展规律，为我国人工智能战略布局提供一定的参考意见。

当前国内外学者对于技术跨领域融合展开了多角度的研究与分析，其研究主题主要涉及技术融合的影响机制[1-3]、融合现状测度[4-8]、融合趋势挖掘[9-12]等方面，即结合特定领域分析技术融合的驱动因素及影响效应、技术融合现状及未来趋势。具体来讲，关于技术融合影响机制研究方面，Jeong利用韩国政府资助的研发项目数据，实证研究了技术和资源配置环境如何促进技术融合[3]。赵玉林基于全球生物芯片产业专利数据，实证研究了技术融合对于产业绩效的影响[2]。关于技术融合现状测度，苗红引入机器学习领域的LDA-SVM分类算法，挖掘了智能手机领域发挥关键作用的技术[8]。Kose利用“基于模块”的挖掘方法，结合专利引文分析识别了机器人研究领域的技术融合现状[12]。而关于融合趋势挖掘，王宏起提出链路预测Katz指标的技术融合方向预测方法，通过对中国电动汽车产业的实证发现未来技术融合将向智能化、网联化方向发展，极大地补充了技术融合挖掘的相关研究[13]。

而就技术融合测度方法而言，主要有技术路线图、语义分析、专利引文网络、专利共现等方法。其中专利共现技术作为一种成熟的方法被广泛应用于技术融合相关研究中。该方法根据不同技术领域同时出现在一条专利来反映技术融合情况。通常利用国际专利分类号(IPC)作为共现对象。Suzuki使用专利共现分析方法测度了两家日本大型企业专利技术多样性[14]。Leydesdorff以2006年《专利合作条约》提交的专利为原始数据源，研究发现专利共现方法能够有效分析技术之间的关联关系[15]。娄岩则利用专利共现技术构建技术融合测度框架，从聚合性、耦合性、均衡性全面分析了纯电动汽车技术和信息技术的融合[4]。

综上，学术界对技术融合的影响机制、融合现状测度、融合趋势挖掘等问题展开了详细的研究，并利用专利共现技术取得了诸多成果。但是现有研究主要局限于静态技术融合的考察，较少涉及技术融合的动态演变过程等内容，同时缺乏对技术跨领域融合模式的探究。因此，本文利用社会网络分析方法，以专利信息为数据源，尝试构建技术跨领域融合模式的识别框架，并以人工智能为例进行实证分析，探究人工智能在不同发展时期的跨领域融合模式动态演化过程，挖掘哪些技术是人工智能发展的关键，以期掌握其发展规律，进而为创新组织提供有效的指导性意见。

1 研究方案设计

1.1研究方法

1.1.1 专利共现分析 专利共现分析近年来已经成为研究专利的重要方法之一，被广泛运用于技术融合的识别。一个完整的IPC号包括部、大类、小类、大组、小组等部分，例如G05B-023/02，其中G为部，05为大类，B为小类，023为大组，02为小组[7]。本文将IPC四位分类(如G05B)界定为IPC4，把IPC4所属的技术领域界定为“技术领域(technology field，简称TF)”，所属的技术部界定为“技术部(technology area，简称TA)”。借鉴WIPO关于IPC4与技术领域的对应标准，将所有的IPC4对应到35个技术领域、5个技术部[16]。其中TF1-TF8属于电气工程部，TF9-TF13属于仪器部，TF14-TF24属于化学部，TF25-TF32属于机械工程部，TF33-TF35属于其他领域部。若一条专利同时出现多个技术领域，即定义为“技术领域共现”。若一条专利同时出现多个IPC4号，即定义为“IPC4共现”。基于上述定义，本文构建四个阶段的两大技术共现网络(技术领域共现网络和IPC4共现网络)。

1.1.2 中间人分析 在社会网络分析中，Burt将中间人定义为向一个角色发送资源，而从另一个角色获取资源的行动者[17]，之后Gould和Fernandez对Burt的中间人概念存在的问题进行优化与改进，考虑了行动者所在的群体进而提出五类中间人角色[18]，分别是协调人(coordinator)、顾问(consultant)、守门人(gatekeeper)、代理人(representative)、联络人(liaison)，参照图 1可以清楚地理解各类中间人之间的作用和差别，其中黑色节点是各类情况下的中间人角色。协调员角色表示各节点同处于一个群体，中间人在网络中起到协调作用；顾问角色表示连接中间人的两个节点同处于一个群体，而其自身处于另外一个群体，在网络中起到过渡作用；守门人角色表示中间人与连接中间人的下游节点同处于一个群体，中间人的上游节点单独处于一个群体；代理人角色表示中间人与连接中间人的上游节点同处于一个群体，中间人的下游节点单独处于一个群体；守门人与代理人均是群体与外部联系的重要渠道，守门人负责吸收群体外部信息并将其扩散至群体内部，控制信息的传入与过滤。代理人则是负责将信息传输到外界，起到发言的作用；联络人角色表示各节点分别处于各自群体，此时中间人在网络中起到联络群体间的作用。

图1 五类中间人角色

1.1.3 网络拓扑结构分析 为了更加清晰地反映人工智能领域的技术融合特征，本文首先从整体层面把握人工智能领域技术创新网络的拓扑结构，了解人工智能领域技术融合的整体结构及其演化趋势。传统的网络拓扑指标包括网络密度、网络中心势、平均聚类系数、平均路径长度等，具体指标公式及含义如下：

a.网络密度。网络密度是指网络中实际关系数与理论可能关系数的比值，本文反映技术网络的节点交互程度。具体计算公式如下：

(1)

其中m表示网络中实际关系数，n表示网络节点数。

b.网络中心势。网络中心势是指网络中绝对中间中心度最大值和其他节点绝对中间中心度离差总和与理论离差最大和的比值，本文反映技术网络节点的集中趋势。具体计算公式如下：

(2)

其中n表示网络节点数，CABmax表示规模为n的网络中绝对中间中心度最大值，CABi表示网络中其他点的绝对中间中心度。

c.平均聚类系数。聚类系数是指网络中节点与其相邻节点间实际关系数与最大可能关系数的比值，衡量网络中节点的聚合程度。而平均聚类系数则是网络各节点聚类系数的平均值，本文反映技术网络的节点聚集程度。具体计算公式如下：

(3)

其中n表示网络节点数，ei表示节点i相邻节点间实际关系数，ki表示与节点i相邻的节点数。

d.平均路径长度。平均路径长度是指网络中任意两节点间最短路径的平均值，衡量网络整体的可达性，本文反映技术网络通道的通畅程度。具体计算公式如下：

(4)

其中n表示网络节点数，dij表示节点i与节点j之间的最短路径长度，V表示网络中可达节点对数量。

1.2分析框架结合上述三种研究方法，本文探究如何在技术共现网络框架下，结合中间人分析方法识别不同类型的跨领域融合模式。通过区分节点间跨领域方式的不同，将5类中间人与技术融合模式相匹配。考虑到技术共现没有方向可言，网络中无法准确辨别守门人和代理人，因此以“守门人”和“代理人”为代表的跨领域融合模式统称为单向型融合模式。而双向型融合模式则具体细化为以“顾问”为代表和以“联络人”为代表的两种类型。若专利IPC信息同时涉及两大技术部及以上，则定义出现跨领域融合现象。综上，以“协调人”为代表的独立发展模式只涉及一个技术部，不存在技术融合现象，其节点异质性和交互性都相对较低；以“守门人”或“代理人”为代表的单向型融合模式涉及两个技术部，存在一条路径与外部联系，因此相比独立发展模式，单向型融合模式的异质性与交互性都有相应提高；而以“顾问”或“联络人”为代表的双向型融合模式虽都涉及两次跨领域联系，但以“联络人”为代表的双向型融合模式涉及的异质知识更多，从而其异质性与交互性都相对更高。在识别技术跨领域融合模式的基础上，本文借鉴Lim和刘凤朝的技术中介角色分析思路[7，19]，测算不同IPC4的技术中介得分，挖掘不同跨领域融合模式下的重要技术中介。

综上所述，基于以上分析流程，本文构建了跨领域融合模式识别框架，如图 2所示。首先，结合技术领域共现网络识别人工智能技术融合特征，结合网络拓扑指标探究不同技术领域间的融合程度；然后，利用专利IPC4共现网络，根据IPC4所属不同技术部划分技术领域边界，识别人工智能的跨领域融合模式及其演变规律，并分析不同技术部的内部扩散特征；最后，揭示不同跨领域融合模式中的重要技术中介，从而有针对性地为组织提供研发战略布局意见。

图2 跨领域融合模式分析框架

2 实证分析

图3 1982-2018年全球人工智能领域专利变化趋势

2.1数据来源与阶段划分本文研究数据来源于德温特专利数据库(Derwent Innovations Index)，在德温特专利数据库手工代码检索官网(https://clarivate.com/derwent/dwpi-reference-center/mcl/)中输入“artificial intelligen*”确定人工智能领域相应的手工代码，配合主题词检索，从而得到人工智能领域相关专利。检索时间截止到2018年，结果一共包含112 912条专利，通过Python提取每条专利中的IP字段。参照图 3可以清晰地反映出人工智能领域发展的阶段性特征。1982-1994年为起步探索期，年专利数一直处于较低水平，因此为了保证各阶段存在一定数量的研究数据，本文将研究区间设定为1995-2018年，其中1995-2000年为第一阶段，这一阶段年专利数平稳发展，大致保持在每年1 000条水平，属于平稳过渡期。2001-2006年为第二阶段，这一阶段年专利数以较低的发展速度开始逐年上升，属于平稳发展期。2007-2012为第三阶段，这一阶段年专利数先迅速上升，而后回落到正常水平，属于波动发展期，其中2007-2008年出现短暂的井喷式增长，随后落回到正常水平。结合时代背景，这可能是因为2005年是大数据元年加之2006年是深度学习发展史上重要的分水岭[20]。2013-2018为第四阶段，这一阶段年专利数开始快速增长，属于快速发展期，彼时人工智能领域发展迎来了新的契机，云计算、物联网等信息技术飞速发展。综上，本文将每隔6年为一个研究时期，分时期构建四个阶段的专利共现网络，探究人工智能技术领域和跨领域融合模式的演化特征，考察人工智能发展的重要技术中介。

2.2人工智能技术领域演化特征表1显示了1995-2018年四个阶段35个技术领域的人工智能专利数。从表中可以看出，1995-2000年间，人工智能发展处于萌芽期，技术领域分布比较集中，只有TF6(计算机技术)、TF12(控制)、TF26(机床)、TF25(处理)领域的专利数超过500件，这些技术领域分别属于电气工程部、仪器部、机械工程部，说明上述技术部是人工智能的先导领域，起到基础技术的作用。在这一阶段，随着人工智能基础技术与应用领域的不断扩张，人工智能已经涉及35个技术领域，说明人工智能在发展初期便涉及到了全部技术领域，技术多元化程度较高。2001-2006年间，从专利绝对数量看，TF6、TF12领域占据着绝对优势，而从增长速度看，TF7(管理中的IT方法)领域的专利增长速度最快，其次是TF16(制药)、TF17(高分子化学，聚合物)、TF22(微观结构和纳米技术)、TF18(食品化学)等领域。2007-2012年间，TF6、TF26领域专利总数最多，而TF33(家具、游戏)、TF17领域的专利增长速度最快，可以发现人工智能在基础领域保持稳定增长的前提下，逐渐开始在应用领域发力。2013-2018年间，TF26成为人工智能的绝对基础技术领域，专利总数超过1万件，TF32(运输)、TF25(处理)、TF13(医疗技术)则为增长速度最快的领域，可以发现此阶段人工智能在应用领域层面得到了进一步发展。

综上可知，考察期内人工智能在电气工程部、仪器部、机械工程部的发展最为迅速，其中TF26、TF6、TF12技术领域在其中扮演着重要的角色，随后人工智能开始广泛运用于工业管理、化学、生物等领域，对其他技术的应用与推广产生了深刻的影响。总体而言，人工智能发展表现出基础领域先行发展，逐步扩展到应用领域的发展特征，这同纳米技术的发展路径较为相似。以电气工程、仪器、机械工程为代表的基础领域是整个人工智能的先导领域，这些领域为人工智能发展提供了基础性平台，为今后扩展到其他技术领域创造了先决条件。

表1 1995-2018年人工智能技术领域分布及演化情况

为了更加清晰地展现人工智能技术领域的演化特征，以35个技术领域为节点，技术领域间共现为联系，构建技术领域共现网络，计算网络拓扑指标。具体指标测度结果如表 2所示。从网络拓扑结构演化趋势可以发现，技术领域共现网络的边数、密度整体呈现上升趋势，并在第三阶段逐渐稳定，说明人工智能领域在第二阶段发展下，技术领域间的关联程度不断加深，到第三阶段逐渐趋于稳定；网络中心势指标在第二阶段呈现明显的下降趋势，说明网络中向某个点集中的趋势明显下降，即人工智能从初期围绕个别先导领域的发展模式逐步过渡到各技术领域协同发展，节点间的差异程度不断下降；而关于网络平均聚类系数、平均路径长度指标，若网络的平均路径长度远小于同等规模和密度的随机网络的平均路径长度,并且网络的平均聚类系数远大于同等规模和密度的随机网络的平均聚类系数,则表明网络满足小世界特性。通过模拟发现，专利技术领域共现网络呈现明显的小世界特征，即人工智能各技术领域的关联程度较高，领域间的信息流可以快速流动。

表2 各阶段网络结构测度指标

2.3人工智能跨领域融合模式识别任何一项技术的发展不仅需要自身单一技术的支持，同时也需要不同程度地与其他技术领域相结合。由于技术领域性质的不同，其独立发展和融合发展之间的关系可能会有不同的表现形式，从而形成不同类型的跨领域融合模式。基于图2分析框架，以人工智能领域出现的IPC4为节点，IPC4间的共现关系为联系得到IPC4共现网络，以上文提及的技术部为分区条件，探究人工智能的跨领域融合特征，表3显示了人工智能四个阶段各类跨领域融合模式的变化情况。

表3 1995-2018年各阶段跨领域融合模式演变

由表3可知，首先通过横向对比可以发现，人工智能跨领域融合模式以“联络人”为代表的双向型融合模式和以“守门人”或“代理人”为代表的单向型融合模式为主，其次是以“顾问”为代表的双向型融合模式，独立发展模式比例最低，再次验证了技术跨领域融合是人工智能发展的主要特征。而从纵向对比可以发现，虽然各类融合模式所占比例均有所变动，但总体变化趋势较为稳定，说明人工智能发展初期，技术融合发展就对其产生了深刻的影响，不仅促进人工智能技术自身成长，同时对其他技术领域的应用也起到了至关重要的作用。

图4显示了1995-2018年人工智能各技术部的跨领域融合模式的变化情况。首先，独立发展模式在各时期虽占比较低，但广泛存在于TA3(化学)、TA4(机械工程)的各个时期，说明这些技术部相比其他技术部表现出更强的内源式创新，其中TA3的独立发展模式比例随时间的推移表现出上升态势，说明化学技术部的内部创新倾向变高，在技术融合过程中孵化出传统发展模式。其次，单向型融合模式存在于人工智能各技术部中，并表现出稳定的变化趋势。单向型融合模式具体表现为从外部领域吸收技术，而后在自身领域内部扩散或是先在领域内部转移而后扩散至外部领域，这种模式意味着现有技术需要寻求外部解决方案或是拓宽自身技术应用渠道。第三，以“顾问”为代表的双向型融合模式在TA3比例下降明显，而在其他部稳定存在。以“顾问”为代表的双向型融合模式具体表现为从初始领域获得技术，最后又在初始领域重新得到应用，这种模式意味着现有技术将由外部领域进行更新，说明化学技术部需要通过外部领域进行技术更新的趋势正在下降，技术自主性程度逐渐变强，验证了上文化学技术部内部倾向变高的结论。最后，以“联络人”为代表的双向型融合模式同样广泛存在于人工智能各技术部的各个时期，并保持较高的稳定比例，说明人工智能各技术部之间保持着一定的交流频度。以“联络人”为代表的双向型融合模式具体表现为从某领域吸收技术，而后运用到另一新领域，同时涉及技术跨领域吸收与扩散能力，对知识整合能力要求最高。

图4 五大技术部跨领域融合模式演变规律

综上可知，考察期内人工智能表现出多种类跨领域融合模式，各技术部具有独特的技术扩散特征。TA3(化学)、TA4(机械工程)以单向型融合模式为主，TA1(电气工程)、TA2(仪器)、TA5(其他领域)以“联络人”为代表的双向型融合模式为主。因此总体上看，人工智能表现出以“联络人”为代表的双向型融合模式和单向型融合模式为主的发展特征。

2.4人工智能重要技术中介识别在识别不同类型的跨领域融合模式过程中，技术中介起到了关键的作用，它将不同的技术领域进行关联，把两个不直接相连的技术领域进行联系，起到了中介、桥梁的作用。本文通过分析不同IPC4节点在人工智能技术演化过程中的中介作用，识别影响人工智能发展的重要技术中介领域。表4统计了1995-2018年四个阶段中各类跨领域融合模式排名前5的重要技术中介。

表4结果显示，人工智能发展过程中存在不同类型的技术中介角色，其中“联络人”技术中介得分始终最高，这与前文分析的技术领域共现关系结论一致，跨领域融合是人工智能的主要表现之一。1995-2000年间，技术中介共有281个，独立发展模式技术中介195个，其中G06F(电数字数据处理( G06F表示电数字数据处理(部分计算是用液压或气动完成的计算机入G06D，光学完成的入G06E；基于特定计算模型的计算机系统入G06N)，本文简写为“电数字数据处理”，下同；关于IPC4对应的具体内容请参考http://epub.sipo.gov.cn/ipc.jsp。))、B23Q(机床零件)、G05B(一般控制调节系统)、B25J(机械手与容器)、B65H(搬运材料)得分较高，主要涉及电气工程部、机械工程部、仪器部。单向型融合模式技术中介262个，具体涉及G06F、G05B、G05D(控制、调节系统)、G06T(图像数据处理)。以“顾问”为代表的双向型融合模式技术中介262个，重要的技术中介有G06F、G05B、G05D、G06T、G01N(测试、分析材料)。以“联络人”为代表的双向型融合模式技术中介221个，G06F、G05B、G05D、G06T、G06K(数据识别、表示)技术中介在其中扮演着重要角色。纵观第一时期各类重要技术中介，部分IPC4节点在各类跨领域融合模式中均扮演重要的角色，说明在发展初期，部分技术先导领域为人工智能的后续发展奠定了重要基础。

表4 1995-2018年各类模式下得分排名前五的重要技术中介演变

2001-2006年间，各类技术中介数量增加至427个，说明这一时期技术中介数量迅速扩张，技术融合特征明显增强。独立发展模式技术中介357个，在前5名技术中介中，B29C(塑料成型)成了最重要的技术中介，其次是B23Q、B65G(运输、存储装置)、G06F、G05B，分别属于机械工程部、电气工程部、仪器部。单向型融合模式技术中介409个，G06F、G05B、G01N、B29C、H01L(半导体器件)是这一时期重要的技术中介，分别属于电气工程部、仪器部、机械工程部，所属技术领域与前一时期大致相同。但值得关注的是，TF8(半导体)技术领域的H01L开始对联系领域技术交流发挥作用，说明半导体技术作为新兴技术中介为人工智能跨领域融合起到了关键作用，为人工智能交叉融合提供了有效的载体。以“顾问”为代表的双向型融合模式技术中介324个，重要技术中介包括G06F、G05B、G01N、G05D、G01B，分别属于电气工程部、仪器部。以“联络人”为代表的双向型融合模式重要的技术中介有G06F、G05B、G01N、G05D、G06Q(数据处理系统或方法)，分别属于电气工程部、仪器部，其中TF7(管理中的IT处理方法)技术领域的G06Q首次作为“联络人”技术中介出现。

2007-2012年间，各类技术中介数量继续保持在513个，独立发展模式技术中介437个，前5名技术中介均集中在机械工程部，可以发现TF26(机床)技术领域在独立发展模式中起到了至关重要的作用，得到了前所未有的发展。单向型融合模式、以“顾问”为代表的双向型融合模式、以“联络人”为代表的双向型融合模式的技术中介数量分别为495、390、438，相比前一阶段均有小幅上升，上一阶段首次出现的H01L在这一阶段担任“联络人”技术中介。

而在2013-2018年间，各类技术中介数量增加至516个，独立发展模式技术中介441个，单向型融合模式、以“顾问”为代表的双向型融合模式、以“联络人”为代表的双向型融合模式的技术中介数量分别为498、410、451，第二阶段首次出现的TF7技术领域的G06Q在此阶段扮演“顾问”技术中介。综上所述，就人工智能交叉融合重要技术中介演化特征看，是以电气工程、仪器、机械工程为主导中介领域，通过TF6、TF12、TF25等基础技术领域和TF7、TF8等新兴技术领域实现跨领域技术融合，以此促进人工智能各技术领域协同发展。

3 结论与建议

本文基于德温特专利数据，利用社会网络分析方法，构造技术跨领域融合模式识别框架，分析人工智能技术领域和跨领域融合模式的演化特征，考察人工智能发展的重要技术中介，得到以下结论：

a.人工智能由电气工程、仪器、机械工程等基础性领域起步，并逐步渗透到工业管理、化学、生物等应用性领域。先导领域的发展为人工智能发展提供了基础性平台，随后开始广泛运用于应用领域，对其他技术的应用与推广产生了深刻的影响。简而言之，人工智能表现出基础领域先行发展，而后逐步扩展到应用领域的发展特征。

b.人工智能跨领域融合模式主要以“联络人”为代表的双向型融合模式和以“代理人”或“守门人”为代表的单向型融合模式为主。同时人工智能表现出多种类跨领域融合模式，各技术部具有独特的技术扩散特征。各类融合模式广泛存在于人工智能领域，模式嵌入多样性不仅可以加速技术的反馈周期，而且可以有效提高组织的知识整合能力。

c.人工智能主要以电气工程、仪器、机械工程为主导中介领域，通过TF6、TF12、TF25等基础技术领域和TF7、TF8等新兴技术领域实现跨领域技术融合。各类技术中介在网络中起到中介、桥梁作用，为人工智能跨领域融合提供有效载体，以此促进人工智能各技术领域协同发展。

根据以上分析结论，本文从企业和政府角度提出以下建议：

a.从人工智能技术领域演化特征来看，企业在重视发展技术先导领域的基础上，应大力推进其他应用领域战略布局，把握人工智能技术属性与社会属性两大特征，加大人工智能基础研发与应用力度，促进我国人工智能各技术领域协同发展。政府则从全局视角认真设计相关技术融合政策，把握未来人工智能发展主动权，推动相关产业实现高质量发展。

b.从人工智能跨领域融合模式演化特征来看，企业在其发展过程中需结合自身特征采取不同策略，探求与组织特质相匹配的跨领域融合模式。政府则需充分认识技术跨领域融合对于人工智能发展的重要性，制定一系列优惠政策和保障措施，降低技术跨领域成本与风险。

c.从人工智能重要技术中介演化特征来看，企业在其发展过程中需结合重要技术中介演化趋势为研发提供灵感，最大程度地增加现有专利的价值，推动企业健康稳定发展。政府在人工智能发展战略布局中应重点关注各类技术中介，在识别早期基础重要技术中介的同时，更应关注新兴重要技术中介的出现，例如H01L(半导体器件)、G06Q(数据处理系统或方法)等，加大相应领域的R&D投入力度，以提高技术跨领域融合效率。