基于多层网络的人工智能领域跨界技术融合

刘晓燕，孙丽娜，裘靖文，单晓红

(1.北京工业大学经济与管理学院，北京 100124；2.南京大学信息管理学院，南京 210023)

0 引言

近年来，人工智能已成为引领未来发展的前沿性、战略性技术，据incoPat全球专利数据库分析显示，2010年全世界人工智能相关公开专利为16 102项，截至2019年，全世界公开专利已经达到114 292项，增长7倍之多。各发达国家或地区(如美国、日本、欧洲等)纷纷将人工智能列为本国高科技发展重点[1]，与此同时，中国也高度重视新一代人工智能的发展，2017 年7月，国务院印发的《新一代人工智能发展规划》指出，到2030年人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。技术融合最早是由Rosenberg[2]于1963年在不同产业中使用了相类似的技术的背景下提出的，其本质是一种技术创新[3]，是由不同技术轨道的整合所导致的不同技术元素整合的过程[4]。人工智能技术融合之所以受到各国关注，是由于它具有跨界特征，可带动传统产业升级。

目前已有不少国内外学者研究集中在人工智能技术融合应用层面： Jiang F等[5]对人工智能在医疗领域的应用现状进行了分析评估，并提供了未来产业在医疗领域的部署方案；陈燕红[6]全面分析了人工智能投资顾问应用于证券投资市场的优势和风险，这些研究体现了市场对人工智能技术融合的需求和拉动效应。但是要实现深度融合，应结合技术融合的本质，不能忽略技术的推动效应。技术的扩散与融合往往受到大量因素的影响，技术广度对于技术融合度的驱动程度最大[7]，前期积累丰富的技术领域具有更大的技术融合潜力[8]。技术邻近性、技术成熟度等技术特征也会影响技术融合的效果[9-11]。还有学者提出组织也会影响技术融合，认为政府与企业之间的合作关系越强，越容易促进技术融合的发生[12]；一个组织内部发生明显的技术融合，不同组织的技术很少发生跨组织的技术融合。

综上，可看出人工智能跨界技术融合已经成为各界关注的重点，但是由于缺乏理论的深入研究，跨界融合面临风险大、成本高等困境，需要从理论上研究跨界融合的机理和过程，明确如何借助融合技术选择、融合伙伴选择提升融合绩效，才能够有效地指导跨界融合应用，实现从技术融合到产业融合的跨越。前期研究中国内外学者指出了技术因素、组织因素会影响技术融合，但是存在两方面问题。首先，在研究内容方面：1)技术与组织割裂，技术依附于组织，跨界技术融合需要通过选择拥有相关融合技术的伙伴，借助合作或交易实现知识在组织间流动，进而实现技术融合，如果仅从技术或组织层面研究技术融合如何发生会影响结果的真实性；2)忽略了网络结构效应，技术在融合的过程中形成融合关系，多种融合关系的叠加形成融合网络，现有研究更关注技术的特征，而忽略了网络结构特征，技术嵌入在网络中，其他的融合关系也会影响到该项技术的融合，因此需要考虑网络嵌入性。其次，在研究方法方面，现有研究大多采用回归、结构方程等方法分析影响因素，考虑网络嵌入性因素后，这类方法存在局限性，未能剖析网络结构特征及网络演化过程。部分学者引入模糊集定性比较方法(fsQCA)用于技术网络影响因素分析，但此种方法无法研究网络演化过程及单一变量对网络的影响[13]。多层指数随机图模型可刻画网络的形成过程，能够以仿真的方式估计网络的内生结构、节点属性以及网络间关系对网络形成的影响。

基于此，本文将技术与组织有机结合起来，并引入网络结构效应从技术特征、组织的技术特征、组织的关系特征3个维度研究人工智能跨界技术融合机理。借鉴国内外学者使用专利数据描述技术融合的方法[14]，从专利中抽取技术融合关系、组织与技术隶属关系、组织间合作关系构建多层网络模型，并使用多层指数随机图模型进行仿真，揭示隐藏在数据背后的技术融合机理。

1 研究框架与方法

人工智能作为战略性新兴产业，具有跨界融合的特点和趋势，逐渐呈现出复杂网络的特征：1)技术融合表现为技术间由于知识流动形成的融合关系；2)技术依附于组织，表现为组织与技术的隶属关系；3)组织间由于合作影响知识的流动，进而影响技术融合。因此本文构建技术融合网络、组织-技术隶属网络以及组织合作网络的三层复杂网络模型，借助多层指数随机图模型进行仿真实验，并对实验结果进行检验。

1.1 人工智能技术融合多层网络模型

本文构建的技术融合多层网络由三部分组成：1)技术融合网络：技术融合表现为在一个专利中包括多项技术，专利作为技术创新的产物，常被用来作为研究技术创新的代理指标[15]，它能直观地反映发生融合的技术之间的关系变化过程[16]，专利IPC共现分析方法被广泛用于技术融合[17]，本文选择IPC共现描述技术间的融合关系，构建的技术融合网络，即B网络；2)组织-技术隶属网络：技术依附于组织，专利中的专利权人与其研发专利的IPC号可以表明专利权人的技术特征，即专利权人拥有哪类技术，本文从专利中提取专利权人-技术隶属关系矩阵构建的组织-技术隶属二分网络，即X网络，用于描绘技术与组织之间的隶属关系；3)组织合作网络：组织合作反映的是专利权人在申请专利时的合作特征。当一个专利拥有多个专利权人时，表示存在组织合作关系，从专利中抽取专利权人的共现关系构建组织合作网络，即A网络。

1.2 基于MERGMs的技术融合作用机理模型

研究人工智能技术融合的机理不仅需要考虑技术、组织等外生属性的影响，还要考虑网络结构效应，如传递性、同质性等[18]。因此本文引入多层指数随机图模型(Multilevel Exponential Random Graph Models，MERGMs)，将外生属性与内生结构有机结合实现多层网络的仿真，如图2所示。

图1 人工智能技术融合多层网络模型

图2 技术融合影响因素分析模型

模型1：单模网络模型即B网络，包含技术融合网络模型，用来衡量技术特征对于技术融合的影响。

模型2：单模网络与二分网络模型即B&X网络，包含技术融合网络模型及组织与技术隶属网络模型，用来衡量组织的技术特征对技术融合的影响。

模型3：两个单模网络与二分网络模型即A&B&X网络，包含组织合作网络、技术融合网络及组织技术隶属网络模型，用来衡量组织间关系特征对技术融合的影响。

本文借助 MPNet软件实现MERGMs模型的构建，并加入节点同质项及结构依赖项作为统计量，使用马尔科夫链蒙特卡罗最大似然估计算法进行参数估计，通过t-ratio判断模型收敛情况，t-ratio的绝对值小于0.1则模型收敛，若模型不收敛，则更改统计量或修正统计量参数估计值修正模型；最后进行拟合优度检验(Goodness of Fit，GOF)。

2 实证研究

2.1 数据来源

本文选择incoPat全球专利数据库中人工智能领域2010～2019年的专利数据，利用Python构建专利权人共现、IPC共现、专利权人-IPC共现矩阵，借助ORA实现多层网络可视化和网络指标测量，如表1所示。本文将人工智能领域专利申请数据划分为2010～2014年、2015～2017年及2018～2019年3个阶段，网络结构中蓝色方块表示组织，红色圆圈表示技术分类，蓝色方块之间的连线表示组织间合作关系，红色圆圈之间的连线表示技术融合关系，蓝色方块与红色圆圈之间的连线表示组织-技术之间的隶属关系。

表1 人工智能领域网络演化情况

2.2 人工智能领域组织合作网络演化特征

通过对3个阶段人工智能领域组织合作网络的分析发现：1)组织规模逐步扩大。随着人工智能相关产业的不断发展，组织合作网络结构变得日益复杂，网络中的节点数量和边数量稳定增加，表明越来越多的组织进入人工智能领域进行合作，人工智能相关产业市场需求不断扩大。2)组织合作处于起步阶段。网络密度能够描述节点间的联系程度，各阶段网络密度均较低且逐年下降，说明人工智能领域各组织间合作较为稀疏，网络中技术知识的转移扩散较为困难，组织间的合作有待加强。3)网络传输效率低。平均路径长度是衡量网络传输效率的指标，网络的平均路径长度较大且逐年增加，并在第3阶段达到最大，说明网络信息流通较为困难，且网络拓扑结构变得越来越复杂，信息在网络中的流通将耗费节点较大能量。

2.3 人工智能领域技术融合网络演化特征

通过对3个阶段人工智能领域技术融合网络的分析发现：1)人工智能的跨界融合处于起步阶段，近两年呈迅速扩张态势。最近十年人工智能产业技术融合网络节点数量变化较小，节点间连线数近年来出现大幅增加，表明人工智能技术种类变化较小，技术间的融合明显增多，组织间越来越重视通过技术融合的手段实现人工智能领域的技术创新。与《中国新一代人工智能科技产业发展报告2020》中指出的随着核心产业部门的发展和核心技术的成熟，中国人工智能科技产业发展已经步入融合产业部门主导的新阶段相一致。2)人工智能融合技术相对分散。网络的密度和平均路径长度变化较小，网络集中程度始终较低，说明人工智能领域核心技术的控制能力较弱，各技术领域相对比较分散。

2.4 人工智能领域组织—技术融合网络演化特征

通过对3个阶段人工智能领域组织—技术融合网络的分析发现：1)越来越多的组织开展人工智能领域技术研发。人工智能领域组织—技术融合网络规模逐渐增大，网络中组织节点数不断增加，技术节点变化较小，表明越来越多的企业进入到人工智能领域开展创新活动，但是主要集中于原有技术领域。2)组织的知识宽度显著增加。虽然人工智能领域的融合的技术范围没有发生很大变化，但是随着研发的深入，组织所掌握的知识范围明显拓宽，第2阶段较第1阶段翻了一倍，第3阶段较第2阶段也增长了近80%。3)组织—技术呈现核心—边缘结构特征。中心性可以表示企业掌握技术的情况，在组织中心性排名中，国家电网公司始终处于首位，说明了该公司拥有最丰富的技术种类，技术资源越丰富，在进行技术融合时越方便。在技术中心性排名中，中心性处于首位的技术属于领域内的最核心的基础技术，具有复杂度较低和研究较为广泛的特征。2018年以前，G06F电数字数据处理居于首位，2018年以后G06N基于特定模型的计算机系统替代它成为首位，人工智能领域的基础技术发生转变，意味着人工智能研究方向发生转变，可能是工业和信息化部发布的《促进新一代人工智能产业发展三年行动计划(2018—2020)》中提到着重在视频图像身份识别系统、智能语音交互系统、智能翻译系统等领域率先取得突破起到了一定作用。

2.5 人工智能节点间技术融合机理研究

借助MPNet构建技术融合网络影响因素模型，分别对3个阶段的B网络、B&X网络、A&B&X网络进行仿真，在各阶段的3组网络中加入节点同质项及结构依赖项参数统计量，并根据模型的收敛情况进行调整，使得模型整体收敛，尽可能多的统计量显著。根据最终结果挖掘技术特征、组织的技术特征、组织间的关系特征对技术融合的影响，得到模型收敛后的参数估计的最终结果(见表2)。

表2中Model1包括的统计量EdgeB表示边缘受控制网络分布的密度，本模型中用来检查网络的整体疏密情况；ATB能够检查网络关闭情况，本模型中用来观测相似技术的融合情况；A2PB检查节点是否倾向于分享相连伙伴，用来观测已经发生融合的技术与其他技术融合趋势。

表2中Model2包括的统计量StarAXAB能够观测在单模网络(A或B)中的活动节点在中层网络中是否处于活跃状态，本模型中用来衡量组织拥有的共性技术与其他技术融合的难易情况；L3XBX能够反映在中层网络中活跃或受欢迎的节点是否也在层级内关联，本模型中用来观测不同组织拥有的技术对技术融合的影响；ATXBX表示具有共同隶属关系的节点之间形成联系的趋势，本模型中用于衡量同一组织内多个技术对技术融合的影响。

表2 MERGMs运行结果

表3中Model3包括的统计量L3AXBX能够检验层级内网络中活跃或流行节点隶属于中观网络的趋势，本模型中用于观测组织与其他组织合作的技术与非合作组织技术的融合情况；C4AXB可以反映在一个层级中建立连接是否将增强在其他层级形成联系的可能性，本模型中用于观测组织间的创新合作关系对技术融合的影响；ASAXASB表示中层网络中活跃或受欢迎的节点在单模网络中是否关联，本模型中用于观测拥有“伙伴圈”的组织的技术和非“伙伴圈”组织技术的融合情况。

从总体上分析，Model、Model2和Model3均可以收敛，但在不同的时间段，三方面作用的效果有所不同。1)从Model1即技术特征层面来看，在3个阶段中，EdgeB均为负值，说明三层网络均较为稀疏，技术融合较少，再一次印证了人工智能领域跨界技术融合处于起步阶段；ATB及A2PB均为正值，说明相似的技术更可能发生融合，且已经发生融合的技术会促进新融合的发生，这种促进作用伴随着时间的变化逐步增强。2)从Model2即组织的技术特征层面来看，StarAXAB在3个阶段中均为负值，说明组织拥有的共性技术不太可能与其他新技术发生融合，这主要是因为战略性新兴产业共性技术研发不仅投入高、风险大, 并且具有显著的知识外溢性[19]，因此，对于共性技术的研发无法使企业维持自己的核心竞争力，故企业对于共性技术的研发普遍缺乏积极性；L3XBX在第1阶段为正值，意味着人工智能领域在这段时间常发生跨组织的技术融合，新技术的产生往往来自于不同组织间的战略合作；ATXBX在后两阶段为负值，说明同一组织内两个技术不容易发生技术融合，这可能是由于当一个新兴产业进入成长阶段，同一组织的研发潜力有限，故企业更偏重技术的应用而不是技术的创新。3)从Model3即组织的关系特征层面来看，L3AXB在第1阶段为负值，说明组织间的合作关系抑制技术融合的发生，C4AXB在第2阶段为正值，说明在第2阶段中组织间的合作关系促进技术融合的发生，第3阶段开始L3AXB又开始呈现负值，组织间的合作关系开始抑制技术融合的发生。这表明组织间的合作关系对于技术融合的影响是变化的，往往和一个产业所处的发展阶段相关联：产业发展初期组织间信任尚未形成，组织对知识产权的保护效应导致技术不易融合；伴随着合作的深入，信任带来的创新绩效凸显，组织间通过合作研发实现创新，有力促进了技术融合；进入第3阶段由于大量新组织节点的加入，技术规模却变化不大，导致人工智能产业内竞争加剧，信任下降，影响到技术融合绩效，其次已有合作产生了“锁定”效应，融合绩效也将受到极大影响，因此第3阶段的组织合作会降低技术融合的可能。ASAXASB在3个阶段中均为负值，表示来自于直接伙伴即组织的“伙伴圈”关系，在3个阶段均抑制与圈外新技术融合的发生，一定程度上说明伙伴圈内技术知识的密切交流，将限制企业对于伙伴圈外技术知识的获取，使得企业与圈外组织进行技术融合的风险及难度加大。

2.6 模型拟合优度检验

本文借助MPNet软件对模型进行GOF检验，经检测模型中规定的所有估计统计量的t值的绝对值小于0.1，而其他网络观测值部分小于2。表明，技术融合网络影响因素指定的模型与所构建的网络数据吻合较好，该模型能够很好地描述真实观测网络。

2.7 稳健性分析

为了验证本文提出的从技术特征、组织的技术特征、组织的关系特征3个层面构建的人工智能技术融合机理研究模型的稳健性，现将研究结果与OLED产业技术融合的研究进行对比，发现：1)共性特征：在技术特征方面，两种产业均表现为相似技术之间更容易发生融合；在组织的技术特征方面，两种产业的组织间拥有的共性技术均很少与新技术发生融合，这主要是由于共性技术应用较为广泛，缺乏市场竞争力，因此企业更倾向于对衍生技术再次加工，从而使技术得到创新，进而提升企业的创新能力及核心竞争力。在组织的关系特征方面，组织的伙伴圈关系在两种产业中，均会限制组织与圈外新技术发生融合。2)特性特征：在技术特征方面，人工智能产业中已经发生融合的技术会促进新技术发生融合，说明人工智能产业更加注重于技术融合后衍生技术的二次研发。在组织的特征方面，针对于不同组织的技术，OLED产业很少发生跨组织的技术融合，而人工智能产业在第一阶段中会积极进行跨组织的技术融合，这表明人工智能产业初期技术多依赖于跨组织合作研发而产生。在组织的关系特征方面，人工智能在不同的发展阶段，组织间的合作关系对其技术融合也有着不同的作用，因此企业可以根据发展阶段选择与其他企业的合作形式，促进技术的融合。以上分析表明，该技术融合机理探究框架稳定性较强，研究模型可以很好地观测人工智能领域技术融合的动态发展过程。

2.8 算法讨论与比较

为了体现本文所提出算法的可行性及适用性，本文将所提算法与经典算法进行对比分析：经典算法QAP模型是基于随机化检验方法进行的网络演化分析，是最终对两个矩阵中各个元素的相似性进行比较的方法, 主要适用于矩阵之间的运算[33]，仅能对单模网络中节点关系的演化机理进行刻画，存在一定局限性；指数随机图模型与多层指数随机图模型在原理上相似，均采用马尔可夫链—极大似然估计进行网络演化仿真分析，但ERGMs仅能描述单模网络在内生结构及节点个体属性方面的演化机理；本文所提出的MERGMs能够在描述单模网络演化机理的同时，刻画网络间关系对于网络演化的影响，因此可以更好地揭示网络形成机理，具有很好的适用性，可将该算法推广至其他产业进行应用。

3 结论

技术融合为突破产业发展的技术瓶颈、实现技术的突破式创新提供解决方案，有助于企业创造新产品满足市场需求并获取经济利润，也有助于提升国家科技创新水平。本文从技术融合的机理研究出发，分3个阶段构建技术融合多层网络模型，从技术特征、组织的技术特征及组织的关系特征3个层面分析其对于人工智能领域跨界技术融合的影响，结果表明：1)人工智能领域融合创新网络的规模逐渐扩大主要表现为组织节点的增多，即进入人工智能领域的组织增加，但是产业中的技术门类变化较小，技术融合多产生于原有技术领域之间。此外，创新合作网络中的中心组织始终未发生变化，国家电网公司始终处于中心地位，但是中心技术却从“G06F电数字数据处理”变为“G06N基于特定模型的计算机系统”，表明人工智能领域的主要研究方向发生了转移。2)技术特征、组织的技术特征、组织的关系特征均会对人工智能跨界技术融合产生影响，但在不同的时间段，三方面作用的效果有所不同。在技术特征层面，相似的技术更可能发生融合，已经发生融合的技术会促进新融合的发生；在组织的技术特征层面，组织拥有的共性技术会抑制与其他技术融合的发生，不同组织拥有的技术在第1阶段促进技术融合发生；在组织的关系特征层面：组织间的合作关系在人工智能不同的发展阶段对其技术融合具有不同的作用。组织的“伙伴圈”在3个阶段均抑制与圈外新技术融合的发生。

本文的研究有助于系统性认知技术融合产生过程，所提出的技术融合机理探究框架可以很好地观测人工智能这类新兴领域技术融合的动态发展过程。但本文仍有以下两点不足：1)MERGMs模型可以探究在结构属性、连续属性和分类属性3种属性的共同作用下的网络演化情况，但本文仅加入了网络结构属性进行实证研究；2)模型稳健性检验虽然通过，但还有较大改进空间。因此，在未来的研究中，可以加入其他属性，提高模型稳健性，不断丰富技术融合相关理论研究，为实践中的技术融合提供有价值的参考。