基于文獻計量的中國人工智能研究知識圖譜分析

孫 杰，佟澤華，姜子元，師聞笛，劉曉婷，薛曉娜

(山東理工大學 科技信息研究所, 山東 淄博 255049)

人工智能(Artificial Intelligence，AI)自1956年首次被提出以來，在中國的發展曲折坎坷，幾經沉浮[1]。隨著云計算能力的提升、核心算法的突破、海量互聯網大數據的支撐以及投資力度的加大，人工智能迎來了新紀元[2]。近些年，人類不斷在科技前沿取得重大突破，人工智能成為智能時代全球科技的焦點和世界各國競爭的關鍵賽場。為保障國家安全和提高國際競爭力，抓住人工智能這一“彎道超車”的戰略機遇，自2015年開始，中央先后頒布了《中國制造2025》《國務院關于積極推進“互聯網+”行動的指導意見》《新一代人工智能發展規劃》等一系列政策，將人工智能上升至國家戰略層面。為了更好地發展人工智能，必須認知其目前的發展狀況，在此基礎上對其未來發展方向做出準確判斷，助力產業健康發展。

本研究數據來源于中國知網(CNKI),使用CitespaceV、SPSS等軟件，整理分析2008—2017年人工智能研究的期刊資料，運用文獻計量學方法進行數理分析，期望提高公眾認知，助力人工智能研究。

1 研究方法與數據來源

1.1 數據來源

本研究數據均從中國知網(CNKI)數據庫檢索獲得，采用高級檢索方式，檢索式確定為“主題=人工智能”(精準匹配)，來源限定為核心期刊、EI來源期刊、SCI來源期刊、CSCD、CSSCI，同時發表時間限定在2008—2017年。檢索結果共有9 102條，為了保證數據具有代表性和準確性，經過辨別、去重、整理得到數據8 153條。

1.2 研究方法與工具

本文以文獻計量學為基礎，運用數理統計方法，客觀地描述和總結我國人工智能的研究現狀和未來發展趨勢。首先使用SPSS對2008—2017年的各年度期刊文章進行描述性統計，揭示近10年人工智能論文發表數量和發表時間的變化關系和趨勢。同時基于JAVA環境，使用陳超美教授開發的CitespaceV進行可視化分析，以作者、機構、期刊等為研究變量繪制知識圖譜，呈現目前我國人工智能研究的發展狀況，并對關鍵詞、突現詞等進行分析，發現該領域的研究進展和前沿熱點。

2 國內人工智能研究的時空知識圖譜

2.1 國內人工智能研究的時間分布

學術論文數量的時間序列變化可以作為衡量某一領域研究的重要指標，發文量時間分布圖可以直觀地反映不同時期該領域的研究熱度[3]。本文使用SPSS軟件對CNKI檢測到的2008—2017年(其中增加了截至2018年9月份已發表)每年的論文數量進行統計分析，繪制了不同年度國內人工智能研究發表論文數量變化曲線，如圖1所示。

圖1 人工智能研究論文年度發表分布統計圖

基于科技文獻的增長邏輯曲線[4]分析得知，在2008—2015年之間，國內年均發文量在646～833篇區間波動，說明國內人工智能相關研究處于相對穩定狀態。自2016年開始，人工智能期刊論文的數量開始出現激增態勢，當年增至902篇，2017年突增至1 449篇，此外拓展統計的2018年發文數量達到1 660篇，人工智能的發文量呈現爆炸性增長態勢。綜合分析可知：當前我國人工智能研究正處于文獻增長邏輯曲線的快速發展階段，在此時期，我國有關人工智能的研究將可能產生豐厚的成果，并且可以預估在該領域的文獻數將繼續保持上升趨勢[4]。

2.2 國內人工智能研究高產作者知識圖譜

通過運行Citespace，可以分析得到發文作者分布情況知識圖譜，以此確定在2008—2017年作者發文情況，從而得到在該領域發表論文較多的作者和具有知名影響力的研究學者。美國心理學者Schvaneveldt在1989年提出了神經網絡算法，該方法能夠用來分析數據的相似性，經過該方法修剪處理后，得到了人工智能領域作者知識圖譜，如圖2所示[5]。

圖2 2008—2017年人工智能研究高產作者合作網絡

在該圖譜中共有410個節點，220個連接，網絡密度為0.002 6。圖中作者節點越大，代表出現頻次越多，發文數量相對較多。統計得知，在2008—2017年共有386位學者發表了人工智能領域的研究論文，可見我國在這一領域已經形成了一支較為龐大、穩定的學者隊伍。龐大的隊伍往往能夠捕捉國際研究動向和熱點，具有較強的科研能力，代表并引領我國在人工智能方面的研究前沿[6]。圖中連線表示作者之間的合作強度，其中部分學者團隊之間有一定的合作關系，但整體呈現較分散狀態。這說明我國在人工智能領域的研究學者眾多，但各主體之間的合作較少，并未形成有效的合作關系網絡。

本文運用德里克·普萊斯公式[7]確定人工智能領域高產作者。公式為

式中：M為發表文章的數量;Nmax是統計數據中發表論文最多學者的論文數量，發表M及以上論文量的作者即為高產作者。通過整理統計2008—2017年的8 153篇論文，張明路以23篇居發文量排名首位，因此Nmax確定為23，經過計算得M=3.59，取整得4，即發文量達到4篇及以上為高產作者。經過統計，在386位作者中共有79位發文數量在4篇及4篇以上的，其中發文量最多的4位學者為張明路、王偉、贠超、李斌，均來自機械工程領域，說明我國在機械工程與人工智能融合創新的研究較為突出。同時發文量超過10篇的作者還有高奇琦、王飛躍、劉偉、高峰、張華、喻國明，他們分別來自政治學、計算機軟件及計算機應用、新聞與傳媒、機械工程等領域。比較遺憾的是，知識圖譜中單獨節點較多，節點之間連接較少，說明目前我國在人工智能方面并未形成有效的合作網絡，大多處于獨立研究狀態。

2.3 國內人工智能研究機構知識圖譜

將數據通過CitespaceV軟件進行研究機構知識圖譜的分析，研究機構可以是某個或某些學術群體的代名詞，對研究機構的研究數據進行統計挖掘，可以得到該領域的核心機構，這些機構的動態往往被視為該領域的風向標。

經過調試，得到國內人工智能領域研究機構的知識圖譜，如圖3所示。其中共有316個節點，102個連接，網絡密度為0.002。在統計的8 153篇論文中，共有313個機構在過去10年間積極參與人工智能研究,整理列出論文產出數量排名前22位的機構，見表1。其中中國科學院系統以161篇論文位居第一并遙遙領先，其余的上榜機構大多來自高校。可見，科研院所和高校是目前人工智能知識生產的主要力量。但相比于美國等科技強國公布的數據看，我國企業在人工智能知識生產上整體還比較遜色，在統計的316所機構中僅有科大訊飛股份有限公司、新松機器人自動化股份有限公司、中國移動通信集團有限公司等19家(約占總數6%)來自企業。而目前被公認為中國科技巨頭的BAT(百度、阿里巴巴、騰訊)等企業在科研論文的發表上表現并不突出，而相較于美國的IBM、谷歌、APPLE、微軟等企業在這項指標中則表現突出[2,8]。雖然中國在人工智能方面的應用已經在國際競爭中占據領先地位[9]，但是從科研文獻的成果可見，中國側重AI商業場景應用層的發展，而企業的科研產出較少，大多以“高校-企業”產學研合作的方式推動人工智能的應用落地。

圖3 2008—2017年人工智能研究重要機構知識圖譜

表1 2008—2017年人工智能研究發文量前22位重要機構Tab.1 Top 22 institutes of AI research volume from 2008 to 2017

序號頻次機構序號頻次機構1161中國科學院系統1222上海大學250北京航空航天大學1320南京航空航天大學348上海交通大學1420華東政法大學440中國人民大學1518中國社會科學院539哈爾濱工業大學1618北京師范大學636華南理工大學1717浙江工業大學734清華大學1815山東大學827河北工業大學1915北京科技大學926武漢大學2013浙江大學1025中南大學2113南京大學1122中國農業大學2213合肥工業大學

2.4 國內人工智能研究的期刊分布

核心期刊群為科研人員迅速查找文獻和高效掌握學科前沿動態提供了非常重要的情報源。對刊載人工智能研究的期刊進行分析，有助于更準確地掌握目前人工智能的發展廣度、深度。本文使用SPSS對8 153條數據進行了統計，并統計了刊載國內人工智能研究論文重要期刊的前30位，見表2。

表2 2008—2017年人工智能研究刊載量前30位期刊Tab.2 Top 30 journals in AI research from 2008 to 2017

序號發文量期刊序號發文量期刊1215機床與液壓1673智能系統學報2182機械設計與制造1766計算機應用研究3180制造業自動化1866中國機械工程4154機器人1965計算機測量與控制5144科技導報2061農業機械學報6132計算機工程與應用2157傳感器與微系統7130計算機仿真2257機械工程學報8123農機化研究2356機械科學與技術9102農業工程學報2456計算機工程1099組合機床與自動化加工技術2556計算機應用1195青年記者2655機械傳動1286微計算機信息2752機械設計1381制造技術與機床2851控制工程1477計算機工程與設計2950華中科技大學學報(自然科學版)1574計算機科學3048自動化學報

通過分析期刊分布發現：以人工智能為主題的8 153篇文章，共涉及到1 195種期刊，說明人工智能涉及研究領域較廣，在各期刊中人工智能研究得到普遍支持和重視，并且人工智能正在各領域內實現滲透融合；在1 195種期刊中排名前30位的期刊共發表了2 743篇，占33.6%，這些期刊大多是機械、農業、計算機領域，說明這是過去10年我國人工智能產出成果較多的領域，表明我國人工智能研究的文獻集中，具有相對穩定的期刊來源；同時1 195種期刊的前20%(239種)中共發表了約6 311篇論文，約占統計數據論文總量的77.4%，其他期刊雖然都有研究，但絕對數量有限。由此可見，此次分析結果符合二八定律和長尾理論在文獻計量學上的應用規律[10]。

3 國內人工智能研究的內容分析

在學術論文中，作者通常以關鍵詞的形式將觀點和內容向讀者展示，關鍵詞在一定程度上表征論文的關鍵研究內容[11]，并且在某段時期某一領域出現頻次較高的關鍵詞，往往被視為這一領域的熱點和趨勢，這被稱為詞頻分析法，關鍵詞詞頻是文獻計量分析中的重要指標[12]。

本文使用CitespaceV軟件，將2008—2017年分為10個時間區，網絡節點選擇Keyword。運行軟件得到關鍵詞共現網絡。在圖中圓形節點代表不同關鍵詞，同時軟件根據關鍵詞出現的頻率，使用不同的圓圈大小來表示，不同的光圈分別代表不同的發文年份，圖譜中的網絡節點中心性也是能夠反映核心問題的關鍵指標。經過修剪調整，得到我國人工智能研究關鍵詞知識圖譜，如圖4所示。

圖4 2008—2017年人工智能研究關鍵詞共現知識圖譜

運行后得到的結果為197個節點，676個連接，網絡密度為0.035，較其他共現網絡結果更為可觀。其中以專家系統、機器人、計算機視覺、路徑規劃、大數據、神經網絡、知識工程、圖像處理、遺傳算法、深度學習、機器視覺等為核心關鍵詞的結構緊湊，密度較高，說明在這幾方面的研究比較熱門和深入。但整體來講，人工智能作為未來科技發展的重要戰略方向，其發展應當深入融合到更多領域。

通過統計高頻關鍵詞，可以將人工智能的發展從兩個維度進行分析，即技術維度和產品維度。深度學習、控制系統、神經網絡、數據挖掘等關鍵詞說明在技術維度上我國人工智能的研究精力主要投入在算法層面，而硬件方面的基礎性研究投入較少，譬如芯片等高端智能制造技術的相關研究較少；產品維度則主要分為終端產品和行業垂直應用，譬如機器人、智能駕駛、智能制造、無人機等熱點關鍵詞出現頻次較高，說明我國目前人工智能行業主要集中在終端產品上，同時在“AI+”的產業垂直服務上，關鍵詞中出現了智慧電網、智慧醫療、智慧物流、虛擬現實、區塊鏈、智慧金融等，但出現頻率不高，說明人工智能與各重要領域的融合應用研究應繼續深入，跨學科融合有待進一步加強。

盡管關鍵詞共現網絡能夠為我們展示研究熱點，但這并不能等同于研究前沿。陳超美教授指出，研究前沿是在某段時期內出現頻率迅猛上升的突現詞[13]。因此，需要利用Citespace V來檢測關鍵詞的突變性，把短期內頻次迅速增長的詞匯分析出來，突現詞的動態變化特性和時間分布能夠較大程度地展示人工智能研究前沿和發展趨勢。選擇Keyword為網絡節點，設置詞語類型為Burst Terms，閾值選擇Top 50，點擊運行，得到的關鍵詞突現見表3。

基于人工智能關鍵詞頻次和突現情況，本文將人工智能的發展分為三個階段，即基礎起步階段(2013年前)、穩定發展階段(2013—2016年)、發展熱潮階段(2016年—目前)。

在第一階段中，人工智能的研發尚處于基礎科研階段，多以計算機學科成果展示出來，例如受Hinton提出深度學習[14](Deep learning)的影響，我國開始出現神經網絡、專家系統和遺傳算法等研究熱潮，同時數據的采集、挖掘、分析、共享，網絡通訊，傳感器等領域的技術不斷發展，并分化出了計算機視覺、語音處理、自然語言處理、規劃決策系統等技術方向。此階段的技術沉淀為日后智能物流、智慧農業、智能醫療等新興產業的迅速崛起積蓄了力量。

在第二階段中，人工智能的發展得益于我國國家層面對人工智能產業的大力扶持，期間出臺了一系列國家政策，明確提出加快發展新一代科技信息，將人工智能上升至國家重要戰略層面。在這一階段中，以物聯網、大數據、信息安全等為核心主題。此外，人工智能發展的驅動力開始從基礎設施建設轉向了信息技術發展，大數據成為推動人工智能發展的新興力量。并且，人工智能領域的研究開始逐步落地應用，產生了如圖像識別、圖像理解、視頻識別、語音識別、語義理解、語音合成等具體技術。

在第三階段中，David Silver創造性地把深度學習和強化學習融合起來，研制出的AlphaGo打敗了人類圍棋高手，人工智能被廣泛熱議，其發展進入全推進時期。在此階段中，關鍵詞共現網絡趨于復雜，物聯網、云計算、大數據、虛擬現實等新技術成為保證其發展的中堅力量，并且相關產業發展日漸成熟，在制造、物流、農業、金融、商務、醫療等行業實現了“AI+”的融合創新，自動駕駛、智能醫療、智能投顧、虛擬現實和增強現實等成為研究焦點，并逐步建立起人工智能產業體系，新技術新應用在實體經濟中開始落地，加速了落后動能的淘汰。研究發現，隨著對人工智能的更全面認識，在《新一代人工智能發展規劃》中倫理一詞詞頻達到15次。可見在人工智能迅速爆發之后，關于人工智能倫理、法律、社會經濟、監管治理、隱私安全等成為了關注的重點問題。知識產權和產權保護越來越得到學者的重視，我國人工智能研究的視野也更加國際化。

表3 2008—2017年人工智能研究突現詞Tab.3 Burst terms in AI research from 2008 to 2017

突現詞突現率起始年驟減年突現時間可視化(2008—2017)專家系統9.09620082009▃▃▂▂▂▂▂▂▂▂遺傳算法9.07420082009▃▃▂▂▂▂▂▂▂▂神經網絡9.03120092010▂▃▃▂▂▂▂▂▂▂多機器人系統6.26120082010▃▃▃▂▂▂▂▂▂▂蟻群算法6.25220082009▃▃▂▂▂▂▂▂▂▂知識工程5.75720082009▃▃▂▂▂▂▂▂▂▂粗糙集5.75120092010▂▃▃▂▂▂▂▂▂▂模糊控制5.49520082010▃▃▃▂▂▂▂▂▂▂路徑規劃5.23820082009▃▃▂▂▂▂▂▂▂▂物聯網5.16720152017▂▂▂▂▂▂▂▃▃▃模式識別4.88220082009▃▃▂▂▂▂▂▂▂▂滑模控制4.82720082009▃▃▂▂▂▂▂▂▂▂故障診斷4.69120082010▃▃▃▂▂▂▂▂▂▂軌跡跟蹤4.43720082009▃▃▂▂▂▂▂▂▂▂自然語言理解4.43720082009▃▃▂▂▂▂▂▂▂▂計算機應用4.43720082009▃▃▂▂▂▂▂▂▂▂虛擬現實4.42520152017▂▂▂▂▂▂▂▃▃▃模式分類4.29920082010▃▃▃▂▂▂▂▂▂▂智能裝備4.27120142015▂▂▂▂▂▂▃▃▂▂知識表示4.16920092010▂▃▃▂▂▂▂▂▂▂plc4.16920092010▂▃▃▂▂▂▂▂▂▂逆運動學3.99220082009▃▃▂▂▂▂▂▂▂▂智能制造3.69020142015▂▂▂▂▂▂▃▃▂▂同時定位與地圖創建3.67120092014▂▃▃▃▃▃▃▂▂▂bp神經網絡3.61320082014▃▃▃▃▃▃▃▂▂▂

人類認知和科技的突破都是呈螺旋式上升發展的，從人工智能發展歷史看，經歷了幾代熱潮，人工智能的發展可能還會遇到沉寂時期，直到新的突破，未來的研究將從全信息環境發展到模糊資料與不完全信息環境的生存，再到自我意識的創造，人工智能的發展還有較長的路[15]。

4 結束語

4.1 結論與預測

本文使用Citespace、SPSS等軟件，對CNKI中2008—2017年收錄的人工智能文獻進行了研究，繪制了高產作者、研究機構和關鍵詞的知識圖譜及突現詞表。綜合本文，得到以下結論：

1)從國內人工智能研究的發文時間分布來看，人工智能已進入高速發展階段。2008—2018年我國人工智能研究的論文產出量總體保持較高水平，并在2016年開始呈現爆發式增長，近年來人工智能研究非常熱門，并且研究成果豐富。作為國家戰略性產業和橫斷性學科，人工智能的研究已經滲透到各行各業，未來發展前景廣闊，預計未來幾年人工智能研究將繼續升溫，論文產出量將繼續攀升。

2)從期刊分布、研究機構、研究學者來看，人工智能研究呈現出三大均衡性問題。人工智能受到各領域研究學者重視，論文分布涉及1 195種期刊，達到足夠的廣度，但30%左右的文論集中在機械、農業、計算機領域，可見其他領域研究深度不夠。一方面人工智能研究機構主要集中在以“中國科學院系統”為領頭羊的高校與科研機構，科創企業的知識產出較少；另一方面研究學者和團隊百花齊放，百家爭鳴，但各自為陣，高度離散。因此，各領域研究學者應當加強跨學科交流合作，各取所長，企業與研究機構應當加強產學研協同合作，充分發揮技術、資本、市場的力量。人工智能作為以創新為基本特征的新一代高科技術，決定了其科研選題極為重要，科研學者和機構只有加強交流合作才能避免重復研究和浪費財力物力智力資源。

3)從關鍵詞知識圖譜和文獻內容分析，給出了4點總結和預測。醫療、物流、城市、金融、汽車等行業關鍵詞的出現，說明人工智能開始在更多領域深入滲透，越來越多的行業將擁抱人工智能技術，尤其服務行業將迎來新變革，因此“人工智能+”有望成為未來發展新生態模式；我國在語音識別、計算機視覺、圖像處理、無人駕駛、無人機等應用層面積累了較強的技術儲備，根據未來產學研合作深入和資本力量推進的預期，有望出現大批新科創公司，人工智能領域可能產生更多獨角獸企業；將關鍵詞歸類發現，我國在終端產品研發和行業應用的研究成果較多，但基礎性科學研究基礎并不牢靠，具有突破性、原創性、引領性的研究成果屈指可數[16]，基礎層研究的薄弱可能造成我國人工智能發展后力不足；倫理道德、隱私安全、知識產權和產權保護是我國人工智能研究需要破解的新障礙。

4.2研究展望

本文再現了我國人工智能領域研究的現狀、熱點與前沿，具有一定參考意義與實際價值。但本文觀點仍存在一定的局限性，在后續的研究中將從以下兩個方面改進：首先，熟練掌握多種知識圖譜分析工具以擴展分析視角，如進一步借助Bibexcel、HiteCite、Ucinet、NWB Tools等軟件；其次，后續研究中將進一步豐富數據來源，如增加對專利、學位論文、會議論文、重要的報紙論文等的統計與分析，從而幫助研究提供更全面的分析。