基于神經網絡的深度學習專利分析

趙翠翠

摘 要：深度學習是基于神經網絡發展起來的技術。深度學習以神經網絡為主要模型，一開始用來解決機器學習中的表示學習問題。由于其強大的能力，深度學習越來越多地用來解決一些通用人工智能問題，比如推理、決策等。目前，深度學習技術在學術界和工業界取得了廣泛的成功，受到高度重視，并掀起新一輪的人工智能熱潮。本文利用incopat平臺對利用神經網絡的深度學習進行了專利檢索，并對申請趨勢、申請地域分布、重要申請人及其專利價值度等維度進行分析。

關鍵詞：神經網絡;深度學習;專利分析

引言

深度學習算法模型從應用層面來講，主要分為生成式對抗網絡[1]、卷積神經網絡[2]和循環神經網絡[3]。除此之外，深度學習網絡還包括圖神經網絡、強化學習、元學習、自動化積極學習方面的算法和模型。本文僅對深度學習算法模型中的卷積神經網絡、循環神經網絡和生成式對抗網絡進行檢索，并對檢索結果進行分析。

1申請量分析

圖1中是對國內外神經網絡深度學習技術年增量的統計，從圖1中可以看出，在2014年以前該技術的申請量一直緩慢增長，從2014-2019年之間增長量呈“J”型，并于2019年達到頂峰，年申請量為20742件。從2020年-2021年申請量出現了斷崖式下跌，2021年的申請量僅為10104，比2019年的申請量減少了一半多。

深度學習的申請量大增，這與市場需求以及數據量、計算機的計算能力是分不開的。目前，我們已經進入數字化時代，可以采集到更多的數據，計算機軟硬件的快速發展，使得計算機的計算能力大幅度提高，這為深度學習的發展奠定了基礎。

市場需求促使科研人員的投入，從而使得學術研究重點發生了轉移：近年來計算機相關的各大學術會議在制定學術方向時，已然偏向了神經網絡深度學習領域。

在政策以及市場一片大好的情況下，2020年關于深度學習的申請量為什么會下降，這與深度學習發展的成熟度及遇到的技術瓶頸是分不開的。

在2010年計算機視覺奠基者之一，約翰霍普金斯大學教授Alan Yuille指出深度學習在計算機視覺領域的瓶頸主要有三個：需要大量標注數據;過度擬合基準數據;對圖像過度敏感。

2申請地域分布及申請人排行榜

由圖2.1為神經網絡深度學習國際申請量分布情況，從圖中可以看出截止2021年，中國在神經網絡深度學習領域的申請量位居第一，美國的申請量位居第二，中國在神經網絡深度學習方面的申請量遠大于美國，是美國申請量的4倍之多。

從前十五名的申請人可以看出，中國的大專院校占了9個;其中電子科技大學和華南理工大學分別位于第一和二位。前十五名中只有五個公司，其中中國的公司占了兩個，分別是平安科技（深圳）有限公司和騰訊科技（深圳）有限公司。其余三個公司為韓國的三星電子公司，位居第9位，專利申請量為519件;美國的IBM公司和谷歌公司分別位于第十二和十三位。

近年來在有關深度學習的國家自然基金項目的扶持下，使各大高校紛紛投入到深度學習的研究中，并產出了大量的科研成果。

3專利成果轉化

專利轉化為成果可以通過專利出資、專利融資、專利實施許可、專利權轉讓方式進行。本文統計了專利實施許可和專利權轉讓數量。

從圖1和圖3.1可知專利轉讓量與專利申請量的變化趨勢相吻合，并隨著專利申請量的大增，專利轉讓量也呈現了“J”型增長趨勢。專利轉讓量并于2019年達到頂峰，專利轉讓量為3037件，到2021年的專利轉讓量下降到1595件。

轉讓人前十名中，中國的申請人只用兩個，分別是阿里巴巴和先進創新技術有限公司，其余均為國外的公司。申請人排名前十中中國的大專院校占了七個，但專利轉讓人排名的前十中，居然沒有中國大專院校的身影。足以說明中國大專院校的專利申請量之大，但專利成果轉化率之低。

從2015-2018年之間專利許可量僅為3件，從2018-2021年雖然呈現增長趨勢，但專利許可的增長量并不顯著，專利許可量有限，2021年的專利許可量僅為48件，截至到2021年專利許可量的總件數為100件。

通過專利轉讓進行專利轉化的成果還是很顯然的，但通過專利許可進行專利轉化的成果不高。在神經網絡深度學習領域，中國的大專院校的申請量在中國是很多的，但是沒有很好的進行成果轉化。

專利成果轉化有助于將技術滲透到產品制造及產業運行的各個環節，可以整體提升產業運行效率及產業競爭力。希望國家和政府能落實好政策，鼓勵和促進企業及高校的專利進行成果轉化。

4結語

本文從神經網絡深度學習的三個網絡模型入手，進行了專利檢索和分析，通過分析可知，全球都致力于神經網絡深度學習的研究中，中國的對于神經網絡深度學習的申請量是很大的。但是成果轉化率卻很低，希望中國的高校和企業重視專利成果的轉化。

參考文獻：

[1] Goodfellow I，Bengio Y，Courville A. Deep learning[M]. Cambridge，USA： MIT Press，2016.

[2] 周飛燕，金林鵬，董軍. 卷積神經網絡研究綜述[J]. 計算機學報，2017，40（ 6） ： 1229 - 1251. Zhou F Y，Jin L P，Dong J. Review of convolutional neural network[J]. Chinese Journal of Computers，2017，40（ 6） ： 1229 - 1251.

[3]劉禮文;俞弦;循環神經網絡（RNN）及應用研究[J];、科技世界;2019年第32期