動態(tài)多維網(wǎng)絡視角下人工智能技術創(chuàng)新演化路徑研究*

■ 武慶圓 何凌南 胡家華

1.廣東金融學院互聯(lián)網(wǎng)金融與信息工程學院 廣州 510521

2.中山大學傳播與設計學院 廣州 510079

3.北京師范大學珠海分校管理學院 珠海 519085

0 引言

技術演進路徑是指特定領域在特定的經(jīng)濟、技術變量的約束下，依據(jù)一定的技術方式進行技術創(chuàng)新努力的可行路徑，是多維空間中一組可能的技術成長路徑[1]。由于技術自產(chǎn)生之日起，有些技術就不斷發(fā)展成熟并獲得廣泛應用，而有些技術會因種種原因淘汰甚至消亡。如果從國家、企業(yè)到研究團體等能夠前瞻性、預見性地了解特定技術領域的演進路徑，可幫助創(chuàng)新主體提高競爭效率，在市場競爭中獲得較高的經(jīng)濟收益和市場份額，從而贏得更多的競爭優(yōu)勢。在全球范圍，中國的創(chuàng)新技術水平尚未具備足夠的競爭力[2]，如何輔助創(chuàng)新主體快速找到特定技術領域的技術機會、技術空白點，刻畫特定技術的演進路徑具有重要的研究價值。因此，本文旨在研究創(chuàng)新技術領域演進路徑的有效方法與模型。

技術演進路徑的相關研究大多基于某一類關系的單維關系網(wǎng)絡，如專利主體引用關系、專利分類號的共現(xiàn)關系等，而學者已發(fā)現(xiàn)單維關系網(wǎng)絡的研究局限性和不足。Li等指出在專利文獻中存在多個引用主體，導致專利的引證關系存在重復雜性[3]。彭帥等利用專利和論文之間的引用關系來測量技術對于科學的依賴程度[4]。郭思月等指出利用語義引用能夠更好地挖掘出有價值的技術情報[5]。Madani等揭示傳統(tǒng)的引證關系的弊端和局限性，提出基于語義層面分析隱性的知識價值[6]。孫冰等探討了傳統(tǒng)引用網(wǎng)絡的局限性，通過引入網(wǎng)絡拓撲結構，能夠更加科學、精準地識別技術演進和核心企業(yè)[7]。李睿等論述了傳統(tǒng)的被引用頻次等指標的局限性，提出了多個維度的指標衡量體系[8]。與此同時，為了彌補和改進上述不足，有學者利用動態(tài)網(wǎng)絡分析方法構建具有多重屬性關系的異構網(wǎng)絡并對相關技術產(chǎn)業(yè)展開實證研究，如姜春林等以OLED 技術領域相關專利為數(shù)據(jù)源,建立多重屬性節(jié)點的技術創(chuàng)新網(wǎng)絡并對其網(wǎng)絡測度分析[9]。楊仲基等以中國石墨烯產(chǎn)業(yè)為樣本，利用動態(tài)網(wǎng)絡分析方法對其專利合作網(wǎng)絡特征及演化態(tài)勢展開研究[10]。葉琴以東營市石油裝備企業(yè)申請專利與合作專利數(shù)據(jù),探討多維鄰近對東營市石油裝備制造業(yè)創(chuàng)新網(wǎng)絡演化的影響[11]。

梳理上述文獻發(fā)現(xiàn)，單維網(wǎng)絡可用于快速發(fā)現(xiàn)、刻畫核心、關鍵團體，但其單一、靜態(tài)、單模的視角不夠全面、動態(tài)地反映產(chǎn)業(yè)技術的演化程度，在研究現(xiàn)狀、演化、特征等方面存在局限。多維網(wǎng)絡一定程度上可以更全面地解釋網(wǎng)絡的潛在價值和信息。本文在動態(tài)網(wǎng)絡分析方法的基礎上，聚焦人工智能高新技術型戰(zhàn)略產(chǎn)業(yè)，以其專利數(shù)據(jù)為研究樣本，利用時態(tài)變化視角，構建出多層多維網(wǎng)絡的體系方法，使其不僅可以全面、精準地反映特定產(chǎn)業(yè)的演化過程，還能為創(chuàng)新主體開展相關工作提供重要的決策依據(jù)。具體而言：首先，構建多維網(wǎng)絡，測算多類中心性指標集，分析人工智能領域的技術創(chuàng)新主體、技術創(chuàng)新領域的總體演化態(tài)勢；其次，從時間動態(tài)變化視角下，有效劃分人工智能的發(fā)展歷程，研究不同時態(tài)下技術創(chuàng)新主體、創(chuàng)新領域的演化特點及共性，進而從宏觀、微觀層面全面揭示人工智能產(chǎn)業(yè)創(chuàng)新網(wǎng)絡的演化態(tài)勢，為有效推動創(chuàng)新協(xié)同、提高競爭效率提供參考。

1 動態(tài)網(wǎng)絡分析演化測度模型

1.1 基于專利的動態(tài)網(wǎng)絡分析元矩陣構建

卡耐基梅隆大學的Carley 教授提出了融合傳統(tǒng)社會網(wǎng)絡分析、關聯(lián)分析、多智能系統(tǒng)分析等方法的動態(tài)網(wǎng)絡分析理論（Dynamic Network Analysis，簡稱DNA）及分析軟件[12]。該方法體系能夠構建不同類型的元矩陣，分析多種類型數(shù)據(jù)網(wǎng)絡中各節(jié)點的位置和變化，具有強大的可視化功能。具體而言，其元矩陣的構建可以從人、知識、組織、事務、地域位置等交叉構建，本研究將專利數(shù)據(jù)中的屬性進行歸類（詳見表1），如專利權人作為主體（Agent）、以國際專利分類號（IPC）作為知識（Knowledge）、以國家作為地域（Location）等，根據(jù)各維度之間的合作、共現(xiàn)、附屬關系等構建多重技術創(chuàng)新網(wǎng)絡如下：（1）主體合作網(wǎng)絡（Agent *Agent，簡稱AA）；（2）知識共現(xiàn)網(wǎng)絡（Knowledge * Knowledge，簡稱KK)；（3）主體*知識關聯(lián)網(wǎng)絡（Agent*Knowledge，簡稱AK）。

表1 基于動態(tài)網(wǎng)絡分析的創(chuàng)新網(wǎng)絡演化測度表

1.2 3類網(wǎng)絡中心性指標計算公式描述

本文采用的網(wǎng)絡中心性指標集包括：權威中心性（Authority Centrality，簡稱AC）、中介中心性（Between‐ness Centrality，簡稱BC）、接近中心性（Closeness Cen‐trality，簡稱CC）。其中，權威中心性可用于發(fā)現(xiàn)核心團體、中介中心性可用于發(fā)現(xiàn)關鍵團體、接近中心性可用于發(fā)現(xiàn)潛在的核心技術團體。我們進一步介紹每類指標的計算公式，如下所示：

在權威中心性的計算中，對一個矩形網(wǎng)絡的鄰接矩陣G，首先計算G’*G，其中G’為G的轉置矩陣，然后通過Jacobi 方法得到其特征值和特征向量，最后將最大特征值對應的特征向量作為特征向量中心性，如下所示：

在中介中心性的計算中，令G=(V,E)是某個網(wǎng)絡的圖表示，其中V為節(jié)點集合，E為邊的集合。令n=|V|，即圖G中的節(jié)點數(shù)量為n。對于特定的節(jié)點vεV，該節(jié)點的中介中心性的計算公式如下：

上式中，u和w是節(jié)點集合V中的兩個節(jié)點，nG(u,w)為圖G中從u到w的最短路徑長度。如果(u,w)∈E，則令nG(u,w)=1。此外，集合S的定義如下：

在接近中心性的計算中，令G=(V,E)是某個網(wǎng)絡的圖表示，其中V為節(jié)點集合，E為邊的集合。對于特定的節(jié)點v∈V，該節(jié)點的接近中心性計算公式如下：

其中，給定所有從v不能到達的節(jié)點i：

2 人工智能產(chǎn)業(yè)技術演化態(tài)勢基本統(tǒng)計分析

人工智能（Artificial Intelligence,AI）亦稱機器智能，是指由人制造出來的機器所表現(xiàn)出來的智能[13]。從1956年被首次提出以來，人工智能的發(fā)展幾經(jīng)沉浮，在近十年里迎來了技術質的飛躍。人工智能作為引領人類未來的戰(zhàn)略性技術，在引發(fā)科技、產(chǎn)業(yè)和社會變革方面具有巨大潛力，2021年頒布的《國民經(jīng)濟和社會發(fā)展第十四個五年規(guī)劃和2035年遠景目標綱要》提出，要在事關國家安全和發(fā)展全局的基礎核心領域，制定實施戰(zhàn)略性科學計劃和科學工程。瞄準人工智能等前沿領域，實施一批具有前瞻性、戰(zhàn)略性的國家重大科技項目[14]。專利創(chuàng)新是衡量技術創(chuàng)新態(tài)勢、發(fā)現(xiàn)技術創(chuàng)新機會的重要指標之一，是研究創(chuàng)新產(chǎn)業(yè)技術發(fā)展的重要數(shù)據(jù)基礎。

本文立足于人工智能領域的專利數(shù)據(jù)，數(shù)據(jù)全部來源德溫特專利數(shù)據(jù)庫，通過從專業(yè)文獻中提取關鍵詞并向領域內的專家征求意見，對關鍵詞進行修正，確定最終的檢索式為：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*")。

獲取1996～2020年有效專利數(shù)據(jù)55154 條。參考人工智能領域相關的專利分析報告，本文以5年為1 個子階段將時間劃分為5 個階段并驗證了其有效性：1 階段（1996～2000），2階段（2001～2005），3階段（2006～2010），4階段（2011～2015），5階段（2016～2020）。

2.1 多重屬性的數(shù)量分布分析

本文研究中，專利數(shù)據(jù)中的專利權人用于表示人工智能產(chǎn)業(yè)中的技術創(chuàng)新主體，IPC 用于表示該產(chǎn)業(yè)中的技術創(chuàng)新領域，通過對專利權人、IPC、地域的分布統(tǒng)計，發(fā)現(xiàn)維度的數(shù)量級雖有所差異，但數(shù)量的趨勢變化基本保持一致，基本在2013、2014、2015年出現(xiàn)的明顯的拐點變化（詳見圖1）。

圖1 多重屬性的數(shù)量變化趨勢圖

在數(shù)量頻次統(tǒng)計分布中（詳見表2），可現(xiàn)專利權人多數(shù)為企業(yè)等組織機構且大多數(shù)公司隸屬于日本、美國等地，而分類號主要集中于G、H、A等領域。

表2 技術創(chuàng)新主體、技術創(chuàng)新領域數(shù)量統(tǒng)計表（前20名）

2.2 多重屬性的差異性、相關性比較分析

通過方差分析與Pearson 相關分析發(fā)現(xiàn)不同屬性間存在顯著的相關性（詳見表3），IPC、專利權人、地域分布均隨著時間的發(fā)展和變化，呈現(xiàn)顯著的正相關關系。同時，專利權人、IPC、地域在5個時間段中均呈現(xiàn)明顯的差異性。

表3 基于方差分析與Pearson相關分析的多重屬性統(tǒng)計表

2.3 多重屬性的共現(xiàn)行為比較分析

多重屬性的共現(xiàn)行為包括技術主體的合作行為、技術領域的共類行為等，對共現(xiàn)行為的刻畫是研究技術產(chǎn)業(yè)演化的重要方式之一，通過多因素方差分析發(fā)現(xiàn)（詳見表4）合作、共類行為在時間維度的分布中沒有明顯的差異性，但在合作、共現(xiàn)程度上存在明顯的差異性。

表4 多因素方差分析的創(chuàng)新主體、創(chuàng)新領域共現(xiàn)行為分析表

通過多維統(tǒng)計分析發(fā)現(xiàn)，人工智能技術產(chǎn)業(yè)總體呈現(xiàn)基本的發(fā)展態(tài)勢：第一，人工智能產(chǎn)業(yè)的創(chuàng)新進程在全球范圍內進一步拓寬；第二，技術創(chuàng)新主體、創(chuàng)新領域已形成明顯的集中現(xiàn)象；第三，不同時間階段下，人工智能領域的發(fā)展具有明顯差異；第四，融合分布上，創(chuàng)新主體間的合作行為，創(chuàng)新領域的共現(xiàn)行為呈現(xiàn)明顯差異。在后文中，本文進一步從網(wǎng)絡視角解釋該技術領域的宏觀、微觀的動態(tài)演化態(tài)勢及特性。

3 人工智能技術創(chuàng)新網(wǎng)絡演化態(tài)勢分析

本節(jié)首先從多層網(wǎng)絡視角下，刻畫人工智能總體宏觀演化態(tài)勢；進而結合時間動態(tài)視角刻畫該技術領域具體的演化態(tài)勢和特性。

3.1 多層網(wǎng)絡視角下人工智能領域技術宏觀演化態(tài)勢分析

3.1.1 多層網(wǎng)絡視角下技術創(chuàng)新主體宏觀演化態(tài)勢分析

基于AA網(wǎng)絡、AK網(wǎng)絡構建下測算多類中心性指標集用于反映核心技術創(chuàng)新主體、關鍵技術創(chuàng)新主體的分布態(tài)勢，便于全面刻畫技術主體的總體演化態(tài)勢。本文統(tǒng)計不同網(wǎng)絡中高于指標平均值的節(jié)點分布（詳見表5），其中，1表示出現(xiàn)，0表示未出現(xiàn)。各類網(wǎng)絡中接近度測算均無高于平均值的節(jié)點，暫無展示。

表5 多層網(wǎng)絡多類指標下的技術創(chuàng)新主體排名分布表

AA 網(wǎng)絡中人工智能領域中核心節(jié)點和關鍵節(jié)點的重復主體較少，核心技術主體主要集中于IBM、飛利浦、惠普、松下、摩托羅拉等公司，大多企業(yè)主要集中于日本、美國、中國等國家。而關鍵技術主體主要集中于IBM、松下、谷歌、微軟、三星、騰訊、清華大學等機構，核心節(jié)點和關鍵節(jié)點之間的重合率較低有且僅有：IBM、微妙、中國電力即是核心又是關鍵節(jié)點。在AK 網(wǎng)絡中，企業(yè)主要集中于富士、佳能、三菱、蘋果、豐田、AT&T 知識產(chǎn)權公司、百度、臉書等。在不同網(wǎng)絡中，IBM、英特爾、松下、東芝、谷歌、三星、微軟等是人工智能領域技術演化的核心領域，結合技術領域分布發(fā)現(xiàn)IBM 公司在人工智能領域內涉及到82 個不同子行業(yè)領域。富士、三星、OPPO 在單維網(wǎng)絡的核心技術主體地位沒有非常突出，但在多維網(wǎng)絡中的技術領域涉足的廣度、深度上較為突出。富士涉及64 個子行業(yè)領域，主要集中于G10L、G06F、G06T、G06K、H04N；三星涉及97 個子行業(yè)領域，主要集中于G10L、G06F、G06N、H04N、H04W；OPPO 公司涉及27 個子行業(yè)領域，主要集中于G06F、G06K、H04N、G10L、H04M。同時，以中國電力為代表的相關的中國機構開始崛起，其技術領域主要涉及58個子行業(yè)領域，技術主要集中于G06Q、G06K、G06F、H04N領域。

3.1.2 多層網(wǎng)絡視角下技術創(chuàng)新領域宏觀演化態(tài)勢分析

基于KK網(wǎng)絡、AK網(wǎng)絡構建下測算多類中心性指標集用于反映核心技術創(chuàng)新領域、關鍵技術創(chuàng)新領域的分布態(tài)勢，便于全面刻畫技術主體的總體演化態(tài)勢。本文統(tǒng)計不同網(wǎng)絡中高于指標平均值的節(jié)點分布（詳見表6），其中，1表示出現(xiàn)，0表示未出現(xiàn)。各類網(wǎng)絡中接近度測算均無高于平均值的節(jié)點，暫無展示。

表6 多層網(wǎng)絡多類指標下技術創(chuàng)新領域排名分布表

統(tǒng)計發(fā)現(xiàn)A、B、G、H 類是人工智能領域核心區(qū)域，而G 類是傳統(tǒng)核心領域，A、B 類是人工智能涌現(xiàn)的新興領域。其中，B25J、G06F、G06K、G06N、G06Q、G06T、G10L、H01L、H04N 均是核心、關鍵技術創(chuàng)新領域，其主要涉及B 類的機械與裝有操縱的容器領域；G 類的計算模型，數(shù)據(jù)識別，數(shù)據(jù)處理，涉及商業(yè)、金融、管理監(jiān)督等系統(tǒng)的內容；語音分析、語音識別或聲音處理技術；電通信、圖像融信技術等。而關鍵非核心技術的主要集中于A61K、B01D、B01J、C12N、C08L、G01N、G01B、G02B、H05K 領域，主要涉及醫(yī)用、牙刷或梳妝配制品；物理化學方法；微生物、酶、變異遺傳工程；測試、測量技術；及HO5K階段的印刷電路；電設備的外殼或結構零部件；電氣元件組件的制造。由此可見，電數(shù)字數(shù)據(jù)處理，數(shù)據(jù)識別、一般的圖像數(shù)據(jù)處理或產(chǎn)生、語音識別，圖像通信，數(shù)字信息的傳輸、基于特定計算模型的計算機系統(tǒng)、無線通信網(wǎng)絡、數(shù)據(jù)處理系統(tǒng)或方法等依舊是技術領域的傳統(tǒng)核心領域，但多維網(wǎng)絡分析中還涌現(xiàn)出無線通信網(wǎng)絡，數(shù)據(jù)處理系統(tǒng)或方法等兩類新興的技術子領域。

3.2 時態(tài)變化下人工智能技術微觀演化趨勢分析

3.2.1 人工智能技術創(chuàng)新主體微觀演化態(tài)勢分析

（1）AA網(wǎng)絡下技術創(chuàng)新主體的微觀演化態(tài)勢分析

在核心技術主體的涌現(xiàn)和融合中（詳見表7），從1996～2010年，我們發(fā)現(xiàn)IBM、飛利浦占據(jù)人工智能領域的核心技術主體位置，處于類似的節(jié)點狀態(tài)的公司還有惠普、松下、摩托羅拉、日本電氣股份有限公司等。2011～2020年，新核心技術主體開始涌現(xiàn)，如：谷歌、國家電網(wǎng)等公司機構。

表7 基于5個時間階段的AA網(wǎng)絡技術創(chuàng)新主體排名分布表

在關鍵團體的分布中，英特爾、IBM 始終處于核心，關鍵節(jié)點位置，個體中的LI Y、ZHANG L 均是關鍵節(jié)點，微軟、國家電網(wǎng)均有突出表現(xiàn)，但索尼、東芝公司在1995-2010年前處于關鍵節(jié)點位置后續(xù)再無突出表現(xiàn)。值得關注的是騰訊公司、清華大學有突出表現(xiàn)。

（2）AK網(wǎng)絡下技術創(chuàng)新主體的微觀演化態(tài)勢分析

技術領域的涉足廣度和深度上，富士、IBM、三星、索尼表現(xiàn)非常突出；2016～2020年，谷歌、美國通用電氣公司、北京航空航天大學、南京郵電大學、華南理工大學、西安電子科技大學、浙江大學等表現(xiàn)較為突出（詳見表8）。在多維網(wǎng)絡的分析中，大量的高校科研機構會參與到技術融合和交叉的探索中，這在一定程度上符合知識創(chuàng)新的基本規(guī)律，先理論創(chuàng)新再演化為技術創(chuàng)新。

表8 基于5個時間階段的AK網(wǎng)絡技術創(chuàng)新主體排名分布表

綜上所示，在人工智能領域技術主體的核心，關鍵團體的融合演化過程中，我們發(fā)現(xiàn)人工智能領域的領頭企業(yè)的核心，關鍵位置較為穩(wěn)固，如IBM 公司等，在第二梯隊的技術主體上，技術主體的融合演化過程變化較為頻繁，如松下、摩托羅拉的核心地位開始被谷歌等取代。而高校等科研結構大多處于技術創(chuàng)新的關鍵連接節(jié)點位置。

3.2.2 人工智能技術創(chuàng)新領域微觀演化態(tài)勢分析

（1）KK網(wǎng)絡下技術創(chuàng)新領域微觀演化態(tài)勢分析

核心技術在過去幾十年的發(fā)展融合過程中未有發(fā)現(xiàn)大規(guī)模對于傳統(tǒng)核心領域的迭代現(xiàn)象（詳見表9），但作為涌現(xiàn)出大量的新興技術開始有規(guī)模的融入人工智能領域，如在時間維度的第1階段中，關鍵技術領域主要集中在A61K、G01B、G01N 等，在時間維度的第5 階段中，關鍵技術領域主要集中在C12N、A61B、G06N、B25J等。

表9 基于5個時間階段的KK網(wǎng)絡技術創(chuàng)新領域排名分布表

關鍵技術領域主要集中在物理、運輸、化學、電學領域，其中物理最多、運輸,化學次之、電學最少，可以看出在關鍵節(jié)點的發(fā)現(xiàn)中，化學類取代了人類生活必需類，其是連接不同技術領域的關鍵節(jié)點。具體而言，電數(shù)字數(shù)據(jù)處理,數(shù)據(jù)識別，一般的圖像數(shù)據(jù)處理或產(chǎn)生，語音分析或合成，圖像通信在20多年的發(fā)展過程中始終處于關鍵融合節(jié)點位置，在2010年～2020年發(fā)展中，如微生物或酶，無環(huán)或碳環(huán)化合物，使用無機物或非高分子有機物作為配料，數(shù)字信息的傳輸，機械手，數(shù)據(jù)處理系統(tǒng)或方法等技術開始融入人工智能領域。

（2）AK網(wǎng)絡下技術創(chuàng)新領域微觀演化態(tài)勢分析

根據(jù)AK 網(wǎng)絡下技術創(chuàng)新領域時態(tài)演化趨勢分布（詳見表10），可見多數(shù)技術創(chuàng)新領域之間有所重疊，G06依舊是核心技術領域。

表10 基于5個時間階段的AK網(wǎng)絡技術創(chuàng)新領域排名分布表

另外，可見H04M、H05K 在AK 網(wǎng)絡中心位置主要突出在1個時間階段，但隨著人工智能領域交叉學科、新興學科數(shù)量和速度不斷加快，其領域的中心性地位在后續(xù)的時間態(tài)勢中沒有進一步凸顯。

4 結論與建議

4.1 研究結論及貢獻

從動態(tài)、多維網(wǎng)絡視角展開研究，對人工智技術進行宏微觀、縱橫向全面比較分析發(fā)現(xiàn)，日本、美國依舊是該領域的核心技術優(yōu)勢國家，中國在人工智能領域開始展露頭角，通過對該領域技術創(chuàng)新主體、技術創(chuàng)新領域演化態(tài)勢的分析，發(fā)現(xiàn)如下態(tài)勢：

（1）技術創(chuàng)新主體演化態(tài)勢中，人工智能行業(yè)的原有核心技術主體融合過程正在發(fā)生明顯的變化，除了IBM、英特爾、松下、東芝、谷歌、三星、微軟等依舊暫居核心關鍵地位外，其他技術主體正處于不斷迭代、變化的過程。新興人工智能領域公司如微妙等開始崛起。中國企業(yè)在該領域的技術優(yōu)勢開始涌現(xiàn)，其代表機構有：百度、騰訊、中國電力等企業(yè)和清華大學、浙江大學、南京郵電大學等高校機構。

（2）技術創(chuàng)新領域演化態(tài)勢中，人工智能的核心傳統(tǒng)領域如G06 依舊是核心關鍵領域，其發(fā)展一直處于穩(wěn)定、主流的狀態(tài)，但新興技術子領域在數(shù)量和涉及的行業(yè)上開始呈現(xiàn)出積極狀態(tài)。各領域的企業(yè)開始積極探索將G06 與其他類學科進行融合、應用的可能性，如A類人類生活必需中的涉及醫(yī)用行業(yè)的A61B、A61K，C類化學、冶金中涉及微生物、變異遺傳工程行業(yè)的C12N、C08J等。

（3）從時態(tài)變化上看，1996-2010年前傳統(tǒng)工業(yè)智能是技術發(fā)展的主流趨勢，從2011-2020年無線電導航、智能機器人等領域的迅速發(fā)展，全球人工智能技術演進經(jīng)歷了從傳統(tǒng)制造業(yè)到新興產(chǎn)業(yè)的躍升，但日本、美國等國家依舊是引領躍升變化的主流國家，日本在技術創(chuàng)新演化過程中專注于智能機器人等領域，美國專注于電數(shù)字數(shù)據(jù)處理領域。

本文的研究貢獻在于不僅拓寬了探尋專利多維屬性間知識流動內在規(guī)律的方法模型；并且豐富了技術領域的實踐案例和方法體系，能為創(chuàng)新主體提供科學、合理的建議并幫助其實現(xiàn)既定技術創(chuàng)新目標。

4.2 研究建議及措施

根據(jù)本文實證內容的分析和闡述，本研究進一步給予的建議與措施如下所示：

（1）借鑒技術優(yōu)勢國家或地區(qū)發(fā)展經(jīng)驗，積極尋求交叉技術領域的創(chuàng)新機會：通過了解日本、美國人工智能技術領域的發(fā)展過程，中國的相關創(chuàng)新機構在發(fā)展過程中應注重對核心、關鍵技術領域優(yōu)勢的占據(jù)，并且需要積極探尋多領域融合的創(chuàng)新行為，實現(xiàn)彎道超車的可能。

（2）聚焦核心、關鍵技術節(jié)點的創(chuàng)新突破，尋求新的關鍵技術節(jié)點創(chuàng)新優(yōu)勢：人工智能產(chǎn)業(yè)中技術創(chuàng)新主體的時態(tài)交替變化較為明顯，而關鍵、核心技術領域的迭代相對穩(wěn)定。為此，相關機構一方面應跟蹤已有的關鍵、核心技術領域的創(chuàng)新進展，另一方面，可積極發(fā)現(xiàn)新的關鍵、核心技術節(jié)點（如醫(yī)用、化學、生物領域等），從而創(chuàng)造自己的技術優(yōu)勢機會。

（3）積極探尋產(chǎn)學研合作的高效途徑，尋求合適的技術創(chuàng)新合作對象：根據(jù)實證結論，目前中國在關鍵、核心專利權人分布中，高校機構占比較大，反映中國在該領域的研發(fā)階段多集中于理論創(chuàng)新，離應用創(chuàng)新還有一定的距離。為此，相關機構一方面可積極參與高校機構的研發(fā)合作，另一方面，可以聚集理論創(chuàng)新與技術應用創(chuàng)新的轉化工作，從而提高企業(yè)自身創(chuàng)新效率，獲得競爭優(yōu)勢。

5.3 研究不足與展望

本文研究結果仍然存在一定的局限性。第一，調研數(shù)據(jù)主要來自人工智能領域的專利數(shù)據(jù)，在多源數(shù)據(jù)的方面可以進一步擴充，收集更多可參與研究的數(shù)據(jù)。第二，本研究多源關系的考慮主要涉及主體的合作關系、專利分類號的共現(xiàn)關系，未來的研究還可以通過增加更多關系維度來提高演進模型的全面性、準確性，以更科學地了解目標技術演進過程。