人工智能關鍵核心技術創新能力測度體系構建：基于創新生態系統視角

袁 野，汪書悅，陶于祥

(重慶郵電大學 經濟管理學院，重慶 400065)

0 引言

技術創新是提升國家競爭力的重要因素[1]，加快人工智能關鍵核心技術體系建設，提高人工智能技術創新能力對我國建設世界科技強國具有重大戰略意義。經過多年積累，我國在部分領域取得長足進步，但整體發展水平與發達國家相比仍有不小差距。例如，關鍵設備、核心算法和操作系統等技術基本被谷歌、微軟、英特爾等國際巨頭壟斷，形成“鎖定效應”，關鍵核心技術被“卡脖子”。后發追趕理論認為，先發企業為壟斷核心技術設立了嚴格的獨占機制，后發企業作為使用者無法了解技術研發過程[2]，以市場換技術、依賴外資實行技術聯合開發將導致技術陷阱和技術惰性，傳統技術創新模式難以為繼[3]，適合關鍵核心技術創新的新模式、新理論呼之欲出。特別是在當前中美貿易摩擦加劇、新冠肺炎疫情暴發、關鍵核心技術“卡脖子”等錯綜復雜的國際形勢下，如何實現關鍵核心技術突破是我國建設創新型國家的理論焦點。Stiftung[4]認為，科學評價是有效管理的基礎。因此，合理評價技術創新能力是打破關鍵核心技術缺失桎梏、推進國家科技治理體系改革的基石。在健全新型科技創新舉國體制背景下，精準把握關鍵核心技術特點，結合新興創新管理理論，評價與測度某個國家、區域或產業關鍵核心技術創新能力是產業界與政府部門關注的熱點問題。

從理論研究看，學術界圍繞投入產出和技術生命周期視角，使用R&D數據、專利數據和文獻數據，針對技術創新能力展開了一系列研究。但關鍵核心技術通常被視為“自明性概念”而被“黑箱”化處理，針對關鍵核心技術創新能力的研究更是少見。與一般技術不同，關鍵核心技術具備知識復雜性、嵌入性、高投入、長周期和商用生態依賴等特征[5]。關鍵核心技術創新不僅需要在某一科學原理點上實現突破，而且應以點帶面，關注不同創新主體之間的價值共創和技術體系等[6]。因此，關鍵核心技術創新能力評價不應僅局限于單一主體資源要素投入與產出，還需要考慮多元創新主體與環境之間的聯動問題。現有技術創新能力評價指標研究已經不能滿足創新復雜度高、系統性強、速度快的關鍵核心技術創新能力測度，而創新生態系統理論以生態學、系統學和創新理論交叉融合的特性在創新理論中占據獨特優勢，為關鍵核心技術創新能力測度提供了新視角。

基于此，本文以人工智能關鍵核心技術為研究對象，遵循“確定備選指標—補充篩選指標—構建測度指標體系—實證研究—結論建議”邏輯展開論述，為前沿技術創新能力測度提供新思路。首先，運用社會網絡分析法提取中心度高的指標作為備選集，經過補充和篩選，從創新生態系統視角出發構建人工智能關鍵核心技術創新能力測度指標體系；其次，基于宏觀數據，使用變異系數-改進TOPSIS法進行客觀賦權并測度綜合評價值；最后，識別人工智能關鍵核心技術創新能力動態演進趨勢，提出優化人工智能關鍵核心技術創新能力的具體措施和政策建議。

1 文獻綜述

1.1 人工智能關鍵核心技術

1.1.1 關鍵核心技術

目前，學界對關鍵核心技術的定義尚未達成一致。習近平總書記在2018年中國科學院第十九次院士大會上指出，核心技術是基礎技術、通用技術、非對稱技術、“撒手锏”技術、前沿技術與顛覆性技術的集合[7]，這是對關鍵核心技術的初步界定。國內外部分學者從不同視角界定了關鍵核心技術。例如，基于技術創新過程視角，李顯君等[8]以中國高鐵產業為例，使用縱向案例法分析高鐵產業核心技術突破過程，發現核心技術是功能性核心技術、性能性核心技術與可靠性核心技術的組合，但不同領域關鍵核心技術的內在結構不同，該定義的外部適用性有待拓展。基于作用與特征視角，陳勁等[3]將關鍵核心技術視為一個技術體系，認為其具備高投入性、獨特性和關鍵性特征；Cannice等[9]將核心技術定義為在技術體系中起核心或關鍵作用的技術；Kale等[10]認為核心技術是企業的核心秘訣；張杰[11]指出具備“純燒錢+難以被山寨”特征的技術是關鍵核心技術的典型特征。結合上述研究，本文認為關鍵核心技術是指以實現技術突破與再創新為目標，由企業、高校、政府與科研機構等創新主體共同作用，受社會環境和技術環境組合效用影響，與產業發展密切相關的技術知識體系，具備知識密集性、難復制性、研發資金投入大、投資回報期長和多主體協同等特征。

學界不僅探討了關鍵核心技術內涵，而且關注關鍵核心技術甄選機制、突破路徑等。張杰等[12]總結制約我國關鍵核心技術突破的外部因素和內部因素，提出“十四五”科技攻關重點突破口，是從國家層面上的概括性描述，未能有效解決具體產業、企業情境下關鍵核心技術影響因素識別和具體實施路徑等問題；張治河等[13]不再將研究對象局限于國家層面，針對國家競爭和產業競爭情景分別構建了關鍵核心技術甄選模型，為識別不同對象關鍵核心技術提供了依據，但尚未明確剖析創新戰略與突破路徑。總體而言，關鍵核心技術定量研究較少，圍繞關鍵核心技術突破微觀機理、影響因素和創新能力測度等主題展開實證研究具有重要意義。

1.1.2 人工智能關鍵核心技術

人工智能在1956年Dartmouth會議上被提出后，核心技術研發成為世界各國關注的焦點。20世紀七八十年代，受理論模型、數據樣本等限制，人工智能核心技術主要集中在專家系統、知識搜索、統計建模和人工神經網絡等領域。21世紀后，隨著人工智能算法優化和應用場景的拓展，學術界和產業界對人工智能關鍵核心技術的定義層出不窮。本文結合理論文獻、《新一代人工智能發展規劃》等政策文件和中國科學院《2019年人工智能發展白皮書》，將人工智能關鍵核心技術定義為“與人工智能產業發展緊密結合，能夠推動產業智能化轉型和國家經濟高質量發展的技術知識體系，包含自然語言處理、跨媒體分析推理、智能芯片等八大類”。

人工智能技術具有創新不確定、創新主體共生、多產業融合和自組織演化等特征，“技術促產業”模式推動著我國人工智能產業發展[14]。在定性研究方面，房超等[15]從理論基礎、技術發展和應用維度出發，將人工智能關鍵技術與核能、光伏技術對比，指出人工智能技術能夠通過賦能應用領域產生社會效益，提出人工智能技術創新具備獨特的“演化式”創新特征，是對人工智能技術發展規律的系統化研究，為人工智能核心技術創新突破機制提供了論據；李修全[16]揭示人工智能技術具備創新周期短、技術轉化快等特征，指出開源開放、產學研協同創新是未來趨勢。以上研究主要關注特征分析、發展規律和未來趨勢展望，缺乏縱向深入研究。定量研究是定性研究的延伸，聚焦于使用專利分析、科學計量、文本挖掘等分析法實現關鍵核心技術預見和識別，為人工智能關鍵核心技術領域研究引入新研究方法。如黃魯成等[17]使用RSI指數、專利成長率等指數甄別出機器學習的發展階段和核心領域；王友發等[18]通過共詞分析、專利主體分析、同族專利分析識別出人工智能領域核心技術。以上識別過程主要集中在理論層面，忽略了社會經濟效益也是重要衡量指標。突破關鍵核心技術不能只停留在定義和識別方面，更需要評估技術創新能力，厘清技術創新路徑、技術創新體系形成機理與運行過程。

1.2 技術創新能力測度

技術創新能力是技術創新管理領域核心議題之一，對技術創新能力的探討是一個動態演化過程。技術創新能力包括豐富的要素，使得這一概念格外復雜、多樣[20]，學界基于資源依賴、動態能力、知識依賴等視角對其定義進行了討論。1990年，Adler & Shenhar[21]首次基于資源依賴視角，從技術資產、組織資產、外部資產和項目管理4個維度定義技術創新能力。組織行為理論認為，傳統技術創新能力是組織、創新能力等多種能力的集合，關注點由各類資產轉變為側重無形的“軟實力”；Yam等[22]基于功能視角提出企業技術創新能力七維分析框架，包括組織、戰略規劃、學習與研發等7種能力。以上定義大都將技術創新能力視作多種能力的組合，但對技術創新過程的關注不夠，且將企業視為唯一的創新主體。吳友軍[23]將技術創新能力研究對象劃分為微觀、中觀和宏觀層面，即企業、產業與國家技術創新能力，從創新投入和產出視角構建產業技術創新能力評價指標體系，成為我國聚焦產業技術創新能力研究的開端。

隨著產業技術創新能力概念逐漸明晰，其測度和評價引發學界廣泛關注，研究對象從固體礦產業、鋼鐵產業、裝備制造業等傳統行業到新能源汽車產業、高技術產業等戰略新興產業均有所涉及；研究方法由傳統DEA模型、熵值法到神經網絡等智能化評價方法層出不窮；研究內容大都遵循“自上而下”的研究范式，即以特定產業為研究對象，從投入產出與環境、技術研發過程[24]等不同視角構建指標體系。部分學者在此過程中緊扣行業特征，試圖從新視角切入，但是理論支撐略顯薄弱。現有研究是技術創新能力測度領域的有益探索，但仍存在尚待優化之處，如技術創新主體不明確、創新機理不清晰、評價指標異質性差，且集中使用R&D統計指標，未考慮諸多技術創新影響因素。

1.3 創新生態系統理論

熊彼特提出的創新理論是創新研究演進的基礎，以創新生態系統為核心的創新3.0范式悄然興起。創新生態系統是生態學、系統科學與創新理論的有機結合，已逐漸成為創新理論研究領域的新方向[25]。在我國“十四五”時期聚焦科技強國、前沿技術迅猛發展的背景下，關鍵核心技術知識復雜性與密集性日漸增強，從創新生態系統視角考察技術創新要素構成、外部環境與互動關系[26]是研究關鍵核心技術創新的新思路。

創新生態系統研究的內在邏輯層層遞進，主要包括3個層面：①內涵與特征：李萬等(2014)指出，創新生態系統是一個復雜、開放式系統，強調創新群落內部、創新群落與環境之間的競合關系，該定義通用性較強；部分學者基于新能源汽車、文化創意等產業情景定義了特定產業創新生態系統的概念，通用概念和具體概念相互豐富，是創新生態系統研究領域的良好開端；②創新生態系統概念模型：現有研究主要類比自然生態系統，從創新環境、創新種群和創新組織3個方面剖析結構要素，為構建特定產業創新生態系統概念模型提供了理論支撐；③創新生態系統評價：除對創新生態系統自身健康度、有機性與運行穩定性進行評估外，少數學者將創新生態系統理論運用于綜合評價中，如潘蘇楠等[27]從基礎生態子系統、創新人文子系統、行業發展子系統和社會經濟環境子系統4個維度入手，測度新能源汽車可持續發展水平。但是，完整的創新生態系統不僅包括外界環境，還包括創新主體自身與外界環境的交互，該指標體系尚未全面體現；黎璞等(2019)基于創新生態系統中各組成要素和互動關系，從創新環境和創新主體兩個維度梳理創新盲點指標體系，但在指標選取過程中未完全規避主觀性。創新生態系統研究由內涵界定逐步發展到模型構建和演化機制上，現階段以創新生態系統為新視角進行綜合評價成為學界關注焦點。技術創新能力測度研究大多基于經典創新鏈和投入產出等視角，忽略了多方主體的協同作用，而將創新生態系統與技術創新有機融合能夠豐富理論研究并解決應用問題。

2 研究設計

2.1 指標體系構建

技術創新活動的創新方式多樣，找到一種通用性測度指標體系可行性較低。然而，技術創新最終均通過進取效應呈現[28]，因此測度技術創新能力時能夠納入部分通用指標，本文采用通用指標和特定指標相融合的方法構建指標體系。首先，使用社會網絡分析法梳理與產業技術創新能力評價和測度相關的文獻，提煉通用指標，形成指標備選集；其次，搜集歸納行業研究報告，補充特定指標；最后，通過變異系數法篩選指標，構建人工智能關鍵核心技術創新能力測度指標體系。

通用指標來自文獻數據，選取中國知網中的文獻進行分析，文獻起始時間不限，截止時間為2020年。為防止文獻遺漏，將關鍵詞選定為“技術創新”、 “評價”、“測度”，期刊等級設定為中文核心以上，得到3 291篇文獻。手動剔除不相關文獻后，僅保留正文中包含產業技術創新能力評價指標體系的文獻，最終篩選出樣本文獻34篇。特定指標來自行業研究報告，前沿報告庫全面匯總了權威機構的研究報告，以人工智能為主題詞檢索出報告200余份，最終選取10份樣本報告。

2.2 通用指標備選集確定

本文將34篇文獻指標進行去重、剔除與合并處理，剔除2009年以后廢止的指標，如“科學家和工程師人數”等；去除指標中的特定行業前綴，如將“高技術產業R&D人員”處理成“R&D人員”并與“R&D活動人員”合并為“R&D人員”，最終得到207個指標。使用COOC6.7軟件生成詞頻表，取頻次≥2的指標形成41*41的共現矩陣，導入Ucinet軟件繪制社會網絡圖，導出各指標的絕對度數中心度(Degree)，如圖1所示。絕對度數中心度用來表示與某個節點直接相連的其它節點的個數，是節點在網絡中重要性和權力的象征，中心度越高表示該節點越重要[29]。

圖1 頻次≥2的指標共現網絡

分析可知，34篇文獻使用測度和評價方法包括DEA、因子分析、熵值法、AHP和神經網絡等，以DEA方法居多；視角多以投入產出為主，兼備投入產出環境和生命周期，因此將各指標按照投入產出維度排列，如表1所示。投入和產出兩維度TOP10指標中心度均已超過所有指標中心度的均值，故將其作為備選指標集。具體而言，投入維度主要集中在人力與財力投入上，R&D統計數據中創新主體邊界不清晰，未能區分不同創新主體對技術創新的不同影響。同時，R&D數據存在一定的局限性，無法涵蓋所有創新投入，僅使用R&D數據不足以評估技術創新能力[30]。產出維度方面，專利、新產品收入等指標被頻繁使用，但技術創新具備理論與實踐雙重意義，不僅包含理論效益且存在經濟效益和社會效益[31]。關鍵核心技術創新能力測度亟需一個新視角，同時，針對某一特定產業展開研究還需考慮行業特征。

2.3 特定指標補充

研究報告在深入行業方面具有一定優勢，與注重理論研究的學術論文相得益彰，且囊括了關鍵核心技術的共性。本文通過精煉研究報告指標，補充特定指標，作出如下分類：①數據層，使用數據開放度、手機用戶數量等指標衡量；②算力層，使用半導體產品國際市場占有率、FPGA芯片制造等指標衡量；③基礎層，使用人工智能開放平臺數量衡量；④經濟環境層，使用融資金額、融資次數衡量；⑤政策環境層，使用政策數量衡量；⑥技術創新落地應用層，使用應用場景企業數、場景介入度等指標衡量；⑦創新環境層，使用設有人工智能專業的本科院校數衡量；⑧創新主體層，使用企業數量、開設人工智能專業的高校數量、科研機構數量等指標衡量；⑨理論產出層，使用期刊或會議論文數衡量。

人工智能關鍵核心技術創新與政府、企業、高校、科研機構等多元主體密切相關(李煜華等，2015)，具備多主體、開放性、可迭代優化等特征，僅從投入產出視角已經不能全面評估人工智能關鍵核心技術創新能力。隨著創新范式的轉移，創新生態系統不再將企業視為唯一的創新主體，強調創新主體之間彼此依賴、知識流動和創新資源互補共享(吳今希等，2014)，具備創新、生態和一般系統的特征。創新特性體現在各創新主體之間共生共榮、實現可持續價值創造、不斷優化與完善創新環境等系統效益上。

2.4 基于創新生態系統的指標體系構建

2.4.1 人工智能關鍵核心技術創新生態系統構建

人工智能關鍵核心技術通過生命子系統內部各創新主體間的協同創新及與環境之間的數據、資金、人才交換，實現技術迭代、技術積累和技術再創新。當前，人工智能關鍵核心技術創新生態系統已經初步形成，如圖2所示。生命子系統包含眾多創新主體，環境子系統包含技術環境和社會環境，其中社會環境包括政策環境、人才環境和經濟環境。

表1 指標中心度與頻次分布(兩維度中心度TOP10的指標)

圖2 人工智能關鍵核心技術創新生態系統模型

在技術研發階段，基礎研究是重要保障，算法、算力和數據缺一不可。算法突破需要高校、科研機構及A類企業創新主體輸出專業人才，深鉆理論研究，提高數據可用性。通過外界產生的防疫數據、消費數據、交通數據，針對特定需求進行訓練，數據集越多，模型訓練效果越好，算法越精準，算力設施壓力也就越小。同樣，政府出臺人工智能專項政策，營造發展環境并保障基礎研究資源和資金投入。在基礎牢固的前提下，專注技術研發的B類企業通過人才和資金流動，將優化模型、算法納入新技術模塊，嵌入具體應用場景，完成技術研發。

在技術轉化階段，B類企業完成技術研發后，最終將技術產品化，形成智能產品或行業解決方案，滿足消費者需求，此時已完成整個生命周期的技術創新。產品化后的技術流入市場，3類用戶群為產品付費，實現大量資金回流。同時，產品在使用過程中會產生大量數據和用戶反饋，為技術創新循環提供機會窗口。用戶反饋信息、數據、資金在系統中流轉，給予技術層和基礎層創新主體以反饋和支持，最終以“技術創新-技術迭代-技術積累-技術再創新”的良性循環模式推動人工智能關鍵核心技術創新能力持續提升。

2.4.2 人工智能關鍵核心技術創新能力評價指標體系構建

本文遵循科學性、系統性和數據可得性原則，基于創新生態系統視角，從創新主體、創新環境和系統效益3個維度構建人工智能關鍵核心技術創新能力指標測度體系，如表2所示。經過變異系數法過濾和專家評估，篩選出18個指標。

(1)創新主體維度。技術創新主體包含企業、政府、高校和科研機構[32]，各創新主體對技術創新的作用方式不同。政府通過政策進行宏觀調控，利用資金投入、項目支持與企業、高校等主體形成互動；企業提供研發資金，不斷擴大規模，提升自身技術研發實力；高校是培養基礎研究人才、落地研究課題的搖籃，為技術創新提供理論知識；科研機構專注行業研究，把握行業趨勢動態，為技術創新賦能。

(2)創新環境維度。人工智能與眾多前沿技術發展相輔相成，如以5G為代表的新一代信息通信技術為人工智能應用場景賦能。人工智能關鍵核心技術創新離不開算法、算力和數據的支撐，算法迭代對開放性有極大需求，參考《2019年中國人工智能產業發展指數報告》，使用“國家級人工智能開放平臺”衡量；算力主要體現在硬件層面，特別是FPGA芯片，使用集成電路產量替代；大量數據為算法優化提供訓練集，以往研究使用智能手機替代，本文使用我國產生的數據量表征；社會環境則從人才環境、經濟環境和政策環境3個方面考量。

表2 基于創新生態系統的人工智能關鍵核心技術創新能力測度指標體系

(3)系統效益維度。系統效益即技術創新產出，分為理論效益和應用效益兩部分。在理論部分，使用人工智能國際頂級會議AAAI論文數[33]表示；應用效益層面，直接效益選取中心度高的發明專利指標，由技術研發階段產生；間接效益包括微觀層面新產品銷售帶來的效益和宏觀層面技術落地應用帶來的效益，由技術轉化階段產生。

3 實證檢驗

3.1 數據來源與處理

參考已有研究，人工智能產業部分數據使用電子及通信設備制造業、軟件與信息技術服務業數據的和進行替代[34]，統計數據來源于《中國高技術產業統計年鑒》、《科技統計年鑒》、《中國統計年鑒》；部分數據來自中國信息通信研究院系列研究報告，如中國產生的數據量等。考慮到2016年是我國“十三五”開局之年，且可查閱的相關統計數據目前僅更新到2018年，因此數據時間范圍確定為2016-2018年。

3.2 測度方法

3.2.1 變異系數法

綜合評價需要經歷指標賦權和綜合評價值計算兩個步驟。賦權有主觀和客觀兩種方法，每種方法各有優劣。本文中各指標數據為定量數據，數值相差較大且存在0值，故使用變異系數法確定權重。步驟如下：

第一步，數據標準化處理。

(1)

(2)

其中，xij為第j個指標在第i年的指標值，yij為標準化后的指標值，xjmax與xjmin分別為第j個指標的最大值和最小值。

第二步，計算各指標的變異系數cj和權重wj。

(3)

(4)

3.2.2 改進的TOPSIS模型

TOPSIS評價模型由Hwang等[35]提出，該綜合評價法以正負理想解為評價標準計算相對貼進度，對數據、評價指標和對象無明確限制。同時，TOPSIS模型具備整體和局部評價優勢，能夠客觀評價多個指標的各種方案[36]，以客觀反映我國人工智能關鍵核心技術創新能力。改進的TOPSIS在評價矩陣中引入變異系數法確定的指標權重，能夠提高綜合評價的準確性和合理性。步驟如下：

(1)計算矩陣H每行指標與相應權重系數的乘積，確定加權規范化矩陣，H={Wj×Yij}m×n。

(5)

(2)確定正理想解H+和負理想解H-。

H+=(maxhi1,maxhi2,...,maxhin)

(6)

H-=(minhi1,minhi2,...,minhin)

(7)

(3)計算正負理想解之間的歐氏距離O+、O-。

(8)

(9)

(4)計算相對貼近度Bj。

(10)

相對貼近度取范圍值在[0，1]之間，指標貼近度越接近1表明指標發展方向越好。根據以上步驟，依次計算各指標的變異系數、權重和貼近度。夏文飛等[37]指出使用變異系數可以判斷評價指標的鑒別能力，若指標變異系數小于2.300則判定其鑒別能力較強。18個指標體系變異系數的最大值為1.414，最小值為0.728，均值為0.944，故人工智能關鍵核心技術創新能力各指標的鑒別能力良好，無需剔除。

3.3 結果分析

3.3.1 測度結果分析

本文測度的綜合評價值如圖3所示。綜合來看，人工智能關鍵核心技術創新能力由弱變強，呈高速增長態勢。2016年，我國政府發布“互聯網+”人工智能3年行動計劃，標志著我國開始著力發展人工智能，但是創新主體參與少、政策效果滯后等問題導致關鍵核心技術創新能力較弱。2017-2018年，政策紅利釋放強勁效應，各方資本積極參與，開放創新平臺逐步建立，這一系列舉措推動著人工智能關鍵核心技術創新能力快速提升。

圖3 人工智能關鍵核心技術創新能力測度結果與趨勢

從3個準則層看，創新主體、創新環境和系統效益均呈持續向好趨勢，各準則層發展均衡，充分拉動人工智能關鍵核心技術創新能力增長。創新主體和系統效益貼近度不斷增加，特別是2018年增速明顯加快。在創新環境支撐與創新主體的積極參與下，技術創新取得豐碩成果。如在自然語言處理領域，我國論文數量、獨角獸企業數量趕超美國。在政府戰略引領下，創新主體不斷豐富、互聯網與物聯網等技術興起、數據量激增、多方資本注入，創新環境明顯改善，由最初的0值躍升到0.714。

3.3.2 準則層測度結果3.3.2.1 各準則層指標貼近度

各準則層指標貼近度走向存在差異，如表3所示。貼近度走向呈現5種趨勢：①12個指標的貼近度持續上升；②C4的貼近度持續下降；③A1和A2的貼近度先下降后上升；④A5和B1的貼近度先上升后下降；⑤A3的貼近度連續兩年為0后，實現逼近極值的急速增長。

(1)創新主體層面。創新主體維度整體發展不平衡，8個指標覆蓋了4種不同的貼近度走向。人工智能新增企業數量貼近度波動大，人工智能熱潮下眾多企業涌入市場，但初創型企業抗風險能力弱，可能會被激烈的市場競爭淘汰；持觀望態度的企業望而卻步，直至2017年政策風向再次傾向人工智能，新一輪初創企業涌入市場。因此，良好的政策環境促進技術創新能力提升[38]。開設人工智能專業的高校數量貼近度發生由0到1的變化，源于2018年教育部批準部分高校開設人工智能專業。

(2)創新環境層面。創新環境維度總體發展平衡，6個指標存在2種貼近度走向，社會環境日趨完備。①政策方面，人工智能政策呈現“弱指令型”擴散模式，遵循“由點到面”、跨層級、垂直型擴散路徑[39]，政策數量逐年攀升；②技術環境方面，開放平臺數量存在波動，2017年我國制定了人工智能發展規劃并啟動重大科技項目建設計劃，以科大訊飛和互聯網三大巨頭BAT為載體，確立了4個首批國家級人工智能開放平臺；2018年處于探索過渡期，平臺建設準則和申報要求未明確；2019年開放“自主申請和推薦”兩條報名通道，鼓勵各企業充分發揮自身特色優勢，同年確立10個開放平臺，預計未來還會有更多企業承接細分領域平臺建設重任，創新環境將持續優化。

(3)系統效益層面。系統效益維度發展趨于穩定，3個指標持續向好，1個指標呈下降趨勢。在技術創新轉化階段，創新產出不僅體現在對本行業的貢獻上，還需要為其它傳統行業轉型升級賦能。在指標上體現為理論層面會議論文數量，應用層面體現為專利、新產品收入和技術落地。除TOP100企業新增落地數量逐年減少外，其它指標發展勢頭良好。論文數量已與國際并跑，部分領域名列前茅。

表3 各準則層具體指標評價結果與貼近度走向

3.3.2.2 準則層各指標權重分布

3個準則層各指標權重分布如圖4所示。

(1)在創新主體層面，創新主體數量和創新投入測度權重排序為：A3(開設人工智能專業的高校數量)>A2(R&D內部支出中的企業資金)>A5(人工智能相關科研院所數量)>A1(人工智能新增企業數)>A8(自科基金信息科學學部批準項目數量)>A7(R&D經費中的政府資金)>A4(學校人工智能學科R&D課題數量)>A6(出臺人工智能政策的省政府數量)。概括而言，創新主體數量的重要性高于創新資源投入，創新生態系統中創新主體豐富度能夠提升企業抗風險能力。創新主體有不同的作用方式，高校相對重視基礎理論研究、專業人才培養；科研院所緊跟行業發展趨勢，縱向深挖細分領域技術；企業是技術創新的主要載體。除宏觀調控手段外，政府R&D資金投入的積極作用不容忽視。

圖4 3個準測層各指標權重分布

(2)在創新環境層面，各指標權重相對均衡，具體順序為：B1(人工智能開放平臺數量)>B5(投融資總額)>B6(每年新增政策數量)>B2(中國產生的數據量)>B3(集成電路產量)>B4(人才需求數量)。表征算法的B1權重略高，算法是使用計算解決問題的思想和方法，包含逆演繹算法、支持向量機、隨機森林和置信網絡等，為群體智能技術提供理論支撐。人工智能技術創新是一項投入高、周期長的研發活動，需要社會資本的長期注入。例如，計算機視覺和深度學習領域獨角獸企業商湯科技除基礎研究扎實外，還需要不斷融資來支撐企業發展。我國智能芯片被“卡脖子”、領軍人才缺失表現為算力、人才權重較低，而這正是制約人工智能關鍵核心技術創新的關鍵。

(3)在系統效益層面，理論效益權重表現優于應用效益，除落地企業數權重較低外，其它3項指標權重相差不大，特別是在論文、專利方面表現卓越。此前，針對我國SCI論文體量大但關鍵核心技術仍存在“卡脖子”的問題，科技部等部委聯合倡導“破四唯”、“立新四條”，由關注數量轉變為側重內容。應用方面，人工智能技術研發企業以初創型企業居多，許多企業無法支撐長期、大量研發資金投入，落地困難。因此，在完成商業落地前需要克服“死亡谷效應”，只有在競爭中生存的企業才可能步入整個技術創新生命周期的良性循環。

4 結論與建議

4.1 研究結論

本文從創新生態系統新視角出發，構建由3個準則層、12個要素層和18個指標層組成的評價指標體系，使用2016-2018年數據測度人工智能關鍵核心技術創新能力，揭示其變化趨勢，得出如下結論：

(1)我國人工智能關鍵核心技術創新能力穩步提升，但其增速與各準測層增速不匹配，存在“剪刀叉效應”。2016-2018年，目標層貼近度由0.302升至0.626，保持平穩增長態勢。但是細分而言，2016-2017年目標層增幅高于系統效益，低于創新主體和創新環境，此時創新主體快速補充、創新環境持續優化，但對提升技術創新能力的貢獻度不高； 2017-2018年，目標層增速高于創新環境，低于創新主體和系統效益。

(2)在創新主體層面，總體貼近度增長速度快，少量細分指標貼近度波動明顯。創新主體維度測度包含不同創新主體數量和創新資源投入，其中創新主體數量對人工智能關鍵核心技術創新能力的影響高于資源投入。在創新主體數量層面，隨著政策不斷擴散，我國人工智能戰略在各省市全面鋪開，關注人工智能創新發展的省市數量穩步攀升。而權重排名靠前的新增企業、高校和科研院所數量均不斷波動。在創新資源投入層面，企業資金投入和基礎研究扮演著重要角色。

(3)創新環境層面，總體貼近度雖然逐年上升，但增長速度明顯放緩。在技術環境層面，算法對提升人工智能關鍵核心技術創新影響顯著，其次是數據和算力，這與技術創新生命周期相關。完成技術創新需要優化算法模型，且在高速計算支撐下訓練海量數據集，提高算法模型精準度。在社會環境層面，投融資環境和政策導向趨于完善，拉動人工智能技術創新能力增長。

(4)在系統效益層面，總體貼近度以高增速增長，但是少數細分指標貼近度急劇下降。我國人工智能相關理論數量、發明專利數量一直居于國際前列，但在研究內容上卻與發達國家存在差距。因此，應關注內容質量、創新性與可用性等，警惕內容同質化等現象的發生。需要注意的是，能夠完成商業落地的人工智能企業數量呈下降趨勢，技術轉化環節受阻。

4.2 理論貢獻

本研究理論貢獻如下：①從創新生態系統視角出發，構建創新主體、創新環境、系統效益三維指標體系，對2016年以來我國人工智能關鍵核心技術創新能力進行測度，彌補了現有產業技術創新能力指標體系以投入產出為主和側重R&D統計數據的不足，豐富了人工智能關鍵核心技術創新測度與評價理論框架；②立足我國人工智能關鍵核心技術創新實踐情景，遵循“確定備選指標-補充和篩選指標-確定指標”路徑，緩解了指標體系構建主觀性問題，拓展了關鍵核心技術創新能力測度應用范疇，為客觀測度前沿技術創新能力提供了一套實踐方法。

4.3 對策建議

根據上述結論，本文提出以下對策建議：

(1)協調人工智能關鍵核心技術創新能力增速與創新質量的關系，建設科技創新長效治理機制。由于創新資源的有限性，創新速度與創新質量可能存在負相關關系，特別是在國內政策紅利強勁釋放、市場需求大爆發背景下，部分企業受短期利潤驅使，停留在國外開拓過的技術軌道上開展漸進式創新(柳卸林等，2011)，技術創新活動呈現“策略性迎合”與“量大質低”的特征[40]，因此應及時建立技術創新質量評估、反饋與預警制度，堅持科技創新與體制機制創新“雙輪驅動”。

(2)在創新主體層面，應培育多元化創新主體，通過協同創新實現價值共創。人工智能技術不確定性高、投資回報周期長，導致創新主體數量波動大。因此，應充分發揮政府的引領作用，加強頂層政策設計，積極培育創新主體，不斷豐富創新主體數量和種類，確保創新主體參與的連續性、穩定性和可持續性。以企業為中心節點，完善創新主體間的互動機制，筑固政產學研深度融合技術創新生態系統。同時，以示范企業為載體，以點帶面引導企業加大創新投入。

(3)在創新環境層面，打造集算法、算力和數據三位一體的超算中心，推動技術環境和社會環境融合建設。算法模型復雜度日漸提升，底層算法原始創新困難、數據可用性差、共享程度低等問題凸顯。建設超算中心需要實現從硬件到軟件、從芯片到架構、從建設模式到應用服務等各個環節的開放共享，在軟硬件方面達到資源池化、實現數據高效調度和流轉。最終，基于超算中心算力基礎設施，打造開放協同的技術交流平臺。同時，以吸引資本注入為抓手，擴大技術環境和社會環境組合效用，實現“1+1>2”的聚合效應。

(4)在系統效益層面，狠抓“四破四立”落實工作，推進科技評價體系改革。重點關注科研成果質量而非數量，堅持“從0到1”的原始創新，夯實技術創新理論基礎，催化技術創新過程。不斷拓展人工智能應用場景，加快人工智能關鍵技術轉化，提升中小微企業創新能力和專業化水平，助力擁有成熟技術的企業順利完成商業落地，鼓勵企業建設不同技術領域國家級人工智能開放創新平臺。

4.4 不足與展望

本文存在如下不足：①在構建指標體系時雖然已經考慮到理論依據和行業特性，但實證結果是對人工智能關鍵核心技術創新能力的概覽，弱化了不同技術子領域帶來的異質性影響，未來可將技術生命周期和創新生態系統相融合，使用案例研究法探討某個子技術領域的創新機理，構建測度某一子技術創新能力的指標體系；②考慮數據及時性和可獲得性，以2016年為數據時間點，由于統計口徑和疫情等因素的影響，只能獲得3年數據，可能會給實證結果帶來細微影響，但可將本文研究思路拓展至其它行業。