基于多層網絡的人工智能領域跨界技術融合

劉曉燕，孫麗娜，裘靖文，單曉紅

(1.北京工業大學經濟與管理學院，北京 100124；2.南京大學信息管理學院，南京 210023)

0 引言

近年來，人工智能已成為引領未來發展的前沿性、戰略性技術，據incoPat全球專利數據庫分析顯示，2010年全世界人工智能相關公開專利為16 102項，截至2019年，全世界公開專利已經達到114 292項，增長7倍之多。各發達國家或地區(如美國、日本、歐洲等)紛紛將人工智能列為本國高科技發展重點[1]，與此同時，中國也高度重視新一代人工智能的發展，2017 年7月，國務院印發的《新一代人工智能發展規劃》指出，到2030年人工智能理論、技術與應用總體達到世界領先水平，成為世界主要人工智能創新中心。技術融合最早是由Rosenberg[2]于1963年在不同產業中使用了相類似的技術的背景下提出的，其本質是一種技術創新[3]，是由不同技術軌道的整合所導致的不同技術元素整合的過程[4]。人工智能技術融合之所以受到各國關注，是由于它具有跨界特征，可帶動傳統產業升級。

目前已有不少國內外學者研究集中在人工智能技術融合應用層面： Jiang F等[5]對人工智能在醫療領域的應用現狀進行了分析評估，并提供了未來產業在醫療領域的部署方案；陳燕紅[6]全面分析了人工智能投資顧問應用于證券投資市場的優勢和風險，這些研究體現了市場對人工智能技術融合的需求和拉動效應。但是要實現深度融合，應結合技術融合的本質，不能忽略技術的推動效應。技術的擴散與融合往往受到大量因素的影響，技術廣度對于技術融合度的驅動程度最大[7]，前期積累豐富的技術領域具有更大的技術融合潛力[8]。技術鄰近性、技術成熟度等技術特征也會影響技術融合的效果[9-11]。還有學者提出組織也會影響技術融合，認為政府與企業之間的合作關系越強，越容易促進技術融合的發生[12]；一個組織內部發生明顯的技術融合，不同組織的技術很少發生跨組織的技術融合。

綜上，可看出人工智能跨界技術融合已經成為各界關注的重點，但是由于缺乏理論的深入研究，跨界融合面臨風險大、成本高等困境，需要從理論上研究跨界融合的機理和過程，明確如何借助融合技術選擇、融合伙伴選擇提升融合績效，才能夠有效地指導跨界融合應用，實現從技術融合到產業融合的跨越。前期研究中國內外學者指出了技術因素、組織因素會影響技術融合，但是存在兩方面問題。首先，在研究內容方面：1)技術與組織割裂，技術依附于組織，跨界技術融合需要通過選擇擁有相關融合技術的伙伴，借助合作或交易實現知識在組織間流動，進而實現技術融合，如果僅從技術或組織層面研究技術融合如何發生會影響結果的真實性；2)忽略了網絡結構效應，技術在融合的過程中形成融合關系，多種融合關系的疊加形成融合網絡，現有研究更關注技術的特征，而忽略了網絡結構特征，技術嵌入在網絡中，其他的融合關系也會影響到該項技術的融合，因此需要考慮網絡嵌入性。其次，在研究方法方面，現有研究大多采用回歸、結構方程等方法分析影響因素，考慮網絡嵌入性因素后，這類方法存在局限性，未能剖析網絡結構特征及網絡演化過程。部分學者引入模糊集定性比較方法(fsQCA)用于技術網絡影響因素分析，但此種方法無法研究網絡演化過程及單一變量對網絡的影響[13]。多層指數隨機圖模型可刻畫網絡的形成過程，能夠以仿真的方式估計網絡的內生結構、節點屬性以及網絡間關系對網絡形成的影響。

基于此，本文將技術與組織有機結合起來，并引入網絡結構效應從技術特征、組織的技術特征、組織的關系特征3個維度研究人工智能跨界技術融合機理。借鑒國內外學者使用專利數據描述技術融合的方法[14]，從專利中抽取技術融合關系、組織與技術隸屬關系、組織間合作關系構建多層網絡模型，并使用多層指數隨機圖模型進行仿真，揭示隱藏在數據背后的技術融合機理。

1 研究框架與方法

人工智能作為戰略性新興產業，具有跨界融合的特點和趨勢，逐漸呈現出復雜網絡的特征：1)技術融合表現為技術間由于知識流動形成的融合關系；2)技術依附于組織，表現為組織與技術的隸屬關系；3)組織間由于合作影響知識的流動，進而影響技術融合。因此本文構建技術融合網絡、組織-技術隸屬網絡以及組織合作網絡的三層復雜網絡模型，借助多層指數隨機圖模型進行仿真實驗，并對實驗結果進行檢驗。

1.1 人工智能技術融合多層網絡模型

本文構建的技術融合多層網絡由三部分組成：1)技術融合網絡：技術融合表現為在一個專利中包括多項技術，專利作為技術創新的產物，常被用來作為研究技術創新的代理指標[15]，它能直觀地反映發生融合的技術之間的關系變化過程[16]，專利IPC共現分析方法被廣泛用于技術融合[17]，本文選擇IPC共現描述技術間的融合關系，構建的技術融合網絡，即B網絡；2)組織-技術隸屬網絡：技術依附于組織，專利中的專利權人與其研發專利的IPC號可以表明專利權人的技術特征，即專利權人擁有哪類技術，本文從專利中提取專利權人-技術隸屬關系矩陣構建的組織-技術隸屬二分網絡，即X網絡，用于描繪技術與組織之間的隸屬關系；3)組織合作網絡：組織合作反映的是專利權人在申請專利時的合作特征。當一個專利擁有多個專利權人時，表示存在組織合作關系，從專利中抽取專利權人的共現關系構建組織合作網絡，即A網絡。

1.2 基于MERGMs的技術融合作用機理模型

研究人工智能技術融合的機理不僅需要考慮技術、組織等外生屬性的影響，還要考慮網絡結構效應，如傳遞性、同質性等[18]。因此本文引入多層指數隨機圖模型(Multilevel Exponential Random Graph Models，MERGMs)，將外生屬性與內生結構有機結合實現多層網絡的仿真，如圖2所示。

圖1 人工智能技術融合多層網絡模型

圖2 技術融合影響因素分析模型

模型1：單模網絡模型即B網絡，包含技術融合網絡模型，用來衡量技術特征對于技術融合的影響。

模型2：單模網絡與二分網絡模型即B&X網絡，包含技術融合網絡模型及組織與技術隸屬網絡模型，用來衡量組織的技術特征對技術融合的影響。

模型3：兩個單模網絡與二分網絡模型即A&B&X網絡，包含組織合作網絡、技術融合網絡及組織技術隸屬網絡模型，用來衡量組織間關系特征對技術融合的影響。

本文借助 MPNet軟件實現MERGMs模型的構建，并加入節點同質項及結構依賴項作為統計量，使用馬爾科夫鏈蒙特卡羅最大似然估計算法進行參數估計，通過t-ratio判斷模型收斂情況，t-ratio的絕對值小于0.1則模型收斂，若模型不收斂，則更改統計量或修正統計量參數估計值修正模型；最后進行擬合優度檢驗(Goodness of Fit，GOF)。

2 實證研究

2.1 數據來源

本文選擇incoPat全球專利數據庫中人工智能領域2010～2019年的專利數據，利用Python構建專利權人共現、IPC共現、專利權人-IPC共現矩陣，借助ORA實現多層網絡可視化和網絡指標測量，如表1所示。本文將人工智能領域專利申請數據劃分為2010～2014年、2015～2017年及2018～2019年3個階段，網絡結構中藍色方塊表示組織，紅色圓圈表示技術分類，藍色方塊之間的連線表示組織間合作關系，紅色圓圈之間的連線表示技術融合關系，藍色方塊與紅色圓圈之間的連線表示組織-技術之間的隸屬關系。

表1 人工智能領域網絡演化情況

2.2 人工智能領域組織合作網絡演化特征

通過對3個階段人工智能領域組織合作網絡的分析發現：1)組織規模逐步擴大。隨著人工智能相關產業的不斷發展，組織合作網絡結構變得日益復雜，網絡中的節點數量和邊數量穩定增加，表明越來越多的組織進入人工智能領域進行合作，人工智能相關產業市場需求不斷擴大。2)組織合作處于起步階段。網絡密度能夠描述節點間的聯系程度，各階段網絡密度均較低且逐年下降，說明人工智能領域各組織間合作較為稀疏，網絡中技術知識的轉移擴散較為困難，組織間的合作有待加強。3)網絡傳輸效率低。平均路徑長度是衡量網絡傳輸效率的指標，網絡的平均路徑長度較大且逐年增加，并在第3階段達到最大，說明網絡信息流通較為困難，且網絡拓撲結構變得越來越復雜，信息在網絡中的流通將耗費節點較大能量。

2.3 人工智能領域技術融合網絡演化特征

通過對3個階段人工智能領域技術融合網絡的分析發現：1)人工智能的跨界融合處于起步階段，近兩年呈迅速擴張態勢。最近十年人工智能產業技術融合網絡節點數量變化較小，節點間連線數近年來出現大幅增加，表明人工智能技術種類變化較小，技術間的融合明顯增多，組織間越來越重視通過技術融合的手段實現人工智能領域的技術創新。與《中國新一代人工智能科技產業發展報告2020》中指出的隨著核心產業部門的發展和核心技術的成熟，中國人工智能科技產業發展已經步入融合產業部門主導的新階段相一致。2)人工智能融合技術相對分散。網絡的密度和平均路徑長度變化較小，網絡集中程度始終較低，說明人工智能領域核心技術的控制能力較弱，各技術領域相對比較分散。

2.4 人工智能領域組織—技術融合網絡演化特征

通過對3個階段人工智能領域組織—技術融合網絡的分析發現：1)越來越多的組織開展人工智能領域技術研發。人工智能領域組織—技術融合網絡規模逐漸增大，網絡中組織節點數不斷增加，技術節點變化較小，表明越來越多的企業進入到人工智能領域開展創新活動，但是主要集中于原有技術領域。2)組織的知識寬度顯著增加。雖然人工智能領域的融合的技術范圍沒有發生很大變化，但是隨著研發的深入，組織所掌握的知識范圍明顯拓寬，第2階段較第1階段翻了一倍，第3階段較第2階段也增長了近80%。3)組織—技術呈現核心—邊緣結構特征。中心性可以表示企業掌握技術的情況，在組織中心性排名中，國家電網公司始終處于首位，說明了該公司擁有最豐富的技術種類，技術資源越豐富，在進行技術融合時越方便。在技術中心性排名中，中心性處于首位的技術屬于領域內的最核心的基礎技術，具有復雜度較低和研究較為廣泛的特征。2018年以前，G06F電數字數據處理居于首位，2018年以后G06N基于特定模型的計算機系統替代它成為首位，人工智能領域的基礎技術發生轉變，意味著人工智能研究方向發生轉變，可能是工業和信息化部發布的《促進新一代人工智能產業發展三年行動計劃(2018—2020)》中提到著重在視頻圖像身份識別系統、智能語音交互系統、智能翻譯系統等領域率先取得突破起到了一定作用。

2.5 人工智能節點間技術融合機理研究

借助MPNet構建技術融合網絡影響因素模型，分別對3個階段的B網絡、B&X網絡、A&B&X網絡進行仿真，在各階段的3組網絡中加入節點同質項及結構依賴項參數統計量，并根據模型的收斂情況進行調整，使得模型整體收斂，盡可能多的統計量顯著。根據最終結果挖掘技術特征、組織的技術特征、組織間的關系特征對技術融合的影響，得到模型收斂后的參數估計的最終結果(見表2)。

表2中Model1包括的統計量EdgeB表示邊緣受控制網絡分布的密度，本模型中用來檢查網絡的整體疏密情況；ATB能夠檢查網絡關閉情況，本模型中用來觀測相似技術的融合情況；A2PB檢查節點是否傾向于分享相連伙伴，用來觀測已經發生融合的技術與其他技術融合趨勢。

表2中Model2包括的統計量StarAXAB能夠觀測在單模網絡(A或B)中的活動節點在中層網絡中是否處于活躍狀態，本模型中用來衡量組織擁有的共性技術與其他技術融合的難易情況；L3XBX能夠反映在中層網絡中活躍或受歡迎的節點是否也在層級內關聯，本模型中用來觀測不同組織擁有的技術對技術融合的影響；ATXBX表示具有共同隸屬關系的節點之間形成聯系的趨勢，本模型中用于衡量同一組織內多個技術對技術融合的影響。

表2 MERGMs運行結果

表3中Model3包括的統計量L3AXBX能夠檢驗層級內網絡中活躍或流行節點隸屬于中觀網絡的趨勢，本模型中用于觀測組織與其他組織合作的技術與非合作組織技術的融合情況；C4AXB可以反映在一個層級中建立連接是否將增強在其他層級形成聯系的可能性，本模型中用于觀測組織間的創新合作關系對技術融合的影響；ASAXASB表示中層網絡中活躍或受歡迎的節點在單模網絡中是否關聯，本模型中用于觀測擁有“伙伴圈”的組織的技術和非“伙伴圈”組織技術的融合情況。

從總體上分析，Model、Model2和Model3均可以收斂，但在不同的時間段，三方面作用的效果有所不同。1)從Model1即技術特征層面來看，在3個階段中，EdgeB均為負值，說明三層網絡均較為稀疏，技術融合較少，再一次印證了人工智能領域跨界技術融合處于起步階段；ATB及A2PB均為正值，說明相似的技術更可能發生融合，且已經發生融合的技術會促進新融合的發生，這種促進作用伴隨著時間的變化逐步增強。2)從Model2即組織的技術特征層面來看，StarAXAB在3個階段中均為負值，說明組織擁有的共性技術不太可能與其他新技術發生融合，這主要是因為戰略性新興產業共性技術研發不僅投入高、風險大, 并且具有顯著的知識外溢性[19]，因此，對于共性技術的研發無法使企業維持自己的核心競爭力，故企業對于共性技術的研發普遍缺乏積極性；L3XBX在第1階段為正值，意味著人工智能領域在這段時間常發生跨組織的技術融合，新技術的產生往往來自于不同組織間的戰略合作；ATXBX在后兩階段為負值，說明同一組織內兩個技術不容易發生技術融合，這可能是由于當一個新興產業進入成長階段，同一組織的研發潛力有限，故企業更偏重技術的應用而不是技術的創新。3)從Model3即組織的關系特征層面來看，L3AXB在第1階段為負值，說明組織間的合作關系抑制技術融合的發生，C4AXB在第2階段為正值，說明在第2階段中組織間的合作關系促進技術融合的發生，第3階段開始L3AXB又開始呈現負值，組織間的合作關系開始抑制技術融合的發生。這表明組織間的合作關系對于技術融合的影響是變化的，往往和一個產業所處的發展階段相關聯：產業發展初期組織間信任尚未形成，組織對知識產權的保護效應導致技術不易融合；伴隨著合作的深入，信任帶來的創新績效凸顯，組織間通過合作研發實現創新，有力促進了技術融合；進入第3階段由于大量新組織節點的加入，技術規模卻變化不大，導致人工智能產業內競爭加劇，信任下降，影響到技術融合績效，其次已有合作產生了“鎖定”效應，融合績效也將受到極大影響，因此第3階段的組織合作會降低技術融合的可能。ASAXASB在3個階段中均為負值，表示來自于直接伙伴即組織的“伙伴圈”關系，在3個階段均抑制與圈外新技術融合的發生，一定程度上說明伙伴圈內技術知識的密切交流，將限制企業對于伙伴圈外技術知識的獲取，使得企業與圈外組織進行技術融合的風險及難度加大。

2.6 模型擬合優度檢驗

本文借助MPNet軟件對模型進行GOF檢驗，經檢測模型中規定的所有估計統計量的t值的絕對值小于0.1，而其他網絡觀測值部分小于2。表明，技術融合網絡影響因素指定的模型與所構建的網絡數據吻合較好，該模型能夠很好地描述真實觀測網絡。

2.7 穩健性分析

為了驗證本文提出的從技術特征、組織的技術特征、組織的關系特征3個層面構建的人工智能技術融合機理研究模型的穩健性，現將研究結果與OLED產業技術融合的研究進行對比，發現：1)共性特征：在技術特征方面，兩種產業均表現為相似技術之間更容易發生融合；在組織的技術特征方面，兩種產業的組織間擁有的共性技術均很少與新技術發生融合，這主要是由于共性技術應用較為廣泛，缺乏市場競爭力，因此企業更傾向于對衍生技術再次加工，從而使技術得到創新，進而提升企業的創新能力及核心競爭力。在組織的關系特征方面，組織的伙伴圈關系在兩種產業中，均會限制組織與圈外新技術發生融合。2)特性特征：在技術特征方面，人工智能產業中已經發生融合的技術會促進新技術發生融合，說明人工智能產業更加注重于技術融合后衍生技術的二次研發。在組織的特征方面，針對于不同組織的技術，OLED產業很少發生跨組織的技術融合，而人工智能產業在第一階段中會積極進行跨組織的技術融合，這表明人工智能產業初期技術多依賴于跨組織合作研發而產生。在組織的關系特征方面，人工智能在不同的發展階段，組織間的合作關系對其技術融合也有著不同的作用，因此企業可以根據發展階段選擇與其他企業的合作形式，促進技術的融合。以上分析表明，該技術融合機理探究框架穩定性較強，研究模型可以很好地觀測人工智能領域技術融合的動態發展過程。

2.8 算法討論與比較

為了體現本文所提出算法的可行性及適用性，本文將所提算法與經典算法進行對比分析：經典算法QAP模型是基于隨機化檢驗方法進行的網絡演化分析，是最終對兩個矩陣中各個元素的相似性進行比較的方法, 主要適用于矩陣之間的運算[33]，僅能對單模網絡中節點關系的演化機理進行刻畫，存在一定局限性；指數隨機圖模型與多層指數隨機圖模型在原理上相似，均采用馬爾可夫鏈—極大似然估計進行網絡演化仿真分析，但ERGMs僅能描述單模網絡在內生結構及節點個體屬性方面的演化機理；本文所提出的MERGMs能夠在描述單模網絡演化機理的同時，刻畫網絡間關系對于網絡演化的影響，因此可以更好地揭示網絡形成機理，具有很好的適用性，可將該算法推廣至其他產業進行應用。

3 結論

技術融合為突破產業發展的技術瓶頸、實現技術的突破式創新提供解決方案，有助于企業創造新產品滿足市場需求并獲取經濟利潤，也有助于提升國家科技創新水平。本文從技術融合的機理研究出發，分3個階段構建技術融合多層網絡模型，從技術特征、組織的技術特征及組織的關系特征3個層面分析其對于人工智能領域跨界技術融合的影響，結果表明：1)人工智能領域融合創新網絡的規模逐漸擴大主要表現為組織節點的增多，即進入人工智能領域的組織增加，但是產業中的技術門類變化較小，技術融合多產生于原有技術領域之間。此外，創新合作網絡中的中心組織始終未發生變化，國家電網公司始終處于中心地位，但是中心技術卻從“G06F電數字數據處理”變為“G06N基于特定模型的計算機系統”，表明人工智能領域的主要研究方向發生了轉移。2)技術特征、組織的技術特征、組織的關系特征均會對人工智能跨界技術融合產生影響，但在不同的時間段，三方面作用的效果有所不同。在技術特征層面，相似的技術更可能發生融合，已經發生融合的技術會促進新融合的發生；在組織的技術特征層面，組織擁有的共性技術會抑制與其他技術融合的發生，不同組織擁有的技術在第1階段促進技術融合發生；在組織的關系特征層面：組織間的合作關系在人工智能不同的發展階段對其技術融合具有不同的作用。組織的“伙伴圈”在3個階段均抑制與圈外新技術融合的發生。

本文的研究有助于系統性認知技術融合產生過程，所提出的技術融合機理探究框架可以很好地觀測人工智能這類新興領域技術融合的動態發展過程。但本文仍有以下兩點不足：1)MERGMs模型可以探究在結構屬性、連續屬性和分類屬性3種屬性的共同作用下的網絡演化情況，但本文僅加入了網絡結構屬性進行實證研究；2)模型穩健性檢驗雖然通過，但還有較大改進空間。因此，在未來的研究中，可以加入其他屬性，提高模型穩健性，不斷豐富技術融合相關理論研究，為實踐中的技術融合提供有價值的參考。