人工智能對產業融合的影響研究
——基于知識圖譜的分析

林麗環，黃衛東

（南京郵電大學 管理學院，江蘇 南京 210000）

一、引言

人工智能技術的出現加速了世界經濟、政治以及文化在內各方面的融合發展，作為經濟發展的重要依附主體，各大產業所呈現的狀態、結構以及連接關系都隨之發生了翻天覆地的變化。為適應新技術的出現，各國不遺余力地將人、財、物等資源投入人工智能領域以優化資本結構，加速人工智能與各大產業的融合，充分發揮AI 的技術優勢。

截至2020 年底，以CNKI 為平臺，以人工智能為關鍵詞，通過所得到的發表量年度趨勢圖可知，自2017 年起，人工智能話題便成為學術界爆發式的熱點話題而被眾多學者解剖分析。在爆發持續五年的累計研究中，與該熱點話題相聯系的學科分支眾多，而學術界的學者所提出的新觀點、新問題以及新措施也隨之落實到了國家層面，其具體表現為新型軍備競賽的出現，自2017 年起，絕大多數發達國家和發展中國家都對人工智能的技術作出了表態并對該領域的研究予以資金支持。2021 年9 月，英國政府發布《國家人工智能戰略》（以下簡稱“戰略”），明確AI 將在未來成為經濟發展的重要驅動力；2021 年10 月，中國政府就生態環境保護方面表示，將提高工業互聯網、人工智能、大數據對傳統產業滲透率，推動制造業綠色化轉型和智能化升級。由此可見，人工智能與產業的融合范圍將趨于全面化，融和層次將趨于深層次化。

為此，文章選取文獻收納數量更廣泛的WoS 為新平臺，經過系列篩選，最終以2 337 篇文章為分析樣本，借助CiteSpace 軟件的統計、分類、聚類及分析功能，對研究熱點的基本情況以及聚集情況進行可視化展示并逐一分析具體類團的現狀，以期為人工智能對資本結構影響的中介中心性提供更明確的闡述，并預測兩大主題在未來的主要發展趨勢。此外，人工智能與產業的融合在不同國家間的融合程度有差異在所難免，本研究還試圖通過學術界的成果統計來反映主要大國在人工智能與產業融合領域的發展現狀、演化脈絡，并由此提出相應的意見和建議[1]。

二、研究方法與數據獲取

文章以WoS 為數據庫來源，為擴充樣本數據庫，提高數據完整度，通過對兩大領域中質量較高的10 篇期刊及綜述中提及的關鍵詞的匯總，最終確定文章以人工智能為第一核心關鍵詞并將關鍵詞范圍依次擴充至機器人、自動化，以產業融合為第二核心關鍵詞并將關鍵詞范圍依次擴充至行業融合、市場融合。為保證分析數據的質量和可靠性，文章剔除了除論文、綜述論文、World of Science 核心合集以外的所有其他文獻，并經過CiteSpace 軟件的除重操作，最終獲得2 469 篇文獻作為樣本數據進行知識圖譜分析。知識圖譜是一種通過將每個項目、實體和用戶表示為不同的節點，并將相交互的節點連接起來，以標記有向圖的形式表示知識并為文本信息賦予語義的強大工具[1]。本研究采用的分析流程為，以時間、空間、熱點和演化脈絡四個維度作為分析的切入點。在時間分析方面，以發文量、主題詞和研究人員的進一步的分析對象；在空間分析方面，依次對作者合作網絡、機構合作網絡以及國家合作網絡展開微觀、中觀、宏觀的分析；在熱點分析方面，對2 337 篇文獻的關鍵詞共現以及聚集情況做統計分析，并對人工智能和資本要素兩大主題進行爆發性探測；在演化脈絡方面，以時間線和時區圖譜來展示其脈絡的分布情況，具體的分析框架圖，如圖1 所示。

圖1 分析框架圖

三、研究數據統計與分析

（一）時間分析

1.發文量

由圖2 可知，在人工智能與產業融合類的文章中，2017 年可作為近20 年年發文量的時間拐點，以2017 年為界，之前年份的增速相對緩慢，發文量一直處在0～100 篇范圍內上下波動，而2018—2020 年則出現了爆發式的增長，且一直處于超高的加速增長狀態，甚至出現成倍增長的態勢，因此可粗略預測在未來一段時間內，人工智能與產業融合的話題點所具有的關注度仍舊會保持在較高狀態。從總體趨勢上來看，發文量處于總體上升狀態，可見伴隨著技術的不斷進步，人工智能與產業融合逐漸受到學者們的偏愛，這點在國家政府發布的與人工智能有關的政策中也可見一斑。

圖2 2001—2020 年發文總量

2.共被引情況

（1）文獻共被引分析

由表1 可知，引用頻次較高的文獻類型可歸納總結為，以時間線為導向的智能制造的整體環境。其中，被引頻次最高的文獻主題為《基于工業4.0 制造系統的工業人工智能》，作者Lee Jay 在文中提出了AI 技術的當前狀態以及在工業應用中利用AI力量所必需的生態金字塔，由下至上分別為智能連接層、數據信息轉換層、網絡層、認知層以及配置層即5C 結構，并通過更智能和更有彈性的制造設備來提高產品質量和系統可靠性[2]。作者Liao YX 則通過相關期刊、學科領域、類別、會議、關鍵詞等五類內容的一般數據分析總結了人工智能與產業融合當前主要研究方向。作者Leitao P 認為網絡物理系統（CPS）是一種新興方法，該方法專注于計算應用程序與物理設備的集成，被設計為交互網絡和物理元素的網絡，對工業自動化的發展存在重大影響。由以上三位作者研究主要內容可以發現人工智能領域的研究正在逐步分化，研究內容的精準化是該領域未來主要的發展趨勢。

表1 2001—2020 年文獻引用頻次表

（2）作者共被引分析

作者LEE J 的度中心性較其他作者而言具有極大的優勢。一方面是由于距作者文獻的發表年份已有十幾年，在時間的加成下，文獻的被引次數也隨之提高；另一方面是作者在該領域的研究先人一步，其文獻研究成果具有很強的導向性，文獻產量在一定程度上說明作者在該領域的貢獻程度以及研究造詣，為提升國家在人工智能和資本要素方面的進一步融合發展，政府可以有針對性地引入以上高端人才，保證研究人員的質量水平。此外，通過文獻平均被引年份的分布情況可以發現，作者LEE J 對人工智能和產業融合的研究與其他作者的研究之間產生了一個巨大的斷層，說明LEE J 在話題成為熱點之前已經對該領域做了超前的研究，這也為后來研究者提供了便利和借鑒。

表2 2001—2020 年作者被引頻次表

(3)期刊共被引分析

表3 2001—2020 年期刊被引頻次表

幾大知名期刊的被引頻次總體接近，度中心性未出現一家或幾家期刊獨大的現象，人工智能和產業融合領域的研究成果受到多家期刊的關注，期刊類型偏向于計算機以及智能方向，而期刊內文獻被引量的增加間接證明了話題的熱度之高。其中，LECT NOTES COMPUT SC 期刊的中心性略高，說明該期刊在人工智能和產業融合領域的關注度較高，受廣大學者的認可度也較高。

（二）空間分析

1.作者合作網絡

當學者之間進行合作而致力于某一領域的研究時，其合作的親密度可以通過他們共同發表的文獻數量作為客觀判斷依據，因此，通過CiteSpace 軟件可分析致力于人工智能與資本要素領域研究的學者們之間的合作情況。

圖3 作者合作網絡圖譜

為提高統計結果的代表性，本研究通過呈現合作規模較大的前10 類研究合作類團來體現作者間的合作狀況，由圖2 匯總得到，以個人文獻產量來看，排名前5 的作者分別為RJ KUO、MITSUMASA KOYANAGI、TAKAFUMI FUKUSHIMA、KANGWOOK LEE、TETSU TANAKA；此外，可以發現，目前該領域已初步形成了以TAKAFUMI FUKUSHIMA（研究領域：計算機—電子芯片）、CHENGKUO LEE（研究領域：智能制造—基于傳感器融合概念發明制造能夠檢測出汗水平的服飾）、DUSIT NIYATO（研究領域：智能城市—物聯網系統）以及YOSHIMICHI EJIMA（研究領域：醫學—睡眠障礙）為首的研究類團，作為學科的核心帶頭人，經過對他們研究領域的歸納總結可以發現人工智能的產業融合領域已經十分廣泛。

2.機構合作網絡

由圖4 可知，目前在人工智能和產業融合領域的機構合作規模中，日本產業技術綜合研究所和上海交通大學的排名較為靠前，分別為第一和第二。自2018 年1 月上海交通大學人工智能研究院成立以來，上海交大開始將建設人工智能研究的交大學派提上日程，其對于人工智能產業發展領域投入較大的關注。此外，經過匯總整理，發現在機構合作規模排名前20 的機構中，以上海交大為首共有5 家機構來自中國，占統計數量的25%，位居第一，可見自人工智能成為熱點話題，中國的各大研究所以及各大學相較于其他國家而言更為及時地把握住了研究的大風向。

圖4 機構合作網絡圖譜

3.國家合作網絡

由圖5 可知，因自身經濟、政治等方面具有強大的實力保證而在國際活動中表現較為活躍的幾大主要國家，其在人工智能和產業融合領域的合作也是相當密切的。就目前而言，在該領域已經形成了以美國為首、中國次之的主要發展格局，并以兩大國為核心形成了復雜的合作網絡關系，但就絕對數上來看，美國的文獻數量還是遙遙領先的，我國在該領域仍有較長的一段路要走。此外，在以上列示的合作規模排名前20 的國家中，除中國、印度、伊朗以及土耳其外的其他16 個國家均為發達國家，占統計數量的80%，可見發達國家在人工智能和產業融合領域的重視程度要遠高于發展中國家。

圖5 國家合作網絡圖譜

（三）熱點分析

1.關鍵詞共現圖譜分析

由圖6 可知，以一組詞語兩兩出現的頻次作為二者親疏關系的判斷依據時，CiteSpace 計算得出的最終結果為，系統、設計、構成、模型、框架、結構、科技、自動化、算術、神經網絡、性能、未來、網絡、大數據、模擬等關鍵詞是人工智能與產業融合領域中中介中心性較高的詞語，尤其是系統一詞，該關鍵詞的中介中心度值高達0.75，承擔著該領域發展過程的橋梁作用。通過匯總分類，可以劃分為兩類。第一類的核心關鍵詞為網絡化，其中包括系統、設計、構成、模型、框架、結構、神經網絡、網絡；第二類的核心關鍵詞為技術化，其中包括科技、自動化、算術、模擬。由此可得，網絡化與技術化是人工智能與產業融合領域發展的核心和關鍵，也是學者研究的重點內容。

圖6 關鍵詞共現圖譜

2.關鍵詞聚類圖譜分析

圖7 關鍵詞聚類圖譜

本研究利用CiteSpace 軟件的關鍵詞聚類功能，得到人工智能和產業融合領域的聚類類團共計70個，依次排除類團成員不足40、同質性指標不足0.7的類團后剩余8 個類團，擇優選取前5 個類團的具體情況如下表列示。由表4 可知，5 個類團的同質性指標均大于0.7，表明類團間成員文獻的相似程度較高，聚類效果較好；類團的文獻出版平均年份普遍較早，早于引言中以CNKI 為平臺匯總整理得出的人工智能研究話題成為研究熱點的年份，可見，該領域在國際上的研究進程要早于本國研究進程。

表4 2001—2020 年人工智能與產業領域文獻聚類結果

此外，依據LSI 聚類算法得到五類聚類結果。

第一類聚類結果涉及服務業以及軟件信息業，此類行業與人工智能領域的結合能夠加速科技的發展，從而為社會帶來更大的利潤收益。作為聚類中的第一大類，其排名說明了其與人工智能結合的深度和廣度，從消費者主觀感受上來說，服務業與人工智能的融合可謂隨處可見，從餐廳中的機器人服務員、服裝店的機器人導購員、管理家庭日?；顒拥闹悄芗揖訖C器人、從事物流并承擔派送貨物任務的校園機器人，人工智能與服務業的融合已經深入生活的吃穿住行等各個方面；從支持服務業與人工智能相融合的技術來看，軟件信息業的發展為人工智能提供了很大的后備力量，兩者在某種程度上存在著互相促進的關系，或者可以說，二者所涉及范圍存在著一定程度的交叉。

第二類聚類結果主要為能源方面的研究，具體包括電能、風能等，從具體應用上來看，又可以分為能源儲藏、智能電網、故障管理、油氣勘探以及能源的消耗與耗費。在能源儲存方面，人工智能的發展可以減少在能源儲藏過程的人為損耗和人工管理成本，從而降低不必要的資金支出；在智能電網方面，通過對電能耗費的實時監管從而對重點的耗電量大的組織和企業進行控制，進而達到節約能耗的最終目的，以響應國家節能減排的政策號召；在故障管理方面，人工智能能夠利用大數據對故障風險做出恰當及時的預警，從而在故障發生前及時止損，避免高額的故障修理費用的支出；在油氣勘探方面，人工智能對高危工作環境下工作的替代可以降低以往由人工進行探測情況下的風險，這為新油田的發現提供了很好的技術支持，打破了原有的勘探缺陷；在能源的消耗方面，人工智能能夠優化能源的耗費過程，從而降低消耗的數量，提升能源的利用效率。總體而言，人工智能與能源行業的融合能夠降低成本和風險，提高收益和效率，促進行業的進一步發展。

第三類聚類結果側重于發現醫療診治技術以及提升企業的經營管理水平，在醫療診治技術方面，國務院辦公廳于2018 年印發的《關于促進“互聯網+醫療健康”發展的意見》中表示了其對人工智能和醫療行業相融合研究的重視，人工智能醫療器械的出現為醫療診治提供了很大的便利，一方面提升了醫療的診治結果的準確性，另一方面又降低了患者進行檢查的各項費用，其中最為典型的內容即人工智能在醫療影像上的應用，該應用的出現極大提升了醫生對患者的診治效率；在企業經營管理方面，商業應用是近年的熱點詞匯，具體可以體現為人工智能逐漸替代部分職員的工作，尤其是工作內容較為重復、機械、技術含量低的崗位，而智能管理能夠為企業節省下一大筆原有的勞動力成本，從而提升企業的利潤水平，讓企業有能力將資金聚焦于核心業務的研究和開發。

第四類聚類結果重在深入機器人等實體的制造和控制方面的研究，目前的機器人研究技術在智能融合程度上正在加速深化，雖然在情感和外表上仍有很大的上升空間，但隨著5G 技術的發展，其內核技術已經有了質的突破。在行動便利程度上，以阿爾法跳舞機器人為例，其肢體組成部分的靈活程度非常高，而在學習能力上，法國NAO 教育機器人則已經有了深入學習的能力并能夠向外界表現其情緒狀態。此外，受影視著作的影響，大眾對該領域的發展也投入了較大的關注度，二者相融合的觸角甚至已經觸碰到了后期的道德法律和倫理的深度。

第五類聚類結果偏向于摩擦類傳感器的研制和以優化人體感官為目標的產品技術的開發，通過研發能夠對人體感受獲得正確感知的傳感器，根據傳感器結果觸發不同的機制，從而優化消費者的感受認知，如通過感知人體皮膚的濕度從而調整服裝的干濕程度以保證皮膚的干濕狀態保持在一個比較合理的波動區間。從總體上來看，產業融合的領域涉及范圍偏向于高新技術產品制造，而傳統的農業以及工業產業的融合研究文獻數量較少，文獻聚集情況較差，由此可看出，高新技術產業融合度高于傳統行業融合度，傳統行業領域受制于以前的感知能力導致實際積累下來的數據比較少是造成其融合度偏低的重要原因[3]。

3.爆發性探測分析

為保證探測數量的恰當性，本研究將探測難易程度γ 值設置為0.8 并將最短持續時間參數值設置為1，輸出結果如圖8 所示，由圖8 可知，爆發性探測結果中，爆發持續時間最長的關鍵詞為基因算法，持續時間長達10 年，直至近些年才逐漸淡出學術界；爆發強度最大的關鍵詞為系統，這與關鍵詞共現圖譜得出的最終分析對象一致；而自動化、大數據、增強現實技術以及互聯網變革創新等關鍵詞開始爆發的時間雖然較遲，但預測其在未來幾年將成為學術界前沿的研究熱點，值得我們進一步探索。

圖8 2001—2020 年人工智能與產業領域爆發性探測

（四）演化脈絡

1.時間線圖譜分析

由圖9 可知，在聚類效果最好的前五類類團中，遠程機器人控制領域的聚合效果最佳，其中又以持續性最強、跨度最大的網絡連接算法為代表，而算法則是人工智能發展的核心技術；第二個聚類結果為智能銷售，其中模擬算法再次于2002 年成為研究熱點話題并持續至2020 年，兩大聚類結果的相似性證明了算法的必要性和重要性，在人工智能關鍵技術領域，算法的缺陷是技術突破“卡脖子”型的難題，也是國際領域競爭的關鍵。

圖9 2001—2020 年人工智能與產業領域時間線圖譜

2.時區圖譜分析

由圖10 可知，人工智能與產業融合領域的關鍵詞語自成為熱點話題之后，其延續性普遍較好，絕大多數話題一直延續至2020 年，并大有繼續延續下去的趨勢，以融合關鍵詞為例，作為本研究的核心關鍵詞，其延續性跨越了近20 年，屬于所有關鍵詞中的佼佼者，可見其在未來很長一段時間內依舊會呈現較好的熱點狀態。盡管在主觀認知中，人工智能是近年來才一躍成為熱門話題，但根據時區圖譜可以發現，幾大重點核心的關鍵詞在2001 年就已經出現并進入學者的研究范圍，與未來20 年相比，2001年成為該領域的成果多產出年份。

圖10 2001—2020 年人工智能與產業領域時區圖譜

四、總結與展望

人工智能與產業融合的情況受產業所屬類型、產業所在國等因素影響，總體分布情況為，發達國家產業融合度高于發展中國家融合度，高新技術產業融合度高于傳統行業融合度。中國作為發展中大國，其融合度并未受全體國家平均狀態的影響，大有躋身發達國家狀態之勢，但由于研究的起步時間較晚，與部分步伐較快的國家如美國和日本相比仍存在一定的差距，研究的系統化和成熟度還有待提升。

因此，為縮小中國與標桿國家之間的研究差距，可從以下幾個方面予以改善：首先是人才保障方面，中國政府可積極引進人工智能與產業融合方面的高端人才和高端環境，同時派遣中國學者前往領域進展先進的幾大發達國家學習最新的技術和理論知識以填補國內相應領域的不足；其次是技術創新方面，通過計算機“深度學習”為基礎算法提供保障，作為歷時彌久的熱點話題，網絡算法的不斷優化是促使技術發展的核心所在；最后是經濟支持方面，眾多國家在發布的財政預算中都為人工智能研究項目預定了不小的數額，資金保障是人工智能技術進一步發展的基礎，而人工智能與產業的恰當融合又能為實體和虛擬經濟創造更大的價值，并以此形成經濟方面的良性循環。