基于專利特征的人工智能領域核心技術識別及發展趨勢分析
——層次分析（AHP）-熵權法

方 曦，崔梁雨，劉 云

（1.上海應用技術大學經濟與管理學院，上海 201418；2.中國科學院大學公共政策與管理學院，北京 100049）

0 序言

隨著中國經濟由高速增長轉變為高質量發展，中國科技實力正在從量的積累邁向質的飛躍、從點的突破邁向系統能力提升，科技創新取得新的歷史性成就，邁入創新型國家行列。然而，中國仍在航空航天、人工智能、醫藥、通信等領域存在關鍵核心技術受制于人的難題，要躋身創新型國家前列，實現高水平科技自立自強，必須要重視核心技術的培育和發展。《“十四五”國家科技創新規劃》明確提出堅持創新在中國現代化建設全局中的核心地位，把科技自立自強作為國家發展的戰略支撐，打好關鍵核心技術攻堅戰。黨的二十大報告中進一步強調集聚力量進行原創性引領性科技攻關，堅決打贏關鍵核心技術攻堅戰。

人工智能（AI）最早在1956 年達特茅斯會議中被明確提出。人工智能之父馬文·明斯基（Marvin Minsky）［1］定義人工智能是一門機器運用人類思維與智能完成復雜事情的科學。隨著新一輪科技革命和產業變革重構全球創新版圖，以人工智能技術為主導的第四次科技革命不斷與傳統產業發生融合和碰撞，推進傳統行業向數字化智能化轉型，不斷催生新的業態，實現新的蛻變與發展［2］。人工智能技術在引發科技、產業和社會變革等方面具有巨大潛力，已經成為各個國家發展戰略、奪取科技前沿陣地的重要依托工具［3］。2016 年美國密集發布人工智能相關戰略，正式啟動人工智能戰略部署，2021 年將《國家人工智能倡議法案》正式升級為法律，確定了人工智能在國家戰略的地位；2018 年歐盟委員會提交報告《歐盟人工智能》，明確制定未來歐盟人工智能行動計劃；2019 年日本發布了《人工智能技術戰略》，從國家層面對人工智能技術的發展和應用進行了總體布局，同年韓國政府發布了《人工智能國家戰略》，旨在推動韓國成為AI 強國，普京批準了《2030 年前俄羅斯人工智能發展國家戰略》，將人工智能技術視為國家間戰略競爭的重要領域。2017 年中國在《新一代人工智能發展規劃》中明確將人工智能提到國家戰略高度，并于2021 年最新的“十四五”規劃中明確提出將人工智能數字經濟產業作為建設數字中國的重點產業。

人工智能作為引領未來的新興技術，成為推動全球科技創新的重要力量。中國必須抓住發展機遇，打破人工智能領域國外的技術鎖定和技術打壓困境，掌握和攻克核心技術、形成自己的科技創新高地。掌握和攻克核心技術的關鍵及首要問題是識別核心技術。專利是技術創新、創新成果的重要載體［4］，90% 以上的技術信息都記錄在其專利文獻中［5］，是關鍵核心技術突破的重要體現。因此，通過專利對核心技術進行識別具有可行性［6］。鑒于此，基于專利信息了解人工智能領域的技術發展現狀，從專利角度對人工智能領域的核心技術進行識別，以期對人工智能領域的核心技術培育和發展提供決策參考，對實現產業領域創新、確定國家戰略方向具有重要的意義。

1 文獻回顧

對核心技術的識別，首先需要明確其概念。現有大部分研究，如田雪姣等［7］、陳瑞真等［8］的研究認為，核心技術是指能夠引領其所在產業領域未來發展，對其他技術產生重要影響，具有重要經濟價值、市場價值或戰略意義的技術，具有支撐性、不可替代性、復雜性。隨著科學技術的進步和高新技術的發展，專利承載著重要的技術、法律和經濟信息，能夠表征技術發展和產業發展水平［9］。如Noh 等［10］學者往往用核心專利來表征核心技術，將核心專利的國際專利分類（IPC）號來反映核心專利的技術主題。利用專利文獻識別技術主題下的核心技術，有利于清晰把握核心技術特征和來源，對了解當前技術發展狀態和規律，開展專利布局和規避風險、預測技術發展方向有重要的意義。

目前基于專利信息的核心專利識別方法主要有以下幾種：一是單一專利指標法。國外學者通常把指標頻次高的專利認為是核心專利，主要集中在專利被引次數、專利同族數、權利要求數和發明人數等指標。這些單一指標識別方法操作性較強，適用于快速識別，但存在片面性和準確性較低的缺點。二是多個指標組合識別法。為提高單一指標識別法的準確性，部分學者逐漸設計指標組合來評估專利價值，如Thompson［11］認為專利文獻引用和被引用的次數與專利價值呈現正相關；Schettino 等［12］通過將專利引用、被引次數、同族專利數指標組合來識別核心專利；Eslami 等［13］用專利被引頻次和權利要求數組合來識別核心專利；袁潤等［14］通過將專利引用頻次、專利同族數、專利訴訟數和權利要求數組合來識別風能技術領域的核心專利。三是專利指標體系構建法。如，Burke 等［15］從專利的技術經濟維度和法律維度來定義專利質量；Ko 等［16］基于專利的內在特征和外在特征選取了 28 個專利指標對專利價值進行評估；劉勤等［17］從專利特征、發明人特征以及權利人特征 3 個維度入手構建專利價值評估模型；黃瀟霏等［18］從專利技術價值、法律價值和經濟價值構建指標體系，結合量子遺傳算法和層次分析法對核心專利進行識別。四是基于復雜網絡識別法。如，Jeon 等［19］通過建立多個復雜網絡對安全技術領域的核心專利進行了識別；Mariani［20］考慮到引文網絡拓撲結構和時間信息，通過引文網絡分析早期識別專家選擇的核心專利；鞏永強等［21］依據專利被相同領域論文、專利的引用行為和與同領域產品間的對應關系建立復雜網絡，通過關鍵節點的篩選識別核心技術；潘微微等［22］運用專利集群網絡中介中心性對碳化硅肖特基二極管技術領域進行核心專利識別。

以上研究從不同角度對不同產業領域的核心專利進行識別，單一指標識別方法適合快速識別但準確性低，指標組合識別法存在選擇的指標冗余混亂問題，復雜網絡識別法存在建模困難、復雜度高的問題，其中以多維度、體系化構建的專利指標體系法是近年來的研究熱點，但現有相關研究選擇專利指標構建識別體系存在一定的主觀性，對識別體系中的指標權重多采用單一主觀賦權法或單一客觀賦權法，造成所識別的核心專利存在一定的主觀性和不準確性。

因此，為進一步完善核心技術的識別方法，首先通過專利地域分布、專利權人及主要IPC 等3 個維度的分析，了解人工智能領域技術的發展狀態；其次，把核心專利作為研究人工智能領域核心技術的抓手，根據核心專利的價值特征構建包含技術、法律和市場三維度的專利指標識別體系，采用層次分析（AHP）-熵權法組合賦權法確定指標組合權重，構建專利價值度評估模型，基于該模型來識別人工智能領域的核心技術，最后進行實證分析。

2 研究設計

2.1 核心專利識別指標體系構建

在閱讀相關文獻后發現，眾多學者認為核心專利是在某一個產業領域中處于關鍵地位，符合生產需要并適應市場發展要求，具有重要技術價值、法律價值、經濟價值的專利或專利組合［21］。即從技術、法律和市場價值3 個維度對核心專利進行評價［22］。技術價值維度表現在核心專利載有大量關鍵技術信息，同一個領域內專利技術的先進性和重要性是評判核心技術的關鍵因素［23］；法律維度是考察專利是否符合法定授權標準及是否具有法律效力的穩定性，具有穩定的法律狀態的專利能夠增強技術競爭力，不會輕易被競爭對手提出無效［24］；市場價值維度是考察該專利市場商業化和應用產出的價值，核心技術不僅在技術上是核心的，在市場的影響力和應用成本上也是核心的。技術價值、法律價值和市場價值相輔相成，只有將三者相融合于一體，才能綜合體現專利價值。基于此，從專利的技術、法律和市場3 個價值維度選取核心技術識別指標，經過專家的指導和綜合前人的研究，遵循指標的易獲取性和科學性等原則，最終選取的相關指標見表1。

表1 核心專利的識別指標體系

2.2 基于AHP-熵權法的核心專利識別模型

指標權重表示指標在整個評價體系中的相對重要程度。指標賦權主要分為主觀賦權方法和客觀賦權法。主觀賦權法是通過專家或決策者的知識經驗或主觀意圖確定評價指標權重，與專家們對各指標間的判斷有關，比如層次分析法、德爾菲法等。客觀賦權法是建立在評價指標的實際數據變異程度和指標之間的影響程度基礎上確定指標權重，如熵權法和TOPSIS 法。然而主觀賦權法存在結果帶有一定的主觀隨意性，可能會產生一定的偏差，不能體現指標實際數據的客觀信息的缺點；客觀賦權法則依賴于足夠的樣本數據和實際的問題域，通用性和可參與性差。綜上，為降低單一賦權法給識別結果帶來的偏差，保證識別結果同時兼顧客觀信息和主觀意見，采用主客觀組合賦權法來確定指標權重，即基于AHP-熵權法來構建核心專利識別模型，通過AHP-熵權法加權組合得到各個專利指標的組合權重，再以此來測算每項專利的價值度，最后篩選出核心專利。

2.2.1 層次分析法確定指標權重

層次分析法是將一個目標屬性系統分解為目標、準則、方案等多指標層次，通過邀請相關領域的專家進行兩兩比較分析，來確定每個層次指標間的相對重要程度的定性和定量分析結合的決策方法。利用層次分析法計算指標權重的步驟如下：

（1）確定專利指標體系評價的目標，明確評估的一級指標和二級指標。根據上述核心專利識別指標體系，一級指標因素集為B={B1,B2,B3}，二級指標因素集為技術指標集={X1,X2,X3,X4}，法律指標集={X5,X6}，市場因素集={X7,X8}。

（2）構造判斷矩陣。同一個層次的評價指標有相對重要性的狀況，將屬于同一個一級指標的二級指標相互進行比較重要性，構造出各層次的判斷矩陣。判斷矩陣中相對重要性通常使用1—9 數值標度的表現形式，各個矩陣元素的標度方法見表2。

表2 判斷矩陣標度法

設有n個指標，構建判斷矩陣X：

式（1）中，xij表示指標i比指標j的重要程度。

第一步：首先將判斷矩陣的數據進行歸一化處理，獲得初步權重向量wi。

（4）一致性檢驗。對判斷矩陣進行一致性檢驗以保證結果具有邏輯性和科學有效性。

第二步，對判斷矩陣進行一致性檢驗。

式（6）中：CI 為一致性指標；CR 為一致性比例；RI 為平均隨機一致性指標。當CI=0 時，判斷矩陣具有完成一致性；當時，說明判斷矩陣X滿足一致性要求；其他CI 值均不滿足要求，需要重新調整矩陣。1—9 階判斷矩陣的RI 數值見表3。

表3 平均隨機一致性指標RI 參照值

2.2.2 熵權法確定指標權重

熵權法來自信息論的基本原理，是利用具體數據信息之間的差異性來進行賦權，指標的離散程度由熵值大小決定。某項指標熵值越小，該指標間的離散程度越大，表明該指標的信息量越大，在指標評價中的權重就越大；反之，熵值越大，則指標間差距越小、權重越小。利用熵權法計算指標權重的步驟如下：

（1）構建原始矩陣X。設有m項專利、n項指標，xuj表示第u項專利的第j項指標的實際值。

（2）數據無量綱化處理。信息熵是一個無量綱值，計算指標權重時應對指標進行標準化處理。采用極差標準化方法，因為所選取的指標均為正向指標。轉換公式如下：

計算第j項指標的熵值Ej：

式（9）中，puj代表矩陣歸一化的概率矩陣。若puj=0，則定義pujInpuj=0。

2.2.3 確定組合權重

基于AHP-熵權法得到主客觀的指標權重，在此基礎上計算組合權重。AHP 賦值有較高的主觀性，熵權法更加關注指標間的原始信息差異性，將AHP和熵權法得到的指標權重組合，既可以克服定性分析主觀隨意性大的局限，又能夠客觀確定評價指標的相對權重，使賦權結果更具有系統性和可行性。組合權重的計算方法為：

2.2.4 確定專利價值度

求得核心專利評價指標的組合權重后，構建專利價值度（C）來反映各個專利的重要程度。專利價值度的計算公式如下：

2.2.5 核心專利劃分

在得到每件專利的專利價值度后，需要對專利進行劃分得出最后的核心專利集。通過查閱之前的相關文獻，發現主要有4 種專利劃分方式：第一，如楊武等［33］、毛薦其等［34］采取的做法，對各個評價對象進行綜合排名，選出排名靠前的專利為核心專利；第二，按照計算得出的核心專利綜合指數的大小比例，將專利分為核心專利、關鍵專利和普通專利［35］；第三，參照現有的專利數據庫平臺構建的指標來劃分專利，對專利價值進行排序［36］；第四，從專利壽命角度劃分，將專利維持時間至16 年時生存概率在50%以上的專利定義為核心專利［37］。基于此，將借鑒第二種核心專利劃分方式，參照田雪姣等［7］的研究，以專利價值度C 最大值為基準，將專利劃分為核心專利、關鍵專利和普通專利。具體劃分方式見表4。

表4 專利分類區間

3 實證分析

3.1 數據來源及預處理

以人工智能領域的專利數據為研究對象，以智慧芽專利數據庫為數據來源。采用關鍵詞的檢索策略，以人工智能相關的詞匯作為關鍵詞，以專利申請日為時間節點，由于專利申請需要審查具有滯后性，不考慮近兩年的專利，故檢索時間和范圍設定在2000 年至2020 年的發明專利。最終檢索表達式為TA:(artificial intelligence OR machine learning OR deep learning OR natural language processing OR computer vision OR smart robot OR image recognition OR speech recognition OR predictive analytics OR fuzzy logic) AND APD:［2000 TO 2020］。檢索時間是2023年3 月25 日，共檢索到387 449 件專利。

由于檢索到的專利量非常大，存在很多已經無效和低質量的專利，為了確保后期識別核心專利的精確度，需要對檢索到的專利數據進行預處理。首先去除已經撤回、未繳年費等無效的專利，每組中簡單同組的只選擇一個專利代表，最后保留77 261組已經授權的發明專利。在此專利數據的基礎上，參考楊大飛等人［35］處理數據的方法，按照核心專利指標體系中專利被引頻次、專利引證頻次、IPC 分類號、非專利文獻引用數、權利要求數、說明書頁數、專利轉讓許可數、專利同族數等各個指標，統計每件專利的字段數值，篩選出每個指標排序前100 位的專利，先合并再去除重復項，最終得到實證數據專利660 件。樣本指標的描述性統計見表5。

3.2 人工智能技術發展概況

3.2.1 地域分布分析

基于智慧芽專利數據庫檢索出的387 449 件初步專利集，分析技術主要來源國申請趨勢變化來了解技術主要來源國的技術活躍趨勢，見圖1。目前人工智能領域的專利申請主要集中在中國、美國、日本、韓國、印度這5 個國家，說明這5 個國家在全球人工智能領域技術創新能力和活躍程度比較高。從總體申請趨勢來看，2000—2010 年是人工智能領域的技術平穩發展期，各個國家專利申請量均未超過1 200 件，發展較為突出的是日本，其專利申請總量領先全球；2010—2020 年是技術快速發展期，專利申請數量快速增長，每年專利增長量的較多的是中國和美國，中國和美國已經走在人工智能領域研發隊伍的前列。其中，中國專利申請數量總數居全球第一，中國人工智能領域的技術研發已經從“跟跑”進入到“并跑”階段；而日本和韓國專利增長緩慢，相比于中國和美國的發展速度處于“掉隊”狀態；印度的專利增長速度明顯加快，以平均每年5 倍的增長速度提升專利總量，近年來印度在人工智能技術研發方面非常活躍。

圖1 人工智能技術專利申請量排名前五國家專利申請趨勢

3.2.2 申請人分析

通過分析主要申請人可以了解人工智能領域技術研發和市場競爭情況。見圖2，排名前十的申請人中有3 家美國公司、4 家中國公司、2 家韓國公司、1 家日本公司，呈現出企業主導人工智能領域技術創新的模式。美國公司分別是IBM 公司、微軟和谷歌公司，均是全球具有影響力的龍頭企業，其中IBM公司擁有2 670 件專利位居第一，在自然語言處理、信息處理和機器學習等領域處于領先地位；韓國三星電子公司排名第二，有2 322 件專利權，和LG 電子公司主要集中在人工智能芯片和AI 機器人領域；中國騰訊科技（深圳）有限公司有2 209 件專利排名第三，總體研發主要聚焦在機器學習、計算機視覺、語音識別、自然語言處理（NLP）等四大方向；日本佳能株式會社排名第七，擁有專利1 444 件，主要集中在深度學習、人臉識別和圖像處理技術。排名前十的企業內中國的企業最多，分別是騰訊科技（深圳）有限公司、平安科技（深圳）有限公司、北京百度網訊科技有限公司、華為技術有限公司，說明中國的人工智能產業發展取得了重大的進展，致力于推動基礎研究走向實際應用，中國人工智能企業的綜合實力在逐步追近國際科技龍頭企業的腳步。

圖2 人工智能專利申請量排名前十的申請人

3.2.3 人工智能領域技術分布

見表6，展現了人工智能領域專利數量最多的主IPC 分類號及其技術主題，由此了解人工智能領域技術分布。可知模式識別、圖像分析、語音識別、大數據、云計算、通信傳輸、計算機視覺等是當前人工智能領域的熱點技術。在此基礎上統計了IPC 的主要國家/機構專利數，見圖3，可知各個國家人工智能技術分布不均衡，各有側重：日本在G06K9、G06T7 和G10L15 領域申請的專利數量較多；韓國專利申請主要集中在G06K9、G10L15 和G06Q30；中國 在G06K9、G06T7、G06F16、G06F17、G06Q10 技術領域的專利數量都領先于其他國家，但在G10L15和G06N20 等技術領域的專利數量均落后于美國，除此之外，在G06F17、G06Q10、G06N3、G06F3、G06Q30 領域的專利申請都較少，說明中國在模式識別、圖像分析、大數據、云計算和AI 管理領域有明顯的技術發展優勢，在語音識別和機器學習等關鍵技術領域的發展水平相對弱勢，專利技術布局不均衡，需要在發展優勢技術領域的同時加大弱勢領域的研發投入，加強技術之間的融合創新；而美國更注重算法等底層技術，在機器學習、語言識別、計算機視覺、數據處理等關鍵技術領域保持一定的優勢。

圖3 人工智能領域主IPC 分類號下各個國家/機構專利數對比

表6 人工智能專利數量排名前十的主IPC 分類號及其對應的技術方向

綜上，全球人工智能技術領域專利數量從2010年之后爆發式增長，其中主要是中國和美國專利數量的快速增長；同時發現日本和韓國研究起步很早，技術基礎儲備扎實，但發展后勁不強。美國申請量雖然沒有中國多，但美國更注重底層技術，基礎技術和核心技術扎實，在語音識別和機器學習等領域具有領先地位；中國雖然起步較晚，但后期專利申請量增長十分迅猛，但也導致技術布局不夠全面、基礎技術專利價值不高、專利的技術創新程度不高。因此，識別核心專利對于中國在人工智能技術領域的研發和改進至關重要。

3.3 人工智能領域核心技術識別及結果分析

首先根據AHP-熵權法對以上所構建專利識別體系中各個指標計算權重系數，然后將根據篩選出的2000—2020 年660 件專利作為實證數據進行核心專利識別分析。在AHP 評價過程中，邀請了6 位上海市知識產權專家組成評審小組，共同按照矩陣標度法對核心專利評價指標進行賦權，采用熵權法來計算權重則是在獲取所有專利指標信息的基礎上進行。經過計算得到的各個評價指標的權重結果分別見表7、表8。

表7 基于AHP 確定的人工智能專利識別指標權重

表8 人工智能專利識別指標的組合權重值

將上述得到的各個評價指標的組合權重和經過無量綱化處理的660 件專利數據代入公式（13），確定樣本數據中各個專利的價值度，并將專利價值度最大值用1 來表示、其他專利價值度按照比例進行轉換，最終得到的專利價值度區間分布見圖4。人工智能領域的660 件專利價值度的分布圖像近似符合正態分布，在專利價值度的（0.1，0.2］區間的專利數量最多，共有418 件，而專利價值度低的區間和專利價值度高的區間的專利數量都比較少，（0.7，0.8］區間有8 件專利，（0.8，0.9］區間有4 件專利，（0.9，1］區間只有2 件專利。

圖4 人工智能領域專利價值度區間分布

按照專利價值度大于0.7 的專利為核心專利，最終得到14 件核心專利、71 件關鍵專利和575 件普通專利，其中核心專利基本信息見表9。14 件核心專利均為美國專利，專利US11405466B2、US11257504B2、US10079014B2、US9966060B2、US10593346B2、US10283110B2、US9972304B2 主 要涉及語音識別技術；專利US11257504B2 主要涉及人機交互技術；專利US6804330B1、US11609552B2、US11210726B2 主要涉及通信傳輸技術；專利US10431204B2、US10521466B2、US11424027B2 主要涉及電數據處理技術；專利US11257576B2 主要涉及計算機視覺技術。由此可見，人工智能領域核心專利所包含的核心技術集中語音識別、通信傳輸、電數據處理、圖像分析等技術領域，符合以上分析的人工智能IPC 國際分布情況，均是當前人工智能領域創新鏈技術層的熱點技術，說明所篩選的核心專利符合世界人工智能技術領域的發展現狀，證明基于專利屬性特征構建的核心技術識別模型具有一定的科學性和有效性。從專利布局的角度來看，美國在人工智能領域核心技術的布局范圍越來越廣闊，重心逐漸分散。雖然美國近幾年在語音識別技術領域的核心專利布局較多，比如蘋果公司申請的多項關于語音識別技術被識別為核心技術，但整體上已經不單局限于一個領域，已經涉及到醫療、交通、物流以及金融、工業等各個產業領域，人工智能技術在不同產業融合創新發展成為當前技術發展趨勢。

表9 人工智能領域核心專利基本信息及技術主題匯總

4 結論與啟示

首先從地域分布、申請人和IPC 分類號3 個層面對2000—2020 年人工智能領域的專利數據進行計量分析，并基于專利價值特征構建人工智能領域的技術、法律、市場3 個維度的核心技術識別指標體系，運用AHP-熵權法的主客觀組合賦權法構建核心技術識別模型，劃分專利分類區間，最后對2000—2020 年人工智能領域篩選后的全球專利進行實證研究。得出以下結論：

（1）所構建的三維核心技術識別指標體系能夠全面識別專利價值度高的核心專利，采用主客觀組合賦權法既可以克服定性分析主觀隨意性大的局限，又能夠客觀確定評價指標的相對權重，對人工智能領域進行核心技術識別的實證分析結果符合實際情況。這表明該核心技術識別模型具有一定的科學性和可行性，不僅豐富了核心技術識別理論，對中國掌握人工智能領域的技術發展趨勢也提供了參考依據。

（2）目前人工智能技術正處于快速增長期，相關專利的重要申請人主要分布在中國、美國、韓國、日本，技術發展逐漸形成以企業主導技術創新模式，模式識別、圖像分析、語音識別、大數據、云計算、機器學習等是當前熱點技術。中國專利成為全球專利申請量激增的主要力量，國內多個知名企業排名世界前列，主要以G06K9、G06T7、G06F16等為技術發展重點，在體量和應用多元化上有所突 破，但 在G10L15、G06F17、G06Q10、G06N3、G06F3、G06Q30、G06N20 等技術方面開發較少，且在G10L15、G06N20 等技術方面落后于美國。這說明中國人工智能專利數量雖多，但技術發展不均衡，技術創新性和價值度低。

（3）識別出的核心專利均為美國專利，涉及的技術主題主要集中在語音識別、通信傳輸、電數據處理、圖像分析等技術領域。從專利布局的角度來看，人工智能領域核心技術的范圍有逐步擴張的趨勢，重心逐漸分散，不僅局限于一個領域，已經涉及到醫療、交通、物流以及金融、工業等各個產業領域。這說明目前美國在人工智能產業領域占據主導地位，不僅擁有很高的技術創新能力，而且有技術發展的預見性；相比下，中國人工智能領域核心技術的實力比較薄弱，自主研發創新能力有待提升。

以上結論啟示著，中國在緊跟全球人工智能技術發展趨勢的情況下，需要進一步注重人工智能領域的研發投入和戰略布局。政府需要加大對人工智能產業技術創新的支持力度，加強頂層政策設計，制定人工智能相關標準體系，開展核心技術創新應用試點示范，加強與國外的合作交流；鼓勵企業加強技術創新和自主研發能力的提升，可以通過構建專利池，吸收重要的專利技術、吸納產業內優秀的企業、突破產業技術瓶頸、促進技術標準的形成，激發企業技術創新活力；加大人工智能技術層的研發投入，提高技術的自主控制力，優化產業專利布局，在保持現有領域技術研發的市場優勢下同步發展多技術主題領域，加強技術融合，充分發揮技術集群間的聯動效應，突破國外技術鎖定的困局。

研究仍存在以下局限性：僅依據專利數據開展核心技術識別容易忽略專利技術與學科發展、技術演化和產業應用間的內在邏輯和聯系；只針對人工智能整體產業領域做了核心技術的識別研究而并未進行不同領域的細分；未來可以考慮多源數據，針對細分領域進一步探索在人工智能領域國家關鍵核心技術演化和突破路徑。