面向國際影響力的中國特色人工智能發展評價體系構建

中圖分類號：TP18 文獻標識碼：A DOI：10.11968/tsyqb.1003-6938.2025044

Abstract Internationalinfluenceinartificial inteligenceservesasapivotalbenchmark forassessinganation’stechno logical competitiveness.This studyaddresses the limitation that existing evaluationsystems，constructedontraditional factorssuchastlet，datadapital，rggltectivelyssssthecicalmesiosofin’steaiolfl enceinartificial inteligence.Itdevelops a China-specificevaluation framework incorporating multidimensional indicators.The methodology proceeds in three stages：asystematicreviewof global research trends on AI international influence;developmentofaerarchicalinfluencemodelintegratingacademic，technological，industrial，andrganatioal dimensions anddesignof amulti-tiered evaluation system featuring 4 primary indicators，l5 secondary indicators，and 44 tertiary indicators，with weights determined through the Analytic HierarchyProcess（AHP）.This framework provides quantitative tools forChina toacuratelypositionitself withintheglobalAIlandscape，enhances its discoursepowerand influence，and offers theoretical support foroptimizing strategic layout and development paths in China’s AIdomain.

Keywordsartificial intelligence evaluation;artificialintellgenceinternational influence;artificial intelligencedevelopment evaluation system; analytic hierarchy process;multidimensional evaluationmodel

習近平總書記在中共中央政治局第九次集體學習時明確指出，加快發展新一代人工智能是關乎我國科技革命與產業變革機遇的戰略命題。這一論斷深刻揭示了人工智能對國家現代化進程的核心驅動價值，其通過優化生產力要素配置、革新傳統產業形態、重構國際規則體系，加速推動人類社會邁向智能文明新紀元。

系統性政策體系強化技術主導權；我國則在國家戰略引領下實現后發趕超，在學術產出、專利規模與產業體量等方面已躋身全球前列。然而，我國的規模優勢尚未有效轉化為規則主導權及國際影響力，主要體現在以下四方面：其一，基礎理論受西方范式約束，我國在底層架構創新方面存在代際差距；其二，核心算法技術依存度高，我國研發活動仍高度依賴美國科技巨頭主導的主流算法框架，自主框架的國際影響力亟待提升；其三，國際學術話語體系主導力

當前，全球人工智能發展呈現梯次競爭格局。發達國家依托長期技術積淀形成先發優勢，并通過薄弱，我國學者在學術榮譽獲取、高水平論文發表等環節面臨壁壘，學術聲譽積累與職業發展受到部分制約2；其四，技術標準制定參與度失衡，我國在國際標準組織中的實質話語權仍顯不足[3]。上述挑戰根植于我國人工智能發展的歷史路徑依賴。作為后發國家，我國選擇“應用驅動、規模先行”的發展模式，雖在產業化落地方面取得顯著成效，但也導致基礎創新與規則制定能力建設相對滯后。破解這一結構性矛盾，亟須構建契合中國\"產學研用\"協同創新生態的評價體系。

隨著全球地緣政治格局演變和大國科技競爭加劇，人工智能評價指數的戰略意義凸顯，成為關乎國家聲譽、議程設置與規范塑造的軟實力工具。當前主流評價體系（如 主要聚焦人才梯隊、數據資源、資本投入、研究與開發、戰略制定等傳統要素構建評估框架[，這種技術導向范式的評價模式主要由西方發達國家占據主導，反映西方價值利益訴求。在當前全球人工智能迅猛發展的背景下，現有評價體系難以適應新興經濟體獨特的創新模式以及我國特色優勢。中國作為新興技術大國和全球治理重要參與者，需構建平衡技術主權與國際協作、兼顧創新效率與安全可控的特色評價范式，為全球人工智能治理提供多元方案。

在此背景下，構建面向國際影響力的中國特色人工智能評價體系具有戰略緊迫性。國際影響力關乎原始創新能力與全球科技治理。面向國際影響力構建評價體系，有助于提升我國在國際人工智能領域的影響力，增強我國在全球科技治理中的話語權。一方面，能夠精準評估我國人工智能在全球的地位與優勢，為我國在全球科技競爭中找準定位、提升話語權及影響力提供量化工具;另一方面，有助于分析我國人工智能領域的發展短板與薄弱環節，為人工智能領域的戰略布局與資源配置優化提供科學依據，推動人工智能產業高質量發展，助力我國在全球人工智能治理中發揮更大作用。

1有關人工智能國際影響力的研究進展

國際影響力指行為體在國際社會特定領域內施加影響的能力[5]，是衡量其國際競爭力與話語權的重要指標[]。需要指出的是，當前針對人工智能領域國際影響力的專門研究尚顯不足。鑒于國際競爭力、國際話語權與國際影響力之間存在緊密關聯，梳理三者現有研究成果，將為后續構建人工智能國際影響力模型及評價體系奠定重要基礎。通過系統分析已有文獻可以發現，當前該領域的研究體系主要圍繞學術創新、技術突破、產業競爭與組織規則四大核心維度展開，又可細分為兩大核心方向：一是構建多維指標體系，以實現影響力的系統評估；二是識別關鍵發展路徑，以探索影響力的提升策略。

在量化評估方面，學者們嘗試構建涵蓋多個維度的分析框架。首先，學術維度主要關注知識創造與基礎研究能力。如王楚涵等將“學術維度\"納入其人工智能國際話語權量化框架；顧國達和馬文景構建的評價體系同樣將“知識創造力”作為核心維度之一，旨在衡量學術創新產出水平8。其次，技術維度主要聚焦核心技術實力與創新能力。如顧國達和馬文景的指標體系包含“環境支撐力”，可部分反映技術發展的基礎設施與生態基礎8。再次，產業維度主要強調產業應用、競爭力與全球產業鏈地位。如王楚涵等明確將“產業維度\"作為話語權評價的關鍵支柱；顧國達和馬文景則構建了專門的\"產業競爭力\"維度，并運用組合賦權法和智能算法進行量化，有效解決了人工智能發展水平國際比較的難題8。最后，組織規則維度則著重國際規則制定權與標準主導權。如王楚涵等清晰提煉出“規則維度”，將其作為衡量話語權和影響力的重要指標。這些研究為系統評估人工智能國際影響力提供了初步的方法論支撐。

在提升策略方面，當前研究同樣指向四大維度的協同發展。一是強化學術維度基礎，如聶鑫焱和張敏指出國際會議是傳播學術話語的重要平臺；劉友金和李威、張其仔均強調加強基礎研究是提升長期影響力的根基，需推動“基礎研究-產業應用\"的聯動[10-1]。二是推動技術維度突破與聯動，如劉友金和李威以DeepSeek為例，說明核心技術突破對重構全球產業鏈格局的關鍵作用[]，張其仔提出需統籌通用與專用人工智能技術發展，并加強技術創新鏈建設[]。三是提升產業維度競爭力，如聶鑫焱和張敏主張構建“知識-技術-產業-人才\"有機生態，其中產業應用落地是核心環節[9]；劉友金和李威強調需將技術“現象級突破\"轉化為全球產業鏈\"結構性優勢”10];張其仔著重指出提升人工智能創新鏈國際競爭力的戰略意義[]。四是深化組織維度參與和主導，如聶鑫焱和張敏、劉曉麒及Gamito的研究均高度一致地指出，積極參與并主導國際標準制定是提升影響力的最直接有效路徑之—[9，12-13]。聶鑫焱和張敏進一步強調應善用國際會議等平臺主動傳播話語、構建生態[9]。

綜上所述，現有研究通過構建多維指標體系和探索多元發展路徑，已從學術創新、技術突破、產業競爭與組織規則四大維度，初步揭示了人工智能國際影響力的構成要素與關鍵驅動機制。在測度研究方面，學者們致力于開發涵蓋部分或全部維度的量化框架，為評估影響力提供了有益的方法論探索。在發展路徑研究方面，提升策略明確聚焦于四大維度：學術維度夯實基礎研究與知識創造、技術維度引領核心技術創新鏈建設、產業維度增強產業應用與全球競爭力、組織維度積極參與并主導國際規則與標準制定。

然而，當前研究存在顯著局限：一方面，指標測度研究雖涉及多個維度，但尚未能有效整合學術、技術、產業、組織四大維度，構建起一個系統全面、邏輯自洽且可量化操作的綜合評價指標體系。現有框架或側重部分維度，或對技術維度等關鍵領域的直接測度不足。另一方面，發展路徑研究多側重于單一或少數維度的理論探討與局部分析，未能從四大維度深度融合與協同演進的系統性視角，提出可量化評估和指導實踐的提升策略框架。

因此，構建一個融合學術、技術、產業、組織四大維度，兼具系統性、全面性和可量化性的人工智能國際影響力綜合評價指標體系，已成為深化該領域研究、精準服務國家戰略的迫切需求。這一體系的建立，將有助于科學評估我國人工智能發展的全球位勢，清晰辨識優勢領域與關鍵短板，從而為制定更具針對性和有效性的國際競爭戰略與政策提供堅實的數據支撐和決策依據。

2基于國際影響力模型的人工智能發展評價體系構建與權重確定

本節旨在構建一套系統、可量化的人工智能國際影響力綜合評價體系。其核心邏輯在于：首先，基于核心要素分析，闡述國際學術、技術、產業與組織影響力的構成要素及相互關系，構建出層級遞進的人工智能國際影響力模型；其次，嚴格依據該理論模型的四維結構及其內在傳導與協同機制，設計相應的分層評價指標體系；最后，運用層次分析法（AHP）科學確定體系中各指標的相對權重，最終形成一個兼具理論基礎和實證支撐的完整評估工具，用以精準衡量國家在全球人工智能格局中的綜合位勢。

2.1人工智能國際影響力模型建立及組成要素分析

綜合前述內容，本文提出人工智能國際影響力由國際學術、技術、產業與組織影響力四個核心要素構成，通過知識傳遞、技術轉化、產業實現與治理協同形成動態耦合系統，其具體作用機制如下：

（1）國際學術影響力是人工智能發展的理論源泉，通過基礎理論突破與前沿技術探索，奠定領域發展的知識基礎。其核心價值不僅體現于全球學術網絡的協作關系構建，更在于通過學術成果的傳播與評議，深度引導技術研發的方向選擇與資源配置。

（2）國際技術影響力表征學術成果向技術能力的轉化效能。企業通過專利布局與開源生態建設等，將理論創新轉化為可工程化的技術方案。技術成果的國際認可度與應用廣度，直接決定國家在全球技術競爭格局中的戰略位勢。

（3）國際產業影響力衡量技術成果在經濟系統中的滲透深度。當技術突破進入產業應用階段，將驅動傳統行業智能化升級并創造新的經濟增量。其核心表征不僅在于市場規模，也體現在國際融資與芯片出口能力。

（4）國際組織影響力作為跨領域協調機制，通過學術組織、標準機構與產業聯盟，系統引導研究方向、規范技術路徑、優化產業生態。其實現形式主要包括國際會議平臺構建、技術標準制定與行業規范推廣，為全球協作提供制度保障。

基于上述要素的互動關系，本文構建了層級遞進的人工智能國際影響力模型（見圖1）。在該模型中，國際學術影響力、國際技術影響力與國際產業影響力形成自上而下的傳導鏈條，而國際組織影響力則作為橫向協同機制貫穿始終。

圖1人工智能國際影響力模型

首先，國際學術影響力通過“成果轉化\"驅動國際技術影響力。以Transformer架構演進為例，2017年Vaswani等提出注意力機制理論[14]，經學術傳播引發全球廣泛關注。產業界迅速將該理論應用于產品開發，衍生出BERT、GPT等突破性模型，在機器翻譯、文本生成等任務中實現智能化躍升，完成了學術創新向技術影響力的價值轉化。

其次，國際技術影響力通過“產業應用\"賦能國際產業影響力。計算機視覺領域的技術突破印證了此路徑。基于卷積神經網絡的算法進步，推動企業開發新一代智能監控系統[15]。此類系統通過實時視頻分析實現人臉識別、行為監測等功能，顯著提升安防行業運行效率，并催化產業規模擴張與技術升級，彰顯技術影響力對產業生態的重塑作用。

最后，國際組織影響力通過“方向引導\"協調并促進國際學術、技術、產業影響力。國際組織通過多維機制整合發展要素。以電氣電子工程師學會（IEEE）為例，其通過CVPR、ICCV等頂級會議搭建學術交流平臺，主導制定人工智能技術標準，同時聯合產業聯盟推動技術落地。此類行動形成“知識傳播-標準規范-產業協同”的三位一體引導機制，為全球人工智能發展提供系統性治理支持。

綜上所述，本文所構建的人工智能國際影響力模型，揭示了人工智能國際影響力本質上是一個復雜適應系統，其形成依賴于學術創新、技術轉化、產業實現與組織治理四維要素的深度耦合與動態協同。該模型清晰的結構維度和傳導邏輯，為系統構建可操作的評價指標體系奠定了直接、可映射的設計基礎。

2.2基于國際影響力模型的人工智能發展評價體系構建

基于前述人工智能國際影響力模型的理論框架，本文遵循“系統性、代表性、易得性、科學性、客觀性”的指標構建原則進一步系統構建分層評價體系。首先采用文獻研究法，借鑒已有研究成果[47-8]，兼顧數據獲取的現實問題，提取可用的具體指標并對其進行補充和優化，同時確保各個指標之間互不交叉且有參考依據，最終形成由4項一級指標、15項二級指標與44項三級指標構成的面向國際影響力的人工智能發展綜合評價體系。該體系是理論模型在操作層面的具體化和量化表達，通過多維度協同機制映射國家在全球人工智能生態中的綜合位勢（具體內容見圖2）。

從圖2可以看出，國際學術影響力聚焦基礎理論創新與學術傳播能力，通過頂級期刊論文、頂級會議論文、國際科研合作3項二級指標，量化評估學術前沿探索深度與知識擴散廣度；國際技術影響力關注核心技術原創性與全球滲透力，涵蓋發明專利、開源代碼、機器學習模型、人才、大模型技術、算力6項二級指標，重點衡量技術標準化能力與生態構建水平；國際產業影響力立足市場全球化視角，依據上市公司、企業國際融資、芯片出口貿易3項二級指標，解析產業價值鏈的全球整合效能；國際組織影響力則聚焦規則制定權，通過在會議組織、標準機構及國際聯盟中的話語權貢獻3項二級指標，評估對全球治理框架的塑造能力。

2.2.1人工智能國際學術影響力

本維度通過頂級期刊論文、頂級會議論文以及國際科研合作3項二級指標，系統解構國家在人工智能基礎研究領域的全球領導力。科技強國的核心競爭力不僅在于科研成果的數量規模，更在于持續產出具有范式變革意義的高質量研究，從而占據學科發展的戰略制高點[16]

（1）頂級期刊論文。該指標聚焦基礎理論原創 性評估，通過4項三級指標實現量化測度。人工智能 期刊論文產出量指本國學者在人工智能頂級期刊數據庫中獲取。

（2）頂級會議論文。該指標側重前沿技術探索的時效性，通過4項三級指標量化評估。人工智能會議論文產出量指本國學者在人工智能頂級會議發表論文的總數量，反映前沿技術領域的國際科研活躍度與響應速度；人均人工智能會議論文產出量指本國學者人工智能頂級會議論文總量與本國本科及以上人學人口之比，反映前沿科研資源配置效率與制度競爭力；人工智能高被引會議論文被引量指本國學者在人工智能頂級會議所發表論文中被引次數排名前500名的論文被引數，反映對新興技術方向的突破性貢獻與國際認可度；人工智能高被引會議論文篇均被引量指本國學者人工智能頂級會議論文中被引用次數排名前500名的論文被引數與論文總數量之比，反映前沿研究成果的持續影響力與創新活力。在判定頂級會議的標準時，可參考中國計算機學會與中國人工智能學會評定的人工智能類CCF-A及CAAI-A會議。其中，CCF-A會議共有7個，包括AAAI、NeurIPS、ACL、CVPR等;CAAI-A會議則有28個。而相關變量的數據可以從WebofScience或其他同類數據庫中獲取。

（3）國際科研合作。該指標評估全球知識網絡整合效能，通過3項三級指標量化評估。人工智能論文國際合作率[8指本國學者在人工智能頂級期刊及會議中，國際合作論文（文獻作者來自至少2個國家/地區）占其論文總量的比例，反映融入全球科研網絡的廣度與學術開放水平；人工智能論文國際主導率[9指本國學者在人工智能頂級期刊及會議中，擔任第一作者及通訊作者的國際合作論文占其國際合作論文總量的比例，反映國際合作中的學術話語權與領導能力；人工智能論文國際合作幅度2指在人工智能頂級期刊及會議中，國際合作論文涉及的外國國家數，反映整合全球科研資源的覆蓋范圍與網絡廣度。相關變量的數據可以從WebofScience或其他同類數據庫中獲取。

2.2.2人工智能技術影響力

本維度聚焦核心技術自主權與全球技術生態位，通過發明專利、開源代碼、機器學習模型、人才、大模型技術以及算力6項二級指標，全面評估國家在人工智能技術開發與推廣中的國際競爭力，深入剖析國家在技術原創、生態構建、應用轉化及基礎支撐等多方面的實力與潛力。

（1）發明專利。該指標作為技術規則國際話語權的關鍵載體，其通過4項三級指標協同評估國家在技術創新中的國際位勢。人工智能發明專利申請量指本國所申請人工智能發明專利的總量，反映原始技術創新的規模與研發活力；PCT國際人工智能發明專利授權率22指本國通過PCT授權的人工智能發明專利數量占本國人工智能發明專利申請總量的比重，反映技術成果的國際合規性、市場價值與準入效率；人工智能發明專利市場轉化率[23]指本國經市場化轉化的人工智能發明專利數量占本國人工智能發明專利申請總量的比重，反映技術向產業轉化的效率與機制效能；人工智能專利高被引率[24指本國被引次數大于等于5次的人工智能發明專利數量占本國人工智能發明申請總量的比重，反映在關鍵技術路線上的創新引領能力。相關變量數據可以使用如Derwent、IncoPat、PatSnap 等國內外知名的全球專利數據庫獲取。

（2）開源代碼。該指標作為技術生態構建的重要支撐，其通過2項三級指標量化評估國家在協同創新網絡中的生態位。人工智能開源代碼貢獻率[7]指本國在GitHub平臺上共享的人工智能開源代碼數量與全平臺人工智能開源代碼總數之比，反映對全球開源社區的滲透強度與技術輸出規模；人工智能開源代碼收藏率指本國在GitHub平臺上共享的收藏數大于200的人工智能開源代碼數量與全平臺收藏數大于200的人工智能開源代碼總數之比，反映技術方案的普適價值與國際認可度。相關變量數據可以從GitHub平臺獲取。

（3）機器學習模型。該指標是評估核心技術突破能力的重要依據，通過2項三級指標量化評估。人工智能高影響力機器學習模型數量指本國發布的具有顯著影響力的機器學習模型數量，反映國家在模型創新與應用方面的引領能力；人工智能高影響力機器學習模型增長率指本國本年度人工智能高影響力機器學習模型發布數量與上年度發布數量的差值占上年度發布數量的百分比，反映模型研發的創新可持續性與迭代速度。相關變量數據可以從EpochAI數據庫獲取。

（4）人才。人才儲備作為技術發展的關鍵因素，通過2項三級指標量化評估。人工智能人才規模[25]指本國AI領域專業人才總量（如LinkedIn數據），反映人力資源的基礎厚度與儲備規模；人工智能高質量人才[25]指本國入選全球頂尖AI學者榜單（如AI2000）的人數，反映尖端研究力量對技術前沿的國際引領能力。相關變量數據可以從LinkedIn和AMiner官網獲取。

（5）大模型技術。其作為工程化創新能力的重要體現，通過2項三級指標量化評估。大模型數量[26]指本國在人工智能領域開發并部署的大模型總數量，反映技術應用的廣度與產業布局規模；大模型參數規模2指本國開發的大模型中參數數量的最大值或平均值，反映模型復雜度與高精度任務求解能力。相關變量數據可以從EpochAI數據庫及相關大模型的官方渠道獲取。

（6算力。算力資源作為界定技術發展邊界的關鍵要素，通過3項三級指標量化評估。TOP500超算數量2指本國進入全球超級計算機500強榜單的超算數量，反映高性能計算領域的尖端研發實力與技術水平；Graph500超算數量指本國進入全球超級計算機圖計算性能500強榜單的超算數量，反映處理復雜數據密集型應用的高吞吐量性能；數據中心數量指本國在人工智能領域可利用的數據中心數量，反映國家在數據存儲、處理和計算基礎設施方面的建設規模與支撐能力。TOP500超算數量可以從國際TOP500組織官網獲取、Graph500超算數量可以從國際Graph500組織官網獲取、數據中心數量可以從DataCenterMap官網獲取。

2.2.3人工智能產業影響力

本維度聚焦國家在全球人工智能產業鏈中的競爭地位與價值創造能力，根據上市公司、企業國際融資、芯片出口貿易3項二級指標解析國家在人工智能價值鏈中的國際位勢。

（1）上市公司。在全球資本市場上，上市公司是國家人工智能產業成熟度和競爭力的直觀體現，通過3項三級指標量化評估。人工智能上市公司數量[]指本國人工智能企業IPO狀態為“Public\"的公司數量，反映產業成熟度與國際集群規模；人工智能上市公司總市值28指本國人工智能企業IPO狀態為“Public\"的公司總市值，反映在全球AI產業中的行業地位與市場影響力；人工智能上市公司總盈利額[28指本國人工智能企業IPO狀態為“Public\"的公司總盈利額，反映產業的商業可持續性、盈利能力與泡沫風險。相關變量數據可以從Crunchbase數據庫和相關企業官網獲取。

（2）企業國際融資。企業國際融資能力反映了國家人工智能產業的資本吸附能力和國際投資者認可度，通過3項三級指標量化評估。人工智能企業融資規模29指本國人工智能企業的融資總金額，反映產業的國際資本熱度與吸引力；人工智能企業平均融資金額指本國人工智能企業的融資總金額與當年該國參與融資的人工智能企業數量之比，反映企業的平均資本吸附強度與估值水平；人工智能企業融資增長率指本國本年度人工智能企業的融資總金額與上年度融資總金額的差值占上年度融資總金額的百分比，反映國際資本注入的增速與產業發展動能。相關變量數據可以從Crunchbase數據庫和OECD官網獲取。

（3）芯片出口貿易。該指標是衡量國家在全球人工智能硬件供應鏈中地位的關鍵指標，通過3項三級指標量化評估。人工智能芯片出口全球占比[26]指本國人工智能芯片出口額與全球人工智能芯片出口總金額之比，反映在全球AI硬件供應鏈中的制造實力與位勢；人工智能芯片企業數量指本國生產芯片的企業總數量，反映芯片產業的成熟度與集群規模；人工智能芯片企業增長率指本國本年度人工智能芯片企業數量與上年度企業數量的差值占上年度企業數量的百分比，反映產業的擴張速度和發展活力。相關變量數據可以從Crunchbase數據庫和DIGI-TIMES官網獲取。

2.2.4人工智能國際組織影響力

本維度聚焦全球治理體系參與深度，通過會議組織、標準機構、國際聯盟3項二級指標，全面解析國家在規則制定中的話語權，深人探討國家在國際組織中的領導力、標準塑造力和多邊合作能力。

（1）會議組織。該指標是學術議程設置和國際領導力的重要體現，通過3項三級指標量化評估。人工智能程序委員會控制能力指本國學者擔任領域主席數與全球領域主席總數之比乘以機構權重，反映學術議程設置的國際主導權；人工智能頂級會議主辦強度3指本國在人工智能頂級學術會議中的主辦頻次，依據會議權威性加權積分，反映吸引國際學術資源的全球吸附能力；人工智能頂級會議參會人數占比指來自本國的參會人數除以頂級會議參會總人數，反映參與國際學術交流的活躍度與人才規模。在判定頂級會議的標準時，可參考中國計算機學會與中國人工智能學會評定的人工智能類CCF-A及CAAI-A會議，相關變量的數據可以從WebofScience以及各會議官網中獲取。

（2）標準機構。該指標是技術規則國際話語權的核心載體，通過3項三級指標量化評估。人工智能國際標準參與率按本國在人工智能國際標準制定中的參與層級（觀察國、參與國、主辦國）計算加權積分值，反映在國際規則制定中的參與度；人工智能國際標準主導能力占比通過計算本國作為主辦國參與相關標準機構的次數占標準機構總數的比例來確定，反映技術規則制定的國際話語權；人工智能國際標準主導能力增長率衡量的是本國本年度作為主辦國參與相關標準機構的次數與上年度次數的差值占上年度次數的百分比，反映主導國際規則能力的動態提升趨勢。在選取標準機構時，可參考ISO/TC299、ISO/TC68、ISO/TC22、ISO/IECJTC1、IEC/TC100、IEC/TC124、ITU等，相關變量數據可以從上述標準機構官網獲取。

（3）國際聯盟。該指標是多邊治理體系構建的重要平臺，通過3項三級指標量化評估。人工智能國際聯盟參與率指本國參與人工智能聯盟的數量占所獲取主要聯盟總數的比例，反映融人全球合作治理網絡的廣度；人工智能國際聯盟主導率指本國主導的聯盟工作組數占聯盟總工作組數的比例，反映對技術路線與議程的國際引導能力；人工智能國際聯盟主導能力基于本國在人工智能國際聯盟中的角色層級（創始國、執委國、普通成員）計算加權積分值，反映在全球多邊治理體系中的決策地位。在選取標準機構時，可參考GPAI、GlobalAIActionAlliance、RAII、PartnershiponAI、IEEECIS、IEEERAS等6個聯盟，相關變量數據可以從上述國際聯盟官網獲取。

2.3基于層次分析法的指標權重確定

在構建了面向國際影響力的人工智能發展評價體系之后，為精準把握各指標對人工智能國際影響力的作用強度與貢獻比重，本文選用層次分析法（AnalyticHierarchyProcess，AHP）確定各指標權重，以深入剖析各評價指標的重要性排序與影響力層級，為體系的科學運用提供關鍵支撐。

層次分析法由美國運籌學家托馬斯·L·薩亞蒂于20世紀70年代提出，是一種將定性與定量分析相結合、可系統解決復雜決策問題的方法[3。其核心在于，能將復雜問題中的各因素按支配關系分組，形成層次結構模型，通過兩兩比較的方式確定各層次元素相對上一層次元素的權重，進而綜合得出各元素對總目標的排序權重。具體操作步驟如下：（1）層次結構模型構建。依據人工智能國際影響力的不同維度與關鍵要素，搭建起包含目標層（人工智能國際影響力）準則層（各一級指標）指標層（各二級指標）和因子層（各三級指標）的完整層次架構。（2）判斷矩陣構建。針對準則層、指標層與因子層中的各元素，組織領域專家進行兩兩比較打分，依據1-9尺度法量化判斷，進而分別構建各層次對應的判斷矩陣。（3）指標權重計算與一致性檢驗。分別計算準則層、指標層和因子層判斷矩陣中各因素的相對權重[2]。由于專家主觀判斷可能存在不一致性，需對判斷矩陣進行一致性檢驗。通過計算一致性指標（ConsistencyIndex，CI）、隨機一致性指標（RandomConsistency Index，RI）及一致性比率（ConsistencyRatio，CR），當 CRlt;0.1 時，可認為判斷矩陣具有較好的一致性，否則需對判斷矩陣進行調整修正，直至滿足一致性要求，確保后續權重計算的可靠性。（4）結果分析與討論。最終確定各指標在人工智能國際影響力評價體系中的權重排序，明晰各指標的重要性程度，為后續依據該體系開展科學、精準的國際影響力評估奠定堅實基礎。

2.3.1層次結構模型構建

在開展基于層次分析法的指標權重確定工作之前，需先構建嚴謹且貼合研究目標的層次結構模型。鑒于本文所構建的人工智能國際影響力評價體系包含眾多三級指標，若直接運用層次分析法，容易導致指標間權重區分不夠精準，難以清晰地反映出各指標的重要性差異，因此，本文采取分層構建AHP矩陣的方式，將各指標科學劃分為準則層、指標層和因子層，形成層級結構自下而上逐層遞進且邏輯緊密的模型。具體層級結構如下：

（1）目標層為“人工智能國際影響力”，是評價體系的核心目標，旨在衡量各國在該領域的綜合實力與地位。（2）準則層為一級指標，包括“國際學術影響力 A₁， 國際技術影響力 A₂. 、國際產業影響力 A₃ 國際組織影響力 A₄ ”四個關鍵維度，分別從理論創新、技術發展、產業應用及規則制定等方面系統剖析人工智能國際影響力。（3）指標層為二級指標，是對一級指標的細化，用 B_i（i=1，2，…，14，15） 表示。如“國際學術影響力 A₁ ”下設“頂級期刊論文 B₁ 、頂級會議論文 B₂ 、國際科研合作 B₃^′′3 個二級指標，每個二級指標緊密圍繞所屬一級指標，聚焦特定方面，全面捕捉學術領域關鍵要素。（4）因子層為三級指標，是對二級指標的再度細分，用 C_i（i=1，2，…，43，44） 表示。以“頂級期刊論文 B₁： ”為例，其下設“人工智能期刊論文產出量 C₁ 、人均人工智能期刊論文產出量 C₂ 、人工智能高被引期刊論文被引量 C₃ 、人工智能高被引期刊論文篇均被引量 C₄^′′4 個三級指標，直指可衡量數據，將抽象的二級指標轉化為具體、可比較的信息，為評價體系提供堅實的數據支撐與細致的評估視角（具體層次結構見圖3）。

2.3.2判斷矩陣構建

在層次分析法中，構建判斷矩陣是確定指標權重的關鍵步驟，其質量直接影響著權重計算的準確性和后續評估的可靠性。

（1）判斷矩陣構建。構建判斷矩陣需基于所確定的遞階層次結構。具體而言，針對每個層次中的元素，逐一比較其相對于上一層次中某一元素的相對重要性。如在準則層，比較各一級指標對人工智能國際影響力目標的貢獻，構造判斷矩陣。同理，指標層和因子層元素也需構造對應矩陣，以量化其重要性比例關系。

判斷矩陣通過兩兩比較，將定性問題轉為定量分析。判斷矩陣維度由比較的指標數量決定，為確保客觀性和權威性，一般邀請領域專家參與打分，憑借其專業知識和經驗，按照1-9級標度表打分法來評估指標間的相對重要性，避免單一指標評價的片面性，為后續的權重計算提供科學依據（AHP判斷矩陣標度見表1）。

（2）專家打分。采用問卷調查方式收集專家意見，邀請5位長期從事人工智能創新評價的專家學者參與。專家須具備深厚的人工智能領域知識和豐富的評價實踐經驗，具體要求包括：在人工智能領域有長期研究經歷，發表過高水平學術論文；參與過國家級或國際級人工智能項目評審；對人工智能技術發展趨勢和產業應用現狀有深入洞察。問卷要求專家對確定的指標進行兩兩比較，并依據1-9級標度表（見表1）對指標相對重要性進行賦值。

圖3人工智能國際影響力評估的層次結構模型

表1AHP判斷矩陣標度

根據專家打分結果，分別構建準則層、指標層和因子層的判斷矩陣。對每個判斷矩陣進行分析，檢查其是否存在明顯的邏輯錯誤或異常值。如果發現某個判斷矩陣的打分結果與其他專家差異較大，則進一步與該專家溝通，了解其打分依據和考慮因素，必要時請其重新打分。最終選取5份問卷結果分別建立判斷矩陣。以專家1對準則層一級指標的打分情況為例（創建其判斷矩陣見表2）。

表2專家1對準則層一級指標的判斷矩陣

2.3.3指標權重計算與一致性檢驗

（1）指標權重計算。準則層、指標層和因子層的判斷矩陣可采用幾何平均法、算術平均法、特征向量法以及最小二乘法等來計算各因素的相對權重[33]。在矩陣理論視角下，對部分問題進行建模時需要用到特征向量法，也就是將問題轉化為求某個非負矩陣的最大正特征根所對應的特征向量作為模型的解，接著對這一特征向量進行標準化處理，從而得到權重向量W[34]

（2）一致性檢驗。AHP不僅需要求解、判斷矩陣各級指標權重，還需要計算一致性指標（CI）和一致性比率（CR）來檢驗判斷矩陣的一致性[35]，CI和CR的計算公式如下：

其中， λ_max 是矩陣的最大特征值，n是矩陣的階，RI是平均隨機一致性指標，根據矩陣的階數而有所不同（具體數值見表3）。

表3平均隨機一致性指標

如果 CRlt;0.1 ，則認為成對比較具有較好的一致性；如果 CRgt;0.1 ，則需要重新評估和調整成對比較矩陣。基于上述公式，對表2中的判斷矩陣進行計算，得到準則層各指標的權重（結果見表4）。

表4專家1對準則層一級指標的判斷矩陣

計算表明，該判斷矩陣的最大特征值為 λ_max= 4.0310，一致性比率 CR=0.0116lt;0.1 ，表明該判斷矩陣具有滿意的一致性，其權重計算結果可信。

2.3.4結果分析

對準則層、指標層和因子層的指標重復上述步驟，計算得出人工智能國際影響力各指標的相對權重。最終所有的一致性比率均小于0.1，順利通過一致性檢驗，表明權重計算過程嚴謹可靠，符合層次分析法的步驟與要求（最終結果見表5），這一結果量化了模型中學術、技術、產業、組織四個維度（一級指標）的相對重要性，以及各維度內部二級、三級指標的重要性排序。權重結果深刻揭示了模型中各要素對最終國際影響力的貢獻路徑與強度差異[36]。

表5面向國際影響力的人工智能發展評價體系

續表5

3結語

人工智能國際影響力的提升具有長期性、復雜性特征，需要遵循“研究-建構-優化”的迭代演進規律。在當今全球科技競爭日益激烈的背景下，我國加快新一代人工智能的發展步伐，構建植根中國實踐、服務國家戰略的人工智能國際影響力評價指標體系具有較為重要的現實意義。

其一，提供中國問題的精準診斷框架。本文構建的指標體系能夠直指我國規模優勢向規則優勢轉化不足的核心矛盾，如通過發明專利轉化率揭示“科技-產業\"銜接堵點，通過標準主導增長率識別國際規則制定參與度的關鍵短板，通過開源代碼收藏率評估自主技術生態成熟度。該體系可以為破解應用能力與基礎創新不匹配、產業規模與國際話語權不均衡的發展困境提供量化依據。

其二，彰顯中國創新路徑的差異化特征。本文構建的指標體系能夠契合中國式創新戰略導向，如技術維度新增大模型數量及參數規模以體現非對稱趕超戰略導向，產業維度突出芯片出口全球占比以呼應雙循環發展格局構建需求，組織維度提升國際標準主導能力權重以反映積極參與全球治理的中國立場。這種應用牽引、安全為基、規則突破的評估范式，形成對傳統人工智能評價體系的方法論創新。

其三，貢獻全球科技治理的中國方案。本文構建的指標體系能夠為新興國家提供新型人工智能治理方案，如論文國際合作率等學術交流指標推動開放科學共同體建設，會議組織、標準機構、國際聯盟等多邊參與指標系統衡量中國在規則制定中的制度性話語貢獻，企業國際融資等市場活力指標探索規模優勢轉化規則影響力的發展路徑。該體系不僅服務于我國人工智能發展態勢評估，更為新興國家提升技術評價話語權提供可借鑒的方法論框架

總之，本文在系統梳理國內外相關研究的基礎上，結合中國人工智能發展實際，構建了國際影響力評價指標的遞階結構，科學計算并驗證了權重分配的合理性，確保體系的可靠性與有效性。該體系有助于精準識別我國人工智能的優勢與短板，為科研機構、企業與政策制定者提供系統決策依據。未來需在筑牢技術安全防線的同時深化開放合作，在發揮制度創新優勢的同時培育核心競爭力，最終支撐我國實現從人工智能應用大國向規則引領強國的戰略跨越。

參考文獻：

[1]于瀟宇，黎靜儀.中國大模型產業的競爭位勢與升級路徑——基于全球價值鏈視角的比較分析[J].宏觀經濟研究，2025（3）：4-17.

[2」謝波，王穎.中美博弈背景下美國對中國高校的打壓及中方應對研究[J/OL].世界科技研究與發展，1-17[2025-08-01].https：//doi.0rg/10.16507/j.issn.1006-6055.2025.06.002.

[3］劉小燕，王睿路.國際技術規則構建中的國家話語權力博弈：內涵、機制與路徑[J].社會科學戰線，2022（10）：158-169.

[4]王晨琳，王楚涵.國際人工智能評價體系的變化及其啟示[J].信息資源管理學報，2025，15（3）：93-107.

[5］魏海香.中華文化國際影響力的提升及其實踐困境[J].中南民族大學學報（人文社會科學版），2023，43（10）：77-85，184.

[6]馮家琪，王海燕，楊代慶，等.中國科技論文國際影響力現狀及提升策略[J].中國科技期刊研究，2025，36（5）：648-655.

[7]王楚涵，潘佳立，李廣建.中國人工智能話語權提升路徑研究[J].圖書情報知識，2025，42（3）：6-18.

[8］顧國達，馬文景.人工智能綜合發展指數的構建及應用[J].數量經濟技術經濟研究，2021，38（1）：117-134.

[9]聶鑫焱，張敏.中國人工智能國際話語權構建與傳播的會議路徑——基于世界人工智能大會的分析[J].科技傳播，2021，13（22）：148-151.

[10]劉友金，李威.DeepSeek 重構人工智能產業鏈\"韌性生態\"：以“卡點突破\"沖出\"長板圍欄\"[J].湖南科技大學學報（社會科學版），2025，28（2）：82-94.

[11］張其仔.加快提升我國人工智能創新鏈國際競爭力[J].工業大學學報（社會科學版），2025，25（3）：1-6.

[12］劉曉麒.中國在人工智能國際競爭中所處地位與優勢塑造[J].陜西師范大學學報（哲學社會科學版），2023，52（5）：152-167.

[13]GamitoMC.Theinfluenceof ChinainAI governance through standardisation[J].Telecommunications Policy，2023，47（10）：102673.

[14]VaswaniAhazeerN，ParmarN，etal.AentionisallyoundJ]Advancs inuralinformatonprocessgstes，2017，30.

[15]王超，董杰，陳含露.面向智能視頻監控的空中交通管制員圖像分割[J].安全與環境學報，2024，24（1）：206-212.

[16]殷之明，馬瑞敏“金磚\"四國的科技表現及其啟示[J].科技進步與對策，2011，28（20）：113-116.

[17」薛欣欣.我國高校教育學院學術競爭力比較研究——基于2018年16家高等教育研究最具影響力期刊的載文統計[J].中國高教研究，2019（9）：94-100，108.

[18］蘇林偉，喬利利.國際合作下的ESI高被引論文產出及其影響力研究[J].現代情報，2019，39（4）：143-152.

[19］林歌歌，侯海燕，王亞杰，等.基于合作率與主導性視角的中國國際科研合作地位變遷研究[J].信息資源管理學報，2023，13（2）：108-124.

[20]石燕青，孫建軍.我國圖書情報領域學者科研績效與國際合作程度的關系研究[J].情報科學，2017，35（11）：114-120.

[21]斯麗娟，辛雅儒，王超群.人工智能發展對勞動力職業選擇的影響研究——基于政府與企業部門的視角[J].上海經濟研究，2025（7）：51-66.

[22］范丹.中關村科技園區企業創新力分析——基于國內外專利分析的視角[J].中國發明與專利，2018，15（7）：29-33.

[23］王甦平，王未，王慶穩，等.跨越“死亡之谷”：構建高質量大學專利評價體系[J].華東師范大學學報（教育科學版），2025，43（3）：24-35.

[24]王傳高，劉雪鳳.基于專利信息分析的區塊鏈研究[J].情報雜志，2022，41（4）：37-45.

[25］彭緒庶.中美人工智能創新比較研究——國家創新能力理論視角的分析[J].當代經濟管理，2024，46（5）：1-12.

[26］武昊，吳永紅.中美人工智能產業競爭力比較分析與中國政策選擇——基于產業鏈與價值鏈雙鏈融合視角[J].天府新論，2025（3）：18-33，153-154.

[27]陸平靜，熊澤宇，賴明澈.高性能計算技術及標準現狀分析[J].計算機科學，2023，50（11）：1-7.

[28」張廣婷，顧淳暉，洪康隆.基于人工智能技術的管理層語調識別及其有效性——來自對企業長期投資預測效果的證據[J].財經理論與實踐，2025，46（4）：43-50.

[29］曹玉平，劉竟威，鄭展鵬.新一代人工智能發展驅動產業深度轉型升級研究——生產函數變革與要素協同匹配視角[J].當代經濟科學，2025，47（4）：80-96.

[30]曹燕，師英昭，曾文.國際高端會議視角下的人工智能領域研究力量和熱點分析[J].全球科技經濟瞭望，2021，36（11）：50-60.

[31]SaatyTAsaling ethodforprioritiesinieraricaltructuresJ]Jouralofatematicalpsychology977，54281.

[32]李宗富，羅曉格.綜合檔案館治理效能評估指標體系構建[J].檔案學通訊，2025（3）：54-61.

[33］趙軍鋒，張淑緣.共同富裕導向下鄉村振興項目績效審計指標構建[J].華東經濟管理，2023，37（6）：1-10.

[34]朱麗波，裴雷，孫建軍.科技報告質量評價指標體系研究[J].圖書情報工作，2015，59（23）：80-84.

[35］趙一鳴，譚欣佩，張勝發.科學數據價值評估研究[J].圖書情報工作，2025，69（6）：58-71.

[36」李顯志，任杰麟，樊映影.基于魚骨圖與層次分析法的讀者抱怨原因分析與對策——以西南石油大學圖書館圖書薦購活動為例[J].國家圖書館學刊，2017，26（3）：46-54.

作者簡介：件軒，男，博士研究生，研究方向：科技情報分析；李廣建，男，教授，博士生導師，研究方向：信息系統、科技情報分析；潘佳立，男，博士研究生，研究方向：信息系統、數據挖掘。