中美人工智能技术创新的动态比较——基于人工智能技术创新大数据的多S曲线模型分析.pdf

第23卷第3期 北京工业大学学报(社会科学版)Vol.23 No.32023 年 5 月 JOURNAL OF BEIJING UNIVERSITY OF TECHNOLOGY(SOCIAL SCIENCES EDITION)May.2023DOI：10.12120/bjutskxb202303054中美人工智能技术创新的动态比较基于人工智能技术创新大数据的多S曲线模型分析王山，陈昌兵(中国社会科学院 经济研究所，北京 100836)摘 要：基于基础研究、技术创新、科技布局、产业规模与技术进步5个维度人工智能技术创新大数据，创新性地构建了人工智能技术创新发展水平多指标测度体系及技术创新综合发展指数;根据技术创新 综合发展指数，拟合绘制出人工智能技术创新周期S演化曲线，较为准确定位了中美人工智能技术创新 发展所处位置；由5个维度在技术不同发展阶段的权重分布动态，比较出中美新技术之间的创新发展差 距，分析影响中国人工智能新技术创新发展的主要因素。研究发现,美国日本等世界主要发达国家的人 工智能技术已步入创新成熟期，中国正处于创新成长期后期,技术创新十分活跃;借助于后发优势，中国 人工智能技术创新逐年综合发展指数已超过美国，展现出非常强劲的增长态势。为赢得未来人工智能 技术创新竞争的胜利，中国应在人工智能技术创新体制和技术创新资源配置机制等方面不断完善，确保 中国人工智能技术创新中长期的领先地位。关键词：人工智能技术；技术创新；科研大数据；多S曲线模型；动态比较中图分类号：TP18；F201；F4 文献标志码：A 文章编号：1671-0398(2023)03-0054-14人工智能作为新技术创新的代表与引领未来、重塑传统行业结构的前沿性与战略性技术，逐渐 成为全球新一轮科技革命和产业变革的重要驱动力量。世界各国在以创新为主的人工智能新技术 方面展开了激烈的角逐与残酷的竞争，美国、日本、英国、法国与德国等世界主要发达国家，已将人 工智能作为提升国家竞争力与维护国家安全的重大战略，加紧出台人工智能相关国家规划和政策,围绕核心技术、顶尖人才、标准规范等强化部署,力图在新一轮国际科技竞争中,抢占发展先机并掌 握主导权。如日本人工智能技术战略委员会2017年发布人工智能技术战略、美国2019年启动“美国人工智能倡议”。中国国务院于2017年下发新一代人工智能发展规划，将人工智能上升 为国家战略，并将其作为经济发展和经济增长的主要动力之一。在全球人工智能千帆竞发的当下，经过持续多年的研发布局，我国人工智能技术实现了高速发 展，并在多个领域取得了重要成就。那么与世界主要发达国家相比，目前，我国人工智能技术创新 水平如何？技术处于何种发展阶段？我国发展人工智能的优势在哪？未来我国人工智能发展趋势 如何？为回答这些问题,本文基于技术创新大数据,首先,从基础研究、技术创新、科技布局、产业规收稿日期：2022-11-02基金项目：国家自然科学基金重大项目(71991475);中国社会科学院青年科研启动项目(2022YQNQD028)；中国社 会科学院经济研究所创新工程项目作者简介：王 山(1988),女，中国社会科学院经济研究所助理研究员；陈昌兵(1966)，男，中国社会科学院经济研究所人工智能经济研究室主任，研究员,博士生导师。54王山，等：中美人工智能技术创新的动态比较第3期模与技术进步5个维度创新性地构建人工智能技术创新发展水平多指标测度体系与技术创新综合 发展指数;然后根据综合发展指数模拟绘制出各国人工智能技术创新S演化曲线，描绘各国人工智 能技术创新动态演变轨迹，并研判技术所处创新周期的发展阶段，尤其是通过技术创新演化曲线,精确定位中美技术创新发展位置。其次，重点结合5个维度在技术不同发展阶段的权重分布，客观 动态地比较出中美新技术之间的创新发展差距,探讨并总结影响我国人工智能新技术创新发展的 主要因素。最后,为我国实现人工智能关键核心技术的突破与追赶，摆脱被先发国家控制的劣势地 位，提出提咼新技术创新水平的具体措施与发展建议。一、文献综述目前，学术界既有人工智能技术创新水平测度的相关研究,主要围绕人工智能新技术创新影响 因素与人工智能发展水平测度两方面进行。因此，本节主要从2个方面进行综述。(一一)人工智能技术创新影响因素人工智能技术创新影响因素1.人工智能技术创新影响因素的相关研究主要集中在创新主体、创新效益与创新环境上创新主体可分为生产者与消费者，其中，生产者主要是指政府、高校、科研机构与研发企业等,他们通过经费、人员、仪器设备等资源的投入，为人工智能新技术创新提供原始动力;新技术创新消 费者主要指的是人工智能算法、软硬件与数据的消费与使用者,为人工智能新技术创新发展提供内 生动力。李旭辉等(2020)认为创新主体主要指从事人工智能新技术创新活动中最活跃、最积极的 科研创新人才,只有拥有高素质的科研创新人才,才能加快人工智能新技术创新步伐，并提升人工 智能产业竞争力，他们选择每万人R&D人员数量、每万人本科以上学历人数与教育经费占全省生 产总值(GDP)的比例3个指标，来衡量创新主体创新能力1o陈劲等(2017)基于知识整合视角,提出人力、财力与仪器设备等资源投入是创新主体进行创新活动的根本前提,并选择研发经费支出 比例、研发人员比例、硕士及以上人员比例、与高校、科研机构合作程度4个指标，测度创新主体的 创新能力。王洪庆等(2017)从行业层面构建了包含投入能力与产出能力2个二级指标的产业 技术创新能力评价指标体系，其中创新投入包括人力、资金和设备3个方面的投入，并采用研发人 员投入强度、科研机构密度、R&D经费投入强度与新产品开发投入强度等8个具体指标来衡量o2.创新效益主要包括基础研究效益与应用研究效益基础研究效益主要体现在期刊论文的产出方面。期刊论文能及时反映国内外基础研究创新的 成果和动向，是人工智能新技术创新可持续发展的基石,有助于推动人工智能技术创新基础研究进 程,为新技术的实践应用与优化提供重要基础保障。李莉等(2021)根据高质量期刊文献与顶级会 议论文,分析了全球人工智能产业基础研究态势与全球前沿热点,发现全球人工智能新技术产业基 础研究正快速增长，中国虽起步较晚，但仍受益于国家人工智能发展战略与政策的助力而逐步展现 出领跑态势。应用研究效益则主要体现在专利申请量、权利要求项等方面。专利作为新技术创 新信息的重要结晶和载体,是国家获得核心竞争力与比较竞争优势的决定性因素。聂洪光等(2020)认为，专利数据在衡量国家或某一产业技术创新能力方面具有重要作用，并从专利国际地 位与国际化程度2个方面，引入领域专利申请量与专利合作条约PCT指标,来反映人工智能新技 术的实际创新能力5。兰茹(Lanjouw,2004)等认为，专利权利要求数量与新技术创新能力正相关,权利要求数量越多，新技术创新能力越强同o陈军等(2019)以专利数据为依据，从专利申请总体 情况、PCT专利申请、网络摄像机(IPC)重点技术领域、创新主体等方面，对中美人工智能产业发展 进行了比较研究。认为中国人工智能产业创新发展与美国仍有一段距离，目前以追随为主,但未来 发展潜力与空间巨大7。人工智能新技术的创新离不开社会环境、经济环境与技术环境等创新环境的保障。袁野等 552023 年北京工业大学学报(社会科学版)(2021)为科学合理地评价人工智能新技术创新能力，设计构建了包含技术环境(算法基础、数据基 础、算力基础)、社会环境(人才环境、经济环境、政策环境)与创新主体(企业、高校、科研机构、政 府)等要素在内的人工智能关键核心技术创新能力测度指标体系，其中技术环境主要体现在算法 的创新、算力的增强与数据资源的累积3个方面，并分别选用人工智能开发平台数、集成电路产量 与互联网产生的数据量3个指标进行表征，社会环境则从人才环境、经济环境与政策环境3个方面 进行考量，并分别选择人才需求量、投融资总额与每年新增政策数进行表征。研究发现，在技术环 境方面，算法对提升人工智能新技术创新影响显著，在社会环境方面,投融资总额指标有助于基础 研究成果与应用研究成果的转移转化8。(二二)人工智能发展水平测度人工智能发展水平测度国内外现有文献主要从以下3个方面来测度人工智能技术发展水平。1.从技术创新水平角度测度早期的人工智能发展水平测度主要围绕技术创新水平进行。博斯沃思(Bosworth,2001)9和 伊顿(Eaton,2002)等10采用可以体现技术应用研究创新水平的可量化的显性专利指标来衡量人 工智能核心技术发展水平。随着研究的深入与拓展，期刊论文和专利数据指标相结合逐渐成为测 度人工智能技术发展水平的主流方式。经济合作与发展组织(OECD,2017)使用科学出版物、发展 专利家族数据等量化指标测度人工智能技术创新水平及技术差距等11 o世界知识产权组织(WI-PO,2019)在其所发布的全球首份人工智能系列研究报告人工智能技术趋势：2019中，统计了 19602018年全球人工智能专利申请与期刊论文发表状况,其中专利申请数据用于掌握申请人所关 注的创新领域及人工智能技术发展时空变化，期刊论文用来辅助补充专利数据库中的信息，报告希望 通过对全球人工智能专利及学术论文数据在时间、地域、产业及前沿企业层面的深入分析，为企业、研 究人员提供人工智能最新动向与发展趋势12。穆罗(Muro,2021)等13和施密德(Schmid,2021)等14 也将反映基础创新研究水平的论文数据与专利数据相结合，来测度人工智能技术发展水平。2.从产业化角度测度乌镇智库全球人工智能发展报告(2017、2018、2019)从宏观视角纵览全球人工智能技术发 展,所设计的人工智能技术发展水平测度多指标体系覆盖产业发展、技术水平与应用场景等多个维 度，展现出人工智能全球发展新趋势、各国在人工智能领域的竞争态势以及中国各地的发展概 况15o斯坦福大学在其自2017年开始逐年所形成的人工智能指数系列研究报告中,从研发水平、技术性能与产业发展等多个维度，测度全球人工智能的发展情况16 o清华大学中国科技政策研究 中心(2018)主要从科技产出与人才投入、产业发展与市场应用、发展战略与政策环境、社会认知与 综合影响等4个维度，描绘我国人工智能的发展面貌，力图综合展现我国乃至全球人工智能发展现 状与趋势,以提升公众认知水平、助力产业健康发展、服务国家战略决策17。3.构建多维度指标体系测度2019年，国家工业信息安全发展研究中心发布中国人工智能产业发展指数，从内生动力与 外部环境2个维度出发,既考虑人工智能产业发展现状与发展潜力，又考虑人工智能产业与外部环 境及其他产业领域的相互影响关系，设立基础支撑、创新能力、融合应用、产业运行、环境保障5个 一级指标及18个二级指标，较为客观全面地反映了我国人工智能产业发展态势和特征18o由中 国信息通信研究院政策与经济研究所、数据研究中心研究团队编写的研究报告全球人工智能战 略与政策观察(2019、2020)分别从各国战略布局、国际合作、技术、人才、基础设施和治理等多个 方面，较全面地梳理与总结了全球主要经济体人工智能的相关战略布局、政策与合作进展情 况19-2。打穆罗(Muro,2021)等基于技术创新水平(SCI&SSCI收录占比、人均发表论文作者数、人工 智能万人发明专利拥有量、PCT国际专利申请量、人工智能上市企业研发投入等指标)、企业发展 水平(年新增人工智能企业数、年新增上市人工智能企业数、平均每家人工智能企业营业收入等指 56王山，等：中美人工智能技术创新的动态比较第3期标）与发展环境水平（政府支持项目数、政府支持项目总金额、从业人员平均薪酬、人工智能产业领 域行业标准数量等指标）3个维度构建多指标体系定量测度人工智能发展水平13 o除此之外，阿 里云、腾讯研究院、前瞻产业研究院、赛迪顾问等商业咨询机构，从各自专业领域出发，推出一系列 国内外人工智能新技术专题研究报告。综上所述,人工智能技术创新水平测度方法中应用范围最广、最受学者关注的是多维度指标体 系法，该方法能够从多种维度、多个侧面及多种数据深入了解包含在数据中的信息和规律,但仍存 在以下有待深化之处：（1）人工智能作为新兴行业，其技术创新尚未形成统一、标准的测度框架;（2）人工智能技术创新评价体系的构建缺乏维度之间的系统性分析；（3）鲜有文献从技术创新周期 的视角,对人工智能技术创新水平进行细致刻画；（4）既有研究少有反映人工智能技术创新水平的 综合性指标,也缺乏我国与世界先进发达国家技术创新水平的动态比较研究；（5）人工智能关键核 心技术创新影响因素多以定性判断为主,鲜有关注新技术创新影响因素的定量动态研究。一般而 言，技术创新发展有其内在的周期性规律，创新萌芽阶段侧重于技术的基础研究，基础研究是重大 技术创新的源头；成长阶段重点关注技术的创新应用和科技布局,兼顾技术的推广；成熟阶段则主 要致力于技术的广泛推广与产业化应用;而衰退阶段则重点寻找、选择和研究能够进一步提高技术 性能参数的替代技术。为弥补已有研究局限，本文根据技术创新不同发展阶段所呈现出的特征及各特征之间的逻辑 关系，基于科研大数据创新性地构建了包含基础研究、技术创新、科技布局、产业规模与技术进步 5个维度的人工智能技术创新发展水平多指标测度体系及技术创新综合发展指数,综合集成技术 创新不同发展阶段中不同来源、不同类型的信息数据;然后利用熵权法与灰色关联分析法对测度指 标进行赋权计算，进而绘制各国人工智能技术创新周期多S演化曲线,进一步把握各国新技术创新 发展状况，并准确定位新技术创新所处发展阶段，为我国制定技术战略决策、实现人工智能技术关 键核心技术的突破与追赶,提供可靠政策建议。二、模型构建构建技术创新周期综合指数计算模型之前，需要确定各实际指标的权重，目前指标赋权方法主 要有专家评判法、层次分析法等主观赋权法与熵权法、主成分分析法、变异系数法等客观赋权法 2类21-22，主观赋权法往往容易忽略指标数据自身发展规律,且易受个人主观学识影响而产生偏 差;熵权法是根据实际指标离散程度大小确定权重，适用于数据之间有波动、并将数据波动作为一 种信息的客观赋权方法。根据所构建的技术创新水平多指标测度体系中指标数据的变化特征，本 文选择熵权法这一应用于多指标体系综合评价的客观方法来赋予指标权重。（）指标权重度量指标权重度量首先，对所构建的技术创新水平测度多指标评价体系中的指标数据进行标准化处理。假设有i年数据,j个指标,Xj(i=1,2,3,m；j=1,2,3，,n）为第i年第j个指标的值，所形成的判断矩阵见式（1）:-X11 X12X1nXij=X21 X22 X2n(1)Xm1 Xm X然后对判断矩阵进行标准化处理,参见式（2）（正向指标）与式（3）（负向指标）：X=Xj-min(X)(2)max(Xj)-min(Xj)572023 年北京工业大学学报(社会科学版)X，_ max(Xj-X忆 max(Xj)-min(X”)其次，计算技术创新水平多指标测度体系中所有指标熵值(E1):E _最后，计算所有指标熵权W”:(二二)综合发展指数构建综合发展指数构建1ln(m)mm移X移X，ij丿1-E n-移E j=1(3)(4)(5)m移i=1出_灰色关联分析法是一种衡量比较对象与参考对象之间关联程度的方法，能够对不断变化的系 统的动态发展态势进行量化比较分析23，鉴于熵权法仅考虑了指标的不确定性，尚未考虑指标与 指标之间的关联程度，因此，本研究将熵权法与灰色关联系数法相结合，计算技术创新综合发展指 数,观察技术创新周期演化曲线(时间序列下的技术创新综合发展指数值)发展趋势，并判定技术 创新所处的发展阶段。首先，确定比较对象数列X”与参考对象序列Xj,比较对象数列同式(1)，参考对象序列一般为 比较对象数列中各指标的最大值;然后采用式(2)和式(3)对比较对象数列与参考对象数列作无量 纲化处理;其次,计算如下的比较对象序列与参考对象序列之间的关联系数式：minmin(X,-X,)+浊 maxmax(X,-X,)S _ i _1_1 m i _.1_1(6)(X0j-X,)+浊 rxrx(X,-Xi,)其中,X,与X,.分别为标准化处理后的比较对象序列与参考对象序列，浊为分辨系数，本研究参 考已有研究将浊设置为0.5；最后计算如下的技术创新综合发展指数：I _移Wj/X j=1式(7)中,1,为技术创新综合发展指数,X/Xj0为第j个评价指标的无量纲化数据。(三三)多多S曲线模型曲线模型广泛应用于分析技术创新与竞争的常用经典模型为S型曲线(也称作S型演化路径、生命周 期模型)，其研究起源于美国学者理查德福斯特(Richard Foster,1986)的S曲线:创新技术的发 展趋势，书中Foster采用S型曲线表征技术创新发展阶段，推演技术创新的生命周期(萌芽期、成 长期、成熟期与衰退期)，进而阐明了技术创新各发展阶段之间的相互关系。S曲线主要有逻辑(Logistic)曲线和冈珀茨(Gompertz)曲线2种类型,Logistic曲线适合于增长 快速且显著的技术创新周期预测，在实践中的应用更加广泛，而Gompertz曲线则适用于技术成熟 老化模式的预测24O针对人工智能新技术的发展特点，本文采用Logistic曲线对中美日英法德 六国人工智能新技术的创新发展轨迹与创新周期进行分析。Logistic模型具体形式为：Y _f(t)_Jr(8)1+ae式(8)中，Y代表目标技术累计效用值，仁a和0为常数,t为时间变量。一般情况下,k为Y的 最大值,/(t1)_1%k,f(如)_10%k,f(t5)_50%k,f(tQ _90%ko t1之前代表技术创新潜伏期,t1到t10之间为技术创新萌芽期,t10到t50之间为技术创新成长期,t50到t90之间为技术创新成熟期,t90之后为技术创新衰退期。多S曲线模型是Logistic曲线的拓展与延伸。Logistic曲线模型适用于单一技术如何及何时达 58王山，等：中美人工智能技术创新的动态比较第3期到上限与生命周期各发展阶段的预测，而多S曲线模型适用于同一技术在不同国家或地区或不同 技术在同一国家或地区的发展轨迹预测与比较，进而分析研究其中隐含的规律性特征。本文期望 通过多S曲线同一横坐标（纵坐标）数值所对应的不同曲线纵坐标（横坐标）数值，衡量出不同国家 或地区之间的发展差距及差距最大值，进而指导技术发展差距的调整，即依托多S曲线模型实现我 国与世界主要发达国家人工智能新技术创新发展水平指标数据的模拟与定量分析,进一步揭示各 国技术成长路径、技术发展差距以及未来发展走向,为技术发展差距的调整与追赶时机的选择提供 实际参考依据。三、实证分析（）大数据检索大数据检索为确保检索人工智能技术创新大数据检索的全面性与准确性，本研究在系统调研人工智能技 术创新领域大量相关研究文献的基础上，结合专家建议制定WOS核心合集与DII数据库检索式为 TS=（artificial intelligence OR machine intelligence OR machine learn*OR neurocomputing OR virtual assistan*OR robot*OR artificial neural network*），统计整理基础研究维度与技术创新维度的相 关指标数据;科技布局维度相关指标数据通过全球科研项目数据库，以学科分类与主题词“人工智 能”相结合的方式进行采集;产业规模指标相关数据则主要通过前瞻上市企业库、中国企业数据 库、前瞻产业研究院、奥比斯（Orbis）全球企业数据库与奥西里斯（Osiris）全球上市公司分析库手动 获取，技术进步维度相关指标数据则主要借鉴笔者曾设计的OAVU数值型知识元四元组表达结构 对人工智能技术性能指标进行采集24。考虑到样本时间跨度较长（19852019年）且指标个数较 多,本文将按照最近邻法思想,对人工智能技术创新发展水平多指标测度体系中的指标缺失值和异 常值进行修正。（二二）指标体系构建指标体系构建根据技术创新周期不同发展阶段可能呈现出的特征与各特征之间的内在逻辑关系，同时结合 人工智能新技术创新发展影响因素与技术创新发展测度相关参考文献，表1选择了基础研究、技术 创新、科技布局、产业规模与技术进步5个维度来测度人工智能技术创新发展水平。1.基础研究维度期刊论文能够及时反映国内外基础研究的科研成果和动向，因此，基础研究维度选取期刊论文 指标来表征，指标数据来源于科学网核心合集（Web of Science Core Collection）数据库。2.技术创新维度专利是技术创新研究的重要结晶和载体，专利IPC数与专利MC数能够表明对专利的保护与 覆盖范围，体现发明专利的技术价值，因而技术创新选择优先权年专利申请量、优先权年IPC数与 优先权年MC数3个指标，并选择世界上最大的德温特专利索引（Derwent Innovations Index）数据库 完成上述3个专利类指标数据的采集。3.科技布局维度科技布局是组织化和非组织化的科技力量在经济活动领域、各类研究之间及地域上的分布，能 够反映科技力量的各个要素在时间和空间上的配置状况，研发机构数与研发人员数能够反映创新 主体机构与人员布局状况,研究课题与研发经费能够反映项目与经费等创新投入状况，综上，科技 布局维度主要依据研发机构数、研发人员数、研究课题与研发投入4个指标，并通过全球科研项目 数据库采集指标数据。4.产业规模维度产业规模在一定程度上能够体现技术在市场的应用程度与技术产业化情况，企业数量、新增企592023 年北京工业大学学报（社会科学版）表1人工智能技术创新发展水平多指标测度体系维度指标指标描述含义基础研究科技论文发表数人工智能技术领域科技论文逐年发表数反映基础研究的成果和动向优先权年专利申请量优先权年专利申请的数量技术创新信息的重要结晶和载体技术创新优先权年 IPC 数优先权年专利国际专利分类号的侧重功能分类，包含不同IPC数量小类的数量,表明技术覆盖范围优先权年 MC 数优先权年德温特手工编码的数量分类更加精准，包含不同MC 小类的数量,表明技术覆盖范围研究与开发机构人工智能技术所投入的研究与开发反映人工智能技术研究与开发(R&D)数机构数量机构的布局状况研究与开发（R&D）人工智能技术所投入的研究与开发反映人工智能技术所研究与开发科技布局人员人员数量人员的布局状况研究与试验发展人工智能技术所投入的研究与试验反映人工智能技术研发项目布局R&D）项目数（课题）发展 R&D）项目数状况研究与开发（R&D）经费投入人工智能技术所投入的经费反映人工智能技术研发经费投入 布局状况企业数量人工智能技术相关企业数量考察人工智能技术市场应用情况新增人工智能企业数新增的人工智能技术相关企业数量考察人工智能技术市场吸引力产业规模上市企业数量上市的人工智能企业数量考察人工智能新技术市场关注度人工智能企业融资规模人工智能企业融资规模考察人工智能新技术融资吸引力市场规模人工智能企业市场规模反映人工智能新技术投资吸引力技术进步-+-t_L心片表征集成电路尺寸大小的一个参数考察集成电路小型化的能力GPU算力每秒所执行的浮点运算次数表征人工智能芯片的计算能力业数与上市企业数量能够体现技术被市场接纳与应用的程度,企业融资规模与市场规模反映技术 投融资吸引力与投资活力，进一步揭示出目标技术创新活跃程度，因此，产业规模维度采用人工智 能企业数量、新增人工智能企业数、上市企业数量、人工智能企业融资规模与市场规模5个指标来 表征，指标数据通过前瞻上市企业库、中国企业数据库、前瞻产业研究院、Orbis-全球企业数据库 与Osiris-全球上市公司分析库获取。5.技术进步维度从广义上讲,技术进步是指技术所涵盖的各种形式知识的积累与进步,而技术性能参数动态变 化往往可以体现技术发展的核心与源头知识创新，因此，采用技术性能指标来表达技术进步程度。由人工智能技术相关参考文献可知，人工智能技术创新发展的三大核心技术要素为大数据、算法与 算力，在充分考虑指标代表性、动态性、可获得性与可量化性的基础上,本文选取芯片和手机GPU 算力2个技术性能指标来表征技术进步程度。指标数据主要来源于WOS核心数据库、DII库、Wind与智库报告等。（三三）实证分析实证分析为准确分析中美英法德日6国的人工智能技术创新水平、发展脉络及演化轨迹,本文利用美国 洛克菲勒大学开发的Loglet Lab4软件拟合6国的人工智能技术创新多S曲线模型,并对各国人工 智能技术创新发展阶段进行划分,进而研判与预测各国人工智能新技术创新周期。60王山，等：中美人工智能技术创新的动态比较第3期1.指标权重确定第一，表2是根据指标熵权计算式(5)得到的人工智能技术创新水平各测度指标的权重值(为)。从单个指标权重看，首先体现产业规模的人工智能技术融资规模指标权重最高，然后为人 工智能新增企业数指标;其次为体现技术创新程度的人工智能技术优先权年专利申请量指标,研发 课题数指标权重最低。从分析维度看,首先产业规模维度权重最大;其次为技术创新维度与科技布 局维度,基础研究维度权重值最小。综上可知，产业规模与技术创新维度各参数动态变化对人工智 能技术创新所处发展阶段的判断具有显著影响。表2人工智能技术创新水平测度指标权重值指标科技论文发表数优先权年专 利申请量优先权年IPC数优先权年MC数研发机 构数研发人员研发项目研发经费 投入W0.0640.0910.0590.0690.0580.0730.0120.032指标人工智能新增人工智上市企企业融资市场规模-+F UL.心片GPU算力企业数能企业数业数规模W0.0270.1110.0350.1800.0880.0360.064第二，首先根据灰色关联分析法计算各指标关联系数,设置参考对象序列为各指标数值的最大 值;其次对比较对象数列与参考对象数列无量纲化处理；再次,根据式(6)计算比较对象序列与参 考对象序列之间的关联系数;最后根据式(7)计算人工智能技术创新逐年综合发展指数(/,),通 过技术创新累计综合发展指数拟合技术创新周期演化曲线,研判与预测不同发展阶段分界点。2.技术创新周期曲线拟合及分析根据技术创新累计综合发展指数数据,本文运用美国洛克菲勒大学研发的Loglet Lab4软件来 拟合各国人工智能技术创新周期S演化曲线，以此来研判不同发展阶段分界点，从而定位各国技术 创新所处位置。拟合曲线与发展阶段判定结果详见图1与表3。6 000報 5000窗 4000栄 3 000賞 2 000縮 1 0000 _1970 19992010 2030 2050 2070年份图1中美等国人工智能技术创新周期S曲线由图1与表3可知，各国人工智能技术创新S演化曲线拟合优度R2均在0.9以上，拟合效果较 为理想，我国人工智能技术创新在2003年步入萌芽期,2013年成为萌芽期与成长期的分界点，预 计分别在2023年与2033年步入成熟期与衰退期。目前，我国人工智能技术正处于快速发展的技 术成长期后期，技术创新十分活跃，未来将涌入更多的企业和科研机构,竞争也将越来越激烈。而 美国人工智能技术萌芽于1990年，于2005年步入技术成长期,2020年开始走向成熟，并预计于 2034年进入技术衰退期，目前正处于开展商业应用的技术成熟期，创新动力将持续增强。日本、英因篇幅所限,本文未列出技术创新水平多指标测度体系中各测量指标间的关联系数，备索612023 年北京工业大学学报（社会科学版）表3中美等国人工智能技术创新发展阶段判定国家逻辑曲线拟合优度潜伏期/年萌芽期/年成长期/年成熟期/年衰退期/年阶段中国0.9961985-200320032013201320232023203320332042成长期美国0.9781985-199019902005200520202020203420342049成熟期英国0.9771985198919892003200320182018203220322047成熟期法国0.9411985199119912005200520192019203320332047成熟期德国0.9471985199219922006200620202020203420342047成熟期日本0.9631985198819882003200320172017203120312046成熟期国、法国与德国作为较早启动人工智能新技术研究开发与科研成果推广应用的主要发达国家，同样 具有较大的先发优势，其技术创新发展水平早期均位列世界前沿且技术发展历程与演化轨迹比较 相似，均在1990年左右进入技术创新萌芽期，后经技术不断地积累、发展与突破，分别于2005年与 2019年左右步入技术创新成长期与成熟期，目前技术已经成熟。得益于雄厚的科技与经济实力，美国人工智能技术创新累计综合发展指数遥遥领先于其他各 国，日英法德4国作为人工智能新技术创新发展早期的追随者与前期领导者，在人工智能技术领 域，同样具有较高的发展水平与先发优势，鉴于人工智能技术创新是一个显著的动态累计过程,且 发展周期较长，美日等世界主要发达国家并未因前期先发优势而形成技术发展垄断局面，因而为后 发国家的技术追赶提供了巨大的机会窗口。由图1技术创新演变曲线可预测出，在技术经验渐进 性积累与自主创新能力不断提升的条件下，我国正逐步缩小与美国在人工智能新技术创新赛道上 的发展差距,预计将在人工智能新技术创新发展的成熟期实现技术的追赶与超越。3.技术创新综合发展指数增长率及分析目前，中国人工智能技术创新累计综合发展指数已超越英法德日4国，但与生态成熟、市场广 阔且技术创新水平处于全球领先地位的美国相比,仍有较大发展差距,为分析未来中国人工智能新 技术是否有机会反超美国并掌握创新发展的主导权，本文从人工智能新技术创新累计综合发展指 数增长率这一视角进行了探索，图2是由Loglet Lab4软件拟合出的各国人工智能技术创新累计综 合发展指数增长率变化结果。250 r1970 1999 2010 2030 2050 2070年份图2拟合中美等国人工智能技术创新累计综合发展指数增长率由图2可知，19852003年，美国、英国、法国、德国与日本人工智能技术创新累计综合发展指 数增长速率基本处于快速上升状态,尤其是美国,其技术创新累计综合发展指数增长率远远超过其 他四国，并于2003年达到巅峰,这也从侧面决定了美国在人工智能技术创新早中期的引领地位。而我国的人工智能技术创新起步晚于美国，基础研究原创性成果的不足或某些前沿领域的投入缺 失，导致我国错失了人工智能新技术创新发展的先发优势，在国家大力扶持与自主创新能力不断提 62王山，等：中美人工智能技术创新的动态比较第3期升的情况下，我国人工智能技术大大压缩了技术创新周期。从图2可以看出,2003年，我国人工智 能技术开始崛起，此后，技术创新累计综合发展指数以惊人的速度逐年增长,呈现出了非常强劲的 增长态势，于2016年反超技术创新发展指数增长率不断下降的美国，跃居世界第一。在当前快速 增长态势下，再加上后天技术的积累以及先发的数据优势，我国必将在人工智能新技术这一赛道上 领跑全球。4.影响因素动态分析我国人工智能新技术创新发展速度较快、并在部分领域取得了长足进步,但关键核心技术创新 水平与美国相比，仍存在不小差距。一般而言，技术创新是一个多阶段过程,不同发展阶段因所需 资源、条件不同，其影响因素权重是不同的，而既有研究多以人工智能技术创新发展影响因素的静 态分析为主，缺乏技术创新发展影响因素不同发展阶段的动态评价，因此，本小节创新性地引入技 术创新不同发展阶段这一变量，动态分析不同发展阶段下人工智能技术创新水平多指标测度体系 中不同维度的权重变化，为更加准确、有效地提升人工智能技术创新水平提供信息基础。基于技术 创新演化的阶段性动态特征与人工智能技术目前所覆盖的发展阶段,本文以人工智能技术创新发 展水平位居世界前沿的美国为参照对象，通过测算与比较中美两国的基础研究、技术创新、科技布 局、产业规模与技术进步5个维度，在人工智能技术潜伏期、萌芽期与成长期3个发展阶段中所占 比例，进一步深入剖析我国人工智能新技术创新发展的影响因素。表4是影响因素动态权重的分 布结果。表4人工智能技术不同发展阶段影响因素权重分布维度潜伏期萌芽期成长期中国美国中国美国中国美国基础研究0.0410.0480.0430.0770.0550.087技术创新0.2190.2660.1920.2230.2860.198科技布局0.2220.1800.2360.2900.2870.145产业规模0.4690.4340.4110.3140.2940.438技术进步0.0490.0720.1180.0950.0790.131从表4的纵向维度看，中美两国技术创新、科技布局与产业规模3个维度在人工智能技术不同 发展阶段占有较高比例，其中产业规模维度最高,而基础研究与技术进步维度所占比例较低，体现 出人工智能新技术与诸多产业领域的深度融合与应用。从横向维度看，中美两国5个维度在人工 智能技术不同发展阶段的权重分布有较大差异。我国基础研究维度在技术潜伏期、萌芽期与成长期所占比例分别为4.1%、4.3%与5.5%,比 例逐阶段上升，但增幅比较缓慢，相比之下，美国基础研究在人工智能技术不同创新阶段的比例均 高于中国，且萌芽期较潜伏期增长近60%,约为同一创新发展阶段我国人工智能技术创新投入增 幅的2倍,在一定程度上折射出我国早期人工智能新技术基础研究的薄弱，基础研究成果的不足或 某些前沿领域的投入缺失，导致我国错失了人工智能新技术早期创新发展的领先优势。而美国在 人工智能新技术领域所投入的大量科研经费，以及积累的丰富研发经验，为其形成显著的基础与先 发优势，进而引领全球人工智能新技术创新发展奠定了坚实的基础。随着国家科技与经济实力的不断增强，我国技术创新维度的比重不断上升，并于成长期达到 28.6%,超过美国的19.8%,虽然萌芽期有所下降，但整体上呈现出逐渐递增的态势，而美国在新 技术创新潜伏期与萌芽期的比例高于我国,进一步揭示出美国非常重视新技术早期的基础研究与 技术创新布局。从专利IPC数指标看，中美共同关注的重点领域有G06K、G06F、G10L、G06Q、632023 年北京工业大学学报（社会科学版）G06N、G06T、H04L、H04N等,涉及数据识别、记录载体的处理、电数字数据处理、语音分析或合成、语音识别、图像数据处理、数字信息传输等方面的技术,除共同关注的领域外,我国人工智能新技术 专利更侧重于G05B、G01N等涉及一般的控制或调节系统，以及用于这种系统或单元的监视或测 试装置的传统应用领域,与美国相比,我国缺乏在一些新兴或前沿应用领域的规划与布局。从专利 申请创新主体看，美国以企业为主导，技术创新更加贴近市场需求。而我国则以高校为主，高校本 身的目标和定位与追求经济利益的企业存在巨大的差异，导致其技术创新缺乏与市场的有效结合,对人工智能的产业化也将产生不利影响。得益于建设人工智能新技术时国家的大力支持、互联网产生的大数据、广泛的应用场景以及优 秀人才的培养与储备等,我国在科技布局与产业规模维度比例上,较美国展现出了比较显著的发展 优势。从融资金额指标看,我国在全球人工智能技术领域的融资份额逐年快速上升,呈现出指数级 增长趋势，体现了资本市场对我国人工智能新技术产业投融资的热度与信心;从市场规模参数看,我国人工智能新技术产业规模同样呈现出爆发式增长，不断助力传统行业实现跨越式升级与改造。然而我国技术进步却比较缓慢，较美国仍有一段距离，尤其是成长期达到比例差值的最大值5.2%，究其原因，主要在于美国在人工智能新技术创新发展早期的前瞻性布局，在于技术创新制高 点的抢占，在于基础研究创新突破以后快速将研究成果转化为企业以及国家的核心竞争力，在于技 术产业链上游赛道发展先机的占据等等。从技术进步维度的芯片指标看,2019年，国外最先进芯 片量产精度为7纳米，我国只有20纳米，差距两代，研发与创新迭代的落后,导致我国高端芯片基 本全部依赖进口，因此，