王 山, 陈昌兵
(中国社会科学院 经济研究所, 北京 100836)
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,提出提高新技术创新水平的具体措施与发展建议。
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)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[1]。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[2]。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[3]。
2.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[4]。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[6]。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(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)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]。世界知识产权组织(WIPO,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1960—2018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[15]。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]。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[18]。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[19-20]。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]。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。
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。
(一)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,Xij(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):
(1)
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):
(2)
(3)
其次,计算技术创新水平多指标测度体系中所有指标熵值(Ej):
(4)
最后,计算所有指标熵权Wj:
(5)
(二)综合发展指数构建
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Xij与参考对象序列X0j,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:
(6)
其中,X′ij与X′0j分别为标准化处理后的比较对象序列与参考对象序列,η为分辨系数,本研究参考已有研究将η设置为0.5;最后计算如下的技术创新综合发展指数:
(7)
式(7)中,Ii为技术创新综合发展指数,Xj/Xj0为第j个评价指标的无量纲化数据。
(三)多S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[24]。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:
(8)
式(8)中,Y代表目标技术累计效用值,k、α和β为常数,t为时间变量。一般情况下,k为Y的最大值,f(t1)=1%k,f(t10)=10%k,f(t50)=50%k,f(t90)=90%k。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。
(一)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(1985—2019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)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。
表1 人工智能技术创新发展水平多指标测度体系
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)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。
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(Wj)。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
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(1)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。;最后根据式(7)计算人工智能技术创新逐年综合发展指数(Ii),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。
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。
表3 中美等国人工智能技术创新发展阶段判定
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。
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,1985—2003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
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、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,如若不从根源上提升自主创新能力,我国将难以摆脱“跟跑”的尴尬与“模仿”的标签,难以避免陷入“被卡”的境地。
通过与美国的比较不难看出,我国人工智能新技术创新在基础研究、技术创新与技术进步维度,仍有相当发展空间,由于缺乏占据世界产业制高点的核心技术,存在若干被他国“卡脖子”的领域,深入分析领先国家具有“卡脖子”能力的科技成果可知,其背后的研发工作大多10年前、20年前甚至几十年前就已经开始了,如果仅针对当前发现的“卡脖子”领域进行应对,很难在短时间内实现对领先国家长时间的科研积累的追赶,即使研发突破奇迹般地攻克“卡脖子”技术,5年后、10年后会不会又出现新的“卡脖子”技术?是不是一直要如此疲于奔命?不解决根源问题,只应付眼前问题,就会一直被别人牵着鼻子走,很难实现真正的崛起。
(四)我国人工智能技术创新展望
图3 中美等国人工智能技术创新逐年发展指数
虽然我国人工智能新技术研发起步较晚,基础研究薄弱,技术创新累计综合发展指数与美国相比,存在较大差距,但由技术创新逐年综合发展指数(详见图3)可知,我国人工智能新技术创新发展指数自2003年开始逐年上升,由2003年的15.48增长至2019年的134.65,正不断缩小与美国人工智能技术创新累计综合发展指数的差距。作为后起之秀,在经历长期以技术跟随为主的技术潜伏期与萌芽期,以及二次创新为主的技术成长期后,依靠后发优势,我国于2017年反超自2003年以来技术创新逐年发展指数呈逐步下降态势的美国,跃居全球首位。
我国选择在2003年(即人工智能新技术创新萌芽期尾端)切入人工智能领域这一举措,为我国实现技术追赶提供了时机优势。根据人工智能技术创新所展现出的长周期性与多阶段性特征可知,在技术潜伏期与萌芽期,人工智能新技术创新非常缓慢,即使美日等具有较大先发优势的发达国家,在人工智能新技术发展早期也是成效微薄,如果切入时机太早,虽然可以参与市场主导设计、抢占市场主导权,但同时面临研发风险大、研发成本高等不利因素;如果切入时机太迟,虽可降低研发风险与成本,但却面临较高的技术壁垒,难以抢占科技制高点,处于受制于人的后发劣势。在技术萌芽期尾端切入既可以借鉴已有发达国家发展人工智能新技术的经验,又可以降低获取科技知识及管理经验的相关成本,能够更顺利、快速地进入人工智能技术研究体系。实践结果也证明,我国人工智能新技术的创新发展路径选择是正确的,不仅最大化地利用了后发优势,在短时间内缩小了与发达国家之间的发展差距,而且准确抓住了人工智能技术长周期与多阶段性特征所创造的机会窗口。未来我国人工智能相关技术产业化和商业化进程不断提速,正在加快与千行百业的深度融合,新技术有望于成熟期实现技术的追赶。
(一)结论
本文基于人工智能技术创新科研大数据,从基础研究、技术创新、科技布局、产业规模与技术进步5个维度,创新性地构建了人工智能技术创新水平多指标测度体系与技术创新综合发展指数计算模型,进而绘制出技术创新生命周期S演化曲线,实现了我国与美日等世界主要发达国家人工智能技术创新生命周期发展阶段的评估与预测,以及创新发展差距的定量分析。以具有先发优势的美国为参照对象,通过测算与动态比较中美5个维度在技术不同发展阶段的权重,进一步剖析了我国与美国新技术之间的创新差异,以及影响我国人工智能新技术创新发展的主要因素。由分析可知,从技术创新周期看,美日英法等国人工智能新技术目前已进入技术创新成熟期,而我国则处于技术创新成长期后期,创新仍有较大的发展空间;从新技术创新发展影响因素看,我国虽然在人工智能新技术科技布局与产业规模上较美国展现出显著的发展优势,但仍存在基础研究薄弱,重大原创性成果缺乏、高端人才少等短板,存在若干被他国“卡脖子”的技术领域;从新技术创新主体看,美日等发达国家以企业为主导,技术创新更加贴近市场需求,而我国则以高校为主,侧重于教育与科技创新的结合。
(二)建议
针对我国与其他主要发达国家人工智能新技术的创新差异,以及影响我国人工智能新技术创新发展的主要因素,本文从基础研究、应用研究、产业创新、技术创新机制等方面提出几点发展建议。
(1)强化基础研究。基础研究的核心在于“见之于未萌、识之于未发”,在一些尚未形成热点的领域作好前瞻性布局,进而把握好科技前沿,加大对基础研究长期稳定的支持力度,同时引导企业增加基础研究投入,提高我国基础研究水平和源头创新能力。
(2)推动应用研究。推动应用研究与基础研究的融会贯通,在强调自由探索之外,对于面向经济主战场、面向国家重大战略需求等领域坚持问题导向、目标导向。建议由国家设立重大科技计划项目,支持设立联合攻关团队(校企联合或校校联合等);或以企业为主导并协调高校和有关科研院所的资源,对有关人工智能的应用技术进行研究开发(委托研究、联合研究等形式)。
(3)产业化市场化发展。中国目前以高校为主、各自为战的人工智能研发体系不利于中国人工智能产业对前沿技术的把握和整体技术创新水平的进一步提升,也不利于技术的快速转化应用。建议我国培育一批技术先进、世界领先的企业,使其发挥“龙头”作用,带动产业上下游协同发展,提升行业整体竞争力,同时产业经济效益不断反哺研发投入,从而形成持续创新能力、技术全球领先的产业集群。
(4)完善技术创新机制。我国应鼓励企业培育和引进掌握关键核心技术的科技领军人才和团队,为产业发展提供智力支持;建立综合的关键核心技术突破与创新机制,将短期与中长期科技积累相结合,建立国家基础研究、产业科技等方面的公私结合的综合创新体系,将产业发展创新需求、国家战略创新需求、科研好奇创新需求等三大方面的创新动力综合起来,并重结合,实现“远水”和“近渴”的融合。
猜你喜欢测度维度人工智能三个数字集生成的自相似测度的乘积谱数学物理学报(2022年3期)2022-05-25R1上莫朗测度关于几何平均误差的最优Vornoi分划数学物理学报(2022年2期)2022-04-26非等熵Chaplygin气体测度值解存在性数学物理学报(2020年4期)2020-09-07Cookie-Cutter集上的Gibbs测度数学年刊A辑(中文版)(2020年2期)2020-07-25浅论诗中“史”识的四个维度中华诗词(2019年7期)2019-11-252019：人工智能商界(2019年12期)2019-01-03人工智能与就业IT经理世界(2018年20期)2018-10-24数读人工智能小康(2017年16期)2017-06-07下一幕，人工智能！南风窗(2016年19期)2016-09-21光的维度灯与照明(2016年4期)2016-06-05