谭 晓 西桂权 苏 娜 李佳娱 李 辉 靳晓宏

(1.北京市科学技术研究院科技情报研究所 北京 100044；
2. 中国科学院科技战略咨询研究院 北京 100190)

随着科学、技术、社会一体化程度的不断提高，技术创新与国家治理、国家安全、发展的联系日益密切，科学技术活动逐渐成为体现国家意志的活动[1]。颠覆性技术作为构筑领域先发优势、在国际科技竞争中实现弯道超车的重要路径，国家对此高度重视。颠覆性技术的早期识别可以帮助政策制定者和企业决策者减少不确定性，并逐渐凝聚政策干预或投资的焦点，并尽早为新技术的后果制定计划。越早确定颠覆带来的结果，从中获取的利益会带来更大的优势。

颠覆性技术创新是从结果的视角进行定义的，即技术对应用领域产生的影响是颠覆的。最早提出相似概念的是经济学家熊彼特[2]，其创造性破坏理论观点认为每次大规模的创新都淘汰旧的技术体系和生产体系，并建立新的生产体系。颠覆性技术是由于应用新的科学原理、技术组合、应用新场景等技术创新手段而对市场产生了颠覆，并最终替代原有技术或产品。市场是检验颠覆性技术创新的最终标准，市场接受程度是衡量颠覆性创新的最终指标。Christensen[3]认为市场端的颠覆性技术的特征是商品增加了新的性能改进的轨道，同时导致市场绩效增长，并产生了新价值网络。并以硬盘为例说明某些性能的跃迁并不一定是基于科技端的突破，市场端的变革是由于性能改进对现有的技术轨道产生了破坏。

伴随现代化程度的不断推进，科技与商业、社会、军事的融合程度及相互影响不断加深，对颠覆性技术在不同的应用领域的内涵有了新的认知。Arthur[4]认为颠覆性技术不同于持续性技术，是一种高度不连续或革命性的创新类型，其萌芽期是新技术轨道的开始，慢慢成为持续性技术，随着技术生命周期的完成，会被另一个颠覆性技术取代，形成新的轨道。德国弗劳恩霍夫协会认为：颠覆性技术就是能够改变已有规则的技术，与现有技术相比，在性能或功能上有重大突破。国内外学者围绕颠覆性技术的内涵要点从特征出发进行颠覆性技术的识别，多用于利用指标体系进行颠覆性技术遴选。Leifer等[5]的研究表明，颠覆性技术是能带来或可能引发一个或几个方面效果的技术创新类型；
Kotelnikov[6]认为颠覆性技术能使产品、工艺或服务具有前所未有的性能特征或者具有相似的特征，但是性能有巨大提升或者创造出新产品的技术创新。孙永福[7]认为引发产业变革的颠覆性技术是以技术取得重大突破为基础和前提的，以该项技术为核心的产品具有颠覆性创新特征，能催生潜力巨大的市场，并引发从生产、组织管理、商业模式等的变革。王康等[8]辨析了与颠覆性技术相关的概念，并从商业视角和国家战略视角总结出区别及共性。

Christensen提出的颠覆性理论用于解释技术变革时，主流技术拥有者被新兴技术企业所替代的现象。随着对颠覆性技术认识的不断加深，颠覆性技术不应从技术对市场的作用模式上进行区分，而应该从结果和影响进行界定。颠覆性技术根源在于技术本身的更新(科技领域)，作用的影响是对应用领域的变革：技术经济社会范式的变革(对经济、产业、市场、科技、社会宏观结构的影响)和军事变革。本文探讨的颠覆性技术主要是从技术和市场两个视角综合来看，既要从创新链的基础研究端看技术发展的温床和培养皿，又要从创新链的市场端看技术拉动的需求和影响。颠覆性技术是具有对行业或领域进行转场的技术群，即由于新技术的出现(源于技术驱动或者需求拉动)，使得生产商陆续转向面向新技术的产品或相关设备的生产，以满足市场需求，进而使得该行业产业链上下游均发生联动变化，竞争规则进而发生变化。颠覆性技术是相对于领域/行业的新技术或技术群，可以是完全创新的技术，也可以是跨领域应用的技术或组合技术。

颠覆性技术方法层面研究已经取得丰硕的成果：Buchanan[9]利用专利权人的影响力识别和评估技术的颠覆性；
苏敬勤[10]利用智能手机专利，通过分析专利量、专利引用量和专利引用率等随时间变化的J-L型曲线，从而揭示了颠覆性技术的演化轨道，并提出了“专利影响因子”这一计量指标；
栾春娟[11]基于专利申请数量、专利被引数、IPC号等综合指标进行识别；
黄鲁成[12]基于生物入侵模型，对主流技术及新技术属性相似度进行对比计算，认为相似度小的颠覆性大；
考虑到萌芽状态的技术作为颠覆性技术研究对象，对于战略布局的时机问题意义重大，首先从创新性和独创性筛选出潜在颠覆性技术，然后利用新功能间接侧端市场影响力[13]；
张金柱[14]利用专利对引用科学文献的关键词主题/簇类、学科分类等维度的突变进行突破性技术的识别。目前对于颠覆性技术的识别集中于论文或专利的分析，无法应用于市场驱动的颠覆性技术的识别。市场分析方法不注重技术层面的分析，没有提出与颠覆性技术直接相关联的指标。从系统的角度看，颠覆性技术的研究应该将科技端和市场端联合起来。

有很多学者从案例出发进行颠覆性技术有关特征和模式的研究分析，认为颠覆性创新中存在低端和高端两种模式，并且呈现了不同特征[15-18]，高端创新产品具有跨行业、价格高、性能好的特点，低端创新产品具有行业内、便捷性、价格低的特点。Christensen的研究内容偏向“从低端市场侵蚀，逐步取代主流技术的创新”，但在当前阶段已经很难再能产生颠覆性效果。从技术来源看，当前更着重跨行业融合应用、技术突破两种方式。从创新链条基础研究-技术研究-市场应用看，研究机构、企业是承担基础研究、技术研究的载体，消费者、政府是市场需求的主体，Nagy等[19]也认为全过程视角探讨创新活动，应当综合考虑技术创新、生产流程、商业模式及市场环境等影响因素。在该部分通过跨行业融合应用及技术突破进行两个典型案例的分析，试图分析创新主体技术及市场联动因素、创新演进过程及颠覆性特征。

2.1 案例分析

本部分选用手机和新能源汽车作为案例进行颠覆性技术特征的定性分析。手机行业的发展大致可以分为：模拟手机时代、数字网络时代、智能手机时代。从产品本身看，横向比较整合的不同行业技术，相比较同时期的游戏、MP3、照相机等产品技术，均低于当时的主流技术；
纵向看智能手机相对功能手机的技术发展，技术轨道发生了重大变化，智能手机更多的是便携式计算机的思想在手机行业的实现，操作系统、应用程序的应用使得手机同时具备了掌上电脑的功能。尽管智能手机的功能均低于单个的产品功能和配置，但是满足了集多种功能于一体的需求，市场价格低于多个单品的总和，且便携。从对行业外的影响看，其他行业的在位企业没有意识到行业外产品对其产品的颠覆威胁，当时的Palm为掌上电脑的在位企业，由于没有意识到行业外产品的竞争性，仍与智能手机企业进行操作系统、触摸屏等方面的合作，忽视了行业外具有交叉功能产品的竞争。

较之智能手机的演化，新能源汽车除了受企业自身的因素外，更多地受到市场需求、基础研究机构、政策层面的影响。在其整个发展过程中，更能体现出科技创新生态。从参与主体看，涉及政府、高校/科研机构、企业，以政策导向，企业和研发机构进行资源共享，协同创新，拓展颠覆性技术框架；
从创新链条看，材料学领域的基础研究，联动锂电池技术的突破，打破了一直以来限制电动汽车发展的能源瓶颈，同时在市场端的消费者和政策环境，通过科技计划、研发平台的构建为发展新能源汽车技术变革打下基础，在宣传、补贴、基础设施服务等方面增强了消费者环保意识，促进了消费者的需求。

2.2 特征分析

颠覆性技术与其他技术相同，都要经历从实验室到市场/产业/军事应用的发展，而且需要在较短时间迅速迭代扩张，实现对传统技术的取代和颠覆(见图1)。

图1 颠覆性技术演化特征分析

颠覆性技术区别于渐进性技术，不是在原有技术轨道上的性能提升，而是基于新的技术轨道，这已是共识[19-21]。

从创新来源层面来看，颠覆性技术来源于基础理论创新或技术突破、跨领域的技术应用、多项技术集成创新[22-23]。智能手机领域从纵向技术发展看来，尽管有手机架构等区别于功能手机技术创新，但更多的来源于便携电脑的移植，承载了跨领域多种技术集成融合，其过程历经了一代代的技术更迭；
新能源汽车核心部件(电驱动、电池、电控)的创新，特别是电池技术的突破经历了很长的链路，最终产生技术突破实现行业的颠覆性变革，不论技术来源于哪里，都是突破理论选择和需求的生产两个环节[24]。

从市场/社会需求层面，颠覆性技术是相对于领域主流技术，是个动态相对的概念，作为承载该颠覆性技术/技术群的载体，产品更多地满足了新的应用场景，具有主流技术产品不具备的功能，或者满足了新的需求，例如新能源汽车满足了节能、环保的需求，智能手机满足了休闲、工作多种场景的需求。

颠覆性技术的出现并未受到主流技术企业的重视，或者主流技术企业尽管意识到其威胁，但无法在原有技术轨道上进行突破或者融合创新。当颠覆性技术成为主流技术，其产品性能会不断提升，例如智能手机，经历了3G、4G时代，迎来了5G时代，不管是GPU的算力还是速度、性能均有了大幅提升；
新能源汽车电池技术也在不断突破，新材料基础研究的突破使得电池容量、安全性能不断提升，而随着氢能源的广泛应用，新能源汽车又会迎来一个新时代，而这些均是基础研究、技术应用、市场需求共同作用下产生的，即颠覆性技术生态环境。

国家十四五规划明确指出要建立以企业为主体、市场为导向、产学研深度融合的技术创新体系。特别是在范式转变、技术变革的窗口期，要以全过程视角探讨创新活动，综合考虑科学技术创新、生产及市场环境的影响因素以及参与的主体互动情况。

科学研究的突破往往会带来一系列科学发现和技术发明，如电磁理论的建立推动人类社会进入了电气化时代；
产品的开发与创新过程既需要基础理论突破，又需要相关专利的开发应用，如高端芯片研发既需要数学、物理、化学等基础学科的综合知识基础，又需要设计、晶圆制造、封装和测试多种技术；
新型仪器的研发又有助于基础研究的突破，如随着加速器的不断改进，对微观物质世界的认识逐步深入，粒子物理研究取得了巨大的成就。市场端的用户需求、政策引导往往是这个过程的催化剂。

从颠覆性技术的创新来源方向(一是基于科学原理的重大突破产生的颠覆性技术，二是技术集成创新产生颠覆性技术，即新技术和现有技术的组合，三是技术的颠覆性应用形成颠覆性技术，即跨领域应用，四是以颠覆性思路解决问题催生颠覆性技术)发现颠覆性技术一定是新技术，是有可能改变现有技术产品或创造全新的技术，颠覆性技术蕴含着从基础研究到市场应用整个创新链的上下游，因此从创新过程的视角出发，颠覆性技术的创新过程可以用科学-技术-市场形成的模型来描述，对应产品、技术、科学理论方法，其互动体现在依赖关系及内部联系(见图2)。颠覆性技术的产生可能来源于基础理论的重大突破，可能是技术、方法、理论的跨领域应用，可能是当前技术和新技术的组合创新，也可能是全新技术，基于该模型，研究三者的联动共生关系，进而提升培育/孵化颠覆性技术产业路径(理论、产品)，为加强科技安全保障能力提供借鉴。在实验验证阶段，市场部分的数据主要考量了国家需求、企业自主研发需求，因此数据选取了项目数据，构建了科学-技术-项目网络模型进行探讨分析。

图2 创新过程中科学-技术-市场互动模型

颠覆性技术的创新过程可以用科学-技术-市场形成的模型来描述(见图3)，对应科学理论、技术方法、市场需求，其互动体现在依赖关系以及内部联系。颠覆性技术的产生可能来源于基础理论的重大突破，可能是技术、方法、理论的跨领域应用，可能是当前技术和新技术的组合创新，也可能是全新技术，基于该模型，研究科学-技术、技术-市场、科学-市场的联动共生关系，进而提升培育/孵化颠覆性技术产业路径(理论、产品)，为加强科技安全保障能力提供借鉴。在颠覆性技术创新过程中，包括了来自基础研究的科研机构及高校、技术研发的主体企业及市场端的政府、其他企业以及用户等。科研机构和高校进行的知识创新是颠覆性技术的根源；
企业利用技术、知识积淀，进行的技术场景和应用的探索、辨识技术风险、打破市场主流的障碍、以技术突破或跨领域技术融合创新实现技术轨道的跃迁，并迅速通过迭代创新进行技术内容层面的颠覆，是颠覆性技术的培养皿；
颠覆性技术以满足用户需求为导向，同时它的出现满足于当前国家重大问题的解决，加之行业企业间的竞合关系，使得颠覆性技术的科技生态良性构建，使得市场成为颠覆性技术破坏主流技术的催化剂。

图3 科学-技术-市场模型的创新过程

4.1 方法流程及数据说明

4.1.1方法流程

应用科学-技术-市场模型进行演化路径下颠覆性技术识别，在实证具体应用中，市场的数据考量了国家需求和企业自主研发需求，构建科学-技术-项目网络模型进行应用。将网络作为研究对象，需要进行社团主题识别、主题演变分析以及可能的异轨主题发现。以关键词共现网络为研究对象，通过共现关系和主题模型社团发现主题分析，在主题发现中应用社团识别，在类簇中权重大的为该聚类的主题。通过网络结构的中心度、密度、主题相似性、主题随时序演化等特征进行主题演变规律的分析。可能异轨主题在本文中应用的是突变性指标、主题规模和主题质量等指标进行识别。

a.基于共现关系和主题模型的社团发现和主题识别。通过共现关系和主题模型社团发现进行主题识别。根据文献的共现关系，计算两篇文献的标准共现度。

(1)

其中Nx为文献x的关键词数量，Ny为文献y的关键词数量，Nxy为文献x与文献共现的关键词数量。基于LDA模型的文章映射的主题向量为di=(t1,t2,…,tk)，两篇文章的相似度计算采用两个主题向量的余弦值计算公如式下：

(2)

本部分将基于LDA形成的文献相似矩阵和基于引文耦合形成的文献关系标准矩阵进行语义及结构融合。基于引文耦合网络(标准化值≥0.06)，根据语义信息，对网络关联关系进行调整，并调整其权重：

sim(i,j)=

(3)

其中，simLDA是文献相似值；
coco-occ是标准共现度；
co(i,j)是指任意两个节点i,j(节点是文献的映射)是否在基本共现网络中相邻，若co(i,j)=0则不相邻，若cite(i,j)>0则相邻。公式(3)中，a的确定：按相似度由高到低的顺序排序选取满足一定阈值的值，其中最小的值即为a；
b的确定：按相似度由低到高降序排列，选取满足一定阈值的值，其中最大值即为b。基于基本网络，如果两个节点间没有链接，且两点间的语义相似度高于所有节点两两间相似度的，则在基本网络的基础上添加链接；
如果两个节点间有链接，且两点间的语义相似度高于基本网络中相邻节点的语义相似度b的，保持两点的链接。在本研究中λ选取0.5，阈值选择top10%。利用大规模社团发现Louvain算法进行社团划分，该算法是一种基于模块度的图算法模型，权重大的为该类团的主题。

b.基于主题相似度的主题演化分析和异轨主题发现。主题演变过程中，通过主题相似度分析主题在时间序列演变下的关联。考虑主题的数量和质量，即用社团的节点规模表示数量，社团中心性表示社会网络地位，用此表示主题质量。主题相似性的计算依据GED,并增加了主题规模和结构特点。在两个相邻时间段，两个主题的相似性取决于主题关联度，主题关联度与两个主题包含的共同节点的中心性相关。

节点i的相对中心度标准化计算公式：

(4)

t时间窗口的主题Ct在t+1时间窗口的主题Ct+1的关联度计算如下：

(5)

战略坐标图在主题聚类的基础上，对不同主题间的内外关联进行可视化，评估主题演化发展的重要性和发展程度。借助于密度和向心度构建而为指标，四个象限的定性表示：第一象限是高成熟度和核心的主题；
第二象限是高成熟度和孤立的主题；
第三象限是新兴主题或者即将消失的主题；
第四象限是成熟度低的基础主题，可能成为研究热点或未来发展趋势。基于战略坐标结合时序，分析主题在演变中密度、中心度、规模的变化，在第三象限的主题可能成为异轨主题，并通过主题的关联计算，得出可能的颠覆性主题(见图4)。

图4 战略坐标图各象限示意图

具体的数据处理、文本挖掘及基于网络的主题演化分析流程如图5所示。

图5 基于论文、专利、项目网络新技术主题分析流程

4.1.2数据说明

在科学-技术-市场模型的基础上，本部分数据围绕论文、专利、项目(一定程度上体现企业自由探索的项目)，对人工智能领域进行分析。数据选择CNKI、智慧芽以及各级人工智能项目(国家自然科学基金、工信部、发改委、科技创新、国家重点研发计划项目)、政策数据。整个研究的假设来源于颠覆性技术是新技术，该技术可以是基础理论突破、技术突破形成的新技术，也可能是已有技术的集成融合形成的新技术，或者是已有技术的跨领域应用。

论文作为创新思想的载体，更多地体现了研究的基础和成果，是科学家对科学问题所做的探索和突破[25]，是科学知识的主要来源。专利是发明这种创新技术对外的最重要公开方式，专利文献更多地体现的是技术的先进性，包含着与创新意图和技术发展相关的规范化数据[26]，可以作为衡量企业技术创新和技术焦点的工具。项目是面向科学问题进行的探索和研究。基金项目更侧重基础研究，体现国家需求的履行和实现；
其他部委和企业项目更偏向科学难点的突破和工程的实现，一定程度上体现了国家和企业的需求。

因此，在实证上利用论文、专利、项目，辅以政策规划数据一定程度上反映科学-技术-市场模型的应用。

4.2 实证——以人工智能领域为例

近年来，我国政府高度重视人工智能技术的发展，相继出台了多项战略规划，不断推动人工智能技术发展和产业布局优化。搜集近年来，我国颁布的相关政策，立足当前相关政策的发展历程，可以发现人工智能相关政策经历了3个阶段。

a.人工智能——“智能制造”时期(2015-2016年)

随着两化融合政策的深入推进，2015年开始，国家将现有的工业系统与信息化、智能化技术相结合，利用信息化网络技术将实体产业进行智能化扩展以实现两化融合，开启了人工智能的发展道路。

b.人工智能——“互联网+”时期(2016-2017年)

在这期间，人工智能在“互联网+”、新兴产业科技创新等政策中所占的比重越来越大，“互联网+”与人工智能首次由国家发展改革委、科技部、工业和信息化部、中央网信办将工作规划提上部委章程，同时国家也越来越重视“人工智能”对智能制造的重要性。

c.人工智能——国家战略规划期(2017年-至今)

随着2017年国务院发布《新一代人工智能发展规划》，人工智能正式进入国家战略规划期，作为一项重要的国策，成为经济发展的大主题。同时人工智能技术、应用及人才相关指导意见与落地政策纷纷颁布，各行业也将与人工智能的结合作为发展的第一要务。

随着人工智能向社会各领域的全要素渗透、与传统产业的全过程融合，必将带来经济发展、社会生产、城市管理等方面的颠覆性变革，全球领域的智能化竞争已悄然拉开了帷幕。依据人工智能发展需求，近年来，我国在人工智能领域的项目布局也逐步向纵深铺开。

获取2009年-2018年以来相关论文、专利和项目构建上述论文-专利-社会/政策三方面数据的融合网络(为了避免语言的不一致，本次数据验证选取的均是国内相关资源)。

在下载相关数据时，首先对体现国家需求的项目数据进行分析，选取布局层面主题，在设置论文、专利检索策略时，除了“人工智能”“AI”之外，增加了项目布局的主题，例如机器学习、模式识别、机器视觉等。CNKI共计16 043篇，智慧芽共计33 278项，项目共计4 363项。专利数据和项目数据均采用关键词进行抽取，并把所有数据格式转化为wos文本格式，以用于可视化共词聚类。

按时序分析，得到主题/关键词随时间的发展，并由此得到该时间范畴中的新技术关键词、文本及由此产生的关系。分别划分2009—2010年,2011—2012年,2013—2014年,2015—2016年,2017—2018年5个时间段。以主题各时段包含的关键词数量、中心度、密度、相邻时间段中主题间的关联相似性，来描述人工智能领域发展过程中新技术的出现、融合、扩张、突变的识别。在不同时间窗口，网络演化包括了基于共现网络进行聚类的类团数量、大小、密度、中心度、结构的一些属性变化，也包含了代表类团语义的主题的演变和突变，见表1。

表1 2009-2018年各时间窗口各类团的中心度、密度及规模

5.1 2009—2010年时间窗口主题分析

共形成6个类簇，根据简单中心度权重计算每个类团中的主题词筛选，得到：

Cluster1：神经网络

Cluster2：群体智能

Cluster3：特征抽取 人脸识别 脑机接口

Cluster4：目标跟踪

Cluster5：数据挖掘 关联规则

Cluster6：字符分割

主题的大小与类团规模有关，字符分割处于成熟且边缘位置(第二象限)，属于基础性横向发展的主题，在2009—2010年处于边缘阶段。目标跟踪处于不成熟且边缘位置。主题大部分处于重要且不成熟阶段(第四象限)，神经网络、群体智能、特征抽取、人脸识别、脑机接口说明主题研究已经初具规模，仍具有进一步发展空间，这些主题与其他主题具有紧密的联系，所属研究领域表现活跃，是基础研究主题，主题内部结构较为松散，发展不够成熟。

5.2 2011-2012年时间窗口主题分析

Cluster1：脑机接口

Cluster2：群体智能

Cluster3：神经网络

Cluster4：数据挖掘

Cluster5：目标跟踪

如图6所示，2011—2012年主题脑机接口、神经网络、数据挖掘处于第四象限，重要且不成熟阶段，在规模上比脑机接口略较于前一阶段规模有所增加，且较之上一阶段的紧凑程度逐渐增强，研究更加集中，说明有了共同导向的问题。数据挖掘较之前一阶段的内部结构松散，说明研究有了新的研究主题，数据挖掘较之上阶段在新阶段突现出计算智能、智能决策、贝叶斯网络、半监督学习等关键词，说明在基础研究领域与机器学习的关联度不断增强，新的智能算法为传统的数据挖掘带来新的应用场景。但目标跟踪较之前一阶段规模减少，神经网络主题的成熟度和重要性在不断增强，作为人工智能领域的重要和根本算法，在于其他主题的关联不断加强。字符分割类团在该阶段融入进神经网络类团中，方法使用中应用了神经网络算法。

图6 2011—2012年时间窗聚类子图(以Cluster5为例)

5.3 2013—2014年时间窗口主题分析

Cluster1：人脸识别

Cluster2：神经网络

Cluster3：群体智能

Cluster4：数据挖掘

Cluster5：脑机接口

如图7所示，2013—2014年时间段，人脸识别由上阶段的目标跟踪演化而来，较之2011-2012，规模上变为原来的2倍多，由原来内部紧凑变为松散，说明研究方向进行了扩展，且由原来的成熟阶段变为不成熟阶段，说明应用了很多新的方法解决新问题，观察子网络结构和内容，应用场景由视频识别，扩展到信息多元融合，图像、语音、视频、字符，包括表情识别等，使用方法上应用了卷积神经网络、多示例学习、深度学习等多种智能算法。脑机接口由上阶段边缘位置上升到重要位置，说明作为基础研究逐渐成为研究主要方向。神经网络较之上一阶段，逐渐成为研究热点，随着研究的不断深入，可能产生了新的主题，且规模不断扩大。群体智能较上一阶段经过一定时间的积累，在规模上变化不大，但是在主题上经历了趋势-新方法出现-研究逐渐集中的阶段，在方法上除了传统的蚁群、粒子群等算法，出现了蚊群、猫群、蝙蝠、果蝇算法改进等新的群体智能算法。数据挖掘较之上阶段规模上变化不大，但在主题方向上可能更为集中，逐渐将应用新的智能算法处于成熟阶段。

图7 2013—2014年时间窗聚类子图(以Cluster5为例)

5.4 2015—2016年时间窗口主题分析

Cluster1：深度学习

Cluster2：群体智能

Cluster3：人脸识别

Cluster4：脑机接口

Cluster5：数据挖掘

如图8所示，2015—2016年时间段，脑机接口较上阶段结构较为松散，可能随着新场景的应用出现了新的主题，但整体上处于主要成熟阶段。群体智能较之上一阶段出现了新主题，规模上增加了1/3，在智能规划、群体优化和安全方面有了新的进展。在人脸识别上较之上阶段突现了人机交互、三维重建、流行学习等新主题。数据挖掘较之上阶段逐渐成为成熟度较高的独立主题，规模上骤减到上阶段的1/4，这或许与深度学习的兴起相关，大部分的主题进行分化融合到深度学习，成为未来的热点和新趋势，大数据成为规模出现，成为突现主题。

图8 2015—2016年时间窗聚类子图(以Cluster5为例)

5.5 2017—2018年时间窗口主题分析

Cluster1：大数据

Cluster2：深度学习

Cluster3：人工神经网络

Cluster4：脑机接口

Cluster5：强化学习

如图9所示，2017—2018年时间段，在研究规模上较之上一阶段都有了很大的提升，大数据、深度学习成为新的研究趋势和热点，深度学习的应用场景和方法较之上一阶段更加复杂。脑机接口较之上一阶段变化不大，突现了多模态融合、稳态视觉诱发发电位、虚拟现实、共同空间建模、脑机交互等主题。强化学习由上一阶段的群体智能演化而来，成为新的解决方案，且使群体智能变得较为独立成熟。人工神经网络是群体智能、数据挖掘和应用领域交融的新主题，智慧医疗、智能交通、成为新的研究领域趋势，类脑计算、多目标优化、演化算法、群智涌现、复杂动态系统智能、认知计算、语义理解、因果推理与决策成为新的突现主题。

图9 2017—2018年时间窗聚类子图(以Cluster5为例)

从演化视角整体看来，人工智能领域的颠覆性技术应用场景出现在医疗、交通等领域。面向重大需求的主题方向围绕提升我国人工智能国际竞争力的迫切需求，更强调在“人机融合智能”领域的重点攻关，突破新一代人工智能关键共性技术，以算法为核心，数据和硬件为基础，全面提升感知识别、知识计算、认知推理、协同控制与操作、人机交互等能力，形成开放兼容、稳定成熟的技术体系。重点关注知识学习与计算引擎、场景主动感知、群智激发汇聚、人机协同、自主智能为主的技术领域，并开始关注到技术应用层的共性技术，包括人机共驾系统、无人集群系统自主协同、风险感知与智能决策、人机交互服务关键技术与系统、机器人自主学习与进化等关键技术，更为突出人工智能技术对具体行业领域的支撑作用。

本研究以典型案例为切入点，从创新过程视角探讨颠覆性技术创新过程中的演化特征，并构建了科学-技术-市场模型，以人工智能领域为例进行了实证研究。当前研究将项目数据在一定程度上能反应国家需求和企业的自由探索，对于市场研究来说仍具有片面性，因此未来研究会基于该模型以及全过程创新视角，围绕科学文献、专利文献、产业报告、政策、媒体等开源数据构建科学-技术-市场多层网络，进行潜在颠覆性技术信号识别的量化研究。

猜你喜欢 人工智能研究 我校新增“人工智能”本科专业西安航空学院学报(2022年2期)2022-07-04FMS与YBT相关性的实证研究体育科技文献通报(2022年3期)2022-05-232020年国内翻译研究述评天津外国语大学学报(2021年3期)2021-08-13辽代千人邑研究述论辽金历史与考古(2021年0期)2021-07-29视错觉在平面设计中的应用与研究科技传播(2019年22期)2020-01-14EMA伺服控制系统研究民用飞机设计与研究(2019年4期)2019-05-212019：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新版C-NCAP侧面碰撞假人损伤研究汽车工程学报(2017年2期)2017-07-05数读人工智能小康(2017年16期)2017-06-07