基于专利情报的人工智能技术创新联合体识别及其结构特征分析.pdf

收稿日期:2023-03-04摇 摇 摇 摇 摇 摇 修回日期:2023-03-28基金项目:2022 年度教育部人文社会科学研究青年基金“中国企业参与全球人工智能技术创新的位势提升机理及路径选择研究冶(编号:22YJCZH254)。作者简介:赵程程,女,1985 年生,博士,讲师,副系主任,研究方向:技术创新、知识挖掘;丁佳豪,男,2000 年生,硕士研究生,研究方向:技创新管理、知识图谱;杨摇 萌,女,1986 年生,博士,讲师,研究方向:知识图谱、企业情报。基于专利情报的人工智能技术创新联合体识别及其结构特征分析*赵程程摇 丁佳豪摇 杨摇 萌(上海工程技术大学管理学院摇 上海摇 201206)摘摇 要:研究目的识别人工智能技术创新联合体,分析其结构特征,为跟踪全球人工智能技术创新合作提供新的视角,对各地组建新一批高质量的人工智能技术创新联合体提供参考。研究方法 基于对创新联合体的内涵解读,设计一套创新联合体定量识别体系,将其运用到人工智能领域,识别出 13 组人工智能技术创新联合体,并对其进行类别划分和技术结构分析。研究结论研究表明,13 组 AI 技术创新联合体呈现出以下特征:中、韩 AI 技术创新联合体多为本土企业协同创新,中、美企业研发合作从蜜月期渐入冰封期;中、韩 AI 技术创新联合体多为 ICT 巨头之间的强强联合,美国 AI 巨头偏好与初创型企业联合研发;国际 AI 科技合作频次降低,各国形成研发合作的“小圈子冶。关键词:人工智能;专利情报;创新联合体;龙头企业;产学研合作;识别体系中图分类号:G327摇 摇 摇 摇 摇 摇 摇 摇 文献标识码:A摇 摇 摇 摇 摇 摇 摇 文章编号:1002-1965(2023)10-0163-07引用格式:赵程程,丁佳豪,杨摇 萌.基于专利情报的人工智能技术创新联合体识别及其结构特征分析J.情报杂志,2023,42(10):163-169.DOI:10.3969/j.issn.1002-1965.2023.10.023Identification and Structuration Analysis of Artificial Intelligence TechnologyInnovation Consortium based on Patent Collaboration NetworksZhao Chengcheng摇 Ding Jiahao摇Yang Meng(School of Management,Shanghai University of Engineering Science,Shanghai摇 201620)Abstract:Research purpose The identification of AI technology innovation consortiums and the analysis of their structural characteris鄄tics provide a new perspective for tracking global AI technology innovation cooperation and a reference for establishing a new batch of high-quality AI technology innovation consortiums in various regions.Research method Firstly,this study designs a quantitative identifica鄄tion system for innovation consortiums based on the interpretation of the connotation of innovation consortiums.Secondly,according toquantitative identification system for innovation consortiums,13 groups of artificial intelligence technology innovation consortiums were i鄄dentified.Finally,the classification and technical structure analysis of artificial intelligence technology innovation consortia were conduc鄄ted.Research conclusion China and South Korea prefer to collaborate with local enterprises for collaborative innovation,and the R&Dcooperation between Chinese and American enterprises has gradually entered an ice age from the honeymoon period.AI technology innova鄄tion consortiums in China and South Korea mostly involve cooperation between ICT giants,while American AI giants prefer to collaboratewith start-ups in research and development.The frequency of international AI science and technology cooperation has decreased,and a small circle of R&D cooperation among local innovation sectors have been formed in many countries.Key words:artificial intelligence;patent intelligence;innovation consortium;leading enterprises;industry-university-institute coopera鄄tion;identification system第 42 卷摇 第 10 期2023 年 10 月摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇情摇 报摇 杂摇 志JOURNAL OF INTELLIGENCE摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇Vol.42摇 No.10Oct.摇 20230摇 引摇 言人工智能(Artificial Intelligence,简称 AI)是新一轮科技革命和产业变革的核心引擎。2017 年,中国制定了新一代人工智能发展规划,确立了“三步走冶目标。其中,企业是实现“2030 年人工智能理论、技术与应用总体达到世界领先水平,占据国际人工智能科技制高点冶这一目标的关键创新主体。然而,随着创新活动越来越复杂,创新活动由原来的“单打独斗冶向“多元主体深度协同冶转变1。跟踪人工智能技术创新,仅关注某个或某类创新主体是无法揭示多元主体之间的深度协同关系。因此,创新主体之间的研发合作被视为提高科研效率的重要手段。其中,创新联合体作为更深层次、更高效率的产学研深度融合组织,是研发合作的一种重要的表现形式2。识别人工智能技术创新联合体,分析其结构特征,对各地组建新一批高质量的人工智能技术创新联合体提供参考。目前有关创新联合体的理论研究主要围绕创新绩效、协同创新、知识转移等主题。随着研究内涵不断深入,创新联合体的协同创新模式、联盟稳定性是持续关注热点前沿3。然而,既有研究采用的方法大多是预先确定了创新联盟联合体的主体构成,未能对其领军企业和主体构成进行定量的识别与分析。同时,有关人工智能创新合作的研究大多从科研团队的视角,基于人工智能学科领域合著论文数据进行建模,识别核心研发人员与领军团队4-6。较少学者从创新组织研发合作的视角,识别人工智能领域强而有力的研发合作联盟。基于此,本研究基于对创新联合体的内涵解读,设计一套创新联合体定量识别体系,并将其运用到人工智能领域;聚焦人工智能技术创新联合体的主体识别与结构特征,为跟踪全球人工智能技术创新合作提供新的视角。具体包括两个主要问题:一是如何基于大规模专利数据识别出人工智能技术创新联合体?要回答这个问题,不仅需要解决机构数据的规模化清洗问题,而且需要通过试验确定合适的人工智能技术创新联合体的主体构成;二是如何剖析人工智能技术创新联合体结构特征?本研究从网络结构和研发能力两个维度,将人工智能技术创新联合体进行类别划分;基于AI 技术架构,通过解读 AI 技术创新联合体中各个创新主体的专利内容,分析 AI 技术创新联合体中不同技术类型企业构成特征。1摇 理论基础创新联合体是由龙头企业牵头,高校院所支撑,政府产业政策引导,以及大中小企业广泛参与的联合体2。后续学者通过与产学研合作、研发联盟、研究联合体的比较,对创新联合体基本内涵进行了初步探讨。产学研合作作为重要的创新组织方式,常被应用于科技成果孵化转化,衍生出“双螺旋冶7、“三螺旋冶8、“四螺旋冶9等形态。尽管产学研合作能够极大增加创新单元的知识储备和技术实力,但该模式本质上是官、学、研共同主导的技术牵引型研发模式,与企业为主导、基于用户需求的市场导向型技术创新相背10。区别于产学研合作,创新联合体更加强调龙头企业作为核心主体的创新决策力和牵引力,多元主体协同推动关键领域的技术突破11。企业研发联盟是创新合作最早最直接的模式,有助于知识分享,降低成本,获得更大的市场份额12。但一般的研发联盟较为松散,对联盟企业约束力有限,通常锁定短期竞争项目,忽略对长期基础性研发目标的追求,项目的结束意味着研发联盟关系的解除13。区别于研发联盟,创新联合体是龙头企业联合科研院所、高校和中小企业,形成长期的、紧密的新型组织14。研究联合体是成员企业以共同注资方式,通过契约的形式分享研发成果,局限于大型企业间合作15。区别于研究联合体,创新联合体着眼于龙头企业与其他创新主体(科研院所、高校和中小企业)形成稳定的合作关系,而非仅限定于企业之间的研发合作。通过上述对比研究,本研究认为创新联合体是以龙头企业或头部企业为核心主体,与科研院所、高校和中小企业形成稳定的研发合作关系,实现关键领域技术突破的新型组织模式。2摇 研究设计摇 2.1摇 创新联合体的识别流程基于对创新联合体内涵的解读,创新联合体的识别流程包括:龙头企业的识别;与龙头企业形成稳定研发合作关系的创新主体的识别。a.龙头企业的识别:创新联合体中龙头企业与其他创新主体研发合作频繁,具有较高的网络中心性。同时,创新联合体中龙头企业引领其他创新主体以实现关键技术突破为目的,因此龙头企业具有较强的创新能力。知识图谱工具中“Spotlight冶算法可以凸显中介中心性高的节点及其关联效果,常用于识别知识图谱中关键路径上的重要节点16。本文首先借助“Spot鄄light冶算法,识别技术创新关键路径上的创新主体(企业、高校和科研机构),并从中拣选出专利数(Count值)大于均值的企业,形成企业集 Ki。其次,为了不遗漏专利较高的创新主体,因此从全样本创新主体中拣461 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 情摇 报摇 杂摇 志摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 第 42 卷选专利数较高的企业,形成企业集 Hi。最后,将上述企业集 Ki、Hi 进行集团化合并,形成“龙头企业冶。b.与龙头企业形成稳定研发合作关系的创新主体的识别:知识图谱工具中“Pennant Diagram冶算法可以查看与某个节点相关联的主体信息,形成合作关系二维图,显示出与此节点的强关联主体、较强关联主体、弱关联主体17。本次研究通过“Pennant Diagram冶算法,对上述“龙头企业冶的历年强关联和次强关联主体进行扫读,析出出现频次较高(出现两次及以上)的创新主体。上述龙头企业及其创新主体共同构成了创新联合体。摇 2.2摇 创新联合体的结构特征分析流程创新联合体的结构特征分析包括创新联合体类别划分和技术结构分析。a.创新联合体的类别划分:由于龙头企业在创新联合体中占据引导功能和核心地位,因此,可以通过剖析龙头企业在技术创新网络中的结构优势,衡量创新联合体的网络结构;通过剖析龙头企业的技术优势,衡量创新联合体的研发能力。以 AI 技术创新联合体为例,具体流程如下:首先,测度每组 AI 技术创新联合体中龙头企业的中介中心性(centrality 值),衡量 AI 技术创新联合体在人工智能技术创新网络的结构特征。其次,测度每组 AI 技术创新联合体中龙头企业的专利数(count 值),衡量 AI 技术创新联合体的研发能力。最后,以和中介中心性均值(centrality(龙头)和专利数均值(count(龙头)为界线,将 AI 技术创新联合体划分为“高中心性高专利数冶、“高中心性低专利数冶、“低中心性高专利数冶、“低中心性低专利数冶 四类。b.创新联合体的技术结构分析:通过解读创新联合体中各个创新主体的专利内容,根据技术研发侧重领域的不同,将其划分为掌握专业性技术的专精型企业或掌握通用性技术的泛领域型企业18。以 AI 技术创新联合体为例,具体流程如下:首先,依据人工智能技术架构,通过多轮专家访谈,解读 AI 技术创新联合体各个创新主体的每条专利内容,标识出各个创新主体在基础层、技术层、应用层的专利数。然后,根据各个层级专利数占比,对 AI 技术创新联合体中各个创新主体进行类型划分。若某一层级专利数占比逸50%,则认定为某一领域的专精型企业;若各个层级专利数占比较为均衡,则认定为泛领域型企业。基于此,可以分析出 AI 技术创新联合体由不同技术类型企业组合的特征。摇 2.3摇 数据来源与数据清洗本次研究使用的专利来源于德温特创新专利引文索引数据库(Derwent Innovations Index,DII)。该数据库收录了自 1963 年以来全球 40 多个专利机构的大量专利文献,并且是全球科技情报和情报机构的权威数据来源。检索策略是根据中国专利保护协会发布的人工智能技术专利深度分析报告19中列举的人工智能的主要技术关键词以及张振刚等人(2018)20的检索方法,从而重新构造检索式为 TS=(“artificial intelligen*冶 or“AI冶 or“Depth learning冶 or“Basic algorithm 冶or“Natural language processing冶 or“Smart search冶 or“Speech Recognition冶 or“Computer vision冶 or“Ges鄄ture control冶 or“Smart recommendation冶 or“smart ro鄄bot冶 or“Video recognition冶 or“Voice translation冶 or“Automatic drive冶 or“Image Recognition冶 or“Ma鄄chine learning冶),在德温特创新专利引文索引数据库进行主题检索,时间 2017-2022,检索出 108263 条记录。检索日期 2022 年 4 月 15 日。本次研究聚焦专利权人,同一个创新机构会有多种专利权人的表述形式。因此,在进行专利数据挖掘与分析之前需要对专利权数据进行清洗、合并、消歧。在已有研究与实践基础上,制定专利权人清洗流程与规则如下。采用迭代式积累方法设计清洗规则并进行消歧21。具体为:第一,机构名称前后顺序不同,实际上是同一家机构,譬如“Donghua Univ冶和“Univ Dong鄄hua冶是同一家机构;第二,同一机构或集团下属的不同实验室或机构,合并到同一个机构或集团。例如以百度为例,根据“BIDU-C冶 识别出“BAIDU ONLINENETWORK TECHNOLOGY BEIJING冶、“BAIDU ON-LINE NETWORK TECHNOLOGY CO LTD冶、“BAIDUUSA LLC冶均隶属于百度,将其统一标识。第三,同一机构既有缩写名,也有全名,则将所有类型的缩略名统一为该机构的全程。例如“Beijing Univ Aeronaut&Astronaut冶 和“Beihang Univ 冶 统 一 称 为“BeihangUniv冶。根据上述清洗流程和规则下,在 CiteSpace 5.8 R3环境下进行数据清洗,形成“citespace.alias冶文件。3摇 人工智能技术创新联合体识别与结构特征分析由于 CiteSpace 5.8.R3 无法进行 Drewent 专利数据转换,所以笔者依次以 2017-2022 年 AI 相关专利为数据源,借助 CiteSpace 5.5 将专利数据转换为可识别的 WoS 数据格式,在 CiteSpace 5.8.R3 上进行统计分析和可视化处理。节点类型选择“Institution冶,主题词来源选择“title(标题)冶“abstract(摘要)冶“author key鄄words(作者关键词)冶和“keywords(关键词)冶,设置 g561摇 第 10 期摇 摇 摇 摇 摇 摇 摇 摇 摇 赵程程,等:基于专利情报的人工智能技术创新联合体识别及其结构特征分析-index 的 k=25,选择关键路径 pathfinder,得到 2017-2022 年历年 AI 技术创新网络图谱。摇 3.1摇 人工智能技术创新联合体识别3.1.1摇 龙头企业识别按照上述创新联合体的识别流程,首先,对 2017-2022 年人工智能技术创新网络图谱上的主体进行识别,创新主体(企业、高校和科研机构)合计 945 家。通过“Spotlight冶算法,识别 2017-2022 年关键路径上的创新主体 238 家。从中择选出专利数(count 值)大于均值(count=44.5588)的企业集 Ki,合计32 家。同时,为了不遗漏专利较高的创新主体,因此从 945 家创新主体中拣选专利数大于 100 的企业集 Hi,合计 52家。最后,将上述两类企业进行集团化合并,形成 62企业集团,即 AI 龙头企业(见表 1)。表 1摇 AI 龙头企业列表序号企业国家CountCentrality序号企业国家CountCentrality1IBM美国18440.003532京东中国1660.02082平安科技中国11460.016533日本电话电报公司日本1630.00003百度中国9920.014134甲骨文美国1610.00134腾讯中国8130.027535美国电话电报公司(AT&T)美国1590.00005三星电子韩国8080.00736格力中国1580.01826微软美国7310.000737三菱电机日本1560.00207谷歌美国6030.00238苹果美国1460.00228LG韩国5120.0239中国南方电网中国1420.01739亚马逊美国491040SALESFORCE美国1350.002010Intel美国4830.001441通用美国1270.002711华为中国3770.020942浪潮集团中国1180.008012第一资本金融公司美国3340.001143爱立信公司瑞典1180.000013阿里巴巴中国3330.028544惠普美国1170.000014埃森哲全球解决方案有限公司爱尔兰2870.003645松下日本1150.000015西门子德国2820.002146支付宝中国1110.011716DELL美国2570.006447oppo中国1090.021017富士通日本2520.002048中国银行中国1080.008018中国工商银行中国2420.077549NVIDIA美国1080.000019索尼日本2390.001150威讯通信美国1080.005020美国银行美国2300.000051高通美国1050.003321佳能日本2270.002452贝宝美国1000.001322Facebook美国2270.001753中国电子科技集团有限公司中国900.0123博世德国2150.010054中国建设银行中国850.0124飞利浦荷兰1940.000955本田日本820.0125日本电气股份有限公司日本1940.000056联想中国770.0626发那科日本1850.000957第四范式中国730.0227日立日本1830.000058KT 公司韩国690.0128SAP德国1770.025059小米中国660.0129Adobe美国1720.003360VISA美国580.0130思科公司美国1720.000061中国电信集团中国560.0431丰田日本1700.000062ViIVO 移动中国540.04摇 摇 在地区分布上,美国 AI 龙头企业 22 家,中国 20家,日本 11 家,德国 3 家,韩国 3 家,爱尔兰、荷兰、瑞典各 1 家。专利数量上,美国数量领先,中国紧追其后,日本与德国、韩国等位列第二梯队。661 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 情摇 报摇 杂摇 志摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 第 42 卷摇 摇 3.1.2摇 研发合作关系分析同样,借助 Citespace 中的“Pennant Diagram 算法冶,依次绘制出 62 名龙头企业20172022 年历年的研发合作关系二维图,识别出历年强 关 联 和 较 强 关 联 主体17。以 腾 讯 集 团 为 例,2017 年强关联和较强关联主体有京东方、大立光电股份有限公司、南 京邮电大学、重庆大学、东南大学、上海斐讯数据、阿里巴巴、杭州电子科技大学、贝宝、北京工业大学、思爱普、联想、谷歌;2018 年强关联和较强关联主体有哈尔滨拓博科技有限公司、合肥工业大学、北京交通大学、京东;2019年强关联和较强关联主体有中山大学、清华大学、电子科技大学、华为、昆明理工大学、同济大学、航天信息股份有限公司、平安科技、中南大学、平安科技、福州大学、成都启英泰伦;2020 年强关联和较强关联主体有中国科学院地理科学与资源研究所、北京金山、中兴、泰康保险集团、西安交通大学、阿里巴巴、华为、百度;2021 年强关联和较强关联主体有武汉大学、平安科技、中国工商银行、南京信息工程大学。2022 年数据有限无法形成显著的研发合作关系二维图。通过对上述 62 家龙头企业的 20172021 历年研发合作关系分析,从中拣选出现频次较高(出现两次及以上)的创新主体,构成 13 组创新联合体。其中,中国 8 组,美国 3 组,韩国 2 组(见表 2)。表 2摇 各地区 AI 龙头企业与 AI 技术创新联合体数量比较地区美国中国日本韩国德国 爱尔兰 荷兰瑞典AI 技术创新联合体数38020000龙头企业数22201133111摇 3.2摇 人工智能技术创新联合体结构特征分析3.2.1摇 类别划分依据前述关于 AI 技术创新联合体的类别划分流程,以专利数均值(count(龙头)=310)和节点中心性均值(centrality(龙头)=0.0078)为节点,将 13 组 AI 技术创新联合体划分为“高中心性高专利数冶(6 组)、“高中心性低专利数冶(3 组)、“低中心性高专利数冶(1 组)、“低中心性低专利数冶(3 组)四类(见图1)。图 1摇 AI 技术创新联合体“中心性-专利数冶划分3.2.2摇 技术结构分析根据中国信通院发布人工智能发展白皮书技术架构篇(2018 年)中对 AI 技术架构的解读,AI 技术可分为基础层、技术层、应用层22。其中,基础层是人工智能的核心,即计算能力和持续的数据流;技术层的核心主要在于特征提取、模式与算法选择;应用层是某一算法、模型、技术在特定场景的应用。依据前述关于 AI 技术创新联合体的技术结构流程,基于此,课题组通过多轮专家访谈,解读 AI 技术创新联合体各个创新主体的专利数据内容,标识出每个创新主体在基础层、技术层、应用层的专利数。其中,Ai、Bi、Ci 分别表示第 i 个创新主体在基础层、技术层、应用层的专利数。根据各个层级专利数占比,对创新主体划分为专精型或泛领域型。若某一层级专利数占比逸50%,则认定为某一领域的专精型企业;若各个层级专利数占比较为均衡,则认定为泛领域型企业。“高中心性高专利数冶、“高中心性低专利数冶、“低中心性高专利数冶、“低中心性低专利数冶四类 AI技术创新联合体的技术结构如表 3 表 6 所示。表 3摇“高中心性高专利数冶 AI 技术创新联合体技术结构分析AI 创新联合体基础层 Ai(占比/%)技术层 Bi(占比/%)应用层 Ci(占比/%)技术类型阿里巴巴(龙头)263935泛领域型百度283042泛领域型腾讯313435泛领域型北京嘀嘀73558专精型(偏应用层)华为(龙头)323335泛领域型联想94744泛领域型腾讯313435泛领域型761摇 第 10 期摇 摇 摇 摇 摇 摇 摇 摇 摇 赵程程,等:基于专利情报的人工智能技术创新联合体识别及其结构特征分析续表 3摇“高中心性高专利数冶 AI 技术创新联合体技术结构分析AI 创新联合体基础层 Ai(占比/%)技术层 Bi(占比/%)应用层 Ci(占比/%)技术类型LG(龙头)222058专精型(偏应用层)三星电子274429泛领域型韩国电信公司224830泛领域型腾讯(龙头)313435泛领域型平安科技282745泛领域型华为323236泛领域型百度283042泛领域型阿里巴巴263935泛领域型百度(龙头)283042泛领域型阿里巴巴263935泛领域型国网天津市电力公司184636泛领域型京东方83359专精型(偏应用层)腾讯313435泛领域型中国科学院自动化研究所213148泛领域型平安科技(龙头)282745泛领域型中 国 石 油 大 学(华东)212950专精型(偏应用层)中国科学院空天信息创新研究院283636泛领域型浙江大学91972专精型(偏应用层)腾讯313435泛领域型东南大学63658专精型(偏应用层)北京小米243838泛领域型北京嘀嘀73558专精型(偏应用层)表 4摇“高中心性低专利数冶AI 技术创新联合体技术结构分析AI 创新联合体基础层 Ai(占比/%)技术层 Bi(占比/%)应用层 Ci(占比/%)技术类型中 国 南 方 电 网(龙头)232750专精型(偏应用层)杭州安恒204040泛领域型微软523315专精型(偏基础层)中国科学院空天信息创新研究院283636泛领域型京东(龙头)233344泛领域型北京金山04654专精型(偏应用层)浪潮集团(龙头)313138泛领域型东南师范大学383824泛领域型北京嘀嘀73358专精型(偏应用层)京东方83359专精型(偏应用层)表 5摇“低中心性高专利数冶AI 技术创新联合体技术结构分析AI 创新联合体基础层 Ai(占比/%)技术层 Bi(占比/%)应用层 Ci(占比/%)技术类型三星电子(龙头)274429泛领域型韩国电子通信研究院423028泛领域型LG222058专精型(偏基础层)表 6摇“低中心性低专利数冶AI 技术创新联合体技术结构分析AI 创新联合体基础层 Ai(占比/%)技术层 Bi(占比/%)应用层 Ci(占比/%)技术类型DELL(龙头)641719专精型(偏基础层)浪潮集团313139泛领域型广东小天才科技有限公司85835专精型(偏技术层)Facebook(龙头)343828泛领域型合肥工业大学133057专精型(偏应用层)高通(龙头)464213泛领域型广东小天才科技有限公司85835专精型(偏技术层)4摇 讨论与总结本研究基于对创新联合体的内涵解读,设计一套创新联合体定量识别体系,将其运用到人工智能领域,识别出 13 组 AI 技术创新联合体,并对其结构特征进行分析,总结出以下三点特征。a.中、韩 AI 技术创新联合体多为本土企业之间协同创新,中美国企业研发合作从蜜月期渐入冰封期。中、韩两国 AI 技术创新联合体多为本土创新主体之间的创新合作,缺乏跨区域的联合创新。中国龙头企业偏好与本土 ICT 巨头、专精型企业联合创新。中国 AI创新联合体多为“PBATH冶(平安科技、百度、阿里巴巴、腾讯、华为)之间强强联手,聚焦 AI 各个层面技术领域的纵横布局。其中,腾讯表现最为活跃,是平安科技、百 度、华 为、阿 里 巴 巴 的“硬 核 伙 伴冶。同 时,“PBATH冶企业携手专精型企业,开拓 AI 应用端场景。例如,京东凭借数据资源和场景优势,携手金山软件,着力于提升京东云算力。中国南方电网积极与微软、安恒信息等信息企业,信息创新研究院等科研院所,展开新型电力系统方面的技术合作,打造全球首个电力人工智能计算平台,推动 AI 赋能数字电网化转型。相比中国,韩国 AI 技术创新联合体的构成较为单一,多为 LG 与三星之间技术合作。在自然语言处理领域,韩国的三星,电信研究院和 LG 专利申请量位居世界前列;在智能语音领域,韩国的三星和 LG 的专利申请量也处于领先地位。在美国政府对华企业正式采取技术封锁之前,AMD、高通、NVIDIA 和 IBM 在内的美国大型科技公司偏好与中国企业开展各类科研活动,包括设立研发实验室和研发项目等。2020 年起美国对华科技封锁不断升级恶化,重创了中美企业长久以来采用的研发合作关系。在对美国 AI 龙头企业的研发合作关系分析发现,2020 年起中美企业间的研发合作从蜜月期进入冰封期。b.中、韩 AI 技术创新联合体多为 ICT 巨头之间的强强联合,美国 AI 巨头偏好与初创型企业联合研发。861 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 情摇 报摇 杂摇 志摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 第 42 卷中国 AI 技术创新联合体大多为 ICT 巨头“PBATH冶(平安科技、百度、阿里巴巴、腾讯、华为)之间的强强联手。韩国 AI 技术创新联合体多为三星电子、LG、韩国电信公司、韩国电子通信研究院的互联互助。美国AI 巨头选择研发合作伙伴从倚重高年限企业,逐渐青睐具有创新潜力的初创企业。以谷歌为例,尽管专利合作规模不断扩张,但谷歌的研发合作企业数量减少,合作频率提升;在研发合作伙伴上,谷歌逐步选择具有全球品牌价值的黄金企业以获取先进资源与知识,瞄准初创企业的创新优势,结合其创新力展开研发合作23。c.国际 AI 研发合作频次降低,各国形成研发合作的“小圈子冶。国际 AI 研发合作频次降低,呈现出逆全球化的特征。在对 2017-2022 年 AI 龙头企业的研发合作关系的计量发现,自 2019 年起 Facebook、苹果、通用、亚马逊、微软、DELL、Adobe、Salesforce 等美国企业与中国创新主体研发合作频次逐年降低。特别是,掌握基础层技术的 IBM、Intel、NVIDIA 与中国企业的研发关系不再显著。韩国本土创新主体之间形成了 AI 研发合作的“小圈子冶。三星电子、LG、韩国国防科学研究所、韩国电子通讯研究院、韩国科学技术院之间构建强有力的研发合作联盟。相比与美国等西方国家的 AI 合作,韩国三星电子、LG 偏好与中国的华为科技展开智能芯片领域的研发合作。但是,需要引起注意的是,2022年韩国判读全球半导体供应链重构动向,相比中国大陆巨大的市场吸引,为了获得美国、日本的技术和设备,韩国政府将会加入以美主导的 AI 联盟24。中韩AI 技术研发合作关系或将面临新的考验。本研究在创新联合体识别与结构特征分析方面进行了有意义的探索,尚存在一定的不足。一方面,基于知识图谱的 Spotlight 算法和 Pennant Diagram 算法对AI 技术领域内的龙头企业和强(次强)关联主体的识别具有较好的效果,但并不能识别所有的 AI 技术创新联合体,如一些规模较小且缺少技术领域头部企业的创新联合体;另一方面,在研究数据上,还需要进一步扩大研究样本,融合多源数据,以验证研究结果的普适性。参 考 文 献1摇 柳卸林,魏摇 江,陈摇劲,等.实施创新驱动发展战略 加快推动我国现代化建设 研究阐释党的十九届五中全会精神笔谈J.经济管理,2021,43(1):5-17.2摇 尹西明,陈摇 劲,贾宝余.高水平科技自立自强视角下国家战略科技力量的突出特征与强化路径J.中国科技论坛,2021(9):1-9.3摇 任立业,赵绘存,李小芬.基于 CiteSpace 的创新联合体研究知识图谱分析J.科技和产业,2022,22(6):170-175.4摇 余厚强,白摇 宽,邹本涛,等.人工智能领域科研团队识别与领军团队提取J.图书情报工作,2020,64(20):4-13.5摇 关摇 鹏,王曰芬,傅摇 柱,等.基于专利合作网络的研发团队识别及创新产出影响研究J.数据分析与知识发现,2022,6(5):99-111.6摇 邹本涛,王曰芬,余厚强.人工智能领域高产科研团队的演化研究J.图书情报工作,2020,64(20):23-33.7摇 牛盼强,谢富纪,董意凤.基于知识双螺旋模型的我国产学研合作技术转移机制研究J.科学学与科学技术管理,2010,31(5):43-46,52.8摇 庄摇 涛,吴摇 洪.基于专利数据的我国官产学研三螺旋测度研究 兼论政府在产学研合作中的作用J.管理世界,2013,239(8):175-176.9摇 吴卫红,陈高翔,张爱美.互信息视角的政产学研资协同创新四螺旋实证研究J.科技进步与对策,2018,35(6):21-28.10 王摇 怡,武摇 博.研究联合体的概念界定与优势分析J.科技进步与对策,2011,28(7):20-25.11 郭菊娥,王梦迪,冷奥琳.企业布局搭建创新联合体重塑创新生态的机理与路径研究J.西安交通大学学报(社会科学版),2022,42(1):76-84.12 Bai Y P,OBrien G C.The strategic motives behind firms en鄄gagement in cooperative research and development:a new expla鄄nation from four theoretical perspectivesJ.Journal of Model鄄ling in Management,2008,3(2):162-181.13 Lhuillery S,Pfister E.R&D cooperation and failures in innovationprojects:empirical evidence from French CIS dataJ.ResearchPolicy,2009,38(1):45-57.14 白京羽,刘中全,王颖婕.基于博弈论的创新联合体动力机制研究J.科研管理,2020,41(10):105-113.15 Vonortas N S.Research joint ventures in theUSJ.ResearchPolicy,1997,26(4/5):577-595.16 赵程程.基于专利信息的人工智能技术创新网络图谱研究J.中国科技论坛,2021,300(4):12-22,54.17 White H D.Pathfinder networks and author co-citation analysis:are mapping of paradigmatic information scientistsJ.Journal ofthe America Soci