基于专利地图的人工智能研究总体格局、技术热点与未来趋势
王友发1，2,罗建强1,周献中2
(1.江苏大学管理学院，江苏 镇江 212013；2.南京大学智能装备新技术研究中心，江苏 南京 210093)
摘 要： 本文基于德温特创新索引数据库，对人工智能专利全球地理分布、主要国家PCT布局、技术热点、未来趋势等进行了分析。研究发现：目前人工智能专利主要分布在北美、东亚和西欧地区；中国专利数量已赶超美国，但大部分集中于技术应用层面，存在结构不均衡问题；人工智能领域的跨国巨头均重视专利全球化布局，国外机构在中国申请的专利已近中国专利总数的50%；大数据、云计算、深度学习、语音识别、图像识别、人机交互等是当前人工智能领域的热点技术；智能机器人、智能医疗、智能金融、智能安防、智能教育、智能驾驶6个方面的新兴技术主题，与人工智能热点技术存在较强的交叉关联，创新机构需对上述热点与新兴技术加以重点关注。本研究可为中国相关企业与政府机构进行人工智能技术前瞻性布局与创新引导政策的制定提供参考。
关键词： 人工智能；专利地图；知识图谱；技术热点
0 引言
人工智能 (Artificial Intelligence，AI)正在全球范围内蓬勃兴起，已成为引领科技进步、推动产业升级的新引擎，受到各国政府和专家学者的高度重视。当前，各发达国家和地区 (如美国、日本、欧洲等)纷纷将人工智能列为本国高科技发展重点，企图抢占人工智能技术竞争的制高点，一场人工智能全球竞赛已拉开帷幕。当前全球人工智能的发展态势如何？对比国外发达国家，目前中国的人工智能存在哪些差距？从技术预测角度而言，人工智能的未来发展趋势是什么？这些问题的研究，有助于我国进行前瞻性、战略性技术研发布局，对推动我国人工智能技术的发展具有重要意义。
1 研究综述
文献计量学是分析科学领域发展现状、预测未来趋势的重要方法[1]。目前，已有不少学者从科学文献视角出发，对人工智能领域进行了不同层面的研究，如张春博等[2]以EI Compendex数据库中收录的人工智能国际会议论文为研究对象，绘制了当代人工智能领域知识图谱。彭丽等[3]基于Web of Science数据库，对人工智能领域的发展历程进行了梳理。喻国明等[4]采用内容分析法和共词分析法，对EBSCO数据库中的学术论文进行了定量分析，描绘了人工智能在国际传媒业中的研究热点与框架。Alfonso等[5]以人工智能领域学术论文为例，通过贝叶斯网络分析了文献计量指标间的关系。Bartneck[6]、Eom等[7-9]运用共被引分析、聚类分析等方法，对人工智能专家系统的知识结构、研究趋势及研究力量等进行了分析。
综上可见，国内外较多学者从不同角度，对人工智能进行了较深层次的研究，但现有研究大多是基于学术论文视角，而从专利文献出发，对人工智能进行研究的则较为鲜见。经检索发现，目前仅有张振刚[10]、赵蓉英[11]、陈军等[12]少数学者，基于专利视角对人工智能进行了研究，对厘清该领域的技术发展现状做出了极有意义的探索和尝试。据世界知识产权组织统计，全世界每年技术发明成果的90%～95%是以专利文献的形式体现[12]。通过对专利文本挖掘，可较好地识别和把握技术发展的历史、现状与未来。
鉴于此，本文拟从专利文献视角，对人工智能领域近20年的专利申请量、国家地理分布、国际专利分类 (IPC)、高频关键词、专利共现网络等进行分析，试图揭示人工智能技术领域的发展现状、当前热点与未来趋势，以期为国内相关学者了解并廓清该领域发展态势，为其今后更为深入的研究奠定基础、提供方向，同时也期望能为我国相关企业与政府机构进行人工智能领域前瞻性布局与创新引导政策的制定提供参考。
2 数据与方法
2.1 数据来源
本文以权威数据库——德温特创新索引数据库 (Derwent Innovations Index，DII)为数据源[11]，通过查阅人工智能国内外文献[6-12]、咨询领域专家，并进行试检验的方式来确定检索主题= (artificial intelligence*)AND 德温特手工代码= (T01-S03 OR T01-C08A OR T01-J10B OR W04-V01 OR T01-J30A OR W01-C01 OR W04-V04 OR T04-D03 OR T01-N01 OR P31-A05 OR T06-A04B OR P31-A05 OR B11-C11 OR T01-N02A OR T01-J12) (手工代码具体方法可参见沈君等[13]的文献)，检索时间2018年7月20日，经检索并整理后，得到人工智能相关专利341 273条。
2.2 研究方法
专利地图是将蕴含在专利文献中大量的、零散的专利信息，进行提取、筛选、分类、归纳，最后将分析结果以各种直观的图形、表格等形式展现，使其具有类似地图的指向功能[14]，可对产业间的国际竞争，抑或是企业间的竞争，起到战略情报方面的指导作用。因此，本文采用专利地图法进行研究，一方面通过频次统计来分析人工智能领域的研究力量分布 (包括主要高产国家、创新机构等)，另一方面通过关键词共现分析来探讨人工智能技术热点及热点之间的网络关系，并在此基础上预测未来趋势，在统计过程中，借助Bibexcel、CiteSpace等软件对文献数据进行处理。
3 专利地图的制作与分析
3.1 全球人工智能技术发展总体格局3.1.1 人工智能专利申请量总体状况
对专利申请数量趋势进行分析，可在一定程度上了解某领域的总体概况 (见图1)。1997—2017年全球人工智能技术研究大致可分为3个阶段：第一阶段是1997—2005年，自1956年达特茅斯会议以来，人工智能先后两次步入发展高峰，但由于技术瓶颈、应用成本等局限而均落入低谷。1997年后，随着信息技术的不断进步，人工智能专利申请数逐渐增长，但总量仍较低。第二阶段是2006—2010年，该阶段专利申请量呈明显增长之势。2006年加拿大多伦多大学Hinton教授提出深度学习模型，推动了整个人工智能研究的快速发展，该年人工智能专利申请数首次突破1万件，但受2008年全球金融危机影响，2009年申请量经历了短暂小幅下降，2010年便又迅速恢复。第三阶段是2011—2017年，2011年后，随着移动互联网、大数据、云计算等信息技术的加速迭代演进，人工智能所处的信息环境、数据基础发生了巨大而深刻的变化。愈加海量化的数据，持续提升的运算力，不断优化的算法模型，驱动人工智能进入新的发展阶段。特别是2016年AlphaGo战胜世界围棋冠军李世石后，人工智能更是成为全世界关注的 “热词”。可预见，随着应用场景的扩展、科技创新活动及专利保护意识的增强，人工智能专利申请量未来仍将保持强劲增长之势。
图1 1997 —2017 年全球人工智能专利申请趋势
3.1.2 国家 (地区)分布情况
(1)地理分布情况。目前，人工智能专利主要分布在北美、东亚和西欧等地区。从数量上看，中国 (91 567件)、美国 (86 312件)处于第一梯队，呈中美 “双雄”共同领跑的局面。日本 (67 130件)紧随其后，韩国 (11 074件)位居第四，德国 (9 178件)、世界知识产权组织PCT国际专利 (8 962件)、欧洲专利局 (8 735件)，分别排第五、第六、第七位。由此可见，人工智能产业研发机构十分重视国际市场的保护，尤其是对美国、欧洲、中国、日本等重要市场的专利保护。
(2)主要国家 (地区)专利优先权拥有量。专利首次申请的国家称为专利优先权国家，往往也是技术创新的来源国。图2中浅色代表各国享有优先权的专利数，排前三的国家仍然是中国 (47 614件)、美国 (79 487件)、日本 (44 977件)。但进一步分析，以上三个国家本国的优先权数量与该国专利受理量之比分别是52%、89%、67%，这表明美国、日本既是全球重视的人工智能市场大国，同时又是技术产出大国，美、日两国申请人的专利优先权拥有量均超过60%；相比而言，中国虽是市场大国，但近50%的专利来自国外，主要分布情况是日本 (21.7%)、美国 (17.4%)、德国 (5.1%)、韩国 (4.0%)。与之相对应，上述国家也正是我国人工智能产业链上游核心部件 (芯片、处理器等)重要进口国。由此可见，美、日等发达国家早已通过 “专利先行”策略，在我国进行 “跑马圈地”，对中国市场形成了极强的控制力。
图2 主要国家/地区人工智能专利优先权数量情况
(3)主要国家PCT专利情况对比。 《Patent Cooperation Treaty》 (简称PCT)，是专利领域的国际条约。通过对比主要国家PCT专利申请情况，可发现哪些国家更重视国际市场保护。对本次检索的8962件PCT专利进行统计整理，结果显示：来自日本的最多 (4256件)，占人工智能PCT专利申请总量的47.5%；其他主要国家的情况分别是：美国2249件，占25.1%；德国950件，占10.6%；韩国824件，占9.2%；英国134件，占1.5%；中国45件，仅占0.5%。这表明，世界主要人工智能强国均重视通过PCT渠道进行全球化专利布局，而我国创新机构在这方面的意识与行动严重滞后。
(4)主要国家人工智能专利申请量趋势分析。如图3所示，美国在2005年以前的专利数量一直位于全球首位，且远远超过其他国家。中国专利数量起步较低，但增速较快，2011年之后，中国赶超美国，并将领先优势逐渐拉大。德国、韩国、英国等增速相对比较平稳。此外，印度一直是八国中专利产出最少的国家，但自2013年以来增速显著加快，并将这种增长势头一直保持至今，印度很有可能成为继中国之后的又一人工智能大国，对此我国需提前予以重视。
图3 主要国家人工智能专利发展趋势
3.1.3 人工智能国际专利分类
国际专利分类 (IPC)是目前国际通用的专利分类方法，通过IPC分析，可发现该领域专利的技术构成及当前主要创新机构关注的技术焦点。表1显示，人工智能技术专利主要集中在G10L、G06F、H04N、G06K、G06T、G06N、H04L、G11B、A61B、B60R 10个领域，重点集中于G (物理)、H (电学)两部，特别是G、H两部的G10L、G06F、H04N和G06K 4个小类，其中语音识别、语音或音频编码解码技术 (G10L)的研发和专利申请已持续了20多年，目前已相对成熟，技术开发潜力较低。相对而言，图像通信技术 (H04N)虽然目前也比较成熟，但仍有较大潜力可挖[5]。此外，诊断、外科、鉴定技术 (A61B)及特定车辆配件或车辆部件技术 (B60R)最近刚进入成长初期阶段，未来发展空间巨大，需要企业特别加以关注，同时也是未来战略投资的重点。
由上可知,镜面过点O且与OM垂直.所以,只要弄清射线OM的方向是如何变化的,镜面的变化规律也就清楚了.为此,考虑入射角α不变,B在xOy平面内的单位圆上变化时,点M的变化情况.
3.1.4 创新机构分析
Kleinberg[24]认为，对某一技术主题的关注热度不是平滑增长的，而是在不同水平之间跃迁，据此，Kleinberg最先提出了突发词监测 (Brust detection)算法。该算法主要关注焦点——相对增长率突然变化的词。突发词不同于高频词，突发词监测算法更为注重研究领域内，那些活跃、有潜在影响的关键节点。因此，对突发词的监测更能从更微观的角度把握、预测学科发展动向。本文利用CiteSpace软件提供的突发词探测技术，得到人工智能技术领域高突现度关键词 (见表5)。
表1 人工智能专利IPC分类情况
表2 人工智能全球重点创新机构 (前10 名)
进一步挖掘还发现，中国人工智能专利虽在数量上有一定优势，但从质量上看，中国的大部分专利是在近几年人工智能热潮兴起之后申请的，且大量集中于商业应用层面 (如网购商品智能推荐、智能语音导航等)，而在人工智能关键核心技术领域 (芯片、底层算法、操作系统等)力量依然薄弱，这使得中国人工智能产业发展表面繁荣，但基础不够牢固，存在 “头重脚轻”结构不均衡问题。即便是被公认为中国人工智能巨头的百度、阿里巴巴、腾讯 (BAT)等企业，在人工智能专利方面也没有突出表现，而他们的竞争对手IBM、微软、谷歌、三星等均在人工智能领域积极进行全球专利布局。
3.2 人工智能热点技术分析
为从浩瀚繁杂的专利文献中梳理出人工智能领域的基本脉络，本文尝试从点、面和时间序列三个维度， “全景”式地展示人工智能技术领域的当前热点与未来趋势。
(1)热点技术。在专利文献中关键词所占的比例很小，但却是整个文献主题的高度概括和凝练，代表了一个领域的知识点和研究方向。如果某些关键词在所检索时间段内，出现频次越高，说明它们越受研究人员的广泛关注，也是近阶段的研究热点[15]。因此，通过对专利文献的关键词进行词频分析，可以在一定程度上发现该领域的技术主题和研究热点。本文从下载的341273篇专利文献中提取全部关键词，为保证数据的有效性，需对文献的关键词进行整理，合并一些相近的关键词，如字符识别、文字识别、文本识别统一合并为 “文本识别”，同时剔除一些与技术主题不相关的高频词如 “方法” “途径” “工艺”等。最后借助Bibexcel和CiteSpace软件，处理后得到频次大于150的高频技术关键词共196个，基本涵盖了目前人工智能领域的热点技术 (具体见表3)。热点技术往往是最有产业化潜力的技术主题，从技术预测角度看，未来新的技术生长点很可能是由这些热点衍生而来。因此，企业研发人员应该对当前人工智能领域的热点技术，始终保持关注并跟踪它们的变化。
(1)智能机器人 (Brust值17.08)。智能机器人是指具备不同程度类人智能，可实现 “感知-决策-行为-反馈”闭环工作流程，自动执行工作的各类机器装置[25]。图5可见，智能机器人与传感技术、机器视觉技术、人机交互技术等关联强度较高。机器人与人工智能技术的交叉融合，是目前学界和企业界共同关注的热点，大量资金争相投入，预计未来将会不断有新的技术与产品涌现。
在上述196个高频热点技术关键词的基础上，本文继续探寻人工智能领域的核心关键技术。在社会网络中，通常用中心性指标来测度节点在网络中的地位[16]。本文借鉴罗宗德《社会网络分析讲义》中的方法，通过计算关键词的中介中心性、接近中心性、度数中心性，来探寻人工智能领域的核心技术。从表4可见，大数据技术、云计算技术、深度学习、模式识别、人机交互等关键词的中心性较高，这表明在人工智能技术研发过程中，这些关键词是网络中的重要节点，对其他关键词的共现具有较强的影响力。这些关键词所对应的专利，是人工智能技术领域核心专利，而核心专利是很多重要专利的母专利，后续很多专利都是在其基础上发展而来。因此，我们需对人工智能领域的核心技术加以重点关注。
(2)热点技术之间的网络关系。通过词频统计和中心性指标的计算，可以看出人工智能领域某单个热点技术关键词的地位、影响，但却无法揭示这些热点技术之间的联系。因此，还需对这些关键词进一步分析，以厘清人工智能研究领域主要节点及节点之间的网络关系。因此，本文利用CiteSpace软件，通过对关键词的共现分析，绘制出人工智能领域热点技术知识图谱 (见图4)，并梳理出节点之间的网络关系，具体见子网1～7。
表3 人工智能技术领域高频热点技术关键词
表4 人工智能核心技术关键词中心性
图4 人工智能热点技术关键词图谱
子网1以大数据为中心，从图4可见，主要热点技术包括：数据采集与预处理技术、数据存储与管理技术、计算模式与系统、分析与挖掘技术、可视化计算、隐私与安全控制技术等。人工智能的发展对数据环境要求较高，具有数据规模庞大、种类繁多、产生速度快、处理要求高、时效性强等特点[17]。大数据平台为人工智能的快速发展提供了丰富的分析、训练与应用数据资源基础。
子网7以语音识别技术为中心，图4显示，该部分主要热点技术有：声学前端处理技术、声纹识别技术、语义理解技术、语音唤醒技术、对话管理技术等。目前，语音识别技术基本成型，处于较为成熟的状态[22]。经专利文本挖掘发现，苹果、三星、微软、谷歌、科大讯飞等企业，均已围绕语音识别技术进行了密集专利布局，形成了较高的行业技术壁垒，初创企业若想涉足该领域，则需慎重考虑。
子网2以云计算为中心，主要热点技术包括：虚拟化技术、分布式技术、计算管理技术、云平台技术和云安全技术等。云计算为人工智能的发展提供了资源整合交互的基础平台，尤其是与大数据技术结合，为当前深受关注的深度学习技术搭建了强大的存储和运算体系架构[18]。
子网3以智能芯片、智能传感器技术为中心，主要热点技术包括：图形处理器 (GPU)、自动采集数据技术、自诊断技术、自校正技术、自补偿技术、复合感知技术等。智能传感器属于人工智能的神经末梢，是全面感知外界环境，实现人工智能的关键元件。智能芯片则是实现人工智能的核心和底层基础。作为人工智能核心部件，智能芯片已成为各大科技巨头布局的重点领域，英特尔、谷歌、微软、英伟达等均已在该领域深耕多年[19]。
图5较为清晰地展示了近20年来人工智能领域技术热点的演进历程。随着时间的推移和时代的变化，人工智能领域的技术热点也在不断发生变迁、演进。根据上述图谱可以直观地观测到该领域每个时期最热门的技术主题，如文本识别、语音识别、图像识别、深度学习、云计算、大数据、智能芯片等。从图5可以看出，人工智能科学技术在发展中不断发生分化，成为不同的技术主题，与此同时，各个技术主题之间又存在着一定的关联，这种关联既反映出人工智能科技分化的历史脉络，又预示着未来科技发展方向和趋势。在这些不同技术主题关联和接触的地方，往往孕育着新的技术生长点，极有可能诞生出新的交叉技术主题[23]。
子网5以文本识别技术为中心，过去由鼠标、键盘输入的文本信息，现在由摄像头、麦克风和触摸屏采集获取。在此基础上，以往的文本识别核心技术，如模版匹配技术、字符分割技术、光学字符识别技术、逻辑句法判断技术等，正在与应用程序接口 (API)技术、智能终端算法技术、云计算技术等相结合，衍生出面向云端与移动互联网的新型文本识别系统[21]。
(2)智能医疗 (Brust值12.59)。随着社会经济发展与生活水平的提高，人们对医疗行业提出了更高的要求，人工智能为医疗行业的高质量发展提供了非常有利的技术条件。图5显示，大数据、图像识别、语音语义识别、深度学习技术与医疗行业交叉关联性较强。具体来看，利用语音技术可实现电子病历的智能语音录入；利用图像识别技术，可实现医学影像自动读片；利用医疗案例和经验数据进行深度学习和决策判断，可辅助医生实现更精准的诊断与治疗。在健康观念日益深入人心的背景下， “AI+医疗”将是人工智能技术领域的未来重要发展方向，值得创新机构加以重点关注和布局。
在施工过程中使用先进的信息技术。既能提高施工管理水平，又能提高施工效率。利用统计手段实现信息化。对建筑施工中使用的所有材料、设备和工作人员进行严格核算，从而使工作人员的重新部署合理化，同时避免了设备闲置的可能性。在信息管理方法中，我们还可以利用网络视频监控技术对施工现场进行全面监控。并对多媒体数据传输进行监控，使施工单位管理者能够通过视频问题对施工过程进行监控和查找，并针对这一问题提出相应的解决办法。同时，视频监控技术也可用于严格管理施工现场的材料和设备，避免出现材料流失的现象。
移动式筛分站是集受料、筛分、传送等工艺为一体的设备，以某型号移动式筛分站为例，主要部件有给料系统、多条作用不同的输送机、筛分主机、动力系统、履带底盘、主机架等。破碎后的砂石骨料或建筑垃圾等物料经给料箱落到给料输送机上，经过主输送机将物料不断向前输送，直至进入到筛分主机，筛分主机将物料按照不同的粒径进行分类筛选，不同粒径的物料经不同的输送机输送至堆场[1]。
中国的工笔花鸟瓷画，将两种博大精深的艺术美感相结合，也成为古往今来许多瓷画家们借物抒情的重要方式，这也是使得工笔瓷画成为当时不可缺少的艺术表现方式之一。
3.3 脉络演进与未来趋势分析
上述热点技术关键词网络图谱较为全面地显示了人工智能领域主要技术点及其相互之间的关系，然而，随着时间的推移和社会环境的变迁，人工智能技术领域是如何发展及演变的未能展示出来。因此，作为对上文的重要补充，本研究按年进行时间 “切片”，利用CiteSpace软件绘制1997—2017年人工智能领域技术主题变化图谱 (见图5)。因关键词过于繁多，本文仅显示主要高频词。
乳腺癌是全球女性中最常见的肿瘤，占女性癌症的23%，全球每年新发乳腺癌病例约167.1万，每年约52.2万死于乳腺癌，发达国家的乳腺癌发病率相对较高［24］，这可能跟食用豆制品食物相对较少有关。自从20世纪20年代发现雌激素可能引起肿瘤，人们开始研究性激素对肿瘤生长的影响，在肿瘤中孕激素受体（PR）、雌激素受体（ER）、雄激素受体（AR）等的发现受到关注。
图5 人工智能领域技术热点时序图
子网4以算法模型技术为中心。主要热点技术包括：深度学习、强化学习、机器学习、神经网络、模糊逻辑、遗传算法等。算法创新是推动本轮人工智能发展的重要驱动力，深度学习、强化学习等技术的出现使得机器的智能水平大为提升。全球科技巨头纷纷以深度学习为核心，在算法领域展开布局[20]。
兰州石化认真落实从严管党治党的要求，牢固树立“党的一切工作到支部”思想。公司党委坚持“抓书记、书记抓”，选拔能力强、作风硬的干部担任党支部书记，带动党支部科学化、规范化运行。
对某一领域内主要的创新机构进行分析，有助于了解该技术领域的核心研发团队，可为后续研究者开展合作与交流提供方便，进而推动技术的进一步发展。表2给出了专利申请量前10位的人工智能领域全球创新机构情况，其中有5家公司属于日本，有3家公司属于美国，中国只有1家公司。这表明美国、日本在人工智能产业技术领域有着强大的科技实力，占据领导地位。
表5 人工智能技术领域高突现度关键词
综上，在结合人工智能技术热点演变时序图与CiteSpace软件所提供的关键词突现值基础之上，对人工智能未来趋势展开预测如下:
换能器前后盖板通常采用钢、硬铝以及钛合金等金属材料，TC4钛合金具有优越的综合力学性能，材料疲劳强度高，机械损耗小，因此选用TC4型钛合金作为换能器前盖板材料。后盖板材料选用45钢，保证换能器产生的能量大部分从它的前表面辐射出去。超声加工属于轻负载大功率超声应用，要求压电陶瓷介电损耗小、耦合系数高、工作稳定性好，PZT-8是较为理想的材料。前、后盖板和压电陶瓷的部分材料性能参数如表1所示，压电陶瓷的常系数矩阵见表2。
子网6以图像视频识别技术为中心，从图4可见，该部分主要热点技术包括：图像预处理技术、特征提取分类技术、图像匹配算法、相似对比技术、深度学习技术等。
软基处理的目的是为提高软基底层的承载能力。改善地基受力变形的特性。软基加固处理方法很多，各种加固处理方法原理不同。通过软基加固处理改良的地基包括提高地基抗剪强度指标，改善地基土层透水性，改善特殊土层特性等方面。软基加固处理分类有多种方法，依据加固的深度可分为深层与浅层加固，依据加固时间不同可分为临时性与永久性加固处理等。
(3)智能金融 (Brust值10.75)。人工智能的飞速发展，对身处服务价值链高端的金融业正发挥着重要影响。具体而言，通过人脸识别、声纹识别、指纹识别等技术，对用户身份进行核验，有助于提高金融安全性；通过导入海量金融数据，从中分析交易行为，识别欺诈交易，可有效降低金融机构运营风险；基于大数据精准匹配用户与资产服务，可提升用户体验与客户满意度。从发展趋势上看，智能金融作为人工智能技术与金融业交叉融合的一个新兴技术主题，具有巨大的市场前景 (如正在逐渐兴起的刷脸支付)。
说到底，人们都希望居于生活方式鄙视链的上游，精致确实很难够到，土味倒是触手可及。艺术无贵贱，审美有高低——当一条几分钟的土味视频拥有远超过一部国产电视剧的播放量，需要反思的除了对后者的制作把控外，也许还应包括更多。
(4)智能安防 (Brust值9.41)。随着高清视频、智能分析、云计算和大数据等相关技术的发展，传统的被动安防系统正升级为主动判断和自动预警的智能安防系统。依托于海量视频数据，智能安防已延展到事后追查、事中防范响应、事前预防的全生命周期。随着社会安保需求的不断上升，智能安防已成为当前人工智能技术研发的活跃领域。
(5)智能教育 (Brust值6.27)。根据不同学生水平因材施教，历来是知易行难。但传统思想与前沿技术相结合，则可大幅提高因材施教的可行性。例如，利用知识图谱，构建和优化内容模型，让学生可以更容易、更准确地发现适合自己的内容。利用语音识别技术，可快速对学生的发音做出测评并指出发音不准的地方。借助大数据技术，通过对学习过程与效果的数据统计，诊断出学生知识、能力和需求的不同，以帮助学生和教师获取真实有效的诊断数据。学生可清楚看到问题所在，教师也可对症下药，提高教学效果。当前，人工智能与教育行业的交叉融合呈快速发展之势，智能教育作为一个新兴的交叉技术主题，市场前景良好，开始受到各大创新机构的广泛关注。
(6)智能驾驶 (Brust值5.31)。图5可见，智能驾驶与传感技术、计算机视觉技术、深度学习技术等关系密切。其中，车载雷达传感技术可探测路肩、车辆、行人等的方位、距离及移动速度；计算机视觉技术可识别车道线、停止线、交通信号灯、标志牌等信息；深度学习技术可根据收集的交通道路动态信息，实时做出最优路径规划。近年来，全球科技巨头纷纷围绕智能驾驶核心关键技术展开密集研发，如德国博世、美国特斯拉、谷歌等跨国公司，均已在该领域投入大量研发资源。可以预见，随着各国智能驾驶相关法规逐渐成形、行业内技术不断完善、企业积极推动应用落地的情况下，智能驾驶产业将呈持续扩张之势，未来市场机遇广阔。然而，机遇与风险并存，正如智能手机的出现，极大改变了全球原有市场格局 (诺基亚等巨头被淘汰出局)。人工智能与自动驾驶深度融合，极有可能衍生出新的颠覆性技术，并深刻改变当前汽车产业的现有格局。因此，该领域相关企业需对此高度重视，并密切关注该领域相关前沿技术的变化趋势，提前做好相应规划。
4 结论与启示
(1)从专利数量上看，中国专利申请量起步较低，但增速较快，2011年之后，中国赶超美国，并在数量上处于领先优势。日本、德国、韩国等增速相对平稳。中国专利总数虽居世界前列，但近50%的专利申请来自国外。发达国家早已通过 “专利先行”策略，在中国进行 “跑马圈地”，对中国市场形成极强的控制力。中国创新机构的国际专利布局意识与行动严重滞后，在抢占国际市场方面处于弱势地位。
(2)从IPC分类来看，全球人工智能技术专利主要集中于G (物理)、H (电学)两部，特别是G、H两部的G10L、G06F、H04N和G06K 4个小类。其中，语音识别、音频编码解码技术 (G10L)，目前已基本成型，处于较成熟的状态，众多巨头已在该领域进行了密集专利布局，形成了较高的行业技术壁垒。相对而言，图像通信技术 (H04N)发展潜力较大，值得我国创新机构加以关注和投资。此外，诊断、外科、鉴定技术 (A61B)及特定车辆配件或车辆部件技术 (B60R)，这两类技术刚开始进入成长初期阶段，市场空间巨大，是我国企业需要特别关注的技术领域，同时也是未来战略投资的重点。
不能在市场经济的浪潮中立足和发展的工匠精神是不可取的。工匠精神所依附的事业如果不能发展，那么再美好的工匠精神也只是镜花水月甚至是自我陶醉。
(3)从创新机构来看，专利申请量排名前10位的人工智能全球创新机构中，有5家公司属于日本，有3家公司属于美国，中国只有1家。美、日在人工智能技术领域有着强大的实力，占据领导地位。中国专利申请大量集中于技术应用层面，而非原理和关键核心技术，底层积累薄弱，中国人工智能产业存在 “头重脚轻”的结构不均衡问题。此外，中国人工智能专利产出机构大部分为研究所和大学，企业只占少数，在产学研合作促进科研成果转化方面仍然存在着明显的 “短板”，未来这方面的工作亟待改善。
(4)从热点技术来看，当前大数据技术、云计算技术、深度学习、语音识别、图像识别、文本识别、人机交互等是人工智能领域的热点技术。热点技术往往是最有产业化潜力的技术主题。因此，企业研发人员对当前人工智能领域热点技术，应始终保持关注并跟踪它们的变化趋势。
(5)从未来趋势上看，智能机器人、智能医疗、智能金融、智能安防、智能教育、智能驾驶6个方面的新兴技术主题，与人工智能当前热点技术存在较强的交叉关联。在这些不同技术主题关联和接触的地方，往往孕育着新的技术生长点，极有可能衍生出新的颠覆性技术，并深刻改变当前人工智能产业的现有格局。因此，人工智能领域的创新机构需对上述6个交叉关联的新兴技术主题加以重点关注和战略布局。
（2）喘振控制调节阀。线性或者等百分比调节阀通常用作喘振控制调节阀。但是由于等百分比调节阀在低CV值时比线性调节阀有更好的稳定性，所以在选择喘振控制调节阀时，推荐使用等百分比调节阀［2］。
参考文献：
[1]黄鲁成，王静静，李欣，等.基于文献计量的新兴趋势分析[J].情报杂志，2015，34 (7):58-64.
[2]张春博，丁堃，贾龙飞.国际人工智能领域计量与可视化研究——基于 AAAI年会论文的分析[J].图书情报工作，2012，56 (22):69-76.
[3]彭丽，叶充.基于 Web of Science 的人工智能研究计量分析[J].图书情报研究，2015，8 (4):53-59.
[4]喻国明，梁爽，程思琪.当前国际传媒领域人工智能研究的学术热点与框架——基于EBSCO数据库2016年英文文献的文献计量学方法[J].东南学术，2018 (2):55-65.
[5]ALFONSO I，PEDRO L，CONCHA B.Using Bayesian networks to discover relationships between bibliometric indices:A case study of computer science and artificial intelligence journal[J].Scientometrics，2016,89 (2):523-551.
[6]BARTNECK C.The end of the beginning:A reflection on the first five years of the HRI conference[J].Scientometrics，2010，86 (2):487-504.
[7]EOM S B.Decision support systems research:Reference disciplines and a cumulative tradition[J].Omega-international journal of management，1995，23 (5):511-523.
[8]EOM S B，LEE S M，KIM E B，et al.A survey of decision support system applications[J].Journal of the operational research society，2008，49 (2):109-120.
[9]EOM S B.Decision support systems research:Current state and trends[J].Industrial management & data systems，2012，99 (5):213-221.
[10]张振刚，黄洁明，陈一华.基于专利计量的人工智能技术前沿识别及趋势分析[J].科技管理研究，2018 (5):36-42.
[11]赵蓉英，李新来，李丹阳．专利引证视角下的核心专利研究——以人工智能领域为例[J/OL].情报理论与实践,2019,42(3)[2019-04-28].http://kns.cnki.net/kcms/detail/11.1762.G3.20181023.0924.002.html.
[12]陈军，张韵君，王健．基于专利分析的中、美人工智能产业发展比较研究[J/OL].情报杂志,2019,38(1)[2019-03-24].http://kns.cnki.net/kcms/detail/61.1167.G3.20181113.1325.010.html.
[13]沈君，高继平，滕立.德温特手工代码共现法:一种实用的专利地图法[J].科学学与科学技术管理,2012,33 (1):12-16.
[14]王友发,周献中.基于专利地图机器人产业知识产权发展对策[J].中国科技论坛，2015(9):31-37.
[15]陈悦，谭建国，王智琦，等.专利视角下工业机器人领域的技术机会分析[J].科研管理，2018，39 (4):144-156.
[16]罗家德．社会网络分析讲义[M].北京:社会科学文献出版社，2005:134-146．
[17]李德仁，姚远，邵振峰.智慧城市中的大数据[J].武汉大学学报，2014，39 (6):631-640.
[18]吴飞，阳春华，兰旭光,等.人工智能的回顾与展望[J].中国科学基金，2018 (3):243-250.
[19]张蔚敏，蒋阿芳，纪学毅.人工智能芯片产业现状[J].电信网技术，2018 (2):67-71.
[20]BRONSTEIN M M，BRUNA J，LECUN Y，et al.Geometric deep learning:Going beyond euclidean data[J].IEEE signal processing magazine，2017，34 (4):18-42.
[21]XIE Z，SUN Z，JIN L，et al.Learning spatial-semantic context with fully convolutional recurrent network for online handwritten Chinese text recognition[J].IEEE transactions on pattern analysis and machine intelligence，2018，40 (8):1903-1917.
[22]韩文静，李海峰，阮华斌,等.语音情感识别研究进展综述[J].软件学报，2014,25 (1):37-50.
[23]乔杨.专利计量方法在技术预见中的应用——以国内冶金领域为例[J].情报杂志，2013，32 (4):34-37.
[24]KLEINBERG J.Bursty and hierarchical structure in streams[J].Data mining and knowledge discovery，2003，7 (4):373-397.
[25]王田苗，陶永.智能机器人+人工智能创新创业的思考及建议[J].科技导报，2018，36 (17):97-101.
Hotspots and Development Trend of Artificial Intelligence Technology Based on Patent Map
Wang Youfa1，2,Luo Jianqiang1,Zhou Xianzhong2
(1.School of Management，Jiangsu University，Zhenjiang 212013，China;2.School of Management and Engineering，Nanjing University，Nanjing 210093，China)
Abstract： This paper analyzes the global patent application trend，patent geographical distribution，PCT patent layout of major countries，hot fields and future development trend of the AI industry based on Derwent innovative index database.The study finds that the United States and Japan are the dominant players in the global.China has been developing rapidly in recent years.The multinational giants in the field of artificial intelligence all attach importance to the strategy of patent globalization.Big data，cloud computing，deep learning，speech recognition，image recognition and human-computer interaction are the hot technologies.Six emerging technology themes，including intelligent robot，intelligent medical care，intelligent finance，intelligent driving，intelligent security and intelligent education，are closely interrelated with current hot technologies of artificial intelligence.Therefore，innovation institutions should pay more attention to these hot and emerging technologies.
Key words: Artificial intelligence;Patent map;Knowledge map;Technology hotspot
基金项目： 国家自然科学基金项目 “服务型制造企业服务衍生机制设计及其边界识别研究” (71472077)， 江苏省社科基地项目 “工业机器人助推江苏制造企业生产率提升的内在机理与影响效应研究” (18JD018)，江苏高校哲社基金项目 “改革开放40年中国科技创新的演进脉络、成长机理与政策前瞻” (2018SJA1066)。
收稿日期： 2019-01-07
作者简介： 王友发 (1981-)，男，江苏盐城人，江苏大学副教授，南京大学博士；研究方向：智能制造。
中图分类号: G350
文献标识码: A
(责任编辑 柯文先)
标签：人工智能论文; 专利地图论文; 知识图谱论文; 技术热点论文; 江苏大学管理学院论文; 南京大学智能装备新技术研究中心论文;