專利視角下人工智能與車聯網技術融合演化研究

賈怡煒，戚 湧，2，武蘭芬

(1.南京理工大學 知識產權學院；2.南京理工大學 經濟管理學院，江蘇 南京 210094)

0 引言

與傳統產業不同，新興產業在創新過程中呈現出高度不確定性、復雜性和融合性特征[1]。車聯網集中運用人工智能、物聯網、大數據和云計算等技術，是典型的高新技術綜合體。隨著算法的革新以及算力的提升，人工智能技術驅動車聯網產業進入創新發展新階段。

融合一般被解釋為兩個以上可辨識的對象趨于聯合或統一的過程[2]。技術融合是由技術、社會經濟或組織力量發起的變革過程，該過程逐漸消除或改變著傳統行業邊界，是多元基礎知識和多學科交叉引起的非線性融合現象[3]。Gill[4]認為，技術融合擴大了一項技術在其它技術領域的應用范圍，有助于在現有基礎產品中添加新功能。早在20世紀80年代初，計算機、通信技術就開始出現融合跡象和趨勢[5]。隨后，計算機和信息技術開始與傳統化學[6]及生物技術[7]發生融合，信息仿真和建模技術大幅提高了新設備和新產品開發效率。迄今為止，包括英特爾聯合創始人Moore[8]在內的大多數學者都集中于研究電子和信息產業領域技術融合方案及其創新路徑。隨著人工智能、大數據等新興技術的快速發展，人工智能產業向數字化、智能化轉型。國內外學者對人工智能領域技術融合進行積極探索發現，人工智能逐漸滲透到工業管理等領域[9]，與數據分析、圖像處理和財務定價等領域的融合愈發明顯[10]。

在自然科學領域，已有不少學者通過計算推導等實驗方法探索人工智能在車聯網領域的應用和功效。例如，Bhatia等[11]研究遞歸神經網絡、聚類算法在交通網絡流量預測與控制中的應用；Chen等[12]研究馬爾可夫決策模型在交通網絡通信與數據傳輸中的應用；Aloqaily等[13]、Bedi等[14]分別研究決策樹、隨機森林和支持向量機在車輛信息安全與入侵檢測系統中的應用；Caltagirone等[15]、Khan等[16]分別研究全卷積神經網絡和BP神經網絡在環境感知與場景識別中的應用；Hao等[17]研究模糊邏輯在定位導航與路徑規劃中的應用；Hu等[18]、Kanapram等[19]分別研究貝葉斯優化算法和動態貝葉斯網絡模型在交通安全與風險管控中的應用；Shakarami等[20]、Mohammadnazar等[21]分別研究隱馬爾可夫模型和K均值聚類算法在車輛自主決策及智能優化中的應用。

專利是學術界最常用的技術創新衡量指標，成為獲取新技術機會和前沿科技情報的可靠途徑[22]。基于專利大數據研究技術融合的主要方法有專利系數分析法、社會網絡分析法和關聯規則挖掘等。吳曉燕等[23]根據技術融合度、中介中心性和突發指數融合指標考察技術之間的融合程度，用以識別合成生物學技術領域的新興技術和關鍵技術；Park等[24]通過構建專利引文網絡，探討生物技術與信息技術之間的技術融合程度；Han等[25]應用滿足支持度和置信度的關聯規則識別信息通信技術融合網絡關系。目前，相關學者基于專利計量分析法對人工智能、車聯網領域技術融合進行研究。陳悅等(2021)將人工智能作為嵌入式技術，通過分析專利IPC代碼共現揭示人工智能領域技術融合態勢；王友發等[26]利用技術主題詞共現分析識別人工智能領域核心技術；翟東升等[27]基于專利技術共現網絡揭示自動駕駛技術融合演化規律和當前研究熱點。

綜上所述，學術界對人工智能在車聯網領域的應用開展了廣泛研究，但主要局限于具體技術方案的實現和推導驗證上，鮮有研究涉及人工智能與車聯網領域技術融合特征和融合趨勢。在基于專利數據的技術融合研究中，機器學習等文本挖掘法的應用相對較少，單從引文網絡、專利指標層面或利用專利共類信息進行技術融合分析存在一定的局限性。因此，本文以2000-2019年人工智能和車聯網技術發明專利作為研究對象，構建人工智能與車聯網領域融合模式識別框架，對人工智能和車聯網領域的專利申請量、技術融合度和技術相似度等技術指標進行測度，識別人工智能在車聯網應用的關鍵技術領域，采用Word2vec等文本挖掘技術和技術共現網絡分析法，利用Python、Gephi等數據處理和可視化工具，分階段研究人工智能應用于車聯網技術的發展態勢，探析人工智能與車聯網技術融合特征及演化規律，可為人工智能與車聯網產業創新提供參考依據。

1 研究設計

1.1 研究框架

本文構建研究框架，如圖1所示。首先，分別對人工智能和車聯網技術進行分解，對全球專利數據反復進行檢索并調整，通過申請號合并和關鍵著錄項提取等預處理操作獲取研究數據；其次，劃分技術融合演化時間窗口，進行數據切割(萌芽期、緩慢發展期和快速發展期)；最后，從技術融合識別與測度、技術主題關聯和技術共現網絡3個維度對專利申請量、技術融合度和技術相似度等技術指標進行測度，利用文本聚類分析和技術共現網絡分析揭示人工智能與車聯網技術融合特征及演化規律。

圖1 研究框架Fig.1 Research framework

1.2 樣本選取與數據處理

專利數據來源于IncoPat專利檢索分析系統，檢索語言為英文，根據《車聯網知識產權白皮書(2020)》列舉的車聯網主要技術關鍵詞，借鑒劉穎琦等[28]的檢索方法，擬定車聯網專利檢索式為：“TIAB=("vehicular networking") OR ("vehicle to everything") OR ("vehicular networks") OR ("vehicle to vehicle") OR ("vehicle"(S)"network") OR ("vehicle"(S)"Internet")……”。以Lee等[29]提出的人工智能技術各層級匹配算法作為檢索關鍵詞，經過反復檢索和調整，最終擬定人工智能專利檢索式為：“TIAB=("artificial intelligence") OR ("machine learning") OR ("deep learning") OR ("support vector machine") OR ("genetic algorithms") OR ("random forests")……”。對車聯網與人工智能專利檢索結果進行匹配，得到人工智能與車聯網技術融合領域的專利數據集。采用上述專利檢索策略，共檢索出人工智能專利232 817項，車聯網專利60 801項，人工智能與車聯網融合領域專利3 394項。檢索時間跨度為2000-2019年，檢索日期為2021年10月7日。

1.3 研究方法與工具

(1)

式(1)中，SAB表示技術領域A與B的技術相似度；NA、NB表示A、B技術領域覆蓋國際專利分類(IPC)小類的集合，n表示兩個技術領域中IPC小類的個數；qAk、qBk分別表示技術領域A、B在第k類專利下的專利數量。該數值越接近于1，表明A和B領域間的技術分布特征越相近，技術相似度越高。

(2)文本挖掘。Word2vec是Google成員Mikolov等[32]于2013年開源推出的一個工具包，這種無監督式學習的機器學習算法通過對單詞進行矢量化分析，用以反映文本單詞之間的相似性關系。逯萬輝等[33]采用Word2vec模型計算期刊相似度，采用K-means算法進行分群與聚類實驗，采用t-SNE降維算法對期刊的分群結構進行可視化分析。本文利用Word2vec和K-means算法構建技術融合主題聚類模型，采用t-SNE對各階段矢量化后的聚類數據進行降維和可視化分析，揭示人工智能與車聯網技術主題關聯態勢。

(3)社會網絡分析。技術共現網絡分析是技術融合有效、可行的研究方法。陳鈺芬等[9]、Feng等[34]通過構建專利IPC代碼共現網絡，識別和分析新興產業潛在技術融合關系及主題。本文利用Gephi軟件構建人工智能與車聯網技術融合領域共現網絡，其中技術共現廣度為網絡中IPC節點連接邊的個數，技術共現強度為網絡中IPC節點連接邊的平均權重。

2 實證檢驗

2.1 生命周期階段劃分

根據技術生命周期理論，專利技術遵循技術萌芽期、發展期、成熟期和衰退期4個階段的周期性變化。本文通過對專利數量累計百分比、申請年增長率或增長量進行分析，對人工智能與車聯網融合領域技術生命周期階段進行劃分。通過對2000-2019年人工智能與車聯網技術融合領域的3 394項專利逐年進行統計，得到專利申請量年度變化及增長率數據分布，如圖2所示。

圖2 專利申請量年度變化與增長率分布Fig.2 Annual change and growth rate distribution of patent applications in the process of technology convergence

具體來看，人工智能與車聯網技術融合領域專利申請量在2000-2019年總體呈上升趨勢，于2019年達到峰值。2000-2012年，專利申請量年增長率在[-0.69，0.55]之間上下波動，期間出現5次負增長，專利申請數量累積百分比為10.08%，人工智能在車聯網領域的應用處于起步階段；2013-2015年，專利申請年增長率在[0.08，0.55]之間波動， 3年專利申請數量累積百分比為7.98%，技術研發活動開始活躍；自2016年起，專利申請年增長率在[0.25，0.63]之間波動，專利申請數量增長迅猛，增速平穩。截至2019年，4年專利申請累計數量百分比為81.94%，表明近幾年人工智能算法在車聯網技術領域的應用發展迅猛，兩者技術融合愈發活躍，進入全面發展時期。

綜上分析，人工智能與車聯網技術融合領域生命周期劃分為3個階段：2000-2012年為第一階段(萌芽期)，2013-2015年為第二階段(緩慢發展期)，2016-2019年為第三階段(快速發展期)，這為后面技術融合分階段演化分析提供了依據。

2.2 技術融合識別與測度

2.2.1 宏觀分析

2000-2019年，國家知識產權局、美國專利商標局、歐洲專利局、日本特許廳和韓國知識產權局的人工智能、車聯網技術以及人工智能與車聯網融合領域專利數量全球占比分別高達82.33%、85.06%和90.42%，如表1所示。2000-2005年，美國專利商標局和日本特許廳人工智能領域專利申請數量最多；日本特許廳專利申請量超過中國國家知識產權局專利申請量的4倍，是早期車聯網領域專利布局主要目標國家；在人工智能與車聯網技術融合領域，五局專利總和僅為127項，人工智能在車聯網技術領域的應用才剛起步。2006年起，中國國家知識產權局和美國專利商標局車聯網專利申請數量呈倍數增長，成為全球車聯網領域最主要的專利布局目標市場。2016-2019年，人工智能技術和人工智能與車聯網融合領域專利申請數量呈大爆發趨勢，4年專利申請數量遠高于前16年的專利申請數量之和。

表1 專利申請量空間分布與階段比較Tab.1 Spatial distribution and stage comparison of patent applications

2.2.2 中觀分析

以每個人工智能算法為獨立關鍵詞分別進行檢索，共有36類算法出現在融合領域專利標題和摘要中。其中，神經網絡專利數量最多，占比47.87%；其次是卷積神經網絡、模糊系統、深度神經網絡和圖像識別算法。2000-2019年，有9類算法專利僅由中國國家知識產權局公布，其中粒子群優化算法專利數量最多，共30項；進化學習算法僅公布于美國專利商標局，共9項。圖3展示了排名前10的算法在各時期的專利數量分布情況。其中，神經網絡、模糊系統、圖像識別算法和語音識別算法早在2000-2005年就出現在車聯網技術專利中，在各階段排名中都比較靠前，是車聯網領域重要的基礎算法。有些算法在車聯網領域應用較多但出現較晚，如卷積神經網絡和深度神經網絡于2013-2015年才開始出現，支持向量機于2016-2019年才開始出現，它們是車聯網領域最具發展前景的人工智能算法，需要引起學者重點關注。

2.2.3 微觀分析

本文假設A為人工智能領域、B為車聯網領域，對人工智能與車聯網領域技術融合度和相似度進行計算。如表2所示，技術融合度和相似度逐漸變大，快速發展期的技術融合度超過緩慢發展期的2倍，增長幅度為102.98%，說明兩者技術領域交集專利數量增長幅度遠大于兩者技術領域專利總數增加幅度。這表明，人工智能與車聯網技術發展方向正在互相靠攏，技術融合程度不斷加深。此外，card(NA∩NB)數量的穩定增長說明兩者技術領域共同涉及的技術分支類別更加多樣，技術差距日漸縮小。

對集合NA∩NB各階段的組成元素作進一步分析，結果發現：F02D(燃燒發動機控制)和H05B(電熱)領域專利數量顯著下降；B60W(車輛子系統聯合控制)、G01D(非專用于特定變量的測量)、G06K(數據識別與表示)、G06N(基于特定計算模型的計算機系統)、G07C(時間登記器或出勤登記器)是緩慢發展期新出現的技術分支；B25J(機械手；裝有操縱裝置的容器)、G07B(售票設備與車費計)、G07F(投幣式設備或類似設備)是快速發展期新出現的技術分支。這表明，人工智能與車輛子系統聯合控制等領域融合強度不斷加深，輪胎機械手和停車場管理將逐步成為人工智能在車聯網應用的關鍵技術領域。

圖3 融合領域主要人工智能算法專利變化趨勢Fig.3 Patent trends of main AI algorithms in fusion field

表2 技術融合度與相似度Tab.2 Technology convergence degree and technical similarity

2.3 技術主題關聯分析

圖4、圖5和圖6分別展示了人工智能與車聯網在萌芽期、緩慢發展期和快速發展期的技術主題關聯情況。圖4中出現模糊系統、圖像識別算法和神經網絡3種人工智能算法，其中模糊算法和圖像識別算法分別與車輛定位及自動泊車技術存在較多關聯。radio、remote、wireless和system等詞向量距離相近，形成一個較小的聚類，說明萌芽期人工智能算法應用于遠程無線通信系統領域。圖5中新出現卷積神經網絡算法，比較明顯的技術集群主題包括信號處理、車流預測、探測設備、動力裝置、目標監測、交通標識識別、定位導航和路徑規劃等。圖6中新出現算法支持向量機，模糊算法被用于車載多媒體系統，卷積神經網絡被用于數據傳輸系統和自動轉向裝置，支持向量機和強化學習被用于動態車輛軌跡預測。值得關注的是，human、user、risk evaluation和safety等詞在2016年之后高頻出現，表明車輛駕駛的安全性、穩定性以及用戶體驗和感受對車聯網產業發展愈發重要，platform的出現說明在人工智能相關技術的支撐下，車聯網開始轉向移動智能出行平臺，并不斷進化為出行空間和生活服務載體。

圖4 基于詞向量聚類的技術主題關聯(2000-2012年)Fig.4 Technical topic association map based on word vector clustering (2000-2012)

2.4 技術共現網絡分析

2.4.1 網絡整體結構特征分析

2000-2012年、2013-2015年、2016-2019年3個階段的專利技術共現網絡如圖7所示。結合表3，采用網絡整體結構特征指標對網絡指標進行分析。從網絡節點數看，第三階段節點數為第一階段的1.86倍，說明網絡規模在快速發展期迅速壯大。從邊的數值看，每個階段的網絡邊數都超過節點數，網絡邊數增長幅度遠大于節點數增長幅度，說明專利技術之間的關聯關系逐漸趨于多元化。從平均度數值看，第三階段的平均度是第二階段的2.80倍，說明節點所代表的IPC所屬技術領域之間的關聯關系愈發密切。就網絡密度而言，由于后期更多IPC被匹配到融合技術領域專利中，而新出現的IPC潛在聯結邊數遠大于其與其它IPC的實際聯結邊數，故網絡密度由0.11下降至0.08，說明專利技術共現網絡整體較為稀疏，有很大提升空間。網絡直徑越大，說明對應網絡傳輸性能和效率越低；平均聚類系數越大，說明節點間建立關聯關系越容易。結合網絡直徑和平均聚類系數看，網絡直徑由4下降至3，平均聚類系數由0.71增至0.75，說明不同技術間的融合難度下降，網絡結構更加穩定。

圖5 基于詞向量聚類的技術主題關聯(2013-2015年)Fig.5 Technical topic association map based on word vector clustering (2013-2015)

圖6 基于詞向量聚類的技術主題關聯(2016-2019年)Fig.6 Technical topic association map based on word vector clustering (2016-2019)

2.4.2 節點層面技術領域功能分析

對網絡節點技術共現廣度與技術共現強度進行分析，如表4、表5和表6所示。其中，交通控制系統和基于特定計算模型的計算機系統在各階段的共現廣度與強度都較高，數據識別與數據表示、非電變量控制或調節系統等節點融合強度在技術融合發展過程中不斷提升，說明交通控制系統和計算機系統是人工智能與車聯網技術融合領域的基礎性專利技術，這些專利技術發展帶動數據識別與數據表示、非電變量控制或調節系統以及數據處理系統或方法等基于人工智能技術的應用型專利技術發展，表明人工智能與車聯網技術之間的關聯關系不斷深化，技術發展相互促進。在快速發展期，圖像數據處理技術共現強度較高但廣度較低，說明其目前在車聯網領域的應用比較集中，是近年來車聯網技術發展較關鍵的人工智能技術；無線通信網絡、數字信息傳輸和信號裝置技術共現廣度高但強度低，說明現階段人工智能技術發展不足以支撐與車聯網領域技術的深度融合。因此，要實現上述車聯網技術的快速發展，需要在人工智能技術領域取得突破。

由表7可知，在萌芽期，車輛控制與調節系統等車輛基礎技術在本領域和其它領域發揮重要作用，高權重兩端的IPC小類較分散。在緩慢發展期，數據識別與數據表示技術與交通控制系統和圖像數據處理等技術實現深度融合，人工智能技術在車聯網領域的應用得到進一步拓展。在快速發展期，基于特定計算模型的計算機系統成為網絡中高權重邊的交點，與點數字數據處理、非電變量控制或調節系統、車輛子系統聯合控制以及數據處理系統或方法等技術存在密切關聯，對人工智能與車聯網跨領域技術融合和交叉發展發揮重要中介作用。總體而言，數據識別與數據表示、基于特定計算模型的計算機系統等技術在人工智能與車聯網技術融合演變過程中的控制力較強，推動各技術分支交叉平衡發展。

表3 各階段專利技術共現網絡整體結構特征Tab.3 Overall structural characteristics of patent technology co-occurrence network in each stage

圖7 專利技術共現網絡(2000-2012年、2013-2015年、2016-2019年)Fig.7 Co-occurrence network of patent technology(2000-2012、2013-2015、2016-2019)

表4 技術共現廣度與共現強度較高的IPC小類Tab.4 IPC subclass with high co-occurrence breadth and intensity

表5 技術共現強度較高、共現廣度較低的IPC小類Tab.5 IPC subclass with high co-occurrence intensity and low co-occurrence breadth

表6 技術共現廣度較高、共現強度較低的IPC小類Tab.6 IPC category with high co-occurrence breadth and low co-occurrence intensity

表7 高權重邊兩端節點的IPC小類Tab.7 IPC subclass at both ends of high weight edge

3 結論與啟示

3.1 研究結論

本文基于人工智能和車聯網領域專利文獻數據，從技術融合識別與測度、技術主題關聯和技術共現網絡3個維度，剖析人工智能與車聯網領域技術融合特征和演化規律，得出以下研究結論：第一，技術融合發展呈現明顯的階段性特征，人工智能在車聯網領域的應用發展迅速，技術融合程度日益加深，進入全面發展時期；第二，車聯網領域每個時期新出現和積極應用的人工智能算法不同，人工智能在車聯網領域的應用范圍不斷拓展；第三，面向用戶對車輛安全管理、智能接待和出行安排等多樣化綜合服務需求，人工智能開始逐漸應用于車聯網智能平臺技術研究，這是車聯網產業發展的一個重要轉折點；第四，技術領域之間的關聯關系愈發密切，技術共現網絡整體較為稀疏，有很大的提升空間；第五，數據識別與數據表示、基于特定計算模型的計算機系統等技術在融合演變過程中的控制力較強，無線通信網絡、數字信息傳輸和信號裝置等技術的快速發展需要在相關人工智能技術領域取得突破。

3.2 啟示與建議

根據上述研究結論，本文提出如下啟示：

(1)利用人工智能和車聯網融合領域技術主題關聯圖譜和技術共現網絡挖掘融合領域中的關鍵算法，識別未來人工智能與車聯網技術融合方向。現階段，我國應加強對自然語言處理和進化學習算法等人工智能技術的研發投入，縮小與發達國家的差距；加大對車聯網智能平臺發展的政策扶持，構建數據共享和信息維護市場化機制；面向車聯網信息通信領域，增設人工智能科研基金立項選題，實現車聯網系統關鍵技術和新產品突破。

(2)推動計算機科學技術與機械工程、動力與電氣工程、工程與技術學科等基礎學科的深度融合，根據技術共現網絡分析獲得的技術分支領域，為人工智能和車聯網產業創新人才培養提供學科知識體系。瞄準科學技術發展前沿，鼓勵高校加強人工智能交叉學科建設，將人工智能和車聯網領域基礎科學研究與產業應用需求緊密結合起來，加快培育一批我國戰略性新興產業發展亟需的復合型人才。

(3)搭建人工智能與車聯網領域新型共性技術研發平臺，賦能企業、高校和科研院所等多主體協同研發，實現科技成果共享。把科技自立自強作為發展戰略支撐，依托知識產權大數據分析，加強技術融合領域的宏觀調控。協調整合各方資源，提升跨領域研發主體間的信息傳遞效率，打破制約產業發展的技術瓶頸，促進車聯網產業規模不斷擴大。