全球人工智能專利合作格局演化研究

虞舒文， 周立軍， 楊 靜， 瞿羽揚

（中國計量大學 經濟與管理學院， 浙江 杭州 310018）

0 引言

1956 年夏季， “人工智能 （Artificial Intelligence，AI） ” 一詞在達特茅斯會議上被首次提出， 標志著“人工智能” 這門新興學科的正式誕生。 1997 年國際商用機器公司 （IBM） 的 “DEEP BLUE” 計算機打敗了人類世界國際象棋冠軍， 在人工智能技術發展進程中具有里程碑的意義。 如今人工智能已成為全球科學技術創新的重點關注對象， 美國、 德國、 日本等國家先后推出了人工智能國家創新計劃［1］。 中國也在2017年印發 《新一代人工智能發展規劃》， 提出中國人工智能產業是 “新的重要經濟增長點”， 分三步達到世界領先水平； 2020 年科技部印發 《關于科技創新支撐復工復產和經濟平穩運行的若干措施》， 重點舉措“培育壯大新產業新業態新模式” 中明確提出要大力推動關鍵核心技術攻關， 人工智能便是其中重要的一項； 在2021 年發布的 “十四五” 規劃中， 人工智能作為戰略性重點創新領域被提及6 次。

作為創新成果的表現形式， 專利可以有效反映出國家創新能力。 隨著市場經濟的激烈競爭， 知識產權保護及合作交流的意識不斷提高， 協作研發并聯合申請專利日益受到重視， 合作關系在技術擴散、 資源共享、 信息交流、 知識傳播等方面都具有重要意義［2］。專利合作網絡是兩個及兩個以上專利權人之間通過共同申請的方式形成的復雜網絡， 是一種典型的社會關系網絡。 社會網絡分析將網絡中每個專利權人視為一個節點， 進而研究多個節點之間的交互作用并測度整體網絡， 這相比統計分析方法能更有效地挖掘合作網絡中的復雜信息。

因此， 在對德溫特創新索引數據庫中人工智能領域專利進行數據清洗與去重的基礎上， 分階段構建專利合作網絡模型， 從整體的網絡結構指標、 局部的塊模型、 個體的中心度多角度直觀剖析各階段演化特征，以揭示人工智能領域的創新發展規律， 有助于推動該產業的發展， 提升產業整體經濟效益， 建立科學的、適宜的人工智能產業發展戰略。

1 文獻綜述

近年來， 國內外關于人工智能專利分析的研究剛剛起步。 趙程程［3］通過繪制全球人工智能技術創新網絡圖譜， 發現人工智能領域的創新主體中中國企業及機構非常活躍， 其中最具潛力的創新主體包括華為等10 家企業和中山大學等15 家高校及科研院所， 重要創新主體包括騰訊等10 家企業和電子科技大學等10家科研機構； 另外還發現其創新合作具有中美領導全球人工智能技術創新、 中國以 “企業＋高校” 主導應用場景設計、 美國以企業主導研發硬件設備等特征。Hidemichi Fujii 等［4］研究發現技術發明的重點已經從生物和理論知識模型轉移到特定的數學模型及其他人工智能技術中， 并且人工智能技術專利發布的特點因公司和國家而異。 曾聞等［5］建立了產業領域專利申請狀況分布與演化的研究框架， 以人工智能領域為例進行的實證分析發現目前主要專利申請人以美國、 日本的企業為主， 重要關注領域以電數字數據處理技術為主。當前國內外人工智能技術創新研究方法主要包括Citespace、 分解框架、 數據挖掘等。

作為西方社會學的一個重要分支， 社會網絡理論始于20 世紀30 年代。 德國社會學家G.Simmel 首次使用了 “網絡” 這一概念， 英國人類學家 Radcliffe Brown 則首次提出了 “社會網絡” 的概念。 從20 世紀30 年代至60 年代， 越來越多的學者提出和探討了各種網絡概念， “社會網絡” 一詞漸入學術殿堂。 社會網絡分析 （Social Network Analysis， SNA） 運用關系數據來描述網絡社會化過程， 構成元素包括節點和邊，其中每個節點代表一個行動者， 邊代表行動者之間的關系， 因此社會網絡可以看作是由作為節點的社會行動者及行動者之間的關系構成的集合。 通過對復雜網絡中節點緊密聯系程度進行定量分析， 可以從宏觀上顯示整個網絡系統的格局， 也可以反映單個節點在整體網絡中的位置。 楊勇等［6］構建出中國發明專利的合作網絡并測量出其各項結構特征指標， 通過分析發現專利合作網絡規模正在迅速擴大， 其連通性不斷增強，而在網絡中占據核心位置的是高等院校和大型國有企業。 關鵬等［7］通過各個特征指標發現專利合作網絡結構逐漸從碎片化的零散網絡向多中心的小世界網絡轉變， 網絡機制中存在 “富者恒富” 的現象， 但核心地區存在發展不平衡的問題。 社會網絡分析經過長時間不斷地改進與發展， 已經成為一種常用的研究范式并得到推廣與應用， 為網絡發展提供了科學的研究基礎［8］。

塊模型最早是由White、 Boorman 和Breiger 于1976年在社會結構研究中提出， 是社會網絡分析中一種研究網絡位置模型的方法［9］。 該方法根據節點結構相似性將網絡中數量龐大的行動者分為數量較少的若干子群， 子群內部成員緊密相連， 子群之間關聯程度較弱，從而概括整個網絡， 樹形圖可以表示各子群的所有成員及其內部結構， 因此其本質是把復雜的網絡簡單化。通過挖掘各子群關注的信息可以提高信息傳遞的準確性和有效性， 有助于各專利權人準確找到合適的合作伙伴［10］。 塊模型近年來也被中國學者采用， 以 “社會網絡分析塊模型” 為主題詞在中國知網文獻庫搜索，獲得相關期刊論文共21 篇， 研究涉及碳排放及轉移空間［11-12］、 CSSCI 學術期刊論文數據［13-14］、 突發公共衛生事件應急預案［15］等方面， 而目前將塊模型應用于人工智能領域專利合作網絡的研究尚不多見。

2 研究設計

首先從德溫特創新索引數據庫中獲取全球人工智能領域專利， 在進行數據清洗及去重后通過Logistic 模型劃分出人工智能技術生命周期的三個階段； 其次，運用社會網絡分析得到人工智能三階段的專利合作網絡， 并從整體視角分析三階段網絡結構特征演化、 從局部視角分析三階段塊模型演化、 從個體視角分析三階段專利權人演化； 最后， 針對人工智能發展提出建議。 研究思路如圖1 所示。

圖1 研究思路

2.1 數據選擇與獲取

所用數據來源于德溫特創新索引數據庫（Derwent Innovations Index， DII）， 采 用 “ TS ＝Artificial Intelligence OR AI” 作為檢索式， 檢索時間跨度設定為1963—2020 年， 檢索日期為2020 年12月16 日， 共檢索到29 547 條專利數據。 由于專利申請與公開之間通常有18 個月的滯后期， 因此2019 年之后的數據僅作參考。

檢索結果顯示， 數據庫中有很多專利是以子公司名稱申請的， 所以存在同一專利權人對應多個名稱的情況。 為了使專利權人的名稱標準化， 本文鑒于合作網絡分析特性， 將德溫特專利數據庫中的專利權人代碼視為篩選專利權人的唯一標識［16］， 若某條專利中出現多個相同的專利權人代碼， 則只保留兩個且以數字進行編號。

對獲得的人工智能領域所有專利數據進行分析篩選， 如果某個專利具有兩個或兩個以上的專利權人， 則認為其專利權人之間存在合作關系， 據此篩選出具有合作關系的專利數據共4 975 項， 以此作為本文的實證研究對象。

2.2 基于Logistic 模型的人工智能技術生命周期

技術生命周期階段劃分的方法主要包括以具體年份數間隔［17-18］、 專利合作量及申請總量占比變化情況［19］、 技術成熟度曲線［20-21］等， 這些方法均是依據數據或技術本身做出的直觀判斷。 Logistic 模型最早是由Verhulst 于1838 年提出的， 此后許多學者通過對模型的參數估計、 估計可接受性、 假設檢驗和預測進行研究， 并結合Logistic 模型的增長規律，擬合分析出某一領域的技術生命周期［22］。 如彭俊杰等［23］運用Logistic 模型預測出印楝農藥的專利技術生命周期， 葛亮［24］結合技術生命周期理論和Logistic 模型分析出中國石墨烯制備技術的發展階段。

由于本文專利合作數據時間跨度較大且數量較多， 因此選擇Logistic 模型來分析人工智能的技術生命周期特征， 并使用Logletlab4 軟件進行擬合。 技術生命周期的發展階段一般可以劃分為初始階段 （0%至1%）、 萌芽階段 （1%至 10%）、 第一增長階段（10%至50%）、 第二增長階段 （50%至90%）、 成熟階段 （90%至99%）、 衰退階段 （99%至100%）［25］。

運用軟件Logletlab4 中根據S 型曲線擬合人工智能領域的專利增長數據， 獲得各參數的擬合統計結果， 如圖 2 所示。 擬合優度R2值為 0.988， 表明擬合效果較理想。

圖2 人工智能技術生命周期

擬合結果顯示， 人工智能領域的技術發展初始階段為1963—1992 年， 萌芽階段為1993—2011 年，第一增長階段為2012—2031 年， 第二增長階段為2032—2050 年， 成熟階段為 2051—2070 年， 衰退階段為2071 年后。

因此， 將現有專利數據劃分為三個階段： 第一階段為1963—1992 年， 共得到專利合作數據199 項； 第二階段為1993—2011 年， 共得到專利合作數據1 462項； 第三階段為2012—2020 年， 共得到專利合作數據3 314 項。

3 專利合作網絡三階段演化

將三個階段的專利數據導入軟件COOC3.9， 并設定截取分析單元頻次為2， 從而得到三個共現矩陣。矩陣中對角線上取值為0， 非對角線上矩陣單元V（x，y） 的值代表x與y在人工智能領域合作專利申請的數量。 若x與y在某階段合作申請專利A項， 則矩陣中對應的值為A； 若x與y在某階段未曾合作申請過專利， 則矩陣中對應的值為0。

運用Gephi 軟件對三階段的人工智能領域專利合作網絡進行可視化處理。 圖3 中每一節點代表一個專利權人， 若兩節點之間存在連邊則說明雙方具有合作關系。 此外， 網絡中節點越大則說明其合作廣度越深，連邊越粗則說明兩節點之間合作頻次越高。

圖3 專利合作網絡三階段演化

由圖3 可以看出， 在人工智能領域專利合作網絡三階段演化的過程中， 僅具有少數大節點但具有大量小節點， 表明在網絡中展開廣泛合作的專利權人較少；另外僅存在少數粗連邊但存在眾多細連邊， 說明在網絡中進行頻繁合作的專利權人尚不多見。

3.1 網絡結構特征演化

為進一步探究人工智能領域專利合作網絡結構的演化特征， 本文利用Ucinet 及Gephi 軟件對專利權人合作網絡的節點數、 邊數、 網絡直徑、 網絡密度、 平均聚類系數、 平均路徑長度6 個指標進行測度， 結果如表1 所示。

表1 三階段網絡結構指標

從三個階段的網絡結構特征看， 節點數分別為34、 686 和 1 316， 邊數分別為 40、 3 276 和 9 368， 網絡直徑分別為1、 13 和14， 均呈現逐步增長趨勢， 表示人工智能領域專利合作網絡的規模不斷擴大， 越來越多的專利權人加入到該領域的專利合作中。 但網絡密度分別為 0.067 1、 0.011 1 和 0.007 6， 總體水平較低且存在不斷降低的趨勢， 表明該合作網絡聯系不緊密并呈現出日益稀疏的現象。 其平均聚類系數分別為1、 0.666 和0.575， 這一指標的減小同樣也證實了這一點。 平均路徑長度分別為 1、 5.056 和 4.304， 先上升后下降， 該現象說明人工智能專利合作網絡中信息傳遞效率先降低后升高， 且有進一步提升的趨勢。

3.2 塊模型演化

運用Ucinet 軟件中的CONCOR 程序對人工智能領域專利權人進行塊模型分析， 設置最大切分深度為2，集中標準為0.200， 最大重復次數為25， 從而得到樹狀聚類圖和相應密度矩陣。 當密度矩陣中的值大于網絡整體密度值時則判定為1 （表示有聯系）； 當密度矩陣值小于網絡整體密度值時則判定該0 （表示無聯系）， 進一步得到像矩陣 （見表2）。

表2 三階段密度矩陣與像矩陣

根據像矩陣的0-1 分布值， 得到相應的簡化圖（見圖4）。 圖中的節點代表子群， 節點上的箭頭表示子群內部之間的聯系， 節點之間的連線表示子群之間的聯系。

圖4 三階段像矩陣簡化圖

第一階段： 像矩陣在對角線上第3 類的值為0，反映出在子群3 中的專利權人合作聯系不緊密且合作強度不高， 因此不列入后續簡化圖的考慮范圍； 第1類與第2 類的值為1， 可知整體網絡被劃分為兩大子群， 其原因可能在于在網絡演化初期專利權人數量較少且分布位置廣泛， 阻礙了專利的合作與擴散。

第二階段： 隨著專利權人數量的增加和網絡規模的擴大， 在像矩陣分析中得到一個完全對角的矩陣，人工智能領域的專利權人合作網絡被劃分為四個子群，并且完全是自反性的。 也就是說， 總體上合作現象只出現在子群的內部成員之間， 而4 個子群之間不存在合作。 可見在這一階段， 幫派性是非常明顯的。

第三階段： 像矩陣中除了對角線上各個值為1 外，第3 類和第4 類之間也為1， 相較于前一階段再次升級， 該現象說明各專利權人不再只注重子群內部合作，子群3 與子群4 之間逐漸開展初步合作， 在人工智能領域未來的發展中應保持這一趨勢， 各子群內部保持密切合作， 各子群之間加強信息傳遞與溝通效率。

3.3 專利權人演化

德溫特專利數據庫將專利權人性質歸納為四類，分別是企業、個人、俄羅斯（前蘇聯）機構與非標準組織［26］，由于俄羅斯（前蘇聯）機構未出現在本文所用數據中，因此不納入表3 中。

表3 三階段專利權人性質

在人工智能領域專利合作網絡核心主體的演化過程中， 第一階段以企業為主， 占比88.2%， 其余則為非標準組織， 占比11.8%； 第二階段以個人為主， 占比58.6%， 其次為企業， 占比32.7%， 非標準組織數量較少， 占比8.7%； 第三階段同樣以個人為主， 占比53.8%， 企業與非標準組織并重， 占比分別為24.5%、21.7%。 通過與移動通信領域［27］專利合作特征的對比發現： 4G 相關合作專利在成長期以個人為主， 而在成熟期則以企業與非標準組織為主。 將兩個領域進行比較， 推測可能是因為人工智能發展還處于發展中期，在未來可能會回歸到以組織為主的形式， 即企業與非標準組織是人工智能領域專利合作的主要推動者。 同時目前對創新合作網絡專利權人的研究也主要以組織為主， 如段欣等［26］從原始數據集中篩選出性質為標準機構且合作機構大于1 的專利權人進行后續分析， 因此本文選取企業與非標準組織為作為主體進行研究。

3.3.1 專利權人中心度演化分析

中心度是對社會網絡中個體權力的定量分析， 描述單個節點處于網絡中心位置的程度， Freeman［28］在1979 年提出了度數中心度、 中間中心度與接近中心度三種中心度， 為識別核心節點奠定基礎。

度數中心度度量的是網絡中與某個節點直接相連的其他節點的數量， 該指標越高表示與該點直接開展人工智能領域專利合作的節點越多， 說明該點處于網絡的中心位置。 中間中心度測量的是網絡中某一節點居于其他兩個節點之間的程度， 該指標越高反映該節點對其他節點開展人工智能領域專利合作的控制能力越強， 其在網絡中的中介地位越明顯。 接近中心度衡量的是網絡中某節點與其他所有節點之間最短距離的和， 該指標說明節點不受其他節點控制的程度， 該指標越小表示該點對其他節點的依賴性越小。 各階段三種中心度排名前5 的專利權人具體如表4 所示。

表4 三階段中心度Top5

由表4 可知， 第一階段所有專利權人的中間中心度均為0， 說明在該階段中沒有處于中介位置的專利權人， 專利權人之間都采取直接合作的方式。 此外，在第一階段中心度排名靠前的核心專利權人在后面兩個階段中并沒有出現， 這表明人工智能領域中發展初期的主導機構并沒有積極參與到中后期的專利合作中，合作活躍度并不高。 第三階段人工智能領域專利合作網絡中度數中心度排名第一的是中國國家電網有限公司， 但相較于外部， 合作該企業的內部合作更為活躍，原因可能在于擔心自身核心技術泄露， 因此合作研發專利的意愿不強。

國際商用機器公司、 飛利浦公司及中國國家電網有限公司在人工智能專利合作網絡演化過程中占據重要地位。 國際商用機器公司在三階段的排名分別為第3、 第 174、 第 330， 呈現逐漸弱化的趨勢， 飛利浦公司也同樣呈現下降趨勢。 而中國國家電網有限公司首次出現于第二階段的度數中心度排名中， 在第三階段則上升至第一位， 發展速度很快。

3.3.2 專利權人所屬國家演化分析

按照度數中心度， 三階段排名前50 專利權人的所屬國家集中于美國、 日本、 中國、 韓國等 （第一階段總共只有28 個專利權人）， 結果如表5 所示。

表5 度數中心度排名前50 專利權人的所屬國家占比情況

第一階段日本與美國并列第一， 占比28%， 之后依次為法國、 德國、 中國， 占比分別為 14.2%、10.7%、 7.1%。 第二階段美國與日本仍位居前二， 度數中心度排名前50 的專利權人中美國18 個， 占比36%， 日本11 個， 占比22%。 而中國在這一階段排名上升至第三， 占比12%。 在第三階段中國處于領先地位， 占比達到46%， 其中國家電網的專利數量為186 條， 百度的專利數量為68 條， 騰訊的專利數量為20 條； 美國位居第二， 占比16%， 其中英特爾的專利數量為19 條， 微軟的專利數量為42 條； 排名第三的為韓國， 占比12%， 其中三星的專利數量為47 條。

4 結論

本文首先從德溫特專利數據庫中進行人工智能領域專利數據的檢索與下載， 并去除單一專利權人的專利數據， 構建專利合作數據集； 其次將所得專利合作數據集導入Logletlab4 軟件進行人工智能技術生命周期的階段劃分， 并在COOC3.9 軟件中得到各個階段的共現矩陣； 然后在Gephi 軟件中導入各個階段的共現矩陣， 構建出專利合作網絡； 最后運用 Gephi 及Ucinet得到網絡整體演化分析指標數據， 并對專利合作網絡進行子群及個體的演化分析以把握其發展趨勢， 利用中心度分析識別核心專利權人。

研究發現： （1） 從整體角度來看， 網絡規模逐漸擴大， 越來越多的專利權人加入到人工智能領域的研發中， 而合作網絡密度較小、 各專利權人之間聯系不緊密， 但較松散的網絡結構更有利于信息的交流與傳遞。 （2） 從局部角度來看， 人工智能專利合作發展的各個階段中均呈現出聚類效應。 在前兩個階段中各個子群只注重內部合作， 體現出了明顯的幫派性， 隨著該領域的發展， 各專利權人意識到了這一問題， 初步開展子群間的合作關系， 促進了知識的整合與轉移。（3） 從專利權人角度來看， 初始階段企業是人工智能創新的主體， 萌芽階段的專利權人則以個人為主， 通過與移動通信領域4G 專利技術生命周期與專利權人性質的對比， 推測未來可能會回歸到以組織為主的形式。 （4） 從區域變遷看， 在前兩個階段美國與日本占據領先地位， 而中國在第三階段實現反超， 并涌現了國家電網、 百度、 騰訊等一批在人工智能領域創新活躍的企業主體。

基于此， 在人工智能發展過程中應強化合作創新網絡的建設， 網絡結構越完善， 信息交流就會越順暢，各專利權人應積極推動建設信息共享平臺， 加強合作密度及強度， 這樣才能激發更多的創意和想法，以較低的成本更便利地獲得相關知識， 提高創新績效， 從而使得人工智能產業實現量的增加和質的飛躍。

本研究對全球人工智能領域專利合作網絡的演化進行了初步的分析與研究， 但仍存在一定局限性：

第一， 在收集人工智能專利數據時， 本文僅選用主題詞進行檢索， 未來的研究中可綜合IPC 分類號、德溫特手工代碼等信息， 更深入地挖掘檢索式， 以獲得更精確的數據源。

第二， 專利合作僅僅只是眾多創新合作模式中較為常見的一種， 后續研究可以考慮將論文、 產品等相關數據與之結合， 構建出人工智能領域的知識圖譜，從而更為全面地展現出全球人工智能領域產學研合作情況。