不確定環境下我國人工智能產業政策的演化形成研究

摘 要： ［目的／ 意義］ 本文旨在探究我國人工智能產業政策在不確定環境下的演化路徑， 明確我國人工智能發展過程中工作重心的變遷與未來趨勢， 為人工智能產業政策進一步完善與高質量發展提供借鑒。［方法／ 過程］ 文章結合文獻計量、網絡分析、共現分析和主題結構演化等方法， 分別從人工智能產業政策數量、聯合發布機構和主題結構演化３ 個角度進行分析。［結果／ 結論］ 研究發現， 我國人工智能產業政策發文數量逐年提高；中央地方政府協調統一； 政策主題日益豐富， 但是還存在人工智能技術創新性較低、政策平衡性欠缺、缺乏國際合作等不足。未來人工智能產業政策需要在技術創新、教育體系、就業問題和國際合作等方面進一步完善優化。

關鍵詞： 人工智能； 不確定環境； 政策演化分析； 主題結構演化； 數字治理

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２５．０２．００７

〔中圖分類號〕Ｄ６３； ＴＰ１８ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２５） ０２－００７２－１５

近年來， 隨著算力基礎設施水平的大幅度提升、數據資源的爆炸式增長和關鍵算法模型的突破， 以ＣｈａｔＧＰＴ、文心一言、Ｓｔａｂｌｅ Ｄｉｆｆｕｓｉｏｎ 等為代表的生成式人工智能（Ｇｅｎｅｒａｔｅｄ Ａｒｔｉｆｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ＧＡＩ）迅速流行， 全球人工智能領域迎來新一輪發展機遇。２０２４ 年２ 月， Ｏｐｅｎ ＡＩ 公司發布視頻生成大模型Ｓｏｒａ， 將多模態人工智能生成內容（ＡＩ－ｇｅｎｅｒａｔｅｄＣｏｎｔｅｎｔ， ＡＩＧＣ）技術發展推至新高潮， 同時也引起了關于深度造假、主權人工智能、技術霸權等方面的爭議。一方面， 人工智能技術高速發展并在寫作、設計、工業生產等領域產生一系列顛覆性創新應用；另一方面， 數據資源、技術生態、法律監管、倫理道德等面臨著多方面不確定風險和復雜挑戰。例如，由于特定刑事司法系統中對人工智能預測算法的依賴性增加， 使得算法偏見和種族歧視飆升［１］ 。此外，在人工智能訓練過程中不可避免地會重新識別一些涉及隱私的匿名數據， 從而加劇隱私侵犯和數據泄露［２］ 。再如生成式人工智能所創造的數據所有權歸屬也對法律法規提出了新要求［３］ 。并且由于生成式人工智能的深度造假泛濫， 對我國國家安全和社會公眾利益都造成了潛在風險。２０２３ 年７ 月， 國家網信辦等七部委聯合發文《生成式人工智能服務管理暫行辦法》， 對生成式人工智能技術發展、服務規范、監督檢查和法律責任進行了初步規定。

政策的制定和實施需要最大限度地消除技術發展的不確定性因素。基于此， 本文以我國人工智能產業政策科學決策為出發點， 選取２００７—２０２３ 年我國人工智能產業政策為素材， 從多維視角測度我國人工智能產業政策在不確定環境下的階段性制定、發布和演化規律， 以期服務于我國各級單位制定人工智能產業政策的確定性、指向性和有效性。

１ 相關研究述評

１． １ 不確定環境

１． １． １ 不確定性理論在各學科的解釋

不確定性理論研究隨機性、模糊性、信息缺失等多重不確定性因素， 在金融、物理、公共政策等領域有著廣泛的應用。在經濟學領域， 不確定性會影響經濟參與者對經濟走勢的預判， 進而影響政策制定和決策［４］ 。在量子力學等領域， 不確定性被廣泛用于研究設計、數據分析等研究。在工程領域，不確定性更多被用于提高工程系統可靠性、結構設計與優化、供應鏈管理等。

１． １． ２ 基于不確定理論的政策科學

２０１２ 年， 著名經濟學家Ｍａｎｓｋｉ Ｃ Ｆ［５］ 在ＰｕｂｌｉｃＰｏｌｉｃｙ ｉｎ ａｎ Ｕｎｃｅｒｔａｉｎ Ｗｏｒｌｄ： Ａｎａｌｙｓｉｓ ａｎｄ Ｄｅｃｉｓｉｏｎｓ 一書中引入不確定理論， 認為政策制定者在制定政策的過程中需要考慮不確定性因素， 例如， 國際政治、技術科學、社會文化和政策實施等方面的不確定性，而不是只關注預期結果； Ｎａｉｒ Ｓ［６］ 也認為， 在公共政策的背景下需要考慮不確定性， 以促進決策構成。作為新技術， 人工智能在其收益、風險和未來軌跡方面存在巨大不確定性［７］ ， 導致人工智能產業政策的制定、實施、評估等也存在不確定性。因此， 如何分析不確定環境下的人工智能政策演化， 最大限度地趨利避害是重要研究問題。

１． １． ３ 人工智能產業發展的不確定環境

人工智能技術和人工智能治理共同構成了不確定環境的兩個方面［８］ 。人工智能技術的不確定風險來源于算力、算法、數據等方面。例如， 人工智能算力面臨算力芯片壟斷、斷供、限制等問題； 人工智能算法中包含的隨機性和不確定性元素可能會引起人工智能的失調、偏見、失控等問題［９］ ， 人工智能治理方面的不確定性則源于人類駕馭人工智能的能力， 包括國際關系、倫理、濫用等方面的不確定性。目前， 眾多學者圍繞特定不確定環境進行研究，例如， Ｓｃｈｅｒｅｒ Ｍ Ｕ［１０］ 提出， 為保障隱私安全人工智能研發應集中于類似谷歌這樣的大型可見公司；Ｅｒｄｅｌｙｉ Ｏ Ｊ 等［１１］ 主張通過國際論壇制定國際人工智能標準， 以降低國際關系和軍事競賽方面的不確定性； Ｇａｒｖｅｙ Ｃ［１２］ 從軍事、政治、經濟、社會、環境、心理生理和精神７ 個維度分析了人工智能的不確定風險， 并基于民主治理框架提出了替代方案。當前人工智能進入快速發展通道， 在驅動世界進步的同時也帶來了眾多不確定風險， 不確定環境相關理論為人工智能政策的分析規劃和未來發展提供了基本指導框架。

１． ２ 人工智能政策的發展

自２０ 世紀５０ 年代引入人工智能概念以來， 人工智能經歷了多次繁榮與衰落［１３］ 。近年來， 隨著計算能力提升、機器學習算法迭代以及海量數據的可獲取性， 人工智能取得了前所未有的發展速度，技術成果與應用場景不斷拓展， 已然成為經濟發展的重要推動力。

與此同時， 世界各國（地區）紛紛開始制定相關人工智能政策與發展戰略， 以提高在人工智能領域的核心競爭力與國際話語權。例如， 在２０１６ 年和２０１７ 年， 中國分別發布具有綱領性的《“互聯網＋人工智能” 三年行動計劃實施方案》和《新一代人工智能發展規劃》。美國在２０１６ 年發布了《國家人工智能研究和發展戰略計劃》和《為人工智能的未來做好準備》兩項戰略規劃。歐盟在２０１６年和２０１８ 年分別發布《歐盟機器人民事法律法規》和《歐盟人工智能》。２０１７ 年， 英國發布《產業戰略———建設適應未來的英國》， 并在２０２１ 年發布《國家人工智能戰略》。日本在２０１７ 年發布了《人工智能技術戰略》。近年來， 新一代人工智能技術變革性爆發， 為社會帶來了眾多機遇和挑戰。通過人工智能政策可以深入了解有關人工智能技術和產業發展方向及重點領域部署， 分析政策制定和實施過程中各利益相關者與倡議聯盟之間的關系［１４］ 。

目前， 國內外對人工智能產業政策開展了大量研究， 主要集中于３ 個方向： ①對國內外人工智能產業政策進行定性分析。陳靜等［１５］ 選取中美人工智能政策和戰略進行對比分析， 為我國人工智能進一步發展提供參考價值。②結合相關政策分析人工智能產業或生態系統。Ｋｎｏｘ Ｊ［１６］ 選取兩個中央層面的人工智能政策文件， 探討人工智能在中國教育產業中的應用和發展。③從整體出發， 探究人工智能政策目標、政策工具或政策相關利益者關系。Ｙａｎｇ Ｃ 等［１７］ 選取中央層面所有人工智能政策， 結合文獻計量、語義分析和網絡分析對政策趨勢、政策分布和政策目標做出相關分析和預測。

現有研究普遍聚焦于對小樣本人工智能政策進行定性或量化研究， 對政策整體發文趨勢、政策分布、政策演化過程的分析有所欠缺。少數研究者圍繞中央層面政策進行整體研究， 但對人工智能政策文本內容信息的深入探究、對地方層面人工智能政策的特點分析以及對人工智能不確定風險的分析尚不充分。因此， 本文以不確定理論為分析框架， 搜集全國范圍內的人工智能產業政策， 通過建立規則范式、融入ＫｅｙＢＥＲＴ 大模型抽取出最能代表政策信息的核心關鍵詞呈現政策重點與演化態勢， 并對人工智能發展進行多維度風險分析， 為我國人工智能政策治理與治理框架提供借鑒。

２ 研究設計與方法

首先， 本文通過北大法寶數據庫檢索相關人工智能產業政策文本數據； 其次， 通過建立規則范式和ＫｅｙＢＥＲＴ 大模型讀取政策中的關鍵詞、發布機構、發布時間等數據； 最后， 結合語義共現和網絡分析方法， 揭示不確定環境下我國人工智能產業政策從探索到完善的時空分布、機構聯合發布和主題結構演化等具體情況， 如圖１ 所示。

２． １ 政策文本數據收集

北大法寶是中國法律和政策領域的重要在線法律法規數據庫之一， 其收集中國各級政府出臺的各種公共政策、法律文獻、裁判文書、法學期刊等信息資源， 檢索功能支持通過關鍵詞、法規條文等進行全文檢索。因此， 本文選擇從北大法寶中獲取人工智能產業政策文本。為保證檢索數據的全面性與準確性， 本文選擇以“人工智能” 為檢索詞進行標題精確檢索， 分別獲取法律法規單元下中央法規和地方性法規兩類政策（檢索時間為２０２３ 年１１ 月１５ 日）。為確保所得政策文件內容與研究內容一致， 本文按照以下標準進行政策篩選： 首先， 去除重復的政策文件； 其次， 政策類型選擇法律法規等正式決策內容， 回函、批復等非正式決策文件不計在內； 最后， 政策內容重點保留與人工智能相關的部分。按以上標準截至２０２３ 年１１ 月， 本文共篩選得到９２４ 條與人工智能密切相關政策文件， 其中，中央法規１０８ 條， 地方性法規８１６ 條。

２． ２ 政策文本處理方法

政策文本與期刊論文在結構和內容上都存在巨大差異， 期刊論文含有關鍵詞、引用文獻等外部特征， 政策文本則沒有［１８］ 。為深入探索政策文本語義信息， 需要從政策文本中抽取出富含文本信息最多的句子和詞匯進行共現分析和網絡分析。

２． ２． １ 關鍵詞抽取

通過政策主題詞共現、網絡、聚類分析可以較為清晰地呈現出人工智能政策的主體結構和演化態勢。為抽取出最能代表政策文本的關鍵詞， 本文對人工智能政策整體文本的語言信息進行深入挖掘。由于政策文本語言中含有大量以頓號隔開的詞句，而頓號隔開的詞匯表示詞語之間的并列， 具有更強的關聯性［１９］ ， 因此需要通過建立規則范式， 從政策文本中抽取含有頓號的政策關鍵句。其中， 關鍵詞抽取采用深度學習算法ＫｅｙＢＥＲＴ 模型， 即利用Ｓｅｎｔｅｎｃｅ－ｔｒａｎｓｆｏｒｍｅｒｓ 包生成ＢＥＲＴ Ｅｍｂｅｄｄｉｎｇｓ， 然后選擇Ｐａｒａｐｈｒａｓｅ－ｍｕｌｔｉｌｉｎｇｕａｌ－ＭｉｎｉＬＭ－Ｌ１２－ｖ２ 作為ＢＥＲＴ 預訓練模型， 并使用向量余弦相似度計算候選關鍵詞與文本內容間的相似性［２０］ 以解決語義匹配問題。在此基礎上， 建立人工智能主題詞表與停用詞表， 并用ｊｉｅｂａ 庫對關鍵句進行了預處理，去除句子中動詞、形容詞及無意義的名詞。通過文本挖掘實驗， 將ＫｅｙＢＥＲＴ 模型ｎ＿ｇｒａｍ＿ｒａｎｇｅ 參數設置為（２，５）最優， 即每個關鍵句抽取出２～５ 個關鍵詞。通過該方式抽取出的關鍵詞， 保留了人工智能政策文本語義全面性和多樣性， 更細粒度地反映人工智能產業政策的領域重點與演化趨勢。

２． ２． ２ 核心關鍵詞抽取

所抽取內容包含大量高頻關鍵詞， 以往研究根據經驗從關鍵詞詞頻、關鍵詞共現詞頻等角度來選取一定數量的關鍵詞進行共詞分析， 主觀性相對較強［２１］ ， 為進一步優化所抽取的關鍵詞， 本文基于楊愛青等提出的通過ｇ 指數來選取高頻詞的方法進行詞頻ｇ 指數的構建。其中ｇ 指數的定義為： 設置某個科學家的分值為ｇ， 當且僅當在他發表的Ｎ 篇論文中有ｇ 篇論文總共獲得了不少于ｇ２ 次的引文總數， 而（ｇ＋１）篇論文總共獲得了少于（ｇ＋１）２ 次的引文總數［２２］ 。同樣詞頻ｇ 指數的定義為： 在研究領域中， 一個關鍵詞的數量分值為ｇ， 當且僅當此研究領域的關鍵詞總量Ｎ 中， 有ｇ 個關鍵詞其累計出現頻次不少于ｇ２ 次， 而ｇ＋１ 個關鍵詞其累計出現頻次少于（ｇ＋１）２ 次［２３］ 。相比于從關鍵詞詞頻、關鍵詞共現頻次等角度根據研究人員的經驗選出一定數量的關鍵詞的方法， 詞頻ｇ 指數選出的關鍵詞更為自然客觀［２１］ ， 具體計算過程如表１ 所示。

２． ２． ３ 共現和網絡分析

共現分析包括政策發布機構共現和核心關鍵詞共現， 其中政策發布機構共現是通過網絡分析的方式構建出政策合作網絡［２４］ 以衡量政策發布機構之間的關聯程度。核心關鍵詞共現分析是將每一個關鍵詞視作１ 個節點， 每個關鍵句中抽取出來的關鍵詞彼此之間視作１ 次共現， 通過構建核心關鍵詞結構網絡并進行聚類分析， 進而揭示人工智能政策的主題結構。在此基礎上， 本文還結合時間與空間維度進一步探索人工智能政策在不確定環境下不同地區發文特點以及人工智能政策主題結構的演化特征。

３ 實驗與分析

本章節重點從３ 個方面分析不確定環境下人工智能政策的演化過程： ①從時空角度分析政策的發布階段和分布趨勢； ②從層級視角分析中央政策發布機構之間的合作和引用關系； ③從主題視角分析人工智能政策主題詞結構與演化。

３． １ 政策發文趨勢時空分析

從國內篩選得到的９２４ 條與人工智能密切相關政策文件進行統計分析， 如圖２ 所示， 其中ｘ 軸代表政策的發布年份及劃分階段， ｙ 軸代表政策每年發布數量。此外， 還對８１６ 條地方性法規進行區域劃分， 繪制政策分布熱力圖并且針對其中發布政策總數前１０ 的地方政府繪制政策堆積圖來呈現地方政策的分布和演化， 如圖３ 和圖４ 所示。

通過對政策發布的趨勢變化進行分析， 本文將人工智能政策的發布歷程劃分成４ 個階段：

萌芽期（２００７—２０１６ 年）。在此階段， 人工智能作為新興技術的不確定性較強， 因此無論是中央還是地方都采取保守的政策制定策略。發布的政策中主要針對某些特定智能技術的行業規定、標準和實施建議。例如， 衛生部在２００９ 年印發《人工智能輔助診斷技術管理規范（試行）》， 針對人工智能的醫療方面提出具體要求和規劃。萌芽期涉及的領域比較局限， 全局統籌我國人工智能全行業發展規劃綱要的政策文件尚未出現。

過渡期（２０１６—２０１８ 年）。經歷了萌芽期的初步探索， 我國對人工智能的應用場景逐漸明確， 開始從宏觀角度出臺人工智能政策文件。自２００７ 年人工智能首次寫入政府工作報告以來， 我國人工智能產業培育進入更加確定的賽道。２０１７ 年７ 月， 發布了《國務院關于印發新一代人工智能發展規劃的通知》， ２０１７ 年１２ 月， 工信部發布《促進新一代人工智能產業發展三年行動計劃（２０１８—２０２０ 年）》，以３ 年為期限明確了多項任務的具體目標。在黨中央、國務院密集政策指導下， 各部委和地方政府也針對人工智能特定領域發布了相關政策加強人工智能產業發展， 并且在教育、辦公、醫療等關鍵領域形成試點示范應用。例如２０１８ 年， 教育部印發的《高等學校人工智能創新行動計劃》和工業和信息化部印發的《新一代人工智能產業創新重點任務揭榜工作方案》在成都、廣州、福建等地都得到了部署和應用。

發展期（２０１８—２０２１ 年）。在過渡期間， 中央機關及各部委人工智能政策的頒布為人工智能發展排除了眾多不確定因素， 人工智能作為新興戰略產業的重要性得以確認， 配套政策制定和實施也進入快速發展階段。該階段發布的政策集中于持續完善人工智能相關產業發展措施， 如智能制造、智能汽車、智能醫療、智慧健康養老等。在培育人工智能產業的同時， 我國政府也愈加重視人工智能發展中的“雙刃劍效應”， 如數據隱私、信息安全等不確定性風險。２０２１ 年， 全國信息安全標準化技術委員會秘書處與國家新一代人工智能治理專業委員會分別發布《網絡安全標準實踐指南—人工智能倫理安全風險防范指引》與《新一代人工智能倫理規范》，將倫理道德融入人工智能全生命周期， 為從事人工智能相關活動的自然人、法人和其他相關機構等提供倫理指引。隨著中央各項政策的指導， 各地政府對人工智能應用及風險的把握愈加明確， 紛紛出臺相關政策加強人工智能技術創新與產業發展。

穩定期（２０２１—２０２３ 年）。在人工智能高速發展后， 政策的發布頻率逐漸下降， 但政策總體數量還保持在較高的水平。在這一階段頒布的政策中除了持續關注人工智能與產業的融合， 還積極探索如何用人工智能促進經濟發展以及人工智能治理。相關核心政策有《關于加快場景創新以人工智能高水平應用促進經濟高質量發展的指導意見》（科技部等六部門， ２０２２）、《最高人民法院關于規范和加強人工智能司法應用的意見》（最高人民法院， ２０２２）。２０２２ 年， 以ＣｈａｔＧＰＴ 為代表的生成式人工智能產品引發了人工智能新一輪技術熱潮， 帶來更多產業應用的同時也產生了眾多新的不確定風險。２０２３ 年８月， 國家互聯網信息辦公室聯合國家發展和改革委員會等７ 部門聯合發布《生成式人工智能服務管理暫行辦法》， 對生成式人工智能技術的使用和應用提出了暫行的規定和限制， 各地政府也依據中央政策的規定， 結合自身特點， 出臺相關政策對生成式人工智能進行推進和限定。

為分析不同地域對人工智能的態度， 本文結合８１６ 條地方法規， 從時空角度繪制了地方政策時空演化圖， 以上述劃分的人工智能政策演化階段為時間段進行繪制， 顏色越鮮艷表示發表的政策數量越多， 并且選取政策數量排名前１０ 的地方政府繪制政策堆積圖。如圖３ 所示， 在２０１６ 年之前我國人工智能政策數量較少且主要集中于東部沿海地區，在２０１７ 年國務院頒布《國務院關于印發新一代人工智能發展規劃的通知》之后， 我國人工智能政策數量整體提升， 基本實現全地域覆蓋。由圖４ 可見，從２０１８ 年之后人工智能政策數量明顯提升， 以廣東省、山東省和福建省為代表的東部沿海地區的政策增長速度最快， 中部地區的增長速度較慢， 而偏西北部的地區增長速度不明顯。綜上所述， 面對不確定性因素較高的人工智能技術， 各地方政府都緊跟中央政策規劃， 結合自身地方優勢推動與人工智能相關的產業融合與經濟發展。

３． ２ 不確定視角下中央部門聯合發布網絡圖

人工智能產業政策需多部門協同制定， 既有“中央—地方” 縱向協同， 也有“部委—地方” 的橫向協同， 多部門協同有利于最大限度減少人工智能產業發展中的不確定性。中央部門在政策頒布過程中具有權威性和全面性等優勢， 不同部門涉及不同領域方向， 各部門通過聯合發文的形式協調統一，可以有效地分配資源。本文以３９ 個中央部門聯合發布的１０８ 條中央法規為數據來源分別繪制了中央部門聯合發布網絡圖和演化圖， 如圖５、圖６ 所示。

如圖５ 所示， 每一個節點代表１ 個中央部門，節點大小代表該部門發表人工智能政策的數量， 連接節點的邊表示部門間的關系和互動過程， 每一次連線表示部門之間有１ 次聯合發文。此外， 本文還通過Ｇｅｐｈｉ 中基于模塊化的算法對網絡圖中的部門進行聚類分析來顯示部門的網絡合作關系， 并且計算每個部門的特征向量中心度， 從而確定政策頒布過程中的主管部門， 如表２ 所示， 在總計１０８ 條中央政策中， 有１８ 個部門采取了聯合發布的形式頒發了２３ 條政策， 占比達２１． ３％。由圖５ 可知， 大部分聯合發文由工業和信息化部、教育部、科學技術部、國家發展和改革委員會等部門組成的核心部門集群有關， 結合表２ 中各部門數據也可以發現聯合發文多的部門特征向量中心度也高， 在網絡圖中占據核心主導地位。可見， 在我國人工智能政策的頒布過程中， 中央部門的政策緊緊圍繞工業和信息化部、教育部、科學技術部、國家發展和改革委員會等核心部門進行發布。結合實際政策可以發現， 核心部門針對人工智能技術提出了總體布局， 并在各項政策中對人工智能技術的未來發展和領域應用做出了規范與指導， 大大降低了人工智能技術發展的不確定性， 也為其余部門在自身領域情境下融合人工智能打下基礎。例如， 工業和信息化部印發的《促進新一代人工智能產業發展三年行動計劃（２０１８ ―２０２０ 年）》對我國在２０１８—２０２０ 年人工智能產業發展提出了宏觀布局。在保持高質量獨立發布政策的情況下， 核心部門還發揮著協調規劃的作用， 結合其余部門特有資源對人工智能部署作出進一步詳細規劃。例如， 國家發展改革委、科技部、工業和信息化部、中央網信辦聯合頒布的《“互聯網＋” 人工智能三年行動實施方案》， 為人工智能在“互聯網＋” 行業的發展作出明確行動綱要。

為明確各時期各部門的政策發布情況， 本文使用ＩＴＧｉｎｓｉｇｈｔ 軟件繪制中央部門發文演化圖， 如圖６所示， 圖中方塊的大小表示該年部門頒布的政策數量， 連線反映部門間的聯合發布關系。在２００９—２０１６年早期人工智能探索中， 由于不確定因素較大， 頒布人工智能產業政策的部門較少， 主要由教育部、科學技術部、工業和信息化部進行政策頒布。從連線密切程度來看， 早期人工智能產業政策雖然數量較少， 但多數政策都是由各個部門協同合作、聯合發布的， 有效降低了人工智能技術早期探索階段的不確定風險。２０１６—２０１８ 年是人工智能產業政策的過渡期， 可以看出此階段政策數量明顯減少，但在２０１７ 年， 國務院發布的《國務院關于印發新一代人工智能發展規劃的通知》和工信部發布的《促進新一代人工智能產業發展三年行動計劃（２０１８—２０２０ 年）》， 明確了我國人工智能技術國家戰略及多項任務的具體目標， 為之后各部門大量政策出臺提供理論基礎。２０１８—２０２１ 年， 人工智能產業政策出臺量和參加頒布政策的中央部門數量明顯增加，并且部門間的聯合發布情況也日益緊密， 這表明在中央核心政策的指導下， 各部門逐漸認識到人工智能對國家發展的戰略意義， 開始圍繞人工智能進行深入探索。但由于人工智能技術可能涉及多個方面，導致其不確定性增加， 所以各部門也逐漸開始協調資源和權力， 使得部門間聯合發布的政策越來越多。２０２１—２０２３ 年， 我國人工智能產業政策發展已經步入穩定期， 人工智能產業政策頒布量逐漸放緩， 但在此期間多出了許多新的部門， 且各部門間的連線也逐漸密切， 這表明我國積極推動人工智能技術在新領域的創新產業升級， 各部門之間的協調程度也逐漸成熟。

３． ３ 人工智能產業政策主題詞演化

為詳細了解人工智能產業政策主題詞結構與演化， 本文結合共現分析與網絡分析繪制時間維度下人工智能產業政策主題詞演化圖和主題詞結構演化圖， 如圖７ 和圖８ 所示。

３． ３． １ 人工智能產業政策主題詞時序演化

人工智能的發展一直受算力、算法、數據等因素制約， 隨著社會發展需求與環境變化， 可能導致以往的人工智能產業政策不再適用， 在新的不確定環境下， 政策制定者需要綜合考慮多種不確定因素的影響， 客觀制定出符合我國國情的政策。基于此，通過ＩＴＧｉｎｓｉｇｈｔ 軟件繪制了人工智能產業政策主題詞演化圖， 如圖７ 所示。

由圖７ 可知， ２００７—２０１６ 年， 有關人工智能產業政策主題詞數量和頻次都較少， 從“管理條例”“醫療機構” “建筑行業” 和“網絡安全” 等主題詞可以看出， 早期人工智能產業政策主要圍繞探索人工智能技術場景應用和完善管理方法。

２０１６—２０１８ 年， 主題詞逐漸增多， 出現了“產業化” “行動計劃” “信息化” 和“公共服務” 等詞， 說明此階段受國務院與工信部的政策影響， 人工智能產業政策重心放在人工智能產業部署與創新升級等方面， 以促進社會信息化改革。

２０１８—２０２１ 年， 人工智能產業政策主題詞增長速度最快。從圖７ 演化趨勢可以看出， “信息化”“產業化” “機器人” “知識產權” 和“公共服務”等主題詞脈絡一直存在， 表明此階段的政策旨在加快人工智能技術研發、產業融合、知識保護等整體布局， 強化“產學研” 協調推進。

２０２１—２０２３ 年， 主題詞頻次與數量逐年減少。從出現的“試驗區” “科學技術” 和“核心技術”等主題詞可以看出， 這一階段的政策主要圍繞人工智能試驗區、人工智能技術創新等方向。

從各年份之間主題詞連線的密度和粗細也可以看出， 在２０１６ 年之前， 主題詞之間聯系較少， 表示此前我國對人工智能的探索比較獨立分散， 尚未形成系統規劃和發展措施。隨著２０１７ 年國務院《新一代人工智能發展規劃》的發布， 主題詞連線日益密切， 表明我國已開始逐步確定人工智能工作重點，新頒布的政策逐漸圍繞前期工作基礎進行完善規劃或新領域拓展。

３． ３． ２ 人工智能產業政策主題詞結構演化

為了更細粒度分析我國人工智能產業政策從不確定到確定過程中工作重點變化， 本文繪制了政策主題詞結構演化圖。首先， 本文按人工智能產業政策演化的４ 個階段分別使用關鍵詞抽取與詞頻ｇ 指數從政策文本中抽取出核心關鍵詞視作人工智能產業政策中的主題詞； 其次， 通過主題詞在同一句中相互共現來創建主題詞關聯； 最后， 利用Ｇｅｐｈｉ 將每段時期的主題詞繪制成對應的人工智能主題詞網絡圖， 如圖８ 所示。

如圖８ 所示， 網絡中每個節點都是政策主題詞，節點數字代表其出現的頻次， 節點越大表明目標主題詞出現次數越多， 網絡中連接節點的邊表示兩個主題詞在一個政策文件中同時出現， 代表其間具有關聯性， 通過計算每個節點的特征向量中心度， 如表３～６ 所示， 可以識別各個時間段中政策主題詞網絡中的主題詞。核心主題詞是特征向量中心度較高的節點， 特征向量中心度越高， 表明主題詞在網絡中具有重大意義， 并且與之相連的其他主題詞往往也更重要。通過對核心主題詞及其關聯主題詞分析，可以清楚地了解每個時期的重要戰略目標及演化方向， 對未來政策的進一步完善具有重要借鑒意義。

１） ２００７—２０１６ 年（見表３）， 我國初步引入人工智能概念， 其相關政策在制定過程中需要處理大量的不確定性， 例如， 哪些是人工智能關鍵核心技術， 算力、算法、數據三要素之間的關系和發展態勢， 人工智能治理安全風險等。結合圖８ 與表３ 可知， 此階段“技術” 是詞頻和中心度最高的核心主題詞。從結構圖中可以發現， 與之相連接的主題詞主要包括“醫療” “智能輔助” “智能制造” “工業機器人” 等。可見萌芽階段我國政策對人工智能技術的探索主要集中在智慧醫療、智能建筑和智慧制造等方面。“人工智能” 是詞頻第二高的核心主題詞， 與之關聯程度較高的主題詞含有“理論” “工業” “信息化” “實施方案” “企業” 等， 表明萌芽階段的政策已經明確人工智能技術對我國信息化改革與工業改革的戰略性意義， 并針對人工智能提出理論概念、行業規定與實施建議。

２） ２０１６—２０１８ 年（見表４）迎來了人工智能產業政策的過渡期， 此階段的主題詞數量與詞頻明顯增多。“人工智能” 和“技術” 依舊是詞頻排名前二的主題詞， 但出現了許多新的高頻主題詞， 說明過渡期人工智能產業政策是在前一時期的基礎上更新完善的。此階段與“人工智能” 密切相關的主題詞新增了“高校” “金融” “政務” “農業” 等，部署領域涉及智慧教育、智慧金融、智慧政府和智慧農業等。與“技術” 關聯的主題詞新增了“物聯網” “人臉識別” “虛擬現實” 等關鍵技術詞匯，人工智能領域核心技術的部署越來越豐富。這表明在國務院《新一代人工智能發展規劃》的指引下，此時期的政策極大拓展了人工智能技術的深入研究與領域應用。此外， “產業” 和“企業” 兩個主題詞都上升到了第四、五位， 體現出受工信部２０１７年頒布的《促進新一代人工智能產業發展三年行動計劃（２０１８—２０２０ 年）》政策影響， 此階段政策有效針對人工智能加強產業部署， 促進企業發展。

３） ２０１８—２０２１ 年（見表５）是人工智能產業政策的發展期， 這一階段的主題詞數量和詞頻得到進一步增長。其中高頻主題詞與過度期的高度重合，表明在過渡期我國已基本把握人工智能發展趨勢，初步構建出人工智能發展體系， 而發展期在此基礎上進一步完善。值得注意的是， 與“人工智能” 關聯的“法律” “網絡安全” 等主題詞詞頻明顯增加，意味著此階段的政策注意到人工智能技術帶來的不確定風險問題， 包括社會倫理、法律安全、網絡安全等， 通過出臺相關政策加強前瞻預防與約束引導，最大限度降低人工智能不確定性風險。此外， “企業” 由之前第五位上升到了第二位， 與之關聯程度較高的詞包括“生態” “龍頭企業” “領軍企業”“高校” 等主題詞， 表明此階段我國政策促進產學研結合， 支持龍頭企業與上下游中小企業協同創新，為人工智能企業的發展創造良好的生態環境。另外，“技術” “產業” “產品” 等高頻主題詞表明此階段我國政策依舊將信息技術與制造技術深度融合為主線， 推動新一代人工智能技術的產業化與集成應用， 發展高端智能產品。

４） ２０２１—２０２３ 年（見表６）， 我國人工智能產業政策發展進入穩定期。“人工智能” 和“技術”仍然是詞頻前二的主題詞， 并且大部分主題詞依舊與前一段時期類似。可見穩定期總體目標與發展期基本一致， 將政策重心放在完善人工智能領域的產業化與應用部署。值得注意的是， “算法” 出現在高頻主題詞中， 與之高度關聯的主題詞包括“數據” “算力” “模型” 和“核心技術” 等， 表明在穩定期我國政策更加注重人工智能內核， 希望通過技術創新形成自己的核心競爭優勢。

此外， 主題詞之間連線的密集程度反映了主題詞之間的交叉協作和相互作用。可以看出， 除了在萌芽期間各主題詞相互較為分散外， 其余時期的主題詞彼此之間聯系都很緊密。側面反映出自過渡期以來， 我國人工智能產業政策從整體布局， 協調各領域的工作， 全方位共同推進我國人工智能產業化發展和領域應用。總的來說， 本小節通過主題詞結構演化圖、網絡圖和主題詞表， 呈現出我國人工智能產業政策在４ 個階段中工作重點的遷移和演化。可見即使每段時期的總體目標基本一致， 但各時期的工作重心都有所側重， 這與當下時期的社會、文化、經濟的發展密切相關。特別是在２０２２ 年， 以ＣｈａｔＧＰＴ 為代表的通用人工智能技術的誕生， 從多角度對我國人工智能產業政策提出了新的發展和治理要求， 我國政策依舊在經歷更深層次的演變， 以應對其帶來的發展機遇和不確定風險。

３． ３． ３ 不確定視角下人工智能產業政策主題結構分析

在人工智能領域， 技術快速發展、社會文化改變、國際關系改變等因素帶來眾多不確定性挑戰，并時刻影響著人工智能產業政策的制定和實施， 政策制定者需要及時了解當下社會文化情況， 制定出針對性的政策來引導和治理人工智能。

首先， 是人工智能技術的不確定風險。人工智能技術的發展路徑復雜多樣， 很難預料其最終演化形態， 因此我國萌芽期的人工智能產業政策便覆蓋了機器學習、圖像處理、數據挖掘、智能機器人等多項技術， 并為隨后各個階段新出現的人工智能技術制定對應的政策指引。通過及時調整政策來推動我國人工智能技術發展， 在語音識別、視覺識別等領域實現核心關鍵技術的重要突破。然而， ２０２２年以ＡＩＧＣ、ＣｈａｔＧＰＴ 為代表的新一代人工智能工具標志著人工智能技術的一次飛躍， 也讓政策制定者意識到我國人工智能技術的發展缺少重大原創成果。在穩定期人工智能產業政策的制定中產生了許多以算法為核心的主題詞社區， 表明此階段政策重心放在人工智能基礎理論和核心算法的研究。可見我國政策對人工智能技術的態度一直是鼓勵多樣化發展， 并逐漸重視技術的創新發展， 降低其演化過程中的不確定性風險。

其次， 社會文化的改變也為人工智能產業政策的制定帶來眾多不確定性風險。社會文化的不確定性體現在行為規范、倫理道德、法律法規、價值觀和經濟等方面。在萌芽期， 我國政策側重于制定人工智能技術應用的行業標準和實施建議， 較少涉及法律層面， 而由于人工智能算法及數據等特殊性，在實際應用中帶來侵犯個人隱私、沖擊法律與社會倫理等問題。因此， 我國人工智能產業政策逐漸重視人工智能法律體系， 為人工智能的健康發展創造良好生態環境。與此同時， 我國政策也高度重視人工智能在經濟文化方面帶來的變革性影響， 從主題詞演化過程中可以看出， 我國政策一直鼓勵人工智能的多領域融合， 產學研一體化發展， 并依據市場需求及時調整政策戰略， 開拓新市場。目前， 我國政策制定者及時處理社會文化變革中帶來的不確定風險， 為人工智能的可持續發展打下堅實基礎。

最后， 是國際政治中的不確定性風險。國際政治的不確定性主要體現在大國競賽和國際貿易競爭。自人工智能技術誕生以來， 運用其推動經濟復蘇和可持續發展已逐漸成為全球共識。在此背景下， 美國、英國、日本、韓國等世界主要國家（地區）紛紛制定人工智能國家發展， 搶占人工智能競爭賽道。我國也在２０１７ 年出臺《新一代人工智能發展規劃》，為我國人工智能發展提出先進指導思想、戰略目標、重點工作和保障措施， 并逐年增加我國人工智能產業政策出臺數量。此外， 國際貿易的不確定性也對政策的形成產生重要影響。２０２２ 年１０ 月， 美國通過延長全面出口管制， 收緊對尖端人工智能芯片的出口管制， 阻礙我國人工智能算力發展。從穩定期的政策可以看出， 我國政策逐漸重視人工智能核心算法、關鍵設備和高端芯片等方向， 提高自身核心競爭力， 降低國際貿易帶來的不確定性。

綜上所述， 人工智能在發展過程中存在著眾多不確定性風險。我國政策在大力發展人工智能的同時， 也需要高度重視其帶來的安全風險挑戰， 加強前瞻預防與約束引導， 最大限度降低潛在風險， 保障人工智能安全可控發展和社會和平穩定。

４ 討論和總結

４． １ 討 論

結合分析結果， 本文總結出以下幾個值得注意的問題， 為之后人工智能產業政策治理的進一步完善提供借鑒。

１） 重視技術創新和硬件設施發展。驅動人工智能技術發展的３ 個核心要素分別是算法、算力和數據。算法方面， 政策需要通過投入研發資金、建立創新生態環境等措施來鼓勵企業、研究機構等在算法方面的創新。算力的發展源自基礎設施和物理硬件， 未來的人工智能產業政策應當鼓勵和支持硬件基礎設施的建設， 包括云計算、超級計算機、邊緣計算等， 提高我國高性能計算能力。數據層面的發展受限于其存在的不確定風險， 包括信息泄露、網絡安全、法律道德等， 需要政策完善法律法規確保數據的安全發展。通過３ 個方面協調發展， 可以促進我國人工智能技術安全可持續發展。

２） 完善我國人工智能教育體系。結合圖８ 可知， 目前我國政策在人工智能教育方面占比較少，表明在政策制定過程中低估了教育的重要性。教育可以為我國帶來更多專業的人工智能人才， 是人工智能發展的重要因素。未來政策需要建立合適的人工智能教育生態系統， 著重培養年輕一代人工智能素養， 深化人工智能學科交叉融合， 為后續人工智能發展提供持續的領域人才。此外， 政策還可以推廣人工智能普及教育， 從使用的角度對群眾進行規范引導， 減少由人工智能不恰當使用帶來的虛假言論、法律版權和深度偽造等風險。

３） 重視人工智能引發的就業問題。在人工智能與人類的交互活動中， 存在著兩種主要模式： 合作模式與替代模式［２５］ 。合作模式中， 人類通過與人工智能相互協同工作， 實現目標或價值。在此基礎上， 政策需要加強人工智能產業部署和法律法規建設， 為其合作打造適宜的人工智能生態環境。而替代模式中， 人工智能可能取代人類， 承擔起原本由人類執行的工作任務。這需要政府積極引導社會適應新技術， 減少由人工智能技術發展帶來的社會分化。此外， 政策還應通過促進靈活就業市場、提高社會保障、推廣培訓教育等方法減少由人工智能替代帶來的不確定性風險。

４） 承擔大國責任、加強國際合作。在全球化和數字化的大背景下， 人工智能的發展需要各國（地區） 共商共建。首先， 我國人工智能產業政策要明確“以人為本” 的發展理念， 保障人工智能更好地造福于人類； 其次， 努力促進國際合作和知識共享， 讓全球各國（地區）平等、和平地發展人工智能； 最后， 需聯合各國（地區）制定跨國界的人工智能標準框架和監管體制， 避免人工智能技術的濫用和不當競爭， 為人工智能健康發展筑牢安全屏障。

４． ２ 總 結

本文結合文獻計量、共現分析和網絡分析等方法， 探討了不確定環境下我國人工智能產業政策時空分布、中央和地方發文趨勢及主題結構演化態勢。并依據分析結果總結出我國人工智能發展過程中可能存在的一些問題， 對我國人工智能產業政策進一步完善具有一定參考價值。需要指出的是， 本文的研究仍然存在一些不足之處： ①受限于數據庫收錄政策數量， 本文的政策文本可能不夠全面。②本文從全國整體探討人工智能主題結構演化， 缺乏從各地區角度分析地方政策差異。因此， 未來的研究將進一步擴大政策樣本， 并融入更多維度， 分層次、分區域挖掘人工智能產業政策的結構內涵。

參考文獻

［１］ 賈詩威， 閆慧． 社交媒體用戶算法偏見感知的批判性話語分析［Ｊ］． 現代情報， ２０２３， ４３ （６）： １４－２３．

［２］ Ｅｓｍａｅｉｌｚａｄｅｈ Ｐ． Ｕｓｅ ｏｆ ＡＩ－Ｂａｓｅｄ Ｔｏｏｌｓ ｆｏｒ Ｈｅａｌｔｈｃａｒｅ Ｐｕｒｐｏｓｅｓ：Ａ Ｓｕｒｖｅｙ Ｓｔｕｄｙ ｆｒｏｍ Ｃｏｎｓｕｍｅｒｓ Ｐｅｒｓｐｅｃｔｉｖｅｓ ［ Ｊ］． ＢＭＣ ＭｅｄｉｃａｌＩｎｆｏｒｍａｔｉｃｓ ａｎｄ Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ， ２０２０， ２０ （１）： １７０．

［３］ 李白楊， 白云， 詹希旎， 等． 人工智能生成內容（ ＡＩＧＣ） 的技術特征與形態演進［Ｊ］． 圖書情報知識， ２０２３， （１）： ６６－７４．

［４］ 洪永淼， 劉俸奇， 薛澗坡． 政府與市場心理因素的經濟影響及其測度［Ｊ］． 管理世界， ２０２３， ３９ （３）： ３０－５１．

［５］ Ｍａｎｓｋｉ Ｃ Ｆ． Ｐｕｂｌｉｃ Ｐｏｌｉｃｙ ｉｎ ａｎ Ｕｎｃｅｒｔａｉｎ Ｗｏｒｌｄ： Ａｎａｌｙｓｉｓ ａｎｄＤｅｃｉｓｉｏｎｓ ［Ｍ］． Ｂｏｓｔｏｎ： Ｈａｒｖａｒｄ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ， ２０１２．

［６］ Ｎａｉｒ Ｓ． Ａｄｄｒｅｓｓｉｎｇ Ｕｎｃｅｒｔａｉｎｔｙ ａｎｄ Ａｍｂｉｇｕｉｔｙ ｉｎ Ｐｏｌｉｃｙｍａｋｉｎｇ：Ａｄｖａｎｃｅｍｅｎｔｓ ａｎｄ Ｄｉｌｅｍｍａｓ ［ Ｊ／ ＯＬ］． ｈｔｔｐｓ： ／ ／ ｃｈｉｎａ．ｅｌｇａｒｏｎｌｉｎｅ．ｃｏｍ／ ｖｉｅｗ／ ｅｄｃｏｌｌ／９７８１７８９９０４９７０／９７８１７８９９０４９７０．０００１１．ｘｍｌ， ２０２３－１２－０３．

［７］ Ｗａｌｌａｃｈ Ｗ， Ｍａｒｃｈａｎｔ Ｇ． Ｔｏｗａｒｄ ｔｈｅ Ａｇｉｌｅ ａｎｄ Ｃｏｍｐｒｅｈｅｎｓｉｖｅ Ｉｎ?ｔｅｒｎａｔｉｏｎａｌ Ｇｏｖｅｒｎａｎｃｅ ｏｆ ＡＩ ａｎｄ Ｒｏｂｏｔｉｃｓ［ Ｐｏｉｎｔ ｏｆ Ｖｉｅｗ］ ［ Ｊ／ＯＬ］． Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ， ２０１９， １０７ （３）： ５０５－５０８．

［８］ Ｐｅｒｒｙ Ｂ， Ｕｕｋ Ｒ． ＡＩ Ｇｏｖｅｒｎａｎｃｅ ａｎｄ ｔｈｅ Ｐｏｌｉｃｙｍａｋｉｎｇ Ｐｒｏｃｅｓｓ：Ｋｅｙ Ｃｏｎｓｉｄｅｒａｔｉｏｎｓ ｆｏｒ Ｒｅｄｕｃｉｎｇ ＡＩ Ｒｉｓｋ ［ Ｊ］． Ｂｉｇ Ｄａｔａ ａｎｄ Ｃｏｇ?ｎｉｔｉｖｅ Ｃｏｍｐｕｔｉｎｇ， ２０１９， ３ （２）： ２６－３２．

［９］ 郭小東． 生成式人工智能的風險及其包容性法律治理［Ｊ］． 北京理工大學學報（社會科學版）， ２０２３， ２５ （６）： ９３－１０５， １１７．

［１０］ Ｓｃｈｅｒｅｒ Ｍ Ｕ． Ｒｅｇｕｌａｔｉｎｇ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｓｙｓｔｅｍｓ： Ｒｉｓｋｓ，Ｃｈａｌｌｅｎｇｅｓ， Ｃｏｍｐｅｔｅｎｃｉｅｓ， ａｎｄ Ｓｔｒａｔｅｇｉｅｓ ［Ｊ］． Ｈａｒｖａｒｄ Ｊｏｕｒｎａｌ ｏｆＬａｗ ＆ Ｔｅｃｈｎｏｌｏｇｙ， ２０１６， ２９ （２）： ３５３－４００．

［１１］ Ｅｒｄｅｌｙｉ Ｏ Ｊ， Ｇｏｌｄｓｍｉｔｈ Ｊ． Ｒｅｇｕｌａｔｉｎｇ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ： Ｐｒｏ?ｐｏｓａｌ ｆｏｒ ａ Ｇｌｏｂａｌ Ｓｏｌｕｔｉｏｎ ［ Ｍ／ ＯＬ］． Ｒｏｃｈｅｓｔｅｒ， ＮＹ， ｈｔｔｐｓ： ／ ／ｐａｐｅｒｓ．ｓｓｒｎ．ｃｏｍ／ ａｂｓｔｒａｃｔ＝３２６３９９２， ２０２３－１２－０３．

［１２］ Ｇａｒｖｅｙ Ｃ． ＡＩ Ｒｉｓｋ Ｍｉｔｉｇａｔｉｏｎ Ｔｈｒｏｕｇｈ Ｄｅｍｏｃｒａｔｉｃ Ｇｏｖｅｒｎａｎｃｅ：Ｉｎｔｒｏｄｕｃｉｎｇ ｔｈｅ ７－Ｄｉｍｅｎｓｉｏｎａｌ ＡＩ Ｒｉｓｋ Ｈｏｒｉｚｏｎ ［ Ｃ／ ＯＬ］ ／ ／ Ｐｒｏ?ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１８ ＡＡＡＩ／ ＡＣＭ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＡＩ， Ｅｔｈｉｃｓ， ａｎｄＳｏｃｉｅｔｙ． Ｎｅｗ Ｏｒｌｅａｎｓ ＬＡ ＵＳＡ： ＡＣＭ， ２０１８： ３６６－３６７． ｈｔｔｐｓ：／ ／ｄｌ．ａｃｍ．ｏｒｇ／ ｄｏｉ／１０．１１４５／３２７８７２１．３２７８８０１， ２０２３－１１－２５．

［１３］ Ｃａｔｈ Ｃ， Ｗａｃｈｔｅｒ Ｓ， Ｍｉｔｔｅｌｓｔａｄｔ Ｂ， ｅｔ ａｌ． Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅａｎｄ ｔｈｅ ‘Ｇｏｏｄ Ｓｏｃｉｅｔｙ’： Ｔｈｅ ＵＳ， ＥＵ， ａｎｄ ＵＫ Ａｐｐｒｏａｃｈ ［ Ｊ］．Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ Ｅｔｈｉｃｓ， ２０１８， ２４ （２）： ５０５－５２８．

［１４］ Ｓａｂａｔｉｅｒ Ｐ Ａ， Ｗｅｉｂｌｅ Ｃ Ｍ． Ｔｈｅ Ａｄｖｏｃａｃｙ Ｃｏａｌｉｔｉｏｎ Ｆｒａｍｅｗｏｒｋ：Ｉｎｎｏｖａｔｉｏｎｓ ａｎｄ Ｃｌａｒｉｆｉｃａｔｉｏｎｓ ［Ｍ］． Ｔｈｅｏｒｉｅｓ ｏｆ ｔｈｅ Ｐｏｌｉｃｙ Ｐｒｏｃｅｓｓ，Ｓｅｃｏｎｄ Ｅｄｉｔｉｏｎ． Ｒｏｕｔｌｅｄｇｅ， ２０１９： １８９－２２０．

［１５］ 陳靜， 黃萃， 蘇竣． 中美人工智能治理研究比較分析———基于文獻計量視角［Ｊ］． 電子政務， ２０２０， （１２）： ８８－９８．

［１６］ Ｋｎｏｘ Ｊ． Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｅｄｕｃａｔｉｏｎ ｉｎ Ｃｈｉｎａ ［Ｊ］． Ｌｅａｒｎ?ｉｎｇ， Ｍｅｄｉａ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２０２０， ４５： ２９８－３１１．

［１７］ Ｙａｎｇ Ｃ， Ｈｕａｎｇ Ｃ． Ｑｕａｎｔｉｔａｔｉｖｅ Ｍａｐｐｉｎｇ ｏｆ ｔｈｅ Ｅｖｏｌｕｔｉｏｎ ｏｆ ＡＩＰｏｌｉｃｙ Ｄｉｓｔｒｉｂｕｔｉｏｎ， Ｔａｒｇｅｔｓ ａｎｄ Ｆｏｃｕｓｅｓ Ｏｖｅｒ Ｔｈｒｅｅ Ｄｅｃａｄｅｓ ｉｎＣｈｉｎａ ［ Ｊ］． Ｔｅｃｈｎｏｌｏｇｉｃａｌ Ｆｏｒｅｃａｓｔｉｎｇ ａｎｄ Ｓｏｃｉａｌ Ｃｈａｎｇｅ， ２０２２，１７４： １２１１８８．

［１８］ Ｈｕａｎｇ Ｃ， Ｗａｎｇ Ｓ Ｔ， Ｓｕ Ｊ， ｅｔ ａｌ． Ａ Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋ Ａｎａｌｙｓｉｓ ｏｆＣｈａｎｇｅｓ ｉｎ Ｃｈｉｎａｓ Ｅｄｕｃａｔｉｏｎ Ｐｏｌｉｃｙ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｒａｎｓｍｉｓｓｉｏｎ Ｓｙｓｔｅｍ（１９７８—２０１３） ［ Ｊ］． Ｈｉｇｈｅｒ Ｅｄｕｃａｔｉｏｎ Ｐｏｌｉｃｙ， ２０２０， ３３ （ ２）：３２３－３４５．

［１９］ 侯圣巒， 劉磊， 曹存根． 基于語義文法的網絡輿情精準分析方法研究［Ｊ］． 計算機科學， ２０１４， ４１ （１０）： ２２５－２３１， ２３７．

［２０］ Ｑｉａｎ Ｙ Ｌ， Ｊｉａ Ｃ Ｃ， Ｌｉｕ Ｙ Ｍ． Ｂｅｒｔ－Ｂａｓｅｄ Ｔｅｘｔ Ｋｅｙｗｏｒｄ Ｅｘｔｒａｃｔｉｏｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｐｈｙｓｉｃｓ： Ｃｏｎｆｅｒｅｎｃｅ Ｓｅｒｉｅｓ， ２０２１， １９９２ （ ４）：０４２０７７．

［２１］ 唐果媛． 基于共詞分析法的學科主題演化研究方法的構建［Ｊ］． 圖書情報工作， ２０１７， ６１ （２３）： １００－１０７．

［２２］ Ｅｇｇｈｅ Ｌ． Ｔｈｅｏｒｙ ａｎｄ Ｐｒａｃｔｉｓｅ ｏｆ ｔｈｅ Ｇ－Ｉｎｄｅｘ ［ Ｊ］． Ｓｃｉｅｎｔｏｍｅｔ?ｒｉｃｓ， ２００６， ６９ （１）： １３１－１５２．

［２３］ 楊愛青， 馬秀峰， 張風燕， 等． ｇ 指數在共詞分析主題詞選取中的應用研究［Ｊ］． 情報雜志， ２０１２， ３１ （２）： ５２－５５， ７４．

［２４］ Ｈｕａｎｇ Ｃ， Ｓｕ Ｊ， Ｘｉｅ Ｘ， ｅｔ ａｌ． Ａ Ｂｉｂｌｉｏｍｅｔｒｉｃ Ｓｔｕｄｙ ｏｆ ＣｈｉｎａｓＳｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｐｏｌｉｃｉｅｓ： １９４９—２０１０ ［ Ｊ］． Ｓｃｉｅｎｔｏｍｅｔ?ｒｉｃｓ， ２０１５， １０２ （２）： １５２１－１５３９．

［２５］ 趙志君， 莊馨予． 中國人工智能高質量發展： 現狀、問題與方略［Ｊ］． 改革， ２０２３， （９）： １１－２０．

（責任編輯： 郭沫含）

基金項目： 教育部人文社科青年項目“全球數據主權博弈背景下健全我國數據跨境流動規則體系研究” （項目編號： ２１ＹＪＣ８７００１９）。