全球人工智能及交叉领域：基于学科布局及热点研究、潜在研究趋势的分析

贾佳

doi:10.15978/j.cnki.1673-5668.202105005

科学观察 ›› 2021, Vol. 16 ›› Issue (5) :31-52 DOI: 10.15978/j.cnki.1673-5668.202105005

研究论文

全球人工智能及交叉领域：基于学科布局及热点研究、潜在研究趋势的分析

贾佳

作者信息 +

Global AI and Interdisciplinary Fields: Analysis Based on Discipline Layout, Hot Research and Potential Research Trend

Jia Jia

Author information +

文章历史 +

摘要

该研究聚焦人工智能领域,围绕全球主流国家/地区的主要基金资助机构的基金项目,将项目及其研究成果进行了贯通分析,（1）通过统计分析考察不同国家/地区政府的学科布局重点;（2）引入综合研究强度指标,综合运用资助项目数、资助项目的学术生产力以及资助项目的学术影响力,分析参与机构的研究重点和研究能力;（3）结合共现分析,引入主题热度指标,多维度考虑研究主题的共现主题数、共现总次数、词频,分析人工智能领域资助项目所产生的研究主题分布、研究热点、潜在研究等。分析发现,人工智能领域是学科交叉的汇聚领域。人工智能在教育领域、心理学领域的应用最广;在地球与环境科学的应用价值最高;在商业/管理领域的研究和应用最热。不同学科共同参与促进了对人工智能的更加广泛的研究,研究主题呈多样化趋势。基于上述发现和分析,拟为我国在该领域科技政策的制定、研究布局的规划等提供数据支持和决策参考。

Abstract

This research focuses on the field of artificial intelligence, and makes a thorough analysis of the projects and their research results around the fund projects of the major funding institutions in the global mainstream countries / regions, (1) Through statistical analysis, this paper investigates the key points of discipline layout of governments in different countries / regions; (2) By introducing the index of comprehensive research intensity, the number of funded projects, the academic productivity of funded projects and the academic influence of funded projects are comprehensively used to analyze the research focus and research ability of participating institutions; (3) Combined with co-occurrence analysis, this paper introduces the topic heat index, considers the number of co-occurrence topics, the total number of co-occurrence times, and word frequency of research topics in multi-dimensional, and analyzes the distribution of research topics, research hotspots, and potential research generated by funded projects in the field of artificial intelligence. It is found that the field of artificial intelligence is an interdisciplinary convergence field. The development of artificial intelligence provides research methods and tools for business / management, psychology, physics, clinical and other research. The joint participation of different disciplines promotes more extensive research on artificial intelligence, and the research topics are diversified. Based on the above findings and analysis, this paper intends to provide data support and decision-making reference for the formulation of science and technology policy and the planning of research layout in this field in China.

Graphical abstract

关键词

人工智能 / 学科交叉 / 综合研究强度 / 主题热度 / 潜在研究主题 / 研究主题多样化

Key words

artificial intelligence / interdisciplinary / comprehensive research intensity / research hotspots / potential research topics / diversified research topics

引用本文

引用格式 ▾

贾佳. 全球人工智能及交叉领域：基于学科布局及热点研究、潜在研究趋势的分析[J]. 科学观察, 2021, 16(5): 31-52 DOI:10.15978/j.cnki.1673-5668.202105005

Jia Jia. Global AI and Interdisciplinary Fields: Analysis Based on Discipline Layout, Hot Research and Potential Research Trend[J]. Science Focus, 2021, 16(5): 31-52 DOI:10.15978/j.cnki.1673-5668.202105005

登录浏览全文

4963

注册一个新账户忘记密码

1 研究背景

在1956年的Dartmouth学会上,人工智能（Artificial Intelligence,AI）首次被提出。几十年来,随着人工智能基础理论和核心技术的快速发展,人工智能被广泛应用到生命科学、农业、教育等领域。近几年来,各国都力争抢占人工智能领域制高点,意图成为该领域的领跑者,全球近30个国家/地区陆续发布人工智能相关的战略规划和政策部署。作为科技强国,美国多措并举“全面投入资源”重点发展人工智能。2019年2月,美国政府发布了《维护美国在人工智能时代的领导地位》^[1]行政命令,旨在集中联邦政府的资源发展人工智能,增强美国国家和经济安全,改善美国人民生活质量。同年8月,美国管理和预算办公室与白宫科技政策办公室发布“2021财年十大研发优先领域”^[2],强调应优先考虑人工智能等的基础研究和应用研究。2020年1月,美国白宫公布了用于指导人工智能应用的监管原则指南,重点关注人工智能在联邦政府之外的使用情况^[3]。2021年1月,美国国家情报高级研究项目活动宣布了一项为期多年的天基机器自动识别技术计划^[4]。同月,美国白宫科学技术政策办公室宣布成立国家人工智能计划办公室^[5],它将督导和促进美国国家AI战略和研发,确保美国未来数年内在AI这一关键领域的领导地位。2021年3月,美国人工智能国家安全委员会在其最终版本的人工智能国家安全研究报告^[6]中强调,（1）要在人工智能时代保卫美国,（2）要赢得全球人工智能技术竞赛。2021年5月,美国国防部高级研究计划局发布“计算文化理解”项目^[7],利用人工智能协助美国国防部的海外行动。同月12日,美国参议院商务委员会表决通过《无尽前沿法案》^[8],将在国家科学基金会（NSF）设立一个新的技术和创新理事会,其首要的关键科技研究领域即为人工智能、机器学习。

欧盟各国也纷纷出台相关战略推动人工智能的发展。2020年2月19日,欧委会发布《面向卓越和信任的欧盟人工智能发展之道》^[9]白皮书,指出欧盟要构建卓越和信任的生态系统,助力欧盟成为可信人工智能领域的全球领导者。同年3月,欧盟安全研究所发布《数字鸿沟?跨大西洋人工智能防御合作》^[10]报告指出,对欧盟而言,加强与美国在国防数字现代化方面的合作是一种战略需要,然而目前美欧的战略合作可能会导致跨大西洋数字鸿沟的出现。6月,加拿大、法国、德国、澳大利亚、美国、日本、韩国等15个国家/地区成立全球首个“人工智能全球合作伙伴关系”^[11],以确保负责任地使用人工智能技术、尊重人权与民主价值观。2021年1月,英国人工智能委员会发布《人工智能路线图》^[12],呼吁政府制定人工智能战略,明确优先领域并制定时间表,使英国成为最适合AI发展的国家之一。2021年4月21日,欧盟委员会通过了《人工智能法》提案^[13],旨在加强整个欧盟范围内对于人工智能的使用、投资和创新,建立关于人工智能技术的统一规则。

日本无论是政府还是企业界都非常重视人工智能产业的发展和应用,并在国家层面出台了较为完善的研究发展机制。2015年1月,为实现机器人驱动的新工业革命,日本经济产业省发布《机器人新战略》^[14],通过推动三大支柱实现机器人产业的进一步发展,目的是使日本成为世界机器人创新中心。2016年,日本内阁办公室在“第五期科学技术基本计划（2016–2020）”中提到了新型社会形态——社会5.0,将人工智能作为实现以人为本社会的核心,并设立“人工智能战略会议”^[15]。2017年3月,日本人工智能技术战略委员会发布《人工智能技术战略》报告,制定了三个阶段的日本人工智能技术路线图^[16]。

随着全球人工智能政策规划的紧密发布,各国掀起了人工智能的研究热潮,相关研究迅猛发展。了解美、欧等主流国家/地区的研究布局和进展,能为我国在该领域的科技政策制定、研究布局规划等提供数据支持和决策参考。除政策规划之外,政府资助的基金项目具有一定的前瞻性和引领性,通常与研究布局和研究趋势保持一致,其研究产出（论文或者专利）在一定程度上也代表了科技的创新方向。

如今,各国基金数据开放程度持续加大,学者们纷纷利用基金资助信息开展各领域的研究进展分析。包括采用科学计量指标和技术,对各国在不同学科领域基金项目的生产力进行比较^[17,18];基于对专利、论文数据的分析,考察特定领域贡献度较高的国家、机构等实体,以及这些实体如何受国家科学基金资助的影响和如何演变^[19];根据基金项目的研究论文产出,探究各国政府的资助对科研生产力的影响和资助效率^[20,21];通过建立各类模型,融合政策、基金项目、科研论文,对其进行多维度的关联分析,对科学研究前沿主题进行识别,揭示潜在的模式与规律^[22,23,24]。

针对人工智能领域的文献计量学研究,学者们围绕政策、基金、论文、专利等数据开展对各国人工智能技术热点、前沿的分析。如结合我国公布的人工智能政策,基于政策评价工具和模型,采用文本挖掘、图谱分析等方法,对我国人工智能规划进行量化分析^[25,26,27];从创新生态系统视角,结合学术论文,从创新主体、创新环境和系统效益三个维度对我国人工智能关键核心技术创新能力进行测度^[28];依据基金项目的布局和投入数据,对美国、欧盟、英国人工智能技术的前沿性进行量化评价,以揭示不同技术主题的前沿进展态势^[29];聚焦中美人工智能领域,以基金、论文、专利数据为基础,分析中美两国人工智能领域的研究差距^[30];从学术产出、被引情况、学术影响力等计量指标出发,综合对比近年来全球各国人工智能领域发展状况和研究热点^[31];还有学者基于专利的视角进行人工智能跨领域融合模式识别以及区域专利合作人工智能发展的机制与效应研究^[32,33]。

本文在上述研究的基础上,围绕全球主流国家/地区的主要基金资助机构的基金项目,将项目及其研究成果进行了贯通分析,不仅考察了不同国家/地区政府的学科布局重点,还在上述学科布局中采用计量手段,（1）引入综合研究强度指标,结合项目数、学术生产力以及学术影响力,分析参与机构的研究重点和研究能力;（2）引入主题热度指标,多维度考虑研究主题的共现主题数、共现总次数、词频,分析人工智能领域资助项目所产生的研究主题分布、研究热点、潜在研究等。拟为我国在该领域的科技政策制定、研究布局规划等提供数据支持和决策参考。

2 研究方法与数据

2.1 分析方法

本文选取了自2016年1月至2020年10月,美国国家科学基金会（NSF）计算机与信息科学学部（CISE）、美国国家科学基金会工程学部（ENG）、欧盟研究委员会/欧盟委员会（ERC&EC）、英国工程和自然科学研究委员会（EPSRC）、日本JSPS（学术振兴会）五个基金资助机构在人工智能领域的基金研究项目,主要以项目的申请时间、承担机构、项目经费、学科分类、研究成果及主题等特征项为分析对象,综合采用了统计、共现、社会网络等方法开展分析,这几类分析方法简要说明如下：

（1）统计。本研究在分析资助概况、学科分布、主要研究机构及其学科分布、科研产出时主要采用了统计的方法。

（2）共现分析^[34]。本报告中的“共现分析”主要针对论文关键词进行,反映研究主题间的关系。“共现”指文献（或类似文本）的特征项描述的信息共同出现的现象,这里的特征项包括文献的外部和内部特征,如题名、作者、关键词、机构等。

（3）综合评价分析。本研究针对主要研究机构提出了综合研究强度（Intensity R）指标,用于分析研究机构学术研究能力。综合研究强度揭示了研究机构的项目获得能力及其研究能力的差异。该指标综合应用了资助项目数、资助项目的学术生产力以及资助项目的学术影响力三个指标进行计算,具体计算方法如公式（1）：

Intensity Ri=Nor Gri+Nor Pri* $\sqrt{Imi}$ $\qquad$ 公式(1)

其中,Intensity Ri表示第i个分析对象的综合研究强度,Nor Gri表示第i个分析对象归一化之后的资助项目数,Nor Pri表示第i个分析对象归一化之后的资助项目的学术生产力,Imi表示第i个分析对象的资助项目的学术影响力。

本研究在分析项目的研究进展时,引入主题热度指标（H）,综合考虑了每个研究主题词的共现主题数（Links）、共现总次数（Total Link Strenth）、词频（Occurences）三个维度,以揭示和识别热点和潜在研究主题。公式如下：

Hi=Nor Li+Nor TLi+Nor Qi $\qquad$ 公式(2)

其中,Hi表示第i个主题词的主题热度,Nor Li表示第i个主题词的共现主题数归一化之后的值,Nor TLi表示第i个主题词的共现总次数归一化之后的值,Nor Qi表示第i个主题词的词频归一化之后的值。根据计算得到的主题热度,将Hi值较高的主题词视作热点研究主题;将Hi值较低的、且在2017–2019年（或2017–2020年）有上升趋势的主题词视作潜在研究主题^[35],这些主题虽然热度不高,但却被持续关注,且关注度整体呈上升趋势,说明有一定的研究潜力。潜在研究主题一定程度上能够反映人工智能领域的潜在研究趋势。

2.2 数据处理及分析工具

本报告在统计、分析过程中使用到的工具包括：

（1）统计：Excel、DDA、inCites,

（2）关键词的分词处理：DDA（自然语言处理）,

（3）清洗/合并机构、主题词：Excel、DDA,

（4）主题演化：DDA,

（5）研究主题共现聚类：VOSviewer。

本文在进行统计时,综合运用Excel、DDA、inCites进行计算。DDA^[36]（Derwent Data Analyzer）是德温特数据分析软件,它可以进行数据导入、清理,数据以及结果的可视化,在数据清洗方面使分析结果更加准确。InCites^[37]能够实时跟踪机构的研究产出和影响力,就研究绩效与其他机构以及全球和学科领域的平均水平进行对比;监测机构的科研合作活动,以寻求潜在的科研合作机会。

在进行主题分析时,利用自然语言处理（NLP）和人工筛选结合的方法进行分词处理。通过DDA工具进行主题词的清洗。采用VOSviewer^[38]等分析工具揭示基于主题词之间关系的模式和规则。

2.3 数据源及数据采集

2.3.1 数据源

（1）Dimensions^[39]是提供基于科技论文、项目基金、技术专利和临床试验等数据的在线检索和综合分析服务。

（2）Web of Science^[40]的SCI数据库收录了约8 400种重要期刊,覆盖170多个学科领域,内容涵盖自然科学、工程技术、生物医学、等领域的海量学术研究论文,最早回溯至1900年。

2.3.2 数据采集

基金资助机构筛选：根据Dimensions自有分类,本研究在该平台的“Grants”模块选择“Information and Computing Sciences”分类下的基金项目,通过对比项目数量和资助金额,选择综合排名靠前的几个基金资助机构,包括美国国家科学基金会（NSF）计算机与信息科学学部（CISE）、美国国家科学基金会工程学部（ENG）、欧盟研究委员会/欧盟委员会（ERC&EC）、英国工程和自然科学研究委员会（EPSRC）、日本学术振兴会（JSPS）。

时间范围：2016–2020年。

基金项目关键词：artificial intelligence、deep learning、natural language processing、speech recognize、computer vision、gesture control等。

基金项目检索时间：2021年3月5日。

基金项目检索结果：经检索,全球主要基金资助机构（NSF CISE、NSF ENG、ERC&EC、EPSRC、JSPS）在人工智能领域共资助项目11 197个。

论文数据根据基金项目号,在WoS中检索并采集,截至2020年12月31日。

论文数据检索时间：2021年3月5日。

论文数据检索结果：根据采集上述样本基金数据,截至论文数据检索时间,获得该样本研究论文（SCI）14 738篇。

3 全球主要基金资助机构资助概况

3.1 资助趋势

从表1可以看出,5年间,五个全球主要基金资助机构在人工智能领域共资助11 197个项目,总资助金额为61.97亿美元。美国国家科学基金会的两个学部资助的项目最多;日本学术振兴会资助的总金额最少;欧盟的基金资助机构投入的经费最多;美国的基金论文产生的科研成果最多。

各国/地区在人工智能领域的投入和产出对比如图1所示（圆圈大小代表“平均项目金额”的多少）。相对而言,欧盟和英国投入的资助金额较大,但产出最少;美国布局的项目数最多,科研产出也最多;日本虽然平均项目金额不足8万美元,但项目数量和科研产出均高于欧洲地区。

3.2 相关学科的布局

通过对学科进行分析,了解全球主要基金资助机构在人工智能领域相关学科的布局情况。项目分布最多的学科是Computer Science and Informatics（资助项目数：6 033项,平均项目金额：55.76万美元）和Engineering（资助项目数：2 300项,平均项目金额：52.83万美元）。

从表2可以看出,5个基金资助机构对人工智能两个相关学科的资金投入较为均等。如美国NSF的两个学部在两个学科上的平均资助强度均为40万美元/项左右,欧盟在220~240万美元/项之间,英国在150~190万美元/项之间,日本在7万美元/项左右。

从项目数量来看,项目主要分布在计算机科学与信息学学科领域。

3.3 交叉学科的布局

此外,另有14个学科也是人工智能领域项目分布较多的学科（人工智能交叉领域Top14）,可视为人工智能应用的交叉学科,如图2所示。

在人工智能的交叉应用/研究领域可以清楚看出各国家/地区在人工智能应用的资助重点和差异（图3）。

4 受资助机构的基金项目学科分布及科研能力

4.1 获得NSF CISE基金资助的主要研究机构的表现

美国国家科学基金会CISE部5年间在人工智能领域共资助了3 086个项目,总金额达到14.24亿美元（表1）。主要研究机构为美国各大高校,除AI相关学科（B11和B12）之外,CISE在AI交叉学科投入较多的包括教育、心理学/精神病学/神经科学、商业/管理、地球与环境科学（图3）。其中,教育学科的项目最多,如卡内基梅隆大学、麻省理工学院、华盛顿大学在该领域均有一定的布局。

CISE资助的3 086个项目共产出学术论文6 740篇,主要的研究机构,如卡内基梅隆大学、佐治亚理工学院、伊利诺伊大学香槟分校、斯坦福大学体现出较高的科研生产力;康奈尔大学、华盛顿大学则在科研影响力上占据较大优势。从综合研究能力（公式1,下同）来看,康奈尔大学因其较高的科研影响力排名第一。

对项目获取能力和科研产出能力进行综合排名,前10位机构的项目学科分布及科研能力如表3所示。部分机构虽然获得项目资助的能力较强,但其科研产出并不理想,因此未出现在下表中,下同。

4.2 获得NSF ENG基金资助的主要研究机构的表现

美国国家科学基金会ENG部5年间在人工智能领域共资助了1 321个项目,总金额达到5.28亿美元（表1）。主要研究机构同样来自美国各高校。除AI相关学科（B11和B12）之外,ENG在AI交叉学科投入较多的包括教育、商业/管理、健康：牙科/护理/药学、建筑环境规划。其中,教育和商业/管理学科的项目最多,值得关注的是,麻省理工学院在商业/管理学科有较多的项目布局。

ENG资助的1 321个项目共产出学术论文1 370篇,主要的研究机构,如佐治亚理工学院、宾夕法尼亚州立大学的科研生产力排名靠前;亚利桑那州立大学的SCI论文虽然不多,但归一化引文影响力较强。从综合研究能力来看,佐治亚理工学院排名第一。

综合项目获取能力、科研产出能力进行排名,前10位机构的项目学科分布及科研能力如表4所示。

4.3 获得ERC&EC基金资助的主要研究机构的表现

欧盟研究委员会/欧盟委员会（ERC&EC）5年间在人工智能领域共资助了1 418个项目,总金额达到31.68亿美元（表1）。主要研究机构来自欧盟的研究所和高校。除相关学科之外,ERC&EC在人工智能交叉学科有非常多的布局和投入。如心理学/精神病学/神经科学、物理、商业/管理、生物科学、健康:牙科/护理/药学、建筑环境规划、临床医学、地球与环境科学。其中,商业/管理学科的项目最多。从机构的学科布局来看,法国国家科学研究中心偏向于AI与心理学/精神病学/神经科学、物理及地球与环境科学的学科交叉;马克斯·普朗克协会聚焦于AI与物理学的交叉;苏黎世联邦理工学院关注于AI与地球与环境科学的交叉。

ERC&EC资助的1 418个项目共产出学术论文2 476篇,主要的研究机构,如法国国家科学研究中心由于其下设研究机构较多,因此科研生产力排名第一。伦敦大学学院、牛津大学生产力分别排名第二、三位。苏黎世大学的论文产出较少,但其科研影响力最强。从综合研究能力来看,法国国家科学研究中心、伦敦大学学院、马克斯·普朗克学会的实力均排名靠前。

综合项目获取能力、科研产出能力进行排名,前10位机构的项目学科分布及科研能力如表5所示。

4.4 获得EPSRC基金资助的主要研究机构的表现

英国工程和自然科学研究委员会（EPSRC）5年间在人工智能领域共资助了1 345个项目,总金额达到7.79亿美元（表1）。主要研究机构来自欧盟国各大高校。除相关学科之外,EPSRC主要集中在人工智能与数学的交叉,如华威大学、牛津大学均在AI和数学的交叉领域有较多布局。

EPSRC资助的1 345个项目共产出学术论文1 412篇,主要的研究机构,如牛津大学、伦敦帝国理工学院、伦敦大学学院获得的项目数最多,其科研产出也比较多。值得一提的是剑桥大学,虽然获得资助的项目数与上述高校有一定差距,但其科研生产力不容小觑。伦敦帝国理工学院在科研生产力和影响力都领先于其他高校,因此综合研究能力排名第一。

综合项目获取能力、科研产出能力进行排名,前11位机构的项目学科分布及科研能力如表6所示。

4.5 获得JSPS基金资助的主要研究机构的表现

日本学术振兴会（JSPS）5年间在人工智能领域共资助了4 027个项目,总金额达到2.99亿美元（表1）。JSPS非常注重人工智能在其他学科的交叉研究,包括教育、心理学/精神病学/神经科学、商业/管理、健康：牙科/护理/药学、临床医学、物理、生物科学、建筑环境规划、数学科学、地球与环境科学、化学、农业/兽医/食品科学、体育/运动科学&休闲与旅游等学科。在AI与教育领域交叉研究布局较多的机构有广岛大学等;在心理学/精神病学/神经科学交叉研究的包括东京大学、京都大学、大阪大学等;在物理交叉研究较多的有东京大学等。

JSPS资助的4 027个项目共产出学术论文2 901篇,主要的研究机构,东京大学获得资助的项目最多,科研产出最多,其综合研究能力也最强;日本理化学研究所（RIKEN）虽然获资项目不多,但其科研产出能力较高;科研影响力较高的是九州大学和北海道大学,归一化引文影响力均在2之上。

综合获得项目能力、科研产出能力进行排名,前10位机构的项目学科分布及科研能力如表7所示。

5 人工智能领域研究进展分析

从整体项目（五大基金资助机构）的研究成果来看,除了人工智能的主要技术之外,人工智能的主要应用包括计算机辅助诊断、功能磁共振成像、脑电图、阿尔茨海默病、生物标记物、无人机、智能电网、能源管理、电动汽车、社交媒体、分子动力学、海马体、宇宙学、流行病学等。五大基金资助机构研究产出的进展分布如图4至图8所示。

对基金项目产出的学术论文进行主题共现分析,并根据公式（2）进行主题热度值（H）计算,根据章节2.1的主题识别方法对人工智能领域项目的热点及潜在研究主题进行识别。五大基金资助机构研究产出的热点及潜在研究主题分布如附表1~5所示。

综合图4~8以及附表1~5可以发现,人工智能领域的研究主题形成了多样化的发展趋势。

6 研究的主要发现和结论

6.1 主要研究发现

本文对2016–2020年间美国国家科学基金会（NSF）计算机与信息科学学部（CISE）、美国国家科学基金会工程学部（ENG）、欧盟研究委员会/欧盟委员会（ERC&EC）、英国工程和自然科学研究委员会（EPSRC）和日本学术振兴会（JSPS）五个基金资助机构在人工智能领域的资助项目及其研究论文进展情况进行了梳理和分析。

6.1.1 概况

美国基金资助机构在人工智能领域布局的项目数量最多（4 407项）,学术产出也最多（7 986篇）,成果产出比（论文数/项目数）较高;日本的项目数也比较多（4 027项）,但投入的资助（金额）较少。

分析发现,欧盟基金资助机构的平均资助强度最高,单项项目金额高达200万美元/项左右,美国在40万美元/项左右,日本在7万美元/项左右。这与样本数据时间范围内各国的投入有关,如欧盟第七研发框架计划（2007–2013年）在信息科技领域的总投入达到 90亿欧元,居所有领域之首。2014年开始实施的新的研发框架计划“地平线 2020”,在信息科技领域的预算比第七研发框架计划（2007–2013年）提高了25%,把信息技术作为各研发领域的先导^[41]。欧盟委员会承诺2018–2020年投资15亿欧元（约合17亿美元）用于人工智能研究,并建议通过“数字欧洲计划”在2021–2027年投入至少70亿欧元（约合80亿美元）在AI中。2015年,美国联邦政府在AI相关技术的未分类研发上投入了11亿美元。此外,2018年9月,美国国防部（DOD）国防高级研究计划局宣布了一项在5年内进行20亿美元的投资,以开发下一代AI技术^[42]。显然,相对于欧美而言,日本在人工智能和机器人行业的资金投入并不算高。

美、日的资助项目数连年增加,但平均项目金额呈上下浮动态势。欧盟（包括英国）在2020年对资助项目数有所收紧,但平均项目金额呈上升趋势。

6.1.2 受资助机构集中在高校和研究所

（1）美国获资助机构来自美国各大高校,活跃研究机构包括卡内基梅隆大学、佐治亚理工学院等;（2）欧盟的受资助机构来自研究所和部分欧盟高校,法国国家科学研究中心由于其下设研究机构较多,总体科研能力较强;（3）英国的主要研究机构为英国高校,包括牛津大学、帝国理工学院等;（4）日本的研究主体为高校,也有部分研究所,活跃机构有东京大学等。

6.1.3 各国人工智能交叉领域分布各异

（1）美国主要的交叉投入在教育领域。主要是由于2016年美国联邦政府相继发布了《为未来人工智能做准备》^[43]、《国家人工智能研发战略规划》^[44]等报告,将专业人才培养、课程设计、建立学术研究生态系统等列为重点。此外,还涉及商业/管理、建筑环境规划、心理学/精神病学/神经科学、地球与环境科学以及健康领域。（2）除基础研究之外,欧盟更加注重人工智能对人类的影响,如ERC&EC主要的投入在商业/管理领域,其次是心理学/精神病学/神经科学、临床医学、物理、生物科学、健康等。（3）EPSRC在人工智能领域主要的交叉投入聚焦在数学科学。（4）日本的战略主张是人工智能与各领域实现对接,在各行各业落实应用^[45,46]。分析发现,日本在人工智能交叉领域Top14均有投入,最多的是心理学/精神病学/神经科学,其次是教育、健康、临床医学、生物科学、物理等。

6.1.4 热点和潜在研究主题

从五大基金资助机构的研究成果来看,研究热点主题包括最优控制、计算建模、物联网、动作识别、云计算、脑电图、星系、神经计算、强化学习等。但各国家/地区资助的热点和潜在研究趋势有一定的差异。

（1）热点研究主题

◆ 美国人工智能产业呈现出全产业布局的特征,在基础层、技术层和应用层均有分布。包括计算建模、近似算法、特征提取、社交网络、聚类算法、迁移学习、动作识别、传感器融合、神经计算等。

◆ 欧盟十分关注人工智能基础研究,研究的热点包括星系/宇宙学、雾计算、边缘计算、无线通信、5G、阿尔茨海默症、MRI、神经影像学、神经机器人学、帕金森病等。

◆ 英国研究的热点包括人脸识别、机器人传感系统、贝叶斯估计、生成对抗网络、数学模型、合成孔径雷达、遗传算法、计算建模、随机几何学、迁移学习、光纤通信等。

◆ 日本研究的热点包括语义切分、支持向量机、生成对抗网络、星系/宇宙学、动作识别、语音合成、现场可编程门阵列、贝叶斯估计、海马体、长短时记忆、功能磁共振成像、遗传算法等、宇宙大尺度结构、社会化媒体、老年人、智能家居等。

（2）潜在研究主题

◆ 美国NSF CISE资助项目的潜在研究主题涉及生物医学图像分割、多机器人规划、犯罪预测、工厂自动化、神经元形态学、精密医学、孪生神经网络、语音驱动动画、重音转换、辅助喂养、以用户为中心的体系结构、自闭症谱系障碍;NSF ENG资助项目的潜在研究主题包括原子精密度、流固相互作用、红外热成像、硅光子学、建筑信息建模、银纳米线、锂离子电池、电力系统弹性、大肠杆菌、代谢工程、碳纳米管、人工群体智能等。

◆ 欧盟ERC&EC资助项目的潜在研究主题涉及有机发光二极管、NLO计算、点云、相变材料、社交机器人、射电连续谱、三维电子显微镜、乳腺癌、进化算法等。

◆ 英国EPSRC资助项目的潜在研究主题包括晶体结构预测、量子算法、柔性电子器件、多智能体系统、热能储存、认识论、合成生物学、进化算法、遥感、多任务学习、1型糖尿病、风力涡轮机等。

◆日本JSPS资助项目的潜在研究主题涉及蛋白质-蛋白质相互作用、胶囊网络、触觉显示、血管分割、运动学习、前列腺癌、自主神经系统、高红移星系、超新星遗迹、GABA（A）受体等。

6.2 结论

本研究将基金项目及其研究成果进行了贯通分析：综合运用了资助项目数、资助项目的学术生产力以及资助项目的学术影响力,考察各国受资助机构的研究重点和研究能力,准确聚焦对标研究机构;结合共现分析,引入主题热度指标,综合考虑共现主题数、共现总次数、词频,分析资助项目所产生的研究成果,识别目前人工智能领域的研究主题分布、研究热点、潜在研究,有效地挖掘各国在人工智能领域的侧重方向、优势技术等。

此外,通过学科布局和热点研究主题识别,发现人工智能的基础研究扮演着重要角色,并为教育、商业/管理、心理学、临床医学、物理、生物科学、数学等提供了研究方法和工具。（1）教育领域、心理学/精神病学/神经科学领域的项目数最多,说明人工智能在上述两个领域应用最广。（2）随着环境问题的日益突出,人类越来越重视环境与发展问题。分析发现,地球与环境科学的平均项目金额最高,达到126.56万美元/项。可见人工智能可以有效地推进我们对于地球气候系统的理解^[47],为地球面临的关键环境问题提供更可行的解决方案。（3）综合项目数量和资助金额两方面因素,商业/管理领域是人工智能应用和研究的热点领域。

在鼓励新兴交叉学科理论和实践发展的大环境下,潜在研究主题的挖掘则为人工智能拓展了更多应用方向,这也说明各国/地区的人工智能应用布局和研究主题均呈多样化发展趋势。

在各国重点布局和研究方面,美国着眼于人工智能对国家安全和社会稳定的影响。尤其是在算法、数据等产业核心领域积累了强大的技术创新优势,以确保其全球技术的领先地位。与美国主张技术发展的战略不同,欧盟在关注人工智能基础研究的同时,注重人工智能在教育、金融、社会等领域的应用。作为老牌工业强国,英国是推动人工智能发展较为积极的国家,通过政策、资金等手段在人工智能的教育、数字基础设施、人才等方面进行大力支持,旨在推动英国成为全球人工智能的领导者。日本是亚洲制造业强国,机器人产业的发展处于全球重要位置。分析发现,日本的人工智能研究涉及老年人、老年疾病等。可见日本的人工智能产业结合了传统工业特点与解决人口老龄化、医疗等社会问题。

6.3 局限和不足

本研究利用全球主要基金资助机构在人工智能领域的资助情况进行前沿布局分析,并通过项目产生的成果了解该领域的研究进展,但在数据范围的遴选、分析方法及评价指标的设计等方面存在局限和不足之处。如本研究基于项目发表成果进行主题分析,但一些项目（尤其是近一两年的项目）尚未有成果产生;在研究过程中发现,人工智能研究已经深入融合到各种场景的应用中,因此其他领域的资助机构（例如NIH、英国MRC、NSF的其他学科部等）也可能资助人工智能领域交叉的研究项目,这对分析人工智能交叉领域布局和研究可能会有直接影响;各国所布局的领域因国情不同而有较大差异,我国在人工智能领域的布局和研究主题也必定有其自身的特点,对我国研究机构和学者申报项目、开展前沿研究更有参考意义。上述局限和不足将是下一阶段工作探讨和分析的内容。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	National Science Foundation. Statement on executive order to maintain American leadership in artificial intelligence[EB/OL]. (2019-02-11). https://www.nsf.gov/news/news_summ.jsp?cntn_id=297658。

[2]	Executive Office of the President U.S. Fiscal Year 2021 Administration Research and Development Budget Priorities: Memorandum for the heads of executive departments and agencies[EB/OL]. (2019-08-30). https://www.whitehouse.gov/wp-content/uploads/2019/08/FY-21-RD-Budget-Priorities.pdf.

[3]	Guidance for Regulation of Artificial Intelligence Applications[EB/OL]. (2020-01-17). https://www.whitehouse.gov/wp-content/uploads/2020/01/Draft-OMB-Memo-on-Regulation-of-AI-1-7-19.pdf.

[4]	IARPA Launches Space-based Machine Automated Recognition Technique Program[EB/OL]. (2021-01-06). https://www.dni.gov/index.php/newsroom/press-releases/press-releases-2021/item/2177-iarpa-launches-space-based-machine-automated-recognition-technique-program.

[5]	The White House Launches the National Artificial Intelligence Initiative Office[EB/OL]. (2021-01-12). https://trumpwhitehouse.archives.gov/briefings-statements/white-house-launches-national-artificial-intelligence-initiative-office/.

[6]	Final Report National Security Commission on Artificial Intelligence[EB/OL]. (2021-03-02). https://www.thethinkingconservative.com/final-report-national-security-commission-on-artificial-intelligence/.

[7]	Creating AI-Enabled Cultural Interpreters to Aid Defense Operations[EB/OL]. (2021-05-03). https://www.darpa.mil/news-events/2021-05-03a.

[8]	S.1260-United States Innovation and Competition Act of 2021[EB/OL]. (2021-06-20). https://www.congress.gov/bill/117th-congress/senate-bill/1260.

[9]	White Paper on Artificial Intelligence: a European approach to excellence and trust[EB/OL]. (2020-02-19). https://ec.europa.eu/info/publications/white-paper-artificial-intelligence-european-approach-excellence-and-trust_en.

[10]	Digital Divide? Transatlantic Defence Cooperation on AI[EB/OL]. (2020-03-05). https://www.iss.europa.eu/content/digital-divide-transatlantic-defence-cooperation-ai.

[11]	Global Partnership on Artificial Intelligence[EB/OL]. (2020-06-17). https://www.eletimes.com/global-partnership-on-artificial-intelligence.

[12]	AI Roadmap[EB/OL]. (2021-01-06). https://www.gov.uk/government/publications/ai-roadmap.

[13]	欧盟委员会提出人工智能法律框架[EB/OL]. (2021-04-22). https://baijiahao.baidu.com/s?id=1697723347551587859&wfr=spider&for=pc.

[14]	日本经济产业省. Japan's Robot Strategy was Compiled[EB/OL]. (2015-01-23). https://www.meti.go.jp/english/press/2015/0123_01.html.

[15]	日本内阁办公室. Society 5.0[EB/OL]. (2021-07-12). https://www8.cao.go.jp/cstp/english/society50/index.html.

[16]	Artificial Intelligence Technology Strategy[EB/OL]. (2017-03-31). https://ai-japan.s3-ap-northeast-1.amazonaws.com/7116/0377/5269/Artificial_Intelligence_Technology_StrategyMarch2017.pdf.

[17]	Butler A. Revisiting bibliometric issues using new empirical data[J]. Research Evaluation, 2001, 10(1): 59-65.

[18]	Guan J C. Comparison and evaluation of domestic and international outputs in Information Science & Technology research of China[J]. Scientometrics, 2005, 11(65): 215-244.

[19]	Chen H C. Global nanotechnology development from 1991 to 2012: patents, scientific publications, and effect of NSF funding[J]. Journal of Nanoparticle Research, 2013, 9(15).

[20]	Boyack K W, Borner K. Indicator-assisted evaluation and funding of research:Visualizing the influence of grants on the number and citation counts of research papers[J]. Journal of the American Society for Information Science & Technology, 2003, 54(5): 447-461.

[21]	Zhou P. A bibliometric perspective on the roles of government funding and international collaboration in scientific research[C]. 17th International Conference on Scientometrics & Informetrics (ISSI2019), VOL II, 2019: 1537-1547.

[22]	吕晶, 郭思月, 滕广青, 等. 基金项目对科学研究的关联影响分析[J]. 数字图书馆论坛, 2019(12): 18-27.

[23]	刘博文, 白如江, 周彦廷, 等. 基金项目数据和论文数据融合视角下科学研究前沿主题识别——以碳纳米管领域为例[J]. 数据分析与知识发现, 2019, 3(08): 114-122.

[24]	白如江, 刘博文, 冷伏海. 基于多维指标的未来新兴科学研究前沿识别研究[J]. 情报学报, 2020, 39(07): 747-760.

[25]	臧维, 张延法, 徐磊. 我国人工智能政策文本量化研究——政策现状与前沿趋势[J/OL]. 科技进步与对策, (2021-05-18) [2021-07-16]. http://kns.cnki.net/kcms/detail/42.1224.g3.20210517.1710.012.html.

[26]	李首骏. 我国人工智能领域政策文本的量化研究[D]. 安徽财经大学, 2020.

[27]	袁野, 于敏敏, 陶于祥, 等. 基于文本挖掘的我国人工智能产业政策量化研究[J]. 中国电子科学研究院学报, 2018, 13(06): 663-668.

[28]	袁野, 汪书悦, 陶于祥. 人工智能关键核心技术创新能力测度体系构建:基于创新生态系统视角[J/OL]. 科技进步与对策, (2021-06-16) [2021-07-16]. http://kns.cnki.net/kcms/detail/42.1224.G3.20210615.1715.035.html.

[29]	李荣, 刘静, 李梦辉, 等. 基于基金项目数据的人工智能技术前沿性测度研究——技术创新决策视角分析[J]. 情报杂志, 2020, 39(09): 81-87.

[30]	李红, 陈振英, 朱威. “一流”学科建设形势下决策情报服务实践与思考——以中美人工智能研究差距分析为例[J]. 情报杂志, 2020, 39(05): 71-76+167.

[31]	刘龑龙, 史冬梅, 刘进长, 等. 基于文献计量学的人工智能领域研究现状及热点分析[J]. 科技管理研究, 2021, 41(10): 38-48.

[32]	杨以文, 郑江淮. 区域专利合作促进人工智能发展的机制与效应测度——来自WIPO数据的经验证据[J]. 东南学术, 2021, 4(04): 158-167.

[33]	陈钰芬, 王科平. 基于专利技术共现网络的人工智能跨领域融合模式识别[J/OL]. 情报杂志, (2021-06-08) [2021-07-16]. http://kns.cnki.net/kcms/detail/61.1167.G3.20210608.1323.020.html.

[34]	杨立英. 化学领域国际主要科研机构论文“共现”现象研究[J]. 科学观察, 2006(05): 10-17.

[35]	贾佳, 江彬彬, 陆晴. 基于NSFC基金项目的工商管理研究布局分析[J]. 科学观察, 2020, 15(04): 12-28.

[36]	Derwent Data Analyzer[EB/OL]. (2021-06-04). https://solutions.clarivate.com.cn/products/derwent-data-analyzer/.

[37]	InCites[EB/OL]. (2021-05-04). https://incites.clarivate.com/#/landing.

[38]	VOSviewer[EB/OL]. (2020-05-04). https://www.vosviewer.com/.

[39]	Dimensions[EB/OL]. (2020-05-04). https://app.dimensions.ai/discover/publication.

[40]	Web of Science[EB/OL]. (2020-05-04). http://apps.webofknowledge.com/WOS_GeneralSearch_input.do?product=WOS&search_mode=GeneralSearch&SID=8CArxP8tP4VkxzZFRul&preferencesSaved=.

[41]	Horizon 2020[EB/OL]. (2020-07-09). https://ufuk2020.org.tr/en.

[42]	中国科协创新战略研究院. 创新研究报告[R]第3期(总第335期). 2020-1-14

[43]	White House. Preparing for the Future of Artificial Intelligence[EB/OL]. (016-11-29). https://obamawhitehouse.archives.gov/blog/2016/05/03/preparing-future-artificial-intelligence.

[44]	National Science and Technology Council. The National Artificial Intelligence Research and Development Strategic Plan[EB/OL]. (2016-10). https://www.nitrd.gov/pubs/national_ai_rd_strategic_plan.pdf.

[45]	王立岩, 李晓欣. 日本智能制造产业发展的经验借鉴与启示[J]. 东北亚学刊, 2019, 4(06): 100-110+150-151.

[46]	全球主要国家和地区人工智能相关政策和举措(四):日本[EB/OL]. (2019-12-02). http://www.istis.sh.cn/list/list.aspx?id=12408.

[47]	Markus Reichstein, Gustau Camps-Valls, Bjorn Stevens, et al. Deep learning and process understanding for data-driven Earth system science. Nature, 2019, 566(7743): 195.

RIGHTS & PERMISSIONS

PDF (5309KB)

2835

访问

被引

详细

导航

Published
2021-10-15
Online Date
2021-10-20

摘要