張桐赫, 何海燕, 鄭華峰, 常曉涵, 何 陽

(1.北京理工大學管理與經濟學院, 北京 100018; 2.長江科學院, 武漢 430010)

Open AI(開放人工智能)的生成式預訓練模型(generative pre-trained transformer,GPT)火爆全球,再一次推動了人工智能技術變革。生成式人工智能現(xiàn)象級產品GPT模型的誕生依賴于新一代人工智能算力平臺的突破式發(fā)展[1]。人工智能生成內容(artificial intelligence generated content,AIGC)開創(chuàng)了機器主導內容生成的時代,催生了全新的科技革命系統(tǒng)[2]。已有多國將如何贏得人工智能(artificial intelligence, AI)技術競爭作為科技戰(zhàn)略的重要議題,針對關鍵核心制高點的競爭成為焦點[3]。創(chuàng)新是解決中國科技“卡脖子”問題的重要手段[4]。人工智能的發(fā)展一直是一個快速變化和持續(xù)演進的過程,高度集成了不同學科的創(chuàng)新成果,近年來在該領域不斷出現(xiàn)的關鍵核心技術突破顯著推動了技術發(fā)展[5]。當前,AI技術已經不再是孤立的技術領域,其與不同學科的交叉融合深度影響著未來科技進步的方向。人工智能的發(fā)展離不開算力,算法和算料(數據)3個基本面支撐,核心競爭方向不斷聚焦于算力平臺的建設,并且已經成為人工智能學科發(fā)展的基礎設施。

在人工智能領域中國已有眾多戰(zhàn)略部署。2017年國務院《新一代人工智能發(fā)展規(guī)劃》印發(fā)于 AI技術發(fā)展迎來重大戰(zhàn)略機遇期,之后隨著技術的不斷發(fā)展,算法的不斷迭代,人工智能的發(fā)展正在全面進入加速期。AI對于數學、物理、化學、天文等基礎學科關鍵問題解決起到顯著的促進作用。2023年中國科技部會同自然科學基金委近期啟動了“人工智能驅動的科學研究”(AI for Science)專項工作,促進人工智能與科學研究深度融合,在未來科技競爭中充分調動人工智能技術、數據和算力資源優(yōu)勢,推動前沿科學研究的新模式,加速科學研究新范式,突破關鍵核心技術,實現(xiàn)高水平科技自立自強,分析國際主要國家AI技術優(yōu)劣勢,識別出中國人工智能技術的機會與挑戰(zhàn)。同時從產業(yè)發(fā)展的特征出發(fā),將有限的創(chuàng)新資源在技術領域進行合理分配,使得創(chuàng)新資源形成最有效的研發(fā)支持,對中國人工智能產業(yè)的關鍵技術突破以及提升產業(yè)的技術安全具有重要意義。

沒有強大的算力芯片平臺支撐,AI模型的訓練效果將嚴重受限[6],專利信息能夠成為主要載體反映技術特征[7],而專利動態(tài)競爭態(tài)勢則反映國際產業(yè)競爭格局[8]。基于專利信息的技術競爭態(tài)勢研究主要分為外部指標分析和構建評估模型兩種。直接使用指標的方法從專利總體申請授權情況、時間分布、分類領域、專利引證等角度進行技術格局分析[9-11]。另一種基于專利數據庫的技術競爭態(tài)勢研究構建單一或多個評估指標對競爭情報進行建模分析[12-14]。

基于態(tài)勢感知理論的研究主要通過構建態(tài)勢感知框架進行解構,通過構建子系統(tǒng)實現(xiàn)調研與流程分析[15-16]。整合態(tài)勢感知理論構建基于專利信息的技術競爭態(tài)勢研究框架目前仍較為缺乏。本研究基于專利數據庫深度挖掘專利外部指標與網絡結構,將態(tài)勢感知通過主要理論分解為態(tài)勢覺察、態(tài)勢理解與態(tài)勢投射3個方面,構建集成分析框架,對當前人工智能專利芯片的技術競爭態(tài)勢進行量化分析,將專利外部指標與網絡節(jié)點特性解構實現(xiàn)競爭態(tài)勢的全流程感知,以期為技術堵點發(fā)現(xiàn)與加速關鍵核心技術突破提供理論分析框架與數據支撐,進而從技術、市場、監(jiān)管3個層面為促進中國形成國際領先的人工智能算力平臺發(fā)展建設提出政策建議與決策參考。

1 數據來源與研究設計

1.1 數據檢索與整理

采用智慧芽PatSnap專利數據庫作為專利檢索數據,結合EI Compendex數據庫中有關人工智能芯片及算力的關鍵詞表,選取人工智能芯片的相關詞和下位詞,結合當前人工智能芯片主要構架模式與數據庫人工智能主題詞表制定的檢索式為:TA:(artificial Intelligen* OR AI OR brain like OR neural network OR Deep* learning OR graphics process* OR tensor process*) AND (Chip* OR Unit* OR gate array* OR FPGA OR GPU OR ASIC)。檢索范圍為2003年1月至2023年1月近20年專利數據,檢索時間為2023年5月10日。共檢索到相關專利60 325條,去除異常項與殘缺條目共計保留專利數據59 347條。對其當前專利權人國別進行統(tǒng)計,存在專利權人國別共現(xiàn)條目為兩國及以上專利權人合作的專利條目在本文第3節(jié)進行分析。進行國別統(tǒng)計時以專利優(yōu)先權進行計量,其中包含中國專利8 776件,美國專利33 924件,韓國專利6 793件,日本專利3 357件,4國專利占整體專利數量比例超89%,為人工智能芯片技術主要大國,研究主要聚焦4國專利數據庫進行分析。

1.2 研究設計

結合信息學、情報學理論構建關鍵核心技術競爭態(tài)勢感知集成分析框架,對Endsley[17]提出的態(tài)勢感知概念進行解構,結合關鍵核心技術競爭特征并以中國戰(zhàn)略科技力量建設為導向進行研究設計,將態(tài)勢感知分解為態(tài)勢覺察、態(tài)勢理解以及態(tài)勢投射3個方面,分別對應于關鍵核心技術的平行競爭數據分析、網絡模型構建以及技術布局。

核心態(tài)勢感知模型構建首先針對外部要素信息進行覺察,將數據清洗后的本地專利數據庫對象進行精煉,提取專利三維度外部指標,形成專利基礎信息數據庫構建四類別分析以實現(xiàn)國別、企業(yè)和專利類別的要素覺察。其次在態(tài)勢理解模塊進一步挖掘要素信息間的內在聯(lián)系,引入社會網絡分析法進行主題特征的深度比較。之后在態(tài)勢投射部分將技術類別與主題特征進行整合,構建以實現(xiàn)專利熱點趨勢、風險識別、堵點發(fā)現(xiàn)為目標的分析、預測、評估一體化框架,最終實現(xiàn)競爭情報的整體性、全局性的感知。

研究模型面向國家需求最終形成決策層輸出,構建的集成模型通過數據采集、信息處理可以實現(xiàn)對現(xiàn)有數據的充分利用。通過深度挖掘網絡模型數據與多元節(jié)點指標實現(xiàn)態(tài)勢理解,基于競爭態(tài)勢下進行技術投射,實現(xiàn)對未來技術研發(fā)走向的研判和技術布局的定量分析。研究模型構建如圖1所示。

圖1 競爭態(tài)勢感知模型構建

2 技術競爭態(tài)勢覺察與理解

2.1 技術競爭態(tài)勢覺察

在研究技術競爭態(tài)勢覺察的過程中,根據Endsley[17]建立的情境意識(situation awareness, SA)模型首先是對環(huán)境中各成分的感知,以國別優(yōu)勢、熱點專利布局、國際專利分類(International Patent Classification,IPC)的比較為導向。首先通過提取專利基礎信息進一步提取數據庫中對不同國別、不同技術競爭領域專利進行信息覺察。主要針對各國專利技術現(xiàn)狀進行整體統(tǒng)計分析,包括時間趨勢分析、引用被引用分析、專利權人分析與重點領域分析4類,對研究領域技術競爭整體格局與主要國別進行覺察,實現(xiàn)模型的初步感知。

2.1.1 專利授權總體情況分析

通過數據檢索與整理部分建立的專利數據庫中,人工智能算力芯片主要專利授權國家有中美日韓4國。圖2為中美日韓專利授權趨勢圖。

圖2 2003—2022年中美日韓專利授權趨勢圖

根據圖2結合人工智能技術發(fā)展重要時間階段與代表性事件,近20年全球人工智能芯片專利授權量變化大體分為3個階段。第1階段為2013年之前,人工智能專利全球授權數量整體較少,僅美國有少量的專利積累,中央處理器(central processing unit,CPU)、圖形處理器(graphics processing unit,GPU)、可編程陣列邏輯(field-programmable gate array,FPGA)等主要神經網絡芯片構架在美國開始出現(xiàn)并應用形成了相關專利。第2階段為2013—2019年,為全球專利授權量高速增長階段,2013年深度學習與強化學習算法取得了突破,次年Google公司的Alpha GO機器人戰(zhàn)勝了人類圍棋冠軍柯潔,凸顯了深度增強學習算法在處理復雜決策問題上的優(yōu)越性,基于深度學習算法設計的AI芯片受到了學術界與產業(yè)界的極大關注,人工智能芯片專利數量迅速增長并于2019年達到了最高峰。中國在2017年之前仍是4個主要專利國家中授權數量最少的,隨著《新一代人工智能發(fā)展規(guī)劃》等多項指導性政策出臺后中國進入了自身授權專利快速增長與絕對數量積累階段,于2018年超過日韓成為繼美國之后的世界第二大人工智能芯片專利授權國家。第3階段為2019—2022年,全球授權數量逐漸回落至初期穩(wěn)定水平。

在已授權專利中專利的平均引用數量是評估專利影響力的一個重要指標[18]。圖3為中美日韓專利平均引用數量,圖4為中美日韓專利平均被引用數量。

圖3 2003—2022年中美日韓專利平均引用數量

圖4 2003—2022年中美日韓專利平均被引用數量

美國整體專利引用與被引用數量高于其他3國,引用數量趨勢近幾年處于穩(wěn)定狀態(tài),平均為50件左右,被引用數量下降趨勢明顯,與人工智能芯片近年的技術壁壘與國別保護直接相關,相關技術壁壘受到美國設限與技術孤島效應,相關授權專利引用數量逐漸接近零值。

美國專利權人占比也更為集中,主要專利權人占據大量專利,人工智能AI算力芯片呈現(xiàn)出頭部個別企業(yè)的壟斷特征。前10位專利權人中有美國企業(yè)7個,中國日本韓國企業(yè)各1個。整體呈現(xiàn)出美國大企業(yè)壟斷相關專利的格局。圖5為主要專利權人授權專利數量。

圖5 主要專利權人授權專利數量

2.1.2 專利授權重點領域分析

專利分類號IPC作為國際通用的專利分類與檢索工具,每個專利被分配1個或多個IPC分類號,通過IPC分類號的預先設定可以推出專利文獻的主要研究方向與技術主題,當專利包含多個IPC分類號時,其中第一個分類號為其主分類號,作為代表發(fā)明類別信息分類號。針對數據庫中專利主分類號進行國別重點領域分析結果見表1。

表1 4國人工智能算力芯片授權前10位主IPC

中美兩國IPC大類組主要方向基本一致,美國相關專利分類更為集中,IPC大類分類號前10專利占比美國更加集中,占比超過30%,中國專利方向則相對分散,占比為12.8%。

2.2 技術競爭態(tài)勢理解

在動態(tài)競爭環(huán)境下,技術競爭結構不斷演變。根據已經建立的SA模型完成態(tài)勢覺察后進入競爭態(tài)勢理解模塊,以主體特征比較為導向,根據已經提取的專利基礎信息數據庫進行網絡建模分析,采用社會網絡分析法(social network analysis,SNA)針對專利節(jié)點進行網絡屬性及其關系結構的量化分析,分別構建IPC專利方向共現(xiàn)與專利權人共現(xiàn)網絡,建立宏觀總體數據描述與微觀數據結構的關聯(lián)分析,在對整體進行統(tǒng)計分析后進一步實現(xiàn)挖掘專利數據庫中存在的研發(fā)熱點、關鍵專利方向與節(jié)點網絡關系。形成競爭態(tài)勢理解模型,實現(xiàn)主體特征的深度挖掘。

2.2.1 專利IPC共現(xiàn)網絡分析

在專利重點領域分析中使用IPC主分類號代表專利發(fā)明類別方向,一個專利包含多個IPC分類號的情況說明該專利隸屬于多個IPC大類組。通過對構建的專利樣本數據庫進行統(tǒng)計,IPC共現(xiàn)在數據集中較為普遍存在,共53 058件專利存在IPC共現(xiàn),整體占比超89%,中國占比為84.3%,美國為90.5%,日本為80.4%,韓國為93.5%。對其進行社會網絡建模分析可以數據庫中專利IPC節(jié)點關系,其中節(jié)點中心性是對節(jié)點指標的定量描述,在無向網絡中節(jié)點的中心性指標主要有度中心性、介數中心性、接近中心性、特征向量中心性等[19]。使用中心性的最直接刻畫指標點度中心性(degree centrality)對專利IPC網絡進行分析,根據Wasserman和Katherine[20]的研究,一個節(jié)點的度越大就意味著這個節(jié)點越重要。N節(jié)點無向網絡中節(jié)點的度定義為與節(jié)點直接相連的邊的數目絕對點度中心度計算公式為

(1)

式中:DCi為節(jié)點的點度中心度;kij為節(jié)點與處自身外節(jié)點的聯(lián)系數量。其數值表示節(jié)點i與網絡中其他節(jié)點的聯(lián)系數量,值越大表示節(jié)點在網絡中與其他節(jié)點的聯(lián)系越密切,其重要性越高。圖6為中國專利IPC共現(xiàn)網絡,圖7為美國IPC共現(xiàn)網絡,表2為中美日韓4國IPC網絡點度中心度前10節(jié)點。

表2 4國IPC網絡點度中心度前10節(jié)點

圖6 中國專利IPC共現(xiàn)網絡圖

圖7 美國專利IPC共現(xiàn)網絡

結合圖6、圖7對比表1、表2,美國專利絕對數量更多,節(jié)點網絡更加密集,在相同權重下核心節(jié)點數量更多,由圖6、圖7可見,兩國均以G06K、G06N、G06F為主要核心節(jié)點,中國H04L、H04N、H04W類專利共現(xiàn)緊密,美國此類專利穿插出現(xiàn)在G06專利周圍呈現(xiàn)緊密的共現(xiàn)鏈接關系。IPC授權數量與點度中心度并無直接關聯(lián)關系,授權量并不能直接體現(xiàn)其IPC分類方向在專利網絡中的重要性。中美韓授權量第1位的G06K9/00專利IPC,為圖形讀取或機械參數識別的方法或裝置,在日本授權量中為第6,其共現(xiàn)網絡中占據中心度節(jié)點最大值,中國G類專利為主要節(jié)點,美國H類專利占據最主要節(jié)點,其中H04L29/06為以協(xié)議為特征的數字信息的傳輸設備,H04L29/08為傳輸控制規(guī)程與數據鏈級控制規(guī)程,該類專利整體授權量不高但共現(xiàn)核心節(jié)點作用明顯。中美日韓4國在專利共現(xiàn)網絡高中心度IPC方向存在差異,美國韓國在H04L類專利,數據通信傳輸與基站的無線鏈路的設備具有技術優(yōu)勢。

2.2.2 專利權人共現(xiàn)網絡分析

專利權人共現(xiàn)是一件專利出現(xiàn)兩個及以上專利權人的情況。專利權人的共現(xiàn)可以視作合著專利,對其進行分析能夠反映不同專利權人之間的合作關系。由于專利權個人重名和合作網絡的精確性問題,研究分析企業(yè)專利權人共現(xiàn)情況,對構建的數據庫進行樣本清洗得到圖8～圖11,分別為中國、美國、日本、韓國人工智能算力芯片專利權人共現(xiàn)網絡。

圖8 中國人工智能算力芯片專利權人共現(xiàn)網絡

圖9 美國人工智能算力芯片專利權人共現(xiàn)網絡

圖10 日本人工智能算力芯片專利權人共現(xiàn)網絡

圖11 韓國人工智能算力芯片專利權人共現(xiàn)網絡

由圖8～圖11可知,人工智能算力芯片專利在4個主要專利授權國家中合作并不常見,絕大多數為本國企業(yè)與其他科研機構的合作,大規(guī)模、高強度的跨國合作數量極少,這不僅與專利權天然的壟斷性、排他性以及自身保護性有關,也與人工智能算力芯片的競爭態(tài)勢有直接關系。主要專利國家在優(yōu)勢專利方向上占據形成壟斷。美國呈現(xiàn)出科技獨角獸公司占據專利絕對數量與合作主體地位,日本合著專利多為企業(yè)內部合作并且存在少量與美國合作專利。韓國呈現(xiàn)出三星電子的寡頭壟斷情況,其在專利絕對數量、合作主體節(jié)點和國際合著中成為網絡最核心節(jié)點。中國在專利權人共現(xiàn)網絡中呈現(xiàn)出多主體協(xié)作態(tài)勢,未出現(xiàn)個別節(jié)點壟斷地位,專利絕對數量同樣呈現(xiàn)不同主體相對平均分布格局。

3 技術競爭態(tài)勢投射

通過競爭信息的覺察與理解,技術競爭態(tài)勢感知SA模型進入第3階段技術投射模塊,對技術未來競爭態(tài)勢變化與技術方向的研判并生成有價值的結論投射至決策層加以利用。通過前期模型整合分析、評估與預測,構建一體化動態(tài)模型實現(xiàn)數據支撐下的科學決策。

投射模塊中分別實現(xiàn)了專利趨勢預測、風險識別與堵點發(fā)現(xiàn)3部分內容。其中趨勢預測針對專利主題技術領域未來研究走向進行預測,分析國際國內未來研發(fā)趨勢,預測其他國家科技發(fā)展、重點研究方向;風險識別部分對專利網絡中的風險節(jié)點進行評估與分析,挖掘網絡風險專利點;技術堵點發(fā)現(xiàn)部分結合國際競爭格局下的受限技術,識別中國在相關專利布局中的關鍵核心技術堵點。研究整體為中國科研機構、管理部門提供數據情報支撐,為優(yōu)化專利布局提升技術競爭力提供決策參考。

3.1 研究結論

從人工智能芯片專利全局信息出發(fā)分析世界主要技術國別競爭態(tài)勢,從總體申請授權情況、重點IPC領域、IPC與專利權人共現(xiàn)分析等構建專利競爭態(tài)勢覺察與競爭態(tài)勢理解模塊。已有研究往往基于技術競爭態(tài)勢分析進行對比與技術定位,缺乏態(tài)勢感知的全局化與模塊化分析構架,關于相關產業(yè)的研究更多集中于政策與產業(yè)鏈分析,并未充分引入技術競爭格局、關鍵核心技術攻關和技術堵點識別等現(xiàn)實問題。

將技術競爭態(tài)勢分析通過Endsley的態(tài)勢感知思想進行解構,將不同階段的競爭態(tài)勢分析拆解為覺察、理解與投射模塊,實現(xiàn)投射模塊的趨勢預測、風險識別與技術堵點發(fā)現(xiàn),得到如下結論。

在趨勢預測部分,人工智能芯片專利授權數量在2022年相對低點之后可能進入底部拐點,中美日韓等世界主要國家相關專利授權量可能逐步增加,與2013年深度學習與強化學習算法取得了突破至2019年授權數量達到高點相似。2023年生成式人工智能技術的突破使人工智能芯片專利的申請授權量再次進入上升周期。美日韓主要專利權人壟斷情況將持續(xù),技術競爭格局將進一步加劇專利的排他性與壟斷性。中國在控制壟斷中有相對的優(yōu)勢,更有學科交叉融合、聯(lián)合多元主體進行協(xié)同研發(fā)與攻關的趨勢。

在風險識別部分,中國企業(yè)整體專利授權數量與頭部主體占比仍與美國有較大差距,共現(xiàn)網絡圖相較美國密度較低,多學科類別交叉專利數量不足,主要風險在于IPC方向為H04L類關鍵核心技術領域的專利研究存在缺失,且為在共現(xiàn)網絡中占據高中心度的主要節(jié)點位置。

在技術堵點發(fā)現(xiàn)部分,美國在H04L29/06、H04L29/08:協(xié)議特征數字信息傳輸及傳輸規(guī)程中有較多交叉學科類別的專利,在G06N5/04:基于特定計算模型的計算機系統(tǒng)推理方法或設備中有專利絕對數量與技術交叉共現(xiàn)優(yōu)勢。韓國在G10L15/22:語音識別、人機對話過程中使用的程序中有專利優(yōu)勢。日本在G06K9/00:語音、圖像或視頻識別模式的方法或裝置中有技術交叉共現(xiàn)優(yōu)勢。結合生成式人工智能技術特點與技術發(fā)展趨勢,中國在此類專利方向上沒有絕對的專利數量優(yōu)勢與技術交叉專利,在技術競爭格局下可能成為未來的技術發(fā)展瓶頸,形成關鍵核心技術堵點,影響人工智能芯片技術整體的發(fā)展速度。

3.2 政策建議

根據以上研究結論,從中國現(xiàn)有優(yōu)勢出發(fā),借鑒美國人工智能產業(yè)發(fā)展經驗,在技術、市場、標準與監(jiān)管3方面盡快整合資源,形成競爭優(yōu)勢。在當前的技術機遇期加快人工智能算力的發(fā)展建設,構建國際領先的人算力平臺。為制定實施符合中國國情的人工智能算力平臺產業(yè)發(fā)展戰(zhàn)略提出以下對策建議。

充分發(fā)揮社會主義市場經濟條件下的新型舉國體制優(yōu)勢,集中優(yōu)勢突破關鍵核心技術。發(fā)揮中國應用端龐大市場的需求側牽引作用,構建好自主的平臺生態(tài)。行業(yè)龍頭企業(yè)加大投入,聯(lián)合高?？蒲性核葍?yōu)勢力量協(xié)同攻關,提前布局前沿技術領域,形成專利后主動占位,穩(wěn)步構建在人工智能芯片顛覆性技術中的優(yōu)勢,引領技術革命的出現(xiàn)[21]。在技術機遇期推動突破人工智能算力平臺關鍵核心技術,實現(xiàn)該領域核心技術的突破式發(fā)展。

人工智能領域是涉及更廣、影響更大的復雜系統(tǒng)工程,涉及多學科及其交叉融合,如芯片、操作系統(tǒng)等軟硬件系統(tǒng),復雜的開源平臺、海量數據資源和標準體系建設,技術與經濟社會各行業(yè)應用的互動等,應充分發(fā)揮新型舉國體制建設優(yōu)勢引導形成數據可控開源、基礎層技術自主可控、政策監(jiān)督管理體系領先、具有國際市場競爭力的國家級人工智能算力開源平臺。

隨著人工智能發(fā)展引起科學界的普遍擔憂,中國國家網信辦發(fā)布了生成式人工智能服務管理辦法,針對人工智能可能帶來的安全風險,包括技術偽造、人工智能偽造信息等,中國應加快構建更加包容審慎的國內監(jiān)管體系,同時也需要力爭在相關國際規(guī)則制定中掌握更大話語權,引導推動國際技術標準制定。