自1956年在美国召开达特茅斯会议起,人工智能(Artificial Intelligence,简称AI)技术历经了专家系统技术、日本第五代计算机项目和神经网络技术等发展阶段,相关产业经历了两次重大起伏。这一境况直至2006年杰弗里·辛顿在《Science》上发表深度学习的相关学术论文后才得以改善[1],AI产业又一次进入快速发展期。AI技术高速发展正推动着生产力、生产关系、生产技术、商业模式和服务模式发生深刻变革,为几乎所有行业变革提供了颠覆性力量,是第四次工业革命的核心驱动力之一[2-3],引起世界各国对AI产业发展的高度重视。
随着2017年我国《新一代人工智能发展规划》、《促进新一代人工智能产业发展三年行动计划(2018-2020年)》等一系列国家级政策规划出台,人工智能产业发展已上升到国家战略层面。李德毅院士指出,人类社会已进入基于动力工具发展智力工具的新阶段,劳动工具向基于数据、信息、知识、价值和智能的智力工具转变,我国人工智能产业正迎来快速发展期。
当前,在技术层面,图像识别、语音识别和自然语言处理等AI技术处于“并跑”阶段。人工智能芯片和基础机器学习算法等产业共性技术在原料加工、设计工具、制造工艺、市场规模和应用生态等方面与美国差距较大。以芯片、操作系统为代表的底层共性关键技术没有取得实质性突破,依然被欧美发达国家钳制,严重阻碍我国信息技术和智能制造等战略性新兴产业发展,甚至存在潜在的国家网络安全风险。在市场层面,我国企业多从应用层布局AI产业,机器视觉等相关细分行业市场需求量大。高端芯片产品主要依靠进口,用户对自主芯片产品认知度不够、市场推广阻力较大。在技术转化层面,AI发明专利和学术论文在总量上已跃居世界前列,但科技成果转化率远低于发达国家[4]。人工智能与制造业融合还处于应用探索阶段,在数据感知、流程管控和敏捷决策等方面距智能制造还存在较大提升空间[5]。综上所述,我国AI产业在技术体系、产业布局和创新能力等方面存在差异,整体发展处于“跟跑”阶段,表明我国AI产业技术创新系统仍有待完善。因此,本文从驱动力、资源供给、协同模式3个维度剖析我国AI产业技术创新系统运行机制,提出发展对策,旨在为优化AI产业技术创新生态,推动产业技术创新系统向更高层次演化提供借鉴。
1997年Breschi & Malerba[6]首次提出产业创新系统的概念,即基于特定知识库和技术,通过大量市场和非市场相互作用,推动特定产品不断研发创新、生产和销售[7]。AI技术具有鲜明的多学科融合特点,AI产业属于高度知识密集型产业,技术创新是我国AI产业发展的基础。
目前,国内外学者们对产业技术创新系统的研究可分为宏观视角和微观视角两类。宏观层面,张治河[8]指出产业创新技术系统是产业创新系统的核心,该系统通过优化研发、评价、引进和扩散等技术链环节,为相关产业提供高效的技术供给;汪志波[9]指出产业技术创新系统是服务产业发展、重大技术攻关和人才培养的重要载体。系统以产业关键和共性技术突破为目标,以推进技术创新与重大需求联结为主线,实施技术链上下游主体深度合作、实现内外部创新资源整合。微观层面, Jason[10]指出企业必须广泛探索外部技术资源,增加内部技术资源多样性,激发内部研发活力,从而实现企业研发资源的更新与配置;Huang等[11]利用产业技术创新系统模型分析得出,政策因素、技术转移和庞大的欧洲市场是中国光伏产业崛起的关键因素;Hellsmark等[12]分析了瑞典生物炼制产业技术创新系统,从政策布局、机构协同和激励机制等方面提出弥补系统发展不足的对策;Ronald等[13]就资源配置策略如何影响创新项目组合展开研究,发现资源配置策略选择、不良项目发现均会对创新绩效产生较大影响。国内学者李进兵[14]以高铁和新能源汽车为例,指出我国各战略性新兴产业创新系统在演化阶段和驱动力方面均存在差异;朱巍等[15]详细分析了我国人工智能产业发展现状,提出了相关发展对策;罗兴婷等[16]基于海洋新能源产业地域属性、技术水平和产业链发展现状等产业固有属性,构建我国海洋新能源产业技术创新体系;毕克新等[17]认为我国制造业绿色创新系统包括初创、形成与成长、成熟与转移3个演化阶段,每个演化阶段的驱动机制和制约机制均存在差异;刘兰剑等[18]围绕财政补贴退出后新能源汽车产业创新问题,对创新系统内部自行驱动机制进行了仿真分析。
上述宏观研究成果为研究AI产业技术创新系统提供了总体框架,尤其是在技术创新系统运行机制构建方面,如文献[8]、[9]均聚焦于技术创新系统运行动力及方向、创新资源保障和创新主体协同合作等3个维度。微观研究成果主要是针对制造业、新能源和生物炼制等产业,对产业技术创新系统的关注点存在差异,但归纳后发现(如表1所示),热门议题依然是产业技术创新系统的驱动力、资源保障和协同合作方式等。AI产业与制造业、新能源和生物等产业都属于战略性新兴产业,技术创新系统运行机理存在一定相似性。因此,本文从驱动力、创新资源供给、合作模式等3个维度对AI产业技术创新系统运行机制进行剖析。
表1 典型微观研究成果研究关注点及归纳
产业名称关注点涉及的运行机制文献编号光伏政策因素、技术转移、市场因素驱动力、创新资源[11]生物炼制政策布局、机构协同和激励机制创新资源、合作模式[12]高铁创新系统演化阶段与驱动力驱动力[14]制造业创新系统演化动力与制约机制驱动力[17]新能源汽车创新系统演化阶段与驱动力、补贴退出后的技术创新驱动力、创新资源[14]、[18]海洋新能源市场导向机制、利益机制、动力机制、资金流入机制、协调机制驱动力、创新资源、合作模式[16]
相关产业技术创新系统发展经验对AI产业发展具有一定借鉴意义,但已有研究成果对AI产业的适用性不强。因此,首先,需要针对AI产业发展不均衡、技术基础未实现自主可控、市场需求分布不均等现实问题,揭示系统运行的机制缺陷,提供贴近AI产业特征的解决方案;其次, AI产业各技术创新子系统之间既存在紧密的技术关联,在发展阶段定位和创新驱动力方面又存在较大差异,需要依据产业链层次对系统运行机制作细粒度分析。本文依据产业发展现状,从中美AI产业发展差异、AI细分行业发展差异和技术关联发展等方面,借鉴已有成果研究思路,剖析AI产业技术创新系统运行机制,并提出相应的优化对策。研究成果将对我国迅速实现AI产业共性关键技术单点突破,逐步全面掌握自主可控AI技术体系,具有十分重要的理论和实践意义。
2.1 AI产业技术创新系统特点与内涵
人工智能是新一轮产业变革的核心驱动力,人工智能技术发展为装备制造、投资金融、商业服务和能源管理等行业智能化提供了有力的技术支撑,是我国重点发展的战略性新兴产业。人工智能产业具有显著的演化自组织性、创新不确定性、创新主体共生性、多产业融合性等特性。
(1)系统演化自组织性。AI产业技术创新系统是一个开放系统,技术、人才、数据和资金等创新资源在产业内外流动,创新资源优化配置是技术、产品和服务创新的前提。以深度学习为代表的AI技术发展迅速,国内外大型IT企业纷纷布局AI产业,国内AI创业企业不断涌现,导致技术水平、产业政策和市场需求等创新系统序参量远离平衡态。AI技术进步、产业政策调整以及其它产业用户对AI技术认知度变化,均会影响上述序参量,进而AI产业技术创新系统到达新的平衡态,使系统平衡态从低层次向高层次转变[14]。因此,AI产业技术创新系统演化呈现自组织特征。
(2)创新过程不确定性。AI产业技术创新过程面临的不确定性是多方面的。首先,AI技术发展方向尚不完全明确,目前AI芯片研发还存在CPU、GPU、FPGA和ASIC等多个技术方向,深度学习和其它机器学习算法并存,各领域AI应用方案多样化,通用人工智能技术尚处于探索阶段,AI产业整体处于创新准备向创新学习演化阶段[14];其次,虽然我国在AI术语和少数技术领域已具备标准化基础,但存在跨领域新概念达成共识难、行业标准协调难度大等问题。支撑行业发展的共性、关键性、安全性标准仍需进一步建设和完善[15];最后,由于AI产业技术发展较快,技术转化不充分,产品功能和体验度都需要不断迭代提升,制造业用户对AI技术多持观望态度。加之,用户对技术的认知程度不够,对AI技术的期望值变化较快且无法全面把握,这也是造成AI产业市场不确定性的原因。
(3)创新主体共生性。AI产业技术创新主体包括领军企业、中小企业、高等院校和科研院所,它们通过项目立项,组建联合研究中心、经济实体和产业技术创新联盟等多种方式实现协同创新。利用共生理论进行分析,上述创新主体的质参量情况如表2所示。
表2 各类共生单元主要质参量
共生单元投入质参量产出质参量领军企业科技人才、资金、劳动力共性和应用技术、产值、科技人才、标准数据集中小企业科技人才、资金、劳动力应用技术、产值高等院校科技人才、资金理论知识、应用技术、科技人才、标准数据集科研院所科技人才、资金基础技术、应用技术、科技人才
在表2中,各类创新主体投入与产出相互影响,具有显著的质参量双向兼容性,表现出典型的共生特点[19]。AI技术创新参与者和用户是创新系统的共生单元,各类合作方式则构成了创新系统的共生界面,系统发展目标是创造更多共生能量,即产出增加和技术进步。
(4)多学科、产业融合性。人工智能技术创新不仅仅是机器学习算法、大数据智能处理、云计算和传感器等信息类技术融合发展的产物,还与应用领域息息相关[20]。例如,智慧医疗来源于医学、生命科学与自然语言理解和影像识别等智能技术的融合;智慧城市技术创新则不能缺少交通类、规划类和气象类等专家知识。AI技术创新是各学科、各产业互动的结果,创新活动成败与产业融合程度密切相关。
对AI技术创新系统特点进行分析,将AI产业技术创新系统定义为:以突破产业共性与关键技术为目标,通过优化配置产业间和国内外各类技术创新资源,构建人工智能基础理论和关键共性技术体系,提升人工智能技术研发和产业融合能力,培养和聚集人工智能高端人才,促进政产学研用等参与主体协同互动,为我国人工智能产业发展提供持续创新动力的产业网络关系系统。
2.2 AI产业技术创新系统基本框架分析
AI产业链大体可分为硬件级、系统级和应用级3个层次。我国AI产业主要聚焦于图像识别、自然语言处理和语音识别等技术研发及其在相关行业的应用。目前,仅有华为、百度、阿里巴巴和中科院计算所等领军企业和少数顶尖科研院所在开展硬件级和系统级研发工作。高等院校则更为关注、偏重于算法和技术应用研究。系统整体框架如图1所示。
AI产业链特征决定了AI产业技术创新系统由3个子系统构成,应用领域也按应用级技术创新子系统进行了更细粒度的划分。较之制造业、能源行业等传统产业,AI产业技术创新系统各层次子系统之间存在明显的技术依赖特征,下层技术创新子系统为上层子系统提供技术支持,决定着应用技术方案的选择,反之上层创新主体的技术选择也会影响下层技术发展。同时,除常见的技术、人才和资金流动等互动关系外,应用层子系统与应用领域技术创新系统之间存在数据和领域知识依赖特征,即领域大数据是深度学习、机器学习建模的基础,专家知识是AI技术领域落地的重要技术指导,而相关领域智能化技术创新也丰富了认知和收集领域大数据、更新专家知识的技术手段。
图1 AI产业技术创新系统基本框架
创新主体中,领军企业处于AI产业技术创新的核心地位,凭借强大的技术、人才、数据和资金优势主导AI产业技术链发展方向。尤其是我国领军企业肩负着产业共性与关键技术、软硬件核心系统研发,提升自主创新能力的重任。中小企业主要通过引进共性技术和参与开源技术创新,以垂直领域为突破口,推动人工智能应用技术创新,多采用逆向技术创新模式[21]。高等院校则更倾向于基础理论研究,充当AI领域知识、应用技术和工程技术人才提供者的角色。科研院所以国家和市场需求为导向,致力于产业共性和应用性技术研发,其技术成果更契合产业发展要求,科技成果转化效率比高等院校更高。
AI产业技术创新的参与者还包括政府和中介机构。政府在AI产业中起着引导、协调和支持作用,表现形式包括主导前沿战略性技术研发方向以及营造良好的技术创新外部环境。中介机构为创新主体、用户提供沟通、咨询和金融支持服务。通过文献整理发现,学术界普遍认为政策、金融、市场和技术等外部环境对战略性新兴产业技术创新具有显著影响[8,9,16,17],依据AI技术特点,计算、数据和网络等科技基础设施环境也是AI技术创新的前提和物质保障。
技术创新系统框架分析是从静态视角剖析AI技术创新的主要参与主体、资源和环境等创新要素及各自作用,无法诠释创新要素之间存在的技术竞争、市场反馈、资源流动和协同合作等复杂非线性交互关系,这些关系随创新实力、创新环境和技术发展阶段而不断变化。
AI技术创新系统运行机制研究是对复杂非线性交互过程的分析归纳,其中聚焦于技术创新动力来源、创新资源基础和创新活动组织等关键问题,依次由驱动力、资源供给、协同合作等机制决定。3个机制相互配合,将保障交互过程的有序和高效进行,促使参与主体之间最终达成互惠共生,在技术创新过程中产生叠加非线性效应和协同增值效应,AI产业技术创新系统运行机制如图2所示。
3.1 驱动力机制
驱动力机制决定了技术创新系统运行的动力,回答了AI技术创新动机问题,可分为内在动力和外在动力。
3.1.1 内在动力
首先,企业创新主体为了保持甚至提升市场收益、核心竞争力,主动开展自主创新。当前,AI企业技术创新模式包括外溢式、定制式和供应式三大类。具有强大实力的AI企业通常选择外溢式技术创新,通过自主共性关键技术研发,维持其在AI市场的技术领先地位、实现垄断收益,其技术成果的扩散效应也进一步带动AI产业中小企业发展。中小企业更多会选择与高校院所合作或技术引进等模式实现应用技术创新。其次,加强AI技术协同创新是我国实施创新驱动发展战略和建设自主可控AI技术体系的客观需要。作为战略性新兴产业,领军企业与AI领域一流高校及科研院所通过创新资源整合,共同致力于突破产业共性关键技术、拓展产业空间。2017年10月,由我国政府主导的中国人工智能产业发展联盟在北京成立。再次,企业为了降低成本和市场竞争不确定性,也会选择同其它创新主体合作,借助合作伙伴的优质创新资源,实现企业收益最大化和风险最小化目标。例如,国内无人机企业大疆公司与西安电子科技大学、京东与南京大学在人工智能领域共建研究院。
除企业内在创新动力之外,科技人员的科学探索精神也是AI技术发展的重要内在动力。神经网络技术能够两次从技术发展低潮复兴,离不开20世纪80年代霍普菲尔德发明Hopfield神经网络、本世纪初辛顿推动深度学习技术实用化,以及吴恩达对AI技术教育的极力推广。这些事实体现了国外学者们在市场不看好、创新资源有限情况下对AI技术创新的执着追求,这是我国学术界和产业界需要重视的。
图2 AI产业技术创新系统运行机制
3.1.2 外在动力
市场驱动力方面,随着国际AI企业进军国内市场,AI市场竞争日趋激烈,促使国内AI企业必须通过技术创新抢占市场。同时,技术创新方向通常来源于市场需求,各行业日益增长的智能化需求,也激发了AI企业研发新技术、生产新产品的动力。当前,我国AI产业市场需求非常庞大。2017年中国AI核心产业规模超过700亿元人民币(下同),预计到2020年,核心产业规模将超过1 600亿元,增长率达到26.2%。其中,市场需求更倾向于应用技术,主要需求领域包括视觉识别、语音识别、自然语言处理、智能驾驶和服务类机器人等。国内客户更倾向于选择英特尔、英伟达、谷歌等国际领军企业的芯片和系统软件,国内顶尖智能芯片企业寒武纪、地平线和华夏芯的市场份额都较小,部分集成自主人工智能IP的芯片还未量产,有待市场检验,不利于智能芯片技术发展。
政策驱动层面,发展AI产业成为我国的国家战略。为落实《新一代人工智能发展规划》,各级政府纷纷出台AI产业发展相关规划,促使我国迎来AI产业发展热潮。但是,AI产业链各环节发展状态存在较大差异,决定了对AI分行业创新政策还需进一步细化,更需要与应用领域对接。当前,区域AI产业发展规划普遍存在政策同质化、布局雷同化、缺乏地区产业特色等现象,各地AI产业园建设过程中,园区空心化、盲目跟风投资、缺乏项目引进筛选机制等问题也逐渐显现。
技术驱动方面,人工智能技术发展的基础是云计算、大数据、移动互联网和传感器网络,AI技术创新具有多学科及产业融合性。需要同步推动基础和应用领域的创新,并将先进科技成果融入AI技术创新,保证AI产业技术创新系统获得更多的基础理论、感知方法和计算能力支持,使技术创新方向趋于明晰。
3.2 资源供给机制
有形资源供给方面,人工智能产业发展需要高水平、宽视野的人才队伍,需要充足的资金链保障。首先,人才是创新活动开展、创新资源运用的主体。AI产业与其它产业在人才供给主体方面存在差异,即领军企业不仅是管理、营销和技能型人才的主要来源,更是研发人才的主要提供者。例如,百度、谷歌和微软研究院的研究人员具备极强的研发能力和广阔的学术视野,有助于加速技术创新进程。他们对国内AI市场需求的掌握程度和解析能力也远高于高校和科研院所研究人员,是AI产业战略科学家的重要人选。其次, AI产业资金需求量大,尤其是芯片行业,高投入、高风险和慢回报的行业特征,需要政府投入大量资金支持芯片研发设计和生产制造等AI产业底层共性关键技术创新。
无形资源供给包括产业服务、政策支持、科技和数据资源。首先,产业服务包括科技成果转化服务、产业信息服务和金融服务等。构建高效的科技成果转化服务平台有助于加速高校和科研院所技术转化,提高科研人员创新收益,激励他们开展新一轮技术创新活动。产业信息服务以提高创新资源利用率为目标,提供多种合作方式,促进创新资源跨行业、跨区域共享。金融服务旨在搭建金融行业与AI企业之间的双向互动和交流平台。充分运用大数据等新技术,提升金融投资风险识别率,降低企业融资成本,增加科技创新资金投入。其次,政府通过产业政策引导、行业法律及标准规范,弥补AI产业结构短板,管控资源利用和技术评价等过程,降低AI技术创新的不确定性和防范各类风险发生,保障AI产业可持续发展。再次,数据和技术都是AI企业的无形资源。数据向知识转化离不开各类机器学习算法,数据体量和质量决定各类AI算法改进和产品转化的优劣,创新主体需要重视数据和技术的积累。在积累不足时,企业多采用购买、开源和协同合作等方式弥补技术和数据短板。购买模式优势在于资源质量有保障,开源模式优势在降低研发成本,协同合作是二者折中。目前,AI产业技术创新系统的资源供给机制存在如下问题:
(1)人才供给障碍——AI人才在数量、行业经验等方面都与美国存在较大差距。美国AI硬件从业人数是我国的13.8倍,系统级软件行业从业人数是我国的2.26倍。美国七成以上的AI人才从业10年以上,我国则不到四成,从业经验和技术积淀存在差距。我国AI人才培养历史短、学科设置不系统、同质化严重,毕业生创新能力不足。AI产业战略科学家群体明显不足,不利于从宏观视角把握AI学科全面发展脉络、预见技术发展制高点、指引AI共性关键技术突破。同时,AI先进技术落地需要既熟悉人工智能和应用领域技术又具备商业模式创新能力的复合型领军人才,当前这类人才相对紧缺。因此,政府要从国家战略高度出发,建立完善战略科学家和领军人才引进、选拔、培养和使用制度。
(2)数据供给障碍——大数据资源发掘思路、开放程度、利用标准有待完善。首先,重数量轻用途的数据采集方案、完全照搬互联网大数据建模思路,都会阻碍制造业向智能化变革[22,23],导致数据无用化、分析结果低效化。目标数据选择、采集方法优化、数据表示形式转换等数据资源获取问题至关重要。其次,数据资源流通渠道存在较多人为和技术层面的障碍,孤岛效应明显。最后,数据质量参差不齐、数据隐匿、信息泄露,对数据流通双方都会造成很大的损害,影响数据资源供应机制运行效用。因此,需要尽快制定数据质量、共享、交易方面的法规和标准,明确数据评价体系、产权、使用权等关键问题。
3.3 合作机制
创新主体即共生单元之间的合作效果对于技术创新系统具有重要意义。合作机制的3个关键环节包括:①对象评价机制。创新主体通过自身关系网络发现拟合作伙伴,基于信誉体系评价信任等级,同时由AI专利库和专家意见评价技术风险,进而确定合作伙伴,开展人员、技术、数据和资本合作;②模式选择。创新主体之间始于单点式、项目式合作,通过多次协同磨合才能形成长期的共建或联盟式合作模式。实力较强的创新主体倾向于采取长期共建合作方式,实力较弱的创新主体倾向于针对特定技术难题开展技术引进、联合攻关等单点式合作;③过程激励。知识、技术和数据产权保护制度是利益分配的前提,有利于保护创新主体创新收益、提升其技术创新积极性。信誉机制对创新主体尤其是企业的研发能力、资本实力和产品信誉进行动态评估,惩戒失信合作者,保护信任合作的有效性。政府和服务机构应主导建立“互联网+创新资质评级”、“互联网+信誉评价模式”,“互联网+产权保护”等模式,培养互惠互利的长期协作关系,营造诚信合作氛围,为AI产业技术合作打造良好的制度和文化环境。但在合作机制中,我国人工智能产业发展需要关注2个问题:
(1)丰富合作模式——收购AI创业企业将成为重要的合作模式。领军企业依据企业发展战略和AI技术发展趋势,选择市场上具有发展潜力的创业企业实施收购。这些收购目标企业具有2个特质:①在技术、产品和商业模式等方面开展颠覆性创新;②聚焦产业共性关键技术研发。通过创业企业收购,领军企业补齐了技术短板,开拓了新市场,聚拢了顶尖技术人才。创新企业收购具有引领示范作用,高额的回报将激励更多各类AI技术人才投入到创新创业大潮中。据CBInsights统计,2012—2017年,全球共计215家AI创业公司被收购。其中,2017年以来,由欧美领军企业主导,AI领域收购大战持续升温,仅第一季度就有34家AI创业企业被收购。目前,我国AI产业创业企业并购市场活跃度不高,以智能芯片行业为例,2015年以来的并购案仅有5例。因此,AI产业界和学术界应对创业企业收购这一模式给予足够的关注。
(2)优化第三方数据评价机制有助于技术创新合作的开展。大数据是AI技术建模的基础,因此数据评价应在合作对象评价中占较大比重。数据增速较快、种类繁多、价值密度低,隐含属性随应用行业认知深入才能逐渐明确。相较人才、技术和资金评价,企业大多缺乏数据评级机制,因而需要第三方机构综合多学科专家建议、行业标准,对数据采集、整理方案进行甄别,对已有数据源质量进行评估,尽量避免因数据选择不合理造成大数据分析出现“垃圾进垃圾出”的现象。
4.1 破解产业链发展不均衡问题——实现产业共性与关键技术自主创新 2018年5月,习近平总书记在两院院士大会指出我国要努力实现关键核心技术自主可控,把创新主动权、发展主动权牢牢掌握在自己手中。我国AI产业行业应用级技术创新能力强,硬件级、系统级自主创新能力较弱,政府机构需要结合我国AI产业发展现状和发达国家AI产业发展进程,对我国AI产业现有技术成熟度、技术间关联关系、技术发展趋势进行科学分析,明确推进硬件级、系统级AI技术创新的关键环节。围绕AI技术链上的关键理论和技术问题,组建由国内领军企业和中科院计算所、自动化所等AI技术顶尖研究所主导,国内一流科研院所、高校组成的AI共性关键技术研发国家队,通过政策引导、财政补贴和国家科技计划等方式进行专项支持。
在需求驱动层面,当前国内市场大多采用Intel、Google、Nvidia和高通等美国领军企业的硬件级、系统级产品,这不利于我国人工智能产业硬件级、系统级自主创新技术的市场推广。我国政府应设计和实施科学的政府采购政策,以激发企业创新,降低其初创风险。
在政策驱动层面,异质性科技资源以“大杂烩”形式跨界融合,不但难以推动技术创新系统发展,还会增加市场交易成本和政府管理成本。各地政府应深入研判AI产业空间集聚发展的影响因素,结合本区域传统产业尤其是制造业特点,引导人才、技术、数据和资金等资源进入富有区域特色的人工智能产业分领域,实现区域产业群发展的目的性、互补性和稳定性。
4.2 破解人才供给障碍——加强科技人才培养的科学性和人才交流的灵活性 国内人工智能学科优势高校和科研院所应着力推动人工智能一级学科建设,完善构建人工智能创新教育体系。人才培养方案制定应与AI产业发展现实需求相结合,力促学生掌握的研发技术和理念与产业发展趋势有一定契合度,通过设置合理的实践环节,提升学生工程能力和技术积淀。培养策略坚持差异化,兼顾专业技术人才和产业战略科技人才培养,针对后者应逐步完善跨国际、跨机构、跨学科培养机制,培养过程重视科学探索精神塑造和“双创”文化营造。
借鉴美国高校在高端人工智能人才交流方面的经验,推动人员互聘制度发展,鼓励高校教授和企业技术人才以担任企业战略科学家、高校学科带头人等方式到企业和高校短期任职,拓宽企业、研究所和高校间人才交流路径,提高人才引进、使用方式的灵活性。在人才流动过程中,完善知识产权政策,明确科技成果转移中的产权界定和利益分配。
4.3 破解数据供给障碍——构建面向人工智能的公共数据资源平台 行业大数据是AI产业特有的重要创新资源,公共数据资源平台是AI产业技术创新系统共生界面的重要组成部分,平台将数据资源收集、整理、评估、存储、发布、交易、监督等流程有机衔接,瞄准现实问题为技术研发提供可靠的实验数据来源。由于数据平台具有公益性特点,平台建设、运营应由政府或产业联盟主导。公共数据资源平台建设应满足以下要求:①有效性。平台主导机构加大投入,随AI技术发展不断扩充和更新数据资源;②有序性。平台采用数据水印、数据染色等技术手段全程监督数据使用环节,防止数据隐私泄露、内容篡改和完整性破坏等恶意行为。政府需要加强对数据属性的认知,不断完善与大数据使用相关的法律法规;③便捷性。平台需要按照AI产业分类对数据进行科学编目,以更好地提供数据查询、数据采集方案知识库和专家诊断咨询等服务功能。
4.4 破解人工智能与制造业融合阻碍——构筑互惠共生的产业融合创新生态系统 在两院院士大会上,习近平总书记指出人工智能要同实体经济尤其是制造业深度融合。在融合过程中,需要重点考虑融合切入点和融合模式两个问题。
针对融合切入点选择,我国制造业主要包括离散化制造和连续性制造两类企业[24]。离散化制造企业主要进行小批量、多品种、高价值产品的定制化生产,主要基于用户视角进行产品改进和创新。因此,对于这类企业,其人工智能技术创新的切入点应偏重服务创新、生产组织创新和产品创新。连续型制造企业转型目标是实现生产过程、质量风险和成本风险透明化,即将产品质量、生产工艺和设备状态参数三者结合,实现生产设备对其生产环节、任务和自身状态的感知、预测和调节。因此,连续型制造业迈向智能化的落脚点应偏重工艺创新。
基于共生理论,企业间的融合创新模式就是共生模式,核心企业在创新系统发展中占据主导地位,创新系统发展包括点共生向一体共生、寄生向对称互惠共生两条演化路径,应致力于把单点和寄生共生模式转换为长期互惠共生模式。共生理论对于融合模式选择的启示包括:① AI领军企业凭借其较强的综合实力主导融合过程,与制造业领军企业共建研发基地或协同创新中心,针对制造业智能转型的关键技术问题进行攻关,待取得较好的技术示范效应、相关技术达到一定扩散效果后,再联合高校、研究所和制造企业构建跨产业技术联盟;②目前,国内制造业企业对AI技术认识不深,智能制造产业还未形成规模化优势,政府应制定相关产业政策补贴AI企业,对其推广、打磨共性关键技术的市场空间和时间给予一定保护,使AI企业与制造业合作从微利模式逐渐向互利模式转变。同时,也可以扶持制造企业创立子公司专注于领域智能化技术开发,助其从最初的寄生模式向互利共生模式转变。
人工智能技术作为本次工业革命的核心驱动力,必将成为主导几乎所有行业变革的颠覆性力量。AI产业技术创新系统具有显著的演化自组织性、创新不确定性、创新主体共生性、多学科融合性等特征。创新驱动力、资源供给、合作模式是AI产业技术创新系统核心运行机制,三者分别决定了AI产业技术创新系统的发展中的创新动力来源、创新资源基础和协同创新模式。
机制剖析发现,我国AI产业技术创新存在产业链发展不均衡、创新资源供给障碍和创新合作模式待完善等现实问题。鉴于此,本文提出加强AI产业技术发展趋势前瞻预见,从财政支持、政府采购和创新环境等多个层面优化AI产业政策以提升底层技术创新能力,革新人才培养与交流方式,搭建规范的数据资源利用平台,构筑互惠共生的产业融合创新生态等AI产业技术创新系统优化对策。
[1] HINTON G E, SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks [J]. Science, 2006, 313(5786):504-507.
[2] MAKRIDAKIS S. The forthcoming artificial intelligence (AI) revolution: its impact on society and firms [J]. Futures, 2017, 90(6):46-60.
[3] LYONS R K. Economics of the ed tech revolution [J]. California Management Review, 2017, 59(4):49-55.
[4] 钟卫,陈宝明. 中国高校科技成果转化绩效评价研究[J]. 中国科技论坛, 2018(4): 47-55.
[5] 钱锋,桂卫华. 人工智能助力制造业优化升级[J]. 中国科学基金, 2018, 32(3): 257-261.
[6] EDQUIST C. Systems of innovation: technologies, institutions and organizations [J]. Social Science Electronic Publishing, 1997, 41(1):135-146.
[7] F MALERBA. Sectoral system of innovation and production. Research Policy,2002,31(2):247-264.
[8] 张治河,胡树华,金鑫,等. 产业创新系统模型的构建与分析[J]. 科研管理, 2006, 27(2): 38-41.
[9] 汪志波. 产业技术创新平台系统模型框架与构成要素分析[J]. 科技管理研究, 2012, 32(11): 24-27.
[10] LI-YING J, WANG Y, NING L. How do dynamic capabilities transform external technologies into firms′ renewed technological resources? - a mediation model[J]. Asia Pacific Journal of Management, 2016, 33(4):1-28.
[11] HUANG P, NEGRO S O, HEKKERT M P, et al. How China became a leader in solar PV: an innovation system analysis [J]. Renewable & Sustainable Energy Reviews, 2016, 64(4):777-789.
[12] HELLSMARK H, MOSSBERG J, SODERHOLM P, et al. Innovation system strengths and weaknesses in progressing sustainable technology: the case of Swedish biorefinery development [J]. Journal of Cleaner Production, 2016, 131:702-715.
[13] KLINGEBIEL R, RAMMER C. Resource allocation strategy for innovation portfolio management [J]. Strategic Management Journal, 2014, 35(2):246-268.
[14] 李进兵. 战略性新兴产业创新系统演化进程与驱动力[J]. 科学学研究, 2016, 34(9): 149-154.
[15] 朱巍,陈慧慧,田思媛,等. 人工智能:从科学梦到新蓝海——人工智能产业发展分析及对策[J]. 科技进步与对策, 2016, 33(21): 66-70.
[16] 罗兴婷,张苇锟. 海洋新能源产业技术创新系统构建及政策保障[J]. 资源开发与市场, 2017, 33(7): 789-795.
[17] 毕克新,付珊娜,田莹莹. 低碳背景下我国制造业绿色创新系统演化过程:创新系统功能视角[J]. 科技进步与对策, 2016, 33(19): 67-74.
[18] 刘兰剑,赵志华. 财政补贴退出后的多主体创新网络运行机制仿真——以新能源汽车为例[J]. 科研管理, 2016, 37(8): 60-68.
[19] 温兴琦,黄起海,David BRWN. 共生创新系统:结构层次、运行机理与政策启示[J]. 科学学与科学技术管理, 2016, 37(3): 79-85.
[20] 李德毅, 郑思仪. 大数据时代的创新思维[J]. 北京联合大学学报, 2014, 28(4):1-6.
[21] 徐娜娜,彭正银. 本土产品开发能力——创新网络与后发企业逆向创新的案例研究[J]. 研究与发展管理, 2017, 29(5): 103-116.
[22] ZDEMIR V, HEKIM N. Birth of Industry 5.0: making sense of big data with artificial intelligence, "the internet of things" and next-generation technology policy [J]. Omics-a Journal of Integrative Biology, 2018, 21(1):65-76.
[23] LI BOHU, HOU BAOCUN, YU WENTAO, et al. Applications of artificial intelligence in intelligent manufacturing: a review [J]. Frontiers of Information Technology & Electronic Engineering, 2017, 18(1):86-96.
[24] LI JIE, XIAO XIN, BOUKOUVALA FANI, et al. Data-driven mathematical modeling and global optimization framework for entire petrochemical planning operations [J]. Aiche Journal, 2016, 62(9):3020-3040.