开放科学(资源服务)标识码(OSID)：
This paper selects data from 2000 to 2020, and a total of 7 811 patent documents related to artificial intelligence were retrieved and sorted out in the DII database. Based on the specific co-occurrence situation with reference to the standard system framework in the White Paper on Artificial Intelligence Standardization (2018), the 239 technical keywords of artificial intelligence are further extracted, which is adapted to the existing clustering results, and finally this paper draws the artificial intelligence core technology network map.
The results show that the industrialization path of artificial intelligence core technology has characteristics of energy conversion. Technological innovation energy, catalytic energy, commercial conversion energy and business shape energy constitute the core link of energy conversion, which determines specific process of the path of technology industrialization. The key core technologies of artificial intelligence include eight technical fields such as machine learning, computer vision, and natural language processing. The core technologies of different attributes constitutes the corresponding technology clusters, forming a technological industrialization path with the themes of "identification", "interaction" and "execution". The attribute of technology cluster is a key factor that affects the path of technology industrialization.
This paper reveals that the industrialization of artificial intelligence core technology is not equal to a simple technology transfer and routine replication, but a cumulative practice process of a series of complementary innovations and specialized technology systems, as well as a process of energy gathering and transformation. Managers should focus on technology clusters composed of multiple core technologies, and promote collaborative innovation among technologies by innovating R&D models and optimizing internal structures. It is necessary to keep exploring and cultivating powerful technological innovation energy, catalytic breeding energy, commercial transformation energy and business format shaping energy, so as to support the implementation of industrialization path of core artificial intelligence technologies. Managers should expand energy conversion channels from multiple perspectives to improve energy conversion efficiency. It is necessary to explore more novel and reasonable energy conversion methods such as technology incubation and technology empowerment from the perspective of technological innovation to maximize the overall value. It is also essential to improve the rationality of value matching and innovative human-machine collaboration methods from the perspective of scene application.
开放科学(资源服务)标识码(OSID)：
加快发展新一代人工智能事关我国能否抓住新一轮科技革命和产业变革机遇。经过多年发展，我国人工智能技术在部分领域取得长足进步，一些关键核心技术逐渐突破应用阈值进入产业化应用阶段[1]，技术成熟且具有较强商业落地能力的项目受到持续关注，推动行业从早期普遍强调技术优势过渡到更加注重产品设计、生产制造及解决方案等产业化能力发展时期。然而，我国人工智能技术产业化尚处于早期发展阶段，依然存在技术落地痛点突出、产业化路径不明晰、人工智能商业价值难以充分释放等问题。当前，在中美贸易摩擦加剧、新冠肺炎疫情暴发、关键核心技术“卡脖子”等错综复杂的国际形势下,促进人工智能关键核心技术突破与产业化发展，对于我国数字经济发展、数字化转型和创新型国家建设具有重要意义。因此，精准识别人工智能关键核心技术，探索人工智能关键核心技术产业化路径，成为极具挑战性的重要议题。
从理论研究看，学术界围绕技术转移和科技成果转化，运用专利数据、文献数据和R&D数据等对技术产业化进行了一系列探讨[2-4]。然而，关键核心技术通常被视为“自明性概念”而被“黑箱”化处理，针对关键核心技术产业化路径的研究较少。关键核心技术具备知识复杂性、嵌入性、投入高、周期长和路径依赖等特征[5]，关键核心技术创新和商业化应用不仅指单个技术突破和应用，更需要考虑各技术之间的相互融合和价值共创[6]，因此需要考虑多种技术集群属性特征和应用场景的联动与适配。现有技术产业化研究未满足具有高度复杂性和相互关联性的人工智能技术产业化的实际需求，从能量转换视角出发，对生态系统运行过程中的能量流动进行归类和层级划分，对多种不同性质能量转换进行全面、深刻的解读[7-8]，使之与其它理论(创新生态系统理论等)相结合，可为人工智能关键核心技术产业化路径研究提供一种新视角。
本文以人工智能关键核心技术产业化路径为研究对象，从能量转换视角出发，遵循机理分析—核心技术识别—路径解析的研究逻辑，从理论层面阐释能量转换对本研究的适用性，通过精准识别人工智能关键核心技术构成因素，分析技术产业化路径特征和规律，从而为探索人工智能核心技术产业化路径提供实践启示。与以往研究相比，本文创新之处在于：①对生态系统能量转换进行解构，构建能量转换层级体系，通过不同性质能量的形成与转换隐喻技术产业化路径；②将技术产业化能量归结为技术创新能量、催化孕育能量、商业转化能量和业态塑造能量，分别赋予其具体含义，可拓展技术产业化路径研究思路；③对生态学中的能量输入—能量传递—能量转化特征以及新兴技术产业化中的孕育—形成—成长路径进行逻辑拟合，揭示能量转换视角下人工智能关键核心技术产业化的内在机理。
生态系统和技术产业化包含明确的能量转换层级关系。生态系统中的能量转换以物质为载体进行传递，当太阳能以光能形式输入到自然生态系统后，生态系统中的生产者便可通过光合作用将太阳能转化成化学能，并将其储存在糖类等有机物中。伴随着物质在食物链中的传递，其中部分能量通过呼吸作用以热能流失，部分能量用于自身生长，其它能量则通过捕食关系被下一级消费者摄入，最终能量随着有机物氧化解能转化为热能[9]。而技术产业化能量转换则是技术催生新兴产业的过程。根据技术价值释放程度，将技术产业化能量划分为技术创新能量、催化孕育能量、商业转化能量和业态塑造能量。人工智能不同核心技术存在本质联结，并为实现特定应用目的而形成相应技术集群，从而产生技术创新能量；在技术集群的基础上，通过提供技术研发、生产经营场地等硬件设施，以及系统培训和政策咨询等软件支持，对技术创业型企业进行孵化，降低技术市场风险和试错成本，从而产生催化孕育能量；通过探索多样化应用场景，将产业化技术集群用于产品创新、商业模式设计等，以促进人工智能技术成果转化，从而产生商业转化能量；将获得的新产品设计、新商业模式等应用于相应场景，并拓展其规模，催生由人工智能技术主导的新兴产业形态，从而产生业态塑造能量。由上述分析可知，技术产业化过程中的能量转换与生态系统中的能量转换本质上存在相通性，能量转换在生态系统中的思维方式和相关表述均可创新性地移植到技术产业化研究中，如生态系统中稳定、清晰的能量转换方式(光合作用、捕食关系和呼吸作用)对探讨技术产业化过程中的能量转换具有较强启示意义。本文借鉴Howard等[10]对生态系统能量转换的表述方法，对上述技术产业化过程中的能量转换进行解析，如图1所示。
图1 能量转换层级体系
Fig.1 Hierarchy of energy conversion
人工智能蕴含着强大的商业潜力，通过多种性质的能量转换，逐渐形成以人工智能技术为核心的新兴生产力并释放较大的商业价值。首先，技术创新能量形成，即发展较为成熟并具备较强产业化潜力的人工智能核心技术进一步组合成为不同性质的技术集群，进而形成相应技术创新能量；其次，技术创新能量向技术孵化能量转换，即通过技术资源整合、集中式技术研发、软硬件设施共享等方式推动人工智能从技术创新能量向催化孕育能量转换，为技术成果进入市场打下牢固根基；再次，催化孕育能量向商业转化能量转换，即通过探索多样化场景为技术落地寻找空间，在此基础上进一步探寻以人工智能技术为核心的产品服务、商业化方案设计及商业化模式创新，拓展市场领域度；最后，商业转化能量向业态塑造能量转换，由于商业转化能量的作用效果有限，并不能直接催生大规模产业化应用，因此需要借助生产力开发、产业配套设施优化及市场裂变工具等催生新兴业态涌现，如图2所示。
图2 人工智能技术产业化路径能量转换模型
Fig.2 Energy conversion model of artificial intelligence technology industrialization path
为识别人工智能关键核心技术，本研究以国际公认的权威专利数据库——德温特创新专利索引数据库(Derwent Innovations Index, DII)为数据来源，借助BibExcel和CiteSpace软件对专利数据进行处理，并选取高于一定词频的主题词。进一步，基于主题词之间的共现关系，计算任意两个主题词的相关系数并绘制共现词网络知识图谱，在综合考虑每个聚类子网主题词含义的基础上，最终识别人工智能核心技术。
本研究在综合考虑人工智能专利信息代表性、新颖性及信息容量的基础上，将检索时间范围设定为2000-2020年。由于人工智能技术庞杂，且DII数据库中没有相应分类代码，因此为提高专利检索的完整性和准确性，通过文献查询[11-12]、专家咨询及反复试验明确如下检索策略：检索主题=(artificial intelligence*) AND德温特手工代码=(T01—J16 OR T06—A05A OR X13—C15B OR T01—S03 OR T01—C08A OR T01—J10B OR W04—V04 OR T04—D03 OR B11—C11)，检索时间为2021年5月16日，共获得7 811篇专利数据。专利文献中的关键词代表特定领域的知识点和研究方向[13]，本研究通过对检索得到的专利文献关键词进行提取、同义词合并、停用词剔除等处理，并借助BibExcel和CiteSpace软件得到频次大于100的人工智能技术关键词，几乎囊括了目前人工智能技术领域的所有热点。进一步，结合具体共现情形并参考《人工智能标准化白皮书(2018)》中的标准体系框架，将其与现有聚类结果相适配，最终绘制人工智能核心技术网络图谱，如图3所示。
图3 人工智能关键核心技术网络图谱
Fig.3 Network map of key core technologies of artificial intelligence
由图3可知，人工智能关键核心技术可归结为八大类，分别为机器学习技术、计算机视觉技术、自然语言处理技术、生物识别技术、人机交互技术、机器人技术、知识图谱技术和VR/AR/MR技术。其中，机器学习和知识图谱技术具有通用性特征，能够为其它核心技术创新及产业化提供底层支持[14-16]，而计算机视觉、自然语言处理等核心技术专业性较强。因此，本研究根据技术类别属性，将人工智能技术归纳为共性核心技术和特定核心技术两大类，具体分类情况及技术内容如表1所示。
表1 人工智能关键核心技术分类及技术内容
Tab.1 Classification and specific content of key core technologies of artificial intelligence
技术性质 技术名称 技术内容 共性核心技术机器学习技术监督学习、无监督学习、半监督学习、人工神经网络及深度学习等 知识图谱技术语义搜索、知识融合、问答和对话系统、大数据分析与决策等特定核心技术计算机视觉技术物体识别和检测、图像分割、运动和跟踪及视觉问答等 自然语言处理技术机器翻译、文本分类、文本校对、信息抽取、语音合成、语音识别等 生物识别技术人脸识别、虹膜识别、指纹识别、指静脉识别、声纹识别和步态识别等 人机交互技术动作感知、多通道交互、图形用户界面、智能用户界面及情感人机交互等 机器人技术微电子机械系统(MEMS)、SAC、工业机器人、服务机器人及智能机器人 VR/AR/MR技术虚拟化技术、增强体验等
一方面，由于人工智能关键核心技术性质不同且数量较多，因此归纳出人工智能技术产业化通用路径的可能性极小；另一方面，由于不同人工智能关键核心技术之间存在一定交叉或重叠，细分出每种技术产业化路径的可能性较小。基于此，本研究从技术性质出发，结合人工智能技术在技术产业化过程中的主要功能，发现作为共性核心技术的机器学习和知识图谱虽然具有通用性特征，能够为其它特定核心技术提供算法和知识支持，并有助于增强技术产业化效应，但提供的相关产品和服务极为有限。最为关键的是，难以通过对共性技术的分析有效识别产业化路径。因此，本文从特定核心技术出发，探寻技术产业化路径类型发现，人工智能并非以单一、特定核心技术为支撑，而是基于多种关联技术的有机结合，通过释放不同核心技术能量，进而形成化解多种需求痛点的综合能力。在此基础上，本文进一步对人工智能特定核心技术及其在产业化过程中的主要功能进行解析。
首先，生物识别属于专业性较强的人工智能技术，能够为有生物表征的信息识别需求场景提供技术支持，但是仅依靠生物识别无法形成对作用对象的全面认知和理解，还需要与计算机视觉和自然语言处理技术相配合，以探索人工智能技术识别能力的实际落地场景为目标，建立完备、高效的技术体系。在此基础上，设计身份认证、人脸识别和语音识别等产品服务方案，并将其重点应用于智能风险防控、智能语音服务、智能方案解决和智能安全防护等领域。此外，通过视觉和语言进行识别作为人工智能技术应用的重要方式，将计算机视觉和自然语言处理应用引至其它落地场景；其次，人机交互和AR/VR/MR等技术相结合，构建人类与机器之间的信息理解与传递渠道，为人与机器多维度交互需求落地场景提供强大支撑。将人工智能技术交互能力和实际场景需求深度结合，设计并推出语音交互、视觉交互、体感交互等相关产品和服务，在智能语音助手、智能客服、数字化互动教学和智能文娱互动等领域展现出良好的产业化应用前景；最后，机器人技术具备模拟人类思想和执行人类意志的能力，通过与自然语言处理和计算机视觉技术相结合，构建基于人工智能技术的执行能力体系，可以敏锐洞察人工智能技术商业化应用能力，设计并推出适用于工业生产、公共服务、家庭服务等场景的高性能智能机器人，并为人工智能行业企业提供解决方案。基于上述分析，本文将人工智能技术产业化路径归纳为识别、交互和执行，如图4所示。
图4 人工智能关键核心技术路径类型
Fig.4 Path types of key core technologies of artificial intelligence
为对三大路径进行全面、深刻的解析，本研究从人工智能关键核心技术出发，探寻不同技术产业化路径所涉及的技术领域、关键环节等相关内容，并结合初创新锐案例予以验证，通过对能量形成及转换过程进行归纳总结，揭示能量转换视角下人工智能关键核心技术产业化路径的实施过程和本质特征。需要指出的是，从理论上讲，技术产业化关键环节多基于研究系统性和完整性考虑，而初创新锐作为人工智能细分领域的新兴企业，仅在金融、营销、教育等领域对部分关键核心技术进行了初步探索，因此单个案例难以包含所有关键环节及全部内容；从发展实际看，人工智能初创新锐企业发展时间较短，受到创新资源和外部环境等因素的制约，战略和实践正在不断探索和改进，单一案例无法验证所有关键环节，而需要多个初创新锐企业的共同检验，但并不能因此就否定人工智能技术产业化不同环节的逻辑关联。实际上，后续环节也需要先前环节的能量输入，初创新锐企业发展需要人工智能能量在多个环节的顺畅流动。此外，考虑到本研究涉及案例较多，无法对每个案例内容依次展开讨论，故采取精简原则，力图言简意赅、提纲挈领地反映人工智能关键核心技术产业化路径。
自然语言处理、计算机视觉和生物识别均具有先天技术优势，通过对人类自身生理特征、场景需求痛点等精准而有效的识别，诞生了一批以充分释放人工智能技术识别能力为核心，覆盖风险防控、广告营销、安全防护、语音服务和解决方案等场景的人工智能初创企业，如冰鉴科技、顶象科技、虎博科技等。本研究通过典型案例归纳，对人工智能关键核心技术领域、产业化关键环节、初创企业战略举措等内容进行整理，形成技术产业化纵向事实脉络，如图5所示。首先，汇聚、融合具有识别属性的人工智能核心技术构成识别技术集群，如冰鉴科技和硅基智能整合人工智能技术，分别强化核心建模能力、形成智能语音技术体系；其次，通过技术资源整合、集中研发等方式提高核心技术识别能力，技术市场化应用日益成熟。如冰鉴科技和硅基智能对自然语言处理等技术资源的深度整合与交叉研发攻关等；再次，技术可行性与场景需求相对接，探索以识别为核心功能的新型商业化模式。如合合信息专注于OCR技术研发并形成“STR+Data+AI”智能服务模式，图麟科技以人工智能技术赋能智能制造并形成“云+边+端”一体化智能运行模式；最后，基于人工智能核心技术，构建综合性智能识别平台并提供行业领先智能解决方案，促使核心技术在诸多场景实现产业化应用。如虎博科技打造一站式全场景金融信息平台，眼神科技为产业智能化升级提供解决方案等。
图5 以识别为主题的人工智能核心技术产业化关键环节及典型事实支持
Fig.5 Key links of artificial intelligence technology industrialization with the theme of recognition and the support of typical facts
为进一步探讨以识别为主题的技术产业化路径的本质特征，本研究从能量转换视角出发，以能量形成与转换反映该路径实施过程，如图6所示。①技术创新能量形成及转换。共性核心技术与特定核心技术(计算机视觉、自然语言处理和生物识别)汇聚、融合能够激发和提升人工智能技术识别性能，形成识别技术集群，并产生强大的技术创新能量，进而为人工智能技术产业化打下牢固的技术根基。同时，作为链接技术和初始市场的“纽带”，技术孵化成为技术创新能量向催化孕育能量转换的重要渠道；②催化孕育能量形成及转换。识别技术集群通过资源整合、设施共享等方式大幅提升对数据信息的挖掘和整合能力，形成价值创造核心竞争力。受创新资源制约，人工智能初创企业需要选择合适的场景切入，技术集群供给与应用场景需求对接成为催化孕育能量向商业转化能量转换的合理选择。在此过程中，识别技术集群的商业化导向逐渐清晰、商业化条件日益成熟；③商业转化能量形成及转换。通过深度解析对识别具有强烈需求的应用场景特征，将技术集群的先进性和可行性与应用场景相对接，进一步明确以人工智能为核心的产品和服务方案设计，制定用户可理解、可执行的新型商业化方案和商业模式，形成商业转化能量。同时，由于识别技术集群价值创造依赖人工智能强大的数据挖掘和整合能力，技术赋能成为商业转化能量向业态塑造能量转换的必然途径；④业态塑造能量形成及新兴业态涌现。营销策划、市场裂变工具放大了人工识别技术集群的作用范围，形成识别技术集群的业态塑造能量，并通过智能识别平台构建和行业解决方案将人工智能技术能量向外界辐射，使得以识别为核心需求的技术能力体系和商业化方案实现产业化运行，从而创造出新物种并催生人工智能新业态。
图6 以识别为主题的人工智能技术产业化路径及能量转换过程
Fig.6 Industrialization path and energy conversion process of artificial intelligence technology with the theme of recognition
人机交互、AR/VR/MR技术具有先天交互优势。人机交互能够实现人与计算机之间的多种信息交换和性质互动[17]。AR/VR/MR借助智能化装备与数字化环境进行交互，获得类似真实环境的感受和体验。此外，计算机视觉和自然语言处理技术同样能够支持视觉交互和语音交互。上述人工智能技术衍生出语音交互、视觉交互、体感交互等多种性质的交互方式，并诞生了一批以实现智能交互为战略核心，覆盖智能语音助手、数字化互动教学、智能化学习系统、智能客服、智能文娱互动的人工智能初创企业，如乐言科技、小i机器人及松鼠Ai等。本研究对人工智能关键核心技术领域、产业化关键环节、初创企业战略举措等内容进行梳理，形成人工智能技术产业化纵向事实脉络，如图7所示。首先，具有交互属性的核心技术汇聚、融合共同构成交互技术集群。如影谱科技和乐言科技对自然语言处理、知识图谱、机器学习等认知智能技术进行有机整合，彰显了人工智能技术交互能力。其次，通过技术孵化提升人工智能核心技术交互能力，促使技术商业化条件成熟。如影谱科技专注于视觉内容生产效率与交互方式技术研发，为技术研发提供设施共享、信息资源等有力保障，致力于实现影像自动化生产；乐言科技基于人机交互核心技术开发跨领域语言认知技术平台接口和认知计算平台。再次，运用人工智能技术创新现有人机交互模式，形成以人工智能技术为支撑、以智能交互模式为核心的新型商业化逻辑与实施方案。如影创科技基于AR技术构建全息教室解决方案，以创新教学和交互模式；松鼠Ai基于人机交互、神经网络等对学生进行全方位评估，以提升学习效率。最后，搭建多模态虚拟交互服务和综合性智能交互平台，促进人工智能新兴产业发展。如小i机器人基于人工智能技术强大的交互能力，为用户提供全方位技术落地服务；亮风台打造云管端一体化AR平台等。
图7 以交互为主题的人工智能技术产业化关键环节及典型事实支持
Fig.7 Key links of artificial intelligence technology industrialization with the theme of interaction and the support of typical facts
为进一步挖掘以交互为主题的技术产业化路径的本质特征，本研究从能量转换视角出发，以能量形成与转换反映该路径实施过程，如图8所示。①技术创新能量形成及转换：将共性核心技术与特定核心技术(自然语言处理、计算机视觉、人机交互和AR/VR/MR)相融合，利用人工智能技术交互性能，形成具有交互功能的技术集群，为人工智能技术产业化和能量转换打下坚实基础，促使技术创新能量向催化孕育能量转换；②催化孕育能量形成及转换：交互技术集群通过资源整合、集中研发等方式强化和创新对互动需求痛点的化解能力，以提高交互技术集群商业化应用成功概率，在此过程中，技术催化孕育能量得以形成。由于价值创造依赖技术价值和场景应用价值的内在统一，因此价值匹配成为催化孕育能量向商业转化能量转换的必然选择；③商业转化能量形成及转换：探寻语音交互、视觉交互及触摸交互等需求应用场景，将交互技术集群和场景需求痛点相结合，明晰以人工智能技术交互为核心的产品和服务设计，尝试新型商业化方案和商业模式，形成商业转化能量；同时，由于交互技术集群以互动激活和创造价值，所以人机协同成为商业转化能量向业态塑造能量转换的必然途径；④业态塑造能量形成及新兴业态涌现：借助生产能力开发、市场裂变和产业配套优化等措施，形成人工智能技术产业化业态塑造能量，交互载体和维度从根本上决定其所覆盖的领域和运行效率，因此通过构建智能交互平台和实施多模态交互成为实现人工智能技术产业化运行的最佳渠道，并由此催生出一批智能学习系统、智能客服、智能文娱互动等新兴业态。
图8 以交互为主题的人工智能技术产业化路径及能量转换过程
Fig.8 Industrialization path and energy conversion process of artificial intelligence technology with the theme of interaction
机器人技术通过编程设置具体执行规则，能够替代或者辅助人类完成特定任务[18]。以执行为核心的人工智能技术产业化路径的实现需要雄厚的知识基础和技术作为支撑，不仅需要机器学习、知识图谱为其提供底层支撑，而且对计算机视觉和自然语言处理亦具有技术依赖性。机器人技术加快了智能设备制造和解决方案的制定，并诞生了一批覆盖智能制造、智能机器人、智慧物流配送、智能家居和无人机的人工智能初创企业，如猎户星空、史河科技、YOGO ROBOT等。同样，对人工智能核心技术领域、产业化关键环节、初创企业战略举措等内容进行梳理，形成人工智能技术产业化纵向事实脉络，如图9所示。首先，汇聚、融合具有生产制造、服务提供、决策支撑等属性的核心技术，共同构成执行技术集群，如YOGO ROBOT、猎户星空和灵动科技对机器人技术、自然语言处理技术等进行组合并聚焦于执行能力；其次，通过资源整合、集中研发等方式增强人工智能核心技术执行能力，孕育技术规模化应用的适宜环境。如猎户星空构建以智能机器人为核心的垂直一体化人工智能综合系统，YOGO ROBOT构建具有开放性、可延展、能组合的群体智能协作生态系统；再次，通过新型智能执行工具的商业化运用和辅助性商业化决策，将人工智能核心技术转化为现实生产力。如快仓专注于以智能机器人为核心的产业化应用，明略科技借助人工智能推动知识和管理复杂度高的企业数字化转型，一览群智基于人工智能技术打通认知闭环和辅助决策；最后，提升智能终端产品生产能力，加快行业解决方案的推广与应用。如史河科技深耕智能特种机器人以辅助高危工作，普渡科技提供适应动态环境的配送解决方案，眼神科技为产业智能化升级提供解决方案。
图9 以执行为主题的人工智能技术产业化关键环节及典型事实支持
Fig.9 Key link of artificial intelligence technology industrialization with the theme of execution and the support of typical facts
为进一步挖掘以执行为主题的技术产业化路径的本质特征，本研究从能量转换视角出发，以能量形成及转换反映该路径实施过程，如图10所示。①技术创新能量形成及转换：共性核心技术与特定核心技术(机器人技术、自然语言处理、计算机视觉)融合、汇聚，以凸显人工智能技术的执行性能，并形成可执行人类意志的技术集群(技术创新能量)，促使技术创新能量向催化孕育能量转换；②催化孕育能量形成及转换：执行技术集群通过设施共享、集中研发等方式增强对人类意志的精准响应能力，孕育商业化适宜环境，形成人工智能技术产业化过程中的催化孕育能量；与交互技术集群相似，执行技术集群价值创造同样与技术和场景之间的契合度密切相关，亦通过价值匹配实现催化孕育能量向商业转化能量转换；③商业转化能量形成及转换：执行技术集群驱动智能工具与智能决策的诞生，不仅极大地延伸了人类本体能力，解放了脑力劳动和体力劳动，而且迅速确立了以人工智能技术强大执行潜能为核心的商业化模式，进而形成商业转化能量；与交互技术集群相似，执行技术集群人机协同方式由商业转化能量向业态塑造能量转换；④业态塑造能量形成及新兴业态涌现：生产制造能力开发、营销策划及产业配套设施优化等共同构成执行技术集群并形成业态塑造能量。智能工具和智能决策不仅从根本上体现了人工智能技术所引发的智能化革命，而且为以执行为主题的产业化路径提供了重要启示，即通过在物理空间打造智能终端产品以及在数字空间制定行业解决方案，可以催生出一批智能机器人、智慧物流、无人机等新兴业态。
图10 以执行为主题的人工智能技术产业化路径及能量转换过程
Fig.10 Industrialization path and energy conversion process of artificial intelligence technology with the theme of execution
(1)人工智能关键核心技术产业化路径具有能量转换特征，技术创新能量、催化孕育能量、商业转化能量和业态塑造能量共同构成能量转换的核心环节，决定技术产业化路径实施过程。现有对技术产业化路径的相关研究多围绕科技成果转化和技术转移进行，关注技术在价值创造、价值传递和价值实现过程中的作用[2-4]，本质上是一个将新兴技术作为标量、将技术产业化视为同种性质能量的流动过程。实际上，特定人工智能关键核心技术既具有一定强度又存在明显的方向性，将其视为矢量更恰当。同时，在诸多因素影响下，技术产业化路径各阶段能量属性发生本质改变，从这一意义上讲，其更加符合不同性质能量转换的关键特征。
(2)精准识别和有效划分关键核心技术是解析产业化路径能量转换的重要前提。专利分析结果表明，人工智能关键核心技术可归纳为机器学习、计算机视觉、自然语言处理等八大技术领域，并可根据核心技术性质将其划分为共性核心技术和特定核心技术两大类。通过多案例归纳分析发现，核心技术之间不仅通过有机组合构成相应技术集群，形成以识别、交互和执行为主题的技术产业化路径，而且技术创新能量、催化孕育能量、商业转化能量和业态塑造能量转换流程从本质上反映了人工智能技术产业化路径实施过程。
(3)技术集群属性是影响人工智能核心技术产业化路径的关键因素。研究发现，以识别为主题的路径通过构建综合性智能识别平台和提供领先智能识别服务与解决方案，催生了智能风险防控、智能广告营销等新兴业态；以交互为主题的路径通过实施多模态虚拟交互和构建综合性智能交互平台，催生了智能客服、智能文娱互动等新兴业态；以执行为主题的路径通过打造智能终端产品和制定行业解决方案，催生了智能机器人、智慧物流、无人机等新兴业态。造成这种差异的根本原因在于每种路径能量转换技术集群属性不同。其中，以识别为主题的技术集群主要包括计算机视觉、自然语言处理和生物识别技术，技术产业化路径形成的本质在于人工智能通过数据信息挖掘和整合能力，以及共性核心技术支持和相互融合能力提升技术性能，进而形成强大的多维度识别体系，对具有强烈识别需求的技术落地场景进行识别；以交互为主题的技术集群主要包括人机交互技术和AR/VR/MR技术，技术产业化路径形成的本质在于人工智能对互动需求痛点的化解能力，通过畅通和拓展互动渠道、打造极致交互体验开拓产业生存空间；以执行为主题的技术集群主要包括机器人技术、计算机视觉和自然语言处理，技术产业化路径形成的本质在于人工智能对人类意志的精准响应能力，通过激发技术集群执行潜力探寻具体应用场景。
根据上述研究结论，本文提出如下启示：
(1)人工智能核心技术产业化路径的实现不是简单的技术转移和惯例复制，而是一系列互补性创新和专用性技术体系累积的结果，同时也是能量聚集及转换的过程。管理者应关注由多种核心技术构成的技术集群，通过创新研发模式、优化内部结构等方式实现技术协同创新。同时，要在技术产业化过程中持续培育技术创新能量、催化孕育能量、商业转化能量和业态塑造能量，为人工智能核心技术产业化提供强大的能量支撑。
(2)管理者应从多视角畅通和拓展能量转换渠道，提升能量转换效率。既要从技术创新视角探寻更新颖、更合理的技术孵化、技术赋能等能量转换方式以实现整体价值最大化，同时也要从应用场景视角提升价值匹配的合理性以创新人机协同方式。
本文存在如下不足：第一，作为对技术产业化路径的能量学解释，本文提出的技术创新能量、孵化孕育能量、商业转化能量和业态塑造能量仅可作为定量研究的概念性工具，每种能量所包含的具体内容和度量标准尚处于摸索阶段，未来可参考生态系统中的能量计算方法，通过建立相应能量转换仿真模型，刻画技术产业化路径中的能量数值及转换过程。第二，仅对人工智能初创企业典型事实进行归纳和提炼，未来应将能量概念指标化，构建更加科学、全面的定量模型，通过多种渠道收集多样化数据，采用实证分析法对人工智能技术产业化路径进行深入分析。
[1] 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].科技进步与对策，2021,38(18)：84-93.
[2] 温芳芳.基于专利许可关系网络的技术转移现状及规律研究[J].情报科学,2014,32(11):24-29.
[3] 吴菲菲,张辉,黄鲁成.基于文献计量的技术转移问题研究主题分析[J].科技管理研究,2015,35(8):83-89，109.
[4] 罗思平,于永达.技术转移、“海归”与企业技术创新——基于中国光伏产业的实证研究[J].管理世界,2012，38(11):124-132.
[5] 余江,陈凤,张越,等.铸造强国重器:关键核心技术突破的规律探索与体系构建[J].中国科学院院刊,2019,34(3):339-343.
[6] 王海军.关键核心技术创新的理论探究及中国情景下的突破路径[J].当代经济管理,2021,43(6):43-50.
[7] SHIYOMI M, AKIYAMA T, TAKAHASHI S. Modelling of energy flows and conversion efficiencies in a grassland ecosystem[J]. Ecological Modelling, 1986, 32(1):119-135.
[8] KAI W, CARMONA L G, CARRASCO A. The resource service cascade: a conceptual framework for the integration of ecosystem, energy and material services[J]. Environmental Development, 2021(6):100647.
[9] 李文华.中国当代生态学研究[M].北京:科学出版社，2013:37-39.
[10] HOWARD T, ODUM. Primary production in flowing waters1[J]. Limnology and Oceanography, 2003, 1(2):102-117.
[11] 陈军,张韵君,王健.基于专利分析的中美人工智能产业发展比较研究[J].情报杂志,2019,38(1):41-47.
[12] 赵蓉英,李新来,李丹阳.专利引证视角下的核心专利研究——以人工智能领域为例[J].情报理论与实践,2019,42(3):78-84.
[13] 陈悦,谭建国,王智琦,等.专利视角下工业机器人领域的技术机会分析[J].科研管理,2018,39(4):144-156.
[14] GOLDBERG D E. Genetic algorithm in search, optimization, and machine learning[M]// Genetic Algorithms in Search Optimization and Machine Learning. Addison-Wesley Pub. Co, 1989.
[15] FRAN, COIS-LAVET V, HENDERSON P, et al. An introduction to deep reinforcement learning[J]. Foundations Trends Mach Learn, 2018, 11: 3-4.
[16] 陈悦,刘则渊.悄然兴起的科学知识图谱[J].科学学研究,2005，23(2):149-154.
[17] 袁保宗,阮秋琦,王延江,等.新一代(第四代)人机交互的概念框架特征及关键技术[J].电子学报,2003，42(S1):1945-1954.
[18] 谭民,王硕.机器人技术研究进展[J].自动化学报,2013,39(7):963-972.