开放科学(资源服务)标识码(OSID)：
开放科学(资源服务)标识码(OSID)：
技术创新是提升国家竞争力的重要因素[1]，加快人工智能关键核心技术体系建设，提高人工智能技术创新能力对我国建设世界科技强国具有重大战略意义。经过多年积累，我国在部分领域取得长足进步，但整体发展水平与发达国家相比仍有不小差距。例如，关键设备、核心算法和操作系统等技术基本被谷歌、微软、英特尔等国际巨头垄断，形成“锁定效应”，关键核心技术被“卡脖子”。后发追赶理论认为，先发企业为垄断核心技术设立了严格的独占机制，后发企业作为使用者无法了解技术研发过程[2]，以市场换技术、依赖外资实行技术联合开发将导致技术陷阱和技术惰性，传统技术创新模式难以为继[3]，适合关键核心技术创新的新模式、新理论呼之欲出。特别是在当前中美贸易摩擦加剧、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，如何实现关键核心技术突破是我国建设创新型国家的理论焦点。Stiftung[4]认为，科学评价是有效管理的基础。因此，合理评价技术创新能力是打破关键核心技术缺失桎梏、推进国家科技治理体系改革的基石。在健全新型科技创新举国体制背景下，精准把握关键核心技术特点，结合新兴创新管理理论，评价与测度某个国家、区域或产业关键核心技术创新能力是产业界与政府部门关注的热点问题。
从理论研究看，学术界围绕投入产出和技术生命周期视角，使用R&D数据、专利数据和文献数据，针对技术创新能力展开了一系列研究。但关键核心技术通常被视为“自明性概念”而被“黑箱”化处理，针对关键核心技术创新能力的研究更是少见。与一般技术不同，关键核心技术具备知识复杂性、嵌入性、高投入、长周期和商用生态依赖等特征[5]。关键核心技术创新不仅需要在某一科学原理点上实现突破，而且应以点带面，关注不同创新主体之间的价值共创和技术体系等[6]。因此，关键核心技术创新能力评价不应仅局限于单一主体资源要素投入与产出，还需要考虑多元创新主体与环境之间的联动问题。现有技术创新能力评价指标研究已经不能满足创新复杂度高、系统性强、速度快的关键核心技术创新能力测度，而创新生态系统理论以生态学、系统学和创新理论交叉融合的特性在创新理论中占据独特优势，为关键核心技术创新能力测度提供了新视角。
基于此，本文以人工智能关键核心技术为研究对象，遵循“确定备选指标—补充筛选指标—构建测度指标体系—实证研究—结论建议”逻辑展开论述，为前沿技术创新能力测度提供新思路。首先，运用社会网络分析法提取中心度高的指标作为备选集，经过补充和筛选，从创新生态系统视角出发构建人工智能关键核心技术创新能力测度指标体系；其次，基于宏观数据，使用变异系数-改进TOPSIS法进行客观赋权并测度综合评价值；最后，识别人工智能关键核心技术创新能力动态演进趋势，提出优化人工智能关键核心技术创新能力的具体措施和政策建议。
1.1.1 关键核心技术
目前，学界对关键核心技术的定义尚未达成一致。习近平总书记在2018年中国科学院第十九次院士大会上指出，核心技术是基础技术、通用技术、非对称技术、“撒手锏”技术、前沿技术与颠覆性技术的集合[7]，这是对关键核心技术的初步界定。国内外部分学者从不同视角界定了关键核心技术。例如，基于技术创新过程视角，李显君等[8]以中国高铁产业为例，使用纵向案例法分析高铁产业核心技术突破过程，发现核心技术是功能性核心技术、性能性核心技术与可靠性核心技术的组合，但不同领域关键核心技术的内在结构不同，该定义的外部适用性有待拓展。基于作用与特征视角，陈劲等[3]将关键核心技术视为一个技术体系，认为其具备高投入性、独特性和关键性特征；Cannice等[9]将核心技术定义为在技术体系中起核心或关键作用的技术；Kale等[10]认为核心技术是企业的核心秘诀；张杰[11]指出具备“纯烧钱+难以被山寨”特征的技术是关键核心技术的典型特征。结合上述研究，本文认为关键核心技术是指以实现技术突破与再创新为目标，由企业、高校、政府与科研机构等创新主体共同作用，受社会环境和技术环境组合效用影响，与产业发展密切相关的技术知识体系，具备知识密集性、难复制性、研发资金投入大、投资回报期长和多主体协同等特征。
学界不仅探讨了关键核心技术内涵，而且关注关键核心技术甄选机制、突破路径等。张杰等[12]总结制约我国关键核心技术突破的外部因素和内部因素，提出“十四五”科技攻关重点突破口，是从国家层面上的概括性描述，未能有效解决具体产业、企业情境下关键核心技术影响因素识别和具体实施路径等问题；张治河等[13]不再将研究对象局限于国家层面，针对国家竞争和产业竞争情景分别构建了关键核心技术甄选模型，为识别不同对象关键核心技术提供了依据，但尚未明确剖析创新战略与突破路径。总体而言，关键核心技术定量研究较少，围绕关键核心技术突破微观机理、影响因素和创新能力测度等主题展开实证研究具有重要意义。
1.1.2 人工智能关键核心技术
人工智能在1956年Dartmouth会议上被提出后，核心技术研发成为世界各国关注的焦点。20世纪七八十年代，受理论模型、数据样本等限制，人工智能核心技术主要集中在专家系统、知识搜索、统计建模和人工神经网络等领域。21世纪后，随着人工智能算法优化和应用场景的拓展，学术界和产业界对人工智能关键核心技术的定义层出不穷。本文结合理论文献、《新一代人工智能发展规划》等政策文件和中国科学院《2019年人工智能发展白皮书》，将人工智能关键核心技术定义为“与人工智能产业发展紧密结合，能够推动产业智能化转型和国家经济高质量发展的技术知识体系，包含自然语言处理、跨媒体分析推理、智能芯片等八大类”。
人工智能技术具有创新不确定、创新主体共生、多产业融合和自组织演化等特征，“技术促产业”模式推动着我国人工智能产业发展[14]。在定性研究方面，房超等[15]从理论基础、技术发展和应用维度出发，将人工智能关键技术与核能、光伏技术对比，指出人工智能技术能够通过赋能应用领域产生社会效益，提出人工智能技术创新具备独特的“演化式”创新特征，是对人工智能技术发展规律的系统化研究，为人工智能核心技术创新突破机制提供了论据；李修全[16]揭示人工智能技术具备创新周期短、技术转化快等特征，指出开源开放、产学研协同创新是未来趋势。以上研究主要关注特征分析、发展规律和未来趋势展望，缺乏纵向深入研究。定量研究是定性研究的延伸，聚焦于使用专利分析、科学计量、文本挖掘等分析法实现关键核心技术预见和识别，为人工智能关键核心技术领域研究引入新研究方法。如黄鲁成等[17]使用RSI指数、专利成长率等指数甄别出机器学习的发展阶段和核心领域；王友发等[18]通过共词分析、专利主体分析、同族专利分析识别出人工智能领域核心技术。以上识别过程主要集中在理论层面，忽略了社会经济效益也是重要衡量指标。突破关键核心技术不能只停留在定义和识别方面，更需要评估技术创新能力，厘清技术创新路径、技术创新体系形成机理与运行过程。
技术创新能力是技术创新管理领域核心议题之一，对技术创新能力的探讨是一个动态演化过程。技术创新能力包括丰富的要素，使得这一概念格外复杂、多样[20]，学界基于资源依赖、动态能力、知识依赖等视角对其定义进行了讨论。1990年，Adler & Shenhar[21]首次基于资源依赖视角，从技术资产、组织资产、外部资产和项目管理4个维度定义技术创新能力。组织行为理论认为，传统技术创新能力是组织、创新能力等多种能力的集合，关注点由各类资产转变为侧重无形的“软实力”；Yam等[22]基于功能视角提出企业技术创新能力七维分析框架，包括组织、战略规划、学习与研发等7种能力。以上定义大都将技术创新能力视作多种能力的组合，但对技术创新过程的关注不够，且将企业视为唯一的创新主体。吴友军[23]将技术创新能力研究对象划分为微观、中观和宏观层面，即企业、产业与国家技术创新能力，从创新投入和产出视角构建产业技术创新能力评价指标体系，成为我国聚焦产业技术创新能力研究的开端。
随着产业技术创新能力概念逐渐明晰，其测度和评价引发学界广泛关注，研究对象从固体矿产业、钢铁产业、装备制造业等传统行业到新能源汽车产业、高技术产业等战略新兴产业均有所涉及；研究方法由传统DEA模型、熵值法到神经网络等智能化评价方法层出不穷；研究内容大都遵循“自上而下”的研究范式，即以特定产业为研究对象，从投入产出与环境、技术研发过程[24]等不同视角构建指标体系。部分学者在此过程中紧扣行业特征，试图从新视角切入，但是理论支撑略显薄弱。现有研究是技术创新能力测度领域的有益探索，但仍存在尚待优化之处，如技术创新主体不明确、创新机理不清晰、评价指标异质性差，且集中使用R&D统计指标，未考虑诸多技术创新影响因素。
熊彼特提出的创新理论是创新研究演进的基础，以创新生态系统为核心的创新3.0范式悄然兴起。创新生态系统是生态学、系统科学与创新理论的有机结合，已逐渐成为创新理论研究领域的新方向[25]。在我国“十四五”时期聚焦科技强国、前沿技术迅猛发展的背景下，关键核心技术知识复杂性与密集性日渐增强，从创新生态系统视角考察技术创新要素构成、外部环境与互动关系[26]是研究关键核心技术创新的新思路。
创新生态系统研究的内在逻辑层层递进，主要包括3个层面：①内涵与特征：李万等(2014)指出，创新生态系统是一个复杂、开放式系统，强调创新群落内部、创新群落与环境之间的竞合关系，该定义通用性较强；部分学者基于新能源汽车、文化创意等产业情景定义了特定产业创新生态系统的概念，通用概念和具体概念相互丰富，是创新生态系统研究领域的良好开端；②创新生态系统概念模型：现有研究主要类比自然生态系统，从创新环境、创新种群和创新组织3个方面剖析结构要素，为构建特定产业创新生态系统概念模型提供了理论支撑；③创新生态系统评价：除对创新生态系统自身健康度、有机性与运行稳定性进行评估外，少数学者将创新生态系统理论运用于综合评价中，如潘苏楠等[27]从基础生态子系统、创新人文子系统、行业发展子系统和社会经济环境子系统4个维度入手，测度新能源汽车可持续发展水平。但是，完整的创新生态系统不仅包括外界环境，还包括创新主体自身与外界环境的交互，该指标体系尚未全面体现；黎璞等(2019)基于创新生态系统中各组成要素和互动关系，从创新环境和创新主体两个维度梳理创新盲点指标体系，但在指标选取过程中未完全规避主观性。创新生态系统研究由内涵界定逐步发展到模型构建和演化机制上，现阶段以创新生态系统为新视角进行综合评价成为学界关注焦点。技术创新能力测度研究大多基于经典创新链和投入产出等视角，忽略了多方主体的协同作用，而将创新生态系统与技术创新有机融合能够丰富理论研究并解决应用问题。
技术创新活动的创新方式多样，找到一种通用性测度指标体系可行性较低。然而，技术创新最终均通过进取效应呈现[28]，因此测度技术创新能力时能够纳入部分通用指标，本文采用通用指标和特定指标相融合的方法构建指标体系。首先，使用社会网络分析法梳理与产业技术创新能力评价和测度相关的文献，提炼通用指标，形成指标备选集；其次，搜集归纳行业研究报告，补充特定指标；最后，通过变异系数法筛选指标，构建人工智能关键核心技术创新能力测度指标体系。
通用指标来自文献数据，选取中国知网中的文献进行分析，文献起始时间不限，截止时间为2020年。为防止文献遗漏，将关键词选定为“技术创新”、 “评价”、“测度”，期刊等级设定为中文核心以上，得到3 291篇文献。手动剔除不相关文献后，仅保留正文中包含产业技术创新能力评价指标体系的文献，最终筛选出样本文献34篇。特定指标来自行业研究报告，前沿报告库全面汇总了权威机构的研究报告，以人工智能为主题词检索出报告200余份，最终选取10份样本报告。
本文将34篇文献指标进行去重、剔除与合并处理，剔除2009年以后废止的指标，如“科学家和工程师人数”等；去除指标中的特定行业前缀，如将“高技术产业R&D人员”处理成“R&D人员”并与“R&D活动人员”合并为“R&D人员”，最终得到207个指标。使用COOC6.7软件生成词频表，取频次≥2的指标形成41*41的共现矩阵，导入Ucinet软件绘制社会网络图，导出各指标的绝对度数中心度(Degree)，如图1所示。绝对度数中心度用来表示与某个节点直接相连的其它节点的个数，是节点在网络中重要性和权力的象征，中心度越高表示该节点越重要[29]。
图1 频次≥2的指标共现网络
分析可知，34篇文献使用测度和评价方法包括DEA、因子分析、熵值法、AHP和神经网络等，以DEA方法居多；视角多以投入产出为主，兼备投入产出环境和生命周期，因此将各指标按照投入产出维度排列，如表1所示。投入和产出两维度TOP10指标中心度均已超过所有指标中心度的均值，故将其作为备选指标集。具体而言，投入维度主要集中在人力与财力投入上，R&D统计数据中创新主体边界不清晰，未能区分不同创新主体对技术创新的不同影响。同时，R&D数据存在一定的局限性，无法涵盖所有创新投入，仅使用R&D数据不足以评估技术创新能力[30]。产出维度方面，专利、新产品收入等指标被频繁使用，但技术创新具备理论与实践双重意义，不仅包含理论效益且存在经济效益和社会效益[31]。关键核心技术创新能力测度亟需一个新视角，同时，针对某一特定产业展开研究还需考虑行业特征。
研究报告在深入行业方面具有一定优势，与注重理论研究的学术论文相得益彰，且囊括了关键核心技术的共性。本文通过精炼研究报告指标，补充特定指标，作出如下分类：①数据层，使用数据开放度、手机用户数量等指标衡量；②算力层，使用半导体产品国际市场占有率、FPGA芯片制造等指标衡量；③基础层，使用人工智能开放平台数量衡量；④经济环境层，使用融资金额、融资次数衡量；⑤政策环境层，使用政策数量衡量；⑥技术创新落地应用层，使用应用场景企业数、场景介入度等指标衡量；⑦创新环境层，使用设有人工智能专业的本科院校数衡量；⑧创新主体层，使用企业数量、开设人工智能专业的高校数量、科研机构数量等指标衡量；⑨理论产出层，使用期刊或会议论文数衡量。
人工智能关键核心技术创新与政府、企业、高校、科研机构等多元主体密切相关(李煜华等，2015)，具备多主体、开放性、可迭代优化等特征，仅从投入产出视角已经不能全面评估人工智能关键核心技术创新能力。随着创新范式的转移，创新生态系统不再将企业视为唯一的创新主体，强调创新主体之间彼此依赖、知识流动和创新资源互补共享(吴今希等，2014)，具备创新、生态和一般系统的特征。创新特性体现在各创新主体之间共生共荣、实现可持续价值创造、不断优化与完善创新环境等系统效益上。
2.4.1 人工智能关键核心技术创新生态系统构建
人工智能关键核心技术通过生命子系统内部各创新主体间的协同创新及与环境之间的数据、资金、人才交换，实现技术迭代、技术积累和技术再创新。当前，人工智能关键核心技术创新生态系统已经初步形成，如图2所示。生命子系统包含众多创新主体，环境子系统包含技术环境和社会环境，其中社会环境包括政策环境、人才环境和经济环境。
表1 指标中心度与频次分布(两维度中心度TOP10的指标)
编号投入维度指标Degree频次产出维度指标Degree频次1R&D人员折合全时当量12314新产品销售收入141262R&D经费10711专利申请数132173新产品开发经费支出9310有效发明专利数9484技术引进经费支出727利润4655技术改造经费支出535新产品出口销售额占新产品销售额的比例4336R&D人员417新产品销售收入率3937R&D经费内部支出314新产品开发项目数3238R&D经费占销售收入的比例303技术引进消化吸收率3029科研人员投入强度302技改投资完成率30210新产品开发投入强度302新产品开发产出效率302
图2 人工智能关键核心技术创新生态系统模型
在技术研发阶段，基础研究是重要保障，算法、算力和数据缺一不可。算法突破需要高校、科研机构及A类企业创新主体输出专业人才，深钻理论研究，提高数据可用性。通过外界产生的防疫数据、消费数据、交通数据，针对特定需求进行训练，数据集越多，模型训练效果越好，算法越精准，算力设施压力也就越小。同样，政府出台人工智能专项政策，营造发展环境并保障基础研究资源和资金投入。在基础牢固的前提下，专注技术研发的B类企业通过人才和资金流动，将优化模型、算法纳入新技术模块，嵌入具体应用场景，完成技术研发。
在技术转化阶段，B类企业完成技术研发后，最终将技术产品化，形成智能产品或行业解决方案，满足消费者需求，此时已完成整个生命周期的技术创新。产品化后的技术流入市场，3类用户群为产品付费，实现大量资金回流。同时，产品在使用过程中会产生大量数据和用户反馈，为技术创新循环提供机会窗口。用户反馈信息、数据、资金在系统中流转，给予技术层和基础层创新主体以反馈和支持，最终以“技术创新-技术迭代-技术积累-技术再创新”的良性循环模式推动人工智能关键核心技术创新能力持续提升。
2.4.2 人工智能关键核心技术创新能力评价指标体系构建
本文遵循科学性、系统性和数据可得性原则，基于创新生态系统视角，从创新主体、创新环境和系统效益3个维度构建人工智能关键核心技术创新能力指标测度体系，如表2所示。经过变异系数法过滤和专家评估，筛选出18个指标。
(1)创新主体维度。技术创新主体包含企业、政府、高校和科研机构[32]，各创新主体对技术创新的作用方式不同。政府通过政策进行宏观调控，利用资金投入、项目支持与企业、高校等主体形成互动；企业提供研发资金，不断扩大规模，提升自身技术研发实力；高校是培养基础研究人才、落地研究课题的摇篮，为技术创新提供理论知识；科研机构专注行业研究，把握行业趋势动态，为技术创新赋能。
(2)创新环境维度。人工智能与众多前沿技术发展相辅相成，如以5G为代表的新一代信息通信技术为人工智能应用场景赋能。人工智能关键核心技术创新离不开算法、算力和数据的支撑，算法迭代对开放性有极大需求，参考《2019年中国人工智能产业发展指数报告》，使用“国家级人工智能开放平台”衡量；算力主要体现在硬件层面，特别是FPGA芯片，使用集成电路产量替代；大量数据为算法优化提供训练集，以往研究使用智能手机替代，本文使用我国产生的数据量表征；社会环境则从人才环境、经济环境和政策环境3个方面考量。
表2 基于创新生态系统的人工智能关键核心技术创新能力测度指标体系
目标层准测层要素层 指标层 单位权重排序创新主体(A)企业人工智能新增企业数(A1)个5R&D内部支出中企业资金(A2)万元2高校开设人工智能专业的高校数量(A3)所1学校人工智能R&D研究课题数(A4)项14科研机构人工智能相关科研院所数(A5)个3政府出台人工智能政策的省政府数(A6)个17R&D经费中的政府资金(A7)万元13国家自科基金批准项目中信息科学学部项目数(A8)项8人工智能关键核心技术创新能力创新环境(B)算法基础人工智能开放平台数(B1)个6数据基础中国产生的数据量(B2)ZB10算力基础集成电路产量(B3)亿块15人才环境人才需求量(B4)人18经济环境投融资总额(B5)亿元7政策环境每年新增政策数(B6)份9系统效益(C)理论效益会议论文数(C1)篇4应用效益有效发明专利数(C2)件11新产品销售收入(C3)万元12TOP100人工智能企业中每年新增商业落地企业数(C4)个16
(3)系统效益维度。系统效益即技术创新产出，分为理论效益和应用效益两部分。在理论部分，使用人工智能国际顶级会议AAAI论文数[33]表示；应用效益层面，直接效益选取中心度高的发明专利指标，由技术研发阶段产生；间接效益包括微观层面新产品销售带来的效益和宏观层面技术落地应用带来的效益，由技术转化阶段产生。
参考已有研究，人工智能产业部分数据使用电子及通信设备制造业、软件与信息技术服务业数据的和进行替代[34]，统计数据来源于《中国高技术产业统计年鉴》、《科技统计年鉴》、《中国统计年鉴》；部分数据来自中国信息通信研究院系列研究报告，如中国产生的数据量等。考虑到2016年是我国“十三五”开局之年，且可查阅的相关统计数据目前仅更新到2018年，因此数据时间范围确定为2016-2018年。
3.2.1 变异系数法
综合评价需要经历指标赋权和综合评价值计算两个步骤。赋权有主观和客观两种方法，每种方法各有优劣。本文中各指标数据为定量数据，数值相差较大且存在0值，故使用变异系数法确定权重。步骤如下：
第一步，数据标准化处理。
正向指标：令
(1)
负向指标：令
(2)
其中，xij为第j个指标在第i年的指标值，yij为标准化后的指标值，xjmax与xjmin分别为第j个指标的最大值和最小值。
第二步，计算各指标的变异系数cj和权重wj。
(3)
(4)
其中，
为j个指标的平均数，sj为j个指标的标准差。
3.2.2 改进的TOPSIS模型
TOPSIS评价模型由Hwang等[35]提出，该综合评价法以正负理想解为评价标准计算相对贴进度，对数据、评价指标和对象无明确限制。同时，TOPSIS模型具备整体和局部评价优势，能够客观评价多个指标的各种方案[36]，以客观反映我国人工智能关键核心技术创新能力。改进的TOPSIS在评价矩阵中引入变异系数法确定的指标权重，能够提高综合评价的准确性和合理性。步骤如下：
(1)计算矩阵H每行指标与相应权重系数的乘积，确定加权规范化矩阵，H={Wj×Yij}m×n。
(5)
(2)确定正理想解H+和负理想解H-。
H+=(maxhi1,maxhi2,...,maxhin)
(6)
H-=(minhi1,minhi2,...,minhin)
(7)
(3)计算正负理想解之间的欧氏距离O+、O-。
(8)
(9)
(4)计算相对贴近度Bj。
(10)
相对贴近度取范围值在[0，1]之间，指标贴近度越接近1表明指标发展方向越好。根据以上步骤，依次计算各指标的变异系数、权重和贴近度。夏文飞等[37]指出使用变异系数可以判断评价指标的鉴别能力，若指标变异系数小于2.300则判定其鉴别能力较强。18个指标体系变异系数的最大值为1.414，最小值为0.728，均值为0.944，故人工智能关键核心技术创新能力各指标的鉴别能力良好，无需剔除。
3.3.1 测度结果分析
本文测度的综合评价值如图3所示。综合来看，人工智能关键核心技术创新能力由弱变强，呈高速增长态势。2016年，我国政府发布“互联网+”人工智能3年行动计划，标志着我国开始着力发展人工智能，但是创新主体参与少、政策效果滞后等问题导致关键核心技术创新能力较弱。2017-2018年，政策红利释放强劲效应，各方资本积极参与，开放创新平台逐步建立，这一系列举措推动着人工智能关键核心技术创新能力快速提升。
图3 人工智能关键核心技术创新能力测度结果与趋势
从3个准则层看，创新主体、创新环境和系统效益均呈持续向好趋势，各准则层发展均衡，充分拉动人工智能关键核心技术创新能力增长。创新主体和系统效益贴近度不断增加，特别是2018年增速明显加快。在创新环境支撑与创新主体的积极参与下，技术创新取得丰硕成果。如在自然语言处理领域，我国论文数量、独角兽企业数量赶超美国。在政府战略引领下，创新主体不断丰富、互联网与物联网等技术兴起、数据量激增、多方资本注入，创新环境明显改善，由最初的0值跃升到0.714。
3.3.2 准则层测度结果3.3.2.1 各准则层指标贴近度
各准则层指标贴近度走向存在差异，如表3所示。贴近度走向呈现5种趋势：①12个指标的贴近度持续上升；②C4的贴近度持续下降；③A1和A2的贴近度先下降后上升；④A5和B1的贴近度先上升后下降；⑤A3的贴近度连续两年为0后，实现逼近极值的急速增长。
(1)创新主体层面。创新主体维度整体发展不平衡，8个指标覆盖了4种不同的贴近度走向。人工智能新增企业数量贴近度波动大，人工智能热潮下众多企业涌入市场，但初创型企业抗风险能力弱，可能会被激烈的市场竞争淘汰；持观望态度的企业望而却步，直至2017年政策风向再次倾向人工智能，新一轮初创企业涌入市场。因此，良好的政策环境促进技术创新能力提升[38]。开设人工智能专业的高校数量贴近度发生由0到1的变化，源于2018年教育部批准部分高校开设人工智能专业。
(2)创新环境层面。创新环境维度总体发展平衡，6个指标存在2种贴近度走向，社会环境日趋完备。①政策方面，人工智能政策呈现“弱指令型”扩散模式，遵循“由点到面”、跨层级、垂直型扩散路径[39]，政策数量逐年攀升；②技术环境方面，开放平台数量存在波动，2017年我国制定了人工智能发展规划并启动重大科技项目建设计划，以科大讯飞和互联网三大巨头BAT为载体，确立了4个首批国家级人工智能开放平台；2018年处于探索过渡期，平台建设准则和申报要求未明确；2019年开放“自主申请和推荐”两条报名通道，鼓励各企业充分发挥自身特色优势，同年确立10个开放平台，预计未来还会有更多企业承接细分领域平台建设重任，创新环境将持续优化。
(3)系统效益层面。系统效益维度发展趋于稳定，3个指标持续向好，1个指标呈下降趋势。在技术创新转化阶段，创新产出不仅体现在对本行业的贡献上，还需要为其它传统行业转型升级赋能。在指标上体现为理论层面会议论文数量，应用层面体现为专利、新产品收入和技术落地。除TOP100企业新增落地数量逐年减少外，其它指标发展势头良好。论文数量已与国际并跑，部分领域名列前茅。
表3 各准则层具体指标评价结果与贴近度走向
准测层指标编码2016年2017年2018年贴近度走向创新主体(A)A10.2420.0000.569A21.0000.0000.023A30.0000.0001.000A40.0000.5811.000A50.1431.0000.000A60.0000.7371.000A70.0000.5701.000A80.0000.3711.000创新环境(B)B10.0001.0000.250B20.0000.3961.000B30.0000.5851.000B40.0000.7551.000B50.0000.3321.000B60.0000.3771.000系统效益(C)C10.0000.1581.000C20.0000.4251.000C30.0000.4891.000C41.0000.6250.000
3.3.2.2 准则层各指标权重分布
3个准则层各指标权重分布如图4所示。
(1)在创新主体层面，创新主体数量和创新投入测度权重排序为：A3(开设人工智能专业的高校数量)>A2(R&D内部支出中的企业资金)>A5(人工智能相关科研院所数量)>A1(人工智能新增企业数)>A8(自科基金信息科学学部批准项目数量)>A7(R&D经费中的政府资金)>A4(学校人工智能学科R&D课题数量)>A6(出台人工智能政策的省政府数量)。概括而言，创新主体数量的重要性高于创新资源投入，创新生态系统中创新主体丰富度能够提升企业抗风险能力。创新主体有不同的作用方式，高校相对重视基础理论研究、专业人才培养；科研院所紧跟行业发展趋势，纵向深挖细分领域技术；企业是技术创新的主要载体。除宏观调控手段外，政府R&D资金投入的积极作用不容忽视。
图4 3个准测层各指标权重分布
(2)在创新环境层面，各指标权重相对均衡，具体顺序为：B1(人工智能开放平台数量)>B5(投融资总额)>B6(每年新增政策数量)>B2(中国产生的数据量)>B3(集成电路产量)>B4(人才需求数量)。表征算法的B1权重略高，算法是使用计算解决问题的思想和方法，包含逆演绎算法、支持向量机、随机森林和置信网络等，为群体智能技术提供理论支撑。人工智能技术创新是一项投入高、周期长的研发活动，需要社会资本的长期注入。例如，计算机视觉和深度学习领域独角兽企业商汤科技除基础研究扎实外，还需要不断融资来支撑企业发展。我国智能芯片被“卡脖子”、领军人才缺失表现为算力、人才权重较低，而这正是制约人工智能关键核心技术创新的关键。
(3)在系统效益层面，理论效益权重表现优于应用效益，除落地企业数权重较低外，其它3项指标权重相差不大，特别是在论文、专利方面表现卓越。此前，针对我国SCI论文体量大但关键核心技术仍存在“卡脖子”的问题，科技部等部委联合倡导“破四唯”、“立新四条”，由关注数量转变为侧重内容。应用方面，人工智能技术研发企业以初创型企业居多，许多企业无法支撑长期、大量研发资金投入，落地困难。因此，在完成商业落地前需要克服“死亡谷效应”，只有在竞争中生存的企业才可能步入整个技术创新生命周期的良性循环。
本文从创新生态系统新视角出发，构建由3个准则层、12个要素层和18个指标层组成的评价指标体系，使用2016-2018年数据测度人工智能关键核心技术创新能力，揭示其变化趋势，得出如下结论：
(1)我国人工智能关键核心技术创新能力稳步提升，但其增速与各准测层增速不匹配，存在“剪刀叉效应”。2016-2018年，目标层贴近度由0.302升至0.626，保持平稳增长态势。但是细分而言，2016-2017年目标层增幅高于系统效益，低于创新主体和创新环境，此时创新主体快速补充、创新环境持续优化，但对提升技术创新能力的贡献度不高； 2017-2018年，目标层增速高于创新环境，低于创新主体和系统效益。
(2)在创新主体层面，总体贴近度增长速度快，少量细分指标贴近度波动明显。创新主体维度测度包含不同创新主体数量和创新资源投入，其中创新主体数量对人工智能关键核心技术创新能力的影响高于资源投入。在创新主体数量层面，随着政策不断扩散，我国人工智能战略在各省市全面铺开，关注人工智能创新发展的省市数量稳步攀升。而权重排名靠前的新增企业、高校和科研院所数量均不断波动。在创新资源投入层面，企业资金投入和基础研究扮演着重要角色。
(3)创新环境层面，总体贴近度虽然逐年上升，但增长速度明显放缓。在技术环境层面，算法对提升人工智能关键核心技术创新影响显著，其次是数据和算力，这与技术创新生命周期相关。完成技术创新需要优化算法模型，且在高速计算支撑下训练海量数据集，提高算法模型精准度。在社会环境层面，投融资环境和政策导向趋于完善，拉动人工智能技术创新能力增长。
(4)在系统效益层面，总体贴近度以高增速增长，但是少数细分指标贴近度急剧下降。我国人工智能相关理论数量、发明专利数量一直居于国际前列，但在研究内容上却与发达国家存在差距。因此，应关注内容质量、创新性与可用性等，警惕内容同质化等现象的发生。需要注意的是，能够完成商业落地的人工智能企业数量呈下降趋势，技术转化环节受阻。
本研究理论贡献如下：①从创新生态系统视角出发，构建创新主体、创新环境、系统效益三维指标体系，对2016年以来我国人工智能关键核心技术创新能力进行测度，弥补了现有产业技术创新能力指标体系以投入产出为主和侧重R&D统计数据的不足，丰富了人工智能关键核心技术创新测度与评价理论框架；②立足我国人工智能关键核心技术创新实践情景，遵循“确定备选指标-补充和筛选指标-确定指标”路径，缓解了指标体系构建主观性问题，拓展了关键核心技术创新能力测度应用范畴，为客观测度前沿技术创新能力提供了一套实践方法。
根据上述结论，本文提出以下对策建议：
(1)协调人工智能关键核心技术创新能力增速与创新质量的关系，建设科技创新长效治理机制。由于创新资源的有限性，创新速度与创新质量可能存在负相关关系，特别是在国内政策红利强劲释放、市场需求大爆发背景下，部分企业受短期利润驱使，停留在国外开拓过的技术轨道上开展渐进式创新(柳卸林等，2011)，技术创新活动呈现“策略性迎合”与“量大质低”的特征[40]，因此应及时建立技术创新质量评估、反馈与预警制度，坚持科技创新与体制机制创新“双轮驱动”。
(2)在创新主体层面，应培育多元化创新主体，通过协同创新实现价值共创。人工智能技术不确定性高、投资回报周期长，导致创新主体数量波动大。因此，应充分发挥政府的引领作用，加强顶层政策设计，积极培育创新主体，不断丰富创新主体数量和种类，确保创新主体参与的连续性、稳定性和可持续性。以企业为中心节点，完善创新主体间的互动机制，筑固政产学研深度融合技术创新生态系统。同时，以示范企业为载体，以点带面引导企业加大创新投入。
(3)在创新环境层面，打造集算法、算力和数据三位一体的超算中心，推动技术环境和社会环境融合建设。算法模型复杂度日渐提升，底层算法原始创新困难、数据可用性差、共享程度低等问题凸显。建设超算中心需要实现从硬件到软件、从芯片到架构、从建设模式到应用服务等各个环节的开放共享，在软硬件方面达到资源池化、实现数据高效调度和流转。最终，基于超算中心算力基础设施，打造开放协同的技术交流平台。同时，以吸引资本注入为抓手，扩大技术环境和社会环境组合效用，实现“1+1>2”的聚合效应。
(4)在系统效益层面，狠抓“四破四立”落实工作，推进科技评价体系改革。重点关注科研成果质量而非数量，坚持“从0到1”的原始创新，夯实技术创新理论基础，催化技术创新过程。不断拓展人工智能应用场景，加快人工智能关键技术转化，提升中小微企业创新能力和专业化水平，助力拥有成熟技术的企业顺利完成商业落地，鼓励企业建设不同技术领域国家级人工智能开放创新平台。
本文存在如下不足：①在构建指标体系时虽然已经考虑到理论依据和行业特性，但实证结果是对人工智能关键核心技术创新能力的概览，弱化了不同技术子领域带来的异质性影响，未来可将技术生命周期和创新生态系统相融合，使用案例研究法探讨某个子技术领域的创新机理，构建测度某一子技术创新能力的指标体系；②考虑数据及时性和可获得性，以2016年为数据时间点，由于统计口径和疫情等因素的影响，只能获得3年数据，可能会给实证结果带来细微影响，但可将本文研究思路拓展至其它行业。
[1] 封伟毅,李建华,赵树宽.技术创新对高技术产业竞争力的影响——基于中国1995-2010年数据的实证分析[J].中国软科学,2012，27(9):154-164.
[2] FRISHAMMAR J, ERICSSON K, PATEL P C. The dark side of knowledge transfer: exploring knowledge leakage in joint R&D projects[J]. Technovation, 2015, 41: 75-88.
[3] 陈劲,阳镇,朱子钦.“十四五”时期“卡脖子”技术的破解：识别框架、战略转向与突破路径[J].改革,2020，37(12):5-15.
[4] STIFTUNG B. Bertelsmann stiftung's transformation Index (BTI) 2014 — Laos country report[J]. Bertelsmann Stiftung, 2014.
[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/OL].当代经济管理:1-9[2020-12-20].http://kns.cnki.net/kcms/detail/13.1356.F.20201120.1410.002.html.
[7] 新华社.习近平出席中国科学院第十九次院士大会、中国工程院第十四次院士大会开幕会并发表重要讲话[EB/OL]. [2018-05-28]. http://www.gov.cn/xinwen/2018-05/28/content_5294268.htm.
[8] 李显君,熊昱,冯堃.中国高铁产业核心技术突破路径与机制[J].科研管理,2020,41(10):1-10.
[9] CANNICE M V, CHEN R R, DANIELS J D. Managing international technology transfer risk:alternatives and complements to ownership structure[J].Management International Review, 2004, 44 (1) :129-152.
[10] KALE P, SINGH H, PERLMUTTER H. Learning and protection of proprietary assets in strategic alliances: building relational capital[J].Strategic Management Journal,2000,21(3):217-237.
[11] 张杰.中国关键核心技术创新的特征、阻碍和突破[J].江苏行政学院学报,2019,19(2):43-52.
[12] 张杰,吴书凤.“十四五”时期中国关键核心技术创新的障碍与突破路径分析[J].人文杂志,2021,65(1):9-19.
[13] 张治河,苗欣苑.“卡脖子”关键核心技术的甄选机制研究[J].陕西师范大学学报(哲学社会科学版),2020,49(6):5-15.
[14] 邵必林,赵煜,宋丹,等.AI产业技术创新系统运行机制与优化对策研究[J].科技进步与对策,2018,35(22):71-78.
[15] 房超,李正风,薛颖,等.基于比较分析的人工智能技术创新路径研究[J].中国工程科学,2020,22(4):147-153.
[16] 李修全.当前人工智能技术创新特征和演进趋势[J].智能系统学报,2020,15(2):409-412.
[17] 黄鲁成,薛爽.机器学习技术发展现状与国际竞争分析[J].现代情报,2019,39(10):165-176.
[18] 王友发,张茗源,罗建强,等.专利视角下人工智能领域技术机会分析[J].科技进步与对策,2020,37(4):19-26.
[19] MORTAZAVI RAVARI S S, MEHRABANFAR E, BANAITIS A, te al. Framework for assessing technological innovation capability in research and technology organizations[J].Journal of Business Economics and Management,2016,17(6)：825-847.
[20] CHEN Q, WANG C H, HUANG S Z. Effects of organizational innovation and technological innovation capabilities on firm performance: evidence from firms in China's Pearl River Delta[J].Asia Paci
c Business Review,2019,26(1):1-25.
[21] ADLER P S, SHENHAR A. Adapting your technolical base: the organi-zational challenge[J]. Sloan Management Review,1990,32(1).
[22] YAM R, GUAN J, PUN K, et al. An audit of technological innovation capabilities in Chinese rms:some empirical ndings in Beijing, China[J].Research Policy,2004,33(8):1123-1140.
[23] 吴友军.产业技术创新能力评价指标体系研究[J].商业研究,2004,47(11):27-29.
[24] FANG S, XUE X, YIN G, et al. Evaluation and improvement of technological innovation efficiency of new energy vehicle enterprises in China based on dea-tobit model[J].Sustainability,2020,12(18):7509.
[25] 梅亮,陈劲,刘洋.创新生态系统:源起、知识演进和理论框架[J].科学学研究,2014,32(12):1771-1780.
[26] 吴彤.技术生态学的若干问题[J].科学管理研究,1994(4):55-59.
[27] 潘苏楠,李北伟,聂洪光.我国新能源汽车产业可持续发展综合评价及制约因素分析——基于创新生态系统视角[J].科技管理研究,2019,39(22):41-47.
[28] 彭中文,何新城.湖南装备制造业技术创新绩效及其竞争力研究[J].湘潭大学学报(哲学社会科学版),2009,33(2):39-43.
[29] 刘军.整体网分析讲义:UCINET软件实用指南[M].上海:上海人民出版社,2009.
[30] 邓一华,吴贵生.技术创新活动的几种测度方法综述[J].科技进步与对策,2002，19(7):66-67.
[31] 王宏起,刘梦,武川,等.区域战略性新兴产业创新生态系统稳定水平评价研究[J].科技进步与对策,2020,37(12):118-125.
[32] 吴贵生,王毅,王瑛.政府在区域技术创新体系建设中的作用——以北京区域技术创新体系为例[J].中国科技论坛,2002，18(1):32-37.
[33] 张春博,丁堃,贾龙飞.国际人工智能领域计量与可视化研究——基于AAAI年会论文的分析[J].图书情报工作,2012,56(22):69-76.
[34] 李旭辉,张胜宝,程刚,等.三大支撑带人工智能产业自主创新能力测度分析[J].数量经济技术经济研究,2020,37(4):3-25.
[35] HWANG C L,YOON K.Multiple attribute decision making:methods and applications[M].Springer,Heidelberg,1987.
[36] 马宗国,曹璐.制造企业高质量发展评价体系构建与测度——2015—2018年1881家上市公司数据分析[J].科技进步与对策,2020,37(17):126-133.
[37] 夏文飞,苏屹,支鹏飞.基于组合赋权法的高新技术企业创新能力评价研究[J].东南学术,2020,33(3):153-161.
[38] BARROS C P, LIANG Q B, PEYPOCH N. The technical efficiency of US airlines[J].Transportation Research Part A Policy & Practice,2013,50(2):139-148.
[39] 刘红波,林彬.人工智能政策扩散的机制与路径研究——一个类型学的分析视角[J].中国行政管理,2019,35(4):38-45.
[40] 黎文靖,郑曼妮.实质性创新还是策略性创新——宏观产业政策对微观企业创新的影响[J].经济研究,2016,51(4):60-73.