近年来人工智能引起各行业极大关注，权威机构Venture Scanner公布的数据显示，2011-2017年全球人工智能领域融资额复合增长率达55%，2017年人工智能产业获70亿美元投资。与此同时，知网数据分析显示，2015年人工智能中文发文量为4 153篇，2017年爆发式增长至9 033篇，较2016年同期增长63%。当前人工智能已发展到感知智能层次，即计算机能够通过感知环境获取信息，完成大量“看”和“听”的工作，将为人类生产、生活带来不可预知的改变。但是感知人工智能产业作为新兴产业，目前与之相关的技术创新及产业发展规律尚不清晰，研究手段尚不明确，亟待深入探讨。

如今产业间技术流动成为现代工业最显著的特征，技术创新模式逐步由传统的科学突破模式转变为技术融合，其中技术交叉融合已成为促进产业技术创新的主要内在动力[1]。例如，传统机械技术与电子技术结合产生了机电一体化，光学与电学技术融合形成了光纤通讯系统。与传统科学突破创新模式不同，技术融合模式覆盖了多个独立技术领域的渐进式创新，不同领域相互吸收技术，以非线性方式实现市场技术替换[2]。李丫丫[3]指出技术融合是新兴产业技术发展的动力机制；Kodama[1]指出技术融合能将前所未有的特性赋予发明，进而推动技术进步与领域拓展。因此，对于感知人工智能技术融合趋势进行准确分析，有助于提前把握人工智能产业技术现状及发展规律，为国家制定行业政策提供理论依据，为技术人员探究技术发展规律提供支撑，为政府及投资者确定科技优先领域、合理配置科技资源提供科学指导，从而提升我国在人工智能领域的科技创新能力，为人工智能市场发展、产业壮大提供源源不断的动力,是当今技术研究领域的重要方向。

自20世纪70年代起，已有众多学者对技术融合展开了系统研究。技术融合是多产业、多技术交叉产生的复杂现象，其概念尚未统一，主要将其定义为技术会聚、技术融合、技术集成等。技术会聚从技术角度剖析产业发展，认为产业融合是技术会聚的结果[4-5]；技术融合从技术发展方式角度出发，强调技术融合并非是不同技术的简单叠加[6]；技术集成从应用角度对不同技术进行考察、评估、调整，集成新技术以满足市场或企业应用需求[7]。本文采用“技术融合”统筹“技术会聚”、“技术融合”与“技术集成”的内涵。有关技术融合的研究主要从融合方式、融合驱动力两个角度展开。技术融合方式分为技术替代和技术互补[8]；技术融合驱动力主要来自于现有规则制度的瓦解、产品绑定机会的增加及集合多种产品的系统平台产生[8-10]。针对不同的研究层面，学者们采用不同的研究方法。产业层面大多以较为宏观的经济数据和产品数据为基础，采用技术侧写法[13]和价值链等方法[14]分析技术融合的特征规律; 技术层面大多以专利数据为基础[11]，采用专利引文分析法、专利分类分析法[12]以及文本挖掘等方法展开研究。

目前针对人工智能技术融合产业层面的分析，多与人工智能技术结合的具体传统行业相关，如教育、金融、医疗等诸多领域。Crowe & Dale等[15]利用人工智能机器理解自然语言，对在线学习系统进行评估并展望了人工智能如何帮助老师创建有针对性的学习工具和课程安排；Park & Han[16]对人工智能技术在医学诊断和预测中的临床表现进行系统评估，并对未来产业应用进行展望。此外，人工智能伦理规范一直是学者们讨论的热点。刘宪权[17]认为我国目前刑法体系对人工智能有关主体的刑事责任规范不明确，建议增设人工智能有关罪责；Ashrafian[18]强调人工智能法律不应只关注人机交互，还应约束机器与机器之间的交互行为。另有学者从较为宏观的角度进行人工智能产业发展分析。朱巍等[19]系统梳理了人工智能学科发展脉络，并对国内外人工智能发展格局进行对比，进而提出我国人工智能产业发展的对策与建议；朱巧玲与李敏[20]从技术变革角度探究了人工智能对劳动力结构的影响。总体来看，现有人工智能产业发展趋势研究多集中在行业现状层面，如国内外人工智能产业现状综合分析与对比、从全球与中国视角总结人工智能发展史及不同时期的主导技术等。

在人工智能技术融合研究的技术层面，学者们大多聚焦于具体技术或算法改进上。由于技术融合过程需要跨产业、越边界，而融合数据获取的困难性限制了相关研究开展。专利数据具有易获取、结构化、技术信息完善等特点。但是目前人工智能领域依旧缺乏以专利数据为基础的技术融合趋势分析及预测研究，少有对人工智能领域进行产业技术发展的宏观预测与分析，感知人工智能技术融合趋势的定量分析研究更是鲜有学者涉及。

技术成长S型曲线以专利申请量为基础，能分析出一项技术成长特性，但是其仅关注到专利申请数量，无法揭示专利技术交叉融合的特性。此外，目前主要采用单一静态指标测度单一专利中的技术融合情况。例如，用于体现个体集中度的指标——赫芬达尔指数(HHI)，无法展现综合专利的技术共现、增长趋势等特性，也难以全面、细粒度地准确判断技术融合趋势。

技术融合是由多学科技术交叉引起的非线性融合现象[21]，因此本文从融合的核心技术(技术宽度)、单一专利中技术分散度(融合的技术数量)、专利总量增长趋势等多角度全面刻画技术融合特征，并绘制技术融合趋势象限图，准确描述产业技术融合趋势。

本研究采用IPC分类体系(International Patent Classification)与ISI-OST-INPI分类体系(以下分别简称IPC、ISI分类体系)对照的方法。IPC分类体系[22]的原则是“功能优先”，即从专利成果角度划分所属产业部门，虽然可以系统地将专利对应到部-大类-小类以及大组-小组层级，但是无法从专利研发角度体现专利开发技术。世界产权组织发布的ISI体系则将技术划分为5个部门、35个种类，该体系为IPC分类体系下的每一个专利分类号提供了对应的技术类别。

IPC体系下每项专利具有多个专利分类号，每个分类号对应ISI体系中的一个技术种类。所以专利分类在IPC体系与ISI体系转换时，可能出现一项专利对应多个重复技术种类的情况。例如，IPC分类体系公开号为“US5621814 (A)”的专利，其分类号为“G01B11/24、G01B11/06、G06T1/00、G06K9/00”，每个分类号在ISI体系中对应的技术类别分别为Measurement、Measurement、Computer Technology、Computer Technology，可见该项专利涉及两项技术，且分别有一组重复值。类似的情况会对下文构建技术共现矩阵产生干扰。因此，需对与ISI体系转换后的每项专利技术数据进行去重处理。

此外，为了在专利分析中准确把握感知人工智能发展趋势，首先需要识别出核心技术，排除次要技术的干扰，本文利用技术共现矩阵、技术间关联度两个指标实现。

1.1.1 技术共现矩阵

本文将IPC与ISI两大分类体系结合使用，根据两大体系对照结果，对专利数据进行技术分布的共现统计[23]，分析感知人工智能专利的主要技术来自于哪些技术部门，描述具体技术间的融合结构，进而构建对称型技术共现矩阵。基于关键技术的共现矩阵为n*n对称矩阵，矩阵中每个元素Cij代表技术i与技术j共同出现在同一项专利中的次数[24]，即两种不同技术共同刻画的融合关系；对角线上的元素代表每项技术单独在专利中出现次数。

1.1.2 技术关联度系数

技术共现矩阵可以清晰展现产业核心技术构成及融合形式，但是很难直观反映技术之间的关联关系，因此借鉴Breschi等[25]使用的技术关联关系测度方法，提出技术关联度系数。

(1)

式(1)中，k代表核心技术数量，即技术融合的宽度；Cjn代表技术j与技术n共同出现在同一项专利中的次数；Sij代表技术i与技术j的关联度系数，取值越大代表这两项技术关联越紧密。若Sij在对角线上的取值为1，表示技术i与j在专利中的共现分布完全一致，即每项技术与自身的融合度；若Sij取值为0，则表示i、j两项技术的专利分布完全不重叠。对n项核心技术进行关联度系数测算，可以得到一个新的10*10对角矩阵，用以呈现核心技术之间融合的紧密程度。

技术关联度系数仅反映成对技术间的融合情况，是从静态角度对技术融合现状的考量。为了全面刻画多项技术间的融合特性，本文提出技术融合分散度系数。参考用于衡量个体集中度的指标——赫芬达尔指数(HHI)[4]，以时间序列数据为依据，设计分散度系数如下：

(2)

式(2)中，n代表感知人工智能领域的n项关键技术，代表第t年技术i出现的次数，Xt代表第t年技术总申请量。为了降低仅测算关键融合技术分散度带来的误差，将分母设为观测年度领域内专利申请总量，分子则为具体某项技术在观测年度出现的次数。

HHI主要用于统计市场中主体的集中度，HHI越大表示市场中主体集中度越高，当市场出现垄断情况时指数值为1，反之则集中度较低。在此，本文将每项技术假设为市场中的一个经济主体，HHI指数取值越大，技术种类越单调、集中，技术总体融合深度越低。因此，本文用1-HHI表示融合分散度，显而易见，C取值越大表示该领域技术融合越均匀，融合宽度与紧密度越高。

分散度仅表示在单一专利中所融合的技术数量，需进一步基于专利总申请量进行发展阶段与速度判断，才能全面分析技术融合的特点。技术成长S型曲线以专利申请量为基础，通过迭代方法拟合出产业技术成长过程中的各个重要关键点，并能对专利申请量的峰值进行时间和数值预测。本文采用Logistic模型演绎感知人工智能的技术成长S曲线，该模型是关于反曲点对称的曲线模型，其数学表达式为：

(3)

在上述模型中，3个参数分别为饱和值K(saturation)、斜率α、反曲点β(midpoint)，其置信区间与标准误差可以通过Bootstrap方法确定。本文中模型自变量为专利申请量的时间序列，因变量为专利累计申请量。通过该模型可以计算出感知人工智能技术成长曲线的峰值、反曲点及成长区间。需要特别说明的是，技术成长曲线的前10%视为技术萌芽期，后90%视为技术成长期及成熟期。

技术成长S曲线虽然能准确反映专利申请量，但是无法体现单一专利中融合的核心技术数量。为了全面刻画技术融合趋势特点，综合考虑专利数量增长惯性即技术成长的曲线增长率，以及体现单一专利中融合的技术数量即分散度，绘制技术融合趋势象限图如图1所示。

图1 技术融合趋势象限

技术融合趋势象限图将技术融合发展分成引入期、成长期、成熟期和衰退期4个阶段。在引入期，技术处于研发阶段，专利申请大多来源于高校、研究所等科研机构，虽然专利总量少，但曲线增长率较高，此时专利融合的技术种类很少，技术融合宽度与深度均处于较低水平；产业发展进入成长期后，大量企业和社会资金涌入，技术成长曲线增长率明显增加，专利申请量保持高速增长。在成长期，产业专利横向融合了更广泛的技术种类，技术间联系更加紧密，技术融合度得到大幅提升，技术成长曲线增长率与技术融合分散度均处于周期内最高值；进入成熟期，技术发展趋于稳定，技术成长曲线增长率维持在较低水平，技术融合宽度也不再有明显增加，已存技术间的融合将不断加深至均匀分散状态。此时技术融合分散度基本与成长期处在同一水平，如若没有重大技术革新，技术发展将自然过渡到衰退期；产业技术发展至衰退期，掌握核心技术的企业已不再具备竞争优势，技术融合分散度由于排除了一些边缘技术，只剩下少数主流技术支撑而维持在较低状态，技术成长曲线增长率也处于下降状态，专利申请量甚至可能出现负增长。

本文选取欧洲专利局作为样本数据的数据库来源，欧专局目前覆盖全球约70个国家，我国知识产权局于1985年与欧专局签署了第一份合作协议。在欧专局的检索模式下一次性最多呈现500条检索结果，所以本文采用高级检索，根据专利公布时间(publication date)进行分段检索。本文采用人工智能视听领域专利数据考察感知人工智能技术发展现状，同时基于感知人工智能主要技术与应用领域两个方面综合考虑，检索关键词最终确定为“Title or abstract = computer vision or natural language processing or image recognition or speech recognition”，专利公布时间限定为“1956年1月1日—2017年12月30日”，最终在欧专局中获得10 685条专利数据。

2.1.1 感知人工智能技术融合宽度及融合结构

(1)技术融合宽度。本文对10 685项专利的分类号进行ISI体系技术对照处理后，统计结果显示感知人工智能技术宽度涉及五大部门的34项技术。表1仅列举了出现频次最高的10项技术，即感知人工智能领域主要融合的10项关键核心技术。

表1 感知人工智能专利IPC-ISI体系技术对照

产业部门技术名称技术简称出现次数比例(%)IPC分类码电器工程计算机技术CT939466.10G06E,G06F,G06G,G06K,G06M,G06N,G06T,G10L,G11C电信TE9806.90G08C,H04B,H04H,H04K,H04M,H04Q,H04N-001视听技术AT7115.00G09F,G09G,G11B,H04N,H04R,H04S,H05K数字通信DC3172.23&H04L,H04W,H04N-21IT管理方法IMM2471.74G06Q仪器控制技术CO7245.09G05B,G05D,G05F,G07B,G07C,G07D,G07F,G07G,G08B,G08G测量技术MS6344.46G01B,G01C,G01D,G01F,G01G,G01H,G01J,G01K,G01L,G01M,G01N,G01P,G01G,G01R,G01S,G01V,G01W,G04B,G04C,G04G光学OP1120.79G02B,G02C,G02F,G03B,G03C,G03F,G03G,G03H,H01S机械工程运输TR2491.75B60C,B60G,B60H,B60J,B60K,B60L,B60N,B60Q,B60R,B60S,B60T,B60W,B61K,B61L,B62B,B62D,B62J,B62K,B62M,B63B,B63H,B64C,B64D,B64F家具FU1080.76A47B,A47D,A47F,A47G,A47J,A47L,A63B,A63D,A63F,A63H,A63J,A63K

表1结果显示，感知人工智能领域排名前10的技术占到技术总量的94.82%，涉及电器工程、仪器、机械工程三大产业部门。其中，计算机技术占比66.10%，为所有技术中比例最高，电器工程类技术占比81.97%，而仪器与机械工程部门占比分别为10.34%、2.51%，其它技术部门占比不到5.18%。这说明感知人工智能融合主导技术来自于电器工程部门，在计算机技术基础上融合了电器工程、仪器和机械工程部门的电信、测量、光学、运输等多项技术。

(2)技术融合结构。图2及图3给出了三大技术部门之间不同时期的融合结构。图2显示，感知人工智能融合的电器工程类技术在产业初期出现的比例最高，一直到1977年前后几乎所有专利的核心技术均来自电器工程部门，1977年后这一比例虽有所下降，但总量仍高于其它两大部门；图3中，仪器与机械工程的5项核心技术占比在1980年后持续保持低幅度增长，但总体比例仍较低。

综上，电器工程类的计算机等技术一直是感知人工智能主要融合的技术类别，且在产业诞生初期占比最高。由此可知，以计算机技术为代表的电器工程部门技术为感知人工智能前期技术研发与改进作出了巨大贡献；仪器与机械工程部门技术在行业技术发展后期比例有所上升，一定程度上说明控制、测量、光学、运输等技术是与感知人工智能具体应用场景相关的技术。目前感知人工智能技术三大部门的技术比例变化幅度均较小，技术间的融合也以计算机技术为主，成熟期后与应用场景相关的其它部门技术占比及共现次数均有可能持续加大。

2.1.2 感知人工智能技术融合共现矩阵

图2与图3是从较为宏观的技术部门角度统计的技术相对比例变化情况，本文通过构建表2的10*10技术共现对称矩阵，揭示核心技术融入感知人工智能专利技术的形式，从另一个角度阐明感知人工智能技术的融合结构。

图2 电器工程部门技术占比

图3 仪器及机械工程部门技术占比

由表2可知，在感知人工智能领域，计算机技术与其它9项核心技术共同出现次数普遍高于其它技术的共现次数；各项技术单独出现的次数也以计算机、控制、电信、测量四项技术居多。不同技术融合中，以计算机技术和电信技术间共同出现频次最高，融合最为紧密；运输与家具、IT管理方法与运输、光学之间共现次数为0，即相关技术在该领域专利中还未共同出现过。

表2 感知人工智能核心技术共现矩阵

CTTEDCATCOMSTRIMMOPFUCT7116TE922149DC57468130AT54862160737CO47311098105161MS435654875158126TR179604962604246IMM180343117248050OP574545518146019FU6276615403136

2.1.3 感知人工智能技术关联度

为了展现10项核心技术彼此之间关联紧密程度，本文对表2的专利技术共现情况进行关联度测算，得到核心技术关联度系数矩阵如表3所示。由表3可知，感知人工智能核心技术间总体关联系数较高，均大于0.61，且多项技术间关联系数大于0.90，说明产业技术间关联较紧密。

由表3可知，感知人工智能核心技术间总体融合系数较高，均大于0.61，且多项技术间融合系数大于0.90，说明产业技术间融合较深。如CO(控制技术)与MS(测量)和TR(运输)的融合系数最高，分别为0.99和0.98，而FU(家具)与OP(光学)技术融合度为0.61，是核心技术中彼此融合度最低的两项技术。对上述感知人工智能融合的核心技术进行成对关联度统计，能体现融合技术的多样化，更加直观地展现技术间两两融合的紧密程度。

基于指标分析结果，选定上述10项技术作为感知人工智能融合的核心技术。需要说明的是，计算机技术与其它9项核心技术间的关联系数(表3第一列)普遍高于另外9项技术与其它技术间的关联系数，说明计算机技术是感知人工智能融合的最核心技术。统计过程中，笔者发现这一领域专利融合的技术种类随着时间推移逐步增加。按照这一趋势，随着产业技术进一步发展，将会横向融合更多技术种类，且技术间两两关联度也会增大，即技术间关联关系会随着感知人工智能技术发展而逐渐密切。

表3 感知人工智能核心技术关联度系数

CTTEDCATCOMSTRIMMOPFUCT1.00TE0.791.00DC0.650.731.00AT0.660.770.711.00CO0.920.840.730.731.00MS0.940.800.680.660.991.00TR0.900.880.800.780.980.961.00IMM0.960.810.670.710.920.920.891.00OP0.690.920.880.860.800.730.860.721.00FU0.870.700.660.680.840.850.800.850.611.00

本节基于时间序列分析感知人工智能的技术融合分散度，并对其动态演化趋势进行考查。1956-1992年，该领域专利年申请量均未超过100项，此时技术发展尚未形成稳定局面，专利数据不具有代表性，所以将专利技术的动态融合考察期设置为1993-2017年。感知人工智能技术的动态融合分散度用折线图形式呈现，如图4所示。1993-2017年，感知人工智能技术分散度指数呈波动上升趋势，说明感知人工智能专利中技术越来越多样化，同一专利中融合的技术越来越多。

图4 感知人工智能技术融合分散度演化趋势

借助Loglet Lab4软件，迭代计算技术成长S曲线的峰值(saturation)、反曲点(midpoint)、成长区间(delta a)，如表4所示，并以此构建感知人工智能技术成长曲线，如图5所示。可以看出，感知人工智能产业成长过程经历了3个阶段，这与很多学者认为人工智能发展经历三次浪潮的观点相一致。由图5可知，2021-2030年，感知人工智能专利申请量增速将放缓，专利年申请量有可能达到本阶段的峰值。

ARIMA模型在时间序列预测方面有着很高的精度，本文采用5周期ARIMA模型预测技术融合分散度趋势，结果如图6所示。设定图6中的技术融合分散度高低分界点为0.3，基于表4和图5呈现的本轮感知人工智能成长曲线的10%、50%、90%关键点，绘制感知人工智能技术融合趋势象限图，如图7所示。

表4 感知人工智能技术成长曲线参数

阶段saturationdeltaamidpointrate1%10%50%90%99%Phase117011.219880.39119761982198819942000Phase23744.0419991.0919951997199920012003Phase312957.8520180.75120102014201820222030

图5 感知人工智能技术成长曲线

图6 基于5周期ARIMA模型的分散度趋势预测

从图7可判断出本轮感知人工智能技术融合引入期始于2010年，成长期为2014-2018年，成熟期为2018-2021年，2021年进入技术融合衰退期。目前，感知人工智能技术融合处在成长期向成熟期过渡的阶段，创新动力持续增强，专利累计申请量保持高速增长；进入成熟期后，主导技术将成为主流，预计在2021年步入衰退期。因此，建议政府及投资者应加大对该领域主导技术的投资与扶持，在即将到来的技术融合成熟期抢占主动权。同时，政府还应提前加强对技术创新的引导，因为技术变革可能为技术发展带来新的生机。此外，政府应大力推广“感知人工智能+”模式，促进感知人工智能技术与传统产业结合，进一步拓展感知人工智能技术融合领域，提升技术融合动力。

图7 感知人工智能技术融合趋势象限

随着多产业间技术边界不断模糊化，技术融合如今已经成为技术发展和创新的重要特征，不仅是一种全新的技术创新模式，更是对生产方式的重大变革。因此，探索技术融合趋势有助于把握技术发展的内生动力，进而准确预测技术发展趋势，为行业发展及投资决策提供科学依据。相对于科学突破创新而言，技术融合创新强调创新过程中的融合与再创造[26]，将是21世纪最主要的技术创新形式，对于产业战略决策制定、企业技术管理具有非常重要的研究价值。

本文采用专利分析方法，基于感知人工智能领域的10 685项专利，根据IPC及ISI两大技术分类体系，对感知人工智能技术融合宽度、技术共现矩阵进行分析，挖掘出该领域融合的、以计算机技术为核心的10项核心技术，涉及电器工程、仪器与机械工程三大技术部门。通过对技术部门融合结构进行分析，发现电气工程技术对感知人工智能领域技术研发贡献最大，而其它两大部门的贡献占比在技术发展后期不断提高，为感知人工智能领域技术应用提供了有力支撑。在技术共现矩阵的基础上，对感知人工智能融合的核心技术进行成对关联度测算，再次确认计算机技术是感知人工智能技术融合的核心技术。同时，笔者认为随着时间推移，感知人工智能领域会横向融合更多技术种类。本文不仅从静态角度考察了感知人工智能技术融合现状，还从动态角度对感知人工智能技术融合分散度进行了分析，发现自1993年至今，感知人工智能技术融合分散度增长非常迅速，技术融合更加均匀，说明除最初的计算机技术外，已经有更多种类的技术参与到感知人工智能领域。

为了准确分析感知人工智能技术融合趋势，本文通过构建Logisitic、ARIMA两大模型，分别对感知人工智能技术成长趋势及技术融合分散度分钟趋势进行预测分析，并创新性地将技术成长曲线和技术融合分散度整合进技术融合象限图，结果显示：本轮感知人工智能技术正处于技术融合成长期，技术成长曲线增长率与技术融合分散度水平最高，市场中竞争主体数量快速增长；2018-2021年将步入技术融合成熟期，此时感知人工智能技术成长曲线增长率有所下降，但由于已形成稳定的技术融合架构，所以技术融合分散度没有显著下降，仍维持在较高水平；2021年后技术融合将步入衰退期，技术曲线增长率下降至最低水平，领域中融合的主要技术日渐突出，而部分边缘化技术逐步退出，故技术分散度也处于技术融合期的最低水平。

对于政府决策部门，应在积极布局现有感知人工智能核心技术基础上，拓宽感知人工智能融合的技术宽度、提高分散度，进一步加强该领域的技术创新，以在技术融合成熟期把握主动权。同时，应大力推广“感知人工智能+”模式，促进感知人工智能技术与传统产业结合，提升领域内技术融合动力，延缓技术融合衰退期的到来。对于感知人工智能产业投资者，应结合技术融合即将步入成熟期的趋势，将资本集中在感知人工智能应用领域。对于资金和技术资源充足的企业而言，可继续加大感知人工智能技术研发，争取获得突破性进展，在收获可观效益的同时为感知人工智能技术融合增添新动力,延缓其衰退期的到来。对于技术研发人员，应在掌握感知人工智能融合核心技术，如计算机、电信、视听等基础上，通过技术底层的知识流动，进一步加速技术融合进程，将更多新技术融入感知人工智能领域，争取突破技术融合现状，实现衰退期的技术融合创新与技术再生。

本文率先基于专利分析方法对感知人工智能领域技术融合发展进行研究，并首次将技术成长曲线增长率与技术融合分散度引入技术融合象限图，但研究方法存在一定局限性：①虽然专利能在较大程度上体现技术创新性，但并不能完全反映产业整体创新活情况；②技术融合涉及领域众多，对社会发展和技术创新具有广泛和深远的影响，虽然当前已对技术融合形成了一定认识，但仍然存在大量开放性课题亟待深入探讨，如突破性技术在技术融合中的扩散过程，各项技术的分布状况及其成熟度对技术融合速度和范围的影响机制，技术融合环境下技术范式变迁识别等；③现有的技术融合研究方法依然以网络分析为主，利用节点间耦合、共引、结构等价性等网络度量指标，定量描述技术间的相互关系，而对文本挖掘技术的应用并不充分。

因此，后续研究在用专利数据对行业技术创新进行研究时，可综合考量其它因素，尽量减少专利时滞性的影响。一方面，需要在加强技术融合理论研究的同时，关注技术多元化、技术溢出、复杂性技术发展等相关领域发展态势，从多个角度综合理解技术融合的方式和规律；另一方面，现代技术领域尤其是关联数据、数据挖掘、网络分析等迅速发展，既丰富了技术融合研究手段，也为之前面临的困难如技术领域难以准确划分、基础数据不能及时获取提供了新的解决思路，值得加以应用并深入研究。此外，研究者可将本文针对感知人工智能技术融合的探索方法移植到更多的产业领域，深层次揭示产业技术融合发展机理。

参考文献:

[1] KODAMA F. Emerging patterns of innovation: sources of Japan′s teleological edge[J]. R & D Management, 1996, 13(1):82-83.

[2] LINSTONE H A. The complexity challenge: technological innovation for the 21st centur [J]. Technological Forecasting & Social Change, 2000, 63(2):379-382.

[3] 李丫丫,赵玉林.战略性新兴产业融合发展机理——基于全球生物芯片产业的分析[J].宏观经济研究,2015，(11): 30-38+46.

[4] ROSENBERG N.Technological change in the machine tool industry,1840-1910[J].The Journal of Economic History,1963,23(4): 414-443.

[5] KIM M S,KIM C.On a patent analysis method for technological convergence[J].Procedia-Social and Behavioral Sciences,2012,40: 657-663.

[6] 彭志国.技术集成的实证研究——以Iansiti对美日半导体行业的研究为例[J].中国软科学,2002(12):95-100.

[7] MANAGEMENT R T.Technology integration:making critical choices in a dynamic world[J]. Research-Technology Management, 1998, 41(1):101-101.

[8] LEI D T.Industry evolution and competence development:the imperatives of technological convergence [J].Technology Management,2000,19(7/8): 699-738.

[9] GAMBARDELLA A,TORRISI S.Does technological convergence imply convergence in markets?evidence from the electronics industry [J]. Research Policy,1998,27(5):445-463.

[10] Porter M.竞争优势 [M].陈小悦,译.北京:华夏出版社,2005.

[11] CURRAN C, BRORING S,LEKER J.Anticipating converging industries using publicly available data [J]. Technological Forecasting&Social Change,2010,77(3): 385-395.

[12] ENGELSMAN E C,VAN RAAN A F J.A patent-based cartography of technology [J] .Research Policy,1994,23(1):1-26.

[13] BAR-EL R,FELSENSTEIN D.Technologcial profile and industrial structure:implications for the development of sophisticated industry in peripheral areas[J].Reginal Studies,1989,23(3):253-266.

[14] KARVONEN M, KASSI T. Patent citation analysis as a tool for analysing industry convergence[C].Technology Management in the Energy Smart World. IEEE, 2011:1-13.

[15] CROWE D, LAPIERRE M, KEBRITCHI M. Knowledge based artificial augmentation intelligence technology: next step in academic instructional tools for distance learning[J]. Techtrends, 2017(3):1-13.

[16] PARK S H, HAN K. Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction[J]. Radiology, 2018, 286(3):171920.

[17] 刘宪权.人工智能时代的刑事风险与刑法应对[J].法商研究,2018,35(1):3-11.

[18] ASHRAFIAN H. Aionai: a humanitarian law of artificial intelligence and robotics[J]. Science & Engineering Ethics, 2015, 21(1):29-40.

[19] 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.

[20] 朱巧玲,李敏.人工智能、技术进步与劳动力结构优化对策研究[J].科技进步与对策,2018,35(6):36-41.

[21] 陈亮,张志强,尚玮姣.技术融合研究进展分析[J].情报杂志,2013,32(10):99-105.

[22] 左晶.IPC和USC分类体系下专利检索的对比分析[J].现代情报,2007(1):130-132.

[23] 周磊,杨威,张玉峰.共现矩阵聚类分析的问题与再思考[J].情报杂志,2014,33(6):32-36+27.

[24] 邱均平,杨强.技术融合的计量分析——以4种新兴信息技术为例[J].图书情报工作,2014,58(14):90-97.

[25] BRESCHI S, LISSONI F, MALERBA F. Knowledge-relatedness in firm technological diversification[J].Research Policy, 2003, 32(1): 69-87.

[26] 齐晓云.信息技术融合及其对组织绩效影响的实证研究[D].长春：吉林大学,2011.

(责任编辑：林思睿)