Research on the Status of Artificial Intelligence Reasoning Technology: A Case Study of China and the United States and Their Key Enterprises
-
摘要: 中国和美国是人工智能专利申请最多的两个国家，推理是人工智能的核心和基座，可以通过对推理技术进展的研究来把握两国人工智能关键能力的水平。人工智能推理的本质是对思维过程的模拟或再造，将人的行为习惯、思维决策过程、事物或事件的节点及过程计算机程序化。中国的人工智能推理学术论文发文量和专利申请量从2021年开始超过美国。然而，从专利申请和授权情况来看，中国企业的表现并没有比美国企业更为突出，反而在知识推理、自动驾驶、实时交通分析等方面较为擅长。美国企业则在认知模型、神经推理、建筑、电网、人机交互等前沿方向上获得了不少专利授权。通过中美两国的分析比较，文章认为中国的各类研发主体应加强合作，拓宽技术研发范围，补足专利技术保护范围与地域布局的短板，努力推进政策规划中的前瞻性导向。Abstract: China and the United States are the two countries with the most patent applications in artificial intelligence (AI) field. Reasoning is the core and foundation of AI technology, and we can grasp the level of key capabilities of AI in the two countries by studying the progress of this technology. The essential fact of AI reasoning lies in simulating or recreating the procession of thinking. It programs human behavioral habits and decision-making processes, as well as the nodes and processes of events. The number of academic papers and patent applications of AI reasoning in China has exceeded that of the United States since 2021. However, judging from the patent applications and authorizations of six key companies, including Baidu, Huawei, Tencent from China, IBM, Microsoft and Google from the US, Chinese companies have not outperformed American companies. Chinese companies have been digging deep at knowledge reasoning, autonomous driving, and real-time traffic analysis. Companies from the US have obtained many patent grants in cutting-edge fields such as cognitive models, neural reasoning, architecture, power grids, and human-computer interaction. In addition to continuing to consolidate the existing advantages in automatic systems and control, voice recognition, etc., it is also necessary for Chinese companies to broaden the scope of technology research and development, make up for the shortcomings of the scope of patent technology protection and geographical layout, thus get closer to the forward-looking orientation in policy planning.
-
Key words:
- AI reasoning /
- patent analysis /
- bibliometrics /
- systematic review
-
一. 人工智能推理概念与相关政策导向
一 什么是人工智能推理
推理是人工智能的核心和基座，也是人工智能技术是否能成为颠覆性技术力量的关键所在。美国白宫的“关键和新兴技术清单”[1]对人工智能发展所列出的子项目中除了各种机器学习之外还包括：规划、推理、决策，通用人工智能，负责任可信任的AI等。随着算力的飞跃和大语言模型（LLMs）的进步，人工智能在逻辑推理、符号推理和模糊推理等常规机器推理上，已经取得了质的突破。
推理、搜索、约束满足一起并称人工智能问题求解中的三大方法[2]。人工智能推理的技术本质是对思维过程的模拟或再造，传统人工智能系统中的推理程序也可称为“推理机”。一般意义上的推理是指在掌握相关知识或事实的前提下，从已知出发，推导出当前事实所蕴涵的道理或新的事实或新的判断的过程。由此推理过程中所运用的“已知”可以是初始证据，也可以是过程中得到的中间结论[3]33。而人工智能专利文献中常见的术语“推断”则是指从通过事件、传感器和/或数据捕获的一组观察中推出系统、环境和/或用户的状态的过程
1 。可见，在人工智能语境中，“推理”与“推断”二者的语义虽有差异，但在技术执行层面差异不大。尽管我们在研究人工智能时会将推理、搜索、规则、预测、评估、概率等都拆解开来推敲，但在实际技术或产品中这些内容几乎都是融合在一起发挥作用的，正如人类智能通常不会也不能只单独执行其中一个操作。作为一种技术，人工智能推理的分类更倾向于是一种对技术实现方案的分类[3]57，如：求解问题的方向、推出结论的途径、推理消解原理、推理是否有确定性、推理的单调性、推理过程是否用到启发性知识等；而非局限于常规对逻辑推理的分类，具体详见图1。
二 政策规划与实施部署
我国国务院印发的《新一代人工智能发展规划》[4]对制定了3个阶段的战略目标，在部署上主要分为基础理论、关键共性技术体系、支撑平台和智能化基础设施四个模块，与推理相关的政策主要在前两个模块中。美国国防部高级研究计划局（DARPA）《2025财年研究发展测试评估预算明细》[5]中的项目一直被认为是颠覆性技术的清单型文件，其中包括了CCS-02/数学与计算机科学、IT-04/人工智能与人机共生等主项目。横向对比两份文件可以十分清楚地看到中美两国对于人工智能推理的规划都远远超出传统推理的范畴，详见表1。其中涉及人工智能推理的表述有且不局限于表1中的梳理。
表 1 中美两国政策文件人工智能推理相关表述推理类型 我国政策文件表述 美国政策文件表述 知识推理 知识演化与推理、分析推理引擎 通用知识表征与推理、知识导向推理、科学推理 类脑学习推理 学习与推理理论、常识推理能力、认知推理、
综合推理、深度推理机器常识推理（MCS）、类人推理、复杂系统连续推理、
神经符号学习与推理物联推理 城市全维度智能感知推理引擎、跨媒体推理技术 事务逻辑推理、跨媒体推理、混合增强虚拟现实推理 直觉推理 （机器）直觉推理与因果 学习内省控制（LIC） 决策与推理 不确定性推理与决策 人机协作推理、紧急行为推理 强化常规推理 因果模型 大规模符号推理、因果推理、模糊逻辑推理与遗传算法、
符号推理普遍特征学习、自动推理、抽象推理我国国家标准化管理委员会联合五部门于2020年8月4日发布了《国家新一代人工智能标准体系建设指南》[6]，意在指导人工智能各层级标准的制修订和协调配套。美国政府于2024年7月发布《关键和新兴技术标准战略实施路线图》[7]，对目标、经费投入、法规依据等作了说明，尤其在文件第四部分强调了人工智能行业中的各利益相关者如何参与标准的制订以巩固美国在该领域内的技术领导地位。根据政策文件的具体描述，本文整理出“推理与人工智能相关模块关联交互”的知识图，以此为本文后续章节检索和分析的基础，具体详见图2。
二. 中美人工智能推理学术发表情况
由于本文的探讨聚焦于技术研究与发展情况，因此相关文献的检索限定在EI
2 数据库和会议论文更为合适。本文所有检索日期均截止2024年8月15日。在学术文献方面的计量工作，无论是学科主题分类还是高频词聚类分析都没有办法揭示具体技术层面的动向，仅能作为整体发展情况的缩影。英语中的reasoning和inference都能与汉语中的推理有匹配度较高的语义映射，不过前者更倾向于“推理”，后者会更倾向于“推断”。本文中对专利及文献中出现的reasoning及词汇变体翻译为推理，inference及词汇变体翻译为推断。在中外文文献及专利的检索和分析中都会兼顾这些表达。一 工程索引论文
EI Village中检索title或abstract字段（ai or artificial intelligen*） and (reason* or inferenc*）命中结果为48 336篇论文，2/3以上都是在近10年发表的，上述检索结果未对compendex或inspec收录去重。以所有国家/地区、中国和美国3种地域分布作对比，我们分析了2015—2024年EI数据库中人工智能推理学术文献的发表情况，详见表2。从整体比例来看，中美两国论文总量约占全球的1/3左右，2022年后该比例进一步上升，预计今后几年会上升到40%，甚至更多。侧面反映出中美两国在人工智能领域实力处在全球第一方阵，是最需要长期关注的两个国家。2015—2024年我国人工智能推理相关EI论文为6 305篇，稍高于美国的5 821篇。在2020年之前我国的发文量稍少于美国一些，2021年之后超过美国，2023年增量稍稍回落，不过总量仍然多于美国。
表 2 2015—2024年EI数据库人工智能推理学术文献发表情况篇 发表年 所有国家/地区 中国 美国 2015 890 104 191 2016 995 123 208 2017 1 162 149 226 2018 1 766 288 380 2019 2 647 470 509 2020 3 283 541 574 2021 4 224 879 651 2022 5 483 1 213 875 2023 7 726 1 592 1 278 2024 4 773 946 929 合计 32 949 6 305 5 821 利用EI Village的主题统计功能查看所有年份中美两国发表的人工智能推理相关文献的学科或主题划分情况。以我国论文的分类分布为参考系，去掉“人工智能”分类，合并重复分类，截取前50名，我们发现大部分主题分类两国的论文数量基本持平，整体而言我国的论文数量要多于美国。在计算机理论、半导体集成电路等方面，美国的论文数量比我国稍多些，具体数值分布详见表3。
表 3 EI人工智能推理文献检索结果主题分类中美两国对比篇 排名 分类 中国 美国 1 数据处理与图像处理 871 877 2 人体工程学与人因工程 836 835 3 神经网络 721 345 4 计算机软件、数据处理与应用 663 525 5 计算机理论，包括逻辑、自动机理论、开关理论、程序设计理论 482 611 6 计算机视觉与图像处理 459 215 7 计算机应用 434 396 8 基于知识的系统 394 243 9 管理 361 418 10 优化技术 357 172 11 信息论与信号处理 349 269 12 组合数学，包括图论、集合论等 573 347 13 专家系统 311 273 14 数据处理技术 308 165 15 优化技术 299 85 16 数字计算机与系统 280 209 17 推理与推断技术 249 188 18 其他统计学主题 236 139 19 系统科学 234 184 20 机器学习 231 219 21 光学、图像与视频信号处理 228 131 22 数理统计 224 173 23 信息来源与分析 222 222 24 社会科学 217 255 25 数据通信、设备与技术 192 115 26 数据安全 190 129 27 图像识别 178 54 28 移动、普适和泛在计算 177 60 29 生物医学计算 172 174 30 数值方法 171 137 31 数学 170 120 32 计算机系统与设备 168 157 33 知识工程技术 160 144 34 信息网络 155 91 35 数据存储、设备与技术 152 134 36 能源存储 147 144 37 生物医学工程 145 131 38 概率论 142 202 39 机器学习 136 219 40 互联网软件 135 48 41 医学与药学 133 191 42 计算机电路 124 161 43 自然语言交互 124 98 44 事故与预防 123 118 45 化学操作 121 64 46 计算机辅助教学 115 50 47 半导体与集成电路 113 151 48 机器人应用 111 65 49 计算机编程 110 171 50 信息检索与利用 110 101 不难看出，人工智能推理作为基座与其他技术相互渗透，因此文献分布到该领域的方方面面，扩散程度较高。仅从主题划分无法对技术进行更深入的分析，但能为我们大致了解这个技术领域提供一些帮助。
二 核心会议论文
在Web of Science平台上以“ts=("artificial intelligen*" OR AI OR machin*) and ti=(reasoning or inferenc*)”检索CPCI-S索引收录的核心会议论文共有7 452篇相关文献。2019年开始年发文量超过500篇，2019年至今共计4 186篇，其中中国发表962篇，美国发表1 295篇。我们分别对这些文章进行简单清洗并使用VoSViewer软件进行Co-Occurrence共现分析和高频词汇统计：删去人工智能（AI）、模型（Model）等常用词汇；取频次高于10的主题词，对结果进行合并和清洗，各保留了34个主题词。其中中美两国相同的高频词以中国发文频次降序排列为：预测、深度学习、优化、算法、因果推断、任务分析、计算模型、分类、边缘计算、神经网络、训练、隐私、贝叶斯推断、认知、推断、回归、识别、自然语言处理。这些词都在人工智能推理的基本词汇范畴之内。中国更关注的主题有：自适应神经模糊推理系统（Adaptive-Network-Based Fuzzy Inference System，ANFIS）、支持向量机（Support Vector Machine，SVM）、成员推断攻击（Membership Inference Attack）、物联网、案例式推理（Case-Based Reasoning，CBR）、强化学习、图神经网络（GNN）、机器阅读理解（Machine Reading Comprehension）、诊断、可视化等。美国更关注的主题有：倾向评分匹配（Propensity Score Matching，PSM）、现场可编程门阵列（FPGA）、科学机器学习，以及一些偏人文社会科学的词汇，如：行为、风险、偏见等。相对而言，我国关注的技术主题与工业制造、网络安全等相关性更高，美国关注的主题范围更宽泛。
另外，对中美两国核心会议论文所属机构进行统计的结果显示，我国人工智能推理核心会议论文发表量前20的机构都为高校；美国除了高校之外，还有美国能源部、微软公司、IBM公司和谷歌公司等其他性质的机构也在前20之列，具体情况详见表4。
表 4 中美两国人工智能推理CPCI-S发文量前20机构分布篇 排名 机构（中国） 论文数量 排名 机构（美国） 论文数量 1 中国科学院 108 1 加州大学系统 297 2 中国科学院大学 52 2 得克萨斯州大学系统 88 3 浙江大学 46 3 伊利诺伊州大学系统 69 4 清华大学 44 4 斯坦福大学 66 5 上海交通大学 39 5 宾夕法尼亚大学 63 6 中山大学 32 6 普度大学系统 62 7 华中科技大学 31 7 华盛顿大学 59 8 西安电子科技大学 30 8 哈佛大学 54 9 电子科技大学 29 9 佐治亚大学系统 47 10 中国科学技术大学 28 10 美国能源部 44 11 武汉大学 22 11 麻省理工学院 43 12 香港理工大学 21 12 微软公司 41 13 山东大学 21 13 卡内基梅隆大学 39 14 复旦大学 20 14 佐治亚理工学院 38 15 哈尔滨工业大学 20 15 纽约大学 36 16 南京大学 20 16 IBM公司 31 17 北京航空航天大学 18 17 普林斯顿大学 29 18 北京邮电大学 18 18 哥伦比亚大学 28 19 香港科技大学 18 19 谷歌公司 28 20 天津大学 17 20 佛罗里达州大学系统 27 三. 中美人工智能推理专利技术申请情况
EI数据库中与人工智能推理相关的文献，标题字段（title）中包含“patent*”的文献仅63篇，去重后为50篇。其中Rusek[8]等人对贝叶斯推断的专利CPC号分布分析对本文最有参考价值。在中国知网中检索发现，讨论人工智能相关专利的文献超过2 000篇，尤以整体专利布局[9]及技术转移转化[10]等宏观分析的内容居多，但都不聚焦于人工智能推理。专利分析常用的研究方法有LDA聚类分析、IPC分类号识别技术重组性，以及各种指标体系识别颠覆性[11]技术特征。杨锡怡等[12]对中美两国头部企业的专利技术集群、合作网络等进行了分析，并对政策导向提出了建议；他们使用的分析方法主要是词频统计。邢晓昭等人以类脑智能为切入点，从专利主题演化[13]到专利实体抽取识别[14]，对专利分析技术进行了研究；其主要目标在于模型训练和调试，即用人工智能的方法分析人工智能专利文本：首先对921项专利进行了人工标引，再对模型进行训练，最后用训练好的模型进行专利样本分析。LDA（Latent Dirichlet Allocation，隐含狄利克雷分布）等聚类方式或对外部特征进行统计的分析尽管从大体上描绘了人工智能技术发展或应用场景的轮廓，但其分析结果仍停留在大框架的范围内。在专利申请实务中，标题及摘要的表述可能相当含糊，因而以其作为聚类分析的对象实际上无法揭示技术情况。专利的权利要求、说明书、说明书附图等对技术的过程与动作的描述有很强的耦合性，这部分文本作为分析对象是目前常用的方法无法解耦的。对于一个尚未有良好标引数据集可训练模型的领域来说，首要工作是进行深入的人工标引，这也是本文选择对人工智能推理专利进行人工标引的原因。在此基础上，后续研究才能使用更多智能手段开展专利分析，进而揭示更多的深层次信息。
一 蕴含政策导向的检索策略
学术研究现状和技术发展现状存在一定差异，其原因主要在于创新主体与目标的差异。前文中关于学术文献的检索策略和主题分布不能沿用到专利的检索中去，但能提供一定的参考。既然推理深入渗透了人工智能整体技术框架的各种细节之中，那么要在检索中与其他技术做切割以及查全都是非常困难的。另外，在检索时也不能采用图1的思路，因为专利文本中几乎不会出现“演绎”“归纳”“溯源”等词汇，而“假设”“概率”“证据”“结论”等词又过于宽泛。
因此，本文首先对目标进行分类，此处分类的目的在于把人工智能推理相关的专利检全，并不是为了给技术应用进行分类。根据政策文件析出人工智能推理相关发展方向来制定相应的检索策略。尽管从定义上来说“人工智能推理”就包含了各种分支的推理方法，但在实际检索中不能对该词汇进行简单处理。人工智能领域内的技术门类繁杂，从微电子半导体等硬件到各种算法系统分析方法等，很多技术并不会在专利文档的标题、摘要、说明、权利要求中出现“人工智能”或“AI”或“Artificial Intelligence”等词汇；也不一定会出现“大数据”“类脑智能”等笼统概念的词汇；也有可能是应用于医疗、汽车等行业，没有突出人工智能。专利标题一般更具体地描述技术本身，如“使用可穿戴设备进行推理生成的分布式机器学习模型”“利用强化学习的分层设备放置”等表述方式。因此，使用词汇表达和专利分类号的联合检索才能尽量保证数据集的全面性。
本文制定的检索策略是以图3表示的检索子目标归集，S0为主要构成部分，通过S1-S5的组配补充，以S0-S5的并集SS作为样本全集；S0与其他5个部分的必定会有重叠的部分。在检索时主要目标是保证准确的情况下尽量全面，检索时间截至2024年8月15日。
二 专利检索结果和中美对比
检索式的构建采用了主题词、IPC分类号、CPC分类号混合的方式。表5对S2-S5的子集进行了组合，再将S0-S5的所有检索式进行组配得到SS，通过壹专利平台（Patyee）对所有年份的专利检索后得到191 640件。需要注意的是，尽管从具体的检索式来看各自差异很大，但这些子集并不是完全孤立的。实际上对其进行组配后发现，诸如S1 AND S2有32 747件专利，S2 AND S3有
32022 件专利，S3 AND S5有24 880件等等。这正说明了人工智能推理作为基本过程与方法，具有与各种技术互相杂糅的特征。表 5 人工智能推理检索式组配策略件 检索式编号 组配式子 检索层级 数据集层次 检索结果 中国 美国 S0 S0 1 人工智能技术与推理子集 123 737 30 441 47 599 S1 S11 1 知识推理子集 80 872 15 565 35 846 S2 S211 OR S212 OR S213 OR S22 OR S23 OR S24 1 类脑学习与推理子集 65 983 24 818 21 672 S3 S311 OR S312 OR S32 OR S33 1 物联推理子集 81 862 22 764 27 196 S4 S41 OR S42 1 机器直觉推理子集 3389 1 076 1 263 S5 S51 OR S52 OR OR S53 OR S54 OR S55 1 常规机器推理子集 68250 17 805 24 356 SS S0 OR S1 OR S2 OR S3 OR S4 OR S5 0 数据集全集 191640 49 186 67 485 人工智能推理技术的专利申请量在1988年就已突破千件，为1 023件；然而EI数据库的学术论文直到2016年才达到995篇，2017年突破为1 162篇。可见人工智能推理的学术研究与技术研发的发展并不同步。我们把2015—2024年（统计时间截止2024年8月）在EI数据库检索到的论文、SS全集，以及中美两国专利按照年份进行统计，其中论文按照发表年计数，专利按照申请年计数，进行对比分析，详见图4。我们发现从整体规模上看，专利申请量远超过论文发表量，直到2023年论文发表量才追上约9年前的专利申请量。中美两国的专利申请量超过全球总量的一半以上，2023年是我国专利申请量增长最快的一年。值得注意的是，从2021年开始，美国在人工智能推理方面的专利申请量就开始下降了，从而拉低了全球专利申请总量。而中国在人工智能推理专利申请量上的增长则同EI学术论文的增长态势相近。
SS的检索结果对申请号和同族专利进行合并后得到的98 109组专利作为数据集全集。如表5，同族合并前，我国的人工智能推理专利SS全集为49 186件，美国为67 485件；同族合并后，我国是35 485组，美国是24 745组。这说明我国的专利技术项目更多一些；而美国的专利有更多的技术应用国家/地区/组织，即专利布局上地域范围更广，具体详见表6。而且我国的专利约有95.7%在中国大陆申请了保护，在其他国家/地区/组织布局较少。美国专利有74.8%在美国本土申请了保护，意即有1/4以上是首要向其他国家/地区/组织进行申请的。一般而言只有市场布局计划才会进行专利申请，也就是说，美国的研发主体有很多向外进行技术输出和市场扩张的计划。
排名 中国 美国 地域分布 专利数量 地域分布 专利数量 1 中国大陆 33 958 美国 18 504 2 美国 679 EPO 1 471 3 WIPO① 450 WIPO 1 253 4 EPO② 118 日本 983 5 日本 110 印度 494 6 澳大利亚 41 中国大陆 480 7 卢森堡 28 韩国 330 8 韩国 16 澳大利亚 244 9 中国台湾 16 加拿大 236 10 中国香港 14 德国 210 对同族合并后的人工智能推理专利进行法律状态的统计。目前中美两国的专利授权总和占到了全球的2/3以上。我国的专利总量是35 485组，其中10 404组获得授权，比例为29.3%；进行实质审查的专利为16 651组，同其他状态的专利一同占到总量的2/3，详见表7。美国的专利约有43.6%获得授权，实质审查阶段的专利并不多。从期限届满的专利量推知，20年前美国在人工智能推理方面的专利授权上已经有1 042项了。期满和期限届满的意义不同，届满从法律上来说是指保护履行结束，期满是到期前的一段时间。另外，未缴年费不代表企业已经完全放弃了这项技术，很有可能是已经研发出更为先进的技术，或正在进行新专利的申请，又或是新申请的权利范围覆盖了原有技术，需要通过不缴纳年费或其他形式来主动放弃旧专利，以保证后续新的专利可以通过申请。
表 7 人工智能推理同族合并后最新法律状态情况组 最新法律状态 全球 中国 美国 授权 30 469 10 404 10 803 实质审查 19 114 16 651 1 042 公开 13 515 1 556 4 663 期限届满 8 844 51 1 042 未缴年费 8 232 1 507 2 179 驳回 5 129 2 791 278 权利终止 4 767 92 2 867 撤回 4 151 1 930 540 期满 2 212 219 774 国际公布 1 275 225 453 全部无效 163 1 71 国家阶段 123 6 26 放弃 98 31 6 其他 17 21 1 合计 98 109 35 485 24 745 从中美两国人工智能推理近20年来的专利授权量来看，以2005年作为起始点，直到2018年以前，美国的专利授权量一直大幅高于我国，可见我国确实是后发追赶者，详见图5。2021年开始，我国的专利授权量实现了逆转，超过了美国近800组。但是，由于发明专利的保护期是20年，只要企业保持缴纳年费，2005年的授权到2024年依然有效。因此，美国之前构建的技术壁垒并不会因为近3年来专利授权量的下降就很快消失。从目前的情况来看，美国在人工智能推理方面的申请和授权都已经越过了快速增长期。
四. 中美重点企业人工智能推理专利布局态势
一 申请授权及技术概况
根据上一章节中的检索策略，对选择的6家样本企业在申请人、专利权人等相关字段中匹配的记录进行提取。6家企业在人工智能推理及应用方面的专利共17 887件，合并同族后共6 858组，占所有专利的7‰左右
5 ，详见表8。其中授权且最新法律状态为有效的专利共3 075组。IBM和微软在专利申请和授权数量上都有着绝对优势，最早一件相关专利可追溯至1970年。在样本专利中，华为最早申请的人工智能推理相关专利为2003年，相对国内其他两家企业其布局显然更早。表 8 人工智能推理重点企业专利量及2014—2023年分布情况组 企业 同族合并/有权/审中 申请量/授权量 2014—2015 2016—2017 2018—2019 2020—2021 2022—2023 百度 430/260/136 14/0 24/4 96/12 141/37 142/136 华为 514/106/279 16/3 24/4 52/15 188/19 216/48 腾讯 248/90/122 7/1 12/3 27/4 67/13 109/32 IBM 2 898/1 480/427 324/82 457/182 653/213 641/539 141/489 微软 2 109/858/208 159/121 209/117 207/120 181/182 187/145 谷歌 659/281/166 59/44 113/41 109/47 158/52 140/57 对3 075组有权专利根据检索策略的S1-S5进行了归类。如上文所述，人工智能推理技术与其他模块关联交互，因而一项专利可能不只划分到1~2个分类中，一些专利更为基础或者更为前沿甚至可能跨2~3个分类。另有340组专利为S0检出，对它们进行了手工标引和分类，详见表9。通过对比分析，不难看出从知识库或知识处理出发的专利明显多于其他类别。这是因为与知识相关的推理往往有相应的文本、概念、路径、图谱等推理对象，是很多其他推理技术实现的路径之一。这得益于传感器、物联网、虚拟现实等技术的发展，相关人工智能推理技术发展情况比较乐观。而与机器直觉相关的专利非常少，这通常识、事实、事件等相关的推理难度比较大。对常规推理的强化作为各种推理的基础，渗透在各种推理与应用模块，因而数量较多。
表 9 重点企业人工智能推理有权专利分类概况组 企业 S1知识推理 S2类脑推理 S3物联推理 S4机器直觉 S5常规推理 百度 177 154 93 1 74 华为 51 39 56 2 35 腾讯 44 37 34 1 27 IBM 1 104 565 436 40 573 微软 305 137 298 33 528 谷歌 114 84 113 5 139 对样本专利体现的人工智能推理的对象/证据/材料、计算位置、推理动作等要素与计算设备、传感设备、各典型功能模块之间的关联做了梳理。可以将人工智能推理基本链路概括为以学习、推断、分类、注释、检测、预测等主要推理动作为表现，在不同计算位置对对象或证据或材料执行推理动作以实现各模块功能和关联的智能集成。样本专利中的人工智能推理技术对思维过程进行模拟或再造的类型基本可分为以下三种：
一是将人的行为习惯和思维决策过程计算机程序化。如百度的公开号为“US11379741B2”的判定空间中用户停留点的方法
6 ，对用户的特征、足迹以及用户在空间中移动或停留的习惯进行了记录和识别，其推理过程不能脱离人产生的数据。二是将事物或事件的节点及过程计算机程序化。如华为的公开号为“US11941724B2”的专利，是计算机视觉中对GPU渲染图形过程的优化7 。事先对渲染管线的因素及过程诸如顶点着色器、裁剪、屏幕映射、三角形设置、三角形遍历、片段着色器和合并等阶段进行程序化。从新输入的指令中获得图形的纹理信息数据时，利用程序化后的模型进行推断，这样不需要每次渲染都单独计算，能提高时间效率及节约存储器空间。三是对形式化计算步骤的优化。这种类型的专利往往会增加中间结论或依据。如IBM的公开号为“US11153175B2”的专利8 针对工业物联网环境中高数据流事件的识别。事先对高数据流事件特征进行抽取，训练模型计算其发生的概率、预测其内存需求和时间，以及合理的管控阈值。当实时发生的事件占用数据流的概率高于之前设定好的阈值时，就会对该事件进行延迟管理，让其后发。这里的模型、阈值等都属于推理过程的中间结论及依据。因此，如果要往更加智能的方向发展，“人在回路”一定是必要的，比如智能制造和数字孪生领域从信息物理系统（Cyber Physical Systems，CPS）到人—信息物理系统（Human- CPS）的过渡，势必将数智融合技术与人的理念有机结合起来。二 重点企业技术应用情况
根据检索策略制定时的技术梳理和综述性文献高频词的参考，对重点企业的3 075组授权专利进行了人工标引，我们将其中比较符合导向的专利数量及大致情况进行归纳分类，详见表10。需要说明的是，人工智能推理专利所涵盖的技术范围和呈现的技术事实非常庞杂，表中仅列举了一些代表性的专利，还有更多难以具体进行归类的专利并没有在表格中呈现。
表 10 样本专利在主要推理模块的表现推理模块 百度 华为 腾讯 IBM 微软 谷歌 知识推理：包括知识图谱、知识管理等 US11636355B2等26组：将知识图谱技术运用于对话问答、训练模型 US10706084B2等2组：构建网络知识平台及用于不确定性推理 CN111667926B等7组：语义推理、对话问答、聊天
机器人US11176326B2等38组：知识库管理及认知模型迭代等 US10402453B2等15组：用于对话问答、数据洞察等 US11790264B2：知识蒸馏以训练模型 类脑学习推理：包括各种机器学习方法、神经推理、多模态跨模态学习推理 CN114861910B等34组：无监督学习、多模态推理等 US11615342B2等10组：神经网络剪枝压缩、主动学习、深度学习 CN117540024B等13组：联邦学习、因果关系模型训练 US11562722B2等101组：主动学习、无监督学习、逆强化学习、自适应学习、大规模并行神经推理、神经符号多跳推理规则等 US10817552B2等38组：神经搜索、对比学习、无监督学习、多模态推理 US11651259B2等29组：快速图像增强、蒸馏学习、端侧学习等 物联推理：包括利用各种传感器及系统对 US10705863B2等8组：利用传感器数据收集对车辆驾驶或实时交通的障碍物识别、路径切换等 US11562271B2等5组：硬件设备监控、交通与驾驶 US9875442B2等2组：交通与图像识别 US11257172B2等83组：工业物联网、智能制造过程、智能电网、农业决策支持、智能建筑、污水处理等 US11599828B2等47组：地理与地图信息、用户状态、生物信息识别、交通与驾驶、设备温度监测等 US12008485B2等17组：地理与地图、车辆驾驶 机器直觉：包括意图识别、
内省等US11580104B2等4组：推荐、对话、人机交互中的意图识别 CN113841371B：在线服务接口契约内省分析 CN112148862B：提问的意图识别 US7260743B2等42组：认知模型、元层次推理、生产环境管理、性能监控 US8190604B2等39组：神经搜索、语义注释、人机交互意图识别 US9160717B2等6组：信息检索意图识别、虚拟机监视器 我国企业在知识推理方面表现较好，尤其对知识图谱在对话问答、模型训练等方面的专利数量基本与美国持平，且应用场景也比较丰富。针对政策中强调的无监督学习、主动学习等方面，我国企业有较多的专利获得了授权。在物联推理模块，我国企业在车辆驾驶和实时交通分析等方面尤为擅长。然而美国企业在认知模型、神经推理、智能制造、建筑、电网、人机交互等前沿方向上的专利确实是我国企业所缺乏的。
百度在自动驾驶、路径导航规划等方面有较多的专利将传感器数据推理与预训练模型以及知识图谱等紧密结合在一起。华为的专利主要分布在网络通信、硬件设备管理等主题上，对云计算、端侧设备识别切换等方面较为擅长。腾讯更侧重对话问答、图像处理等。IBM在软硬件、传感、制造、建筑、生物、医疗等方面都有涉及，甚至在能源、气候等领域都有专利获得授权。微软的操作系统、办公软件等都是为人所熟知的业务产品，另外，微软的游戏机业务也在专利中体现了人工智能推理嵌入的痕迹。生物（人体）信息数据的收集，如手势、运动、人脸等，运用在体感游戏和虚拟现实等环境中时需要进行实时的推理。谷歌依靠搜索业务积累了大量优质的语料及语料分析案例，因而在智能搜索、地图、计算机视觉等方面有较多的专利布局。可见，人工智能推理的动作以硬件设施、设备装置、传感监测为平台，软硬件结合作为整体向用户提供人工智能产品。另外需要注意的是，在专利样本中，美国企业还在诸如量子计算硬件
9 10 与算法11 12 、多核芯片（NoC）神经推理13 等前沿方向上获得了一些专利授权。专利文献中体现了各重点企业的人工智能推理市场应用成果，不难发现该技术的范围和成果在不断地扩大。更多的推理技术应用以反映事实推理规则及过程、改进算法算力为主要落脚点。运用知识库及知识图谱进行推理、跨模态推理、学习与推理、认知推理、物联推理等是目前样本专利中呈现出能够符合导向发展的几个类别。推理过程及人工智能技术本身的进步是硬件和软件共同升级的结果。硬件方面，大模型的发展已经向人们普及了所谓“算力”设备是如何作为运行基础的，日常生活中点餐、聊天、出行都需要高速端侧计算设备。软件上除了算法的精进之外，预训练和多次学习迭代及不断修正也必不可少。整个“智能过程”和人类的学习进步一样都是量变到质变的体现。
五. 总结与建议
推理作为人工智能的核心过程之一，其相关研究是和整体技术领域一起发展起来的。人们所熟悉或了解的功能模块可能包括对话问答、智能助理、生产制造、交通路况等方面，这些没有一件能够脱离推理过程而实现。从知识表征的方式来看，语言只是众多表征符号系统中的一种，图像、数学符号、公式等也是主要表征系统[15]。人工智能推理也将会进一步在多模态表征的基础上向前发展。通过对学术论文及专利文献的统计分析发现，学术论文的增长期在近十年，专利申请的增长则早于论文20余年，因而整体上专利申请量多于学术论文发表量。与学术文献中的技术路线对比，专利中体现出的企业应用实践相对走得更远一些。例如多篇系统性综述中提到的模糊逻辑以及案例式推理（Case-Based Reasoning）都已经在专利文献中体现出很好的应用性；也有不少专利是关于进行事件或事实的实时推理的，亦有关于混沌事件
14 的推理。可见学术研究与专利技术的研发应用并不同步。针对推理的学术论文发表情况和专利技术布局所反映的中美两国在人工智能关键能力方面的发展态势，本文提出以下几点建议。一 推进产学研协同发展
我国现阶段的人工智能推理论文发表量与专利申请量及增幅都超过了美国。从核心会议论文的发文机构来看，我国以高校为主，美国则有几家重点企业与能源部等不同性质的机构也排在较前的位置。国务院人工智能发展规划中对教育行业培养人才和职业技能提出了要求，以适应环境对就业岗位职能的需求[5]。美国政府的关键和新兴技术标准战略实施路线图也强调了高等教育学术机构的关键合作伙伴地位[8]，高校不仅要发挥教学作用，还要同行业、政府等主体一道，参与标准的制定和发展中。我国对于产学研结合、学术理论和创新到技术应用的过渡和衔接还需要更多的融合，应加强高校、企业、智库等不同类型的主体间的合作，以形成良性发展的创新共同体。
二 建构技术市场的全球布局
从专利家族的布局来说，我国以美国为主要的技术输出国，在其他地区的布局还有待加强。如果局限于少数国家的市场占有，很难使我国的技术真正做到走出去，也会在国际市场上欠缺应有的份额。2025年1月20日，唐纳德·特朗普第二次就职美国总统，根据其第一次任职期间的对华政策及2024年大选期间对科技企业的倾斜导向，社论普遍认为他将继续在科技领域实行对华竞争战略[16]。一方面特朗普会加大扶持本国科技企业的创新发展，另一方面将援引《国际经济紧急权力法案》（IEEPA），为加征对华关税提供法律依据[17]，给我国技术在美国布局造成阻挠。在此种中美博弈态势下，不仅要巩固自身技术发展，更要加强多地区多渠道的海外布局，来获得更多来源的协作支撑，以及更广阔的市场空间。
三 加强基础和前沿技术研发
从上文分析的授权专利来看，我国企业在基础应用上稳扎稳打，但前瞻性上稍显不足。拜登政府通过一系列禁令已经加强了人工智能芯片等基础设施向中国出口的管控[18]，预计特朗普政府会维持执行相关政策。因此我国应进一步培养本国人工智能基础设施的硬实力和软实力，形成可持续发展的良好业态。我国作为人工智能技术的后发追赶者，想要实现技术突破和“弯道超车”必须把握好推理这一核心过程，抓住技术范式和技术生命周期更迭带来的技术机会窗口。具体来说，即推动前沿基础理论在现实应用上需要有更多的关联以带动专利与技术的发展，如量子计算、芯片开发、大规模神经推理、人机共生、群体智能等。我国各种类型的研发主体除了继续巩固已有的在自动系统与控制方面、语音识别等方面的优势之外，也需要拓宽技术研发范围，补足专利技术保护范围短板。
1)1 Glass A C, Microsoft Corp. Wireless Device Locating System in Airport, Involves Displaying Multi-Dimensional Representation of Identified Locations of Devices of Network Relative to New Wireless Device: Us7716585-B2[P].2010-5-11.2)2 Engineering Village Compendex & Inspec工程索引；该数据库收录范围包括中外文各语种文献。3)3 世界知识产权组织（World Intellectual Property Organization）4)4 欧洲专利局（European Patent Office）5)5 检索截至2024年6月30日6)6 Baidu Netcom Sci & Technology Co. Dwell Point Identification Method, Involves Generating Characteristic Vector Of Positioning Point To Be Identified, And Determining Whether Positioning Point To Be Identified In Stay Point Based On Feature Vector: USA, US11379741-B2[P]. 2022-07-057)7 Huawei Technologies Co Ltd. Model Inference Method Based On A Graphics Rendering Pipeline By A Device, Involves Obtaining An Instruction Stream In A Rendering Thread, Extracting And Saving Texture Data Information From The Instruction Stream: USA, US11941724-B2[P]. 2024-03-268)8 Int Business Machines Corp. Method For Managing Latency In Static Topology Edge Networks By Edge Analytics In Industrial Production Environments, Involves Processing Set Of Network Data According To High Data Flow Configuration Parameter By Processors Of Edge Device: USA, US11153175-B2[P]. 2021-10-199)9 Google Inc. Apparatus For Constructing And Programming Quantum Hardware For Machine Learning Processes, Has A Logical Quantum Node That Is Configurable To Switch In A Clamped State And An Undamped State, Where Quantum Node Couplers Couple Quantum Nodes: USA, US11288585-B2[P].2022-05-2910)10 Microsoft Technology Licensing. Quantum Computing Hardware, Includes Set Of Qudits Which Perform Method Of Employing Phase Estimation Algorithm To Generate Eigenvector Of Hamiltonian, And Recovering Signal Vector Of Dataset Based On Eigenvector Of Hamiltonian: USA, US11676057-B2[P]. 2023-06-1311)11 Int Business Machines Corp. System For Realizing Quantum Algorithm Concatenation, Has Concatenation Component Connected With Processor And For Concatenating Quantum Algorithms By Using Output Of First Quantum Algorithm As Initial Parameter In Second Quantum Algorithm: USA, US11074519-B2[P].2021 -07-2712)12 Int Business Machines Corp. System For Simulation Based Optimization Using Classical Processing Based On Probabilistic Distribution Comprises Quantum Processor That Performs Amplitude Estimation, And Simulator Simulates Decision-Making Based On Amplitude Estimation: USA, US11494532-B2 [P]:2022-11-0813)13 Int Business Machines Corp. Time, Space And Energy Efficient Neural Inference Chip For Computer System/Server, Has On-Chip Memory For Storing Input And Output Data, Where On-Chip Memory Is Connected To Each Of Neural Cores By On-Chip Network: Japan, JP7220007-B2[P]. 2023-02-0914)14 Friedlander R R, Hennessy R A, Kraemer J R,Int Business Machines Corp. Computer Implemented Chaotic Event E.G. Tornado, Probability Inferring Method, Involves Applying Set Of Rules To Query, Executing Query To Create Probability Of Inference, And Storing Probability Of Inference: USA, US7792774-B2[P]. 2010-09-07 -
表 1 中美两国政策文件人工智能推理相关表述
推理类型 我国政策文件表述 美国政策文件表述 知识推理 知识演化与推理、分析推理引擎 通用知识表征与推理、知识导向推理、科学推理 类脑学习推理 学习与推理理论、常识推理能力、认知推理、
综合推理、深度推理机器常识推理（MCS）、类人推理、复杂系统连续推理、
神经符号学习与推理物联推理 城市全维度智能感知推理引擎、跨媒体推理技术 事务逻辑推理、跨媒体推理、混合增强虚拟现实推理 直觉推理 （机器）直觉推理与因果 学习内省控制（LIC） 决策与推理 不确定性推理与决策 人机协作推理、紧急行为推理 强化常规推理 因果模型 大规模符号推理、因果推理、模糊逻辑推理与遗传算法、
符号推理普遍特征学习、自动推理、抽象推理
下载: 导出CSV
表 2 2015—2024年EI数据库人工智能推理学术文献发表情况
篇 发表年 所有国家/地区 中国 美国 2015 890 104 191 2016 995 123 208 2017 1 162 149 226 2018 1 766 288 380 2019 2 647 470 509 2020 3 283 541 574 2021 4 224 879 651 2022 5 483 1 213 875 2023 7 726 1 592 1 278 2024 4 773 946 929 合计 32 949 6 305 5 821
下载: 导出CSV
表 3 EI人工智能推理文献检索结果主题分类中美两国对比
篇 排名 分类 中国 美国 1 数据处理与图像处理 871 877 2 人体工程学与人因工程 836 835 3 神经网络 721 345 4 计算机软件、数据处理与应用 663 525 5 计算机理论，包括逻辑、自动机理论、开关理论、程序设计理论 482 611 6 计算机视觉与图像处理 459 215 7 计算机应用 434 396 8 基于知识的系统 394 243 9 管理 361 418 10 优化技术 357 172 11 信息论与信号处理 349 269 12 组合数学，包括图论、集合论等 573 347 13 专家系统 311 273 14 数据处理技术 308 165 15 优化技术 299 85 16 数字计算机与系统 280 209 17 推理与推断技术 249 188 18 其他统计学主题 236 139 19 系统科学 234 184 20 机器学习 231 219 21 光学、图像与视频信号处理 228 131 22 数理统计 224 173 23 信息来源与分析 222 222 24 社会科学 217 255 25 数据通信、设备与技术 192 115 26 数据安全 190 129 27 图像识别 178 54 28 移动、普适和泛在计算 177 60 29 生物医学计算 172 174 30 数值方法 171 137 31 数学 170 120 32 计算机系统与设备 168 157 33 知识工程技术 160 144 34 信息网络 155 91 35 数据存储、设备与技术 152 134 36 能源存储 147 144 37 生物医学工程 145 131 38 概率论 142 202 39 机器学习 136 219 40 互联网软件 135 48 41 医学与药学 133 191 42 计算机电路 124 161 43 自然语言交互 124 98 44 事故与预防 123 118 45 化学操作 121 64 46 计算机辅助教学 115 50 47 半导体与集成电路 113 151 48 机器人应用 111 65 49 计算机编程 110 171 50 信息检索与利用 110 101
下载: 导出CSV
表 4 中美两国人工智能推理CPCI-S发文量前20机构分布
篇 排名 机构（中国） 论文数量 排名 机构（美国） 论文数量 1 中国科学院 108 1 加州大学系统 297 2 中国科学院大学 52 2 得克萨斯州大学系统 88 3 浙江大学 46 3 伊利诺伊州大学系统 69 4 清华大学 44 4 斯坦福大学 66 5 上海交通大学 39 5 宾夕法尼亚大学 63 6 中山大学 32 6 普度大学系统 62 7 华中科技大学 31 7 华盛顿大学 59 8 西安电子科技大学 30 8 哈佛大学 54 9 电子科技大学 29 9 佐治亚大学系统 47 10 中国科学技术大学 28 10 美国能源部 44 11 武汉大学 22 11 麻省理工学院 43 12 香港理工大学 21 12 微软公司 41 13 山东大学 21 13 卡内基梅隆大学 39 14 复旦大学 20 14 佐治亚理工学院 38 15 哈尔滨工业大学 20 15 纽约大学 36 16 南京大学 20 16 IBM公司 31 17 北京航空航天大学 18 17 普林斯顿大学 29 18 北京邮电大学 18 18 哥伦比亚大学 28 19 香港科技大学 18 19 谷歌公司 28 20 天津大学 17 20 佛罗里达州大学系统 27
下载: 导出CSV
表 5 人工智能推理检索式组配策略
件 检索式编号 组配式子 检索层级 数据集层次 检索结果 中国 美国 S0 S0 1 人工智能技术与推理子集 123 737 30 441 47 599 S1 S11 1 知识推理子集 80 872 15 565 35 846 S2 S211 OR S212 OR S213 OR S22 OR S23 OR S24 1 类脑学习与推理子集 65 983 24 818 21 672 S3 S311 OR S312 OR S32 OR S33 1 物联推理子集 81 862 22 764 27 196 S4 S41 OR S42 1 机器直觉推理子集 3389 1 076 1 263 S5 S51 OR S52 OR OR S53 OR S54 OR S55 1 常规机器推理子集 68250 17 805 24 356 SS S0 OR S1 OR S2 OR S3 OR S4 OR S5 0 数据集全集 191640 49 186 67 485
下载: 导出CSV
排名 中国 美国 地域分布 专利数量 地域分布 专利数量 1 中国大陆 33 958 美国 18 504 2 美国 679 EPO 1 471 3 WIPO① 450 WIPO 1 253 4 EPO② 118 日本 983 5 日本 110 印度 494 6 澳大利亚 41 中国大陆 480 7 卢森堡 28 韩国 330 8 韩国 16 澳大利亚 244 9 中国台湾 16 加拿大 236 10 中国香港 14 德国 210
下载: 导出CSV
表 7 人工智能推理同族合并后最新法律状态情况
组 最新法律状态 全球 中国 美国 授权 30 469 10 404 10 803 实质审查 19 114 16 651 1 042 公开 13 515 1 556 4 663 期限届满 8 844 51 1 042 未缴年费 8 232 1 507 2 179 驳回 5 129 2 791 278 权利终止 4 767 92 2 867 撤回 4 151 1 930 540 期满 2 212 219 774 国际公布 1 275 225 453 全部无效 163 1 71 国家阶段 123 6 26 放弃 98 31 6 其他 17 21 1 合计 98 109 35 485 24 745
下载: 导出CSV
表 8 人工智能推理重点企业专利量及2014—2023年分布情况
组 企业 同族合并/有权/审中 申请量/授权量 2014—2015 2016—2017 2018—2019 2020—2021 2022—2023 百度 430/260/136 14/0 24/4 96/12 141/37 142/136 华为 514/106/279 16/3 24/4 52/15 188/19 216/48 腾讯 248/90/122 7/1 12/3 27/4 67/13 109/32 IBM 2 898/1 480/427 324/82 457/182 653/213 641/539 141/489 微软 2 109/858/208 159/121 209/117 207/120 181/182 187/145 谷歌 659/281/166 59/44 113/41 109/47 158/52 140/57
下载: 导出CSV
表 9 重点企业人工智能推理有权专利分类概况
组 企业 S1知识推理 S2类脑推理 S3物联推理 S4机器直觉 S5常规推理 百度 177 154 93 1 74 华为 51 39 56 2 35 腾讯 44 37 34 1 27 IBM 1 104 565 436 40 573 微软 305 137 298 33 528 谷歌 114 84 113 5 139
下载: 导出CSV
表 10 样本专利在主要推理模块的表现
推理模块 百度 华为 腾讯 IBM 微软 谷歌 知识推理：包括知识图谱、知识管理等 US11636355B2等26组：将知识图谱技术运用于对话问答、训练模型 US10706084B2等2组：构建网络知识平台及用于不确定性推理 CN111667926B等7组：语义推理、对话问答、聊天
机器人US11176326B2等38组：知识库管理及认知模型迭代等 US10402453B2等15组：用于对话问答、数据洞察等 US11790264B2：知识蒸馏以训练模型 类脑学习推理：包括各种机器学习方法、神经推理、多模态跨模态学习推理 CN114861910B等34组：无监督学习、多模态推理等 US11615342B2等10组：神经网络剪枝压缩、主动学习、深度学习 CN117540024B等13组：联邦学习、因果关系模型训练 US11562722B2等101组：主动学习、无监督学习、逆强化学习、自适应学习、大规模并行神经推理、神经符号多跳推理规则等 US10817552B2等38组：神经搜索、对比学习、无监督学习、多模态推理 US11651259B2等29组：快速图像增强、蒸馏学习、端侧学习等 物联推理：包括利用各种传感器及系统对 US10705863B2等8组：利用传感器数据收集对车辆驾驶或实时交通的障碍物识别、路径切换等 US11562271B2等5组：硬件设备监控、交通与驾驶 US9875442B2等2组：交通与图像识别 US11257172B2等83组：工业物联网、智能制造过程、智能电网、农业决策支持、智能建筑、污水处理等 US11599828B2等47组：地理与地图信息、用户状态、生物信息识别、交通与驾驶、设备温度监测等 US12008485B2等17组：地理与地图、车辆驾驶 机器直觉：包括意图识别、
内省等US11580104B2等4组：推荐、对话、人机交互中的意图识别 CN113841371B：在线服务接口契约内省分析 CN112148862B：提问的意图识别 US7260743B2等42组：认知模型、元层次推理、生产环境管理、性能监控 US8190604B2等39组：神经搜索、语义注释、人机交互意图识别 US9160717B2等6组：信息检索意图识别、虚拟机监视器
下载: 导出CSV
-
[1] Office of Science and Technology Policy White House. Critical-and-Emerging-Technologies-List-2024-Update [EB/OL]. (2024-02-12) [2024-08-15]. https://www.whitehouse.gov/wp-content/uploads/2024/02/Critical-and-Emerging-Technologies-List-2024-Update.pdf. [2] 吴飞,韩亚洪,李玺,等. 人工智能中的推理:进展与挑战[J]. 中国科学基金,2018(3):262-265. [3] 尹宏鹏. 人工智能基础 [M]. 重庆:重庆大学出版社,2023. [4] 国务院关于印发新一代人工智能发展规划的通知[EB/OL]. (2017-07-20) [2024-08-15]. https://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm. [5] Defense Advanced Research Projects Agency USA. Department Of Defense Fiscal Year (Fy) 2025 Budget Estimates [EB/OL]. (2024-02-12) [2024-08-15]. https://Comptroller.Defense.Gov/Portals/45/Documents/Defbudget/Fy2025/Budget_Justification/Pdfs/03_Rdt_And_E/Rdte_Vol1_Darpa_Masterjustificationbook_Pb_2025.Pdf. [6] 国标委联. 国家新一代人工智能标准体系建设指南[EB/OL]. (2020-07-27) [2025-01-17]. https://www.miit.gov.cn/n1146285/n1146352/n3054355/n3057497/n3057502/c8048365/part/8048381.pdf. [7] The White House. U. S. Government National Standards Strategy For Critical And Emerging Technologies (USG NSSCET):Implementation Roadmap [EB/OL]. (2024-07-26) [2025-01-17]. https://www.whitehouse.gov/wp-content/uploads/2024/07/USG-NSSCET_Implementation_Rdmap_v7_23.pdf. [8] RUSEK K,KLESZCZ A & CABELLOS-APARICIO A. Bayesian inference of spatial and temporal relations in AI patents for EU countries [J]. Scientometrics,2023:3313-3335. [9] 宇文乐薇,王旭嘉,李德生. 基于专利布局的中日人工智能技术竞争分析[J]. 科技创业月刊,2024,37(5):46-54. doi: 10.3969/j.issn.1672-2272.202404047 [10] 杨依依. 人工智能产业专利转让网络演化的影响因素研究[J]. 技术与市场,2024,31(6):11-20. doi: 10.3969/j.issn.1006-8554.2024.06.002 [11] 王海军,于佳文. 基于专利和微博的颠覆性技术主题识别研究——以人工智能领域为例[J]. 中国科技论坛,2024(7):83-94,109. [12] 杨锡怡,贾佳,周小宇,等. 中美两国人工智能头部企业研发和创新的比较分析与启示[J]. 中国科学院院刊,2024,39(6):1084-1096. [13] 邢晓昭,任亮,雷孝平,等. 基于专利主题演化的颠覆性技术识别研究——以类脑智能领域为例[J]. 情报科学,2023,41(3):81-88. [14] 邢晓昭,苑朋彬,陈亮,等. 面向技术识别的专利实体抽取——以类脑智能领域为例[J]. 情报杂志,2024,43(6):126-133,144. doi: 10.3969/j.issn.1002-1965.2024.06.018 [15] 王志娟,彭宣维. 知识表征研究——过往与前瞻[J]. 北京科技大学学报(社会科学版),2021,37(5):526-533. doi: 10.3969/j.issn.1008-2689.2021.05.009 [16] 刁大明,奚千涵. 特朗普及其第二任期涉外团队的对华倾向与政策影响[J]. 国际展望,2025(1):23-45,176-177. [17] 张全. 特朗普为加征关税计划铺路?[N/OL]. 解放日报 (2025-01-10) [2025-01-17]. https://www.jfdaily.com/staticsg/res/html/journal/detail.html?date=2025-01-10&id=411037&page=08. [18] 林晓昕,肖莹. 拜登政府以来美国人工智能政策回顾[J]. 中国信息安全,2024(9):87-92. -
下载:
点击查看大图
计量
- 文章访问数: 86
- HTML全文浏览量: 28
- PDF下载量: 5
- 被引次数: 0
