摘要：中央“十四五”规划提出了建设国际科技创新中心的战略构想，而引领新一轮科技革命的人工智能是建设国际科技创新中心需要重点发展的产业。本文以国家知识产权局专利数据库为基础，构建了基于加权超图的人工智能产业产学研合作申请专利超网络拓扑结构。该超网络以参与产学研合作的高校、研究机构和企业为节点，以专利申请为超边，具体展现了人工智能产业产学研合作发展现状。本文以北京为例构建超网络，并进行了纵向与横向对比。结果显示该超网络中各节点的异质性明显，少数组织机构占据主导地位，绝大多数组织机构申请专利数量少、合作形式单一；几所知名高校在产学研合作中占有绝对主导地位，企业主体地位不明显；产学、产研合作数量多，产学研合作数量少等。基于此，提出了加强政策引导、改善人工智能产学研合作创新不平衡现状的相关政策建议。
关键词：人工智能，产学研合作，专利，超网络
一、引言
纵观人类历史，每一次重大科技创新无不对人类社会产生巨大的影响。进入21世纪以来，随着科学技术的发展，第四轮科技革命正以前所未有的态势席卷全球。而人工智能具有溢出带动性很强的“头雁效应”，是引领这新一轮科技革命和产业变革的战略性技术1。2017年政府工作报告将人工智能列为战略性新兴产业，同年7月国务院发布的《新一代人工智能发展规划》再次强调人工智能的国家战略地位。近年来，人工智能技术不断突破，推动了农业、制造业、医疗、信息技术等领域的技术进步，同时也便利了人民的生活、促进了经济增长。打好人工智能“关键核心技术攻坚战，提高创新链整体效能”，推动人工智能同各产业深度融合，推动先进制造业集群发展2，成为我国未来的发展方向。
人工智能产业产学研合作的发展现状如何？未来如何制定政策推动产学研合作以进一步促进人工智能产业的发展？这些问题都具有重要的现实意义。本文通过构建超网络模型，以专利合作情况作为产学研合作的衡量指标，具体展现北京人工智能产业的发展现状，并将其与上海、深圳进行对比，最终基于实证研究提出相关政策建议。
二、文献综述
学界对人工智能产业的研究主要集中在两个方面。一方面是人工智能在某一行业或某一技术领域的应用，凸显出人工智能的实用价值。比如市场营销领域，Wirtz（2018）等在考察消费者对服务机器人的认知、信念和行为的基础上提出了服务机器人接受模型，为服务组织及其人员提供了如何提高客户服务质量的新思路；Yadav和Pavlou（2020）说明了技术如何在数字环境下重塑广泛的市场，即数字技术对市场营销的影响；Jagdip Singh（2019）等研究了人工智能和销售数字化技术对商品销售环节的影响。另一方面，随着人工智能技术的普及，越来越多的学者根据社会的需要，对人工智能的性质、特征进行探索。比如，江怡通过对人工智能和人存在本身形而上的追问，发现人工智能是人探索自身存在意义的一种形式，也是对人原初问题的重新回归。John Searle（2018）的“中文屋”实验认为人工智能永远不会有心灵，而Agar N.（2019）的信任度评分方案、Schmid（2017）的生命形式方案都认为人工智能存在心灵具有一定程度的可能性。闫坤如认为，基于数据驱动的人工智能机器无法揭示事物之间潜藏的因果关系和理解的复杂性，因此，人工智能对人类的认知只处于功能模拟阶段，不真正具有人类理解力。
人工智能的产学研方面，目前的研究仍较为有限，学者多从整体角度对人工智能产学研创新影响因素、合作模式、创新体系建设以及创新网络模型进行探究。如薛澜等以人工智能产业为例研究发现，产学研协同创新绩效受到企业、高校及科研院所资源异质性大小的影响，一般来说，资源异质性高的主体对产学研创新有促进作用。王绍丹和裴庭伟（2020）在对比中美人工智能领域产业发展状况的基础上，探讨高校在该领域的发展优势与限制，并提出了四种人工智能领域产学研的合作模式。马相东在总结美国、德国和日本的人工智能产学研创新体系建设的基础上，认为中国应该通过公私合作加大研发投入，构建政产学研一体的人工智能创新体系，以发挥人工智能技术的正面经济效应。Fang Wei（2018）等建立了人工智能产业协同创新网络模型，并以腾讯人工智能领域专利合作网络为例，用系统仿真方法分析了协同创新网络拓扑结构，对小世界现象、技术知识与网络结构的耦合演化等进行探究，发现强化企业在人工智能技术创新中的主体地位、提高异质主体之间的开放程度，是提高协同创新绩效的有力保障。黄成节和南旭光（2019）着眼于人工智能时代社会的内在特征，从推动治理模式变革、治理制度创新、治理机制重构、治理格局优化等方面入手，为推动产学研合作治理体系和治理能力现代化的建立和完善提供理论参考和实务借鉴。由此可知，目前对人工智能产学研合作网络的探究仍存在较大空白。
目前，国内外学者主要从复杂网络角度对产学研合作进行研究。如高霞和陈凯华（2015）以专利联合申请为切入点，借助复杂网络分析方法发现我国ICT领域产学研合作创新网络的规模呈增大趋势，复杂网络特征显著，具有明显的小世界性和无标度特征。吴慧（2020）等通过复杂网络分析得出中国医药制造业产学研合作创新网络具有无标度网络特性，并运用QAP回归分析得出小世界性对上海市产学研合作创新网络的创新绩效会产生一定不利影响。但复杂网络存在局限性，在一些情况下无法完全刻画真实世界的特征。如在研究产学研合作网络时，若某一项目的合作机构数量大于等于3时，复杂网络就失去了效力。而超网络具有多层、多级、流量的多维性、多属性和协调性等特征，能较好地描述超大规模的网络。近年来，学者们注意到超网络的这一优点，开始运用超网络探究产学研合作情况。马涛和郭进利（2018）构建出基于加权超图的产学研合作申请专利超网络，分别对上海ICT产业和上海电子信息产业的产学研发展现状进行分析。刘勇（2017）构建了基于金融资本和中介作用的产学研协同创新超网络均衡模型，建立了多目标最优决策模型，求解并分析了产学研协同创新超网络均衡，并基于社会资本和中介的调节作用给出产学研协调创新实现超网络均衡的框架和路径。赵永平、徐盈之（2013）构建了核心—外围超网络模型，发现协同创新是当前产学研创新主体深度合作与共生优化的最佳途径，创新主体间能够同时实现局部与整体的目标最优化，而超网络优化机制在出现均衡偏差时将促使创新主体进行行为再优化，使各创新主体更加明确其角色和功能定位。
综上可知，目前使用超网络模型对产学研进行的研究主要专注于如何通过超网络实现最优化，而对某一产业产学研发展现状的研究并不多。其中，使用超网络对人工智能产业产学研发展现状进行的研究目前还未出现，这也是本文的研究意义所在。
三、基于加权超图的产学研合作申请专利超网络拓扑结构
（一）网络结构介绍
超网络是指节点众多、网络中含有网络的系统，能够比较清楚地描述和表示各节点和网络之间的相互关系，也可以用优化理论、博弈论、变分不等式等数学工具对网络中的变量进行分析和计算。
根据Chiang等和Estrada等学者的研究，产学研合作申请专利超网络拓扑结构可表示为H=（V，E，W），H为一个加权超图。其中，有限集V={v1，v2，v3，…，vn}是超网络中所有节点的集合，每个vi（i=1，2，…，n）表示超网络中的一个节点，即参与产学研合作申请专利的机构；E={E1，E2，E3，…，Em}表示超网络的超边，即所有参与产学研合作申请专利的团队，每个Ej（j=1，2，…，m）表示一种产学研合作申请专利的机构组合形式；在Ej≠ø时，每条超边都有一个权重w（Ej），表示每种产学研合作申请专利组合形式申请专利的数量，W={w（E1），w（E2），w（E3），…，w（Em）}代表超网络中超边权重的集合。
具体的网络形式如图1所示。图中每个黑色实心图案都代表参与产学研合作的一个机构，黑色正方形代表高校，黑色圆形代表科研院所，黑色三角形代表企业，它们都是超网络中的节点。一个空心圈代表一个产学研合作申请专利的团队，即一条超边，每个圈中的所有图案代表该团队中的所有机构。超边的权重即为该超边所代表的团队申请专利的数量。
（二）衡量指标
根据马涛和郭进利对基于加权超图的产学研合作申请专利超网络拓扑结构衡量指标的构建，表1中列出了分析所需的相关指标及其定义、实际意义。
四、以北京市为主的实证研究
（一）数据的获取
北京人工智能产业产学研合作申请专利相关数据来自国家知识产权局官方网站（https://www.cnipa.gov.cn）。本文搜集了数据库中北京2017年、2018年、2019年，上海2018年和深圳2018年的人工智能产业产学研联合申请专利。人工智能产业相关IPC分类号来自2019年12月国家工业信息安全发展研究中心发布的《人工智能中国专利技术分析报告》（下简称《报告》）。《报告》将人工智能产业技术划分为七个一级的技术分支：深度学习、语音识别、自然语言处理、计算机视觉、智能驾驶、云计算与智能机器人。每个一级分支下都给出了重点二级分支技术的IPC代码（如表2所示）。将所有七个一级分支的IPC代码进行整合去重，共得到33个IPC代码。本文在检索页面中的IPC分类中逐个输入人工智能产业的IPC代码进行检索。对检索结果中不符合要求的数据进行人工剔除，如只有单个申请人、申请人名称中同时出现“公司”与“研究所”的情况。本文主要构建了北京2018年人工智能产业产学研合作申请专利超网络，并用北京2017年、2019年的数据，上海2018年和深圳2018年的数据进行对比分析。
（二）2018年北京人工智能产学研合作申请专利超网络的构成
由表3可知，2018年北京人工智能产业产学研合作申请专利排名前5位的IPC分类号分别为G06F、G06Q10、H04L29、G06K、G06N3，具体数量分别为194、68、68、61、48。上述5个分支领域申请专利的数量占2018年北京人工智能产学研合作申请专利总量超过66%。因此，这5个技术领域可以看作2018年北京人工智能产业产学研合作申请专利的热点。而其他28个分支申请专利的总数量仅占总量的不到34%。由此可见北京人工智能产业产学研合作分布并不均衡。
去除各分支内重复统计的专利后，总共得到2018年北京市人工智能产业的相关专利493项。将专利申请中第一申请人看作是该专利的主导方，如第一申请人是高校，则该专利由高校主导。统计可得，2018年北京人工智能产业相关专利中，190项为高校主导，占38.54%；183项为企业主导，占37.12%；120项为研究机构主导，占24.34%。由此可见，2018年北京人工智能产业产学研合作申请专利的主导方比较平均，没有出现某一主体占绝大多数的情况。
本文利用2018年北京人工智能产业产学研合作的493项专利数据构建北京市人工智能产业产学研合作申请专利超网络。在该超网络中，将高校、研究机构和企业定义为超网络的节点，共有335个节点，标号为v1，v2，…，v335。其中，代表高校的黑色正方形点有37个，代表研究机构的黑色圆形点有57个，代表企业的黑色三角形点有237个。该超网络有223条超边，即有223种不同的合作申请专利的机构组合形式。每条超边的标号为E1，E2，…，E223，每条超边中都包含至少2个、至多6个不同的节点。超边的权重用来描述每条超边中的组织合作申请专利的次数，超网络中所有的超边权重之和就是超网络中的专利总数，即为493项。
对本文超网络中的节点度、超度和超强度的最大值、最小值和平均值进行计算，得到表4的数据。
（三）2018年北京人工智能产学研合作申请专利超网络的拓扑特性分析
（1）节点的度和度分布
节点的度P（di）反映了与该组织共同申请过专利的其它组织机构的数目。在2018年北京人工智能产业产学研合作申请专利超网络中，P（di）排在前5位的节点分布为清华大学、北京邮电大学、北京大学、北京航空航天大学和华北电力大学，均为高校，具体的度分别为P（d清华大学）=34、P（d北京邮电大学）=18、P（d北京大学）=15、P（d北京航空航天大学）=15、P（d华北电力大学）=14。该超网络中节点的度的平均值为1.94，而排名第一的清华大学节点的度达到34。此外，P（di）最小的节点有239个，都为1。由此可见该超网络中专利申请量分布不均，节点间差异大。
双对数坐标系下的节点度的累计概率分布如图2所示，对曲线拟合发现数据服从幂律分布。拟合的幂函数为：
y=0.288x-1.608（R2=0.828）
由此可见，绝大部分组织机构只与少数几个机构进行过产学研合作专利申请。
（2）节点的超度和超度分布
节点的超度dH（vi）反映了该节点所代表的机构参与合作申请专利的不同团队的数目。在2018年北京人工智能产业产学研合作申请专利超网络中，超度排名前5的节点分别为清华大学、北京邮电大学、北京大学、华北电力大学和北京航空航天大学，均为高校，具体的超度分别为dH（v清华大学）=33、dH（v北京邮电大学）=18、dH（v北京大学）=17、da（v华北电力大学）=16、dn（v北京空航天大学）=13。该超网络中dH（vi）的平均值为1.65，而排名第一的清华大学节点的超度达到33。此外，dH（vi）最小的节点有274个，均为1。由此可见该超网络中各节点参与产学研联合申请的机构组合形式差异大。
双对数坐标系下的节点超度的累计概率分布如图3所示，对曲线拟合发现数据服从幂律分布。拟合的幂函数为：
y=0.191x-1.530（R2=0.801）
由此可见，绝大部分组织机构参与产学研合作专利申请的机构组合形式十分单一，只有较少的几个组织机构有多种机构组合形式。
（3）节点的超强度和超强度分布
节点的超强度Hd（vi）反映了该节点所对应的组织参与合作申请专利的数目。在2018年北京人工智能产业产学研合作申请专利超网络中，超强度排名前5的节点分别为清华大学、北京大学、北京理工大学、中国科学院声学研究所和国家电网公司，高校、研究机构和企业都有，但高校包揽前三，具体的超强度分别为Hd（v清华大学）=77、Hd（v北京大学）=38、Hd（v北京理工大学）=33、Hd（v中国科学院声学研究所）=31、Hd（v国家电网公司）=30。它们是北京人工智能产业产学研专利申请的主要贡献者。该超网络中Hd（vi）的平均值为3.41，而排名第一的清华大学节点的超度达到77。此外，Hd（vi）最小的节点有185个，均为1。由此可见该超网络中各节点参与产学研联合申请的数目差异大。
双对数坐标系下的节点超强度的累计概率分布如图4所示，对曲线拟合发现数据服从幂律分布。拟合的幂函数为：
Y=0.212x-1.283（R2=0.790）
由此可知，只有少数几个组织机构的产学研合作专利申请数量较大，其他大部分组织机构的产学研合作专利申请数量较小，分布不均匀。但由图4可见，各点纵坐标差异不大，最高点纵坐标未超过0.2。这说明与度、超度相比，各节点超强度的差异比较小。
（4）超边超度
超边超度ds（Ej）即每条超边包含的节点个数，即一项专利中参与合作的组织机构的个数。在构成2018年北京人工智能产业产学研合作申请专利超网络的493项专利中，有415项专利参与合作的组织数目为2，有69项专利参与合作的组织数目为3，剩余9项专利参与合作的组织数目为4个及以上，最多一项专利的参与者达到6个。此外，分析结果表明，高校和企业共同申请的专利占大多数，高校、研究机构以及企业共同申请的专利最少。
（5）节点度、超度和超强度之间的关系
拟合函数后可知，节点超度与节点度呈现线性关系，表达式为：y=0.95x+0.367（R2=0.812）。节点超度与节点超强度也呈线性关系，表达式为：y=2.072x-0.014（R2=0.717）（如图5、6所示）。由此可得，节点超度与节点度为强正相关，节点超度与节点超强度为弱正相关。即组织机构所参与的产学研合作申请专利的团队数和与该组织机构有合作关系的其他组织机构的数量正相关，组织机构所参与的产学研合作专利申请的团队数和该组织机构参与的产学研合作申请专利的数量也呈正相关。可以说，一个组织机构参与的团队数越多，则其合作的其他机构越多，申请的专利也越多。
（四）北京人工智能产学研合作申请专利超网络的纵向对比
基于2017与2018年北京人工智能产业产学研合作申请专利的相关数据，可绘制出双对数坐标系下节点度和超度的累计概率分布（如图7、8、9、10所示）。对曲线拟合发现数据均服从幂律分布。2017年北京人工智能产学研合作申请专利超网络的节点度拟合的幂函数为y=0.482x-1594（R2=0.955），节点超度拟合的幂函数为y=0.111x-1.332（R2=0.847）；2019年北京人工智能产学研合作申请专利超网络的节点度拟合的幂函数为y=0.209x-1.485（R2=0.748），节点超度拟合的幕函数为y=0.204x-1.414（R2=0.707），结果均与2018年情况相类似（如表5所示）。由此可见，以2018年为例对北京人工智能产业产学研合作发展情况进行分析具有代表性。
将这三年的数据进行对比可得到近年来北京人工智能产业产学研的发展趋势。
从总体情况来看，2017年北京人工智能产业产学研合作申请专利中有27.33%为高校主导，41.86%为研究机构主导，31.01%为企业主导；2018年北京人工智能产业产学研合作申请专利中有38.54%为高校主导，37.12%为企业主导，24.34%为研究机构主导；2019年北京人工智能产业产学研合作申请专利中有40.39%为高校主导，18.49%为研究机构主导，40.93%为企业主导（如图11所示）。研究机构主导的专利申请量大幅下降，高校与企业主导的专利申请量稳步上升，差距逐渐拉大。
从具体情况来看，北京人工智能产学研合作申请专利超网络有异质性增强的趋势。2017年dimax仅为26，2018年和2019年分布别上涨到34和30。2017年dH（vi）max=24，2018年和2019年分别上升到33和27。此外，di=1时，P2017（dH）=0.2881、P2018（dH）=0.5047、P2019（dH）=0.8286，增加趋势明显，说明北京人工智能产学研合作申请专利可能会越来越趋向集中于实力强大的机构。
（五）北京人工智能产学研合作申请专利超网络的横向对比
基于2018年上海与深圳人工智能产业产学研合作申请专利的相关数据，可将北京与上海、深圳人工智能产业产学研发展情况进行对比。
从总体来看，2018年上海人工智能产业产学研合作申请专利数量为178件，深圳为116件，均远低于北京。上海的相关专利中58.99%由高校主导申请，7.3%由研究机构主导申请，35.39%由企业主导申请，高校占有绝对主导地位；深圳的相关专利中23.28%由高校主导申请，25%由研究机构主导申请，54.31%由企业主导申请，企业占有绝对主导地位（如图12所示）。两城市的最强主导方均占有超过一半专利数量。相比之下，北京人工智能产业产学研合作的各主导方较为平衡。
具体来看，2018年上海人工智能产业产学研合作申请专利超网络中，dimax=19、P（d1）=0.6915；2018年深圳人工智能产业产学研合作申请专利超网络中，dimax=6、di=1时P（di）=0.625。两城市的超网络中最大节点度均小于北京，节点的度分布均大于北京。说明上海与深圳人工智能产业产学研合作申请专利超网络的异质性不如北京明显。尤其是深圳，节点度极差仅为5，整体网络分布较为均衡。此外，在节点超度方面，上海dH（vi）max=17、di =1时P（dH）=0.7660；深圳dH（vi）max=6、di=1时P（dH）=0.8，两城市的超网络最大节点超度均小于北京，度为1的节点的超强度分布均小于北京。说明北京人工智能产业产学研合作申请专利的机构组合形式更丰富，能够解释北京人工智能产业产学研合作申请专利数量高于上海和深圳的现象。
五、结果分析与政策建议
由前文对北京、上海与深圳人工智能产业产学研合作申请专利超网络的分析可得如下结论，并提出相应政策建议。
（1）激发核心节点领先带动作用
由前文分析可知，北京人工智能产业产学研合作申请专利超网络各节点的度、超度和超强度分布均服从幂律分布，表明该超网络异质性明显，少数实力强大的中心节点对超网络的产生、发展具有重要影响。如2018年的超网络中，清华大学、北京大学在节点的度、超度和超强度排名中均位于前三。在与上海、深圳的对比中可知，北京中心节点发挥的作用十分明显。对此类核心节点的支持投入能够获得较大的效益。但需要注意的是，在节点的超强度方面，幂律分布特征比较不明显，各节点申请专利的数量比较平均，说明在申请专利的数量上，超网络中实力强大的核心组织机构还未完全开发潜力、未充分发挥领军作用。因此，对于政府来说，应该继续加大对此类型实力强大的核心高校、研究机构和企业的支持力度，让它们继续发挥领先优势，带动其他组织机构发展，促进超网络的扩大。
（2）兼顾广大弱势节点共同发展
基于前文分析的大多数组织机构在超网络中发挥作用较小，且根据近年的数据对比可知，未来该超网络的异质性有加强的趋势。但由于此类组织机构数量众多，未来仍有较大的发展空间，对此类组织的支持投入所获得的收益前景良好。因此，政府应该完善进入机制，鼓励更多组织机构加入到产学研合作的超网络中来。对于已经在超网络中但地位不高的组织机构，应该出台相关措施鼓励它们进行产学研合作，以扩大超网络规模。此外，政府还可建立一套有效识别机制，寻找超网络中具有潜在竞争优势的成员进行重点扶持，以增加投入产出比，提高超网络运行效率，促进超网络发展。
（3）维持高校领先地位，发挥高校桥梁作用
经过对北京2018年人工智能产业产学研合作申请专利超网络进行相关测算可知，在该超网络中，节点的度排名前10的组织机构中有6个是高校、超度和超强度排名前10的组织机构中有7个是高校。且经过近三年的数据对比可得，高校在人工智能产生产学研合作专利申请中的主导地位不断加强。由此可见，高校在产学研合作中占有绝对主导地位。并且，这些排名前列的高校均为国内知名大学。例如清华大学、北京大学、北京航空航天大学、北京理工大学、华北电力大学等，均为“211”以上学府。作为知识和人才的集中地，这些大学为人工智能产业的发展贡献了大量科研力量。政府应该继续发挥知名学府的科研力量，将它们作为产学研合作超网络中沟通产、学、研的桥梁和纽带，促进产学研超网络协调发展。
（4）加强企业主导地位
产学研合作的重要意义是将知识转化为生产力，因此，企业在产学研合作中具有主体地位。然而，在北京2018年人工智能产业产学研合作申请专利超网络中，企业的主体地位并未得到明显体现。该超网络中，企业参与较为分散。大部分企业与高校、研究机构合作只有一两次，只有少数企业与高校、研究机构合作次数在3次及以上。并且，参与合作次数多的企业大多是实力雄厚的大企业，例如国家电网有限公司、中国铁路总公司、北京时代民芯科技有限公司、北大方正集团有限公司等。这与深圳的超网络中企业的主体地位形成鲜明对比。对于广大的新兴企业、中小企业来说，要抓住时代发展机遇、加大科研创新力度、增加研究经费投入、提高科研人员素质，努力成为超网络的中心企业。
（5）政府牵线搭桥，鼓励团队合作
北京2018年人工智能产业产学研合作申请专利超网络中，节点的超度和节点的度、超强度均呈现强正相关关系。说明一个组织机构参与合作的团队数越多，则与其有合作关系的其他机构越多，申请的专利数量也越多。因此，鼓励组织机构多参与产学研团队合作成为政府可行的选择。政府可以作为中间人，建立完善的对接机制和信息资源平台，帮助组织机构寻找合适的产学研合作对象。
（6）鼓励产学研三方共同合作
北京2018年人工智能产业产学研合作申请专利超网络中，产学合作309项，占总数的62.68%，产研合作172项，占总数的34.89%，产学研合作12项，仅占总数的2.43%，产学研合作数量最少。高校、研究机构和企业三者共同合作是产学研合作的重要形式，三者共同合作数量的增加能够加深人工智能产业产学研合作的程度，促进超网络发展。因此，北京市政府应当积极鼓励推动高校、研究机构和企业三方合作，建立信息共享机制，搭建合作交流平台，完善知识产权相关制度和法律法规，以政策为导向让真正的产学研合作推动人工智能产业发展。
注释：
1 中国共产党新闻网.习近平讲故事：人工智能具有很强的“头雁”效应[Z]. http://cpc.people.com.cn/n1/2019/0726/c64094-31256975.html，最后访问时间：2021年5月24日。
2 中国政府网.中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要[Z]. http://www.gov.cn/xinwen/2021-03/13/content_5592681.htm，最后访问时间：2021年5月24日。
参考文献：
[1]马相东.人工智能的双重效应与中国智能经济发展[J].中共中央党校（国家行政学院）学报[J].2020，24（02）：59-66.
[2]黄成节，南旭光.智能时代产学研合作治理研究的逻辑、挑战及路径[J].中国科技论坛，2019（02）：29-35+43.
[3]高霞，陈凯华.合作创新网络结构演化特征的复杂网络分析[J].科研管理，2015，36（06）：28-36.
[4]吴慧，顾晓敏，赵袁军.产学研合作创新网络拓扑演化的复杂网络研究[J].复杂系统与复杂性科学，2020，17（04）：38-47.
[5]王众托，王志平.超网络初探[J].管理学报，2008，05（01）：1-8.
[6]马涛，郭进利.基于加权超图的产学研合作申请专利超网络——以上海ICT产业为例[J].系统工程，2018，36（01）：140-152.
[7]马涛，郭进利.基于加权超图的产学研合作申请专利超网络模型——以上海电子信息产业为例[J].技术经济，2019，38（06）：109-118+124.
[8]刘勇.产学研协同创新超网络均衡模型及其实现路径[J].中国科技论坛，2017（01）：19-25.
[9]赵永平，徐盈之.基于核心—外围超网络模型的产学研协同创新研究[J].大连理工大学学报（社会科学版），2013，34（04）：7-12.
[10]王志平，王众托.超网络理论及其应用[M].北京：科学出版社，2008.4-5.
[12]江怡.人工智能与人类的原初问题[J].社会科学战线，2020（01）：207-213+282.
[13]约翰·R·塞尔.心灵、大脑与程序[M].刘西瑞，王汉琦，译//玛格丽特·博登.人工智能哲学.上海：上海译文出版社，2006.
[14]薛澜，姜李丹，黄颖，梁正.资源异质性、知识流动与产学研协同创新——以人工智能产业为例[J].科学学研究，2019，37（12）：2241-2251.
[15]王绍丹，裴庭伟.第三次发展热潮下人工智能领域产学研合作模式探讨[J].教育教学论坛，2020（31）：88-90.
[16]Chiang I J，Agglomerativealgorithm to discover semantics from unstructured big data[C]，IEEE International Conference on Big Data，2015.
[17]Estrada E，et al. Subgraphcentrality in complex networks[J]. Physical Review E，2005，71（5）：056103.
[18]Jochen Wirtz，Paul G. Patterson，Werner H. Kunz，et al. Brave new world：service robots in the frontline[J]. Journal of Service Management，2018，29（5）：907-931.
[19]Yadav，Manjit S.，and Paul A. Pavlou. Technology-Enabled Interactions in Digital Environments：A Conceptual Foundation for Current and Future Research[J]. Journal of the Academy of Marketing Science，2020，48（1）：132-36.
[20]Singh，Jagdip，Karen Flaherty，Ravipreet S. Sohi，Dawn Deeter-Schmelz，Johannes Habel，Kenneth Le Meunier-FitzHugh，Avinash Malshe，Ryan Mullins，and Vincent Onyemah. Sales Profession and Professionals in the Age of Digitization and Artificial Intelligence Technologies：Concepts，Priorities，and Questions[J]. Journal of Personal Selling & Sales Management，2019，39（1）：2-22.
[21]Agar，N. How to Treat Machines That Might Have Minds[J]. Philosophy and Technology 33，2019（02）：269-82.
[22]Hans Bernhard Schmid. “Robot” as a Life-Form Word[J]. Haku R，Seibet J，eds. Sociality and Normativity for Robots，Studies in the Philosophy of Sociality，2017（9）.
[23]Wei，Fang，Dai Sheng，and Wang Lili. Evolutionary Model and Simulation Research of Collaborative Innovation Network：A Case Study of Artificial Intelligence Industry[J]. Discrete Dynamics in Nature & Society，2018（11）：1-13.
沈映春，北京航空航天大学公共管理学院教授，博士，经济系主任，硕士生导师，廖舫仪，北京航空航天大学公共管理学院经济学本科生。
