陶于祥 汪書悅 袁野

摘 要：分別以“人工智能”“AI”為關鍵詞，對中國知網(wǎng)CSSCI數(shù)據(jù)庫和Web of Science SCI拓展期刊數(shù)據(jù)庫進行檢索，遴選出2008—2018年1 786、8 515篇文獻作為研究樣本，采用詞頻分析、聚類分析、時間演化分析等科學計量方法，借助CiteSpace可視化軟件，綜合梳理國內(nèi)外人工智能領域研究的熱點、發(fā)展脈絡和演進歷程。通過可視化圖譜展示以及國外和國內(nèi)對比分析，指出國內(nèi)外發(fā)展差異，提出未來我國人工智能領域發(fā)展的相關建議。研究發(fā)現(xiàn)，國外主要圍繞遺傳算法、模糊粒子群優(yōu)化算法等算法層面展開，而國內(nèi)純算法的研究較少;國外多將人工智能應用在金融和醫(yī)療中，國內(nèi)則主要體現(xiàn)在教育、圖書館建設以及出版業(yè)中。未來研究應強調(diào)多學科整合，持續(xù)完善算法，加速人工智能應用落地并構建多層治理體系。

關鍵詞：人工智能;CiteSpace;知識圖譜;比較分析

基金項目：重慶市社會科學規(guī)劃項目“全球價值鏈背景下重慶市人工智能產(chǎn)業(yè)重點發(fā)展領域與政策設計”（2019YBJJ041）;重慶市社會科學規(guī)劃重點智庫項目“中美貿(mào)易摩擦背景下重慶市大數(shù)據(jù)智能化產(chǎn)業(yè)發(fā)展應對策略研究”（2018ZDZK10）。

[中圖分類號] F49 [文章編號] 1673-0186（2019）011-0089-012

[文獻標識碼] A ? ? [DOI編碼] 10.19631/j.cnki.css.2019.011.009

2019年5月，習近平總書記在國際人工智能與教育大會的賀信中指出人工智能是引領新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動力。人工智能領域的研究和發(fā)展至關重要，近年來學術界圍繞人工智能涌現(xiàn)出諸多研究成果。從研究視角來看，呂文晶運用文獻計量法對我國人工智能研究文獻的時間分布、作者分布、主題分布和學科分布進行分析，并指出人工智能發(fā)展與創(chuàng)新交叉研究具有極大潛力[1];胡玉寧等運用TDA軟件，利用文獻統(tǒng)計分析、關鍵詞共現(xiàn)分析的方法揭示國際人工智能研究熱點[2];李悅等對世界人工智能領域相關研究進行統(tǒng)計分析，總結(jié)出人工智能領域的熱點并預測未來發(fā)展方向[3];從研究主題來看，邱均平等對中外自然語言處理的發(fā)展進行對比分析[4];劉勇等則對人工智能在我國教育領域應用進行了可視化分析[5]。

目前我國人工智能相關研究整體處于何種階段？表現(xiàn)出何種特點、何種演化方式與趨勢？我國人工智能的研究和國外研究究竟有何異同？如何通過國內(nèi)外研究對比分析為我國人工智能發(fā)展提出建議？現(xiàn)有研究主要從國內(nèi)或者國際視角出發(fā)對人工智能相關研究進行梳理，未對比分析國內(nèi)外研究存在的相同點及差異;聚焦于人工智能某一子領域，未從整體、全局視角對人工智能結(jié)構、熱點等方面進行系統(tǒng)深入的研究;研究方法較為單一，未結(jié)合多種科學計量方法對文獻大數(shù)據(jù)進行深入挖掘。但已有研究都為人工智能的發(fā)展奠定了一定基礎。

基于此，本文篩選中國知網(wǎng)和Web of Science數(shù)據(jù)庫中的數(shù)據(jù)，采用詞頻分析法、聚類分析法、時間演化分析法等科學計量方法，借助可視化軟件，從整體學科視角出發(fā)綜合梳理分析國內(nèi)外人工智能領域研究的熱點、發(fā)展脈絡、演進歷程，并通過國外、國內(nèi)對比分析展示國內(nèi)外研究熱點、未來研究趨勢的異同，以期為我國人工智能研究提供建議和參考。

一、研究設計

本文研究設計主要包括四個部分：研究工具及方法、數(shù)據(jù)來源、數(shù)據(jù)處理和總體特征。

（一）研究工具及方法

CiteSpace軟件由美國德雷賽爾大學陳超美教授基于Java開發(fā)，主要用于科學文獻數(shù)據(jù)計量分析、識別和顯示科學發(fā)展新趨勢和新動態(tài)[6]。本文利用CiteSpace軟件提取人工智能研究領域關鍵詞、繪制學科共現(xiàn)圖譜、突現(xiàn)詞圖譜以及時間線圖。

詞頻分析法。本文使用詞頻分析法提取人工智能文獻信息中的關鍵詞，通過關鍵詞的高低分布，來研究該領域發(fā)展動向和研究熱點。

聚類分析法。聚類分析是一組將研究對象分為相對同質(zhì)群組的統(tǒng)計分析技術。同一個聚類中的對象有很大的相似性，而不同聚類間的對象有很大的相異性。本文選擇CiteSpace中的LLR（潛語義索引算法）算法進行聚類。

時間演化分析法。時間線視圖側(cè)重于勾畫聚類之間的關系和某個聚類中文獻的歷史跨度，能清晰反映某一特定聚類研究的興起、繁榮及衰落過程，利用CiteSpace繪制人工智能研究時間線視圖（timeline view），可用于分析人工智能領域的研究熱點和趨勢[7]。

（二）數(shù)據(jù)來源

分別使用中國知網(wǎng)和Web of Science進行文獻檢索。在中國知網(wǎng)進行文獻檢索時，選擇高級檢索功能，檢索式為“主題=人工智能，時間=2008—2018年，精準匹配，文獻類型=期刊，期刊來源=CSSCI”，檢索出文獻2 237篇，經(jīng)過手動篩選，剔除會議紀要、編輯寄語、人物訪談等冗余信息，最終得到文獻1 786篇作為研究樣本;在Web of Science進行文獻檢索時，以檢索式“（TS=（Artificial Intelligence））AND語種：（English）AND文獻類型：（Article）”索引=SCI-EXPANDED，時間跨度=2008—2018進行檢索，最終得到文獻8 515篇作為研究樣本。

（三）數(shù)據(jù)處理

中國知網(wǎng)：由于中國知網(wǎng)單次最多導出500篇文獻，故將所選擇的1 786篇文獻分4次以Refworks格式導出，導出的內(nèi)容包括：文獻的標題、摘要、關鍵詞、作者等關鍵信息，以download_XX為文件名保存文檔。且中國知網(wǎng)下載的數(shù)據(jù)不能直接使用CiteSpace進行分析，故利用CiteSpace轉(zhuǎn)換功能對數(shù)據(jù)格式進行轉(zhuǎn)換。

Web of Science：單次最多導出500篇文獻，故將所選擇的8 515篇文獻分18次以純文本格式導出，導出內(nèi)容選擇“全記錄并包含所引用的參考文獻”，以download_XX為文件名保存文檔。

數(shù)據(jù)處理是可視化分析中十分重要的一環(huán)，本研究在數(shù)據(jù)處理時邀請國內(nèi)人工智能領域?qū)＜覍iteSpace提取的關鍵詞進行處理，包括無效關鍵詞剔除、相似關鍵詞合并。

（四）總體特征

發(fā)文總量。根據(jù)人工智能領域相關文獻的年度總發(fā)文量分布統(tǒng)計圖（圖1），可形成對人工智能研究領域的初步認知。

2008—2018年間，人工智能研究領域相關文獻量逐年增加，呈穩(wěn)步上升趨勢;從發(fā)文量增長率來看，各年發(fā)文量增長率均大于零，發(fā)文量持續(xù)增長，年均增長率為20.94%，且不同年份間波動較大。特別是2016年恰逢“人工智能60周年”，人工智能研究領域發(fā)文量激增，增長率高達22.78%。2016年以來，人工智能研究領域文獻規(guī)模和影響力均極大提升，此后兩年人工智能領域受關注程度保持高增長態(tài)勢，發(fā)文量持續(xù)高增長，到2018年發(fā)文增長率為74.31%，達到階段性頂峰，人工智能研究步入繁榮時代。

學科分布。使用Excel繪制國內(nèi)人工智能研究領域?qū)W科分布圖（圖2），從相關研究的學科分類來看，目前國內(nèi)相關研究主要集中于信息科技和社會科技領域，哲學與人文科學、經(jīng)濟與管理科學、基礎科學、工程科技等領域均有涉及，目前國內(nèi)人工智能研究涵蓋領域較為單一。

學科共現(xiàn)。將Web of Science數(shù)據(jù)導入CiteSpace并建立相應數(shù)據(jù)工程，選取2008—2018年且以一年為時間切片，選取節(jié)點類型（Node Type）為學科（Category），繪制領域?qū)W科共現(xiàn)圖譜（圖3）。國際上人工智能研究主要涉及COMPUTER SCIENCE（計算機科學）與ENGINEERING（工程學）相關學科，也時常涉及OPERATIONS RESEARCH & MANAGEMENT SCIENCE（運籌學與管理科學）、ENERGY & FUELS（能源與燃料）、MATHEMATICS（數(shù)學）、MATERIALS SCIENCE（材料科學）、NVIRONMENTAL SCIENCES & ECOLOGY（環(huán)境科學與生態(tài)學）及AUTOMATION & CONTROL SYSTEMS（自動化—控制系統(tǒng)）等學科。其中計算機科學下的分支學科——交叉應用、信息系統(tǒng)、理論與方法、軟件工程在人工智能領域中聯(lián)系較為緊密;工程學下的分支學科——土木工程、電子電氣工程運用在人工智能領域中聯(lián)系密切。基于以上分析，可以看出人工智能研究是一個多學科交叉性學術研究領域，它包含了計算機學、數(shù)學、基礎科學、管理學和經(jīng)濟學等諸多學科的特點，借用多學科的交叉理論來研究人工智能問題已成為主要趨勢，同時也符合該研究領域進一步發(fā)展的需要。

二、國內(nèi)人工智能研究熱點及前沿探析

研究熱點是指某個領域中學者共同關注的一個或者多個話題，可結(jié)合研究主題的詞頻分析[6]，研究前沿是指正在興起的理論趨勢和新主題的涌現(xiàn)，在利用CiteSpace分析時，可從文獻題目、摘要等部分提取的突發(fā)性術語來進行解讀。

（一）研究熱點主題

將CNKI來源數(shù)據(jù)導入CiteSpace中進行詞頻統(tǒng)計，生成關鍵詞列表，為排除無效關鍵詞的干擾，邀請國內(nèi)人工智能領域?qū)＜覍W者對提取的關鍵詞進行處理，包括無效關鍵詞剔除、相似關鍵詞合并。剔除“新時代”“發(fā)展”“科幻”“作者”等無效關鍵詞;將“教育信息化”“智慧教育”“智能教育”“教育人工智能”合并為“教育信息化”;“智能圖書館”和“智慧圖書館”合并為“智慧圖書館”。最終整理出關鍵詞詞頻表，本文僅列出部分關鍵詞（表1），基于高頻關鍵詞及相關文獻對國內(nèi)人工智能研究熱點進行剖析。

國內(nèi)人工智能研究高頻關鍵詞匯總表結(jié)果表明：在人工智能研究領域，“大數(shù)據(jù)”“機器人”“語義網(wǎng)絡”“教育信息化”“深度學習”“機器學習”等得到較多關注;其次是“智能機器人”“圖書館”“算法”“虛擬現(xiàn)實”“信息技術”“互聯(lián)網(wǎng)”等。研究熱點內(nèi)容可以整理歸納為兩個方面：其一，人工智能理論領域，國內(nèi)研究關注大數(shù)據(jù)、語義網(wǎng)絡、深度學習、機器學習、算法、信息技術、互聯(lián)網(wǎng)和區(qū)塊鏈;其二，人工智能應用領域，國內(nèi)關于人工智能的應用體現(xiàn)在智慧教育、智慧圖書館、新媒體、法律和出版業(yè)。

（二）研究前沿與路徑

將CNKI數(shù)據(jù)導入CiteSpace并建立相應數(shù)據(jù)工程，選取2008—2018年且以一年為時間切片，選取節(jié)點類型（Node Type）為關鍵詞（Keyword），但生成的網(wǎng)絡圖較為密集，網(wǎng)絡裁剪功能可以通過對保留重要的連線來提高網(wǎng)絡可讀性[6]，本文選取最小生成樹法（MST）對網(wǎng)絡進行裁剪，得到原始關鍵詞共現(xiàn)網(wǎng)絡，繪制我國人工智能研究領域的時間線圖，并使用Excel將時間線圖轉(zhuǎn)換為表2。

在時間線視圖中，相同聚類的文獻被放置在同一水平線上，聚類中文獻越多代表所聚類的領域越重要[6]。圖形右側(cè)的聚類標簽顯示為9類，包括學習、語義網(wǎng)絡、法律、教育信息化2.0、出版業(yè)、區(qū)塊鏈、深度學習、媒體融合、虛擬現(xiàn)實和自我意識，盡管聚類之間存在相互交叉，表明聚類并不完全準確，但也在一定程度上幫助解讀我國人工智能研究熱點與前沿。研究時長方面，法律、教育信息化2.0及出版業(yè)等研究主題持續(xù)時間最長，長達十年;學習、語義網(wǎng)絡、區(qū)塊鏈、媒體融合及自我意識等研究主題持續(xù)時長次之;虛擬現(xiàn)實研究時長僅持續(xù)2017年一年，而深度學習則從2016年開始引起國內(nèi)學界關注，至今已持續(xù)兩年，未來將會被持續(xù)關注。研究內(nèi)容方面，國內(nèi)人工智能研究可大致分為理論領域和應用領域。在人工智能理論領域方面，國內(nèi)研究主要關注語義網(wǎng)絡、自然語言處理、知識工程、神經(jīng)網(wǎng)絡、語言模型、圖靈測試等人工智能子領域;在人工智能應用領域方面，國內(nèi)研究聚焦于教育和出版業(yè)領域，教育領域相關研究包含教育信息化、機器人教育、線上學習等，出版業(yè)領域研究包含智能出版流程再造以及新聞出版業(yè)智能機器人運用等。

三、國際人工智能研究熱點及前沿探析

通過剖析高頻關鍵詞識別國際人工智能研究熱點，根據(jù)關鍵詞突現(xiàn)圖譜分4個時間段闡釋國際人工智能研究前沿。

（一）研究熱點主題

關鍵詞（Key words）是指能反映論著的主題和中心內(nèi)容的名詞術語或詞組，當某一關鍵詞在同一領域文獻出現(xiàn)頻率較高，該詞就能反映這一領域的研究熱點與研究動向。利用CiteSpace軟件， 通過對Web of Science來源數(shù)據(jù)進行關鍵詞詞頻統(tǒng)計，生成關鍵詞列表，并邀請人工智能領域?qū)＜覍W者對提取的關鍵詞進行處理，包括無效關鍵詞剔除、相似關鍵詞合并。如將“artificial intelligence （ai）”“artificial intelligence”合并為“artificial intelligence”;將“recognition”“pattern recognition”合并為“pattern recognition”;將“ANN”“artificial neural network”合并為“artificial neural network”;將“modeling”“model”合并為“model”等，最終整理出關鍵詞頻次表，本文僅列出排名前35位的關鍵詞（表3）。

國際人工智能研究文獻中出現(xiàn)頻率最高的前十位關鍵詞有：artificial intelligence（人工智能），neural network（神經(jīng)網(wǎng)絡），system（系統(tǒng)），artificial neural network（人工神經(jīng)網(wǎng)絡），model（模型），algorithm（算法），prediction（預測），optimization（優(yōu)化），genetic algorithm（遺傳算法），classification（分類）。其中國際人工智能研究熱點領域包括人工神經(jīng)網(wǎng)絡、機器學習、模糊智能、數(shù)據(jù)挖掘、深度學習，特別是深度學習提出后，人工神經(jīng)網(wǎng)絡重新成為最強大的機器學習算法之一，也成為人工智能研究領域的熱點話題，值得學界高度關注;人工智能研究的熱門算法包括粒子群優(yōu)化算法、遺傳算法、人工蜂群;人工智能研究的熱點方法及應用包括預測、優(yōu)化、建模、分類、設計、模擬、鑒定、識別、管理、搜索、診斷等。

（二）研究前沿與路徑

將Web of Science數(shù)據(jù)導入CiteSpace并建立相應數(shù)據(jù)工程，選取2008—2018年且以一年為時間切片，選取節(jié)點類型（Node Type）為關鍵詞（Keyword），閾值設置為Top30，使用突現(xiàn)詞探測（Citation Burst）算法，抽取突現(xiàn)強度排名前16位的關鍵詞，得出人工智能領域的突現(xiàn)詞圖譜（圖4）。在CiteSpace中某聚類包含的突發(fā)節(jié)點越多，該領域越活躍，能代表該領域的新興趨勢。

2008—2009開始出現(xiàn)的突現(xiàn)詞為data mining（數(shù)據(jù)挖掘）、knowledge（知識）、expert system（專家系統(tǒng)）、decision support system （決策支持系統(tǒng)）和case-based reasoning（案例推論）。米歇爾·妮可（Michelle Nicole）等利用數(shù)據(jù)挖掘等相關技術對憂郁患者進行情感預測，識別患者相關心理狀態(tài)[8]。關于專家系統(tǒng)的研究，有學者在自動船舶導航系統(tǒng)、可再生MG（微電網(wǎng)）系統(tǒng)、實際金融應用系統(tǒng)中通過對專家系統(tǒng)、神經(jīng)網(wǎng)絡以及混合系統(tǒng)的性能、效率進行對比來展開研究[9-10]。在對決策支持系統(tǒng)的研究中，有學者將其運用在金融風險管理的信用風險分析以及醫(yī)學等臨床決策、不確定性推理等領域[11-12]，其中賢哲安（Ahn）將案例推論運用在企業(yè)破產(chǎn)模型的研究中，并嘗試建立更高效的預測模型[13]。

2009—2011年開始出現(xiàn)的突現(xiàn)詞包括logic（邏輯）和management（管理）。該時期，人工智能的邏輯和管理成了研究熱點，如塔博（Tabor）構建了一種基于遺傳編碼的邊緣檢測算法，其模型的遺傳邏輯有助于更復雜的生物行為的工程設計[14]，安德烈·雷蒙托夫（Lermontov， Andre）通過基于模糊邏輯的模糊水質(zhì)指數(shù)（FWQI）創(chuàng)建新的水質(zhì)指標，并將水質(zhì)指數(shù)用作環(huán)境管理決策的替代工具[15]。

2011—2013年開始出現(xiàn)的突現(xiàn)詞有search（搜索）、geneticalgorithm（遺傳算法）、selection（選擇）、swarm intelligence（集群智能）和diagnosis（診斷）。這一時期，對于搜索、遺傳算法、選擇、集群智能、診斷的研究成為熱點，值得注意的是關于搜索和選擇的熱點持續(xù)時間分別為六年和五年，研究持續(xù)時間較長。其中奧雷斯基（Oreski）提出了一種先進的新型啟發(fā)式算法——神經(jīng)網(wǎng)絡混合遺傳算法（HGA-NN），勇于識別最優(yōu)特征子集，提高信用風險評估的分類精度和可擴展性[16]。阿凱（Akay）通過研究群體智能中蜂群算法的修改版本，有效地解決了實際參數(shù)優(yōu)化問題[17]。賈峰（Jia）通過使用深度神經(jīng)網(wǎng)絡從測量信號中自適應地挖掘出可用的故障特征，對旋轉(zhuǎn)機械進行智能診斷，這種方法提高了現(xiàn)有的診斷精度[18]。

2013年后開始出現(xiàn)的突現(xiàn)詞有：timeseries（時間序列）、framework（框架）、differential evolution（差分進化）和artificial bee colony（人工蜂群算法）。這一時期學者重點關注了時間序列、框架、差分進化和人工蜂群算法的研究。蘇阿里（Soualhi）通過運用數(shù)據(jù)驅(qū)動和基于經(jīng)驗的滾子軸承PHM方法對軸承進行故障檢測，提高了原有方法的檢測精度，該方法常運用于軍事、航空、航天、核能等領域中[19]。在差分進化和人工蜂群的研究中，王暉（Wang）對傳統(tǒng)人工蜂群算法進行優(yōu)化研究，其結(jié)果優(yōu)于或相等于其他成熟進化算法[20];張?。╖hang）在研究中引入人工蜂群（ABC）算法用于簇幾何的全局優(yōu)化而該方法可能成為化學家研究集群的有用工具[21]。

四、國內(nèi)外對比分析

通過分析包含高頻和高突現(xiàn)性關鍵詞的文獻，將國內(nèi)外研究熱點按理論領域和應用領域兩個層面進行整理總結(jié)，如表4所示。

（一）理論領域的對比

在理論研究方面，國內(nèi)外研究側(cè)重點不同，機器學習、神經(jīng)網(wǎng)絡是國內(nèi)外共同關注的話題。國外側(cè)重算法研究，不僅包含粒子群算法、遺傳算法、蟻群算法等主流算法，同時不斷改進和優(yōu)化算法。目前我國研究中關于純算法研究卻較少，涉及算法種類不多，且忽視在實際運用中對算法進行優(yōu)化。同時，深度學習算法概念首次提出是在2006年，而國內(nèi)關于深度學習的研究集中在最近兩年，起步晚于國外。

國內(nèi)理論領域研究熱點主要集中在大數(shù)據(jù)、語義網(wǎng)絡、深度學習、機器學習、算法、信息技術、互聯(lián)網(wǎng)、神經(jīng)網(wǎng)絡和區(qū)塊鏈等方面。賽迪顧問指出，深度學習算法突破、互聯(lián)網(wǎng)時代海量數(shù)據(jù)的爆發(fā)、計算能力提升以及計算成本不斷下降三大因素助推人工智能重獲新生[22]。基于此，語義網(wǎng)絡、深度學習、機器學習也一直是國內(nèi)外研究關注的熱點話題。黨的十九大報告提出：“推動互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實體經(jīng)濟深度融合?！痹谖覈鎸嵤﹪掖髷?shù)據(jù)戰(zhàn)略、建設數(shù)字中國的大背景下，我國人工智能領域研究熱點還集中在大數(shù)據(jù)、信息技術、互聯(lián)網(wǎng)、區(qū)塊鏈等主題上，這對我國發(fā)展十分必要。同時，我國擁有全球最多的互聯(lián)網(wǎng)用戶、最活躍的數(shù)據(jù)生產(chǎn)主體，在數(shù)據(jù)總量上具有一定優(yōu)勢，為大數(shù)據(jù)研究提供了良好的條件。

國際人工智能理論領域出現(xiàn)了artificial neural network（人工神經(jīng)網(wǎng)絡）、model（模型）、algorithm（算法）、prediction（預測）、genetic algorithm（遺傳算法）、classification（分類）、support vector machine（支持向量機）、performance（性能）、machine learning（機器學習）、particle swarm optimization（粒子群優(yōu)化算法）、fuzzy logic（模糊邏輯）、swarm intelligence（群體智能）等關鍵詞，國外人工智能理論領域的研究趨勢也著重于對人工智能技術的革新，其中“人工神經(jīng)網(wǎng)絡”“群體智能”“遺傳算法”為當前國外人工智能理論研究領域的熱點主題。

（二）應用領域的對比

由于人工智能所處的發(fā)展階段不同，國內(nèi)與國際上關于人工智能應用領域有較大差異。從國內(nèi)的研究成果來看，以人工智能在教育業(yè)、出版業(yè)、圖書館建設的應用現(xiàn)狀、發(fā)展趨勢為主要研究內(nèi)容;國際上則將人工智能在金融風險管理的信用風險分析以及醫(yī)學等臨床決策、不確定性推理等領域的運用為主要研究對象，同時注重在實際應用系統(tǒng)中對系統(tǒng)的性能、效率進行研究。

國內(nèi)應用領域的研究多關注教育信息化、智能機器人、智慧圖書館、媒體融合、法律、出版業(yè)等主題。教育是社會發(fā)展的基石，我國一直以來十分重視教育，將人工智能與教育結(jié)合將大大提升教育質(zhì)量，同時智慧圖書館也成了熱門話題，例如研究人工智能分支在圖書館信息檢索、編目、分類、選書、采購、訂閱、流通、參考咨詢等方面的應用[23]。但現(xiàn)有研究中對人工智能在金融以及環(huán)境治理等方面涉及較少，這與我國所處的發(fā)展階段有關，目前我國正處在經(jīng)濟高速發(fā)展向高質(zhì)量發(fā)展的轉(zhuǎn)型階段，隨著經(jīng)濟發(fā)展進程不斷推進，人工智能在金融領域的運用也將成為我國人工智能未來發(fā)展的方向。同時，潘云鶴院士指出中國人工智能發(fā)展的重點方向包含跨媒體融合、智能城市、智能制造、智能社區(qū)、智能經(jīng)濟、數(shù)字圖書館等。

在國際人工智能應用領域，導航系統(tǒng)、實際金融應用系統(tǒng)、醫(yī)學臨床決策、環(huán)境監(jiān)測、機器故障檢測成為應用熱點。這符合國外發(fā)展現(xiàn)狀，國外發(fā)達國家經(jīng)濟高速發(fā)展，但經(jīng)濟快速發(fā)展的同時也帶來一系列環(huán)境問題，導致國外研究關注點一方面聚焦于利用人工智能與金融應用系統(tǒng)的結(jié)合檢測、預測企業(yè)財務狀況，另一方面則落在環(huán)境治理上。例如將人工智能與環(huán)境監(jiān)測結(jié)合，通過計算模型預防水質(zhì)、氣質(zhì)災害，為大氣、水污染治理提供科學依據(jù)。國外也十分注重保障國家安全，例如將人工智能與導航系統(tǒng)結(jié)合，能有效減輕相關航海和觀通站的負擔，提供決策輔助，其中基于知識的航行專家系統(tǒng)能為未來航海提供更高的容錯率、智能化程度[24]。同時，國外醫(yī)療發(fā)展相對較為成熟，將人工智能與醫(yī)學臨床決策結(jié)合可以實現(xiàn)臨床觀察與臨床知識無縫連接，并能夠提升臨床決策效率與品質(zhì)，改善臨床結(jié)果。

五、結(jié)論與建議

本文使用科學計量方法對2008—2018年中國知網(wǎng)CSSCI數(shù)據(jù)庫和Web of Science SCI拓展期刊數(shù)據(jù)庫中與人工智能相關的文獻進行梳理，總結(jié)出幾點結(jié)論和建議，以期為人工智能相關領域研究提供新思路。

（一）研究結(jié)論

使用科學計量方法，借助CiteSpace軟件，對中國知網(wǎng)和Web of Science數(shù)據(jù)庫中2008—2018年有關人工智能的文獻數(shù)據(jù)進行分析解讀以及可視化圖譜展示，構建了時間分布圖譜、研究領域?qū)W科分布圖、突現(xiàn)圖譜、演進圖譜，分析得出以下結(jié)論。

時間分布圖譜表明：人工智能研究領域相關文獻量呈穩(wěn)步增長趨勢，特別是2016年以來人工智能研究文獻規(guī)模和影響力均極大提升，受關注度近年來呈持續(xù)高增長態(tài)勢。

研究領域?qū)W科分布圖表明：人工智能研究是一個多學科交叉性學術研究領域，它包含了計算機學、數(shù)學、基礎科學、管理學和經(jīng)濟學等諸多學科的特點，借用多學科的交叉理論來研究人工智能問題已成為主要趨勢。

突現(xiàn)圖譜表明：國際上的研究聚焦于人工智能理論領域和應用領域，理論領域關注不同算法研究及系統(tǒng)優(yōu)化，而將人工智能運用在金融和醫(yī)療領域是應用領域的熱點。

時間線圖譜表明：國內(nèi)關于人工智能在教育、出版業(yè)應用是持續(xù)時間最長的熱點，而對于深度學習相關研究近兩年才出現(xiàn)，深度學習研究對人工智能發(fā)展具有極其深遠的影響，是未來研究中極具潛力的方向，同時智能金融也具有不容小覷的發(fā)展前景。

（二）研究建議

我國人工智能發(fā)展近年來呈快速追趕的態(tài)勢，且在特定領域開始顯現(xiàn)出競爭實力，部分指標與美國站在同一起跑線上，盡管如此我國與國外仍存在較大差異，因此本文從以下幾個方面提出建議。

第一，多學科交叉融合，重視基礎科學。人工智能突破性發(fā)展不僅限于邏輯思維，還需考慮形象思維、靈感思維等，需借助多學科交叉理論，尤其重視基礎科學研究。

第二，持續(xù)完善算法，不斷提升計算能力。加快發(fā)展新一代人工智能是我國贏得全球科技競爭主動權的重要戰(zhàn)略抓手，算法和計算力是人工智能發(fā)展的強大驅(qū)動力，未來國內(nèi)應加快推進算法等關鍵領域的基礎研究，力求技術突破并不斷提升計算能力，力爭全球科技競爭主動權。

第三，加快推動人工智能的應用場景落地。國內(nèi)研究大多將人工智能運用于教育、出版業(yè)等領域，而運用人工智能進行金融行業(yè)風險分析等較少。人工智能已由弱人工智能時代進入強人工智能時代，未來研究應深入把握人工智能發(fā)展的特點，加強人工智能與產(chǎn)業(yè)發(fā)展融合，特別是加強人工智能在醫(yī)療衛(wèi)生、體育、住房、交通、助殘養(yǎng)老、家政服務等領域的深度應用，推動人工智能深度運用，為我國高質(zhì)量發(fā)展提供新動力。

第四，構筑人工智能多層治理體系。近年來隨著數(shù)據(jù)量上漲、計算機運算力的提升以及深度學習算法的出現(xiàn)，人工智能得到快速發(fā)展，國內(nèi)外研究大多關注深度學習、自然語言處理、知識工程、遺傳算法等算法層，并將人工智能與教育、出版業(yè)、患者情感預測以及金融決策支持等融合，卻較少關注人工智能治理，一定程度上忽視了人工智能潛在的負面影響。未來應關注人工智能發(fā)展中引發(fā)的社會問題，如社會勞動力替代等問題，充分預估人工智能的負面影響和沖擊，構筑人工智能多層治理體系，驅(qū)動新一代人工智能不斷健康發(fā)展。

參考文獻

[1] ?呂文晶，徐麗，劉進，等.中國人工智能研究的十年回顧——基于2008—2017年間文獻計量和知識圖譜分析[J].技術經(jīng)濟，2018（10）：73-78+116.

[2] ?胡玉寧，丁明，曹高芳.新世紀國際人工智能研究領域可視化分析[J].中華醫(yī)學圖書情報雜志，2013（10）：8-13.

[3] ?李悅，蘇成，賈佳，等.基于科學計量的世界人工智能領域發(fā)展狀況分析[J].計算機科學，2017（12）：183-187.

[4] ?邱均平，方國平.基于知識圖譜的中外自然語言處理研究的對比分析[J].現(xiàn)代圖書情報技術，2014（12）：51-61.

[5] ?劉勇，生曉婷，李青.人工智能在我國教育領域應用的可視化分析[J].現(xiàn)代教育技術，2018（10）：27-34.

[6] ?李杰，陳超美.CiteSpace：科技文本挖掘及可視化第二版[M].北京：首都經(jīng)濟貿(mào)易大學出版社，2017：88-89.

[7] ?陳悅，陳超美，劉則淵，等.CiteSpace知識圖譜的方法論功能[J].科學學研究，2015（02）：242-253.

[8] ?Burns M N ，Begale M ， Duffecy J ， et al. Harnessing Context Sensing to Develop a Mobile Intervention for Depression[J]. Journal of Medical Internet Research，2011，13（3）：e55.

[9] ?Thomas S ， Gareth H ， Mcdonald M K. Autonomous Ship Collision Avoidance Navigation Concepts，Technologies and Techniques[J]. The journal of Navigation，2008，61（1）：129-142.

[10] ?Bahrammirzaee A. A comparative survey of artificial intelligence applications in finance： artificial neural networks， expert system and hybrid intelligent systems[J]. Neural Computing & Applications， 2010，19（8）：1165-1195.

[11] ?Yu L ， Wang S ， Lai K K . An intelligent-agent-based fuzzy group decision making model for financial multicriteria decision support：The case of credit scoring[J]. European Journal of Operational Research，2009，195（3）：942-959.

[12] ?Patel V L ，Shortliffe E H ， Stefanelli M ， et al. The coming of age of artificial intelligence in medicine[J]. Artificial Intelligence in Medicine，2009，46（1）：5-17D.

[13] ?HyunchulAhn，Kyoung-jae Kim.Bankruptcy prediction modeling with hybrid case-based reasoning and genetic algorithms approach[J]. Applied Soft Computing，2009，9（12）：599-607.

[14] ?Jeffrey J. Tabor，Howard M. Salis，Zachary Booth Simpson， et al A Synthetic Genetic Edge Detection Program[J]. Cell，2009，137（7）： 1272-1281.

[15] ?André Lermontov， Lídia Yokoyama， Lermontov M ， et al. River quality analysis using fuzzy water quality index： Ribeira do Iguape river watershed， Brazil[J]. Ecological Indicators，2009，9（6）：1188-1197.

[16] ?OreskiS ，Oreski G . Genetic algorithm-based heuristic for feature selection in credit risk assessment[J]. Expert Systems with Applications，2013，41（4）：2052-2064.

[17] ?AkayB ，Karaboga D . A modified Artificial Bee Colony algorithm for real-parameter optimization[J]. Information Sciences， 2012， 192（1）：120-142.

[18] ?Jia F ， Lei Y ， Lin J ， et al. Deep neural networks： A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data[J]. Mechanical Systems and Signal Processing，2016，72-73：303-315.

[19] ?SoualhiA ，Razik H ， Clerc G ， et al. Prognosis of Bearing Failures Using Hidden Markov Models and the Adaptive Neuro-Fuzzy Inference System[J]. IEEE Transactions on Industrial Electronics，2014，61（6）：2864-2874.

[20] ?Wang H ， Wu Z ， Rahnamayan S ， et al. ?Multi-strategy ensemble artificial bee colony algorithm[J]. Information Sciences，2014，279：587-603.

[21] ?Zhang J，Dolg M. ABCluster：the artificial bee colony algorithm for cluster global optimization[J]. Physical Chemistry Chemical Physics，2015，17（37）：24173-24181.

[22] ?賽迪顧問.中美人工智能市場的概況與對比[J].電子產(chǎn)品世界，2017（7）：20-23.

[23] ?傅平，鄒小筑，吳丹，等.回顧與展望：人工智能在圖書館的應用[J].圖書情報知識，2018（2）：50-60.

[24] ?周永余，陳永冰，李文魁.21世紀初艦船組合導航系統(tǒng)的發(fā)展趨勢[J].海軍工程大學學報，2002（6）：46-51.

Abstract：Using the scientific measurement methods such as word frequency analysis， cluster analysis， time evolution analysis， and CiteSpace visualization software， the keywords "Artificial Intelligence" and "AI" were used to select 2008-2018 China Knowledge Network CSSCI Journal and Web of Science SCI Development Journal. The literature data comprehensively combs the hotspots， development context and evolution of international and domestic artificial intelligence research. Through visual map display and foreign and domestic comparative analysis， it points out the development differences at home and abroad， and puts forward relevant suggestions for the development of artificial intelligence in China in the future. The study found that foreign countries mainly focus on genetic algorithms， neural networks， fuzzy particle swarm optimization algorithms and other algorithms， while domestic pure algorithms are less studied; Artificial intelligence is mostly used in finance and medical treatment abroad， while in China it is mainly embodied in education， library construction and publishing industry. Future research should emphasize multi-disciplinary integration， continue to improve the algorithm， accelerate the application of artificial intelligence and build a multi-level governance system.

Key Words： Artificial intelligence; CiteSpace; Knowledge mapping; Comparative analysis

（責任編輯：易曉艷）