人工智慧對創新的影響——基於文獻與專利的計量分析

圖片來源：

//img.grtn.cn/material/livmedia/img/2017/07/4487cfced5dac04a8d623d5f7e8036fc.jpg

Griliches（1957）曾說過，「發明方法」的發明，相比於任何一種新產品的研發而言有著大得多的潛在經濟影響力。「AI」是當下最火熱的一個議題之一，它就作為一種「方法」本身的進步，對各行各業都帶來了顯著的促進作用。尤其是近來機器學習和神經網路的進步，極有可能對創新和經濟增長帶來巨大的效用。

自然很多人仍然會固執地認為「AI」只是計算機科學領域中的一門技術，極少會與生活中的各行業產生聯繫。而有3位學者Iain M. Cockburn, Rebecca Henderson, Scott Stern則通過他們的研究揭示了人工智慧中的「深度學習」究竟如何能夠影響到創新以及更深遠的政策制定。

研究邏輯與思路

本文首先給出了2個定義，其一GPT（general-purpose technology），認為類似於AI技術是有可能通用於廣泛的各行業之中；其二IMI（invention of method of invention），即類似於AI技術的發明真正意義上改變了發明的方法和途徑。而作者認為同時符合GPT和IMI的技術能夠真正地改變創新的路徑，對創新生產函數做出改變，並對勞動力市場和內部結構產生影響。

在AI中，同樣分為三個大類：機器人技術、符號系統和神經網路。其中近年來最受關注的則是神經網路基於的「學習」方法。這一種方法試圖為特定事件在特定輸入的情況下預測創建可靠和準確的方法。而相比於其它兩種主要的AI技術，深度學習作為一種研究工具，被證明更有可能同時具有GPT和IMI的特徵，見下圖。

而對於一個GP-IMI而言，其長期的影響力將是毋庸置疑的：首先，由於這種新的IMI擴散到許多應用領域，技術機遇的最終爆發以及研發生產力的提高似乎可能產生經濟增長，這可能會掩蓋人工智慧對工作，組織和生產力的任何近期影響。其次，通用的IMI的出現是非常罕見的事件，其影響可能對經濟增長和其對社會的更廣泛影響具有深遠影響。最後，如果深度學習確實被證明是一種通用IMI，那麼通過這種方法來發展有助於加強創新的機構和政策環境，並且以促進競爭和社會福利的方式來實現這一點很重要。

因此本文的目的在於尋找深度學習（而不是其它兩種）作為一個潛在的GP-IMI有沒有實證的基礎。

由此本文的邏輯路線則是，首先通過出版物-專利樣本的實證證明深度學習是一種GPT，在此基礎上基於對其極有可能是IMI的假設，從創新過程管理和政策制定的角度提出一些關鍵性的問題。

對GPT的檢驗

數據與測量

本文使用了2個完全不同的數據集，一個是從Thompson Reuters Web of Science獲取的AI出版物集合，另一個是由美國專利和商標局發布的一組AI專利。

根據AI的同行評審和公共領域文獻，AI存在三個不同的領域：機器人系統、學習系統和符號系統，每個領域都由眾多的子領域組成。本文首先根據關鍵字確定出現在這三個領域中的每一個領域的出版物和專利。附錄1列出了用來定義每個欄位並標識屬於它的論文和專利的術語。

從3個領域而言，機器人領域包括系統參與並響應環境條件的方法; 符號系統領域試圖通過邏輯處理符號表示來表示複雜的概念，而學習系統領域通過模擬神經系統的分析程序來處理數據。

本文的分析重點是通過1955年到2015年的Web of Science上的期刊文章和圖書出版物的關鍵詞搜集出版物的詳細信息，包括出版年份，期刊信息，專題信息以及作者和機構關係。

出版物：

共搜索到98124份出版物，其中95840份有效分類。見表1A。

其中，11,938份（12.5％）被歸類為符號系統，58,853份（61.4％）為學習內容，20,655份（21.6％）為機器人，其餘則屬於「人工智慧」的一般領域。此後，再根據感興趣的變數創建指標，包括組織類型（私人與學術），位置類型（美國國內與國際）以及應用類型（計算機科學與其他應用領域。

此外，本文也分別根據是否學術（出版者之一為學術機構）、主題、出版質量（影響因子排名前10位，前25位和前50位期刊）來進行分類。

專利：

同樣，使用類似的方法收集AI專利數據集。本文從USPTO專利的公開使用文件開始並以兩種方式過濾數據。首先，通過對美國專利分類系統（USPC）號碼上的USPTO歷史主文件進行過濾來組裝一部分數據（號碼706代表人工智慧，901代表機器人）。然後使用USPC子類來識別符號系統、學習系統和機器人的AI領域的專利。最終選取了1990-2014年間的7347個專利樣本。

接著利用上述與出版物中相同的關鍵詞對專利標題進行搜索，構建AI專利的一個子集。然後，通過將相關搜索詞與其中一個總體欄位相關聯，將每個專利分配到AI欄位中，構建第二個子集。2個子集共構成了13615個獨特的專利樣本。見表1B。

此後，對專利的受讓人進行相關信息的整合，如受讓人所在的機構類、機構所在地區別分別進行歸類，創建新的指標。同時也將NBER的分類考慮在內，見表2B。

實證分析

首先從圖1中可以看到，自1990年以來人工智慧的整體領域經歷了急劇增長。而近幾年學習系統也出現加速增長的情況。

從圖2可以看到，在出版物數據中，各地區之間存在顯著差異。圖2B也顯示了以往定性文獻中提出的美國學習研究具有「風行性」的特徵。

由此根據上述情況，提出問題：

Q：是否在21世紀後期，深度學習比機器人學或符號系統更多地轉向「以應用為導向」的研究？

圖3顯示，21世紀計算機科學期刊中出版的人工智慧出版物總數中，以應用為導向的出版物中與人工智慧相關的出版物數量急劇增加。 到2015年底，我們估計AI中所有出版物中近三分之二是超越計算機科學領域的。

從圖4中可以看到，自2009年學習相對於其它兩個領域有著更顯著的增長，而在僅僅七年的時間裡，以學習為導向的應用出版物數量增加了一倍多，現在占所有人工智慧出版物的50％。

最後，本文觀察隨著時間的推移，出版物在不同應用領域中的差異。見表3。

可以得到：在包括醫學放射學和經濟學在內的一系列應用領域中，相對於機器人學和符號系統而言，以學習為導向的出版物有相當大的增加；包括神經科學和生物學在內的其他一些領域實現了以學習為導向的研究以及其他人工智慧領域的大幅增長。

因此，這與本文的基本假設一致，即除了人工智慧的整體發展之外，學習導向的研究可能代表著一種通用技術，現在開始在廣泛的應用領域開始更系統地開發。其具有通用技術的一些特徵標誌——正在迅速發展，並正在許多領域得到應用。

對IMI的思考

在上文中，已經基本能夠認同深度學習是一種GPT，但如果它同時也IMI的時候，它必然會對創新產生本質性的影響。而廣泛使用深度學習作為研究工具意味著轉向採用大型數據集的調查方法對先前拒絕系統性經驗審查的物理及邏輯事件進行預測，由此也產生了疑問。

Q：這對於合適的創新組織、用於培訓和開展長期研究的機構以及相關的創新政策意味著什麼，尤其當我們考慮私人激勵以維護專有數據集和特定於應用的演算法時，這意味著什麼？

創新的管理和組織：

對於這一方面，作者大致提出了3個觀點：

① 人工智慧能夠取代特定的勞動里和資本，而這可能會降低某些科學或研究領域的「進入壁壘」，同時在其他領域建立新的進入壁壘。而共享人工智慧服務市場的發展和相關數據的廣泛可用性可能是廣泛採用和傳播深度學習的必要先導

② 人工智慧大規模替代研究領域的技術勞動力，有可能通過破壞支持相對較長時間培訓的職業階梯和勞動力市場來「破壞某些領域的科學」和許多科學和技術職業所需的教育。

③深度學習可能會改變科技進步本身的性質。深度學習提供了一種現有「探究模式」的替代範例，其能夠使用」黑匣子「的方法預測複雜的多因果現象。

創新與競爭的政策與制度

同時，針對AI中深度學習有可能帶來的政策、機構變化，作者也認為有3個主要的影響：

① 任何單一的研究結果都取決於來自多個來源的數據匯總，制定信用和歸因規則以及制定重複結果的機制將是非常重要的。而這意味著關注正式知識產權的設計和實施尤為重要。

② 深度學習的出現對於專利制度有重要意義，以往經驗顯示研究工具的突破常常會伴隨著專利局的處理能力不足以及衝突的法院判決。並且由於深度學習很有可能是一種GPT，所以就其廣泛通用的目的而言，跨領域和誇地域的問題也將接踵而至。

③ 深度學習在很多領域的廣泛適用性可能會在每個部門中引發競爭，以建立利用這些新方法的專有優勢。

總結

本文的目的不是為了對人工智慧對創新的可能影響進行系統的說明或預測，也不是對政策或創新管理的明確指導。 相反，本文的目的是提出一個具體的可能性——深度學習代表了「發明方法」的新的通用發明，已有的定性研究和本文的實證都證明了它自2009年起就凸顯除了以應用為導向的趨勢；本文也為管理，制度和政策提出了該假設的一些初步的含義，揭示了一些關鍵的問題，如如何評估其作為新型科學的潛力以及跨越多行業。本文也冀希望該方向的分析能夠成為未來研究的一個極具前景的領域。

編輯：Jesscia

參考文獻：

Iain M. Cockburn, Rebecca Henderson, and Scott Stern,The Impact Of Artificial Intelligence On Innovation,NBER Working Paper No. 24449,March 2018

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！