基于专利大数据的人工智能与产业融合发展评估模型

胡明月 ,  汤永川 ,  邵健 ,  庄越挺 ,  潘云鹤

中国工程科学 ›› 2025, Vol. 27 ›› Issue (3) : 54 -66.

PDF (1707KB)
中国工程科学 ›› 2025, Vol. 27 ›› Issue (3) : 54 -66. DOI: 10.15302/J-SSCAE-2025.01.024
智能制造装备及技术发展战略研究

基于专利大数据的人工智能与产业融合发展评估模型

作者信息 +

An Assessment Model for the Integrated Development of Artificial Intelligence and Industry Based on Patent Big Data

Author information +
文章历史 +
PDF (1747K)

摘要

在人工智能（AI）技术加速演进的背景下，AI与产业融合发展趋势渐显并成为推动产业转型升级的核心动力，因而产业智能化评估和结构分析重要性显现且需求迫切。本文提出了AI与产业融合发展评估（Patent-AIIIA）模型，利用大语言模型深入挖掘了专利数据与AI技术的内在联系，结合BGE文本向量化模型、统一流形逼近与投影降维算法形成了专利的问题空间和方案空间，基于密度峰值聚类算法、信息熵理论构建了产业跨度和技术宽度的指标量化方法，最终实现对产业整体和单个集群的全面评估能力。应用Patent-AIIIA模型对某地区先进装备制造业的多类产业集群进行实证研究，分析了产业跨度和技术宽度指标、AI技术产业集群分布、企业技术对标等情况，验证了相关模型的实用性。基于相关评估结果，提出了实施针对性的产业激励政策、优化产业集群的AI技术布局、构建以龙头企业为核心的协同创新网络等先进装备制造业发展建议。Patent-AIIIA模型可视为具有从宏观到微观特性的通用分析模型，具备拓展至多领域的应用潜力，可为企业战略规划、产业政策制定等提供数据支撑和科学依据。

Abstract

Against the backdrop of the accelerated evolution of artificial intelligence (AI) technology, the integrated development of AI and industries has gradually become a trend and the core driving force for promoting industrial transformation and upgrading. As a result, the importance of intelligent assessment and structural analysis of industries has emerged and the demand is urgent. This study proposes an evaluation model (i.‍e., Patent-AIIIA) for the integrated development of AI and industry, which uses large language models to deeply explore the intrinsic connection between patent data and AI technology. Combined with the BGE (BAAI general embedding) model and the UMAP (unified manifold approximation and projection) algorithm, a problem space and a solution space of patents are formed. Based on the density peak clustering algorithm and the information entropy theory, an index quantification method for industrial span and technological width was constructed, and a comprehensive assessment of the entire industry and individual clusters was finally achieved. The Patent-AIIIA model was applied to conduct an empirical study on multiple types of industrial clusters in the advanced equipment manufacturing industry in a certain region. The indicators of industrial span and technological width, the distribution of AI technology industrial clusters, and enterprise technological benchmarking were analyzed, and the practicability of the relevant models was verified. Based on the assessment results, suggestions such as implementing targeted industrial incentive policies, optimizing the AI technology layout of industrial clusters, and building a collaborative innovation network with leading enterprises as the core were put forward. The Patent-AIIIA model can be regarded as a general analytical model with macro- and micro-characteristics. It has the application potential to expand into multiple fields and can provide data support and scientific basis for enterprise strategy planning and industrial policy formulation.

Graphical abstract

关键词

产业评估 / 人工智能 / 专利分析 / Patent-AIIIA模型 / 密度峰值聚类 / 技术对标有向图

Key words

industry assessment / artificial intelligence / patent analysis / Patent-AIIIA model / density peak clustering / technology directed graph

引用本文

引用格式 ▾
胡明月,汤永川,邵健,庄越挺,潘云鹤. 基于专利大数据的人工智能与产业融合发展评估模型[J]. 中国工程科学, 2025, 27(3): 54-66 DOI:10.15302/J-SSCAE-2025.01.024

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

产业是经济体系的重要组成部分，产业结构对经济发展具有深远意义，产业发展水平评估成为宏观研究、学术研究的共同关注点。深入分析和评估产业发展态势，有助于精准把握产业发展趋势，科学制定产业扶持政策，促进经济高质量发展。目前，产业评估相关研究集中在两个方面：分析与产业相关的科学论文和政策，探究研究趋势；分析产业指标，量化评估发展态势和竞争力[1~8]。

人工智能（AI）作为通用技术，具有基础设施的外溢性特征，将赋能产业融合发展[9]。《新一代人工智能发展规划》（2017年）、《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》（2022年）、《国家人工智能产业综合标准化体系建设指南（2024版）》等政策文件，针对提升AI发展质量、推进产业智能化升级等进行了部署，以推动AI与产业深度融合。各地区也积极响应并进行部署，为地方性的AI与产业融合发展提供了明确指引。在国家和地方政策的推动下，AI与产业融合发展的趋势凸显，AI技术被视为推动产业转型升级的关键驱动力。在此背景下，产业智能化评估和结构分析的需求较为迫切。

技术是产品的“灵魂”，专利作为技术权利的声明，是研究产品乃至产业的重要对象。传统方法通常不适应AI与产业融合发展的复杂性，而基于专利数据开展产业评估将是应对相关问题的有效途径。本文提出一种AI与产业融合发展评估（Patent-AIIIA）模型，通过大小模型相互结合的方式对专利大数据进行分析，为产业技术发展水平评估研究提供新的分析框架，适用于产业集群智能化评估和结构分析；运用该模型开展某地区的先进装备制造业评估，并就AI与先进装备制造业融合发展提出应对策略。

二、 Patent-AIIIA模型构建过程

以特定领域的企业数据、专利数据作为分析对象，综合运用专利与AI技术关联分析、专利问题空间与方案空间构建、产业跨度与技术宽度量化、产业集群结构评估等方法，形成Patent-AIIIA模型总体架构（见图1）。① 利用ChatGLM大语言模型[10]为每项专利标注AI关联技术、AI关联分数，据此构建产业与AI融合发展分析的数据基础；② 在大语言模型的支持下，结合BGE（BAAI General Embedding）文本向量化模型[11]、统一流形逼近与投影（UMAP）降维算法[12]，建立专利的问题空间和方案空间；③ 应用量化方法，衡量企业的产业跨度和技术宽度；④ 进一步完成对产业集群结构的深入分析。

（一） 专利与AI技术关联分析方法

ChatGLM支持中英双语对话，针对中文问答过程进行优化，在中文语境下具有良好的性能。提示词作为输入指令[13]，在与ChatGLM的交互过程中引导模型更加精准地执行特定任务[14]。本研究通过应用程序编程接口（API）实现与ChatGLM的交互，利用提示词对专利摘要进行系统化处理，用于专利大数据与AI技术关联性的分析。这种处理方法可从大量的非结构化文本中提取有效的关键信息，是支持专利分析、AI技术研究的高效且准确的工具。在ChatGLM设置上，选择“glm-3.5-turo”。

构建通用的AI技术节点体系，作为分析专利与AI技术关联性的基础框架。AI技术节点体系可按如下划分：一级领域涵盖基础支撑、核心技术等板块；二级领域包括AI基础数据服务、AI基础硬件平台、AI基础软件平台等在内的10个领域，是AI技术应用和发展的关键组成部分；三级领域细化到具体的AI技术节点，包括数据采集、智能芯片、智能传感器等在内的43个三级领域（见表1）。

在面对大量的专利数据时，传统的网页交互方式较为繁琐且效率低下。为此，调用API接口实现数据的自动化增广，显著提高了相关数据处理的效率。在产业结构分析时，Patent-AIIIA模型的提示词如表2所示。AI技术关联的数据增广（提示词1）过程为：将全部三级领域节点输入ChatGLM，使之学习并理解相关技术术语；将专利信息、提示词输入ChatGLM，引导其识别出每项专利最相关的三级领域节点，以此作为AI关联技术；由ChatGLM评估每项专利与AI技术节点的关联程度，给出相应的关联分数（[0,1]，0表示完全不相关，1表示完全相关）。

（二） 专利问题空间与方案空间构建方法

已有研究结合众包、循环神经网络等方法，从产品描述中提取表示产品目的和机制的向量，进而在大规模、非结构化的数据集中发现类比，加速创新和发现[15]。受此启发，本研究利用ChatGLM的数据增广能力，从专利信息中提取产业相关的问题和方法表示，结合BGE模型的文本向量化技术、UMAP算法，构建专利问题空间与方案空间，能够高效地探索和挖掘专利数据的潜在价值。

产业问题指专利在产业环节中解决的关键问题，技术方案指专利在实施过程中使用的技术路径，相应的数据增广过程如表2中的提示词2所示。将专利信息、提示词输入ChatGLM，利用大模型的文本处理能力，自动提取该专利对应的技术方案、产业环节、解决问题；对模型输出结果中的[产业环节]、[解决的问题]进行合并，形成专利的[产业问题]。

采用开源的通用向量模型（如BGE）并选择中文文本嵌入模型“bge-large-zh-1.5”，将数据增广得到的产业问题、技术方案信息转化为1024维的问题向量、方案向量，为后续分析提供数据基础。使用UMAP算法将1024维向量映射到128维的低维空间，同时尽量保持数据的局部结构，便于简化后续处理。降低维度后的问题向量、方案向量构成专利问题空间与方案空间，分别反映专利在产业问题、技术方案上的特征与结构。

（三） 产业跨度与技术宽度量化方法

为了更精确地进行产业集群分析，本研究提出产业跨度、技术宽度两种产业指标量化方法，用于揭示企业在不同产业和技术领域中的分布情况，为制定产业政策、规划企业战略提供依据。具体地，应用DPC算法[16]对问题空间、方案空间中的向量进行聚类，再基于信息熵理论[17]计算得出产业跨度和技术宽度。

1. DPC算法

DPC算法于2014年提出，是一种基于密度的聚类方法，核心思路是聚类中心的局部密度比周围相邻数据点的局部密度高、聚类中心之间的相对距离较大。为量化处理，引入局部密度 ρ、相对距离 δ两个参数。

采用DPC算法对问题空间、方案空间的向量进行聚类。假设企业集合为 E = e 1 ,   e 2 ,   … ,   e m，专利集合为 P = p 1 ,   p 2 ,   … ,   p n， m为企业总量， n为所有企业的专利数量总和，则问题空间表示为 X = x 1 ,   x 2 ,   … ,   x n，方案空间表示为 Y = y 1 ,   y 2 ,   … ,   y n。

ρ表示数据点周围邻近点的密集程度，采用高斯核函数的方式进行计算，在问题空间研究中的形式为：

ρ i = ∑ j ≠ i e x p ( - ( d i j d c ) 2 )

式（1）中， d i j表示问题向量 x i与 x j的欧氏距离， d c表示截断距离参数。

δ衡量数据点与密度更高的点之间的距离，计算公式为：

δ i = m a x j d i j ,   i f ρ i = m a x ( ρ ) m i n j :   ρ j > ρ i d i j ,   o t h e r w i s e

式（2）中，对于 ρ的最高点， δ为与其距离最远点之间的距离；对于 ρ的非最高点， δ为比其密度高且距离最近点之间的距离。在DPC算法中，选择 ρ、 δ均较大的数据点为聚类中心。

问题空间的DPC处理流程如图2所示，方案空间 Y = y 1 ,   y 2 ,   … ,   y n的DPC处理类似，聚类数量为 q。因此，聚类完成后得到 p个产业问题类别、 q个技术方案类别。

DPC处理后每个类别下的产业问题、技术方案信息量庞大。Kimi支持长文本处理（目前支持200万个汉字规模的上下文输入），适用于复杂信息分析。为此，利用Kimi对每个类别的相关信息进行归纳总结，以确定合适的类别名称（见表2中的提示词3和4）。

2. 产业跨度与技术宽度计算

信息熵用于衡量信息的不确定性。基于得到的 p个产业问题类别、 q个技术方案类别，利用信息熵原理来计算企业的产业跨度和技术宽度，将企业在不同产业问题或技术方案上的专利分布转化为概率分布。

产业跨度衡量企业在多个产业问题上的业务覆盖范围：数值越大，表明企业在产业问题上涉及的业务越宽泛；数值越小，表明企业在产业问题上的业务更为集中。企业的产业跨度计算公式为：

S = i - ∑ j = 1 p n i j N i l o g 2 n i j N i l o g 2 p

式（3）中， N i表示第 i家企业的专利数量； n i j表示第 i家企业在第 j个产业问题类别的专利数量， l o g 2 p是归一化因子。

技术宽度反映企业在不同技术方案上的专利多样性：数值越大，表明企业在不同技术领域的覆盖面越广；数值越低，表明企业的技术创新专注度越明显。企业的技术宽度计算公式为：

T i = - ∑ k = 1 q n i k N i l o g 2 n i k N i l o g 2 q

式（4）中， n i k表示第 i家企业在第 k个技术方案类别的专利数量； l o g 2 q是归一化因子。

依据产业跨度、技术宽度，可将企业分成4类：涉及全产业链的全能型企业，产业跨度、技术宽度均较大；“专精特新”企业，产业跨度小、技术宽度大；通用技术应用型企业，产业跨度大、技术宽度小；中小微企业，产业跨度、技术宽度均较小。

（四） 产业集群结构评估方法

受地理位置、创新来源、生产要素等因素的驱动，相关联产业中的企业、机构、组织紧密联系在一起，形成了产业集群[18]，在促进区域经济发展、提升产业竞争力等方面发挥重要作用[19]。本研究将所有企业划分至不同的产业集群，综合运用专利与AI技术的关联分析、问题空间与方案空间构建、产业跨度与技术宽度量化等计算的结果，分别从整体、单个产业集群的角度出发，评估产业的AI融合发展程度。

1. 整体评估

整体评估具体包括4个方面。① 产业集群指标情况汇总表。统计每个产业集群的企业总量、专利总量、AI关联总分、产业跨度Top10平均、技术宽度Top10平均、最相关AI技术、龙头企业编号、龙头企业专利数量等信息，形成产业集群指标情况汇总表。其中，产业跨度或技术宽度Top10平均指专利数量排名前10企业的产业跨度或技术宽度的平均值，最相关AI技术指关联专利数量最多的AI关联技术，龙头企业指集群内部专利数量最多的企业。② 产业问题 ‒ 技术方案热力图。基于专利的数据增广结果，构建产业问题 ‒ 技术方案共生矩阵并可视化为热力图。其中，共生系数指同时涉及特定产业问题、技术方案的专利数量。③ 产业跨度 ‒ 技术宽度分布图。将企业的产业跨度、技术宽度可视化为二维分布，展示企业在产业、技术维度上的多样性与集中度。④ 产业集群 ‒ AI技术分布图。在专利与AI技术关联分析环节，确定各项专利的AI关联技术，统计产业集群在不同AI技术方向上的关联总分并进行可视化呈现。

2. 产业集群评估

对单个产业集群内部的评估，分为AI技术分布、技术方案对标有向图两部分。根据整体评估得到的产业集群 ‒ AI技术分布图，分析不同AI技术在各个产业集群中的应用程度。在产业集群内部，为每家企业寻找到比其专利数量多、技术相似性最高的企业（作为对标对象），形成技术对标有向图。

确定企业技术对标关系，需要计算相应的余弦相似性。企业集合为 E = e 1 ,   e 2 ,   … ,   e m，对于每家企业 e i，将其在 q个技术方案类别中的专利数量转化成一维向量 V i = [ v i , 1 ,   v i , 2 ,   … ,   v i , q ]，据此计算企业 e i、 e j的余弦相似性：

c o s i n e _ s i m i l a r i t y   ( e i , e j ) = ∑ k = 1 q v i , k v j , k ∑ k = 1 q v i , k 2 ∑ k = 1 q v j , k 2

式（5）中，分子表示企业 e i、 e j在每个技术方案类别的专利数量乘积之和，分母表示企业 e i、 e j的专利数量分布向量的模长。由于专利数量都为正值，形成的一维向量也均为正值，故企业技术之间的余弦相似性值范围为[0,1]；数值接近1表示企业 e i、 e j在技术方案类别中的专利分布越相似，数值越接近0则表示越不相似。

基于企业专利数量和技术方案的余弦相似性，构建出技术方案对标有向图（见图3），图3中1个圆圈代表1家企业，将集群内专利数量最多的企业作为龙头企业。如果两家企业存在对标关系，则连接1条有向的边，箭头指向专利数量多的企业。分析产业集群内部企业之间的技术关联，可直观呈现集群内部的合作潜力及交流空间。

三、 Patent-AIIIA模型评估结果：以某地区先进装备制造业为例

AI赋能众多行业发展成为广泛共识[20]。制造业作为国民经济的主体之一，在AI技术应用后能够有效提升生产力和竞争力，促进可持续发展[21~23]。本研究利用Patent-AIIIA模型，完成某地区的AI与先进装备制造业融合发展实证研究。以2003—2024年某地区先进装备制造业的379家高新技术企业数据、incoPat全球专利数据库中相关的专利数据作为数据来源，共计14 485项发明专利和实用新型专利。经分析，获得50个产业问题、50个技术方案类别，根据企业特点将379家企业划分为8个产业集群。在各个集群内部对企业进行编号，企业编号越小代表专利数量越多。

（一） 整体评估结果

计算了某地区先进装备制造业8个产业集群的指标情况（见表3）。B、D产业集群在技术集聚程度、创新能力方面表现突出，合计拥有263家企业、9158项专利，AI关联总分位居前两位，相关指标显著领先于其他产业集群。各个集群的产业跨度Top10平均、技术宽度Top10平均都低于0.5（集中在0.3附近），表明该地区先进装备制造业的产业分布、技术创新多样性仍有提升空间。大部分产业集群的最相关AI技术都是物联网，表明物联网为先进装备制造业的智能化转型提供了重要支撑。

获得了某地区先进装备制造业所有企业的产业跨度和技术宽度指标值分布情况（见图4）。大部分企业（以中小微企业为主）的产业跨度与技术宽度位于[0,0.5]，表明企业在各自专业领域具有一定的专注度，但在技术多元性方面有所不足。产业跨度和技术宽度位于[0.5,0.7]的企业，其专利分布呈现较广泛的态势，显示出多元化的业务布局。少数企业的产业跨度或技术宽度为0，说明企业在特定领域内的技术高度集中。

形成了某地区先进装备制造业产业问题 ‒ 技术方案热力图（见图5）。基于DPC处理结果，构建了某地区产业问题 ‒ 技术方案共生矩阵，用于揭示产业和技术的相互关系。共生专利数量最多的是电力与机械设备制造问题和包装机械与自动化技术、自动化装备制造问题和机械设备控制技术，均为570项。共生专利数量次之的是新材料生产与制备问题和电力系统与智能监测系统技术，为429项。

给出了8个产业集群在不同AI技术的关联总分分布情况（见图6）。某地区先进装备制造业的AI关联技术分布在28个三级领域节点，涉及从基础设施到核心应用的多个方面；但技术关联矩阵较为稀疏，芯片、算力、传感器、知识图谱、多模态计算、具身智能等方面的技术布局较少。物联网在多个产业集群广泛分布，体现出在智能化领域内具有重要作用。大数据分析推理技术次之，主要应用于产业集群B、D。此外，自然语言处理、机器学习、计算机视觉等技术在提升产业智能化水平及效率方面发挥了积极作用。

（二） 产业集群评估结果

应用Patent-AIIIA模型，从整体层面出发分析了某地区先进装备制造业与AI融合发展的态势，进一步探索了集群内部的AI关联技术分布与技术方案对标情况，据此揭示不同产业集群的核心竞争力，识别出技术发展过程中的优势与面临的挑战。以某地区先进装备制造业集群A、B、C为例，着重分析相关的评估结果。

1. 产业集群A

产业集群A包含15家企业，共拥有510项专利，AI关联总分为300.1分，内部企业的技术方案对标关系如图7所示。该集群以A1为龙头企业（技术有向图的中心节点），技术直接相关联的有A2、A3、A5企业，形成了3条主要的技术分支。在AI技术应用方面，大数据分析推理、物联网的关联总分均超过100分，位居前两位；其他AI技术的关联总分不高，但对该领域也有一定的贡献度。

2. 产业集群B

产业集群B包含118家企业，共拥有4608项专利，AI关联总分为2710分，体现出对技术创新的高度重视；专利数量、AI关联总分在8个产业集群中均居首位（企业数量排名第2位），内部企业的技术方案对标关系如图8所示。该集群以B1为龙头企业，形成了5条主要的技术分支，相应分支又由众多的星型和链式结构构成，体现出技术发展的深度与广度。在AI技术应用方面，大数据分析推理技术以983.2分的AI关联总分在智能化转型中占据核心地位，物联网次之（845.2分）；自然语言处理、计算机视觉、机器学习等是处于中等应用阶段的AI技术，而数据采集、数据清洗等AI关联总分较低，需要深入探索才能实现更广泛的智能化应用。

3. 产业集群C

产业集群C包含21家企业，共拥有958项专利，AI关联总分为476.3分，内部企业的技术方案对标关系如图9所示。该集群以C1为龙头企业，与之直接相关的技术分支有3条，并且各分支结构较为丰富，代表企业为C2、C5、C11。C1企业不仅在该集群内占据着重要地位，而且通过相关技术分支的拓展，带动了整个集群的技术进步和市场竞争力提升。物联网的AI关联总分在该集群中的占比超过50%，表明在智能化制造过程中发挥了重要作用（应用于远程监控、优化生产流程等环节）。大数据分析推理技术的占比超过20%，在生产数据分析、市场趋势预测等方面体现出积极作用。

四、 Patent-AIIIA模型应用能力评价与建议

（一） 应用能力评价

专利作为技术创新的重要体现，蕴含着丰富的技术信息[24]。通过Patent-AIIIA模型挖掘专利与AI技术的内在关联，能够把握技术发展趋势并精准识别技术创新热点，支持构建内容全面的产业评估系统。Patent-AIIIA模型以ChatGLM为基础，精准识别专利与AI技术的关联性，高效率地从海量的非结构化文本中提取关键信息，显著降低人工分析的偏差和成本；结合BGE文本向量化模型、UMAP降维算法，构建出专利问题空间和方案空间，深入挖掘专利数据的潜在价值。此外，提出的产业跨度和技术宽度量化方法，在衡量产业和技术领域中的企业分布情况方面具有良好效果。在某地区先进装备制造业的实证研究中，Patent-AIIIA模型取得显著成效，获得了各个产业集群的AI关联技术分布和技术方案对标有向图，识别出产业集群的核心竞争力和技术发展方向。

Patent-AIIIA模型可视为具有从宏观到微观特性的通用分析模型、综合评估系统，具备拓展至多领域的应用潜力，为企业战略规划、产业政策制定等提供数据支撑和科学依据。例如，针对医药行业，分析医疗设备和药品研发的相关专利，掌握AI在疾病诊断、药物研发、医疗影像分析等领域的融合应用情况，为医药行业的智能化升级提供方向指示；针对金融领域，评估AI在风险评估、投资决策、客户服务等环节的应用效果，促进金融机构精准提升服务质量和风险管理能力；针对农业领域，通过模型评估来掌握AI在精准农业、农产品质量检测、农业机器人应用等方面的应用态势，推动农业现代化进程。

客观来看，Patent-AIIIA模型仍有改进提升空间。可进一步纳入科技论文、行业研报等数据源，以更全面地分析产业发展情况；引入时间序列分析、趋势预测等方法，增强模型对未来产业发展趋势的预测能力。目前的Patent-AIIIA模型仅适用于静态分析，而企业的专利数据具有动态性，未来可着力拓展模型的动态分析能力。

（二） 基于模型评估结果的先进装备制造业发展建议

1. 面向产业集群技术特色优势，实施针对性的产业激励政策

促进AI与先进装备制造业的深度融合、推动产业集群的高质量发展，需要面向各个产业集群的技术特色及优势，及时制定针对性的产业激励政策，深化先进装备制造业的AI技术应用实践，提升相关产品的智能化水平并培育新质生产力。从某地区先进装备制造业的单一产业集群角度看，B、D产业集群在技术集聚程度和创新能力方面表现突出，可加大政策支持力度，如适时设立专项产业基金，重点扶持大数据分析推理、物联网等优势AI技术方向的研发与应用，鼓励集群内的企业开展前沿技术探索并推动智能化转型进程，进而带动其他产业集群的协同发展。对于A、C、E、F等产业集群，可根据发展特点、短板环节制定差异化的扶持政策，如面向A产业集群（企业数量较少，但龙头企业A1的技术具有较强影响力），以积极的政策引导集群内其他企业深化AI技术的应用程度，进而提升产业集群的整体技术水平。

2. 优化产业集群的AI技术布局，兼顾优势巩固与短板补强

增强先进装备制造业的科技竞争实力，需要优化产业集群的AI技术布局，促进AI与装备制造业的深度融合。产业集群内的企业着力提升自主创新能力，巩固AI技术优势并突破薄弱点，加快实施数字化、智能化平台建设。物联网、大数据分析推理、自然语言处理已进入成熟融合阶段，可继续加强技术创新和演进，巩固在企业智能化转型过程中的主导地位。物联网作为最相关的AI技术，可持续开展应用推广，如基于物联网提升设备互联互通、远程监控与诊断、生产过程智能化控制等能力，支持企业提高生产效率、产品质量、运营管理水平。机器学习、计算机视觉、数据采集处于扩展应用阶段，可加强产品质量检测、数据管理等方面的应用，提高与先进装备制造业的融合发展程度。对于机器人、数据清洗、智能传感器、智能芯片等处于萌芽探索阶段的技术，可梳理关键核心技术清单，制定科技攻关项目序列，加快实施技术突破与集成应用，推动先进装备制造业的智能化转型进程。

3. 明确企业技术对标关系，构建以龙头企业为核心的协同创新网络

促进产业集群的协同创新与发展，需明确产业集群内企业之间的技术对标关系，以龙头企业为核心组建智能装备协同创新网络，加速科技成果转化、促进技术创新的商业化应用，带动产业智能化升级并提升产业综合竞争力。依据技术对标有向图，明确各产业集群中龙头企业在智能化转型方面的引领作用，鼓励通过知识共享、联合研发等方式，带动集群内中小微企业的智能化升级；中小微企业结合自身业务特点和市场需求，与技术方案对标企业开展合作交流，借鉴先进技术和应用经验，精准提升自身的技术水平。加强“产学研用”融合，引导企业与高校、科研院所建立合作关系，共同开展技术研发、人才培养、项目合作，为企业智能化升级提供智力保障。

五、 结语

本文提出了通用的产业分析模型Patent-AIIIA，基于专利大数据并综合运用AI大模型、文本向量化模型、降维和聚类算法，分析了专利与AI技术的关联性，构建了专利问题空间和方案空间；采用了产业跨度、技术宽度两种产业指标的量化方法，将企业在不同产业问题或技术方案上的专利分布转化为概率分布；完成了产业集群的整体和结构评估，为产业技术发展水平评估提供了新的视角。基于Patent-AIIIA模型评估了某地区先进装备制造业8个产业集群的AI融合发展情况，展现了Patent-AIIIA模型的完整应用过程；进一步讨论了Patent-AIIIA模型的技术价值、应用领域拓展、改进方向，基于模型评估结果提出了先进装备制造业的发展建议。

Patent-AIIIA模型具有良好的应用前景，契合AI技术快速演进、产业智能化转型的发展背景，有助于推动AI与各产业深度融合并促进高质量发展。在公共管理方面，可为产业政策制定提供量化的依据，促进资源合理配置和产业结构优化；支持企业明晰自身的产业地位与市场竞争力，调整技术创新方向并制定发展规划；在学术研究方面，为产业评估提供了新的分析框架和方法，有助于相关理论探索和实践应用。后续研究将围绕更加智能化的产业评估方法展开，以适应不断变化的数据环境，提高评估工作的时效性、准确性和全面性。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Cao J D, Chen X, Qiu R, et al‍. Electric vehicle industry sustainable development with a stakeholder engagement system [J]‍. Technology in Society, 2021, 67: 101771‍.
[2]

Tamala J K, Maramag E I, Simeon K A, et al‍. A bibliometric analysis of sustainable oil and gas production research using VOSviewer [J]‍. Cleaner Engineering and Technology, 2022, 7: 100437‍.
[3]

洪嵩, 盛思晗, 王茜, 等‍. 人工智能的经济效应: 现状、热点及展望——基于CiteSpace的文献综述 [J]‍. 科技管理研究, 2024, 44(10): 30‒38‍.
[4]

Hong S, Sheng S H, Wang Q, et al‍. The economic effects of artificial intelligence: Current situation, hotspots, and prospects based on CiteSpace [J]‍. Science and Technology Management Research, 2024, 44(10): 30‒38‍.
[5]

王帮俊, 喻攀‍. 光伏产业政策效力和效果评估——基于中国2010—2020年政策文本的量化分析 [J]‍. 软科学, 2022, 36(8): 9‒16‍.
[6]

Wang B J, Yu P‍. Evaluation on the policy efficacy and effect of photovoltaic industry—Quantitative analysis of China's policy texts from 2010 to 2020 [J]‍. Soft Science, 2022, 36(8): 9‒16‍.
[7]

Peng B H, Zheng C Y, Wei G, et al‍. The cultivation mechanism of green technology innovation in manufacturing industry: From the perspective of ecological niche [J]‍. Journal of Cleaner Production, 2020, 252: 119711‍.
[8]

Feng B, Sun K Y, Chen M, et al‍. The impact of core technological capabilities of high-tech industry on sustainable competitive advantage [J]‍. Sustainability, 2020, 12(7): 2980‍.
[9]

陆成林, 王振宇‍‍. 东北地区传统产业的演进历程、竞争力评估及振兴发展路径 [J]‍. 社会科学辑刊, 2025 (1): 225‒236‍.
[10]

Lu C L, Wang Z Y‍. The evolution, competitiveness evaluation and development path of traditional industries in Northeast China [J]‍. Social Science Journal, 2025 (1): 225‒236‍.
[11]

Nara E O B, da Costa M B, Baierle I C, et al‍. Expected impact of industry 4‍.0 technologies on sustainable development: A study in the context of Brazil's plastic industry [J]‍. Sustainable Production and Consumption, 2021, 25: 102‒122‍.
[12]

郭凯明‍. 人工智能发展、产业结构转型升级与劳动收入份额变动 [J]‍. 管理世界, 2019, 35(7): 60‒77, 202‒203‍.
[13]

Guo K M‍. Artificial intelligence, structural transformation and labor share [J]‍. Journal of Management World, 2019, 35(7): 60‒77, 202‒203‍.
[14]

Du Z X, Qian Y J, Liu X, et al‍. GLM: General language model pretraining with autoregressive blank infilling [EB/OL]‍. (2021-03-18)[2025-03-15]‍. https://arxiv‍.org/abs/2103‍.10360v2‍.
[15]

Xiao S T, Liu Z, Zhang P T, et al‍. C-pack: Packed resources for general Chinese embeddings [R]‍. Washington DC: The 47th International ACM SIGIR Conference on Research and Development in Information Retrieval, 2024‍.
[16]

McInnes L, Healy J, Saul N, et al‍. UMAP: Uniform manifold approximation and projection [J]‍. Journal of Open Source Software, 2018, 3(29): 861‍.
[17]

Kaddour J, Harris J, Mozes M, et al‍. Challenges and applications of large language models [EB/OL]‍. (2023-07-19)‍[2025-03-15]‍. https://arxiv‍.org/abs/2307‍.10169v1‍.
[18]

张玲玲, 黄务兰‍. 基于ChatGPT API和提示词工程的专利知识图谱构建 [J]‍. 情报杂志, 2025, 44(3): 180‒187‍.
[19]

Zhang L L, Huang W L‍. Construction of patent knowledge graphs based on ChatGPT API and prompt engineering [J]‍. Journal of Intelligence, 2025, 44(3): 180‒187‍.
[20]

Hope T, Chan J, Kittur A, et al‍. Accelerating innovation through analogy mining [R]‍. Halifax: The 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2017‍.
[21]

Rodriguez A, Laio A‍. Clustering by fast search and find of density peaks [J]‍. Science, 2014, 344(6191): 1492‒1496‍.
[22]

Shannon C E‍. A mathematical theory of communication [J]‍. Bell System Technical Journal, 1948, 27(3): 379‒423‍.
[23]

Bergman E M, Feser E J‍. Industrial and regional clusters: Concepts and comparative applications [R]‍. Morgantown: Regional Research Institute, West Virginia University‍, 2020‍.
[24]

魏玲, 陈彦均, 曾冰, 等‍. 国内产业集群研究现状、热点主题及演化路径 [J]‍. 情报工程, 2024, 10(4): 61‒72‍.
[25]

Wei L, Chen Y J, Zeng B, et al‍. Current status, hot topics and evolution paths of China's industrial cluster research [J]‍. Technology Intelligence Engineering, 2024, 10(4): 61‒72‍.
[26]

Rashid A B, Kausik M A K‍. AI revolutionizing industries worldwide: A comprehensive overview of its diverse applications [J]‍. Hybrid Advances, 2024, 7: 100277‍.
[27]

李海舰, 李真真‍. 中国制造业的高质量发展: "五维一体" 求解 [J]‍. 学习与探索, 2024 (9): 94‒105, 176‍.
[28]

Li H J, Li Z Z‍. The high quality development of China's manufacturing industry: "Five dimensional integration" solution [J]‍. Study & Exploration, 2024 (9): 94‒105, 176‍.
[29]

Rizvi A T, Haleem A, Bahl S, et al‍. Artificial intelligence (AI) and its applications in Indian manufacturing: A review [R]‍. Singapore: Current Advances in Mechanical Engineering, 2021‍.
[30]

Jamwal A, Agrawal R, Sharma M‍. Deep learning for manufacturing sustainability: Models, applications in industry 4‍.0 and implications [J]‍. International Journal of Information Management Data Insights, 2022, 2(2): 100107‍.
[31]

李欣, 李悦, 冯野, 等‍. 基于多模态数据融合与机器学习的高价值专利早期识别方法 [J]‍. 情报杂志, 2024, 43(6): 134‒144‍.
[32]

Li X, Li Y, Feng Y, et al‍. Research on early identification method of high value patents based on multi-modal data fusion and machine learning [J]‍. Journal of Intelligence, 2024, 43(6): 134‒144‍.

基金资助

中国工程院咨询项目“人工智能与先进装备制造业融合发展战略研究”(2023-YNZH-4)

AI Summary AI Mindmap
PDF (1707KB)

13575

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉