基于文献计量学的人工智能领域研究现状及热点分析

刘龑龙，史冬梅，刘进长，唐 莉，王金鹏

（1.科学技术部高技术研究发展中心，北京 100044；2.复旦大学国际关系与公共事务学院，上海 200433；3.之江实验室，浙江杭州 311121）

1 研究背景

人工智能（artificial intelligence，AI）研究领域是在1956 年达特茅斯学院召开的夏季研讨会上正式确立，至今已有64 年的发展历史［1］。人工智能在当今智能时代扮演着越来越重要的角色，不仅是改变人类生活方式的重要途径，也是驱动科技发展和产业变革的重要力量。近年来，全球范围内掀起人工智能研究热潮，世界各国在人工智能领域积极布局，纷纷制定相关科技战略、政策及计划，如美国白宫科技政策办公室发布了《国家人工智能研究和发展战略计划》，英国下议院科技委员会发布《机器人技术与人工智能》报告，欧盟委员会发布《人工智能白皮书》等。我国在2017 年发布《新一代人工智能发展规划》，确定新一代人工智能发展“三步走”战略目标；国内各省份也相继出台了与本地区发展相适应的人工智能相关规划，以加快人工智能产业发展。因此，探究人工智能的研究现状及前沿热点，有助于了解当前人工智能的研究进展及发展趋势，为我国人工智能领域的科研政策及科技计划制定提供支持和参考。

科技文献和专利是科学研究成果的主要表现形式和载体，在全球人工智能领域研究方面，学者主要从专利或文献数据入手探究其发展现状及研究前沿，如，张振刚等［2］运用专利计量法分析人工智能领域研究实力分布情况，利用CiteSpace 绘制人工智能的知识图谱并挖掘人工智能领域的关键技术与前沿热点；邹本涛等［3］根据文献数据，利用突变术语检测方法识别人工智能研究前沿并对其演化进行分析；任利强等［4］以期刊论文为依托，从合作国家、研究机构、引用文献、关键词和突现词5 个方面对人工智能领域的研究进展进行可视化分析。

为全面分析人工智能领域研究现状及前沿热点主题，本研究基于Scopus 数据库和SciVal 研究分析工具，重点针对2014 至2019 年人工智能领域的科技文献，采用文献计量学指标量化分析人工智能领域学术产出、引用次数、合作情况、学术机构和研究热点及前沿等信息，为我国人工智能发展提供参考。

2 数据来源与计量评价指标

2.1 数据来源及分析工具

爱思唯尔（Elsevier）的Scopus 数据库收录了全球5 000 多家出版社超过23 450 种同行评议期刊、75 000 册图书以及980 万多篇会议论文，也包括一些非英语国家和地区的文献资源［5］，SciVal 平台作为研究分析工具共享Scopus 数据库，量化分析全球230 个国家和地区14 000 多家研究机构的研究成果数据，通过可视化展示相关评价指标，为高校及学术研究机构的科研管理和决策提供服务［6］。本研究基于Scopus 数据源，在ASJC 分类（即按照单篇论文所在期刊的所属学科）中选取人工智能领域（学科代码为1702）进行检索，检索日期为2020 年5 月16 日，最早可追溯到1954 年，得到744 569 篇学术产出（包含会议论文、期刊论文等），涉及21 个学科。

2.2 文献计量学指标

为了从多维度分析人工智能领域的研究成果并为其未来的研究提供全面的数据支撑，在SciVal 科研分析平台基础上采用以下文献计量学指标进行分析：

（1）学术产出，主要包括学术产出数量及成果类型。

（2）学术产出引用情况，包括总被引、篇均被引、前 1%高被引比例、前10%高被引比例。其中，前 1%和前10%高被引比例是对人工智能领域的相关文献按其出版年份，根据文献被引用次数被列入全球前1%、前10%的文献数量与所选领域及出版年份的总文献的比值。

（3）归一化影响因子（field-weighted citation impact，FWCI），即标准化后的论文影响力，计算的是人工智能领域文献的被引次数和相同学科、相同年份、相同类型文献的平均被引次数的比值。具体计算公式如下：

式（1）中：N为总发文数量；ci代表文献i的被引频次；ei代表所有同类文献在出版后3 年期望获得的被引频次。

FWCI 通过归一化消除了不同学科和文献发表年限的差异性，主要用于评价学术产出质量，是目前国际公认的定量评价科研论文质量的最优方法［7］，因此本研究在分析人工智能领域的国家/地区、机构及合作研究等学术产出影响力时，以FWCI 为指标进行排序分析。

（4）参与学者，指产出的学术成果中参与研究的学者数量。

（5）资助基金，指产出的学术成果获得资助基金名称、金额以及基金资助相关研究项目的数量。

（6）合作分析，用于评价国家/地区、机构等层面合作的类型。其中，学术产出的合作类型包括国际合作、国内合作、机构合作和单独创作；而按与企业合作情况划分，有校企合作和无校企合作两种情况。参考张振刚等［2］的做法，合作影响力通过合作文献的总被引数除以合作文献总数计算得到。

（7）研究主题及主题显著性指数。在SciVal 中，采用直接引用聚类方法将整个人工智能领域的主题一次识别［8］，共得到9.6 万个科学主题，并分别计算出每个主题的显著性指数。主题显著性指数是衡量主题的可见度和发展势头的指标，其值越大，表示主题的关注度越大、增长势头越快。本研究综合考虑了最近被引量、最近浏览量和期刊引用3 个参数，计算每个主题j在第n年的显著性Pj，计算公式如下［9］：

式（2）中：Cj是主题j中在第n年和n-1 年发表论文的被引量；Vj是主题j中在第n年和n-1 年发表论文的Scopus 浏览量；CSj是主题j中在第n年发表论文的平均被引量。

其中为了减少偏量数据，原始数据经过了对数转换，即Cj=ln(Cj+1)，Vj=ln(Vj+1)，CSj=ln(CSj+1)。

3 统计结果与分析

3.1 学术产出及分布情况

3.1.1 总体情况

根据检索获得70 多万篇文献的数量及其涉及21 个学科的数量，可以看出人工智能研究的多学科交叉融合的特性以及广泛的应用空间。考虑到检索结果中2020 年的数据不全，本研究对检索结果中不含2020 年的文献共730 512 篇（以下简称“样本”）进行分析。根据样本的年度分布（见图1），可以将人工智能研究分为3 个阶段：1954 年到1984 年的年均文献数量低于1 000 篇，处于探索阶段；1988 年到2004 年的年均文献数量低于10 000 篇但呈逐步上升趋势，说明对人工智能领域的关注度上升；2005年至今，人工智能领域稳健发展，并在2009 年迎来研究高潮，随即相关文献数量出现短暂回落后继续增加至今。

图1 人工智能领域样本文献的年度分布

3.1.2 2014 至2019 年情况

为有针对性地分析人工智能领域相关学术产出、机构等发展现状，选择研究时间范围为2014 至2019年，基于Scopus 数据库和SciVal 分析工具对人工智能领域的学术产出情况进行总体分析，具体如表1所示。

表1 2014—2019 年人工智能领域相关学术产出情况统计

从表1 和图2 可以看出，研究期间的文献量逐年增加，2019 年的发文量甚至是2014 年的两倍以上，这主要是因为随着人工智能研究热度的增加，越来越多的学者投入对相关领域的研究。这一点也可以从图3 的参与学者数量增长趋势中得到印证。

图2 人工智能领域文献数量趋势

图3 人工智能领域参与学者数量趋势

如图4 所示在基金支持方面，研究期间人工智能领域研究获得的资金支持整体也是呈现增长趋势，虽然全球资金支持在2015 年有个巨大增长后呈现些许回落，但在2019 年又回到与2015 年持平状态。

图4 人工智能领域研究资金支持趋势

从图5 和图6 可以看出，研究期间文献的总被引和篇均被引都是逐年递减的，原因主要因为相较于近期发表的文献，年限早的文献会获得更多的阅读量，后期研究的更多工作是基于早期文献的基础来完成的。

图5 人工智能领域文献总被引数量趋势

图6 人工智能领域文献篇均被引数量趋势

如图7 至图9 所示，研究期间文献的归一化影响因子、前1%和前10%高被引比例3 个指数也是逐年减小，结合表1 中的文献量，说明领域内文献数量虽然整体呈上升趋势，但其整体影响力是呈下降趋势的。

图7 人工智能领域文献归一化影响因子趋势

图8 人工智能领域前1%高被引比例趋势

图9 人工智能领域前10%高被引比例趋势

此外，从表1 中学术产出方式情况来看，研究期间文献通过合作方式的比例为90%左右，而且占比逐年增加，说明合作研究是人工智能领域研究的主要方式。其中，机构内合作的比例最高，国际合作文献的质量和影响力最大，说明开展合作研究尤其是国际合作有助于提升人工智能研究的学术影响力。

3.1.3 按国家/地区划分情况

表2 展示的是2014 至2019 年人工智能领域FWCI 排在前十的国家/地区的学术产出情况。从表2 可以看出，排名前3 位的国家和地区为瑞士、新加坡和中国香港，其发文量虽然都较少，但文献的篇均被引、前1%和前10%高被引比例均处于领先位置，整体影响力和质量较高；排在第4 位的澳大利亚的文献篇均被引等指标虽然略有下降，但其发文量是前3 位的两倍左右；排在第5 位的沙特阿拉伯的前1%和前10%高被引比例远远高于其他国家和地区，主要原因是其在人工智能基础算法方面的贡献尤为突出。另外，美国、英国、意大利和西班牙的发文量远远高于其他国家，尤其是美国，在前十的国家和地区中，美国的发文量居全球第二，在保证巨大发文量同时其文献在各项计量指标上表现突出，说明在人工智能领域美国的整体研究实力处于世界领先水平；相较于美国和英国，意大利和德国的前1%高被引比例明显略低，加拿大和西班牙分列第8 位和第10 位，篇均被引等计量指标的表现情况比较稳定，处于平均水平。此外从整体来看，发文量大的国家/地区如美国、德国的学术产出方式更倾向于国内机构合作和单独产出，国际合作占比明显略低；发文量小的国家/地区学术产出的国际合作比例较高。值得一提的是，中国大陆的发文量为85 610 篇，是美国发文量的近两倍，但按照FWCI 值排名居第42 位，FWCI 值为1.05，篇均被引为6 次，前1%高被引比例是1.8%，国际合作比例为22.5%，上述各项指标水平均低于世界领先水平的国家/地区，说明我国在人工智能领域研究的质量和影响力有待提高。

表2 2014—2019 年人工智能领域FWCI 前十国家和地区情况统计

3.1.4 按归属机构划分情况

高校、研究所、企业是不同类型的创新主体，在技术创新中都起着至关重要的作用。在人工智能领域，高校是学术产出的核心机构，以FWCI 为指标对具有一定发文规模的高校进行排序分析，2014至2019 年人工智能领域FWCI 排名前十的高校学术产出情况如表3 所示。其中，美国有5 所高校进入前十，分列在第1、2、4、8、9 位。再结合表2 的数据分析可知，在人工智能领域美国文献的平均影响力位于世界前列，其个别高校具有世界顶尖水平。值得注意的是，美国高校在国际合作占比方面普遍较低，其更倾向开展国内间的合作，主要原因是美国在人工智能研究方面走在世界前列。排在第3 位的苏黎世联邦理工学院是瑞士最富盛名的大学，在人工智能领域为瑞士贡献近1/3 的学术产出。来自沙特阿拉伯的阿卜杜勒阿齐兹国王大学和来自西班牙的格拉纳达大学分列第5 位和第7 位，其前1%和前10%高被引比例均远远高于美国高校，但通过SciVal 的数据深入挖掘发现，其产出的文献在世界顶级期刊的占比远小于美国高校，故文献的影响力弱于美国前三高校。沙特阿拉伯的阿卜杜勒阿齐兹国王大学拥有最高的国际合作占比，其文献输出主要以国际合作的形式完成。英国的牛津大学和加拿大的多伦多大学分列第6 位和第10 位，其产出的文献篇均被引等计量指标的表现比较稳定，处于平均水平。中国大陆的高校中，FWCI 排名中如四川大学（第13）、北京大学（第24）、深圳大学（第26）、中国科学技术大学（第30）产出的文献量高于FWCI 前十高校的平均发文量，但是其文献的高被引比例、国际合作比例等指标水平均低于FWCI前十高校的平均水平。

表3 2014—2019 年人工智能领域FWCI 前十高校情况统计

表4 展示的是2014 至2019 年全球范围内人工智能领域FWCI 排名前十的研究所，可以发现，除荷兰国家数学与计算机科学研究中心（Centrum Wiskunde &Informatica，CWI）来自荷兰之外，其他的研究院所属国家和地区均为全球FWCI 前十的国家和地区，尤其是德国有3 家研究所分别排名第1、3、4 位，处于世界领先水平，而在高校FWCI 前十排名中德国高校没有上榜，但其研究院所的实力不容小觑，这与德国在人工智能领域的国家发展战略有关，并且这3 家研究所的国际合作比例较高，均高于其他研究所的国际合作比例。其次，西班牙有2 家研究所分别位于第6、9 位。其他研究所分布均匀，分别属于英国、法国、新加坡和美国。可以发现，研究所学术产出数量相比高校要少很多，而且表现出严重的两极分化，FWCI 排名第一和第十的研究所在学术产出质量和影响力上差距较大。在所有研究院所中，中国科学院及其所属分支机构产出的文献量为5 306 篇，是全球学术产出最高的机构，FWCI 为1.49（全球排名第23 位），篇均被引为8.9，前1%和前10%高被引比例分别为2.5%和14.8%，国际合作占比为26.8%，上述各计量指标水平均低于世界前十研究机构的平均水平；法国国家科学研究中心（Centre National de la Recherche Scientifique，CNRS）是产出文献量第二（4 083 篇）的机构，FWCI 为1.13（全球排名第47 位），篇均被引为5.3，前1%和前10%高被引比例分别为0.5%和8.2%，国际合作占比为44.6%，与中国科学院相似的是其学术产出高，但在人工智能领域与世界领先的研究所还有一定差距。

表4 2014—2019 年人工智能领域FWCI 前十研究所情况统计

人工智能相关技术日趋成熟，企业在技术研发与创新方面发挥着主体作用。表5 展示的是2014至2019 年人工智能领域FWCI 前十的企业，可以发现企业在人工智能领域所发挥的作用越来越大，尤其是Facebook、Alphabet、微软（美国）等公司的FWCI 值高于高校与研究所。其中的企业大多来自美国和中国，日本的软银集团排名第5 位。值得关注的是，美国的Alphabet 和微软（美国）公司不仅学术影响力高，学术产出文献量相对也较高，均高于排名前十企业文献量的平均值。美国除了有排名前三的企业，还有高通公司、雅虎实验室分别排名第6、9位，美国企业在人工智能领域占据了绝对领先地位。我国科大讯飞、商汤科技、腾讯、百度公司分别排名第4、7、8、10 位，我国企业在人工智能领域的技术处于世界领先水平，但学术成果产量偏低。

表5 2014—2019 年人工智能领域FWCI 前十企业情况统计

根据2017 年我国颁布的《新一代人工智能发展规划》提出的“三步走”战略的第一步目标，到2020 年我国人工智能总体技术和应用能够与世界先进水平同步，具体目标为到2020 年人工智能产业竞争力进入国际第一方阵。根据《中国新一代人工智能发展报告2019》统计，我国人工智能产业的企业数量、融资规模均处于全球第二［10］，加上我国人工智能领域企业具有较高科研水平和影响力，总体说明我国在人工智能产业方面国际领先。

3.2 研究热点及前沿

SciVal 中的研究热词提取综合采用了爱思唯尔的指纹技术（Elsevier fingerprint technology，EFT）和特殊短语，应用自然语言处理技术对文献的标题、摘要、关键词等信息进行处理，并根据所有学科的叙词表进行匹配，对每一个文档基于逆文档频率选择相关性高的一个或多个关键词［11］。

3.2.1 研究热词分析

利用SciVal 提供的关键词分析模块，对人工智能领域2014 至2019 年学术产出进行关键词分析，统计每个关键词对应的学术产出的数量，据此判定该关键词的研究热度。排名前50 位关键词的词云如图10 所示（字体位置是随机的），字体越大的关键词代表其研究热度越高。从图10 可以看出人工智能领域热度最高的关键词有Models/模型、Algorithms/算法、Applications/应用、Experiments/实验等，学术产出集中在算法、模型等基础研究方面，同时应用范围也在扩大。

图10 2014—2019 年人工智能领域前五十关键词词云

研究热词在不同时间的研究热度可以展示一个研究问题的发展变化过程，而且从中可以发现研究领域或研究方向上的关键节点和新兴趋势。根据研究热度对排名前50 位的关键词进行排序，每10 个词为一组，2014 至2019 年人工智能领域研究热度变化趋势如图11 至图15 所示。图11 为排名前十关键词的热度变化趋势，可以发现模型、算法等基础理论的研究始终是人工智能领域这些年的研究重点。算法、模型是通过处理数据源并按照指令进行输出的复杂多维函数，是人工智能领域的核心和基础。

图11 人工智能领域前十关键词研究热度趋势

从图12 可以看出，早期人工智能领域的应用主要集中在动力学和机器人领域，但随着应用场景的增多，对人工智能技术需求也随之提高，神经网络、学习系统和分类问题成为关键的技术问题。

图12 人工智能领域前11 至20 位关键词研究热度趋势

从图13 中也可以看出，在人工智能应用中，预测和评估是两项关键的研究，越来越多的学者投入到预测和评估的研究中。此外，通信技术受到越来越多的关注，原因主要是随着应用场景的丰富，人工智能也逐渐从单一智能向群体智能演进，因此通信技术作为连接人工智能的纽带得到了更多的研究。

图13 人工智能领域前21 至30 位关键词研究热度趋势

如图14 所示，特征提取是机器学习中一个前处理步骤，是人工智能领域算法的基础，近几年对特征提取研究的关注度持续上升。数据挖掘、图像识别是人工智能领域的基础技术，近几年这类技术研究的总体热度上升，但在2018 年以后发展趋于平稳，在2019 对其关注度略有减少。

图14 人工智能领域前31 至40 位关键词研究热度趋势

从图15 可以看到，早期人工智能与机器人领域相结合使控制论一度成为热点研究课题，但在2017年以后控制论的热度下降。卷积神经网络是深度学习的代表算法，广泛应用在图像处理、视频处理等方面，自2014 年起研究热度持续增加。

图15 人工智能领域前41 至50 位关键词研究热度趋势

3.2.2 关键词分析

关键词是文献的主体部分之一，能够有效地反映文献的核心内容，关键词网络节点的中心性可以反映节点在网络中的重要程度以及与其他节点之间关系的密切程度［12］。本研究通过CiteSpace 分析工具对2014 至2019 年人工智能领域前1%高被引文献进行关键词共词分析，以反映人工智能领域研究动态和趋势。如图16 所示，以关键词的频次为计量标准，圆圈大小代表关键词出现的频次，可以分为3 类：一类是神经网络（neural network）、人工智能（artificial intelligence）、算法（algorithm），这3 个词出现的频次最高，表明这类研究内容在人工智能领域的重要性上居于首位，因为这3 个词所代表的技术理论构成了人工智能最核心的理论基础，为人工智能持续发展和深度应用提供科学储备；第二类是深度学习（deep learning）、决策分析（decision making）、学习系统（learning system）、卷积神经网络（convolutional neural network）以及分类（classification），这一类关键词所代表的内容多数为关键技术，是人工智能领域关键的实现方法，目前多数人工智能应用是建立在深度学习和神经网络基础上，通过决策、分类和学习系统实现应用；第三类是优化（optimization）、学习算法（learning algorithm）、特征提取（feature extraction）、人工神经网络（artificial neural network）等，这一类关键词所代表的内容多数为细分领域的核心算法技术，往往决定了第二类中核心技术的应用效果和计算速度。而其他未显示的关键词同第三类类似，主要是细分领域的核心算法技术，为人工智能的应用提供算法基础。

图16 2014—2019 年人工智能领域研究关键词共现图谱

图17 是根据关键词中心性展示的共现图谱，方块的大小代表的是中心度，方块越大则表示关键词与其他关键词的关联越多。从图17 中可以看出算法（algorithm）、优化理论（optimization）、人工神经网络（artificial neural network）是最具代表性的关键共性内容，人工智能领域的多数问题都需要以此为基础进行分析解决；其次为学习算法（learning algorithm）、非线性系统（nonlinear system）、决策分析（decision making），这一类关键词代表提供解决问题的方法基础的内容，通过学习算法和非线性系统来动态地描绘实际问题，再通过决策分析提出解决方法；第三类为适应控制系统（adaptive control system）、计算语言学（computational linguistics）、特征提取（feature extraction）、分类（classification）等，与图16 中的第三类相似，这一类关键词涉及的内容是细分领域的核心技术。

图17 2014—2019 年人工智能领域研究关键词中心性共现图谱

从图16、图17 可以看出，2014 至2019 年人工智能领域前1%高被引文献所关注的核心问题是人工智能基础理论问题，这是人工智能领域最为核心的框架与基础，具有继续发展及变革的能力；其次是共性关键技术问题，往往是实现具体应用中的关键技术，是基础理论具象的表达形式；第三类是人工智能应用问题，往往是细分领域的核心基础问题或是应用实现过程中的技术问题，是前两类问题的最终表现形式。这与上述分析的研究热词分布特征相互印证，以神经网络（包括人工神经网络）为首的研究热点得到了人工智能领域学者的高度关注。

3.2.3 前沿主题分析

百分位数指标作为一种相对指标，在实际应用中往往根据需求选择合适的百分位分数作为阈值，例如 ESI 的高被引论文和研究前沿都是基于各学科论文引用数量前1%的阈值；崔宇红等［13］经实验，设定主题显著性百分位数阈值为99%的主题为研究前沿。本研究采用主题显著性百分位数阈值为99%来分析人工智能领域前沿主题，其中排名前十的前沿主题如表6 所示（按发文量排序）。

表6 2014—2019 年人工智能领域前十前沿主题及指标统计

表6（续）

SciVal 系统会自动给出 3 个术语来命名每个主题，前两个主题使用 EFT 生成，一般选择高频词，提供对主题在研究领域或者专业方向高层次上的描述，第三个主题选择关于此主题的特殊短语，是对主题在研究问题层次上作更具体的描述。本研究根据此描述规则，对表6 中前10 类主题依次分别命名为：“卷积神经网络”“模糊语言集决策分析”“基于评分矩阵的协同过滤推荐算法”“基于词向量的语义分析及自然语言处理”“基于意见词的在线社交网络数据挖掘”“恐怖谷理论与机器人”“基于包容控制的多智能体系统”“四旋翼无人机及控制”“相机位姿与机器人”和“连续体机器人”。以“卷积神经网络”主题为例，发文量最多的国家是我国，文献被引次数最多的国家是美国，研究机构FWCI 排名前三的为北卡罗来纳大学、Facebook和Alphabet，均来自美国。

4 结论与讨论

4.1 研究结论

本研究基于Scopus 数据库和SciVal 科研分析工具，主要对 2014 至2019 年人工智能领域学术产出、合作与影响力、研究热点及主题等发展现状进行了分析。主要结论如下：

（1）从时间分布维度，全球人工智能领域的关注度居高不下，学术产出持续增加，研究进入高速发展阶段。

（2）从空间分布维度，在国家层面，我国为全球发文量第一大的国家，说明在此期间我国在人工智能领域研发投入巨大，重视程度也增长迅速，而美国在保证发文量同时，其产出文献的各项计量指标表现突出，在人工智能领域的整体研究实力处于世界领先水平；除美国偏重于国内合作之外，其余研究实力较强的国家都重视国际合作，其学术产出的国际合作比例远高出世界平均水平。在机构角度，美国的高校和企业的优势突出，德国的主要学术成果产出机构是研究所，我国的高校和研究所的学术成果产出量高，但成果的影响力与世界领先水平尚有一定差距，不过我国企业的学术产出表现突出，虽然产出量低于美国但强于日本，总体水平在全球处于第二，已进入世界第一梯队。

（3）从研究热词、关键词共现网络以及研究前沿主题来看，人工智能领域的研究热点主要集中在基础研究、关键技术及应用领域，其中热点基础理论主要是模型、算法的研究，热点算法模型包括神经网络、深度学习、卷积神经网络、学习算法等，热点技术有决策分析、分类、特征提取、控制、优化等，热门应用领域有计算机视觉、数据挖掘、机器人、无人机、多智能体系统等。根据我国《新一代人工智能发展规划》提到的研究基础理论，目前人工智能领域的研究热点与大数据智能、跨媒体感知计算、混合增强智能、群体智能、自主协同控制与决策等方向是相符的。

4.2 政策建议

基于国内外人工智能领域研究现状和分析，提出如下建议：

（1）引导并激励研究人员发表“三高”论文（即发表在具有国际影响力的国内科技期刊的论文，业界公认的国际顶级或重要科技期刊的论文，在国内外顶级学术会议上进行报告的论文）。论文发表数量是基础，但研究质量是关键。我国人工智能论文发文量全球最高，但研究质量和影响力相对落后，我国在人工智能领域研究成果方面并没有成为研究强国，领域内的科研影响力还需要进一步提高。建议相关部门及科研机构继续贯彻落实“破四唯”及“三评改革”相关政策，实行代表性成果、代表性论文评价，鼓励发表“三高”论文。

（2）鼓励开展合作共研。鼓励开展国际合作、国内合作、机构合作，尤其是开展国际领先高校与机构的合作，跟紧研究前沿趋势，加大力度进一步融入国际主流学术圈、产业生态和社会媒体，在国际范围发挥我国人工智能科技实力。

（3）引导并促进产学研合作及成果转化。我国在人工智能领域的学术研究以高校和研究机构为主，校企合作发文量低于美国，科研成果与企业的实际需求结合不够，企业在科研项目中的参与程度较低。进一步鼓励高校、研究机构加强与企业合作，合理配置产学研各方资源，结合市场的需求有针对性开展研究，促进技术创新，推动人工智能技术产业化落地。

（4）聚焦人工智能领域基础理论和关键共性技术的研究，尤其在人工智能领域的核心算法和基础研究方面提升研究水平，把握人工智能发展前沿的选题、创新和突破；培养学科带头人，重视引进和培养人才，进而提升我国人工智能领域的科研竞争力和学术影响力。