论文部分内容阅读
摘要：智能经济包括核心产业部门和融合产业部门。融合产业部门是在人工智能与实体经济的融合过程中创造出来的包括新技术、新产品、新模式和新业态在内的新兴产业领域。随着人工智能核心技术和产品的成熟，融合产业部门发展正在成为智能经济发展的前沿地带。与核心产业部门不同，与特定产业应用场景相适应，融合产业部门的技术体系具有专用性特征。与特定产业应用场景相适应，技术体系专用性程度不仅决定着人工智能与实体经济融合难度，而且决定了谁是主导者融合产业部门的发展又会促进核心产业部门的技术创新和发展。两个产业部门之间的良性互动共同推动智能经济的快速成长和经济转型升级的步伐。
关键词：智能经济;核心产业部门;融合产业部门;通用技术体系;专用技术体系
中图分类号：F49 文献标识码：A 文章编号：1003-1502（2020）01-0038-18
一、引言
智能科技产业的发展源于中国经济转型过程中创造的智能化需求。改革开放以来，充分抓住第三次工业革命带来的经济全球化机遇，通过市场取向的改革开放政策，我国实现了加速工业化，发展为全球第二大经济体，被誉为“中国奇迹”。随着国内外市场条件的变化、要素成本的上涨和环境约束的加强，如何实现从要素驱动向创新驱动的转型升级，是经济发展的方向和目标。而智能科技的产业化和产业的智能化，是实现经济转型升级和高质量发展的内生动力。
智能经济包括两个基本组成部分：核心产业部门和融合产业部门。其中核心产业部门主要是指研发和生产人工智能核心技术和产品的产业领域，主要产出的是作为“关键生产要素”的数据、算力和算法。而融合产业部门则是指人工智能与经济和社会融合过程中创造的新技术、新产品、新模式和新业态。
我国智能经济核心产业部门的兴起源于互联网发展过程中对智能化的迫切需求，是消费互联网快速发展的结果。截至2018年12月，我国网民规模达8.29亿，普及率达59.60%，手机网民规模达8.17亿，占网民总数的98.60%，农村网民规模达2.22亿，占网民总数的26.70%。2018年互联网应用保持快速增长，其中网络新闻用户规模达6.75亿元，较2017年底增长4.3%;网络购物用户规模达6.10亿，较2017年底增长14.40%[1]。如果说在门户网站为主导的互联网1.0时代，中国仅仅是追随者，那么在手机APP为主导的互联网2.0时代，我国已经成为引领者。
为适应消费互联网的智能化需求，中国智能经济的核心产业部门实现了快速发展。在互联网2.0阶段，为了实现交易中供给和需求的精准匹配，尤其是支付过程中的身份验证，人工智能实现了快速发展。随着人工智能关键技术的成熟和核心产业部门的发展，人工智能开始与实体经济深度融合。随着包括5G在内的新基础设施建设的加快，融合产业部门的发展及其与核心产业部门的良性互动，将推动智能经济步入新的发展阶段。
人工智能与实体经济融合的过程中，除了包括阿里巴巴、百度、腾讯和华为在内的平台企业之外，由传统上市公司转型而来的智能企业发挥着重要作用。依托市场和技术优势，传统产业的上市公司通过自主研发和与人工智能企业的合作，逐步成为融合产业部门发展的主导者。本文试图通过对融合产业部门上市公司的价值网络分析，揭示人工智能与实体经济深度融合的动力和机制。
二、文献综述
作为第四次工业革命的引擎，人工智能属于通用技术。技术经济范式理论对通用技术如何影响经济和社會发展做出了系统的思考。弗里曼（Freeman，1988）指出，技术经济范式是指现实经济对具备技术可行性的创新对象进行选择，进而在技术、经济和政治之间通过复杂互动形成新范式的过程[2]。
佩蕾丝（Perez，2007）对新技术经济范式的形成过程做出了系统研究[3]。她把通用技术的兴起和扩散划分为“爆发”“狂热”“协同”和“成熟”四个阶段。在爆发阶段，新通用技术和产品创新是由金融资本驱动的。新兴技术的快速兴起和发展给传统技术经济范式带来了强烈的冲击。在狂热阶段，金融资本转向基础设施和技术研发的支持。在这个阶段，新技术经济范式基本形成，并做好了扩张的准备。但是与新技术发展相伴而来的是技术与制度的冲突，需要制度层面的改革和调整。而随着政治和社会变革经验的积累，企业开始适应新技术，经济进入了快速增长阶段，即“协同”和“成熟”阶段。其中，在协同阶段，新技术经济范式开始占据优势。而在成熟阶段，新技术被广泛应用于现有产业，而其带来的投资机会逐步消失。
通用技术与经济社会的融合遵循“新技术→关键生产要素→主导技术群落→技术经济范式”的演进过程。在新技术经济范式的形成和发展过程中，首先是新技术创新和核心产业部门的兴起。核心产业部门的基本功能是创造“关键生产要素”。在弗里曼和佩蕾丝看来，“关键生产要素”是技术经济范式中的“一个特定投入或一组投入”，它可能表现为某种重要的自然资源或工业制成品，它具备三个方面的特征：生产成本的下降性、供应能力的无限性和运用前景的广泛性。
随着核心产业部门的发展，通用技术开始向现有产业渗透，最终形成主导技术群落。在主导技术群落的形成和发展过程中，技术与经济社会相互融合逐步形成新技术经济范式，使经济社会进入新的发展阶段。例如，第三次工业革命以芯片为“关键生产要素”。随着IT和ICT产业的成熟，信息技术开始与经济社会全面融合，创造出20世纪90年代以美国新经济为代表的信息经济范式。
作为新技术经济范式，随着互联网的兴起和发展，数字经济开始显现。对数字经济最早的讨论可以追溯到Don Taspscott《数字经济》一书。在该书中，他系统描述了互联网对经济社会的深刻影响。进入21世纪，随着互联网2.0和物联网的兴起，基于网络空间发展的数字和计算驱动的智能经济开始出现，成为数字经济发展的前沿。在2016年召开的G20杭州峰会发布的《二十国集团数字经济发展与合作倡议》中，把数字经济定义为：以使用数字化的知识和信息作为关键生产要素，以现代信息网络作为重要载体，以信息通信技术（ICT）的有效使用作为效率提升和经济结构优化的重要推动力的一系列经济活动。 随着核心技术的逐步成熟，人工智能与实体经济的融合发展是智能经济发展的主导。在2019年3月19日召開的中央全面深化改革委员会第七次会议上审议通过的《关于促进人工智能和实体经济深度融合的指导意见》中指出，“促进人工智能和实体经济深度融合，要把握新一代人工智能发展的特点，坚持以市场需求为导向，以产业应用为目标，深化改革创新，优化制度环境，激发企业创新活力和内生动力，结合不同行业、不同区域特点，探索创新成果应用转化的路径和方法，构建数据驱动、人机协同、跨界融合、共创分享的智能经济形态”。
目前，人工智能与实体经济深度融合的方向和框架已初步制定，但是作为一个复杂系统的演化过程，在人工智能与不同产业的融合过程具有多样化和异质性特征。如何结合不同产业特点，通过多元创新主体协同创新构建专用性技术体系，才能不断推动人工智能与实体经济的深度融合，实现融合产业部门的快速发展。因为涉及与特定行业相关的专用技术体系的形成和积累，究竟谁是人工智能与实体经济深度融合的主导者，如何通过多元创新主体的互动创造与特定产业相关的专用性技术体系，就成为当前理论研究的焦点。
三、研究方法和设计
本文把人工智能与实体经济的深度融合看作是一个复杂适应系统的演化过程，涉及包括智能企业、大学、科研机构、投资者和政府在内的多元创新主体的联系和互动。多元创新主体不仅是技术创新的需求者，而且是技术创新的推动者。依托各自的专业优势，在人工智能与实体经济融合过程中，专用性技术体系的形成和积累是多元创新主体相互联系和协同创新的结果。
基于实际调查作者发现，在多元创新主体的协同创新中，除了平台企业，传统产业的龙头企业往往是人工智能与实体经济融合的主导者。适应产业智能化的需求，传统产业的龙头企业，尤其是上市公司，通过核心技术的自主研发和兼并收购人工智能初创公司的方式，转型升级为智能企业，即融合产业部门的智能企业。作为龙头企业，依托在传统产业积累的竞争优势，尤其是数据生态优势，融合部门占主导的智能企业逐步成为传统产业智能化的引领者。
为了揭示正在展开的人工智能技术和实体经济融合发展的现状和动力机制，本文筛选出50家融合产业部门的智能企业为样本。50家样本企业主要分布在传统制造和安防产业，2000年之后，通过自主研发、人才引进、兼并收购、与其他企业和高校科研机构合作的方式逐步发展为人工智能企业。从实际调查的情况看，样本企业在转型升级过程中，本身就是智能化的需求者，通过智能科技的自主研发和引进，在满足企业内部智能化需求的同时，成为行业智能化技术集成方案提供商。
50家样本企业的采集数据包括属性数据和关系数据①。本文主要通过关系数据的量化分析考察人工智能与实体经济融合的动力和机制。在关系数据的采集和量化分析中，我们把样本企业作为样本节点，把与样本节点发生人力资本、技术和投融资关系的企业、组织和机构称为关系节点。通过样本节点和关系节点发生关系的统计分析，研究人工智能如何与实体经济进行融合、创新和发展。
其中，人力资本关系主要指的是样本企业创始人、联合创始人和核心技术人员的前期学习经历和工作经历②。人力资本关系能够刻画人工智能技术在扩散过程中企业的关键技术人员来自哪些高校、科研机构和企业;技术合作关系，主要指样本节点和关系节点之间存在的技术关系，包括技术输入和技术赋能。其中技术输入指的是关系节点对样本节点的技术支持，而技术赋能则相反，是样本节点对关系节点的技术输出。与人力资本关系相比，技术关系能够更加直接地展现技术扩散和产业化过程中不同创新主体之间的互动关系。投融资关系，主要指的是样本节点和关系节点之间的投资和融资关系。
当样本节点与关系节点之前存在着三个维度中的任何一个维度关系时，赋值为“1”，否则为“0”。通过对样本节点和关系节点之间的互动关系的分析，考察人工智能技术与实体经济的融合动力和机制。本文的数据采集主要来自实际调查和公开资料。
四、融合产业部门的价值网络分析
50家样本企业的属性数据基本上反映出我国智能经济融合产业部门兴起和发展的基本情况。如图1所示，传统产业上市公司进入人工智能领域主要集中在2012-2015年之间③，占比高达68%。从时间分布看，传统产业上市公司转型升级为融合部门的智能企业，与新一代人工智能技术的兴起和产业化进程相伴而行。
从50家样本企业的地域分布看，位列第一的是广东省，占比为26%，位列第二的是浙江省，占比为18%，位列第三的是北京市，占比为16%。融合产业部门智能企业的数量分布不仅与人工智能核心产业部门的发展相关，而且与特定区域传统产业智能化进程直接相关。排名前列的广东和浙江省都是产业智能化的前沿地带④。
在转型升级为智能企业之前，样本企业的产业领域主要分布在传统制造和安防产业。其中，制造业的占比为88%，主要包括通用设备制造，汽车制造，计算机、通信和其他电子设备制造业，专用设备制造业，仪器仪表制造业，金属制品业。传统安防业占比为12%。
在转型升级为智能企业之后，在50家样本企业中，进入智能制造领域的样本企业占比最高，达到40%，其次是智能硬件领域，占比为22%，再次是智能安防领域，占比为12%。其余企业则分布在智能汽车、智能家居、智慧城市、智能医疗和智能教育等领域。在人工智能与传统产业的融合过程中，融合产业部分智能企业的产业领域分布不再局限于原有领域，而是呈现出产业领域的多元化趋势。
传统产业上市公司转型升级为智能企业的方式同样是多元化的，包括自主研发、兼并收购人工智能初创企业、与人工智能企业和机构合作研发和人才引进获得人工智能核心技术和产品。其中，自主研发占比为30%，位列第一，其次是与其他企业合作研发，占比为25%，再次是与高校和科研院所的合作研发，占比为22%，兼并收购占比为21%，位列第四。在合作研发中，企业往往通过与高校、科研院所和人工智能企业成立联合实验室、共建新型研发机构和联合成立子公司的方式展开深入的技术合作。 （一）融合产业部门价值网络的基本结构
将采集的50家样本企业的关系数据输入社会网络分析软件Gephi.9.2，本文得到由2728个节点和3239条边（关系）所组成的我国智能经济融合产业部门价值网络拓扑结构图（如图2所示）。表2 列出了融合产业部门价值网络的结构统计指标。基于50家样本节点的价值网络的节点数达到2728，是样本节点数的54.56倍，充分说明样本节点具有很高的活跃度。同时，包括平均度、网络直径、平均聚类系数、模块化系数和平均路径长度在内的结构性指标表明，融合产业部门的价值网络属于典型的复杂网络⑤。
如图3 所示，融合产业部门价值网络节点的度数中心度分布表现出明显的幂率分布特征，即少数关键节点具有较高的度数中心度⑥。因而，在融合产业部门的价值网络中，度数中心度高的少数关键节点是价值网络的核心，在人工智能与实体经济的融合发展中发挥着主导作用。
图4和图5分别列出了融合产业部门价值网络节点的接近中心度⑦和关系节点度数中心度的排序情况。价值网络节点的接近中心度越高，代表节点离其他节点越近，连接范围越广，在价值网络中的重要性越高。在接近中心度最高的节点中，不仅包括海康威视、联想集团和青岛海尔在内的样本节点，而且包括华为和百度在内的关系节点。这些节点都处于价值网络的中心，是人工智能与实体经济融合的主导者。图5 刻画了关系节点度数中心度排序。度数中心度排名前列的关系节点，是人工智能与实体经济融合发展的关键支撑，为融合产业部门的发展提供人力资本、技术和资本支持。
在融合产业部门构成的人工智能科技产业价值网络中，活跃度较高的关系节点主要包括三类。第一类是包括中国科学院、浙江大学、上海交通大学和北京大学在内的大学和科研院所。作为创新主体，大学和科研院所在人工智能科技产业的发展中主要从事基础研究和人才培养活动，通过提供人力资本和技术输出赋能人工智能企业。例如，在中国科学院的赋能关系中，47.83%是核心人力资本的输出。同时，与人工智能企业建立联合实验室和新型研发机构同样构成了大学和科研院所技术输出的重要方式。
第二类关系节点是以华为、百度、腾讯、阿里巴巴、微软和商汤科技为代表的核心产业部门中的平台和核心技术企业。依托在人工智能核心技术领域的研发和产业化优势，平台和核心技术企业通过与融合产业部门人工智能企业的技术、资本和人力资本合作，推动人工智能技术与实体经济的融合发展。
第三类关系节点是以建设银行、美的集团、国家电网和中国石化为代表的传统产业智能化需求方。作为智能企业的赋能对象，包括金融和制造业行业在内的传统企业在转型升级过程中创造出巨大的智能化需求，为人工智能技术的落地提供了广泛的应用场景。
图5列出了融合产业部门价值网络关系节点数度中心度排序情况（柱形图显示出人力资本、技术和资本关系占比）。其中，排名前幾位的关系节点不仅存在着技术输出关系，而且存在着人力资本输出关系。
为了更清楚地分析融合产业部门重要节点在价值网络中的作用，图6列出了节点的中间中心度指标的排序情况。中间中心度指标衡量的是价值网络节点发挥“结构洞”的能力。伯特（Burt，1992）认为，结构洞是指两个行动者之间的非冗余的联系[4]。占据“结构洞”位置的网络节点能够为中间人创造获取网络“信息利益”和“控制利益”的机会，因而，“结构洞”往往构成了网络中介人的社会资本[5]。
从融合产业部门价值网络节点的中间中心度排序看，位于前列的主要是包括联想集团和海康威视在内的样本节点。这充分说明，作为传统产业的上市公司，样本节点通过与多元创新主体的协同，充当“结构洞”角色，推动人工智能与实体经济的融合发展。同时，中间中心度排名靠前的关系节点是以阿里巴巴在内的平台企业和以中国科学院为代表的科研机构，在推动人工智能与实体经济融合发展过程中，平台和重要科研机构同样发挥着“结构洞”作用。
对融合产业部门价值网络结构性指标的分析表明，人工智能与实体经济的融合涉及多元创新主体的互动和协同创新。多元创新主体的互动和协同创新一方面会创造出包括联合实验室在内的新型复杂组织，另一方面会创造出新技术、新产品、新模式和新业态。同时，人工智能与实体经济的融合发展同样会带动包括大学、科研机构和中介组织在内的创新主体的发展，尤其是创造出以人工智能新兴学科为代表的创新领域和方向。因而，人工智能与实体经济的融合产业部门的发展，通过创造新的价值创造部门和提高经济系统知识分工的复杂性，成为经济发展新的动力来源。
（二） 关系数据分析
表3列出基于50家融合产业部门智能样本企业价值网络关系数据的分类统计结果。从人力资本关系来看，融合产业部门智能企业核心人力资本的前期学习和工作经验主要来自国内企业、高校和科研院所，占比分别为82.43%和91.96%。从技术关系看，技术输入和赋能占比分别为29%和71%，样本企业的技术赋能远高于技术输入，是融合产业部门的主要赋能者。与人力资本关系相同，无论是样本企业的技术输入还是技术赋能，主要来自国内企业和机构。从投资关系看，样本企业投资关系占总投融资关系的86.76%。从总体看，作为人工智能与实体经济融合发展的主导者，传统产业上市公司转型升级而来的智能企业既是主要赋能者又是投资者。
50家样本企业的核心人力资本主要毕业于国内的高校和科研院所，其中清华大学、浙江大学、哈尔滨工业大学、中国科学院和上海交通大学是排名前列的机构。前期工作经验的获取同样主要来自国内的企业和机构，其中中国科学院、清华大学、哈尔滨工业大学和华中科技大学排名前列，这充分说明在计算机、软件和人工智能领域具有基础研究优势的大学和科研院所在融合产业部门中发挥至关重要的作用。就国外工作经验而言，融合产业部门智能样本企业主要来自包括微软和谷歌在内的跨国公司研究机构。
图7列出了50家样本企业技术输入关系节点的类型分布情况。融合产业部门的人工智能技术主要来源于国内企业，占比为52%，其次是国内高校科研院所，占比为27%，排名第三的是国外企业，占比为18%，国内专业人才的引进排名第四，占比为1%。技术来源的主要国外企业是微软和英特尔。 从作为技术输入者的国内企业的类型分布看，融合产业部门的技术输入者主要是核心产业部门的人工智能初创企业，占比为16%，其次是初始人工智能上市公司⑨，占比为16%，排名第三和第四的分别是非初创人工智能技术公司和独角兽公司，占比为10%和7%。
除了企业，大学和科研院所同样在人工智能与实体经济的融合发展过程中成为关键技术输入者。依托在基础研究领域的优势，包括清华大学、浙江大学、中国科学院、北京大学、上海交通大学和哈尔滨工业大学在内的大学和科研院所成为融合产业部门的技术输入者和创新主体。
尤其值得关注的是，大学和科研机构对融合产业部门的技术赋能常常以与企业和地方政府成立联合实验室和新型研发机构的方式实现。例如，清华大学近年来分别与阿里巴巴成立“自然交互体验联合实验室”、与腾讯成立互联网创新技术联合实验室、与好未来成立智能教育信息技术联合研究中心，共同推动人工智能技术的产业化落地。
从技术输入分类看，如图8所示，人工智能对传统产业的改造主要依赖算法和算力领域的技术输入。其中，大数据和云计算、芯片、计算机视觉排在前三位，占比分别为25.87%、13.37%和13.37%。以计算机视觉、自然语言处理、生物识别、无人驾驶和机器人技术为代表的人工智能核心算法，在技术输入中的占比达到31.98%，超过大数据和云计算。
从实际调查的情况看，融合部门的技术输入类型反映了人工智能与实体经济融合的基础是数据生态。因为产业的数据生态化是智能化的前提和基础。无论是大数据和云计算技术还是芯片和计算机识别技术的引入首先是解决产业的数据化问题。只有出现产业数据化和数据生态环境，才能进一步通过算法和其他技术的引进实现产业的智能化。
在融合产业部门样本企业的投融资关系看，如图9所示，投资关系占据主导。从投融资关系发生的产业领域看，智能制造领域智能企业的融资关系数占比最高，为5%，投资关系数占比为19%。在投资关系数占比上，智能硬件最高，达到27%，融资关系数占比则为2%。其中，投资关系最为活跃的样本节点为小米科技和联想集团。通过对人工智能初创企业的大量投资活动，小米科技和联想集团努力构筑智能硬件产业生态系统。
从技术获取的方式看，包括投资收购和合作研发两种类型。如图10所示，硬件、机械控制及自动化技术主要通过融合产业部门智能企业收购方式获取。无人驾驶、生物识别、数据分析、计算机视觉等人工智能核心技术的融合则主要是以企业合作研发为主导。在大数据和云计算、芯片研发、自然语言处理技术领域，因为技术主导者均为开放创新平台，更容易通过合作研发和市场购买获取。
融合产业部门价值网络的分析表明，人工智能与实体经济的融合表现为新的复杂创新网络的形成和发展过程。作为技术输入者，融合产业部门的技术不仅来自核心产业部门的平台企业、独角兽和初创企业，而且包括大学和科研院所。同时，融合产业部门不仅是人工智能技术的输入者，同时也是创新者。尤其是作为传统产业龙头企业的上市公司，依托在传统产业的竞争优势，在转型升级为智能企业之后，逐步成为产业智能化的主导者。
五、模型和推论
为了分析人工智能与实体经济融合的动力和机制，本文首先把智能经济划分为核心产业部门和融合产业部门。其中，核心产业部门是指作为“关键生产要素”的数据和计算的生产部门，主要从事人工智能核心技术和产品的研发和生产。融合产业部门则是指人工智能与实体经济融合过程中创造的新兴产业部门。基于智能经济的两部门划分，为了分析如何利用核心产业部门的人工智能技术改造传统产业，创造融合产业部门发展的动态过程，本文首先做出三个前提假设。
首先，核心产业部门在融合产业部门出现之前就已经存在，即核心产业部门的发展先于融合产业部门。
其次，核心产业部门包括数据、算法和算力在内的人工智能技术属于通用技术体系。在与特定产业融合过程中，因每个产业都拥有特殊的数据生态，通用技术体系在运用于特定产业过程中，将创造出包括数据、算法和算力在内的专用技术体系。因而，人工智能与实体经济融合的进程表现为专用性技术体系的形成和发展过程。
最后，融合产业部门的出现表现为新价值网络的形成和发展过程。与核心产业部门的价值网络相比，与技术体系的专用性程度相关，价值网络的主导者更多地來自具有传统产业优势的行业领导者。
在上述三个前提假设的基础上，如图11所示，本文构建了一个简单的人工智能改造传统产业的理论分析框架。图的左半部分价值网络Ⅰ是指在改造传统产业之前的人工智能通用技术体系，即核心产业部门的价值网络。价值网络Ⅰ的创新主体包括大学、科研机构、基础层和技术层企业，构成了智能经济的核心产业部门。从技术的视角看，智能经济核心产业部门包括三个基本组成部分：数据生态、算力和算法。其中的数据生态Ⅰ、算法Ⅰ和算力Ⅰ三者相互匹配，共同构成核心产业部门的通用技术体系。
人工智能技术改造传统产业始于具体应用场景的开放。因为传统产业本身是一个相对独立的系统，人工智能技术对它的改造表现为通过技术体系如何应用于具体场景的过程。首先，人工智能技术在应用于传统产业的过程中要创造符合产业发展应用场景的数据生态，只有获取实时在线和可共享的数据才能形成适应传统产业的算法和算力。作为人工智能技术体系的关键资产，数据生态的专用性程度是人工智能技术与具体应用场景结合难易程度的关键因素，同时也决定了谁将是新的价值网络Ⅱ的主导者。
其次，在形成传统产业数据生态的基础上，在产业内部将形成专用性的算法资源。算法资源和优势的形成一方面依赖数据，另一方面依赖包括专用智能芯片在内的硬件和软件支持。
最后，与数据和算法的专用性相适应，算力同样具有专用性。但是相对于数据生态和算法，专用性程度相对较低。与核心产业部门相比，传统产业的改造一般更多地属于物联网技术应用范围。因为数据的非结构性和算法的特殊性，更多地使用边缘计算和雾计算。作为通用的云计算能力，往往被作为外部资源与边缘和雾计算资源的融合运用。 同时，人工智能通用技术在改造传统产业的过程中，主导者通过构建包括数据生态、算法和算力在内的价值网络Ⅱ，获取持续竞争优势。从主导企业的角度看，引入人工智能技术改造传统产业的过程实质上是在实施创新型竞争战略的过程，目标是摧毁作为传统产业竞争优势的原有技术体系。一旦某个或若干企业获得成功，所形成的技术优势将会迅速改造传统产业，形成新产品、新业态和新模式。
在人工智能技术改造传统产业的过程中，为了解决数据生态、算法和算力的专用性问题，形成了价值网络Ⅱ。价值网络Ⅱ包括人工智能改造传统产业过程中所需要的人工智能核心产业部门企业、大学、科研机构和传统产业的公司，是多元创新主体协同的过程。
价值网络Ⅱ和价值网络Ⅰ之间是相互交融的。其中，作为智能经济核心产业部门的价值网络Ⅰ以基础和技术层企业为主导，同样通过多元创新主体的协同实现包含通用人工智能数据生态、算法和算力在内的通用技术体系的形成和发展。价值网络Ⅱ的主导者通过与价值网络Ⅰ内部创新主体和包括大学、科研院所和初创企业在内的创新主体共同推动特定产业专用性的人工智能技术体系的形成和发展。价值网络Ⅱ的构建过程是多元创新主体协同创新的过程，与价值网络Ⅰ的根本区别是协同创新的主体更加多元化和专业化。
价值网络Ⅱ的创新主体首先是传统产业的企业，因为人工智能技术的应用过程本身就是传统产业内部企业采用人工智能技术的过程。但是在传统产业内部，企业采用人工智能技术是非均衡的。至少包括两类企业：一是积极吸收和采用人工智能技术的企业;二是被动吸收和采用人工智能技术的企业。其中积极吸收和采用人工智能技术的企业既可能成为产业创新性竞争的胜出者，同时也可能因为市场的不确定性面临失败的风险。
价值网络Ⅱ的创新主体同样包括拥有人工智能前沿技术的大学和科研院所。大学和科研院所通过向传统企业赋能人工智能技术一方面推动传统产业的智能化，另一方面获取非竞争性经费，支持大学和科研机构的研究工作。
价值网络Ⅰ中的基础层、技术层企业和人工智能新创企业同样构成了价值网络Ⅱ的创新主体。首先，基础层和技术层企业为人工智能在特定产业的应用提供基础设施、算法和算力服务;其次，人工智能初创企业通过新的算法和数据分析技术的创新不断推动人工智能技术在传统产业的应用。
因而，与价值网络Ⅰ相比，价值网络Ⅱ的创新生态系统具有更高的开放性和专业性。创新生态系统的开放性不仅表现为价值网络Ⅱ的创新主体更加多元，而且包括国际范围的开放性。在改造传统产业的过程中，价值网络Ⅱ不仅需要国内的通用人工智能技术体系创新资源，而且更需要国际人工智能技术体系的通用和专用资源。而专业性则是指人工智能技术体系与具体应用场景融合过程中特定产业专用性技术体系的形成和发展。
推论1：在价值网络Ⅱ的构建过程中，涉及的创新主体是多元的，不仅包括传统产业的企业，而且包括价值网络Ⅰ的基础层、技术层和新创企业。通过多元创新主体的协同，共同推动人工智能通用技术体系与传统产业的融合，形成专用人工智能技术体系。因而，与核心产业部门相比，融合部门的技术体系具有更强的开放性和专用性。
本文研究的重要发现是人工智能技术在改造传统产业的过程中形成的技术体系的专用性程度，是决定人工智能技术应用领域和范围扩张的决定变量。技术体系的专用性程度不仅表现在数据生态，而且表现在算法和算力基本方面。特定产业应用领域人工智能技术体系的专用性是指，在改造特定产业过程中所形成的人工智能技术体系仅仅能够在所在产业应用。特定产业人工智能技术体系的专用性不仅决定了谁将成为价值网络Ⅱ的主导者，而且决定了人工智能技术应用于特定产业领域的可能空间。
价值网络Ⅰ的主导者是位于基础和技术层的平台企业。它们往往没有动力直接改造专用性程度高的传统产业。因为难以获得特定产业的数据生态优势，平台企业更愿意通过与传统产业合作、培养相关技术企业和开发者向传统产业赋能。因为传统产业技术体系的特殊性，价值网络Ⅰ的创新主体很难成为主导者。价值网络Ⅰ的创新主体一方面通过与传统产业企业的合作，向传统产业赋能，另一方面通过包括独角兽和新创企业推动人工智能技术的应用。因而，价值网络Ⅱ的主导者是传统产业内部企业。
在传统企业主导的价值网络Ⅱ的构建过程中，主导企业首先与大学和科研院所合作展开研究。与价值网络Ⅰ内部的平台企业相比，大学和科研院所具有更强的基础研究能力。通过与大学和科研院所的合作，价值网络Ⅱ的主导企业能够吸收到前沿研究技术成果。
其次，价值网络Ⅱ的主导企业在算法上往往更多地倾向与中小型和微型人工智能企业合作。其中，与独角兽的合作是算法合作的重要对象。与平台企业不同，独角兽企业往往聚焦于专用性算法技术。同时，只有把研究的算法资源应用于特定的产業，才能够获得快速的成长和发展。
再次，价值网络Ⅱ的主导者与新创企业的合作主要集中在与算法和数据分析相关的人工智能领域。因为新创企业更有积极性通过与传统企业的合作，获得生存和发展空间。
最后，在云计算资源和通用算法方面，价值网络Ⅱ的主导者与平台企业展开合作。云计算能力是在消费互联网发展的基础上建立起来的，对于特定产业的传统企业而言，没有足够的技术和资金实力投资云计算技术，更有效的选择是利用平台企业现有云计算资源。同时，在开发传统产业的专用性算法的过程中，价值网络Ⅱ的创新主体往往通过购买平台企业现有的技术模块搭建产业内部的技术体系。
推论2：在融合产业部门价值网络Ⅱ的构建过程中，究竟由谁主导取决于特定产业人工智能技术体系专用性程度的高低。人工智能技术体系的专用性程度越高，价值网络Ⅱ的主导者是现有产业企业的可能性越大。
人工智能技术体系的专用性不仅决定着价值网络Ⅱ的主导者究竟是谁，而且决定着产业应用的层次、水平和范围。因为人工智能技术体系专用性程度高意味着价值网络Ⅱ的构建面临着更高的不确定性和创新的高成本约束。 从应用领域看，人工智能首先应用于以电子商务、即时通信和社交为代表的互联网率先发展的领域。之所以在互联网率先发展的产业人工智能技术能够获得应用，主要是因为这些领域的数据、算法和算力具有更强的通用性，而不是专用性。尤其是电子商务领域，因为不涉及复杂的生产过程，数据是结构化的，有利于通用算法和算力的形成和发展。
在人工智能技术随后应用的新媒体和数字内容领域同样因为技术体系专用性程度较低，实现了快速的发展。尽管跨媒体智能存在着一定的技术壁垒，但是算法的快速进步使人工智能技术体系同样快速建立起来。
在人工智能技术近期快速推进的领域中，智能安防同样属于拥有数据优势的产业。经过二十多年的发展，我国建成海量的城市监控系统，为数据采集和结构化处理奠定了基础。随着结构化数据技术的进步，在智慧城市和安防领域的数据生态系统已经建立。同时，边缘计算和雾计算能力的提升，进一步推动了智能安防技术在更广泛领域的应用。
但是当人工智能技术应用于智能制造领域时，则面临着前所未有的困难。其中的关键原因是在制造业领域很难在短期内形成数据生态优势。
首先，制造业是一个高度复杂，设备高度专用性的复杂系统。因为不同企业所使用的设备来自不同的企业，甚至不同国家的企业，设备之间的操作系统缺乏通用标准。其次，制造系统不仅涉及最终产品的制造企业，而且涉及原材料在内的诸多供应商系统，每个供应商所使用的设备更是千差万别，供应链系统的数据大量属于异构数据。最后，制造业属于工业互联网，不仅面临算法和算力而且面临数据传输技术专业性的约束。
同样属于制造业，不同的制造业可能面临着不同的技术体系专用性程度。技术体系的专用性程度决定于不同产业制造体系的复杂性程度。制造体系越复杂技术体系的专用性程度越高，越难以实现人工智能技术的应用。
推论3：人工智能技术在不同产业应用的程度决定于技术体系的专用性程度。人工智能技术体系的专用性程度越高，人工智能技术应用于特定产业的成本约束越高。在人工智能专用性技术体系形成和发展过程中，与算法和算力相比，数据生态的专用性更加突出。
六、结论和政策建议
智能经济由两个部门组成：核心产业部门和融合产业部门。而从技术视角看，核心产业部门的技术体系是通用性的，而融合产业部门的技术则是专用性的。因而，人工智能与实体经济的融合表现为运用人工智能通用技术体系改造传统产业形成专用性技术体系的过程。
基于智能经济两部门划分，本文提出了一个人工智能技术如何改造传统产业的简单理论分析框架。本文的研究表明，率先在消费互联网领域得到发展的通用人工智能技术体系在向传统产业渗透的过程中，与特定产业相适应的专用性人工智能技术体系形成和积累的成本约束，不仅决定着人工智能与实体经济融合的程度，而且决定着究竟谁将成为主导者。从基本推理和结论出发，本文对加速我国人工智能与实体经济融合发展提出政策建议。
首先，与核心产业部门发展相比，人工智能与实体经济的融合更加复杂，存在着不同的规律和特点。针对不同产业智能化中存在的问题，需要制定不同的政策。在某种程度上，因为各地的主导和优势产业不同，在产业智能化的过程中应当更多地鼓励地方和产业进行积极探索。
其次，无论是核心产业部门还是融合产业部门，技术创新的重要来源是初创企业。鼓励和支持智能经济领域的“双创”，是发展融合产业部门的关键领域。
最后，因为融合产业部门的主导者究竟是核心产业部门的平台企业还是传统产业的龙头企业，主要取决于技术体系专用性程度的高低。通过制定鼓励和支持人工智能专用技术体系创新和积累的政策体系，尤其是鼓励传统产业龙头企业转型升级为产业智能化平台，对产业的智能化发展至关重要。
注释：
①数据采集的截止日期为2019年2月28日。
②样本企业的核心人力资本主要包括企业创始人、联合创始人、CEO和副经理在内的高管。
③传统产业上市公司进入人工智能领域时间的依据主要是包括人工智能初企业收购、企业进入人工智能领域战略调整、展开人工智能技术研发和产品智能化事件。
④从核心产业部门智能企业的地域分布看，北京和上海企业数占比排名第一和第二。
⑤一般认为复杂网络具有以下的特征：第一，小世界。就是以简单的模式描述了大多数网络，虽然整体的网络规模很大，但是任意两个节点却有相当短的路径，也就是一类具有较短的平均路径长度又具有较高的聚类系数的网络的总称。第二，集群即集聚程度的概念。所谓集聚程度就是网络集团化的程度，这是一种网络的内聚倾向。连通集团概念反应的是一个大网络中各集聚的小网络分布和相互联系的状况。第三，幂律的度分布概念，也就是少数节点拥有大量链接，度数中心度较高，大多数节点拥有少链接，度数中心度较低。
⑥度数中心度（Degree Centrality）：与样本节点直接相连的其他节点的个数，是用来刻画网络分析中节点的中心性的指标。度数中心度越高的节点與其直接相连的边数也越多，代表带节点在创新网络中拥有更多的技术、资金等层面的合作关系，其相对活跃度和重要程度也就越高。
⑦接近中心度（Closeness Centrality），是一种针对不受他人控制的测度。一个点的接近中心度是该点与图中其他点的捷径距离之和。如果有一个点与网络中其他所有点的距离都很短，则称该点具有较高的接近中心度。
⑧“中介人”指的是向一个位置发送资源，却从另外一个位置得到资源的行动者，其往往可以通过自己掌握的不同群落中的信息优势转换为社会资本优势，从而获取利益。根据中介人扮演的角色的不同，可以分为：协调人、顾问、守门人、代理人和联络人。
⑨ 例如，阿里巴巴和科大讯飞。
⑩此处融资仅统计非公开发行的融资情况。 ？輥？輯？訛本图对技术输入按照技术领域进行划分，基于技术来源为投资的占比进行绘制。如在所有的技术输入关系中，共有46条关系是对计算机视觉技术的输入，其中有12条关系是通过收购的方式获取的，那么在计算机视觉技术的获取中，投资收购的占比为13.79%。
参考文献：
[1]中国互联网络发展状况统计报告[EB/OL].http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201902/P020190318523029756345.pdf，2019-03-20.
[2] 克里斯托夫·弗里曼. 技术政策与经济绩效：日本国家创新系统的经验[M]. 张宇轩，译. 南京：东南大学出版社， 2008.
[3] 卡萝塔·佩蕾丝. 技术革命与金融资本[M]. 田方萌，胡叶青， 刘然， 王黎民，译. 北京：中国人民大学出版社， 2007.82.
[4]伯特. 结构洞：竞争的社会结构[M]. 上海：格致出版社，2008.
Abstract： The intelligent economy includes the core industry sector and the integrated industry sector. The integrated industry sector is a new industry field， including new technology， new products， new models and new formats created in the process of the integration of artificial intelligence and real economy. With the maturity of the core technology and products of artificial intelligence， the development of integrated industry sector has become the forefront of the development of intelligent economy. Unlike the core industry departments and the specific industry application scenarios， the technology system of the integrated industry departments has the characteristics of specialization. In line with specific industrial application scenarios， the degree of technical system specificity not only determines the difficulty of the integration of artificial intelligence and real economy， but also determines who is the leader of the integration of industrial sector development. It will also promote the technological innovation and development of the core industrial sector. The positive interaction between the two industrial sectors jointly promotes the rapid growth of the intelligent economy and the pace of economic transformation and upgrading.
Key words： intelligent economy; core industry sector; integrated industry sector; general technology system; special technology system
責任编辑：任学新
关键词：智能经济;核心产业部门;融合产业部门;通用技术体系;专用技术体系
中图分类号：F49 文献标识码：A 文章编号：1003-1502（2020）01-0038-18
一、引言
智能科技产业的发展源于中国经济转型过程中创造的智能化需求。改革开放以来，充分抓住第三次工业革命带来的经济全球化机遇，通过市场取向的改革开放政策，我国实现了加速工业化，发展为全球第二大经济体，被誉为“中国奇迹”。随着国内外市场条件的变化、要素成本的上涨和环境约束的加强，如何实现从要素驱动向创新驱动的转型升级，是经济发展的方向和目标。而智能科技的产业化和产业的智能化，是实现经济转型升级和高质量发展的内生动力。
智能经济包括两个基本组成部分：核心产业部门和融合产业部门。其中核心产业部门主要是指研发和生产人工智能核心技术和产品的产业领域，主要产出的是作为“关键生产要素”的数据、算力和算法。而融合产业部门则是指人工智能与经济和社会融合过程中创造的新技术、新产品、新模式和新业态。
我国智能经济核心产业部门的兴起源于互联网发展过程中对智能化的迫切需求，是消费互联网快速发展的结果。截至2018年12月，我国网民规模达8.29亿，普及率达59.60%，手机网民规模达8.17亿，占网民总数的98.60%，农村网民规模达2.22亿，占网民总数的26.70%。2018年互联网应用保持快速增长，其中网络新闻用户规模达6.75亿元，较2017年底增长4.3%;网络购物用户规模达6.10亿，较2017年底增长14.40%[1]。如果说在门户网站为主导的互联网1.0时代，中国仅仅是追随者，那么在手机APP为主导的互联网2.0时代，我国已经成为引领者。
为适应消费互联网的智能化需求，中国智能经济的核心产业部门实现了快速发展。在互联网2.0阶段，为了实现交易中供给和需求的精准匹配，尤其是支付过程中的身份验证，人工智能实现了快速发展。随着人工智能关键技术的成熟和核心产业部门的发展，人工智能开始与实体经济深度融合。随着包括5G在内的新基础设施建设的加快，融合产业部门的发展及其与核心产业部门的良性互动，将推动智能经济步入新的发展阶段。
人工智能与实体经济融合的过程中，除了包括阿里巴巴、百度、腾讯和华为在内的平台企业之外，由传统上市公司转型而来的智能企业发挥着重要作用。依托市场和技术优势，传统产业的上市公司通过自主研发和与人工智能企业的合作，逐步成为融合产业部门发展的主导者。本文试图通过对融合产业部门上市公司的价值网络分析，揭示人工智能与实体经济深度融合的动力和机制。
二、文献综述
作为第四次工业革命的引擎，人工智能属于通用技术。技术经济范式理论对通用技术如何影响经济和社會发展做出了系统的思考。弗里曼（Freeman，1988）指出，技术经济范式是指现实经济对具备技术可行性的创新对象进行选择，进而在技术、经济和政治之间通过复杂互动形成新范式的过程[2]。
佩蕾丝（Perez，2007）对新技术经济范式的形成过程做出了系统研究[3]。她把通用技术的兴起和扩散划分为“爆发”“狂热”“协同”和“成熟”四个阶段。在爆发阶段，新通用技术和产品创新是由金融资本驱动的。新兴技术的快速兴起和发展给传统技术经济范式带来了强烈的冲击。在狂热阶段，金融资本转向基础设施和技术研发的支持。在这个阶段，新技术经济范式基本形成，并做好了扩张的准备。但是与新技术发展相伴而来的是技术与制度的冲突，需要制度层面的改革和调整。而随着政治和社会变革经验的积累，企业开始适应新技术，经济进入了快速增长阶段，即“协同”和“成熟”阶段。其中，在协同阶段，新技术经济范式开始占据优势。而在成熟阶段，新技术被广泛应用于现有产业，而其带来的投资机会逐步消失。
通用技术与经济社会的融合遵循“新技术→关键生产要素→主导技术群落→技术经济范式”的演进过程。在新技术经济范式的形成和发展过程中，首先是新技术创新和核心产业部门的兴起。核心产业部门的基本功能是创造“关键生产要素”。在弗里曼和佩蕾丝看来，“关键生产要素”是技术经济范式中的“一个特定投入或一组投入”，它可能表现为某种重要的自然资源或工业制成品，它具备三个方面的特征：生产成本的下降性、供应能力的无限性和运用前景的广泛性。
随着核心产业部门的发展，通用技术开始向现有产业渗透，最终形成主导技术群落。在主导技术群落的形成和发展过程中，技术与经济社会相互融合逐步形成新技术经济范式，使经济社会进入新的发展阶段。例如，第三次工业革命以芯片为“关键生产要素”。随着IT和ICT产业的成熟，信息技术开始与经济社会全面融合，创造出20世纪90年代以美国新经济为代表的信息经济范式。
作为新技术经济范式，随着互联网的兴起和发展，数字经济开始显现。对数字经济最早的讨论可以追溯到Don Taspscott《数字经济》一书。在该书中，他系统描述了互联网对经济社会的深刻影响。进入21世纪，随着互联网2.0和物联网的兴起，基于网络空间发展的数字和计算驱动的智能经济开始出现，成为数字经济发展的前沿。在2016年召开的G20杭州峰会发布的《二十国集团数字经济发展与合作倡议》中，把数字经济定义为：以使用数字化的知识和信息作为关键生产要素，以现代信息网络作为重要载体，以信息通信技术（ICT）的有效使用作为效率提升和经济结构优化的重要推动力的一系列经济活动。 随着核心技术的逐步成熟，人工智能与实体经济的融合发展是智能经济发展的主导。在2019年3月19日召開的中央全面深化改革委员会第七次会议上审议通过的《关于促进人工智能和实体经济深度融合的指导意见》中指出，“促进人工智能和实体经济深度融合，要把握新一代人工智能发展的特点，坚持以市场需求为导向，以产业应用为目标，深化改革创新，优化制度环境，激发企业创新活力和内生动力，结合不同行业、不同区域特点，探索创新成果应用转化的路径和方法，构建数据驱动、人机协同、跨界融合、共创分享的智能经济形态”。
目前，人工智能与实体经济深度融合的方向和框架已初步制定，但是作为一个复杂系统的演化过程，在人工智能与不同产业的融合过程具有多样化和异质性特征。如何结合不同产业特点，通过多元创新主体协同创新构建专用性技术体系，才能不断推动人工智能与实体经济的深度融合，实现融合产业部门的快速发展。因为涉及与特定行业相关的专用技术体系的形成和积累，究竟谁是人工智能与实体经济深度融合的主导者，如何通过多元创新主体的互动创造与特定产业相关的专用性技术体系，就成为当前理论研究的焦点。
三、研究方法和设计
本文把人工智能与实体经济的深度融合看作是一个复杂适应系统的演化过程，涉及包括智能企业、大学、科研机构、投资者和政府在内的多元创新主体的联系和互动。多元创新主体不仅是技术创新的需求者，而且是技术创新的推动者。依托各自的专业优势，在人工智能与实体经济融合过程中，专用性技术体系的形成和积累是多元创新主体相互联系和协同创新的结果。
基于实际调查作者发现，在多元创新主体的协同创新中，除了平台企业，传统产业的龙头企业往往是人工智能与实体经济融合的主导者。适应产业智能化的需求，传统产业的龙头企业，尤其是上市公司，通过核心技术的自主研发和兼并收购人工智能初创公司的方式，转型升级为智能企业，即融合产业部门的智能企业。作为龙头企业，依托在传统产业积累的竞争优势，尤其是数据生态优势，融合部门占主导的智能企业逐步成为传统产业智能化的引领者。
为了揭示正在展开的人工智能技术和实体经济融合发展的现状和动力机制，本文筛选出50家融合产业部门的智能企业为样本。50家样本企业主要分布在传统制造和安防产业，2000年之后，通过自主研发、人才引进、兼并收购、与其他企业和高校科研机构合作的方式逐步发展为人工智能企业。从实际调查的情况看，样本企业在转型升级过程中，本身就是智能化的需求者，通过智能科技的自主研发和引进，在满足企业内部智能化需求的同时，成为行业智能化技术集成方案提供商。
50家样本企业的采集数据包括属性数据和关系数据①。本文主要通过关系数据的量化分析考察人工智能与实体经济融合的动力和机制。在关系数据的采集和量化分析中，我们把样本企业作为样本节点，把与样本节点发生人力资本、技术和投融资关系的企业、组织和机构称为关系节点。通过样本节点和关系节点发生关系的统计分析，研究人工智能如何与实体经济进行融合、创新和发展。
其中，人力资本关系主要指的是样本企业创始人、联合创始人和核心技术人员的前期学习经历和工作经历②。人力资本关系能够刻画人工智能技术在扩散过程中企业的关键技术人员来自哪些高校、科研机构和企业;技术合作关系，主要指样本节点和关系节点之间存在的技术关系，包括技术输入和技术赋能。其中技术输入指的是关系节点对样本节点的技术支持，而技术赋能则相反，是样本节点对关系节点的技术输出。与人力资本关系相比，技术关系能够更加直接地展现技术扩散和产业化过程中不同创新主体之间的互动关系。投融资关系，主要指的是样本节点和关系节点之间的投资和融资关系。
当样本节点与关系节点之前存在着三个维度中的任何一个维度关系时，赋值为“1”，否则为“0”。通过对样本节点和关系节点之间的互动关系的分析，考察人工智能技术与实体经济的融合动力和机制。本文的数据采集主要来自实际调查和公开资料。
四、融合产业部门的价值网络分析
50家样本企业的属性数据基本上反映出我国智能经济融合产业部门兴起和发展的基本情况。如图1所示，传统产业上市公司进入人工智能领域主要集中在2012-2015年之间③，占比高达68%。从时间分布看，传统产业上市公司转型升级为融合部门的智能企业，与新一代人工智能技术的兴起和产业化进程相伴而行。
从50家样本企业的地域分布看，位列第一的是广东省，占比为26%，位列第二的是浙江省，占比为18%，位列第三的是北京市，占比为16%。融合产业部门智能企业的数量分布不仅与人工智能核心产业部门的发展相关，而且与特定区域传统产业智能化进程直接相关。排名前列的广东和浙江省都是产业智能化的前沿地带④。
在转型升级为智能企业之前，样本企业的产业领域主要分布在传统制造和安防产业。其中，制造业的占比为88%，主要包括通用设备制造，汽车制造，计算机、通信和其他电子设备制造业，专用设备制造业，仪器仪表制造业，金属制品业。传统安防业占比为12%。
在转型升级为智能企业之后，在50家样本企业中，进入智能制造领域的样本企业占比最高，达到40%，其次是智能硬件领域，占比为22%，再次是智能安防领域，占比为12%。其余企业则分布在智能汽车、智能家居、智慧城市、智能医疗和智能教育等领域。在人工智能与传统产业的融合过程中，融合产业部分智能企业的产业领域分布不再局限于原有领域，而是呈现出产业领域的多元化趋势。
传统产业上市公司转型升级为智能企业的方式同样是多元化的，包括自主研发、兼并收购人工智能初创企业、与人工智能企业和机构合作研发和人才引进获得人工智能核心技术和产品。其中，自主研发占比为30%，位列第一，其次是与其他企业合作研发，占比为25%，再次是与高校和科研院所的合作研发，占比为22%，兼并收购占比为21%，位列第四。在合作研发中，企业往往通过与高校、科研院所和人工智能企业成立联合实验室、共建新型研发机构和联合成立子公司的方式展开深入的技术合作。 （一）融合产业部门价值网络的基本结构
将采集的50家样本企业的关系数据输入社会网络分析软件Gephi.9.2，本文得到由2728个节点和3239条边（关系）所组成的我国智能经济融合产业部门价值网络拓扑结构图（如图2所示）。表2 列出了融合产业部门价值网络的结构统计指标。基于50家样本节点的价值网络的节点数达到2728，是样本节点数的54.56倍，充分说明样本节点具有很高的活跃度。同时，包括平均度、网络直径、平均聚类系数、模块化系数和平均路径长度在内的结构性指标表明，融合产业部门的价值网络属于典型的复杂网络⑤。
如图3 所示，融合产业部门价值网络节点的度数中心度分布表现出明显的幂率分布特征，即少数关键节点具有较高的度数中心度⑥。因而，在融合产业部门的价值网络中，度数中心度高的少数关键节点是价值网络的核心，在人工智能与实体经济的融合发展中发挥着主导作用。
图4和图5分别列出了融合产业部门价值网络节点的接近中心度⑦和关系节点度数中心度的排序情况。价值网络节点的接近中心度越高，代表节点离其他节点越近，连接范围越广，在价值网络中的重要性越高。在接近中心度最高的节点中，不仅包括海康威视、联想集团和青岛海尔在内的样本节点，而且包括华为和百度在内的关系节点。这些节点都处于价值网络的中心，是人工智能与实体经济融合的主导者。图5 刻画了关系节点度数中心度排序。度数中心度排名前列的关系节点，是人工智能与实体经济融合发展的关键支撑，为融合产业部门的发展提供人力资本、技术和资本支持。
在融合产业部门构成的人工智能科技产业价值网络中，活跃度较高的关系节点主要包括三类。第一类是包括中国科学院、浙江大学、上海交通大学和北京大学在内的大学和科研院所。作为创新主体，大学和科研院所在人工智能科技产业的发展中主要从事基础研究和人才培养活动，通过提供人力资本和技术输出赋能人工智能企业。例如，在中国科学院的赋能关系中，47.83%是核心人力资本的输出。同时，与人工智能企业建立联合实验室和新型研发机构同样构成了大学和科研院所技术输出的重要方式。
第二类关系节点是以华为、百度、腾讯、阿里巴巴、微软和商汤科技为代表的核心产业部门中的平台和核心技术企业。依托在人工智能核心技术领域的研发和产业化优势，平台和核心技术企业通过与融合产业部门人工智能企业的技术、资本和人力资本合作，推动人工智能技术与实体经济的融合发展。
第三类关系节点是以建设银行、美的集团、国家电网和中国石化为代表的传统产业智能化需求方。作为智能企业的赋能对象，包括金融和制造业行业在内的传统企业在转型升级过程中创造出巨大的智能化需求，为人工智能技术的落地提供了广泛的应用场景。
图5列出了融合产业部门价值网络关系节点数度中心度排序情况（柱形图显示出人力资本、技术和资本关系占比）。其中，排名前幾位的关系节点不仅存在着技术输出关系，而且存在着人力资本输出关系。
为了更清楚地分析融合产业部门重要节点在价值网络中的作用，图6列出了节点的中间中心度指标的排序情况。中间中心度指标衡量的是价值网络节点发挥“结构洞”的能力。伯特（Burt，1992）认为，结构洞是指两个行动者之间的非冗余的联系[4]。占据“结构洞”位置的网络节点能够为中间人创造获取网络“信息利益”和“控制利益”的机会，因而，“结构洞”往往构成了网络中介人的社会资本[5]。
从融合产业部门价值网络节点的中间中心度排序看，位于前列的主要是包括联想集团和海康威视在内的样本节点。这充分说明，作为传统产业的上市公司，样本节点通过与多元创新主体的协同，充当“结构洞”角色，推动人工智能与实体经济的融合发展。同时，中间中心度排名靠前的关系节点是以阿里巴巴在内的平台企业和以中国科学院为代表的科研机构，在推动人工智能与实体经济融合发展过程中，平台和重要科研机构同样发挥着“结构洞”作用。
对融合产业部门价值网络结构性指标的分析表明，人工智能与实体经济的融合涉及多元创新主体的互动和协同创新。多元创新主体的互动和协同创新一方面会创造出包括联合实验室在内的新型复杂组织，另一方面会创造出新技术、新产品、新模式和新业态。同时，人工智能与实体经济的融合发展同样会带动包括大学、科研机构和中介组织在内的创新主体的发展，尤其是创造出以人工智能新兴学科为代表的创新领域和方向。因而，人工智能与实体经济的融合产业部门的发展，通过创造新的价值创造部门和提高经济系统知识分工的复杂性，成为经济发展新的动力来源。
（二） 关系数据分析
表3列出基于50家融合产业部门智能样本企业价值网络关系数据的分类统计结果。从人力资本关系来看，融合产业部门智能企业核心人力资本的前期学习和工作经验主要来自国内企业、高校和科研院所，占比分别为82.43%和91.96%。从技术关系看，技术输入和赋能占比分别为29%和71%，样本企业的技术赋能远高于技术输入，是融合产业部门的主要赋能者。与人力资本关系相同，无论是样本企业的技术输入还是技术赋能，主要来自国内企业和机构。从投资关系看，样本企业投资关系占总投融资关系的86.76%。从总体看，作为人工智能与实体经济融合发展的主导者，传统产业上市公司转型升级而来的智能企业既是主要赋能者又是投资者。
50家样本企业的核心人力资本主要毕业于国内的高校和科研院所，其中清华大学、浙江大学、哈尔滨工业大学、中国科学院和上海交通大学是排名前列的机构。前期工作经验的获取同样主要来自国内的企业和机构，其中中国科学院、清华大学、哈尔滨工业大学和华中科技大学排名前列，这充分说明在计算机、软件和人工智能领域具有基础研究优势的大学和科研院所在融合产业部门中发挥至关重要的作用。就国外工作经验而言，融合产业部门智能样本企业主要来自包括微软和谷歌在内的跨国公司研究机构。
图7列出了50家样本企业技术输入关系节点的类型分布情况。融合产业部门的人工智能技术主要来源于国内企业，占比为52%，其次是国内高校科研院所，占比为27%，排名第三的是国外企业，占比为18%，国内专业人才的引进排名第四，占比为1%。技术来源的主要国外企业是微软和英特尔。 从作为技术输入者的国内企业的类型分布看，融合产业部门的技术输入者主要是核心产业部门的人工智能初创企业，占比为16%，其次是初始人工智能上市公司⑨，占比为16%，排名第三和第四的分别是非初创人工智能技术公司和独角兽公司，占比为10%和7%。
除了企业，大学和科研院所同样在人工智能与实体经济的融合发展过程中成为关键技术输入者。依托在基础研究领域的优势，包括清华大学、浙江大学、中国科学院、北京大学、上海交通大学和哈尔滨工业大学在内的大学和科研院所成为融合产业部门的技术输入者和创新主体。
尤其值得关注的是，大学和科研机构对融合产业部门的技术赋能常常以与企业和地方政府成立联合实验室和新型研发机构的方式实现。例如，清华大学近年来分别与阿里巴巴成立“自然交互体验联合实验室”、与腾讯成立互联网创新技术联合实验室、与好未来成立智能教育信息技术联合研究中心，共同推动人工智能技术的产业化落地。
从技术输入分类看，如图8所示，人工智能对传统产业的改造主要依赖算法和算力领域的技术输入。其中，大数据和云计算、芯片、计算机视觉排在前三位，占比分别为25.87%、13.37%和13.37%。以计算机视觉、自然语言处理、生物识别、无人驾驶和机器人技术为代表的人工智能核心算法，在技术输入中的占比达到31.98%，超过大数据和云计算。
从实际调查的情况看，融合部门的技术输入类型反映了人工智能与实体经济融合的基础是数据生态。因为产业的数据生态化是智能化的前提和基础。无论是大数据和云计算技术还是芯片和计算机识别技术的引入首先是解决产业的数据化问题。只有出现产业数据化和数据生态环境，才能进一步通过算法和其他技术的引进实现产业的智能化。
在融合产业部门样本企业的投融资关系看，如图9所示，投资关系占据主导。从投融资关系发生的产业领域看，智能制造领域智能企业的融资关系数占比最高，为5%，投资关系数占比为19%。在投资关系数占比上，智能硬件最高，达到27%，融资关系数占比则为2%。其中，投资关系最为活跃的样本节点为小米科技和联想集团。通过对人工智能初创企业的大量投资活动，小米科技和联想集团努力构筑智能硬件产业生态系统。
从技术获取的方式看，包括投资收购和合作研发两种类型。如图10所示，硬件、机械控制及自动化技术主要通过融合产业部门智能企业收购方式获取。无人驾驶、生物识别、数据分析、计算机视觉等人工智能核心技术的融合则主要是以企业合作研发为主导。在大数据和云计算、芯片研发、自然语言处理技术领域，因为技术主导者均为开放创新平台，更容易通过合作研发和市场购买获取。
融合产业部门价值网络的分析表明，人工智能与实体经济的融合表现为新的复杂创新网络的形成和发展过程。作为技术输入者，融合产业部门的技术不仅来自核心产业部门的平台企业、独角兽和初创企业，而且包括大学和科研院所。同时，融合产业部门不仅是人工智能技术的输入者，同时也是创新者。尤其是作为传统产业龙头企业的上市公司，依托在传统产业的竞争优势，在转型升级为智能企业之后，逐步成为产业智能化的主导者。
五、模型和推论
为了分析人工智能与实体经济融合的动力和机制，本文首先把智能经济划分为核心产业部门和融合产业部门。其中，核心产业部门是指作为“关键生产要素”的数据和计算的生产部门，主要从事人工智能核心技术和产品的研发和生产。融合产业部门则是指人工智能与实体经济融合过程中创造的新兴产业部门。基于智能经济的两部门划分，为了分析如何利用核心产业部门的人工智能技术改造传统产业，创造融合产业部门发展的动态过程，本文首先做出三个前提假设。
首先，核心产业部门在融合产业部门出现之前就已经存在，即核心产业部门的发展先于融合产业部门。
其次，核心产业部门包括数据、算法和算力在内的人工智能技术属于通用技术体系。在与特定产业融合过程中，因每个产业都拥有特殊的数据生态，通用技术体系在运用于特定产业过程中，将创造出包括数据、算法和算力在内的专用技术体系。因而，人工智能与实体经济融合的进程表现为专用性技术体系的形成和发展过程。
最后，融合产业部门的出现表现为新价值网络的形成和发展过程。与核心产业部门的价值网络相比，与技术体系的专用性程度相关，价值网络的主导者更多地來自具有传统产业优势的行业领导者。
在上述三个前提假设的基础上，如图11所示，本文构建了一个简单的人工智能改造传统产业的理论分析框架。图的左半部分价值网络Ⅰ是指在改造传统产业之前的人工智能通用技术体系，即核心产业部门的价值网络。价值网络Ⅰ的创新主体包括大学、科研机构、基础层和技术层企业，构成了智能经济的核心产业部门。从技术的视角看，智能经济核心产业部门包括三个基本组成部分：数据生态、算力和算法。其中的数据生态Ⅰ、算法Ⅰ和算力Ⅰ三者相互匹配，共同构成核心产业部门的通用技术体系。
人工智能技术改造传统产业始于具体应用场景的开放。因为传统产业本身是一个相对独立的系统，人工智能技术对它的改造表现为通过技术体系如何应用于具体场景的过程。首先，人工智能技术在应用于传统产业的过程中要创造符合产业发展应用场景的数据生态，只有获取实时在线和可共享的数据才能形成适应传统产业的算法和算力。作为人工智能技术体系的关键资产，数据生态的专用性程度是人工智能技术与具体应用场景结合难易程度的关键因素，同时也决定了谁将是新的价值网络Ⅱ的主导者。
其次，在形成传统产业数据生态的基础上，在产业内部将形成专用性的算法资源。算法资源和优势的形成一方面依赖数据，另一方面依赖包括专用智能芯片在内的硬件和软件支持。
最后，与数据和算法的专用性相适应，算力同样具有专用性。但是相对于数据生态和算法，专用性程度相对较低。与核心产业部门相比，传统产业的改造一般更多地属于物联网技术应用范围。因为数据的非结构性和算法的特殊性，更多地使用边缘计算和雾计算。作为通用的云计算能力，往往被作为外部资源与边缘和雾计算资源的融合运用。 同时，人工智能通用技术在改造传统产业的过程中，主导者通过构建包括数据生态、算法和算力在内的价值网络Ⅱ，获取持续竞争优势。从主导企业的角度看，引入人工智能技术改造传统产业的过程实质上是在实施创新型竞争战略的过程，目标是摧毁作为传统产业竞争优势的原有技术体系。一旦某个或若干企业获得成功，所形成的技术优势将会迅速改造传统产业，形成新产品、新业态和新模式。
在人工智能技术改造传统产业的过程中，为了解决数据生态、算法和算力的专用性问题，形成了价值网络Ⅱ。价值网络Ⅱ包括人工智能改造传统产业过程中所需要的人工智能核心产业部门企业、大学、科研机构和传统产业的公司，是多元创新主体协同的过程。
价值网络Ⅱ和价值网络Ⅰ之间是相互交融的。其中，作为智能经济核心产业部门的价值网络Ⅰ以基础和技术层企业为主导，同样通过多元创新主体的协同实现包含通用人工智能数据生态、算法和算力在内的通用技术体系的形成和发展。价值网络Ⅱ的主导者通过与价值网络Ⅰ内部创新主体和包括大学、科研院所和初创企业在内的创新主体共同推动特定产业专用性的人工智能技术体系的形成和发展。价值网络Ⅱ的构建过程是多元创新主体协同创新的过程，与价值网络Ⅰ的根本区别是协同创新的主体更加多元化和专业化。
价值网络Ⅱ的创新主体首先是传统产业的企业，因为人工智能技术的应用过程本身就是传统产业内部企业采用人工智能技术的过程。但是在传统产业内部，企业采用人工智能技术是非均衡的。至少包括两类企业：一是积极吸收和采用人工智能技术的企业;二是被动吸收和采用人工智能技术的企业。其中积极吸收和采用人工智能技术的企业既可能成为产业创新性竞争的胜出者，同时也可能因为市场的不确定性面临失败的风险。
价值网络Ⅱ的创新主体同样包括拥有人工智能前沿技术的大学和科研院所。大学和科研院所通过向传统企业赋能人工智能技术一方面推动传统产业的智能化，另一方面获取非竞争性经费，支持大学和科研机构的研究工作。
价值网络Ⅰ中的基础层、技术层企业和人工智能新创企业同样构成了价值网络Ⅱ的创新主体。首先，基础层和技术层企业为人工智能在特定产业的应用提供基础设施、算法和算力服务;其次，人工智能初创企业通过新的算法和数据分析技术的创新不断推动人工智能技术在传统产业的应用。
因而，与价值网络Ⅰ相比，价值网络Ⅱ的创新生态系统具有更高的开放性和专业性。创新生态系统的开放性不仅表现为价值网络Ⅱ的创新主体更加多元，而且包括国际范围的开放性。在改造传统产业的过程中，价值网络Ⅱ不仅需要国内的通用人工智能技术体系创新资源，而且更需要国际人工智能技术体系的通用和专用资源。而专业性则是指人工智能技术体系与具体应用场景融合过程中特定产业专用性技术体系的形成和发展。
推论1：在价值网络Ⅱ的构建过程中，涉及的创新主体是多元的，不仅包括传统产业的企业，而且包括价值网络Ⅰ的基础层、技术层和新创企业。通过多元创新主体的协同，共同推动人工智能通用技术体系与传统产业的融合，形成专用人工智能技术体系。因而，与核心产业部门相比，融合部门的技术体系具有更强的开放性和专用性。
本文研究的重要发现是人工智能技术在改造传统产业的过程中形成的技术体系的专用性程度，是决定人工智能技术应用领域和范围扩张的决定变量。技术体系的专用性程度不仅表现在数据生态，而且表现在算法和算力基本方面。特定产业应用领域人工智能技术体系的专用性是指，在改造特定产业过程中所形成的人工智能技术体系仅仅能够在所在产业应用。特定产业人工智能技术体系的专用性不仅决定了谁将成为价值网络Ⅱ的主导者，而且决定了人工智能技术应用于特定产业领域的可能空间。
价值网络Ⅰ的主导者是位于基础和技术层的平台企业。它们往往没有动力直接改造专用性程度高的传统产业。因为难以获得特定产业的数据生态优势，平台企业更愿意通过与传统产业合作、培养相关技术企业和开发者向传统产业赋能。因为传统产业技术体系的特殊性，价值网络Ⅰ的创新主体很难成为主导者。价值网络Ⅰ的创新主体一方面通过与传统产业企业的合作，向传统产业赋能，另一方面通过包括独角兽和新创企业推动人工智能技术的应用。因而，价值网络Ⅱ的主导者是传统产业内部企业。
在传统企业主导的价值网络Ⅱ的构建过程中，主导企业首先与大学和科研院所合作展开研究。与价值网络Ⅰ内部的平台企业相比，大学和科研院所具有更强的基础研究能力。通过与大学和科研院所的合作，价值网络Ⅱ的主导企业能够吸收到前沿研究技术成果。
其次，价值网络Ⅱ的主导企业在算法上往往更多地倾向与中小型和微型人工智能企业合作。其中，与独角兽的合作是算法合作的重要对象。与平台企业不同，独角兽企业往往聚焦于专用性算法技术。同时，只有把研究的算法资源应用于特定的产業，才能够获得快速的成长和发展。
再次，价值网络Ⅱ的主导者与新创企业的合作主要集中在与算法和数据分析相关的人工智能领域。因为新创企业更有积极性通过与传统企业的合作，获得生存和发展空间。
最后，在云计算资源和通用算法方面，价值网络Ⅱ的主导者与平台企业展开合作。云计算能力是在消费互联网发展的基础上建立起来的，对于特定产业的传统企业而言，没有足够的技术和资金实力投资云计算技术，更有效的选择是利用平台企业现有云计算资源。同时，在开发传统产业的专用性算法的过程中，价值网络Ⅱ的创新主体往往通过购买平台企业现有的技术模块搭建产业内部的技术体系。
推论2：在融合产业部门价值网络Ⅱ的构建过程中，究竟由谁主导取决于特定产业人工智能技术体系专用性程度的高低。人工智能技术体系的专用性程度越高，价值网络Ⅱ的主导者是现有产业企业的可能性越大。
人工智能技术体系的专用性不仅决定着价值网络Ⅱ的主导者究竟是谁，而且决定着产业应用的层次、水平和范围。因为人工智能技术体系专用性程度高意味着价值网络Ⅱ的构建面临着更高的不确定性和创新的高成本约束。 从应用领域看，人工智能首先应用于以电子商务、即时通信和社交为代表的互联网率先发展的领域。之所以在互联网率先发展的产业人工智能技术能够获得应用，主要是因为这些领域的数据、算法和算力具有更强的通用性，而不是专用性。尤其是电子商务领域，因为不涉及复杂的生产过程，数据是结构化的，有利于通用算法和算力的形成和发展。
在人工智能技术随后应用的新媒体和数字内容领域同样因为技术体系专用性程度较低，实现了快速的发展。尽管跨媒体智能存在着一定的技术壁垒，但是算法的快速进步使人工智能技术体系同样快速建立起来。
在人工智能技术近期快速推进的领域中，智能安防同样属于拥有数据优势的产业。经过二十多年的发展，我国建成海量的城市监控系统，为数据采集和结构化处理奠定了基础。随着结构化数据技术的进步，在智慧城市和安防领域的数据生态系统已经建立。同时，边缘计算和雾计算能力的提升，进一步推动了智能安防技术在更广泛领域的应用。
但是当人工智能技术应用于智能制造领域时，则面临着前所未有的困难。其中的关键原因是在制造业领域很难在短期内形成数据生态优势。
首先，制造业是一个高度复杂，设备高度专用性的复杂系统。因为不同企业所使用的设备来自不同的企业，甚至不同国家的企业，设备之间的操作系统缺乏通用标准。其次，制造系统不仅涉及最终产品的制造企业，而且涉及原材料在内的诸多供应商系统，每个供应商所使用的设备更是千差万别，供应链系统的数据大量属于异构数据。最后，制造业属于工业互联网，不仅面临算法和算力而且面临数据传输技术专业性的约束。
同样属于制造业，不同的制造业可能面临着不同的技术体系专用性程度。技术体系的专用性程度决定于不同产业制造体系的复杂性程度。制造体系越复杂技术体系的专用性程度越高，越难以实现人工智能技术的应用。
推论3：人工智能技术在不同产业应用的程度决定于技术体系的专用性程度。人工智能技术体系的专用性程度越高，人工智能技术应用于特定产业的成本约束越高。在人工智能专用性技术体系形成和发展过程中，与算法和算力相比，数据生态的专用性更加突出。
六、结论和政策建议
智能经济由两个部门组成：核心产业部门和融合产业部门。而从技术视角看，核心产业部门的技术体系是通用性的，而融合产业部门的技术则是专用性的。因而，人工智能与实体经济的融合表现为运用人工智能通用技术体系改造传统产业形成专用性技术体系的过程。
基于智能经济两部门划分，本文提出了一个人工智能技术如何改造传统产业的简单理论分析框架。本文的研究表明，率先在消费互联网领域得到发展的通用人工智能技术体系在向传统产业渗透的过程中，与特定产业相适应的专用性人工智能技术体系形成和积累的成本约束，不仅决定着人工智能与实体经济融合的程度，而且决定着究竟谁将成为主导者。从基本推理和结论出发，本文对加速我国人工智能与实体经济融合发展提出政策建议。
首先，与核心产业部门发展相比，人工智能与实体经济的融合更加复杂，存在着不同的规律和特点。针对不同产业智能化中存在的问题，需要制定不同的政策。在某种程度上，因为各地的主导和优势产业不同，在产业智能化的过程中应当更多地鼓励地方和产业进行积极探索。
其次，无论是核心产业部门还是融合产业部门，技术创新的重要来源是初创企业。鼓励和支持智能经济领域的“双创”，是发展融合产业部门的关键领域。
最后，因为融合产业部门的主导者究竟是核心产业部门的平台企业还是传统产业的龙头企业，主要取决于技术体系专用性程度的高低。通过制定鼓励和支持人工智能专用技术体系创新和积累的政策体系，尤其是鼓励传统产业龙头企业转型升级为产业智能化平台，对产业的智能化发展至关重要。
注释：
①数据采集的截止日期为2019年2月28日。
②样本企业的核心人力资本主要包括企业创始人、联合创始人、CEO和副经理在内的高管。
③传统产业上市公司进入人工智能领域时间的依据主要是包括人工智能初企业收购、企业进入人工智能领域战略调整、展开人工智能技术研发和产品智能化事件。
④从核心产业部门智能企业的地域分布看，北京和上海企业数占比排名第一和第二。
⑤一般认为复杂网络具有以下的特征：第一，小世界。就是以简单的模式描述了大多数网络，虽然整体的网络规模很大，但是任意两个节点却有相当短的路径，也就是一类具有较短的平均路径长度又具有较高的聚类系数的网络的总称。第二，集群即集聚程度的概念。所谓集聚程度就是网络集团化的程度，这是一种网络的内聚倾向。连通集团概念反应的是一个大网络中各集聚的小网络分布和相互联系的状况。第三，幂律的度分布概念，也就是少数节点拥有大量链接，度数中心度较高，大多数节点拥有少链接，度数中心度较低。
⑥度数中心度（Degree Centrality）：与样本节点直接相连的其他节点的个数，是用来刻画网络分析中节点的中心性的指标。度数中心度越高的节点與其直接相连的边数也越多，代表带节点在创新网络中拥有更多的技术、资金等层面的合作关系，其相对活跃度和重要程度也就越高。
⑦接近中心度（Closeness Centrality），是一种针对不受他人控制的测度。一个点的接近中心度是该点与图中其他点的捷径距离之和。如果有一个点与网络中其他所有点的距离都很短，则称该点具有较高的接近中心度。
⑧“中介人”指的是向一个位置发送资源，却从另外一个位置得到资源的行动者，其往往可以通过自己掌握的不同群落中的信息优势转换为社会资本优势，从而获取利益。根据中介人扮演的角色的不同，可以分为：协调人、顾问、守门人、代理人和联络人。
⑨ 例如，阿里巴巴和科大讯飞。
⑩此处融资仅统计非公开发行的融资情况。 ？輥？輯？訛本图对技术输入按照技术领域进行划分，基于技术来源为投资的占比进行绘制。如在所有的技术输入关系中，共有46条关系是对计算机视觉技术的输入，其中有12条关系是通过收购的方式获取的，那么在计算机视觉技术的获取中，投资收购的占比为13.79%。
参考文献：
[1]中国互联网络发展状况统计报告[EB/OL].http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201902/P020190318523029756345.pdf，2019-03-20.
[2] 克里斯托夫·弗里曼. 技术政策与经济绩效：日本国家创新系统的经验[M]. 张宇轩，译. 南京：东南大学出版社， 2008.
[3] 卡萝塔·佩蕾丝. 技术革命与金融资本[M]. 田方萌，胡叶青， 刘然， 王黎民，译. 北京：中国人民大学出版社， 2007.82.
[4]伯特. 结构洞：竞争的社会结构[M]. 上海：格致出版社，2008.
Abstract： The intelligent economy includes the core industry sector and the integrated industry sector. The integrated industry sector is a new industry field， including new technology， new products， new models and new formats created in the process of the integration of artificial intelligence and real economy. With the maturity of the core technology and products of artificial intelligence， the development of integrated industry sector has become the forefront of the development of intelligent economy. Unlike the core industry departments and the specific industry application scenarios， the technology system of the integrated industry departments has the characteristics of specialization. In line with specific industrial application scenarios， the degree of technical system specificity not only determines the difficulty of the integration of artificial intelligence and real economy， but also determines who is the leader of the integration of industrial sector development. It will also promote the technological innovation and development of the core industrial sector. The positive interaction between the two industrial sectors jointly promotes the rapid growth of the intelligent economy and the pace of economic transformation and upgrading.
Key words： intelligent economy; core industry sector; integrated industry sector; general technology system; special technology system
責任编辑：任学新