从GDP来看，作为当今世界排名前两位的经济体——美国与中国，近五年在人工智能相关产业的竞争更是逐年加剧。
在学术界中，近些年大量学者从不同角度分析人工智能领域相关技术与应用的发展并获得了诸多研究成果。
本文使用的多源数据融合方法是基于统计论的D-S证据推理算法。D-S证据推理算法全称为Dempster-Shafer证据理论推理算法，是由Dempster提出后由他的学生Shafer进一步发展起来的一种不精确推理理论。
D-S证据理论也称信度函数理论，是主观概率（subjectiveprobability）的贝叶斯理论的扩展。
科学计量学是以描述科学发展过程，揭示科学发展内在机理，预测科学发展趋势，为科学管理工作提供支持依据为目的，使用科学计量理论对论文数据、专利数据、基金数据的内外部特征使用量化分析的方法进行研究现状描述、评价与揭示。
由于人工智能程序称为智能代理，是任何能感知其环境并采取行动以最大程度地成功实现其目标的设备，可以与环境进行交互。
机器学习可以使机器在没有明确编程的情况下获得人类般的智能，是计算机系统学习如何执行任务的一种方法。
同时由于科学技术的发展中的里程碑式成果往往是以论文的形式出现，专利作为科研成果的转化落实又会推动科学技术的发展，科研也离不开资金的支持，本文论文数据来源于webofscience核心合集，webofscience是获取全球学术信息的重要数据库平台，其核心合集收录范围涵盖期刊、书籍和会议论文集，全面涵盖了科学、社会科学、艺术和人文科学等学科的一流学术文献数据。
美国论文发布量排名第一，凭借着美国自身领先的计算机技术、强大的科研实力以及最早的研究起步使得其论文发布量远超其它国家，美国的机器学习相关研究基础雄厚。
不过值得注意的是，中国的论文发布量居于世界第二，虽与美国有一定差距，但也远超其它国家，几乎是第三名的英国论文发文量的3倍。
在这样的落后近30年的条件下，中国做出了论文研究成果数量超越佼佼者英国，追赶美国的成绩，不得不赞叹中国人工智能事业发展之快以及研究热情之高，以一己之力用30年改写了机器学习领域的世界格局。
论文年度发文篇数趋势曲线近似为一条较为简单的指数增长曲线，但是从其几个较为明显的拐点出发可以看出：机器学习的每年发文量从上世纪50年代到上世纪90年代一直在平稳发展，从90年代中期开始到2010年开始明显有一个增幅。
和2010年之后的发展态势相比虽然较为缓慢，但是也能分辨出这是一个不同于之前的发展期。从2010年开始进入了高速发展期，论文数量激增，呈指数式爆炸增长。
虽然可以从论文年度发文篇数趋势中得出简单的人工智能发展阶段划分，但是不够精准，还需进行更进一步的分析。
对论文年度发文篇数趋势进行公式计算之后得到的论文篇数相对增速可以看出与论文年度发文篇数的近似于指数增长趋势大为不同，有较多明显的波动起伏，说明虽然论文年度发文篇数总体发展态势看上去是前半部分较为平缓，后半部分呈指数增长趋势上升。
但是将其论文篇数相对增速进行计算并拟合后可以发现，在论文年度发文篇数总体发展态势较为平缓的前半部分实则每年间的论文发表相对增速是不太稳定的；在论文年度发文篇数总体发展态势指数型增长的后半部分反而每年间的论文发表相对增速是相对平缓的。
从1958年到1968年这十年间论文篇数增速波动极大，这说明在机器学习（人工智能）发展早期，科研成果产出并不稳定，每年的科研成果数量起伏较大，在1958年到1968年这十年发展初期之后有10年左右的时间论文篇数相对增速波动较为平缓。
说明机器学习研究开始脱离萌芽期，走向较为成熟稳定的发展时期。在这成熟稳定的发展时期之后论文篇数相对增速的每一次大波动说明每一次大幅波动可能代表着科研成果的突破。
结合上世纪80年代人工智能具有代表性事件的梳理（见上图所示），可以看出80年代论文相对增速第一个小高潮1983年之前的1981年，中国成立了人工智能学会并且日本公布了第五代计算机计划，1982年神经网络理论的重新发展。
1983年当年英国启动Alvey智能知识库计划都为论文篇数增长产生小高潮提供了有力的基础；80年代第二、三个论文相对增速的小高潮的1988年与1990年之前也有许多政策支持、论文发展、科研成果的应用做为铺垫。
分析完论文数据的外在表征后，下面本项将进行论文数据的内部联系。本项目计划对每年发表论文的质量进行研究，因此对1958-2019年每年发表的论文的被webofscience核心合集论文所引次数进行了统计，其每年所有论文被引用总次数趋势的拟合图形。
90年代之前有几个较小的波动，90年代之后的波动起伏明显，说明90年代之前，有一些高质量的论文的出现。
但是可能也与当时的发文量不高以及文献获取难度及文献流通范围较小有关，每年所有论文被引用总次数均不是很高，从90年代开始伴随着科技的发展开始频频有高质量的论文问世，机器学习进入了一个高速发展阶段。
本项分析了该主题的专利在世界各国家/地区的布局情况，一般来说某国家/地区受理专利越多，那么这个国家/地区越重视该科技的发展，反之，该国家/地区该科技的发展受重视程度较弱。
专利申请量最多的国家是美国与中国，这两个国家的专利申请量遥遥领先于其他国家及地区，结合人工智能的发展历程，可以说美国凭借着较早的研究起步及其自身领先的计算机技术、强大的科研实力使得其专利申请量远超其它国家是正常现象。
但是位于专利申请量第二名的中国与第一名的美国数据上相差不到3%，中国的人工智能发展起步于80年代左右，较美国发展起步晚了30年左右，取得的成果却能够几乎与美国持平，足以说明中国在人工智能领域的投入之大、发展势头之迅猛。
专利技术生命周期是指在专利技术发展的不同阶段中，专利申请量与专利申请人数量的一般性的周期性的规律。一般分别以专利申请量与专利申请人数作为坐标轴作反向s曲线，分析坐标轴二者的时序变化判断专利生命所处时期。
专利技术生命周期理论上存在五个阶段，即萌芽期、成长期、成熟期、淘汰期、复苏期，其拟合出的曲线。作为一项1956年才被正式提名确认的新兴技术，2011年之前处于大致专利为技术引入期是合理的，2011年之后为技术发展期也合理。
但是2018年这一明显的生命周期拐点很可能是受到检索数据的局限（数据截止至2019年）而形成的，人工智能是否仍然处于技术发展期或者的确已经进入技术成熟期还需进行长期的跟踪观察。
事实上，游戏人工智能或者说AI战胜人类的各种程序一直被认为是评价AI进展的一种标准（后续均将游戏人工智能或者说AI战胜人类的各种程序简写为游戏AI），游戏AI的发展与机器学习的研究进展一脉相承。
通过对游戏AI的发展历程的梳理，从游戏AI战胜人类选手的频次上来说，也可以映证机器学习的专利技术生命周期与游戏AI的发展历程息息相关。在对专利申请国申请量和专利技术生命周期进行分析后，得到了专利申请量前10的国家及人工智能的生命周期发展情况的结论。
本项将从数量层面对专利情况做进一步的研究，从专利申请的数量随时间的变化趋势入手进行分析。通过对1959-2019年的专利申请的数量进行统计，在此基础上进行趋势的拟合，其拟合出的趋势图。
一般来说，专利申请量随时间的变化反映了该技术的创新性与技术发展情况。上升则表示创新的活跃度高，反之说明技术发展速度降低。
从图中可看出从上世纪50年代到上世纪90年代曲线一直较为平展，50-90年代专利发展处于一个平稳发展期，从90年代开始到2013年前后出现了较为明显的上升趋势，为一个缓慢发展期，从2013年前后专利申请数量激增，呈指数式增长，开始进入了高速发展期。
多信息融合技术旨在对不同方面的信息进行协同利用，对多层次、多层次、多维信息进行综合利用，获得目标状态估计和趋势估计。
虽然论文篇数、专利数量、基金投资额相对增速都能描述发展脉络，然而它们之间的相对增速幅度存在差异，虽然选择的多源数据都能反映发展脉络，但论文篇数、专利数量、基金投资额的相对增速的峰值点存在差异。
联系客服
