吳書瓊 趙筱媛

中國科學(xué)技術(shù)信息研究所 北京 100038

1 研究背景

由中美貿(mào)易戰(zhàn)的不斷升級引發(fā)的中美科技戰(zhàn)，標(biāo)志著以美國為首的西方大國與中國之間的科技競爭日益嚴(yán)峻。雖然目前中國的國際科技合作國家主要集中在美國、英國、德國、日本等創(chuàng)新大國[1,2]，但隨著這些創(chuàng)新大國不斷加強(qiáng)對中國的技術(shù)出口管制，中國在一些科技領(lǐng)域的國際合作眼光需要轉(zhuǎn)向“關(guān)鍵小國”。對于關(guān)鍵小國，目前學(xué)者們多從國家戰(zhàn)略、政治外交的角度來界定，即人口較少、國土規(guī)模有限，具有足夠的區(qū)域影響力及較好的外交緊密度和友好度的國家[3,4]。本文認(rèn)為，在當(dāng)前形勢下，科技領(lǐng)域關(guān)鍵小國更多表現(xiàn)為：傳統(tǒng)大國與新興大國之外、但在科技領(lǐng)域又具有顯著地位的國家。這些國家雖然不具有較高的國際話語權(quán)，但可能在某些科技領(lǐng)域有著不容小覷的科技實力，具有不可忽視的作用[5,6]。

國家的科技實力往往依托于科技人才，科技的競爭就是科技人才的競爭，高層次科技人才更是國家實力的中堅力量，因此對科技人才開展研究、探究優(yōu)勢領(lǐng)域的高層次人才特征具有重要意義。而目前學(xué)者對科技人才的研究主要集中在人才流動[7-9]、人才成長環(huán)境[10]、人才評價[11,12]、科技人才識別[13,14]等方面，研究對象側(cè)重于全球或者美國、日本等科技大國，聚焦在關(guān)鍵小國科技人才的研究較少。鑒于關(guān)鍵小國在特定科技領(lǐng)域具有獨(dú)特優(yōu)勢，對相關(guān)科技人才進(jìn)行分析具有重要意義，因此本文瞄準(zhǔn)科技領(lǐng)域關(guān)鍵小國，從“科技人才-研究主題”雙向維度出發(fā)，構(gòu)建關(guān)鍵小國優(yōu)勢領(lǐng)域科技人才分析模型，選取新加坡人工智能領(lǐng)域為研究實例，分析科技人才的分布及其國際合作態(tài)勢，探究中國在其國際合作布局中所處的位置，以期為未來開拓我國的國際科技合作伙伴、提升國際合作效果，實現(xiàn)互利共贏的局面提供支撐。

2 關(guān)鍵小國優(yōu)勢領(lǐng)域科技人才分析框架

由于地域、人口的限制，關(guān)鍵小國不見得會在所有技術(shù)領(lǐng)域均表現(xiàn)突出，但能被稱為關(guān)鍵小國的國家，往往在某些領(lǐng)域表現(xiàn)亮眼、具有其獨(dú)特優(yōu)勢。如比利時的微電子研究中心（Interuniversity Micro-electronic Center，IMEC)是世界領(lǐng)先的產(chǎn)業(yè)共性技術(shù)研發(fā)平臺[15]，荷蘭阿斯麥（ASML）公司擁有全球最大的光刻機(jī)設(shè)備[16]。與全球頂尖機(jī)構(gòu)開展合作可以緩解我國因技術(shù)差距帶來的難題，聚焦關(guān)鍵小國的機(jī)構(gòu)、科技人才則可以從側(cè)面緩解美國等國家開展技術(shù)出口管制帶來的困境。那么以開展國際合作、拓展國際合作伙伴為前提對關(guān)鍵小國優(yōu)勢領(lǐng)域科技人才進(jìn)行探究，則需要解決以下問題：哪些科技人才為關(guān)鍵小國的優(yōu)勢領(lǐng)域做出了貢獻(xiàn)？這些科技人才的分布如何？他們當(dāng)今的國際合作態(tài)勢呈現(xiàn)怎樣的趨勢及分布態(tài)勢？為了探究這些問題，本文對關(guān)鍵小國科技人才分布及國際合作態(tài)勢的研究分為兩個環(huán)節(jié)：一是關(guān)鍵小國優(yōu)勢領(lǐng)域科技人才遴選；二是這些科技人才的分布及國際合作態(tài)勢分析。

2.1 關(guān)鍵小國優(yōu)勢領(lǐng)域科技人才確定流程

關(guān)鍵小國優(yōu)勢領(lǐng)域科技人才的判別是從國家層面到人才層面的一個逐步深入過程，如圖1所示。首先，在確定所要研究的關(guān)鍵小國基礎(chǔ)上判定其優(yōu)勢子領(lǐng)域。文獻(xiàn)產(chǎn)出作為科學(xué)研究的重要成果之一，在一定程度上可以反映某領(lǐng)域的研究成果及其影響力。因此可選擇的指標(biāo)有發(fā)文數(shù)量、高被引論文數(shù)量、論文被引總次數(shù)等，數(shù)量越多表示該領(lǐng)域越具有優(yōu)勢。其次，對優(yōu)勢領(lǐng)域進(jìn)行細(xì)分，將其劃定為若干個子領(lǐng)域。最后，確定每個子領(lǐng)域相對應(yīng)的科技人才。由于論文的第一作者與通訊作者分別是論文的主要撰寫者與負(fù)責(zé)人，對論文具有最為重要的貢獻(xiàn)，因此在優(yōu)勢子領(lǐng)域確定之后，本文擬定以優(yōu)勢子領(lǐng)域所有論文的第一作者和通訊作者構(gòu)成科技人才集。

圖1 關(guān)鍵小國優(yōu)勢領(lǐng)域科技人才判別

2.2 科技人才分布及合作態(tài)勢分析框架

在遴選出關(guān)鍵小國優(yōu)勢領(lǐng)域科技人才的基礎(chǔ)之上，本文從科技人才分布與國際合作態(tài)勢兩個維度對科技人才進(jìn)行分析，并細(xì)化為5個具體指標(biāo)，如圖2所示?？萍既瞬欧植季S度分為科技人才的機(jī)構(gòu)分布與優(yōu)勢子領(lǐng)域的代表性學(xué)者分布兩個具體指標(biāo)；國際合作態(tài)勢維度則從國際合作的國家、機(jī)構(gòu)、學(xué)者三方面來分析。并且對所有統(tǒng)計的指標(biāo)都輔以研究主題的相關(guān)分析，可以達(dá)到“科技人才-研究主題”相對應(yīng)的目的，即一方面可以了解科技人才的重點研究主題所在，另一方面可以有針對性的根據(jù)特定研究主題得到相關(guān)研究人員的分布及國際合作情況。指標(biāo)具體含義及其意義如下。

2.2.1 科技人才分布

機(jī)構(gòu)分布。機(jī)構(gòu)分布是指科技人才主要集中的機(jī)構(gòu)或機(jī)構(gòu)類型。對科技人才的機(jī)構(gòu)分布進(jìn)行分析，可以了解關(guān)鍵小國對該領(lǐng)域關(guān)注較高的機(jī)構(gòu)有哪些，展示了該國科技人員的集聚地；機(jī)構(gòu)發(fā)表的論文數(shù)量及質(zhì)量也側(cè)面體現(xiàn)了機(jī)構(gòu)的科學(xué)研究能力。本文對關(guān)鍵小國科技人才機(jī)構(gòu)的統(tǒng)計只計算地址中所屬國家標(biāo)注為該國的機(jī)構(gòu)，其他國家機(jī)構(gòu)的人才不列入統(tǒng)計范圍。

代表性學(xué)者分布。代表性學(xué)者是指對相關(guān)領(lǐng)域具有較大貢獻(xiàn)的人才。通過統(tǒng)計分析各優(yōu)勢子領(lǐng)域的代表性學(xué)者，可以發(fā)現(xiàn)頂尖人才及其所在機(jī)構(gòu)，以及這些機(jī)構(gòu)可能存在的一些潛在的、未被發(fā)掘的優(yōu)秀學(xué)者。本文擬采用發(fā)文數(shù)量這一指標(biāo)來判定人才在該領(lǐng)域的所處地位。如若存在較多科技人才發(fā)表了大量論文，則采用論文被引總次數(shù)或者篇均論文被引次數(shù)來判定科技人才在該領(lǐng)域的學(xué)術(shù)地位。

2.2.2 國際合作態(tài)勢

對國際合作情況進(jìn)行分析，可以看出目前與關(guān)鍵小國產(chǎn)生國際合作的國家、機(jī)構(gòu)以及學(xué)者分布，了解關(guān)鍵小國的國際合作現(xiàn)狀。國際合作從合作國家/地區(qū)、合作機(jī)構(gòu)、合作學(xué)者三方面進(jìn)行，合作的程度由合作產(chǎn)出的國際合著論文數(shù)量判定，合著論文數(shù)量越多，合作程度越高。

合作國家。合作國家指論文作者中出現(xiàn)的非關(guān)鍵小國科技人才的所屬國家。該指標(biāo)可以反映關(guān)鍵小國在世界上已經(jīng)和哪些國家具有合作基礎(chǔ)，以及他們相互之間的合作程度。

合作機(jī)構(gòu)。合作機(jī)構(gòu)指論文作者中出現(xiàn)的非關(guān)鍵小國科技人才的所屬機(jī)構(gòu)。該指標(biāo)可以反映該關(guān)鍵小國在世界上開展國際合作的主要機(jī)構(gòu)，分析其合作領(lǐng)域，進(jìn)而了解關(guān)鍵小國的全球合作布局。

合作學(xué)者。合作學(xué)者指論文作者中出現(xiàn)的非關(guān)鍵小國的科技人才。該指標(biāo)可以反映該關(guān)鍵小國在世界上已經(jīng)具有合作基礎(chǔ)的學(xué)者，并可進(jìn)一步揭示這些學(xué)者的所屬機(jī)構(gòu)、所在國家、研究領(lǐng)域，以了解與關(guān)鍵小國開展國際合作的全球?qū)W者分布。

3 實證研究

人工智能領(lǐng)域作為新興高科技領(lǐng)域，已成為引領(lǐng)未來的重要產(chǎn)業(yè)，發(fā)達(dá)國家視其為提升國家競爭力及維護(hù)國家安全的重大戰(zhàn)略技術(shù)領(lǐng)域。伴隨中美貿(mào)易戰(zhàn)的升級，人工智能及相關(guān)子領(lǐng)域已經(jīng)被列入美國技術(shù)出口管制清單。因此，在國際上探尋人工智能領(lǐng)域相關(guān)科技人才具有重要的實際意義。筆者在Web of Science核心合集數(shù)據(jù)庫中檢索2009-2018年Web of Science分類為computer science artificial intelligence（計算機(jī)科學(xué)人工智能）的論文，文獻(xiàn)類型選擇Article OR Proceedings Paper OR Review，數(shù)據(jù)庫索引選擇SCI-EXPANDED ，檢索結(jié)果及各國人口總量如表1所示。由表1可知，新加坡的發(fā)文總數(shù)量位于世界第16位，其高被引論文數(shù)量居于世界第5位，僅次于中國、美國、英國、澳大利亞，可見科技實力不容小覷。新加坡國土面積為724.4平方公里，總?cè)丝?64萬[17]，加之與中國具有較好的外交關(guān)系，人工智能領(lǐng)域擁有較強(qiáng)的實力，符合科技領(lǐng)域關(guān)鍵小國的特征。因此，本文以新加坡人工智能領(lǐng)域為例，依據(jù)上文構(gòu)建的關(guān)鍵小國優(yōu)勢領(lǐng)域科技人才分析框架開展實證分析，研究結(jié)果可為中新兩國更好的開展國際合作提供支撐。

3.1 數(shù)據(jù)來源與處理

（1）數(shù)據(jù)獲取。以Web of Science 核心合集數(shù)據(jù)庫作為數(shù)據(jù)來源，數(shù)據(jù)庫索引選擇SCI-EXPANDED，時間跨度選擇2009-2018年，檢索式為WC=(computer science artificial intelligence) and CU=Singapore and PY=(2009-2018)，以文獻(xiàn)類型對檢索結(jié)果進(jìn)行精煉，選擇研究論文（Article）、綜述（Review）以及會議論文（Proceedings Paper）。檢索日期為2019年12月13日，共得到論文2663篇。

表1 2009-2018年計算機(jī)科學(xué)人工智能領(lǐng)域發(fā)文總量前20國家（地區(qū)）信息表

（2）數(shù)據(jù)預(yù)處理。首先，采用Python軟件提取第一作者與通訊作者的地址信息。然后利用人工篩查的方法對論文作者進(jìn)行去重，如單位相同情況下，認(rèn)為“Tan Chew-Lim”與“Tan Chew Lim”為同一人；對地址中機(jī)構(gòu)字段進(jìn)行消歧，如“Nanyang Technol Uni vers”、“NanyangTechnol Univ”、“Nanyang Technol Univ”等都?xì)w并為“南洋理工大學(xué)”。如果出現(xiàn)同一位作者標(biāo)注兩個地址的情況，以標(biāo)注在前的地址信息為準(zhǔn)，即在一篇論文中，一位作者只能有一個地址信息，隸屬于一個國家。最后采用Excel、SQL數(shù)據(jù)庫等軟件對結(jié)果做進(jìn)一步的統(tǒng)計，并采用echars軟件呈現(xiàn)可視化數(shù)據(jù)。

3.2 新加坡人工智能領(lǐng)域科技人才獲取

3.2.1 優(yōu)勢子領(lǐng)域的選取

對新加坡人工智能領(lǐng)域的研究主題演化進(jìn)行分析，以2年為時間節(jié)點進(jìn)行切片，對所有的論文的關(guān)鍵詞進(jìn)行去重歸并、統(tǒng)計，共得到7071個關(guān)鍵詞。圖3展示了2017-2018年數(shù)量前15位的關(guān)鍵詞在2009-2018年間的演變情況，圖3中數(shù)字是標(biāo)有該關(guān)鍵詞的文獻(xiàn)數(shù)量，數(shù)值越高色塊顏色越深。從圖3中可以看出：“Convolutional Neural Network（卷積神經(jīng)網(wǎng)絡(luò)）”、“Deep Learning（深度學(xué)習(xí)）”自2013年開始出現(xiàn)，到2018年位論文數(shù)量位于前兩位，可見這兩個研究方向已迅速成為新加坡人工智能領(lǐng)域近年的研究前沿?zé)狳c；“Neural Networks（神經(jīng)網(wǎng)絡(luò)）”、“Extreme Learning Machine（極限學(xué)習(xí)機(jī)）”這兩個研究方向論文總量一直占據(jù)當(dāng)年前列，說明神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)是新加坡人工智能領(lǐng)域的中的優(yōu)勢領(lǐng)域?！癊EG（腦電圖）”、“Sentiment Analysis（情緒分析）”、“Multi-objective Optimization（多目標(biāo)優(yōu)化）”等方向論文數(shù)量雖不位于前列，但呈現(xiàn)出逐年上升的趨勢，可見其研究具有較大的發(fā)展?jié)摿??？梢钥闯觯录悠氯斯ぶ悄茴I(lǐng)域的優(yōu)勢子領(lǐng)域為“Convolutional Neural Network（卷積神經(jīng)網(wǎng)絡(luò)）”、“Deep Learning（深度學(xué)習(xí)）”、“Neural Networks（神經(jīng)網(wǎng)絡(luò)）”與“Extreme Learning Machine（極限學(xué)習(xí)機(jī)）”，未來可能成為中國與新加坡深度開展合作的優(yōu)勢領(lǐng)域，因此有必要對這4個領(lǐng)域的科技人才做進(jìn)一步分析。

圖3 2017-2018年新加坡人工智能領(lǐng)域研究熱點主題演化圖

3.2.2 科技人才集的構(gòu)建

選取上文識別的4個優(yōu)勢子領(lǐng)域所含論文的第一作者與通訊作者，分別構(gòu)成各子領(lǐng)域的科技人才數(shù)據(jù)集。各子領(lǐng)域新加坡科技人才數(shù)量及代表性學(xué)者如表2所示。代表性學(xué)者發(fā)文數(shù)量是指該學(xué)者作為第一作者或通訊作者發(fā)表的屬于該子領(lǐng)域的論文數(shù)量。

相比Convolutional Neural Network（卷積神經(jīng)網(wǎng)絡(luò)）與Deep Learning（深度學(xué)習(xí)）這兩個近5年新興起的前沿?zé)狳c，Neural Networks（神經(jīng)網(wǎng)絡(luò)）、Extreme Learning Machine（極限學(xué)習(xí)機(jī)）兩個領(lǐng)域擁有更多的科技人才數(shù)量，且代表性學(xué)者有更多的發(fā)文量，可以為國際合作的展開提供更多的優(yōu)質(zhì)合作人才。在新加坡的4個優(yōu)勢子領(lǐng)域中，科技人才的機(jī)構(gòu)分布相對一致，神經(jīng)網(wǎng)絡(luò)領(lǐng)域代表性學(xué)者均來自新加坡國立大學(xué)，另外三個領(lǐng)域代表性學(xué)者則都來自于南洋理工大學(xué)。在國際合作開展的過程中，與新加坡國立大學(xué)的合作應(yīng)更多關(guān)注神經(jīng)網(wǎng)絡(luò)領(lǐng)域，與南洋理工大學(xué)的合作則要關(guān)注卷積神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)與極限學(xué)習(xí)機(jī)領(lǐng)域。

表2中科技人才共有135位，對4個子領(lǐng)域之間有交叉的科技人才進(jìn)行去重，得到實際科技人才106位，下文將對這106位科技人才展開分析。

表2 新加坡人工智能優(yōu)勢子領(lǐng)域科技人才集

3.3 科技人才分析

3.3.1 科技人才分布

（1）科技人才機(jī)構(gòu)分布

新加坡人工智能4個優(yōu)勢子領(lǐng)域106位科技人才分布于11個機(jī)構(gòu)，擁有科技人才數(shù)量超過1的機(jī)構(gòu)共6個，如表3所示。6所機(jī)構(gòu)中有5所機(jī)構(gòu)性質(zhì)為高校或科研院所，且南洋理工大學(xué)與新加坡國立大學(xué)占據(jù)了超過80%的人才，說明高校類科研機(jī)構(gòu)是新加坡人工智能領(lǐng)域基礎(chǔ)研究人才的重要聚集地，為新加坡人工智能領(lǐng)域培養(yǎng)了大部分人才。南洋理工大學(xué)每個子領(lǐng)域的人才數(shù)量都居于首位，而新加坡國立大學(xué)的科技人才有半數(shù)都擅長于神經(jīng)網(wǎng)絡(luò)領(lǐng)域，在神經(jīng)網(wǎng)絡(luò)領(lǐng)域的科技人才具有更高的科技產(chǎn)出能力。與上文初步分析相對應(yīng)，這兩個機(jī)構(gòu)是為新加坡人工智能領(lǐng)域提供科技人才的重要機(jī)構(gòu)。

表3 新加坡人工智能優(yōu)勢子領(lǐng)域科技人才機(jī)構(gòu)分布

（2）代表性學(xué)者分布

作為第一作者或通訊作者發(fā)表論文超過3篇的學(xué)者有8人，如表4所示。從作者單位看，有6位學(xué)者來自于南洋理工大學(xué)，2位學(xué)者來自于新加坡國立大學(xué)。對這些學(xué)者開展進(jìn)一步分析，來自南洋理工大學(xué)的科技人才中，有4位學(xué)者發(fā)文全都只在極限學(xué)習(xí)機(jī)領(lǐng)域，有2位學(xué)者研究領(lǐng)域有交叉但在極限學(xué)習(xí)機(jī)領(lǐng)域的論文最多，且Er Meng Joo與Shao Zhifei有3篇極限學(xué)習(xí)機(jī)領(lǐng)域的合著論文；來自新加坡國立大學(xué)的Pan Yongping與Yu Haoyong都專注于神經(jīng)網(wǎng)絡(luò)領(lǐng)域，且有5篇合著論文，Pan Yongping亦是神經(jīng)網(wǎng)絡(luò)領(lǐng)域發(fā)文最多的學(xué)者。因此從開展國際合作的角度看，極限學(xué)習(xí)機(jī)領(lǐng)域的合作可側(cè)重于南洋理工大學(xué)的Huang Guang-Bin、Lin Zhiping等高發(fā)文學(xué)者團(tuán)隊；在神經(jīng)網(wǎng)絡(luò)領(lǐng)域則可考慮與Pan Yongping及其團(tuán)隊開展合作；卷積神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)領(lǐng)域可通過與南洋理工大學(xué)的代表性學(xué)者Cambria Erik及其團(tuán)隊合作來拓寬合作范圍。

表4 新加坡人工智能優(yōu)勢子領(lǐng)域代表性科技人才

3.3.2 國際合作態(tài)勢

第一作者與通訊作者地址不是新加坡的論文可認(rèn)為是由其他國家學(xué)者主導(dǎo)、新加坡學(xué)者參與而產(chǎn)生的國際合著論文，對這些論文的第一作者與通訊作者進(jìn)行機(jī)構(gòu)、人名去重，得到與新加坡合作中起到主導(dǎo)作用的學(xué)者。在這些學(xué)者中選取屬于Convolutional Neural Network（卷積神經(jīng)網(wǎng)絡(luò)）、Deep Learning（深度學(xué)習(xí)）、Neural Networks（神經(jīng)網(wǎng)絡(luò)）、Extreme Learning Machine（極限學(xué)習(xí)機(jī)）4個領(lǐng)域的科技人才進(jìn)行統(tǒng)計分析，得到合作國家19個、合作機(jī)構(gòu)80個、合作人才128位，下文將基于此開展分析。

（1）合作國家分析

與新加坡人工智能領(lǐng)域優(yōu)勢子領(lǐng)域開展國際合作的國家共有19個，合作人才數(shù)量超過3人的國家有7個，如表5所示。除中國外，新加坡的合作國家主要為美國、印度、澳大利亞、韓國、意大利等國家。

新加坡與中國的合作人才數(shù)量最多，雖4個子領(lǐng)域人才分布并不均勻，但遠(yuǎn)遠(yuǎn)超過其他國家，可見中國與新加坡在人工智能領(lǐng)域具有較好的國際合作基礎(chǔ)。美國與新加坡合作的總?cè)藬?shù)僅次于中國，且在各子領(lǐng)域均有分布。印度雖然人才數(shù)量居于美國之下，但在神經(jīng)網(wǎng)絡(luò)與極限學(xué)習(xí)機(jī)兩個子領(lǐng)域的人才數(shù)量超過美國。因此中國通過與新加坡在上述領(lǐng)域的合作，可以間接促成中國與美國、印度等國家產(chǎn)生聯(lián)系。這種聯(lián)系既可能幫助中國了解其他國家，也有可能發(fā)展成為替代性合作關(guān)系。

表5 新加坡人工智能領(lǐng)域合作國家分布

（2）合作機(jī)構(gòu)分析

與新加坡人工智能領(lǐng)域優(yōu)勢子領(lǐng)域開展國際合作的機(jī)構(gòu)有80個，合作人才數(shù)量超過2人的機(jī)構(gòu)有8個且均為中國機(jī)構(gòu)，合作人才數(shù)量為2人的機(jī)構(gòu)有20個且有12個為中國機(jī)構(gòu)。表6中只列出合作人才數(shù)量超過2人的8個中國機(jī)構(gòu)及合作人才數(shù)量等于2人的8個非中國機(jī)構(gòu)。

表6所列機(jī)構(gòu)均為高校或者科研院所，并無企業(yè)上榜，可見新加坡在人工智能基礎(chǔ)研究方面更容易與高校、科研院所產(chǎn)生國際合作。在中國的8所機(jī)構(gòu)中，與新加坡在深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)領(lǐng)域開展合作的機(jī)構(gòu)分別達(dá)到了7所、6所，在神經(jīng)網(wǎng)絡(luò)與極限學(xué)習(xí)機(jī)領(lǐng)域開展合作的機(jī)構(gòu)只各有3所。與中國表現(xiàn)相反的是，只有德國的Fraunhofer Heinrich Hertz Inst與新加坡在深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)領(lǐng)域開展合作，其他國家機(jī)構(gòu)的合作則集中在神經(jīng)網(wǎng)絡(luò)與極限學(xué)習(xí)機(jī)領(lǐng)域。由此可見，新加坡4個優(yōu)勢子領(lǐng)域的國際合作有所布局，與中國、德國機(jī)構(gòu)的國際合作側(cè)重于深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)領(lǐng)域，與其他國家機(jī)構(gòu)的國際合作側(cè)重于神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)領(lǐng)域。中國通過與新加坡的合作，可以促進(jìn)與德國Fraunhofer Heinrich Hertz Inst在深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)領(lǐng)域的合作，與印度理工大學(xué)、美國俄亥俄大學(xué)、韓國延世大學(xué)等機(jī)構(gòu)在神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)領(lǐng)域的合作。

（3）合作學(xué)者分析

主導(dǎo)與新加坡人工智能領(lǐng)域優(yōu)勢子領(lǐng)域開展國際合作的學(xué)者共有128人，合著論文數(shù)量超過1篇的學(xué)者有13人，如表7所示。除了來自韓國延世大學(xué)的Toh Kar-Ann與來自意大利熱那亞大學(xué)的Oneto Luca，其余學(xué)者均來自于中國。這些學(xué)者的所屬機(jī)構(gòu)、國家的分布與上文合作國家、合作機(jī)構(gòu)的統(tǒng)計分析結(jié)果基本相一致，可見來自與新加坡有較好合作基礎(chǔ)的國家或機(jī)構(gòu)的學(xué)者更容易與新加坡人工智能優(yōu)勢子領(lǐng)域產(chǎn)生國際合作。

表6 新加坡人工智能領(lǐng)域合作機(jī)構(gòu)分布

11位來自中國的學(xué)者有2位同來自于北京理工大學(xué)，2位同來自于清華大學(xué)。對這些學(xué)者進(jìn)一步研究發(fā)現(xiàn)，來自北京理工大學(xué)的Wang Shuigen（王水根）的兩篇論文均與Deng Chenwei（鄧宸偉）合作發(fā)表；而清華大學(xué)的Lu Jiwen（魯繼文）和Huang Gao（黃高）與新加坡都產(chǎn)生了多次合作，但兩人之間并無合作，查詢兩位學(xué)者履歷信息發(fā)現(xiàn)，他們雖都來自于清華大學(xué)，但是屬于不同的研究團(tuán)隊。其他學(xué)者之間亦無合作關(guān)系?？梢娺@些學(xué)者雖然都與新加坡開展了合作，但是相互之間并無合作關(guān)系，尤其是中國的學(xué)者之間可以加強(qiáng)合作，促進(jìn)共同發(fā)展。

韓國學(xué)者Toh Kar-Ann與意大利學(xué)者OnetoLuca雖然都專注于極限學(xué)習(xí)機(jī)領(lǐng)域，但通過閱讀論文發(fā)現(xiàn)他們的研究方向與合作學(xué)者均有所差異：Toh Kar-Ann將極限學(xué)習(xí)機(jī)的相關(guān)技術(shù)用于異構(gòu)人臉識別的過程，與他有合作的是南洋理工大學(xué)的Oh Beom-Seok和Lin Zhiping；Oneto Luca則與南洋理工大學(xué)的Cambria Erik合作，致力于利用相關(guān)技術(shù)對大型社會數(shù)據(jù)進(jìn)行分析。因此，通過和南洋理工大學(xué)的Oh Beom-Seok、Lin Zhiping及其團(tuán)隊開展合作，可以增加中國與韓國延世大學(xué)Toh Kar-Ann及其團(tuán)隊的合作可能，開展異構(gòu)人臉識別方面的合作；而通過與南洋理工大學(xué)的Cambria Erik及其團(tuán)隊開展合作，則可增加與意大利熱亞那大學(xué)Oneto Luca及其團(tuán)隊合作的可能。

表7 新加坡人工智能領(lǐng)域合作學(xué)者分布

4 總結(jié)

依據(jù)關(guān)鍵小國優(yōu)勢領(lǐng)域科技人才分析框架，本文以新加坡人工智能領(lǐng)域為例，逐步對優(yōu)勢子領(lǐng)域、科技人才分布、國際合作現(xiàn)狀進(jìn)行了分析，得出以下結(jié)論：

（1）新加坡人工智能領(lǐng)域的優(yōu)勢子領(lǐng)域為“Convolutional Neural Network（卷積神經(jīng)網(wǎng)絡(luò)）”、“Deep Learning（深度學(xué)習(xí)）”、“Neural Networks（神經(jīng)網(wǎng)絡(luò)）”與“Extreme Learning Machine（極限學(xué)習(xí)機(jī)）”。卷積神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)是新加坡近幾年的研究前沿?zé)狳c，而神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)一直都是新加坡人工智能領(lǐng)域的重點研究方向，這4個領(lǐng)域已經(jīng)或者未來可能成為中國與新加坡的重點合作方向。

（2）新加坡人工智能領(lǐng)域優(yōu)勢子領(lǐng)域的科技研究人才主要集中于南洋理工大學(xué)與新加坡國立大學(xué)。兩所高校都是新加坡的頂尖高校，對于人工智能領(lǐng)域人才的培養(yǎng)方向各有側(cè)重。南洋理工大學(xué)極限學(xué)習(xí)機(jī)領(lǐng)域的科技人才數(shù)量最多，而新加坡國立大學(xué)科技人才則半數(shù)以上都集中于神經(jīng)網(wǎng)絡(luò)領(lǐng)域。因此與南洋理工大學(xué)可側(cè)重于開展極限學(xué)習(xí)機(jī)領(lǐng)域的國際合作，與新加坡國立大學(xué)的合作應(yīng)更多關(guān)注神經(jīng)網(wǎng)絡(luò)領(lǐng)域。

（3）新加坡人工智能領(lǐng)域國際合作廣泛。新加坡與中國的合作更側(cè)重于深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)領(lǐng)域，開展國際合作較多的學(xué)者有Deng Chenwei（鄧宸偉）、Wang Ning（王寧）等13人；除中國之外，德國Fraunhofer Heinrich Hertz Inst、美國俄亥俄大學(xué)與奧克蘭大學(xué)、印度理工學(xué)院、韓國延世大學(xué)、意大利熱那亞大學(xué)等機(jī)構(gòu)的學(xué)者與新加坡開展合作較多，更偏向神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)領(lǐng)域。其中，韓國延世大學(xué)的Toh Kar-Ann于異構(gòu)人臉識別方面與南洋理工大學(xué)的Oh Beom-Seok、Lin Zhiping合作緊密；意大利熱亞那大學(xué)Oneto Luca則與南洋理工大學(xué)的Cambria Erik在大型社會數(shù)據(jù)分析方面合作密切。這些機(jī)構(gòu)、學(xué)者與新加坡有密切的合作，那么通過有選擇性的與新加坡學(xué)者開展合作可以間接與這些科技人才產(chǎn)生聯(lián)系，達(dá)到與其他國家優(yōu)秀科技人才合作的目的。

在國際科技競爭激烈的背景下，挖掘關(guān)鍵小國的優(yōu)勢領(lǐng)域，探究關(guān)鍵小國優(yōu)秀科技人才的分布具有重要意義。本文基于文獻(xiàn)計量構(gòu)建了關(guān)鍵小國優(yōu)勢科技人才分布與國際合作的分析模型，在一定程度上可以探究關(guān)鍵小國的重點研究主題、領(lǐng)域內(nèi)頂尖的機(jī)構(gòu)人才，對于了解科技領(lǐng)域中具有獨(dú)特優(yōu)勢的國家的科技人才布局、促進(jìn)我國與這些關(guān)鍵國家開展合作甚至是引進(jìn)相關(guān)領(lǐng)域人才都具有借鑒意義。但由于本文僅采用了新加坡人工智能領(lǐng)域的文獻(xiàn)數(shù)據(jù)對模型進(jìn)行實證檢驗，數(shù)據(jù)來源范圍較窄，后續(xù)研究中也會探索性的將專利、政策文本等數(shù)據(jù)納入研究中，不斷優(yōu)化完善。