基于專(zhuān)利發(fā)展路徑的顛覆性技術(shù)識(shí)別：以智能語(yǔ)音領(lǐng)域?yàn)槔?/h1>
2022-04-15 06:16:40王海軍于佳文
科技管理研究 2022年6期
王海軍，于佳文
（沈陽(yáng)工業(yè)大學(xué)管理學(xué)院，遼寧沈陽(yáng) 110870）
黨的十九大報(bào)告提出要突出關(guān)鍵共性技術(shù)、前沿引領(lǐng)技術(shù)、現(xiàn)代工程技術(shù)和顛覆性技術(shù)創(chuàng)新。2016 年習(xí)近平總書(shū)記在全國(guó)科技創(chuàng)新大會(huì)上指出，一些重大顛覆性技術(shù)創(chuàng)新正在創(chuàng)造新產(chǎn)業(yè)、新業(yè)態(tài)。顛覆性創(chuàng)新是促使后發(fā)企業(yè)改變現(xiàn)有競(jìng)爭(zhēng)模式，在全球價(jià)值鏈中獲得主動(dòng)地位的突破口［1］，因此顛覆性技術(shù)識(shí)別對(duì)企業(yè)感知外部風(fēng)險(xiǎn)有著積極作用，也便于決策者作出相應(yīng)的對(duì)策；同時(shí)，顛覆性技術(shù)識(shí)別還可以幫助企業(yè)有效避免伴隨顛覆性技術(shù)產(chǎn)生的不利影響，抓住機(jī)遇，從而在激烈競(jìng)爭(zhēng)中立于不敗之地。因此，加深對(duì)顛覆性技術(shù)的認(rèn)識(shí)和了解，深入研究顛覆性技術(shù)識(shí)別與預(yù)測(cè)方法并提高判定結(jié)果的精準(zhǔn)性具有重要的理論與實(shí)踐意義。從現(xiàn)有顛覆性技術(shù)識(shí)別與預(yù)測(cè)相關(guān)研究來(lái)看，大多從顛覆性技術(shù)與市場(chǎng)的角度來(lái)進(jìn)行界定，如張佳維等［2］從技術(shù)特征、市場(chǎng)特征、宏觀環(huán)境等角度分析顛覆性技術(shù)；Ganguly 等［3］認(rèn)為顛覆性技術(shù)既可以是現(xiàn)存技術(shù)的組合，也可以是全新的技術(shù)；張欣［4］也從技術(shù)和市場(chǎng)兩個(gè)維度對(duì)顛覆性技術(shù)展開(kāi)分析。此外，大多文獻(xiàn)采用定性的方法展開(kāi)研究，如Vecchiato［5］強(qiáng)調(diào)用戶需求管理認(rèn)知會(huì)影響機(jī)構(gòu)對(duì)顛覆性技術(shù)的識(shí)別；李曉龍等［6］采用德?tīng)柗品ê蜎Q策與試驗(yàn)評(píng)價(jià)實(shí)驗(yàn)室方法識(shí)別出影響國(guó)家電網(wǎng)的顛覆性技術(shù)；Cagnin 等［7］將技術(shù)發(fā)展過(guò)程中的各種利益相關(guān)者加入到顛覆性技術(shù)研究路線圖中，定量研究較少。然而，現(xiàn)有識(shí)別技術(shù)的方法由于主觀因素較強(qiáng)且未能清晰解釋技術(shù)演進(jìn)趨勢(shì)而存在以下局限：首先，客觀信息是技術(shù)預(yù)測(cè)成功的關(guān)鍵因素，以往的技術(shù)識(shí)別方法不能根據(jù)客觀的技術(shù)數(shù)據(jù)反映對(duì)應(yīng)技術(shù)發(fā)展過(guò)程中的信息；其次，有必要用系統(tǒng)的方法來(lái)闡述技術(shù)的詳細(xì)發(fā)展過(guò)程，盡管統(tǒng)計(jì)分析、擴(kuò)散模型等各種方法可應(yīng)用于技術(shù)預(yù)測(cè)，以增強(qiáng)分析結(jié)果的客觀性，但不能解析技術(shù)詳細(xì)發(fā)展的復(fù)雜結(jié)構(gòu)，只能從宏觀角度描述技術(shù)發(fā)展的總體方向及過(guò)程。為了彌補(bǔ)這些局限，本研究基于能夠反映客觀信息的專(zhuān)利數(shù)據(jù)和體現(xiàn)微觀信息的專(zhuān)利發(fā)展主路徑，構(gòu)建顛覆性技術(shù)識(shí)別的新方法，并將該方法應(yīng)用于人工智能（AI）語(yǔ)音領(lǐng)域，分析該行業(yè)內(nèi)的顛覆性技術(shù)，以期對(duì)相關(guān)研究者及相關(guān)企業(yè)提供有益啟示。
1 理論基礎(chǔ)與模型構(gòu)建
1.1 顛覆性技術(shù)創(chuàng)新
1995 年，克里斯坦森［8］216-219首次提出“顛覆性技術(shù)（disruptive technology）”的概念，并在其隨后的研究中將顛覆性技術(shù)解釋為以意想不到的方式取代現(xiàn)有主流技術(shù)的技術(shù)，認(rèn)為顛覆性技術(shù)對(duì)現(xiàn)有主流市場(chǎng)上在位企業(yè)的競(jìng)爭(zhēng)力起破壞作用。顛覆性技術(shù)是指具有一系列新功能，但尚未滿足主流客戶功能需求的技術(shù)，這是由于顛覆性技術(shù)在其生命周期的早期階段只服務(wù)于重視其功能的顧客；隨著顛覆性技術(shù)發(fā)展，當(dāng)其功能足以滿足主流客戶需求時(shí)，顛覆性技術(shù)則轉(zhuǎn)變成主流技術(shù)?，F(xiàn)有研究通常是基于技術(shù)和市場(chǎng)兩個(gè)視角對(duì)顛覆性技術(shù)進(jìn)行定義，從技術(shù)角度聚焦于顛覆性技術(shù)的性能和成本，認(rèn)為顛覆性技術(shù)具備一定的技術(shù)性能且成本較低［9］，從市場(chǎng)角度則是試圖解析顛覆性技術(shù)的市場(chǎng)特征，認(rèn)為顛覆性技術(shù)改變了消費(fèi)者期望以及市場(chǎng)的績(jī)效指標(biāo)［10］。
本研究基于克里斯坦森［8］5-7的顛覆性創(chuàng)新模式，繪制了顛覆性創(chuàng)新技術(shù)軌道（見(jiàn)圖1），基于時(shí)間和性能兩個(gè)維度構(gòu)建顛覆性技術(shù)發(fā)展模型。其中，曲線L1 表示客戶可以利用或吸收的改進(jìn)率隨時(shí)間推移呈上升趨勢(shì)，例如，新一代電腦處理器比舊款性能更加強(qiáng)大，然而工作需求、個(gè)人操作水平等問(wèn)題限制了電腦性能的發(fā)揮，曲線L1 末端的正態(tài)分布表明了客戶可以利用的一系列性能，即兩條虛線之間的部分；曲線L2 表示持續(xù)性技術(shù)創(chuàng)新，即在原有性能的基礎(chǔ)上做增量的技術(shù)改進(jìn)；曲線L3 表示顛覆性技術(shù)創(chuàng)新，是對(duì)原有技術(shù)軌道的顛覆，使技術(shù)發(fā)展軌道發(fā)生改變。由此可知，顛覆性技術(shù)多產(chǎn)生于如圖1 中陰影部分。
圖1 顛覆性創(chuàng)新技術(shù)軌道
由圖1 可以看出，曲線L2 和L3 的斜率比L1 更大，表明技術(shù)進(jìn)步通常超過(guò)了用戶使用所有新產(chǎn)品功能的能力?？死锼固股?］26認(rèn)為持續(xù)創(chuàng)新是通過(guò)增量改進(jìn)來(lái)服務(wù)對(duì)產(chǎn)品性能要求更高的客戶，并指出現(xiàn)有的競(jìng)爭(zhēng)對(duì)手通常致力于持續(xù)創(chuàng)新，因?yàn)檫@一戰(zhàn)略可以為消費(fèi)者開(kāi)發(fā)出更好的產(chǎn)品，從而獲取更高的利潤(rùn)。從性能角度來(lái)看，通過(guò)顛覆性技術(shù)創(chuàng)新而來(lái)的產(chǎn)品或服務(wù)，與當(dāng)前市場(chǎng)中的產(chǎn)品或服務(wù)相比，通常使用更方便、價(jià)格更便宜，吸引要求較低或者新的客戶［11］。這種特性將持續(xù)創(chuàng)新與顛覆性創(chuàng)新區(qū)分開(kāi)來(lái)，同時(shí)也重新定義了L3 的創(chuàng)新軌跡。
1.2 顛覆性技術(shù)的特征
對(duì)現(xiàn)有文獻(xiàn)中關(guān)于顛覆性技術(shù)特征的表述進(jìn)行梳理和歸納，可得到顛覆性技術(shù)大致有8 個(gè)主要特征（見(jiàn)表1）。
表1 顛覆性技術(shù)特征歸納
基于液晶技術(shù)對(duì)陰極射線（CRT）技術(shù)顛覆的案例，對(duì)表1 中的8 個(gè)主要特征進(jìn)行歸納分析。鄭彥寧等［16］、Lee［17］、Carlo 等［18］認(rèn)為顛覆性技術(shù)是基于科學(xué)原理并融合技術(shù)實(shí)踐，增加其他相關(guān)知識(shí)模塊。顛覆性技術(shù)基于科學(xué)理論的突破、技術(shù)的融合及跨界應(yīng)用的優(yōu)勢(shì)而進(jìn)行技術(shù)創(chuàng)新。創(chuàng)新技術(shù)的融合及跨界應(yīng)用并不表明技術(shù)是新出現(xiàn)的，只是相對(duì)于技術(shù)的應(yīng)用領(lǐng)域是創(chuàng)新的——?jiǎng)?chuàng)新性對(duì)于顛覆性技術(shù)而言是必要條件而非充分條件。進(jìn)一步地，盡管價(jià)格便宜、使用方便、操作簡(jiǎn)單被學(xué)界認(rèn)為是顛覆性技術(shù)所支撐產(chǎn)品的特性，但最新研究表明這些特征并非同時(shí)存在，例如液晶顯示屏對(duì)CRT 顯示屏的顛覆并不具備價(jià)格便宜、操作簡(jiǎn)單等特征［19］。利用顛覆性技術(shù)可以開(kāi)發(fā)出新的技術(shù)或技術(shù)產(chǎn)品的功能［9］，其本質(zhì)在于這些新功能可以挖掘出客戶的潛在需求。換言之，客戶需要的產(chǎn)品需具有創(chuàng)新性。因此，將表1 中第1～4 條特征修正為“創(chuàng)新性”。
由圖1 可見(jiàn)，在位技術(shù)的性能供過(guò)于求為顛覆性技術(shù)的出現(xiàn)提供契機(jī)。從顛覆性技術(shù)與在位技術(shù)的關(guān)系來(lái)看，顛覆性創(chuàng)新作為一種特殊的技術(shù)競(jìng)爭(zhēng)關(guān)系，是顛覆性技術(shù)對(duì)在位技術(shù)全方位的功能覆蓋，功能層面的覆蓋亦將成為從在位技術(shù)出發(fā)定位潛在顛覆性技術(shù)的重要途徑。由于在位技術(shù)供過(guò)于求，為了順應(yīng)市場(chǎng)的需求，顛覆性技術(shù)應(yīng)運(yùn)而生。但顛覆性技術(shù)早期的性能較為低劣，隨著技術(shù)的發(fā)展其性能逐步提升，這一過(guò)程即體現(xiàn)了表1 中所歸納出的第5～7 條特征。例如，CRT 顯示器亮度、色彩飽和度等方面因肉眼識(shí)別能力存在溢出效應(yīng)，而液晶技術(shù)逐步發(fā)展，但早期的液晶技術(shù)產(chǎn)品存在顯示慢、有殘影、視角小等諸多問(wèn)題，隨著液晶技術(shù)性能提升，相關(guān)技術(shù)產(chǎn)品從小型顯示屏逐步邁入電視、電腦顯示屏領(lǐng)域。有研究用對(duì)未來(lái)技術(shù)發(fā)展的影響來(lái)定義顛覆性創(chuàng)新，如Dosi［20］認(rèn)為能夠成為未來(lái)許多發(fā)明基礎(chǔ)的技術(shù)被認(rèn)為是具有顛覆性的；Schoenmakers 等［21］認(rèn)為顛覆性技術(shù)通過(guò)對(duì)未來(lái)技術(shù)的影響實(shí)現(xiàn)技術(shù)的傳遞。因此，將表1 中第5～7條特征修正為“擴(kuò)散性”，即顛覆性技術(shù)對(duì)未來(lái)技術(shù)的影響。
顛覆性技術(shù)對(duì)在位技術(shù)的顛覆是一個(gè)漫長(zhǎng)的過(guò)程，在技術(shù)演化方面具有不連續(xù)、階躍式發(fā)展的特點(diǎn)［12］。換言之，顛覆性技術(shù)通過(guò)引入新的范式為后續(xù)技術(shù)發(fā)展奠定基礎(chǔ)，開(kāi)啟新的技術(shù)軌道，例如液晶顯示屏只依賴液晶技術(shù)本身，與在位技術(shù)陰極射線管不存在任何形式上的關(guān)聯(lián)。當(dāng)顛覆性技術(shù)進(jìn)入在位技術(shù)所在領(lǐng)域時(shí)，將會(huì)改變?cè)谖患夹g(shù)的性能衡量標(biāo)準(zhǔn)，從而產(chǎn)生不連續(xù)、階躍式的技術(shù)性能發(fā)展軌道，即表1 中的第8 條特征。因此，顛覆性技術(shù)的性能并不能參照現(xiàn)有技術(shù)進(jìn)行衡量，而需要采用一組新的性能參數(shù)，從而產(chǎn)生了與在位技術(shù)不同的技術(shù)性能軌道。
綜合以上分析，歸納總結(jié)出顛覆性技術(shù)具有以下特征：（1）創(chuàng)新性。顛覆性技術(shù)基于科學(xué)或技術(shù)原理的新突破或者現(xiàn)有技術(shù)的不同組合，從而使其具有創(chuàng)新性。（2）擴(kuò)散性。顛覆性技術(shù)必須能夠與主流創(chuàng)新領(lǐng)域現(xiàn)有的社會(huì)需求關(guān)聯(lián)，對(duì)在位技術(shù)功能具有一定的覆蓋性；顛覆性技術(shù)能夠滿足未被在位技術(shù)所發(fā)掘的潛在需求，對(duì)未來(lái)技術(shù)發(fā)展具有一定影響性。（3）轉(zhuǎn)軌性。當(dāng)顛覆性技術(shù)進(jìn)入現(xiàn)有的技術(shù)領(lǐng)域時(shí)，會(huì)改變當(dāng)前技術(shù)的性能衡量標(biāo)準(zhǔn)，呈現(xiàn)出階躍式的技術(shù)性能軌道。
1.3 顛覆性技術(shù)識(shí)別方法
自1995 年顛覆性技術(shù)的概念被提出以來(lái)，潛在顛覆性技術(shù)的識(shí)別方法始終是一個(gè)研究熱點(diǎn)。目前采用的方法大致可以分為定性識(shí)別和定量識(shí)別兩種。技術(shù)路線圖和評(píng)分模型是定性識(shí)別與預(yù)測(cè)顛覆性技術(shù)的主要方法，如Vojak 等［22］基于價(jià)值鏈角度提出顛覆性技術(shù)識(shí)別的技術(shù)路線圖方法體系；Kostoof等［23］將文本挖掘法和技術(shù)路線圖兩種方法相結(jié)合識(shí)別顛覆性技術(shù)。然而，使用技術(shù)路線圖方法識(shí)別顛覆性技術(shù)，其結(jié)果的客觀性會(huì)受到研究人員主觀意識(shí)的影響。此外，影響顛覆性技術(shù)發(fā)展因素較多，很難對(duì)其發(fā)展路徑進(jìn)行精準(zhǔn)預(yù)測(cè)，這也會(huì)對(duì)繪制顛覆性技術(shù)的技術(shù)路線圖帶來(lái)阻礙。也有學(xué)者利用評(píng)分模型來(lái)識(shí)別顛覆性技術(shù)，例如，Ganguly 等［3］提出目標(biāo)細(xì)分市場(chǎng)對(duì)比、在位企業(yè)技術(shù)成熟度、技術(shù)采用率和期望效用值對(duì)比等指標(biāo)來(lái)評(píng)價(jià)顛覆性技術(shù)；Guo 等［24］從主導(dǎo)力、成熟度和擴(kuò)散能力的角度評(píng)價(jià)顛覆性技術(shù)；Sainio 等［25］從顧客利益、核心戰(zhàn)略、戰(zhàn)略資源和價(jià)值網(wǎng)絡(luò)4 個(gè)維度構(gòu)建顛覆性技術(shù)評(píng)價(jià)體系。上述模型就是根據(jù)現(xiàn)有的顛覆性技術(shù)理論提出一系列指標(biāo)來(lái)評(píng)價(jià)某種技術(shù)，并依據(jù)這些標(biāo)準(zhǔn)建立評(píng)分模型，得分越高意味著這種技術(shù)越有可能成為顛覆性技術(shù)。但這種方法主觀性太強(qiáng)，更多是依賴于專(zhuān)家對(duì)顛覆性技術(shù)的判斷和預(yù)測(cè)。
定量識(shí)別方法主要是以專(zhuān)利、文獻(xiàn)數(shù)據(jù)為主要來(lái)源，通過(guò)建立數(shù)理統(tǒng)計(jì)模型對(duì)技術(shù)進(jìn)行評(píng)估，定量識(shí)別方法的數(shù)據(jù)輸入更具客觀性和系統(tǒng)性，例如Cheng 等［26］基于SIRS 傳染病模型，對(duì)射頻識(shí)別技術(shù)（RFID）領(lǐng)域的專(zhuān)利數(shù)據(jù)進(jìn)行分析，從而得到顛覆性技術(shù)的總體擴(kuò)散率；黃魯成等［27］從技術(shù)生命周期著手，基于顛覆性技術(shù)萌芽期的技術(shù)特性進(jìn)行測(cè)度，并結(jié)合SAO 語(yǔ)義結(jié)構(gòu)提取預(yù)測(cè)技術(shù)未來(lái)發(fā)展；蘇敬勤等［28］依據(jù)動(dòng)態(tài)創(chuàng)新能力理論，利用專(zhuān)利量時(shí)間分布“J”型曲線、專(zhuān)利引用量時(shí)間分布“Λ”型曲線和專(zhuān)利引用率時(shí)間分布的“L”型曲線，研究顛覆性技術(shù)的演化路徑，并且提出“專(zhuān)利影響因子”的概念，可以對(duì)中早期的顛覆性技術(shù)進(jìn)行識(shí)別；Momeni 等［29］則是結(jié)合專(zhuān)利和論文數(shù)據(jù)，通過(guò)專(zhuān)利引用信息獲取技術(shù)發(fā)展相關(guān)信息，再通過(guò)對(duì)專(zhuān)利摘要進(jìn)行技術(shù)聚類(lèi)來(lái)識(shí)別技術(shù)發(fā)展軌跡，最后結(jié)合相關(guān)論文驗(yàn)證顛覆性技術(shù)的發(fā)展趨勢(shì)和潛力。綜上所述，現(xiàn)有定量識(shí)別方法更多是從顛覆性技術(shù)對(duì)市場(chǎng)影響的角度來(lái)著手，較少考慮顛覆性技術(shù)的自身特點(diǎn)；而且現(xiàn)有研究較多從單一指標(biāo)著手進(jìn)行顛覆性技術(shù)的識(shí)別，缺乏對(duì)顛覆性技術(shù)特征的系統(tǒng)闡述。因此，本研究首先分析對(duì)顛覆性技術(shù)特征的相關(guān)研究，然后從專(zhuān)利文獻(xiàn)數(shù)據(jù)入手，利用專(zhuān)利路徑分析現(xiàn)有技術(shù)的復(fù)雜結(jié)構(gòu)，最后結(jié)合專(zhuān)利吸收率和專(zhuān)利擴(kuò)散率的測(cè)度結(jié)果識(shí)別出顛覆性技術(shù)。
2 顛覆性技術(shù)識(shí)別模型構(gòu)建
2.1 搜索路徑統(tǒng)計(jì)數(shù)
搜索路徑統(tǒng)計(jì)數(shù)（search path count,SPC）是Batagelj［30］基于節(jié)點(diǎn)對(duì)投影統(tǒng)計(jì)數(shù)（node pair projection count,NPPC）、搜索路徑連接統(tǒng)計(jì)數(shù)（search path link count,SPLC）、搜索路徑節(jié)點(diǎn)對(duì)統(tǒng)計(jì)數(shù)（search path node pair,SPNP）而提出的方法。該算法使用專(zhuān)利引文矩陣作為輸入，專(zhuān)利引文矩陣是一個(gè)有向圖，這意味著一組由弧1）連接的節(jié)點(diǎn)（指專(zhuān)利）有一個(gè)方向，也就是說(shuō)，該圖顯示了專(zhuān)利 是否引用專(zhuān)利以及引用專(zhuān)利 的頻率；反之亦然。專(zhuān)利引用矩陣應(yīng)包含一項(xiàng)技術(shù)的所有相關(guān)專(zhuān)利，如Wasserman 等［31］根據(jù)引文關(guān)系的結(jié)構(gòu)特征將專(zhuān)利分為4 類(lèi)：（1）獨(dú)立專(zhuān)利（未被其他專(zhuān)利引用，也未引用其他專(zhuān)利）；（2）原始專(zhuān)利（被其他專(zhuān)利引用，未引用其他專(zhuān)利）；（3）終端專(zhuān)利（未被其他專(zhuān)利引用，引用其他專(zhuān)利）；（4）中間專(zhuān)利（被其他專(zhuān)利引用，也引用其他專(zhuān)利）。
SPC 算法提出了一種確定專(zhuān)利發(fā)展路徑2）的方法，以全面了解復(fù)雜的專(zhuān)利引用網(wǎng)絡(luò)及其技術(shù)發(fā)展歷史。該算法減少了原專(zhuān)利引用網(wǎng)絡(luò)中的弧，只保留了原專(zhuān)利引用網(wǎng)絡(luò)中的權(quán)重較高的弧。SPC 算法的核心思想是，鏈接到選定弧的專(zhuān)利可以作為高價(jià)值專(zhuān)利進(jìn)行評(píng)估；此外，位于各種開(kāi)發(fā)路徑聚集位置的專(zhuān)利被解釋為聚合技術(shù)點(diǎn)，其中一項(xiàng)技術(shù)是通過(guò)聚合具有不同目標(biāo)或特征的兩種或兩種以上技術(shù)而開(kāi)發(fā)的。因此，根據(jù)所有弧的權(quán)重選擇主路徑，這意味著確定權(quán)重的方法是最重要的部分。借鑒Batagelj［30］應(yīng)用搜索SPC 算法確定弧的權(quán)重方法，則對(duì)于任意一條自源點(diǎn)到匯點(diǎn)的經(jīng)由連邊的路徑的形式如下：
在檢索到的專(zhuān)利中，選擇所有原始專(zhuān)利作為專(zhuān)利發(fā)展路徑的起點(diǎn)。原始專(zhuān)利是在一項(xiàng)技術(shù)的早期發(fā)展起來(lái)的，因此一直是專(zhuān)利發(fā)展道路的起點(diǎn)。然后使用公式（1）～（3），從原始專(zhuān)利延伸到專(zhuān)利開(kāi)發(fā)路徑。從一個(gè)原始專(zhuān)利開(kāi)始的每一個(gè)弧都被選中，也就是說(shuō)，這些弧鏈接到引用專(zhuān)利的專(zhuān)利?；趯?duì)每個(gè)弧的SPC 的比較來(lái)評(píng)估弧，并且從原始專(zhuān)利的鏈接弧中選擇SPC 最高的弧。在這個(gè)過(guò)程中，通常只選擇一個(gè)弧。如果兩個(gè)或多個(gè)弧的SPC 相同，則可以將其全部保留。位于選定弧末端的專(zhuān)利成為開(kāi)發(fā)路徑另一弧的新起點(diǎn)，即通過(guò)基于SPC 評(píng)估與最近添加的專(zhuān)利相關(guān)聯(lián)的弧，將位于弧末端的專(zhuān)利添加到開(kāi)發(fā)路徑中。最后，當(dāng)來(lái)自每個(gè)原專(zhuān)利的所有專(zhuān)利開(kāi)發(fā)路徑都到達(dá)終點(diǎn)，即最近申請(qǐng)的專(zhuān)利時(shí)，該算法終止。
2.2 技術(shù)特征的專(zhuān)利表述
專(zhuān)利數(shù)據(jù)包含豐富的信息，其格式較為固定且能反映出技術(shù)的發(fā)展；專(zhuān)利的引用信息既可以反映技術(shù)的創(chuàng)新程度［32］，也可以追蹤技術(shù)知識(shí)擴(kuò)散的路徑［33］。專(zhuān)利數(shù)據(jù)廣泛應(yīng)用在顛覆性技術(shù)識(shí)別與預(yù)測(cè)的研究中［34］，因此，本研究采用專(zhuān)利數(shù)據(jù)對(duì)顛覆性技術(shù)的識(shí)別方法進(jìn)行研究，聚焦于顛覆性技術(shù)的技術(shù)特征，因此使用專(zhuān)利的后向引用和前向引用表征顛覆性技術(shù)的特性。其中，專(zhuān)利后向引用是指研究對(duì)象所引用的其他專(zhuān)利，而前向引用是指研究對(duì)象被其他專(zhuān)利引用。
專(zhuān)利的前向引用可視為一項(xiàng)專(zhuān)利影響的指示性指標(biāo)，較多的前向引用表明該專(zhuān)利可能具有廣泛的影響，因?yàn)樗绊懥烁鱾€(gè)領(lǐng)域的后續(xù)創(chuàng)新［35］?，F(xiàn)有研究通過(guò)對(duì)比專(zhuān)利之間引用信息來(lái)表示專(zhuān)利的創(chuàng)新性，以此來(lái)區(qū)分新、舊發(fā)明之間的差別［36］。顛覆性技術(shù)的創(chuàng)新性和轉(zhuǎn)軌性特征，也是就其與之前和現(xiàn)有技術(shù)之間的相對(duì)比較而言。專(zhuān)利的后向引用可視為一項(xiàng)專(zhuān)利創(chuàng)新的指示性指標(biāo)，如果一項(xiàng)專(zhuān)利引用了一組狹窄技術(shù)的專(zhuān)利，則其獨(dú)創(chuàng)程度較低，而引用廣泛領(lǐng)域的專(zhuān)利則其創(chuàng)新性較高［37］。此外，一項(xiàng)技術(shù)后向引用的專(zhuān)利不是它所處的類(lèi)別時(shí)，這種模式表明發(fā)明建立在不同于該技術(shù)所應(yīng)用的技術(shù)范式的基礎(chǔ)上［36］。本研究嘗試采用專(zhuān)利后向引用專(zhuān)利與自身專(zhuān)利的相似或差異程度來(lái)表征顛覆性技術(shù)的技術(shù)特征。顛覆性技術(shù)開(kāi)始出現(xiàn)時(shí)，由于其與現(xiàn)有技術(shù)相比不具備優(yōu)勢(shì)，其對(duì)于后續(xù)技術(shù)發(fā)展的影響比較小；當(dāng)顛覆性技術(shù)成為主流技術(shù)以后，會(huì)出現(xiàn)眾多效仿者，其對(duì)于后續(xù)技術(shù)的影響力也越來(lái)越大。因此，顛覆性技術(shù)越成功，它的技術(shù)影響力越大，它的前向引用擴(kuò)散的程度也就越高。
根據(jù)以上推理，本研究定義兩個(gè)變量：（1）專(zhuān)利吸收率，即后向引用專(zhuān)利中的國(guó)際專(zhuān)利分類(lèi)號(hào)（IPC）的個(gè)數(shù)與研究對(duì)象本身IPC 分類(lèi)號(hào)個(gè)數(shù)的比值，用來(lái)表示研究對(duì)象的創(chuàng)新程度；（2）專(zhuān)利擴(kuò)散率，即前向引用專(zhuān)利中IPC 分類(lèi)號(hào)的個(gè)數(shù)與研究對(duì)象本身IPC 分類(lèi)號(hào)個(gè)數(shù)的比值，用來(lái)表示研究對(duì)象的擴(kuò)散應(yīng)用程度。通過(guò)計(jì)算某一專(zhuān)利的IPC 分類(lèi)號(hào)的個(gè)數(shù)與其所有后向引用專(zhuān)利的IPC 分類(lèi)號(hào)的平均個(gè)數(shù)的相似度，得出一個(gè)專(zhuān)利吸收率，即；計(jì)算某一專(zhuān)利的IPC 分類(lèi)號(hào)的個(gè)數(shù)與其所有前向引用專(zhuān)利的IPC 分類(lèi)號(hào)的平均個(gè)數(shù)的相似度，得出專(zhuān)利擴(kuò)散率。因此得到以下公式：
3 智能語(yǔ)音行業(yè)顛覆性技術(shù)識(shí)別與分析
在《中華人民共和國(guó)國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和2035 年遠(yuǎn)景目標(biāo)綱要》中，“智能”與“智慧”出現(xiàn)的頻率高達(dá)57 次，這表明以人工智能為代表的新一代信息技術(shù)將成為我國(guó)“十四五”期間推動(dòng)經(jīng)濟(jì)高質(zhì)量發(fā)展、建設(shè)創(chuàng)新型國(guó)家的重要技術(shù)保障。此外，根據(jù)Gartner［38］發(fā)布的2020 年AI技術(shù)成熟度曲線，智能語(yǔ)音識(shí)別技術(shù)步入了生產(chǎn)高峰期，意味著智能語(yǔ)音識(shí)別技術(shù)將被廣泛應(yīng)用。由于國(guó)家的政策導(dǎo)向以及研究的聚集，智能語(yǔ)音領(lǐng)域更容易迭代出顛覆性技術(shù)，具有良好的代表性，因此，本研究聚焦于智能語(yǔ)音這一當(dāng)下廣受矚目的人工智能細(xì)分領(lǐng)域，構(gòu)建識(shí)別智能語(yǔ)音行業(yè)顛覆性技術(shù)的流程（見(jiàn)圖2）。
圖2 智能語(yǔ)音行業(yè)顛覆性技術(shù)識(shí)別流程
3.1 數(shù)據(jù)來(lái)源
本研究基于Tranfield 等［39］提出的專(zhuān)利檢索兩階段方法來(lái)檢索和篩選智能語(yǔ)音專(zhuān)利，以提高專(zhuān)利搜集的科學(xué)性與準(zhǔn)確性。首先，使用USPTO數(shù)據(jù)庫(kù)檢索智能語(yǔ)音技術(shù)專(zhuān)利，檢索公式為：TACD:("artificial intelligence speech*" OR "Intelligent voice*" OR "speech recognition*" OR "natural language processing" OR " speech synthesis *" OR "NLP*" OR "TTS")and APD:［*to 20201231］。去除外觀設(shè)計(jì)專(zhuān)利和簡(jiǎn)單同族專(zhuān)利數(shù)后，發(fā)現(xiàn)智能語(yǔ)音行業(yè)1970—2020 年間累計(jì)申請(qǐng)專(zhuān)利2 134 件，形成了初始專(zhuān)利集。其次，為了剔除與智能語(yǔ)音行業(yè)無(wú)關(guān)的專(zhuān)利，將IPC 分類(lèi)號(hào)限制為G10L15/22、G06F3/16、G06N3/08、G10L15/26、G06N20/00、G10L15/00、G10L15/18 和G06F17/28。進(jìn)一步地，通過(guò)檢視專(zhuān)利文獻(xiàn)構(gòu)建非相關(guān)主題的關(guān)鍵詞詞典，具體包括machine translation、MT、image segmentation、object detection、phrase detection、reading tutor、phonemic transcription、voice dialing、vision、interventions、graphics、character、emoji。最后，基于IPC 分類(lèi)號(hào)、非相關(guān)主題關(guān)鍵詞以及專(zhuān)利文獻(xiàn)閱讀等方式進(jìn)行反復(fù)篩選，篩選出1 985 件專(zhuān)利進(jìn)行分析。具體過(guò)程如圖3 所示。
圖3 專(zhuān)利數(shù)據(jù)清洗流程
3.2 智能語(yǔ)音技術(shù)的發(fā)展階段
根據(jù)華西計(jì)算機(jī)團(tuán)隊(duì)［40］對(duì)智能語(yǔ)音技術(shù)發(fā)展階段的劃分（即技術(shù)的萌芽期、成長(zhǎng)期、成熟期），來(lái)解釋智能語(yǔ)音技術(shù)的發(fā)展階段。首先，依照技術(shù)的3 個(gè)發(fā)展階段將專(zhuān)利為：1970—1997 年、1998—2008 年和2009—2020 年，依次建立專(zhuān)利引用矩陣；然后將專(zhuān)利引用矩陣導(dǎo)入Pajek 軟件中，使用其內(nèi)嵌的SPC 算法，利用式（1）～（3）計(jì)算出每一條弧的權(quán)重，并選擇權(quán)重最高的弧繪制出每一階段的技術(shù)發(fā)展路徑。
3.2.1 萌芽階段（1970—1989 年）
圖4 顯示了萌芽期語(yǔ)音識(shí)別技術(shù)的發(fā)展路徑，也就是萌芽期語(yǔ)音識(shí)別領(lǐng)域中的主要專(zhuān)利。早期發(fā)展中，通過(guò)對(duì)語(yǔ)音的模式和特征設(shè)置參數(shù)，并基于大量詞匯進(jìn)行連續(xù)語(yǔ)音識(shí)別。例如專(zhuān)利US3946157A通過(guò)分析語(yǔ)音來(lái)識(shí)別因素，從而識(shí)別單詞；US407460 從連續(xù)語(yǔ)音中識(shí)別單詞。隨著語(yǔ)音識(shí)別技術(shù)的發(fā)展，語(yǔ)音識(shí)別技術(shù)分為了聲學(xué)模型發(fā)展和外部降噪兩方面。聲學(xué)模型可以理解為幫助計(jì)算機(jī)認(rèn)知每個(gè)音素單元的聲學(xué)特征［41］，在萌芽階段其發(fā)展主要依靠統(tǒng)計(jì)模型，如專(zhuān)利US4759068 構(gòu)建了馬爾可夫模型，繼而US5033087A 提出以馬爾可夫模型為基礎(chǔ)的連續(xù)語(yǔ)音識(shí)別，隨后US5832430A 提出了基于隱馬爾可夫模型（hidden Markov model,HMM）同時(shí)檢測(cè)和驗(yàn)證詞匯單詞的識(shí)別方法。降噪方面，主要的專(zhuān)利是US5097510A 降噪處理和US498732 高噪音環(huán)境下的幀比較方法。與此同時(shí)，語(yǔ)音裝置得到發(fā)展，并且與語(yǔ)音識(shí)別統(tǒng)計(jì)模型相結(jié)合，聲學(xué)模型生成方法（US5799277）和非參數(shù)語(yǔ)音識(shí)別模型（US6224636）由此提出。
從圖4 還可以看到，對(duì)于語(yǔ)音識(shí)別的聲學(xué)模型構(gòu)建研究較為集中。在萌芽階段，語(yǔ)音識(shí)別方法基本上是采用傳統(tǒng)的模式識(shí)別策略，還應(yīng)用了矢量量化和隱馬爾可夫模型理論，隱馬爾可夫模型的應(yīng)用使得語(yǔ)音識(shí)別獲得了突破，開(kāi)始從基于簡(jiǎn)單的模板匹配方法轉(zhuǎn)向基于概率統(tǒng)計(jì)建模的方法，為未來(lái)智能語(yǔ)音的發(fā)展奠定了基礎(chǔ)。
圖4 萌芽期智能語(yǔ)音專(zhuān)利網(wǎng)絡(luò)
3.2.2 成長(zhǎng)階段（1998—2008 年）
語(yǔ)音識(shí)別技術(shù)經(jīng)過(guò)萌芽期，隱馬爾可夫模型、高斯混合模型等聲學(xué)模型逐步建立，進(jìn)入了語(yǔ)音識(shí)別的概率統(tǒng)計(jì)建模階段。圖5 顯示，在隱馬爾可夫模型、高斯混合模型發(fā)展的同時(shí)，神經(jīng)網(wǎng)絡(luò)技術(shù)也在智能語(yǔ)音領(lǐng)域中穩(wěn)步發(fā)展，例如專(zhuān)利US5179624A就已經(jīng)使用神經(jīng)網(wǎng)絡(luò)技術(shù)和模糊邏輯進(jìn)行語(yǔ)音識(shí)別。在這一階段還出現(xiàn)了語(yǔ)音增強(qiáng)技術(shù)以及構(gòu)建知識(shí)庫(kù)的方法，如微軟公司在2003 年提出了多傳感語(yǔ)音增強(qiáng)方法和裝置（US7447630B2）移除語(yǔ)音信號(hào)中噪聲，同年還提出了矢量圖形的標(biāo)記語(yǔ)言和對(duì)象模型（US7486294B2）；IBM 公司在2006 年申請(qǐng)了專(zhuān)利US8554560B2，技術(shù)主要涉及話音活動(dòng)監(jiān)測(cè)系統(tǒng)和方法，包括語(yǔ)音編碼、免提電話語(yǔ)音識(shí)別等眾多語(yǔ)音處理工作；同時(shí)可訓(xùn)練的語(yǔ)音合成發(fā)放提出，適合嵌入式設(shè)備應(yīng)用。
圖5 成長(zhǎng)期智能語(yǔ)音專(zhuān)利網(wǎng)絡(luò)
隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，智能語(yǔ)音識(shí)別在客戶端和服務(wù)器系統(tǒng)的分布式語(yǔ)音識(shí)別技術(shù)（US6615172B2）的基礎(chǔ)上，使用基于統(tǒng)計(jì)和語(yǔ)義的處理組合進(jìn)一步來(lái)理解用戶的話語(yǔ)含義（US7392185），對(duì)于語(yǔ)音的識(shí)別也逐步轉(zhuǎn)入到對(duì)用戶語(yǔ)義的理解，還可以在線匹配答案呈現(xiàn)給用戶；同時(shí)語(yǔ)音識(shí)別技術(shù)逐漸走向?qū)嵱没?，在建立模型、提取和?yōu)化特征參數(shù)方面取得了突破性的進(jìn)展，使系統(tǒng)具有更好的自動(dòng)性和自適應(yīng)性，例如專(zhuān)利US5905789A 和US20020059068 等。此外，深度學(xué)習(xí)技術(shù)的介入，極大地促進(jìn)了語(yǔ)音識(shí)別技術(shù)的進(jìn)步和應(yīng)用的廣泛發(fā)展，大大提高了語(yǔ)音識(shí)別精度；語(yǔ)音識(shí)別技術(shù)在手機(jī)和家電等嵌入式設(shè)備中得到了大量應(yīng)用，用于語(yǔ)音輸入以及語(yǔ)音控制。
3.2.3 成熟階段（2009 年至今）
這一階段，智能語(yǔ)音技術(shù)發(fā)展呈現(xiàn)出百花齊放的特點(diǎn)，神經(jīng)網(wǎng)絡(luò)在智能語(yǔ)音領(lǐng)域的研究較為集中（見(jiàn)圖6）。神經(jīng)網(wǎng)絡(luò)運(yùn)用在語(yǔ)音識(shí)別中，例如遞歸神經(jīng)網(wǎng)絡(luò)（US10474753B2）、雙向反復(fù)性神經(jīng)網(wǎng)絡(luò)（US10984780B2）等。阿里巴巴集團(tuán)在前饋序列記憶神經(jīng)網(wǎng)絡(luò)（feedforward sequential memory networks,FSMN）的基礎(chǔ)上提出了深層的前饋序列記憶神經(jīng)網(wǎng) 絡(luò)（deep feedforward sequential memory networks,DFSMN），并將DFSMN 與低幀率（lower frame rate,LFR）相結(jié)合用于加速模型的訓(xùn)練和測(cè)試，使得基于LFR-DFSMN 的聲學(xué)模型可以被應(yīng)用到實(shí)時(shí)的語(yǔ)音識(shí)別系統(tǒng)中。
圖6 成熟期智能語(yǔ)音專(zhuān)利網(wǎng)絡(luò)
語(yǔ)音識(shí)別發(fā)展至今，主流算法模型已經(jīng)從模板匹配階段轉(zhuǎn)變?yōu)樯疃壬窠?jīng)網(wǎng)絡(luò)（DNN）階段。在深度神經(jīng)網(wǎng)絡(luò)算法下，考慮到訓(xùn)練過(guò)程中大量數(shù)據(jù)的使用使得計(jì)算量巨大，對(duì)于應(yīng)用企業(yè)而言，采用本地計(jì)算方式的算力門(mén)檻過(guò)高，而在當(dāng)下的智能時(shí)代，日漸普及的云計(jì)算環(huán)境提升了AI 語(yǔ)音識(shí)別運(yùn)算效率的同時(shí)也降低了企業(yè)的入市門(mén)檻，因此大大促進(jìn)了AI 語(yǔ)音的技術(shù)發(fā)展；同時(shí)，由于深度神經(jīng)網(wǎng)絡(luò)的介入，語(yǔ)音識(shí)別的準(zhǔn)確性高達(dá)98%，且已在多場(chǎng)合應(yīng)用。進(jìn)入成熟期，智能語(yǔ)音技術(shù)的自動(dòng)化程度越來(lái)越高，基于專(zhuān)利US20030023440A1 的動(dòng)態(tài)分段技術(shù)，進(jìn)一步發(fā)展出多模塊的語(yǔ)音處理方式。專(zhuān)利US20130262107A1 將智能語(yǔ)音處理技術(shù)分為語(yǔ)音轉(zhuǎn)化模塊、自然語(yǔ)言處理模塊、語(yǔ)義引擎模塊、數(shù)據(jù)庫(kù)查找模塊等，整合各個(gè)模塊功能，推動(dòng)智能語(yǔ)音進(jìn)一步發(fā)展；US20140316768A1 通過(guò)語(yǔ)音識(shí)別終端把采集到的語(yǔ)音片段進(jìn)行模數(shù)轉(zhuǎn)換后進(jìn)行傳送和決策，然后通過(guò)通信網(wǎng)絡(luò)將語(yǔ)音數(shù)據(jù)上傳至云端進(jìn)行語(yǔ)音識(shí)別，最后反饋結(jié)果至語(yǔ)音識(shí)別終端，在此過(guò)程中，云計(jì)算可以完成語(yǔ)音數(shù)據(jù)庫(kù)和語(yǔ)言數(shù)據(jù)庫(kù)的訓(xùn)練，最高效輸出反饋結(jié)果，提高AI 語(yǔ)音識(shí)別技術(shù)的準(zhǔn)確率。
在這一階段，語(yǔ)音識(shí)別方法、裝置以及聲紋識(shí)別方法、裝置專(zhuān)利也大量涌現(xiàn)。其中，語(yǔ)音識(shí)別方法和裝置方面，微軟公司在2012 年提出的專(zhuān)利US9244984B2 對(duì)查詢、會(huì)話和搜索作出個(gè)性化改進(jìn)，可滿足用戶對(duì)交互個(gè)性化的需求；百度公司在2013年提出的自動(dòng)語(yǔ)音識(shí)別方法和系統(tǒng)（US9697821B2），可以提高對(duì)生僻詞語(yǔ)的語(yǔ)音的識(shí)別準(zhǔn)確率。聲紋識(shí)別方法和裝置方面，平安科技（深圳）有限公司在2017 年提出的聲紋識(shí)別方法及裝置（US10629209B2）涉及生物特征的身份識(shí)別技術(shù)領(lǐng)域，提供一種聲紋識(shí)別方法及裝置，可提高大量語(yǔ)音識(shí)別請(qǐng)求的處理效率，縮短處理時(shí)間。
根據(jù)上述分析，智能語(yǔ)音技術(shù)的發(fā)展可以從3個(gè)角度分析。從計(jì)算能力來(lái)看，芯片處理能力的大幅提升、圖形處理器（GPU）的大量應(yīng)用、云服務(wù)的普及還有硬件價(jià)格的快速下降共同為人工智能計(jì)算能力的提升提供了重要支撐；從算法框架來(lái)看，目前主流語(yǔ)音識(shí)別模型已經(jīng)以深度神經(jīng)網(wǎng)絡(luò)為主導(dǎo)，神經(jīng)網(wǎng)絡(luò)的出現(xiàn)及普及為語(yǔ)音識(shí)別準(zhǔn)確率的提升起到了重要作用；從計(jì)算數(shù)據(jù)來(lái)看，更加貼近真實(shí)使用場(chǎng)景的語(yǔ)料庫(kù)也為語(yǔ)音識(shí)別技術(shù)提供了更加有效的訓(xùn)練素材，從而大幅提升了AI 語(yǔ)音識(shí)別產(chǎn)品及服務(wù)的使用體驗(yàn)。
3.3 技術(shù)顛覆性分析模型
依據(jù)上述3 個(gè)階段發(fā)展路徑，語(yǔ)音識(shí)別領(lǐng)域最重要的技術(shù)主題包括：深度神經(jīng)網(wǎng)絡(luò)、語(yǔ)音增強(qiáng)（speech enhancement）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network）、支持向量機(jī)（support vector machine）和強(qiáng)化學(xué)習(xí)（reinforcement learning）。這6 個(gè)技術(shù)主題主要專(zhuān)利情況如表2 所示，對(duì)于每一個(gè)技術(shù)主題下的專(zhuān)利，使用其專(zhuān)利引用數(shù)量、專(zhuān)利被引用數(shù)量、前向引用專(zhuān)利的IPC 分類(lèi)號(hào)、后向引用專(zhuān)利的IPC分類(lèi)號(hào)以及自身專(zhuān)利的IPC 分類(lèi)號(hào)5 個(gè)指標(biāo)進(jìn)行顛覆性潛力分析，求出每一個(gè)指標(biāo)平均數(shù)如表3 所示。
表2 智能語(yǔ)音領(lǐng)域六大技術(shù)主題專(zhuān)利
表3 智能語(yǔ)音領(lǐng)域六大技術(shù)主題各項(xiàng)指標(biāo)測(cè)算
運(yùn)用公式（4）（5）計(jì)算每個(gè)技術(shù)主題下的專(zhuān)利的吸收率和擴(kuò)散率，結(jié)果如表4 所示。綜合考慮表3 和表4，從而確定每個(gè)技術(shù)主題的創(chuàng)新性、擴(kuò)散性以及轉(zhuǎn)軌性，最終確定每項(xiàng)技術(shù)主題的技術(shù)顛覆性潛力，如圖7 所示?？梢?jiàn)，強(qiáng)化學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)是同時(shí)具備高創(chuàng)新性、擴(kuò)散性和轉(zhuǎn)軌性的技術(shù)領(lǐng)域，為智能語(yǔ)音領(lǐng)域的顛覆性技術(shù)。其中，神經(jīng)網(wǎng)絡(luò)起源于對(duì)生物神經(jīng)元的研究，運(yùn)用在智能語(yǔ)音領(lǐng)域中可以對(duì)智能語(yǔ)音識(shí)別的精確度帶來(lái)顯著的提升，其顛覆了概率統(tǒng)計(jì)建模階段的隱馬爾可夫模型、高斯混合模型等聲學(xué)模型，成為主流聲學(xué)模型，足以表明神經(jīng)網(wǎng)絡(luò)的高創(chuàng)新性和轉(zhuǎn)軌性；神經(jīng)網(wǎng)絡(luò)技術(shù)在語(yǔ)音識(shí)別領(lǐng)域的應(yīng)用，可以有效緩解噪聲環(huán)境下語(yǔ)音識(shí)別準(zhǔn)確度不高的問(wèn)題，助力智能語(yǔ)音設(shè)備為用戶帶來(lái)較好的消費(fèi)體驗(yàn)。2009 年，Hinton 等［42］將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于語(yǔ)音的聲學(xué)建模，這是智能語(yǔ)音史上的里程碑，為后續(xù)的技術(shù)發(fā)展奠定了堅(jiān)實(shí)的基礎(chǔ)。2011 年，微軟研究院提出的基于上下文相關(guān)深度神經(jīng)網(wǎng)絡(luò)和隱馬爾可夫模型的聲學(xué)模型，在大詞匯量連續(xù)語(yǔ)音識(shí)別任務(wù)上獲得了顯著的性能提升效果，大大降低了語(yǔ)音識(shí)別錯(cuò)誤率，自此語(yǔ)音識(shí)別進(jìn)入DNN-HMM 時(shí)代。2013 年，科大訊飛股份有限公司構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)極大地減少了神經(jīng)網(wǎng)絡(luò)的參數(shù)個(gè)數(shù)，減少了模型所需的存儲(chǔ)空間并且加快了模型的訓(xùn)練速度，同時(shí)也提高語(yǔ)音識(shí)別系統(tǒng)最終識(shí)別的解碼速度，從而在實(shí)際運(yùn)用中有更好的實(shí)時(shí)性。由此可見(jiàn)，智能語(yǔ)音領(lǐng)域未來(lái)的發(fā)展方向主要是端到端的神經(jīng)網(wǎng)絡(luò)算法。
圖7 智能語(yǔ)音領(lǐng)域六大技術(shù)主題顛覆性測(cè)度
表4 智能語(yǔ)音領(lǐng)域六大技術(shù)主題專(zhuān)利吸收率及擴(kuò)散率
由圖7 可知，強(qiáng)化學(xué)習(xí)技術(shù)的專(zhuān)利擴(kuò)散率較高，極具顛覆性，對(duì)未來(lái)技術(shù)的發(fā)展極具影響力。強(qiáng)化學(xué)習(xí)的思想源于心理學(xué)，是多學(xué)科交叉融合的產(chǎn)物，這體現(xiàn)出其具有良好的創(chuàng)新性，應(yīng)用在智能語(yǔ)音領(lǐng)域中可使智能語(yǔ)音展現(xiàn)出轉(zhuǎn)軌性，隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，應(yīng)用、終端和場(chǎng)景帶來(lái)了大量應(yīng)用數(shù)據(jù)，更為應(yīng)用于語(yǔ)音識(shí)別的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)帶來(lái)了技術(shù)突破。語(yǔ)音識(shí)別技術(shù)的爆發(fā)是源于大數(shù)據(jù)，數(shù)據(jù)量越多，語(yǔ)音識(shí)別算法的準(zhǔn)確性越高，語(yǔ)音識(shí)別的識(shí)別準(zhǔn)確率相應(yīng)越高。其次，語(yǔ)音識(shí)別技術(shù)需要豐富的場(chǎng)景土壤來(lái)培養(yǎng)快速的復(fù)雜場(chǎng)景處理能力。在消費(fèi)級(jí)用戶需求方面，在語(yǔ)音識(shí)別技術(shù)發(fā)展的開(kāi)端，消費(fèi)者對(duì)語(yǔ)音識(shí)別技術(shù)就建立了高預(yù)期——希望利用新技術(shù)提升生活體驗(yàn)，將高準(zhǔn)確率的語(yǔ)音識(shí)別技術(shù)創(chuàng)造性地融入日常場(chǎng)景中；在專(zhuān)業(yè)級(jí)用戶需求方面，司法、醫(yī)療、教育、電信、交通等領(lǐng)域企業(yè)級(jí)用戶需要語(yǔ)音識(shí)別系統(tǒng)在實(shí)際業(yè)務(wù)應(yīng)用中表現(xiàn)出功能可靠性和穩(wěn)定性，因此，這些專(zhuān)業(yè)級(jí)用戶在選擇語(yǔ)音識(shí)別產(chǎn)品時(shí)會(huì)通過(guò)嚴(yán)格的招投標(biāo)選擇最具實(shí)力和行業(yè)經(jīng)驗(yàn)的AI 語(yǔ)音識(shí)別產(chǎn)品和服務(wù)供應(yīng)商。
4 結(jié)論和展望
4.1 研究結(jié)論
圍繞顛覆性技術(shù)識(shí)別這個(gè)問(wèn)題，本研究基于現(xiàn)有顛覆性技術(shù)研究，揚(yáng)棄了過(guò)往使用單一指標(biāo)來(lái)進(jìn)行顛覆性技術(shù)識(shí)別的方式，重新修正了顛覆性技術(shù)特征，綜合考慮專(zhuān)利的各項(xiàng)指標(biāo)，利用更加科學(xué)、系統(tǒng)的體系以較好地識(shí)別出顛覆性技術(shù)，并以顛覆性技術(shù)自身特點(diǎn)為基礎(chǔ)，結(jié)合專(zhuān)利信息中的技術(shù)發(fā)展歷史來(lái)更好地表征顛覆性技術(shù)的自身特點(diǎn)，從而提升顛覆性技術(shù)識(shí)別的精準(zhǔn)度；同時(shí)從專(zhuān)利視角切入，運(yùn)用SPC 算法篩選了智能語(yǔ)音技術(shù)領(lǐng)域中的核心專(zhuān)利，分析識(shí)別出強(qiáng)化學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)是顛覆性技術(shù)，而端到端的神經(jīng)網(wǎng)絡(luò)算法是該領(lǐng)域未來(lái)發(fā)展的方向。
4.2 研究局限和未來(lái)展望
本研究在進(jìn)行技術(shù)主路徑研究時(shí)嚴(yán)重依賴于技術(shù)主題的檢索數(shù)據(jù)庫(kù)和技術(shù)特點(diǎn)，如果數(shù)據(jù)庫(kù)不全、數(shù)據(jù)查全率不夠，可能會(huì)導(dǎo)致路徑的缺失。此外，專(zhuān)利引文來(lái)源主要來(lái)源于發(fā)明人引用的專(zhuān)利文獻(xiàn)和非專(zhuān)利文獻(xiàn)，以及審查員在專(zhuān)利審查過(guò)程中添加的專(zhuān)利文獻(xiàn)和非專(zhuān)利文獻(xiàn)，鑒于發(fā)明人會(huì)本能地回避相同或者相似的已有專(zhuān)利技術(shù)，導(dǎo)致發(fā)明人引用的專(zhuān)利文獻(xiàn)與專(zhuān)利申請(qǐng)的相關(guān)程度遠(yuǎn)低于審查員添加的專(zhuān)利引文，而隨著顛覆性創(chuàng)新環(huán)境變得越來(lái)越復(fù)雜和多樣化，人工智能技術(shù)快速發(fā)展和不斷更迭，未來(lái)有必要用動(dòng)態(tài)的眼光進(jìn)行深入探索，結(jié)合已經(jīng)處于智能語(yǔ)音技術(shù)前沿的企業(yè)所面臨的技術(shù)發(fā)展?fàn)顩r進(jìn)行案例分析，檢驗(yàn)專(zhuān)利路徑發(fā)展的準(zhǔn)確性，并在查找專(zhuān)利引文應(yīng)用的關(guān)鍵路徑時(shí)，利用文本挖掘技術(shù)從專(zhuān)利文本中抽取關(guān)鍵詞或者技術(shù)術(shù)語(yǔ)，結(jié)合專(zhuān)利引文分析共同構(gòu)建技術(shù)演化圖，完善查找技術(shù)發(fā)展主路徑的方法。
注釋?zhuān)?/p>
1）弧即兩個(gè)節(jié)點(diǎn)之間的連線。
2）專(zhuān)利引文網(wǎng)絡(luò)中的關(guān)鍵路徑。
猜你喜歡
一半模型童話王國(guó)·奇妙邏輯推理(2024年5期)2024-06-19 16:03:38 邁上十四五發(fā)展“新跑道”，打好可持續(xù)發(fā)展的“未來(lái)牌”中國(guó)核電(2021年3期)2021-08-13 08:56:36 重要模型『一線三等角』中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2020年10期)2020-11-26 08:24:50 重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布數(shù)學(xué)物理學(xué)報(bào)(2020年2期)2020-06-02 11:29:24 智能前沿文苑(2018年23期)2018-12-14 01:06:06 智能前沿文苑(2018年19期)2018-11-09 01:30:14 智能前沿文苑(2018年17期)2018-11-09 01:29:26 智能前沿文苑(2018年21期)2018-11-09 01:22:32 砥礪奮進(jìn) 共享發(fā)展華人時(shí)刊(2017年21期)2018-01-31 02:24:01 改性瀝青的應(yīng)用與發(fā)展北方交通(2016年12期)2017-01-15 13:52:53
王海軍，于佳文
（沈陽(yáng)工業(yè)大學(xué)管理學(xué)院，遼寧沈陽(yáng) 110870）
黨的十九大報(bào)告提出要突出關(guān)鍵共性技術(shù)、前沿引領(lǐng)技術(shù)、現(xiàn)代工程技術(shù)和顛覆性技術(shù)創(chuàng)新。2016 年習(xí)近平總書(shū)記在全國(guó)科技創(chuàng)新大會(huì)上指出，一些重大顛覆性技術(shù)創(chuàng)新正在創(chuàng)造新產(chǎn)業(yè)、新業(yè)態(tài)。顛覆性創(chuàng)新是促使后發(fā)企業(yè)改變現(xiàn)有競(jìng)爭(zhēng)模式，在全球價(jià)值鏈中獲得主動(dòng)地位的突破口［1］，因此顛覆性技術(shù)識(shí)別對(duì)企業(yè)感知外部風(fēng)險(xiǎn)有著積極作用，也便于決策者作出相應(yīng)的對(duì)策；同時(shí)，顛覆性技術(shù)識(shí)別還可以幫助企業(yè)有效避免伴隨顛覆性技術(shù)產(chǎn)生的不利影響，抓住機(jī)遇，從而在激烈競(jìng)爭(zhēng)中立于不敗之地。因此，加深對(duì)顛覆性技術(shù)的認(rèn)識(shí)和了解，深入研究顛覆性技術(shù)識(shí)別與預(yù)測(cè)方法并提高判定結(jié)果的精準(zhǔn)性具有重要的理論與實(shí)踐意義。從現(xiàn)有顛覆性技術(shù)識(shí)別與預(yù)測(cè)相關(guān)研究來(lái)看，大多從顛覆性技術(shù)與市場(chǎng)的角度來(lái)進(jìn)行界定，如張佳維等［2］從技術(shù)特征、市場(chǎng)特征、宏觀環(huán)境等角度分析顛覆性技術(shù)；Ganguly 等［3］認(rèn)為顛覆性技術(shù)既可以是現(xiàn)存技術(shù)的組合，也可以是全新的技術(shù)；張欣［4］也從技術(shù)和市場(chǎng)兩個(gè)維度對(duì)顛覆性技術(shù)展開(kāi)分析。此外，大多文獻(xiàn)采用定性的方法展開(kāi)研究，如Vecchiato［5］強(qiáng)調(diào)用戶需求管理認(rèn)知會(huì)影響機(jī)構(gòu)對(duì)顛覆性技術(shù)的識(shí)別；李曉龍等［6］采用德?tīng)柗品ê蜎Q策與試驗(yàn)評(píng)價(jià)實(shí)驗(yàn)室方法識(shí)別出影響國(guó)家電網(wǎng)的顛覆性技術(shù)；Cagnin 等［7］將技術(shù)發(fā)展過(guò)程中的各種利益相關(guān)者加入到顛覆性技術(shù)研究路線圖中，定量研究較少。然而，現(xiàn)有識(shí)別技術(shù)的方法由于主觀因素較強(qiáng)且未能清晰解釋技術(shù)演進(jìn)趨勢(shì)而存在以下局限：首先，客觀信息是技術(shù)預(yù)測(cè)成功的關(guān)鍵因素，以往的技術(shù)識(shí)別方法不能根據(jù)客觀的技術(shù)數(shù)據(jù)反映對(duì)應(yīng)技術(shù)發(fā)展過(guò)程中的信息；其次，有必要用系統(tǒng)的方法來(lái)闡述技術(shù)的詳細(xì)發(fā)展過(guò)程，盡管統(tǒng)計(jì)分析、擴(kuò)散模型等各種方法可應(yīng)用于技術(shù)預(yù)測(cè)，以增強(qiáng)分析結(jié)果的客觀性，但不能解析技術(shù)詳細(xì)發(fā)展的復(fù)雜結(jié)構(gòu)，只能從宏觀角度描述技術(shù)發(fā)展的總體方向及過(guò)程。為了彌補(bǔ)這些局限，本研究基于能夠反映客觀信息的專(zhuān)利數(shù)據(jù)和體現(xiàn)微觀信息的專(zhuān)利發(fā)展主路徑，構(gòu)建顛覆性技術(shù)識(shí)別的新方法，并將該方法應(yīng)用于人工智能（AI）語(yǔ)音領(lǐng)域，分析該行業(yè)內(nèi)的顛覆性技術(shù)，以期對(duì)相關(guān)研究者及相關(guān)企業(yè)提供有益啟示。
1 理論基礎(chǔ)與模型構(gòu)建
1.1 顛覆性技術(shù)創(chuàng)新
1995 年，克里斯坦森［8］216-219首次提出“顛覆性技術(shù)（disruptive technology）”的概念，并在其隨后的研究中將顛覆性技術(shù)解釋為以意想不到的方式取代現(xiàn)有主流技術(shù)的技術(shù)，認(rèn)為顛覆性技術(shù)對(duì)現(xiàn)有主流市場(chǎng)上在位企業(yè)的競(jìng)爭(zhēng)力起破壞作用。顛覆性技術(shù)是指具有一系列新功能，但尚未滿足主流客戶功能需求的技術(shù)，這是由于顛覆性技術(shù)在其生命周期的早期階段只服務(wù)于重視其功能的顧客；隨著顛覆性技術(shù)發(fā)展，當(dāng)其功能足以滿足主流客戶需求時(shí)，顛覆性技術(shù)則轉(zhuǎn)變成主流技術(shù)?，F(xiàn)有研究通常是基于技術(shù)和市場(chǎng)兩個(gè)視角對(duì)顛覆性技術(shù)進(jìn)行定義，從技術(shù)角度聚焦于顛覆性技術(shù)的性能和成本，認(rèn)為顛覆性技術(shù)具備一定的技術(shù)性能且成本較低［9］，從市場(chǎng)角度則是試圖解析顛覆性技術(shù)的市場(chǎng)特征，認(rèn)為顛覆性技術(shù)改變了消費(fèi)者期望以及市場(chǎng)的績(jī)效指標(biāo)［10］。
本研究基于克里斯坦森［8］5-7的顛覆性創(chuàng)新模式，繪制了顛覆性創(chuàng)新技術(shù)軌道（見(jiàn)圖1），基于時(shí)間和性能兩個(gè)維度構(gòu)建顛覆性技術(shù)發(fā)展模型。其中，曲線L1 表示客戶可以利用或吸收的改進(jìn)率隨時(shí)間推移呈上升趨勢(shì)，例如，新一代電腦處理器比舊款性能更加強(qiáng)大，然而工作需求、個(gè)人操作水平等問(wèn)題限制了電腦性能的發(fā)揮，曲線L1 末端的正態(tài)分布表明了客戶可以利用的一系列性能，即兩條虛線之間的部分；曲線L2 表示持續(xù)性技術(shù)創(chuàng)新，即在原有性能的基礎(chǔ)上做增量的技術(shù)改進(jìn)；曲線L3 表示顛覆性技術(shù)創(chuàng)新，是對(duì)原有技術(shù)軌道的顛覆，使技術(shù)發(fā)展軌道發(fā)生改變。由此可知，顛覆性技術(shù)多產(chǎn)生于如圖1 中陰影部分。
圖1 顛覆性創(chuàng)新技術(shù)軌道
由圖1 可以看出，曲線L2 和L3 的斜率比L1 更大，表明技術(shù)進(jìn)步通常超過(guò)了用戶使用所有新產(chǎn)品功能的能力?？死锼固股?］26認(rèn)為持續(xù)創(chuàng)新是通過(guò)增量改進(jìn)來(lái)服務(wù)對(duì)產(chǎn)品性能要求更高的客戶，并指出現(xiàn)有的競(jìng)爭(zhēng)對(duì)手通常致力于持續(xù)創(chuàng)新，因?yàn)檫@一戰(zhàn)略可以為消費(fèi)者開(kāi)發(fā)出更好的產(chǎn)品，從而獲取更高的利潤(rùn)。從性能角度來(lái)看，通過(guò)顛覆性技術(shù)創(chuàng)新而來(lái)的產(chǎn)品或服務(wù)，與當(dāng)前市場(chǎng)中的產(chǎn)品或服務(wù)相比，通常使用更方便、價(jià)格更便宜，吸引要求較低或者新的客戶［11］。這種特性將持續(xù)創(chuàng)新與顛覆性創(chuàng)新區(qū)分開(kāi)來(lái)，同時(shí)也重新定義了L3 的創(chuàng)新軌跡。
1.2 顛覆性技術(shù)的特征
對(duì)現(xiàn)有文獻(xiàn)中關(guān)于顛覆性技術(shù)特征的表述進(jìn)行梳理和歸納，可得到顛覆性技術(shù)大致有8 個(gè)主要特征（見(jiàn)表1）。
表1 顛覆性技術(shù)特征歸納
基于液晶技術(shù)對(duì)陰極射線（CRT）技術(shù)顛覆的案例，對(duì)表1 中的8 個(gè)主要特征進(jìn)行歸納分析。鄭彥寧等［16］、Lee［17］、Carlo 等［18］認(rèn)為顛覆性技術(shù)是基于科學(xué)原理并融合技術(shù)實(shí)踐，增加其他相關(guān)知識(shí)模塊。顛覆性技術(shù)基于科學(xué)理論的突破、技術(shù)的融合及跨界應(yīng)用的優(yōu)勢(shì)而進(jìn)行技術(shù)創(chuàng)新。創(chuàng)新技術(shù)的融合及跨界應(yīng)用并不表明技術(shù)是新出現(xiàn)的，只是相對(duì)于技術(shù)的應(yīng)用領(lǐng)域是創(chuàng)新的——?jiǎng)?chuàng)新性對(duì)于顛覆性技術(shù)而言是必要條件而非充分條件。進(jìn)一步地，盡管價(jià)格便宜、使用方便、操作簡(jiǎn)單被學(xué)界認(rèn)為是顛覆性技術(shù)所支撐產(chǎn)品的特性，但最新研究表明這些特征并非同時(shí)存在，例如液晶顯示屏對(duì)CRT 顯示屏的顛覆并不具備價(jià)格便宜、操作簡(jiǎn)單等特征［19］。利用顛覆性技術(shù)可以開(kāi)發(fā)出新的技術(shù)或技術(shù)產(chǎn)品的功能［9］，其本質(zhì)在于這些新功能可以挖掘出客戶的潛在需求。換言之，客戶需要的產(chǎn)品需具有創(chuàng)新性。因此，將表1 中第1～4 條特征修正為“創(chuàng)新性”。
由圖1 可見(jiàn)，在位技術(shù)的性能供過(guò)于求為顛覆性技術(shù)的出現(xiàn)提供契機(jī)。從顛覆性技術(shù)與在位技術(shù)的關(guān)系來(lái)看，顛覆性創(chuàng)新作為一種特殊的技術(shù)競(jìng)爭(zhēng)關(guān)系，是顛覆性技術(shù)對(duì)在位技術(shù)全方位的功能覆蓋，功能層面的覆蓋亦將成為從在位技術(shù)出發(fā)定位潛在顛覆性技術(shù)的重要途徑。由于在位技術(shù)供過(guò)于求，為了順應(yīng)市場(chǎng)的需求，顛覆性技術(shù)應(yīng)運(yùn)而生。但顛覆性技術(shù)早期的性能較為低劣，隨著技術(shù)的發(fā)展其性能逐步提升，這一過(guò)程即體現(xiàn)了表1 中所歸納出的第5～7 條特征。例如，CRT 顯示器亮度、色彩飽和度等方面因肉眼識(shí)別能力存在溢出效應(yīng)，而液晶技術(shù)逐步發(fā)展，但早期的液晶技術(shù)產(chǎn)品存在顯示慢、有殘影、視角小等諸多問(wèn)題，隨著液晶技術(shù)性能提升，相關(guān)技術(shù)產(chǎn)品從小型顯示屏逐步邁入電視、電腦顯示屏領(lǐng)域。有研究用對(duì)未來(lái)技術(shù)發(fā)展的影響來(lái)定義顛覆性創(chuàng)新，如Dosi［20］認(rèn)為能夠成為未來(lái)許多發(fā)明基礎(chǔ)的技術(shù)被認(rèn)為是具有顛覆性的；Schoenmakers 等［21］認(rèn)為顛覆性技術(shù)通過(guò)對(duì)未來(lái)技術(shù)的影響實(shí)現(xiàn)技術(shù)的傳遞。因此，將表1 中第5～7條特征修正為“擴(kuò)散性”，即顛覆性技術(shù)對(duì)未來(lái)技術(shù)的影響。
顛覆性技術(shù)對(duì)在位技術(shù)的顛覆是一個(gè)漫長(zhǎng)的過(guò)程，在技術(shù)演化方面具有不連續(xù)、階躍式發(fā)展的特點(diǎn)［12］。換言之，顛覆性技術(shù)通過(guò)引入新的范式為后續(xù)技術(shù)發(fā)展奠定基礎(chǔ)，開(kāi)啟新的技術(shù)軌道，例如液晶顯示屏只依賴液晶技術(shù)本身，與在位技術(shù)陰極射線管不存在任何形式上的關(guān)聯(lián)。當(dāng)顛覆性技術(shù)進(jìn)入在位技術(shù)所在領(lǐng)域時(shí)，將會(huì)改變?cè)谖患夹g(shù)的性能衡量標(biāo)準(zhǔn)，從而產(chǎn)生不連續(xù)、階躍式的技術(shù)性能發(fā)展軌道，即表1 中的第8 條特征。因此，顛覆性技術(shù)的性能并不能參照現(xiàn)有技術(shù)進(jìn)行衡量，而需要采用一組新的性能參數(shù)，從而產(chǎn)生了與在位技術(shù)不同的技術(shù)性能軌道。
綜合以上分析，歸納總結(jié)出顛覆性技術(shù)具有以下特征：（1）創(chuàng)新性。顛覆性技術(shù)基于科學(xué)或技術(shù)原理的新突破或者現(xiàn)有技術(shù)的不同組合，從而使其具有創(chuàng)新性。（2）擴(kuò)散性。顛覆性技術(shù)必須能夠與主流創(chuàng)新領(lǐng)域現(xiàn)有的社會(huì)需求關(guān)聯(lián)，對(duì)在位技術(shù)功能具有一定的覆蓋性；顛覆性技術(shù)能夠滿足未被在位技術(shù)所發(fā)掘的潛在需求，對(duì)未來(lái)技術(shù)發(fā)展具有一定影響性。（3）轉(zhuǎn)軌性。當(dāng)顛覆性技術(shù)進(jìn)入現(xiàn)有的技術(shù)領(lǐng)域時(shí)，會(huì)改變當(dāng)前技術(shù)的性能衡量標(biāo)準(zhǔn)，呈現(xiàn)出階躍式的技術(shù)性能軌道。
1.3 顛覆性技術(shù)識(shí)別方法
自1995 年顛覆性技術(shù)的概念被提出以來(lái)，潛在顛覆性技術(shù)的識(shí)別方法始終是一個(gè)研究熱點(diǎn)。目前采用的方法大致可以分為定性識(shí)別和定量識(shí)別兩種。技術(shù)路線圖和評(píng)分模型是定性識(shí)別與預(yù)測(cè)顛覆性技術(shù)的主要方法，如Vojak 等［22］基于價(jià)值鏈角度提出顛覆性技術(shù)識(shí)別的技術(shù)路線圖方法體系；Kostoof等［23］將文本挖掘法和技術(shù)路線圖兩種方法相結(jié)合識(shí)別顛覆性技術(shù)。然而，使用技術(shù)路線圖方法識(shí)別顛覆性技術(shù)，其結(jié)果的客觀性會(huì)受到研究人員主觀意識(shí)的影響。此外，影響顛覆性技術(shù)發(fā)展因素較多，很難對(duì)其發(fā)展路徑進(jìn)行精準(zhǔn)預(yù)測(cè)，這也會(huì)對(duì)繪制顛覆性技術(shù)的技術(shù)路線圖帶來(lái)阻礙。也有學(xué)者利用評(píng)分模型來(lái)識(shí)別顛覆性技術(shù)，例如，Ganguly 等［3］提出目標(biāo)細(xì)分市場(chǎng)對(duì)比、在位企業(yè)技術(shù)成熟度、技術(shù)采用率和期望效用值對(duì)比等指標(biāo)來(lái)評(píng)價(jià)顛覆性技術(shù)；Guo 等［24］從主導(dǎo)力、成熟度和擴(kuò)散能力的角度評(píng)價(jià)顛覆性技術(shù)；Sainio 等［25］從顧客利益、核心戰(zhàn)略、戰(zhàn)略資源和價(jià)值網(wǎng)絡(luò)4 個(gè)維度構(gòu)建顛覆性技術(shù)評(píng)價(jià)體系。上述模型就是根據(jù)現(xiàn)有的顛覆性技術(shù)理論提出一系列指標(biāo)來(lái)評(píng)價(jià)某種技術(shù)，并依據(jù)這些標(biāo)準(zhǔn)建立評(píng)分模型，得分越高意味著這種技術(shù)越有可能成為顛覆性技術(shù)。但這種方法主觀性太強(qiáng)，更多是依賴于專(zhuān)家對(duì)顛覆性技術(shù)的判斷和預(yù)測(cè)。
定量識(shí)別方法主要是以專(zhuān)利、文獻(xiàn)數(shù)據(jù)為主要來(lái)源，通過(guò)建立數(shù)理統(tǒng)計(jì)模型對(duì)技術(shù)進(jìn)行評(píng)估，定量識(shí)別方法的數(shù)據(jù)輸入更具客觀性和系統(tǒng)性，例如Cheng 等［26］基于SIRS 傳染病模型，對(duì)射頻識(shí)別技術(shù)（RFID）領(lǐng)域的專(zhuān)利數(shù)據(jù)進(jìn)行分析，從而得到顛覆性技術(shù)的總體擴(kuò)散率；黃魯成等［27］從技術(shù)生命周期著手，基于顛覆性技術(shù)萌芽期的技術(shù)特性進(jìn)行測(cè)度，并結(jié)合SAO 語(yǔ)義結(jié)構(gòu)提取預(yù)測(cè)技術(shù)未來(lái)發(fā)展；蘇敬勤等［28］依據(jù)動(dòng)態(tài)創(chuàng)新能力理論，利用專(zhuān)利量時(shí)間分布“J”型曲線、專(zhuān)利引用量時(shí)間分布“Λ”型曲線和專(zhuān)利引用率時(shí)間分布的“L”型曲線，研究顛覆性技術(shù)的演化路徑，并且提出“專(zhuān)利影響因子”的概念，可以對(duì)中早期的顛覆性技術(shù)進(jìn)行識(shí)別；Momeni 等［29］則是結(jié)合專(zhuān)利和論文數(shù)據(jù)，通過(guò)專(zhuān)利引用信息獲取技術(shù)發(fā)展相關(guān)信息，再通過(guò)對(duì)專(zhuān)利摘要進(jìn)行技術(shù)聚類(lèi)來(lái)識(shí)別技術(shù)發(fā)展軌跡，最后結(jié)合相關(guān)論文驗(yàn)證顛覆性技術(shù)的發(fā)展趨勢(shì)和潛力。綜上所述，現(xiàn)有定量識(shí)別方法更多是從顛覆性技術(shù)對(duì)市場(chǎng)影響的角度來(lái)著手，較少考慮顛覆性技術(shù)的自身特點(diǎn)；而且現(xiàn)有研究較多從單一指標(biāo)著手進(jìn)行顛覆性技術(shù)的識(shí)別，缺乏對(duì)顛覆性技術(shù)特征的系統(tǒng)闡述。因此，本研究首先分析對(duì)顛覆性技術(shù)特征的相關(guān)研究，然后從專(zhuān)利文獻(xiàn)數(shù)據(jù)入手，利用專(zhuān)利路徑分析現(xiàn)有技術(shù)的復(fù)雜結(jié)構(gòu)，最后結(jié)合專(zhuān)利吸收率和專(zhuān)利擴(kuò)散率的測(cè)度結(jié)果識(shí)別出顛覆性技術(shù)。
2 顛覆性技術(shù)識(shí)別模型構(gòu)建
2.1 搜索路徑統(tǒng)計(jì)數(shù)
搜索路徑統(tǒng)計(jì)數(shù)（search path count,SPC）是Batagelj［30］基于節(jié)點(diǎn)對(duì)投影統(tǒng)計(jì)數(shù)（node pair projection count,NPPC）、搜索路徑連接統(tǒng)計(jì)數(shù)（search path link count,SPLC）、搜索路徑節(jié)點(diǎn)對(duì)統(tǒng)計(jì)數(shù)（search path node pair,SPNP）而提出的方法。該算法使用專(zhuān)利引文矩陣作為輸入，專(zhuān)利引文矩陣是一個(gè)有向圖，這意味著一組由弧1）連接的節(jié)點(diǎn)（指專(zhuān)利）有一個(gè)方向，也就是說(shuō)，該圖顯示了專(zhuān)利 是否引用專(zhuān)利以及引用專(zhuān)利 的頻率；反之亦然。專(zhuān)利引用矩陣應(yīng)包含一項(xiàng)技術(shù)的所有相關(guān)專(zhuān)利，如Wasserman 等［31］根據(jù)引文關(guān)系的結(jié)構(gòu)特征將專(zhuān)利分為4 類(lèi)：（1）獨(dú)立專(zhuān)利（未被其他專(zhuān)利引用，也未引用其他專(zhuān)利）；（2）原始專(zhuān)利（被其他專(zhuān)利引用，未引用其他專(zhuān)利）；（3）終端專(zhuān)利（未被其他專(zhuān)利引用，引用其他專(zhuān)利）；（4）中間專(zhuān)利（被其他專(zhuān)利引用，也引用其他專(zhuān)利）。
SPC 算法提出了一種確定專(zhuān)利發(fā)展路徑2）的方法，以全面了解復(fù)雜的專(zhuān)利引用網(wǎng)絡(luò)及其技術(shù)發(fā)展歷史。該算法減少了原專(zhuān)利引用網(wǎng)絡(luò)中的弧，只保留了原專(zhuān)利引用網(wǎng)絡(luò)中的權(quán)重較高的弧。SPC 算法的核心思想是，鏈接到選定弧的專(zhuān)利可以作為高價(jià)值專(zhuān)利進(jìn)行評(píng)估；此外，位于各種開(kāi)發(fā)路徑聚集位置的專(zhuān)利被解釋為聚合技術(shù)點(diǎn)，其中一項(xiàng)技術(shù)是通過(guò)聚合具有不同目標(biāo)或特征的兩種或兩種以上技術(shù)而開(kāi)發(fā)的。因此，根據(jù)所有弧的權(quán)重選擇主路徑，這意味著確定權(quán)重的方法是最重要的部分。借鑒Batagelj［30］應(yīng)用搜索SPC 算法確定弧的權(quán)重方法，則對(duì)于任意一條自源點(diǎn)到匯點(diǎn)的經(jīng)由連邊的路徑的形式如下：
在檢索到的專(zhuān)利中，選擇所有原始專(zhuān)利作為專(zhuān)利發(fā)展路徑的起點(diǎn)。原始專(zhuān)利是在一項(xiàng)技術(shù)的早期發(fā)展起來(lái)的，因此一直是專(zhuān)利發(fā)展道路的起點(diǎn)。然后使用公式（1）～（3），從原始專(zhuān)利延伸到專(zhuān)利開(kāi)發(fā)路徑。從一個(gè)原始專(zhuān)利開(kāi)始的每一個(gè)弧都被選中，也就是說(shuō)，這些弧鏈接到引用專(zhuān)利的專(zhuān)利?；趯?duì)每個(gè)弧的SPC 的比較來(lái)評(píng)估弧，并且從原始專(zhuān)利的鏈接弧中選擇SPC 最高的弧。在這個(gè)過(guò)程中，通常只選擇一個(gè)弧。如果兩個(gè)或多個(gè)弧的SPC 相同，則可以將其全部保留。位于選定弧末端的專(zhuān)利成為開(kāi)發(fā)路徑另一弧的新起點(diǎn)，即通過(guò)基于SPC 評(píng)估與最近添加的專(zhuān)利相關(guān)聯(lián)的弧，將位于弧末端的專(zhuān)利添加到開(kāi)發(fā)路徑中。最后，當(dāng)來(lái)自每個(gè)原專(zhuān)利的所有專(zhuān)利開(kāi)發(fā)路徑都到達(dá)終點(diǎn)，即最近申請(qǐng)的專(zhuān)利時(shí)，該算法終止。
2.2 技術(shù)特征的專(zhuān)利表述
專(zhuān)利數(shù)據(jù)包含豐富的信息，其格式較為固定且能反映出技術(shù)的發(fā)展；專(zhuān)利的引用信息既可以反映技術(shù)的創(chuàng)新程度［32］，也可以追蹤技術(shù)知識(shí)擴(kuò)散的路徑［33］。專(zhuān)利數(shù)據(jù)廣泛應(yīng)用在顛覆性技術(shù)識(shí)別與預(yù)測(cè)的研究中［34］，因此，本研究采用專(zhuān)利數(shù)據(jù)對(duì)顛覆性技術(shù)的識(shí)別方法進(jìn)行研究，聚焦于顛覆性技術(shù)的技術(shù)特征，因此使用專(zhuān)利的后向引用和前向引用表征顛覆性技術(shù)的特性。其中，專(zhuān)利后向引用是指研究對(duì)象所引用的其他專(zhuān)利，而前向引用是指研究對(duì)象被其他專(zhuān)利引用。
專(zhuān)利的前向引用可視為一項(xiàng)專(zhuān)利影響的指示性指標(biāo)，較多的前向引用表明該專(zhuān)利可能具有廣泛的影響，因?yàn)樗绊懥烁鱾€(gè)領(lǐng)域的后續(xù)創(chuàng)新［35］?，F(xiàn)有研究通過(guò)對(duì)比專(zhuān)利之間引用信息來(lái)表示專(zhuān)利的創(chuàng)新性，以此來(lái)區(qū)分新、舊發(fā)明之間的差別［36］。顛覆性技術(shù)的創(chuàng)新性和轉(zhuǎn)軌性特征，也是就其與之前和現(xiàn)有技術(shù)之間的相對(duì)比較而言。專(zhuān)利的后向引用可視為一項(xiàng)專(zhuān)利創(chuàng)新的指示性指標(biāo)，如果一項(xiàng)專(zhuān)利引用了一組狹窄技術(shù)的專(zhuān)利，則其獨(dú)創(chuàng)程度較低，而引用廣泛領(lǐng)域的專(zhuān)利則其創(chuàng)新性較高［37］。此外，一項(xiàng)技術(shù)后向引用的專(zhuān)利不是它所處的類(lèi)別時(shí)，這種模式表明發(fā)明建立在不同于該技術(shù)所應(yīng)用的技術(shù)范式的基礎(chǔ)上［36］。本研究嘗試采用專(zhuān)利后向引用專(zhuān)利與自身專(zhuān)利的相似或差異程度來(lái)表征顛覆性技術(shù)的技術(shù)特征。顛覆性技術(shù)開(kāi)始出現(xiàn)時(shí)，由于其與現(xiàn)有技術(shù)相比不具備優(yōu)勢(shì)，其對(duì)于后續(xù)技術(shù)發(fā)展的影響比較小；當(dāng)顛覆性技術(shù)成為主流技術(shù)以后，會(huì)出現(xiàn)眾多效仿者，其對(duì)于后續(xù)技術(shù)的影響力也越來(lái)越大。因此，顛覆性技術(shù)越成功，它的技術(shù)影響力越大，它的前向引用擴(kuò)散的程度也就越高。
根據(jù)以上推理，本研究定義兩個(gè)變量：（1）專(zhuān)利吸收率，即后向引用專(zhuān)利中的國(guó)際專(zhuān)利分類(lèi)號(hào)（IPC）的個(gè)數(shù)與研究對(duì)象本身IPC 分類(lèi)號(hào)個(gè)數(shù)的比值，用來(lái)表示研究對(duì)象的創(chuàng)新程度；（2）專(zhuān)利擴(kuò)散率，即前向引用專(zhuān)利中IPC 分類(lèi)號(hào)的個(gè)數(shù)與研究對(duì)象本身IPC 分類(lèi)號(hào)個(gè)數(shù)的比值，用來(lái)表示研究對(duì)象的擴(kuò)散應(yīng)用程度。通過(guò)計(jì)算某一專(zhuān)利的IPC 分類(lèi)號(hào)的個(gè)數(shù)與其所有后向引用專(zhuān)利的IPC 分類(lèi)號(hào)的平均個(gè)數(shù)的相似度，得出一個(gè)專(zhuān)利吸收率，即；計(jì)算某一專(zhuān)利的IPC 分類(lèi)號(hào)的個(gè)數(shù)與其所有前向引用專(zhuān)利的IPC 分類(lèi)號(hào)的平均個(gè)數(shù)的相似度，得出專(zhuān)利擴(kuò)散率。因此得到以下公式：
3 智能語(yǔ)音行業(yè)顛覆性技術(shù)識(shí)別與分析
在《中華人民共和國(guó)國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和2035 年遠(yuǎn)景目標(biāo)綱要》中，“智能”與“智慧”出現(xiàn)的頻率高達(dá)57 次，這表明以人工智能為代表的新一代信息技術(shù)將成為我國(guó)“十四五”期間推動(dòng)經(jīng)濟(jì)高質(zhì)量發(fā)展、建設(shè)創(chuàng)新型國(guó)家的重要技術(shù)保障。此外，根據(jù)Gartner［38］發(fā)布的2020 年AI技術(shù)成熟度曲線，智能語(yǔ)音識(shí)別技術(shù)步入了生產(chǎn)高峰期，意味著智能語(yǔ)音識(shí)別技術(shù)將被廣泛應(yīng)用。由于國(guó)家的政策導(dǎo)向以及研究的聚集，智能語(yǔ)音領(lǐng)域更容易迭代出顛覆性技術(shù)，具有良好的代表性，因此，本研究聚焦于智能語(yǔ)音這一當(dāng)下廣受矚目的人工智能細(xì)分領(lǐng)域，構(gòu)建識(shí)別智能語(yǔ)音行業(yè)顛覆性技術(shù)的流程（見(jiàn)圖2）。
圖2 智能語(yǔ)音行業(yè)顛覆性技術(shù)識(shí)別流程
3.1 數(shù)據(jù)來(lái)源
本研究基于Tranfield 等［39］提出的專(zhuān)利檢索兩階段方法來(lái)檢索和篩選智能語(yǔ)音專(zhuān)利，以提高專(zhuān)利搜集的科學(xué)性與準(zhǔn)確性。首先，使用USPTO數(shù)據(jù)庫(kù)檢索智能語(yǔ)音技術(shù)專(zhuān)利，檢索公式為：TACD:("artificial intelligence speech*" OR "Intelligent voice*" OR "speech recognition*" OR "natural language processing" OR " speech synthesis *" OR "NLP*" OR "TTS")and APD:［*to 20201231］。去除外觀設(shè)計(jì)專(zhuān)利和簡(jiǎn)單同族專(zhuān)利數(shù)后，發(fā)現(xiàn)智能語(yǔ)音行業(yè)1970—2020 年間累計(jì)申請(qǐng)專(zhuān)利2 134 件，形成了初始專(zhuān)利集。其次，為了剔除與智能語(yǔ)音行業(yè)無(wú)關(guān)的專(zhuān)利，將IPC 分類(lèi)號(hào)限制為G10L15/22、G06F3/16、G06N3/08、G10L15/26、G06N20/00、G10L15/00、G10L15/18 和G06F17/28。進(jìn)一步地，通過(guò)檢視專(zhuān)利文獻(xiàn)構(gòu)建非相關(guān)主題的關(guān)鍵詞詞典，具體包括machine translation、MT、image segmentation、object detection、phrase detection、reading tutor、phonemic transcription、voice dialing、vision、interventions、graphics、character、emoji。最后，基于IPC 分類(lèi)號(hào)、非相關(guān)主題關(guān)鍵詞以及專(zhuān)利文獻(xiàn)閱讀等方式進(jìn)行反復(fù)篩選，篩選出1 985 件專(zhuān)利進(jìn)行分析。具體過(guò)程如圖3 所示。
圖3 專(zhuān)利數(shù)據(jù)清洗流程
3.2 智能語(yǔ)音技術(shù)的發(fā)展階段
根據(jù)華西計(jì)算機(jī)團(tuán)隊(duì)［40］對(duì)智能語(yǔ)音技術(shù)發(fā)展階段的劃分（即技術(shù)的萌芽期、成長(zhǎng)期、成熟期），來(lái)解釋智能語(yǔ)音技術(shù)的發(fā)展階段。首先，依照技術(shù)的3 個(gè)發(fā)展階段將專(zhuān)利為：1970—1997 年、1998—2008 年和2009—2020 年，依次建立專(zhuān)利引用矩陣；然后將專(zhuān)利引用矩陣導(dǎo)入Pajek 軟件中，使用其內(nèi)嵌的SPC 算法，利用式（1）～（3）計(jì)算出每一條弧的權(quán)重，并選擇權(quán)重最高的弧繪制出每一階段的技術(shù)發(fā)展路徑。
3.2.1 萌芽階段（1970—1989 年）
圖4 顯示了萌芽期語(yǔ)音識(shí)別技術(shù)的發(fā)展路徑，也就是萌芽期語(yǔ)音識(shí)別領(lǐng)域中的主要專(zhuān)利。早期發(fā)展中，通過(guò)對(duì)語(yǔ)音的模式和特征設(shè)置參數(shù)，并基于大量詞匯進(jìn)行連續(xù)語(yǔ)音識(shí)別。例如專(zhuān)利US3946157A通過(guò)分析語(yǔ)音來(lái)識(shí)別因素，從而識(shí)別單詞；US407460 從連續(xù)語(yǔ)音中識(shí)別單詞。隨著語(yǔ)音識(shí)別技術(shù)的發(fā)展，語(yǔ)音識(shí)別技術(shù)分為了聲學(xué)模型發(fā)展和外部降噪兩方面。聲學(xué)模型可以理解為幫助計(jì)算機(jī)認(rèn)知每個(gè)音素單元的聲學(xué)特征［41］，在萌芽階段其發(fā)展主要依靠統(tǒng)計(jì)模型，如專(zhuān)利US4759068 構(gòu)建了馬爾可夫模型，繼而US5033087A 提出以馬爾可夫模型為基礎(chǔ)的連續(xù)語(yǔ)音識(shí)別，隨后US5832430A 提出了基于隱馬爾可夫模型（hidden Markov model,HMM）同時(shí)檢測(cè)和驗(yàn)證詞匯單詞的識(shí)別方法。降噪方面，主要的專(zhuān)利是US5097510A 降噪處理和US498732 高噪音環(huán)境下的幀比較方法。與此同時(shí)，語(yǔ)音裝置得到發(fā)展，并且與語(yǔ)音識(shí)別統(tǒng)計(jì)模型相結(jié)合，聲學(xué)模型生成方法（US5799277）和非參數(shù)語(yǔ)音識(shí)別模型（US6224636）由此提出。
從圖4 還可以看到，對(duì)于語(yǔ)音識(shí)別的聲學(xué)模型構(gòu)建研究較為集中。在萌芽階段，語(yǔ)音識(shí)別方法基本上是采用傳統(tǒng)的模式識(shí)別策略，還應(yīng)用了矢量量化和隱馬爾可夫模型理論，隱馬爾可夫模型的應(yīng)用使得語(yǔ)音識(shí)別獲得了突破，開(kāi)始從基于簡(jiǎn)單的模板匹配方法轉(zhuǎn)向基于概率統(tǒng)計(jì)建模的方法，為未來(lái)智能語(yǔ)音的發(fā)展奠定了基礎(chǔ)。
圖4 萌芽期智能語(yǔ)音專(zhuān)利網(wǎng)絡(luò)
3.2.2 成長(zhǎng)階段（1998—2008 年）
語(yǔ)音識(shí)別技術(shù)經(jīng)過(guò)萌芽期，隱馬爾可夫模型、高斯混合模型等聲學(xué)模型逐步建立，進(jìn)入了語(yǔ)音識(shí)別的概率統(tǒng)計(jì)建模階段。圖5 顯示，在隱馬爾可夫模型、高斯混合模型發(fā)展的同時(shí)，神經(jīng)網(wǎng)絡(luò)技術(shù)也在智能語(yǔ)音領(lǐng)域中穩(wěn)步發(fā)展，例如專(zhuān)利US5179624A就已經(jīng)使用神經(jīng)網(wǎng)絡(luò)技術(shù)和模糊邏輯進(jìn)行語(yǔ)音識(shí)別。在這一階段還出現(xiàn)了語(yǔ)音增強(qiáng)技術(shù)以及構(gòu)建知識(shí)庫(kù)的方法，如微軟公司在2003 年提出了多傳感語(yǔ)音增強(qiáng)方法和裝置（US7447630B2）移除語(yǔ)音信號(hào)中噪聲，同年還提出了矢量圖形的標(biāo)記語(yǔ)言和對(duì)象模型（US7486294B2）；IBM 公司在2006 年申請(qǐng)了專(zhuān)利US8554560B2，技術(shù)主要涉及話音活動(dòng)監(jiān)測(cè)系統(tǒng)和方法，包括語(yǔ)音編碼、免提電話語(yǔ)音識(shí)別等眾多語(yǔ)音處理工作；同時(shí)可訓(xùn)練的語(yǔ)音合成發(fā)放提出，適合嵌入式設(shè)備應(yīng)用。
圖5 成長(zhǎng)期智能語(yǔ)音專(zhuān)利網(wǎng)絡(luò)
隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，智能語(yǔ)音識(shí)別在客戶端和服務(wù)器系統(tǒng)的分布式語(yǔ)音識(shí)別技術(shù)（US6615172B2）的基礎(chǔ)上，使用基于統(tǒng)計(jì)和語(yǔ)義的處理組合進(jìn)一步來(lái)理解用戶的話語(yǔ)含義（US7392185），對(duì)于語(yǔ)音的識(shí)別也逐步轉(zhuǎn)入到對(duì)用戶語(yǔ)義的理解，還可以在線匹配答案呈現(xiàn)給用戶；同時(shí)語(yǔ)音識(shí)別技術(shù)逐漸走向?qū)嵱没?，在建立模型、提取和?yōu)化特征參數(shù)方面取得了突破性的進(jìn)展，使系統(tǒng)具有更好的自動(dòng)性和自適應(yīng)性，例如專(zhuān)利US5905789A 和US20020059068 等。此外，深度學(xué)習(xí)技術(shù)的介入，極大地促進(jìn)了語(yǔ)音識(shí)別技術(shù)的進(jìn)步和應(yīng)用的廣泛發(fā)展，大大提高了語(yǔ)音識(shí)別精度；語(yǔ)音識(shí)別技術(shù)在手機(jī)和家電等嵌入式設(shè)備中得到了大量應(yīng)用，用于語(yǔ)音輸入以及語(yǔ)音控制。
3.2.3 成熟階段（2009 年至今）
這一階段，智能語(yǔ)音技術(shù)發(fā)展呈現(xiàn)出百花齊放的特點(diǎn)，神經(jīng)網(wǎng)絡(luò)在智能語(yǔ)音領(lǐng)域的研究較為集中（見(jiàn)圖6）。神經(jīng)網(wǎng)絡(luò)運(yùn)用在語(yǔ)音識(shí)別中，例如遞歸神經(jīng)網(wǎng)絡(luò)（US10474753B2）、雙向反復(fù)性神經(jīng)網(wǎng)絡(luò)（US10984780B2）等。阿里巴巴集團(tuán)在前饋序列記憶神經(jīng)網(wǎng)絡(luò)（feedforward sequential memory networks,FSMN）的基礎(chǔ)上提出了深層的前饋序列記憶神經(jīng)網(wǎng) 絡(luò)（deep feedforward sequential memory networks,DFSMN），并將DFSMN 與低幀率（lower frame rate,LFR）相結(jié)合用于加速模型的訓(xùn)練和測(cè)試，使得基于LFR-DFSMN 的聲學(xué)模型可以被應(yīng)用到實(shí)時(shí)的語(yǔ)音識(shí)別系統(tǒng)中。
圖6 成熟期智能語(yǔ)音專(zhuān)利網(wǎng)絡(luò)
語(yǔ)音識(shí)別發(fā)展至今，主流算法模型已經(jīng)從模板匹配階段轉(zhuǎn)變?yōu)樯疃壬窠?jīng)網(wǎng)絡(luò)（DNN）階段。在深度神經(jīng)網(wǎng)絡(luò)算法下，考慮到訓(xùn)練過(guò)程中大量數(shù)據(jù)的使用使得計(jì)算量巨大，對(duì)于應(yīng)用企業(yè)而言，采用本地計(jì)算方式的算力門(mén)檻過(guò)高，而在當(dāng)下的智能時(shí)代，日漸普及的云計(jì)算環(huán)境提升了AI 語(yǔ)音識(shí)別運(yùn)算效率的同時(shí)也降低了企業(yè)的入市門(mén)檻，因此大大促進(jìn)了AI 語(yǔ)音的技術(shù)發(fā)展；同時(shí)，由于深度神經(jīng)網(wǎng)絡(luò)的介入，語(yǔ)音識(shí)別的準(zhǔn)確性高達(dá)98%，且已在多場(chǎng)合應(yīng)用。進(jìn)入成熟期，智能語(yǔ)音技術(shù)的自動(dòng)化程度越來(lái)越高，基于專(zhuān)利US20030023440A1 的動(dòng)態(tài)分段技術(shù)，進(jìn)一步發(fā)展出多模塊的語(yǔ)音處理方式。專(zhuān)利US20130262107A1 將智能語(yǔ)音處理技術(shù)分為語(yǔ)音轉(zhuǎn)化模塊、自然語(yǔ)言處理模塊、語(yǔ)義引擎模塊、數(shù)據(jù)庫(kù)查找模塊等，整合各個(gè)模塊功能，推動(dòng)智能語(yǔ)音進(jìn)一步發(fā)展；US20140316768A1 通過(guò)語(yǔ)音識(shí)別終端把采集到的語(yǔ)音片段進(jìn)行模數(shù)轉(zhuǎn)換后進(jìn)行傳送和決策，然后通過(guò)通信網(wǎng)絡(luò)將語(yǔ)音數(shù)據(jù)上傳至云端進(jìn)行語(yǔ)音識(shí)別，最后反饋結(jié)果至語(yǔ)音識(shí)別終端，在此過(guò)程中，云計(jì)算可以完成語(yǔ)音數(shù)據(jù)庫(kù)和語(yǔ)言數(shù)據(jù)庫(kù)的訓(xùn)練，最高效輸出反饋結(jié)果，提高AI 語(yǔ)音識(shí)別技術(shù)的準(zhǔn)確率。
在這一階段，語(yǔ)音識(shí)別方法、裝置以及聲紋識(shí)別方法、裝置專(zhuān)利也大量涌現(xiàn)。其中，語(yǔ)音識(shí)別方法和裝置方面，微軟公司在2012 年提出的專(zhuān)利US9244984B2 對(duì)查詢、會(huì)話和搜索作出個(gè)性化改進(jìn)，可滿足用戶對(duì)交互個(gè)性化的需求；百度公司在2013年提出的自動(dòng)語(yǔ)音識(shí)別方法和系統(tǒng)（US9697821B2），可以提高對(duì)生僻詞語(yǔ)的語(yǔ)音的識(shí)別準(zhǔn)確率。聲紋識(shí)別方法和裝置方面，平安科技（深圳）有限公司在2017 年提出的聲紋識(shí)別方法及裝置（US10629209B2）涉及生物特征的身份識(shí)別技術(shù)領(lǐng)域，提供一種聲紋識(shí)別方法及裝置，可提高大量語(yǔ)音識(shí)別請(qǐng)求的處理效率，縮短處理時(shí)間。
根據(jù)上述分析，智能語(yǔ)音技術(shù)的發(fā)展可以從3個(gè)角度分析。從計(jì)算能力來(lái)看，芯片處理能力的大幅提升、圖形處理器（GPU）的大量應(yīng)用、云服務(wù)的普及還有硬件價(jià)格的快速下降共同為人工智能計(jì)算能力的提升提供了重要支撐；從算法框架來(lái)看，目前主流語(yǔ)音識(shí)別模型已經(jīng)以深度神經(jīng)網(wǎng)絡(luò)為主導(dǎo)，神經(jīng)網(wǎng)絡(luò)的出現(xiàn)及普及為語(yǔ)音識(shí)別準(zhǔn)確率的提升起到了重要作用；從計(jì)算數(shù)據(jù)來(lái)看，更加貼近真實(shí)使用場(chǎng)景的語(yǔ)料庫(kù)也為語(yǔ)音識(shí)別技術(shù)提供了更加有效的訓(xùn)練素材，從而大幅提升了AI 語(yǔ)音識(shí)別產(chǎn)品及服務(wù)的使用體驗(yàn)。
3.3 技術(shù)顛覆性分析模型
依據(jù)上述3 個(gè)階段發(fā)展路徑，語(yǔ)音識(shí)別領(lǐng)域最重要的技術(shù)主題包括：深度神經(jīng)網(wǎng)絡(luò)、語(yǔ)音增強(qiáng)（speech enhancement）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network）、循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network）、支持向量機(jī)（support vector machine）和強(qiáng)化學(xué)習(xí)（reinforcement learning）。這6 個(gè)技術(shù)主題主要專(zhuān)利情況如表2 所示，對(duì)于每一個(gè)技術(shù)主題下的專(zhuān)利，使用其專(zhuān)利引用數(shù)量、專(zhuān)利被引用數(shù)量、前向引用專(zhuān)利的IPC 分類(lèi)號(hào)、后向引用專(zhuān)利的IPC分類(lèi)號(hào)以及自身專(zhuān)利的IPC 分類(lèi)號(hào)5 個(gè)指標(biāo)進(jìn)行顛覆性潛力分析，求出每一個(gè)指標(biāo)平均數(shù)如表3 所示。
表2 智能語(yǔ)音領(lǐng)域六大技術(shù)主題專(zhuān)利
表3 智能語(yǔ)音領(lǐng)域六大技術(shù)主題各項(xiàng)指標(biāo)測(cè)算
運(yùn)用公式（4）（5）計(jì)算每個(gè)技術(shù)主題下的專(zhuān)利的吸收率和擴(kuò)散率，結(jié)果如表4 所示。綜合考慮表3 和表4，從而確定每個(gè)技術(shù)主題的創(chuàng)新性、擴(kuò)散性以及轉(zhuǎn)軌性，最終確定每項(xiàng)技術(shù)主題的技術(shù)顛覆性潛力，如圖7 所示?？梢?jiàn)，強(qiáng)化學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)是同時(shí)具備高創(chuàng)新性、擴(kuò)散性和轉(zhuǎn)軌性的技術(shù)領(lǐng)域，為智能語(yǔ)音領(lǐng)域的顛覆性技術(shù)。其中，神經(jīng)網(wǎng)絡(luò)起源于對(duì)生物神經(jīng)元的研究，運(yùn)用在智能語(yǔ)音領(lǐng)域中可以對(duì)智能語(yǔ)音識(shí)別的精確度帶來(lái)顯著的提升，其顛覆了概率統(tǒng)計(jì)建模階段的隱馬爾可夫模型、高斯混合模型等聲學(xué)模型，成為主流聲學(xué)模型，足以表明神經(jīng)網(wǎng)絡(luò)的高創(chuàng)新性和轉(zhuǎn)軌性；神經(jīng)網(wǎng)絡(luò)技術(shù)在語(yǔ)音識(shí)別領(lǐng)域的應(yīng)用，可以有效緩解噪聲環(huán)境下語(yǔ)音識(shí)別準(zhǔn)確度不高的問(wèn)題，助力智能語(yǔ)音設(shè)備為用戶帶來(lái)較好的消費(fèi)體驗(yàn)。2009 年，Hinton 等［42］將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于語(yǔ)音的聲學(xué)建模，這是智能語(yǔ)音史上的里程碑，為后續(xù)的技術(shù)發(fā)展奠定了堅(jiān)實(shí)的基礎(chǔ)。2011 年，微軟研究院提出的基于上下文相關(guān)深度神經(jīng)網(wǎng)絡(luò)和隱馬爾可夫模型的聲學(xué)模型，在大詞匯量連續(xù)語(yǔ)音識(shí)別任務(wù)上獲得了顯著的性能提升效果，大大降低了語(yǔ)音識(shí)別錯(cuò)誤率，自此語(yǔ)音識(shí)別進(jìn)入DNN-HMM 時(shí)代。2013 年，科大訊飛股份有限公司構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)極大地減少了神經(jīng)網(wǎng)絡(luò)的參數(shù)個(gè)數(shù)，減少了模型所需的存儲(chǔ)空間并且加快了模型的訓(xùn)練速度，同時(shí)也提高語(yǔ)音識(shí)別系統(tǒng)最終識(shí)別的解碼速度，從而在實(shí)際運(yùn)用中有更好的實(shí)時(shí)性。由此可見(jiàn)，智能語(yǔ)音領(lǐng)域未來(lái)的發(fā)展方向主要是端到端的神經(jīng)網(wǎng)絡(luò)算法。
圖7 智能語(yǔ)音領(lǐng)域六大技術(shù)主題顛覆性測(cè)度
表4 智能語(yǔ)音領(lǐng)域六大技術(shù)主題專(zhuān)利吸收率及擴(kuò)散率
由圖7 可知，強(qiáng)化學(xué)習(xí)技術(shù)的專(zhuān)利擴(kuò)散率較高，極具顛覆性，對(duì)未來(lái)技術(shù)的發(fā)展極具影響力。強(qiáng)化學(xué)習(xí)的思想源于心理學(xué)，是多學(xué)科交叉融合的產(chǎn)物，這體現(xiàn)出其具有良好的創(chuàng)新性，應(yīng)用在智能語(yǔ)音領(lǐng)域中可使智能語(yǔ)音展現(xiàn)出轉(zhuǎn)軌性，隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，應(yīng)用、終端和場(chǎng)景帶來(lái)了大量應(yīng)用數(shù)據(jù)，更為應(yīng)用于語(yǔ)音識(shí)別的機(jī)器學(xué)習(xí)、深度學(xué)習(xí)帶來(lái)了技術(shù)突破。語(yǔ)音識(shí)別技術(shù)的爆發(fā)是源于大數(shù)據(jù)，數(shù)據(jù)量越多，語(yǔ)音識(shí)別算法的準(zhǔn)確性越高，語(yǔ)音識(shí)別的識(shí)別準(zhǔn)確率相應(yīng)越高。其次，語(yǔ)音識(shí)別技術(shù)需要豐富的場(chǎng)景土壤來(lái)培養(yǎng)快速的復(fù)雜場(chǎng)景處理能力。在消費(fèi)級(jí)用戶需求方面，在語(yǔ)音識(shí)別技術(shù)發(fā)展的開(kāi)端，消費(fèi)者對(duì)語(yǔ)音識(shí)別技術(shù)就建立了高預(yù)期——希望利用新技術(shù)提升生活體驗(yàn)，將高準(zhǔn)確率的語(yǔ)音識(shí)別技術(shù)創(chuàng)造性地融入日常場(chǎng)景中；在專(zhuān)業(yè)級(jí)用戶需求方面，司法、醫(yī)療、教育、電信、交通等領(lǐng)域企業(yè)級(jí)用戶需要語(yǔ)音識(shí)別系統(tǒng)在實(shí)際業(yè)務(wù)應(yīng)用中表現(xiàn)出功能可靠性和穩(wěn)定性，因此，這些專(zhuān)業(yè)級(jí)用戶在選擇語(yǔ)音識(shí)別產(chǎn)品時(shí)會(huì)通過(guò)嚴(yán)格的招投標(biāo)選擇最具實(shí)力和行業(yè)經(jīng)驗(yàn)的AI 語(yǔ)音識(shí)別產(chǎn)品和服務(wù)供應(yīng)商。
4 結(jié)論和展望
4.1 研究結(jié)論
圍繞顛覆性技術(shù)識(shí)別這個(gè)問(wèn)題，本研究基于現(xiàn)有顛覆性技術(shù)研究，揚(yáng)棄了過(guò)往使用單一指標(biāo)來(lái)進(jìn)行顛覆性技術(shù)識(shí)別的方式，重新修正了顛覆性技術(shù)特征，綜合考慮專(zhuān)利的各項(xiàng)指標(biāo)，利用更加科學(xué)、系統(tǒng)的體系以較好地識(shí)別出顛覆性技術(shù)，并以顛覆性技術(shù)自身特點(diǎn)為基礎(chǔ)，結(jié)合專(zhuān)利信息中的技術(shù)發(fā)展歷史來(lái)更好地表征顛覆性技術(shù)的自身特點(diǎn)，從而提升顛覆性技術(shù)識(shí)別的精準(zhǔn)度；同時(shí)從專(zhuān)利視角切入，運(yùn)用SPC 算法篩選了智能語(yǔ)音技術(shù)領(lǐng)域中的核心專(zhuān)利，分析識(shí)別出強(qiáng)化學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)是顛覆性技術(shù)，而端到端的神經(jīng)網(wǎng)絡(luò)算法是該領(lǐng)域未來(lái)發(fā)展的方向。
4.2 研究局限和未來(lái)展望
本研究在進(jìn)行技術(shù)主路徑研究時(shí)嚴(yán)重依賴于技術(shù)主題的檢索數(shù)據(jù)庫(kù)和技術(shù)特點(diǎn)，如果數(shù)據(jù)庫(kù)不全、數(shù)據(jù)查全率不夠，可能會(huì)導(dǎo)致路徑的缺失。此外，專(zhuān)利引文來(lái)源主要來(lái)源于發(fā)明人引用的專(zhuān)利文獻(xiàn)和非專(zhuān)利文獻(xiàn)，以及審查員在專(zhuān)利審查過(guò)程中添加的專(zhuān)利文獻(xiàn)和非專(zhuān)利文獻(xiàn)，鑒于發(fā)明人會(huì)本能地回避相同或者相似的已有專(zhuān)利技術(shù)，導(dǎo)致發(fā)明人引用的專(zhuān)利文獻(xiàn)與專(zhuān)利申請(qǐng)的相關(guān)程度遠(yuǎn)低于審查員添加的專(zhuān)利引文，而隨著顛覆性創(chuàng)新環(huán)境變得越來(lái)越復(fù)雜和多樣化，人工智能技術(shù)快速發(fā)展和不斷更迭，未來(lái)有必要用動(dòng)態(tài)的眼光進(jìn)行深入探索，結(jié)合已經(jīng)處于智能語(yǔ)音技術(shù)前沿的企業(yè)所面臨的技術(shù)發(fā)展?fàn)顩r進(jìn)行案例分析，檢驗(yàn)專(zhuān)利路徑發(fā)展的準(zhǔn)確性，并在查找專(zhuān)利引文應(yīng)用的關(guān)鍵路徑時(shí)，利用文本挖掘技術(shù)從專(zhuān)利文本中抽取關(guān)鍵詞或者技術(shù)術(shù)語(yǔ)，結(jié)合專(zhuān)利引文分析共同構(gòu)建技術(shù)演化圖，完善查找技術(shù)發(fā)展主路徑的方法。
注釋?zhuān)?/p>
1）弧即兩個(gè)節(jié)點(diǎn)之間的連線。
2）專(zhuān)利引文網(wǎng)絡(luò)中的關(guān)鍵路徑。
猜你喜歡
童話王國(guó)·奇妙邏輯推理(2024年5期)2024-06-19 16:03:38
中國(guó)核電(2021年3期)2021-08-13 08:56:36
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2020年10期)2020-11-26 08:24:50
數(shù)學(xué)物理學(xué)報(bào)(2020年2期)2020-06-02 11:29:24
文苑(2018年23期)2018-12-14 01:06:06
文苑(2018年19期)2018-11-09 01:30:14
文苑(2018年17期)2018-11-09 01:29:26
文苑(2018年21期)2018-11-09 01:22:32
華人時(shí)刊(2017年21期)2018-01-31 02:24:01
北方交通(2016年12期)2017-01-15 13:52:53
