肖曉蕓，徐四季

（北京外國語大學德語學院，北京 100089）

作為推動全球數(shù)字化發(fā)展的重要技術，人工智能（AI）已逐漸成為世界各國新一輪科技戰(zhàn)與智力戰(zhàn)角逐的焦點。從2016 年開始，各國政府為了抓住人工智能戰(zhàn)略發(fā)展機遇期，占領技術、產(chǎn)業(yè)和應用的制高點，紛紛加快人工智能戰(zhàn)略布局。我國在2017年發(fā)布的《新一代人工智能發(fā)展規(guī)劃》中提出“三步走”戰(zhàn)略目標：到2020 年，人工智能核心產(chǎn)業(yè)規(guī)模超過1 500 億元；到2025 年，核心人工智能產(chǎn)業(yè)的價值增加到4 000 億元；到2030 年，人工智能核心產(chǎn)業(yè)規(guī)模達10 000 億元。2018 年，我國推出《人工智能標準化白皮書（2018 版）》，研究制定了能夠適應和引導人工智能產(chǎn)業(yè)發(fā)展的標準體系，并提出急需研制的基礎和關鍵標準項目。2021 年我國發(fā)布《人工智能標準化白皮書（2021 版）》，形成人工智能標準體系框架及標準體系明細表；提出我國人工智能標準化重點工作建議。與中國相比，德國的人工智能產(chǎn)業(yè)政策很少制定量化指標，注重直接增加基礎性研發(fā)投入［1］。2018 年，德國發(fā)布《聯(lián)邦政府人工智能戰(zhàn)略要點》，確立了三大目標，分別是“將德國和歐洲打造成 AI（articifial intelligence）區(qū)位，保障德國未來競爭力”“實現(xiàn)負責任、以共同福祉為導向的 AI 開發(fā)和應用”和“在道德、法律、文化和制度上將AI 嵌入整個社會”。同年，德國推出《聯(lián)邦政府人工智能戰(zhàn)略》，進一步細化了人工智能產(chǎn)業(yè)發(fā)展目標及相關措施。2020年，德國發(fā)布《聯(lián)邦政府人工智能戰(zhàn)略（2020 年更新）》，從專業(yè)人才、研究、技術轉(zhuǎn)移和應用、監(jiān)管框架和社會認同這五大重點領域明確了今后的新措施。

值得注意的是，德國一系列人工智能政策的發(fā)布與實施不僅確定了人工智能產(chǎn)業(yè)的發(fā)展目標,而且進一步推動了德國人工智能行業(yè)的快速崛起。本文擬借助文本挖掘、政策工具和政策評價方法對德國人工智能政策文本進行量化分析，總結(jié)、歸納德國人工智能政策的特點、優(yōu)勢和不足，以期獲得對我國人工智能產(chǎn)業(yè)發(fā)展有益的、可借鑒的德國經(jīng)驗。

1 文獻綜述

政策文本是政策內(nèi)容的載體，是政府處理公共事務的真實反映和行為痕跡，是對政策系統(tǒng)與政策過程客觀的、可獲取的、可追溯的文字記錄［2］。在過去，多數(shù)學者聚焦于用定性研究的方法分析政策文本的作用及地位；近年來，不少學者開始運用文本挖掘、政策工具和政策評價等量化研究方法對政策文本進行分析，從而在一定程度上避免了政策文本定性研究的主觀性、不確定性和模糊性［3］。這種研究方法被稱為政策文本量化分析，即在研究過程中引入統(tǒng)計學等學科方法，結(jié)合基于文本內(nèi)容的定性分析，以梳理政策工具的選擇與組合、政策的主要關注點等公共政策研究問題。目前，政策文本的量化研究方法已十分豐富；但國內(nèi)外對于德國人工智能政策的研究數(shù)量尚少，研究方法較為單一。

1.1 文本挖掘

文本挖掘是一個從文本數(shù)據(jù)中抽取隱含的、未知的、有用的模式，以獲取知識的過程［4］。在政策研究領域，袁利平等［5］利用文本挖掘方法研究美國人工智能戰(zhàn)略中的教育政策，總結(jié)其目標定位、路徑選擇和保障機制，以加速并強化人工智能人才培養(yǎng)；吳瑜等［6］基于文本挖掘，以可視化分析視角對中美科技政策進行對比研究,發(fā)現(xiàn)在人工智能背景下，中美兩國科技政策在內(nèi)容和適用范圍上都存在差異，且對外意識形態(tài)不盡相同。但對于德國人工智能政策文本，學界迄今鮮有文本挖掘研究。

1.2 政策工具

政策工具即政策制定者為實現(xiàn)政策目標，對現(xiàn)實采取的一系列政策干預［7］。政策工具研究的核心就是如何將政策意圖轉(zhuǎn)變?yōu)楣芾硇袨椋瑢⒄呃硐朕D(zhuǎn)變?yōu)檎攥F(xiàn)實［8］。政策工具理論的研究內(nèi)容包括政策工具的概念、分類、特征、選擇、組合和評價等［9］。國外學者主要研究政策工具的分類和組合。經(jīng)典的政策工具劃分有羅斯維爾（Rothwell）［10］的供給型、環(huán)境型和需求型3 種類型以及霍普曼（Hoppmann）等［11］根據(jù)政策工具作用層面差異劃分出的戰(zhàn)略層、綜合層和基本層3 個層面。國內(nèi)學者注重以政策工具為基礎研究方法，采用二維或三維分析框架，對政策內(nèi)容進行分析。茅子駿等［12］以政策工具為框架，對比分析5 個國家的人工智能政策，發(fā)現(xiàn)不同國家由于國情不同，對政策工具的使用存在顯著差異；呂文晶等［13］基于政策工具和創(chuàng)新過程的二維分析框架，發(fā)現(xiàn)中國人工智能產(chǎn)業(yè)需增加需求側(cè)政策工具。目前，學界對政策工具的研究種類繁多，但仍需補充和完善針對人工智能政策工具的研究。

1.3 政策評價

政策評價指使用一系列研究方法系統(tǒng)衡量和判斷政策干預、實施的有效性，以確定政策的社會價值和經(jīng)濟價值［14］。從薩奇曼（Suchman）［15］的政策評價五類評估法，到波蘭（Poland）［16］的“三E”評估框架，再到徐新鵬等［17］創(chuàng)建的層次分析法，政策評價的發(fā)展一直以實證研究為主，且在不斷完善。其中，PMC 指數(shù)模型（policy modeling consistency index），即政策一致性指數(shù)模型，源于魯伊斯·埃斯特拉達（Ruiz Estrada）［18］提出的Omnia Mobilis假說，即事物都是運動且相互聯(lián)系的，每一個相關變量都是同等重要且一致的，都應考慮在內(nèi)。在已有的政策評價模型中，PMC 指數(shù)模型具有3 個較為突出的優(yōu)點：以文本挖掘方式提取參數(shù)，以文本自身為研究對象以及能對多個不同政策進行比較分析。在人工智能政策領域，胡峰等［19］以PMC 指數(shù)模型評價八份機器人產(chǎn)業(yè)政策文件,為機器人產(chǎn)業(yè)政策制定流程提供了可供參考的依據(jù)；張永安等［20］用PMC 指數(shù)模型研究國務院創(chuàng)新政策，找到了政策的薄弱環(huán)節(jié)，對政策制定和修改有一定參考意義。目前，學界對德國人工智能政策的評價研究較少。

基于以上討論，本文擬從以下3 個角度對德國人工智能政策文本進行量化研究：其一，從文本挖掘出發(fā)，利用Antconc 軟件對德國人工智能政策文本進行挖掘，從而總結(jié)德國人工智能政策的主題和趨勢；其二，結(jié)合文本內(nèi)容，采用羅斯維爾的政策工具劃分方法，闡述政策工具與政策作用的關系；其三，以PMC 指數(shù)模型對德國人工智能產(chǎn)業(yè)政策進行評價,分析各項政策的優(yōu)勢和不足,豐富現(xiàn)有政策量化評價研究方法和結(jié)論，為我國制定、完善人工智能政策提供可資借鑒的經(jīng)驗與啟示。

2 德國人工智能政策文本內(nèi)容分析

2.1 人工智能政策選取來源

人工智能產(chǎn)業(yè)在近5 年飛速發(fā)展，為確保樣本數(shù)據(jù)的權威性、時效性和公開性，本文選取的文本均為德國聯(lián)邦政府2017—2022 年發(fā)布的政策文件。在人工智能政策文件選取過程中，本文遵循以下兩個原則：以人工智能為關鍵詞進行檢索，選取主題為人工智能或人工智能政策占比較高的政策文件；政策發(fā)布機構(gòu)為德國聯(lián)邦政府及各部委。據(jù)此，本文共收集到2017—2022 年與人工智能相關的政策文件18 份，如表1 所示。

表1 德國人工智能政策文件

從類型看，德國人工智能政策主要包括行動計劃、指導意見、發(fā)展綱要、戰(zhàn)略規(guī)劃等。在18 份政策文件中，戰(zhàn)略規(guī)劃最多，占55.56%；其次是占22.22%的指導意見；行動計劃占16.67%；而發(fā)展綱要僅占5.56%。這說明德國政府較多從戰(zhàn)略規(guī)劃的角度對人工智能產(chǎn)業(yè)予以支持，較少涉及具體行動計劃。從時間分布看，德國從2017 年才開始在政策文件中明確提出大力發(fā)展人工智能，因而德國政府對該產(chǎn)業(yè)的重視稍顯滯后。2018 年被視為德國人工智能政策元年，這一年有5 份政策文件出臺，其中包括聯(lián)邦政府第一份專門的人工智能戰(zhàn)略文件。2018—2021 年間，聯(lián)邦政府每年都出臺3～4 份包含人工智能政策的文件。2022 年，受能源危機影響，人工智能政策占較多的政策文件僅有兩份，政策傾斜明顯減少。從政策層級看，德國人工智能政策主要由聯(lián)邦政府、聯(lián)邦經(jīng)濟與能源部、聯(lián)邦教育與研發(fā)部單獨發(fā)布，各部委之間的合作并不緊密，聯(lián)合發(fā)文只占11.11%。筆者認為，在各部委各司其職、于各自分管領域支持人工智能產(chǎn)業(yè)發(fā)展的基礎上，德國亟需加強部委間的聯(lián)合規(guī)劃，共同推進人工智能產(chǎn)業(yè)的整體發(fā)展。

2.2 人工智能政策主題分析

本文借助Antconc 軟件，通過分析政策文本高頻詞，快速聚焦政策文本核心內(nèi)容。這18 份德國人工智能政策文件的詞頻分布如表2 所示。數(shù)據(jù)顯示，德國人工智能政策文本高頻主題詞為數(shù)字、數(shù)據(jù)、新奇、發(fā)展、歐洲等，這些高頻主題詞反映出德國當前人工智能政策的重點為歐洲框架內(nèi)人工智能技術的數(shù)字化研究、發(fā)展、創(chuàng)新和應用。綜合表中其他高頻詞可以發(fā)現(xiàn)德國人工智能政策的受益對象是公司，人工智能技術的服務對象是公民，因此德國政府注重人工智能發(fā)展的可持續(xù)性和開放性，數(shù)據(jù)安全問題成為政府人工智能政策的一大關切。同時，政府在人工智能環(huán)境建設和平臺搭建上的投入大，因為數(shù)字化發(fā)展和數(shù)據(jù)池建設能夠為人工智能技術的發(fā)展奠定必備基礎。

表2 德國人工智能政策詞頻分布 單位：次

2.3 人工智能政策語義網(wǎng)絡分析

除高頻詞分析外，語義網(wǎng)絡分析也是文本分析的重要一環(huán)。在語義網(wǎng)絡中，高頻詞以節(jié)點表示，節(jié)點大小代表詞頻高低，連接多少代表度數(shù)中心性強弱，如圖1 所示。在德國人工智能政策文本中，數(shù)字化、數(shù)據(jù)、發(fā)展等關鍵詞與其他主題詞的連接最多，度數(shù)中心性最強，為政策文本的核心主題詞，表明數(shù)字化轉(zhuǎn)型對人工智能產(chǎn)業(yè)發(fā)展的重要意義。較為核心的主題詞還有利用、經(jīng)濟、研究等，它們說明德國人工智能政策的主要目標是促進人工智能的研發(fā)和應用。由法國、歐洲、世界等詞組成的較為邊緣的語義網(wǎng)絡表明德國的人工智能政策與歐洲息息相關；產(chǎn)品、商業(yè)模型、管理等主題詞顯示出德國人工智能政策已深入到終端。

圖1 德國人工智能政策主題詞語義網(wǎng)絡

3 德國人工智能政策工具分析

3.1 政策工具劃分

本文在羅斯維爾政策工具分類的基礎上，結(jié)合德國人工智能政策的內(nèi)容，參考臧維等［21］的3 類政策工具和15 類政策形式，提出關于政策工具的維度劃分方式，如圖2 所示。

圖2 政策工具維度劃分

供給型政策工具提供外在的推動力，政府為人工智能產(chǎn)業(yè)提供相應的資源要素，如人才投入、信息支持、資金投入等，以支持人工智能產(chǎn)業(yè)的發(fā)展；與供給型政策不同，需求型政策工具提供內(nèi)在的拉動力，政府通過購置補貼等政策加大市場對人工智能產(chǎn)品的需求，從而拉動人工智能產(chǎn)業(yè)的發(fā)展；而環(huán)境型政策工具具有間接促進作用，政府通過稅收優(yōu)惠、法規(guī)管制、標準規(guī)范等措施改善人工智能產(chǎn)業(yè)發(fā)展的環(huán)境。

3.2 人工智能政策文本內(nèi)容編碼

本文將18 份德國人工智能政策中的政策工具按照政策編號、條款進行編碼，如表3 所示。

表3 德國人工智能政策文本內(nèi)容編碼（節(jié)選）

3.3 人工智能政策工具編碼統(tǒng)計分析

根據(jù)政策工具劃分和政策工具編碼，本文將18份人工智能政策文件中的391 條有效政策編碼劃分為3 類政策工具和15 類政策形式，統(tǒng)計結(jié)果如表4所示。從政策工具條文分布看，德國人工智能政策以供給型政策工具為主，占64.96%；其次是環(huán)境型政策工具，占29.41%；占比最小的是需求型政策工具，僅占5.63%。目前，德國人工智能政策工具主要集中在供給型政策工具和環(huán)境型政策工具兩個維度。在供給型政策工具中，科技支持占比最大，說明德國對人工智能領域基礎研究十分重視；其次是信息支持，政府為企業(yè)提供數(shù)據(jù)信息和交流平臺，最大限度支持人工智能的研發(fā)和應用；此外，政府通過建設重點學科實驗室、完善管理系統(tǒng)等方式在基礎設施上支持人工智能技術發(fā)展；雖然財政支持在供給型政策工具中占比不多，但可以看出政府在努力通過投資等方式緩解人工智能領域中小企業(yè)的資金壓力。在環(huán)境型政策工具中，德國人工智能政策主要通過目標規(guī)劃引導人工智能發(fā)展，如產(chǎn)業(yè)布局和技術發(fā)展規(guī)劃等；法規(guī)管制和標準規(guī)范占比相差不大，政策重點在于確立人工智能產(chǎn)業(yè)相關法律標準和監(jiān)管制度；知識產(chǎn)權和稅收優(yōu)惠在政策文件中則鮮有出現(xiàn)。環(huán)境型政策工具細分形式結(jié)構(gòu)表明，德國人工智能政策注重目標規(guī)劃、標準規(guī)范和法規(guī)管制，但較少應用市場化金融激勵手段，政策工具結(jié)構(gòu)亟需調(diào)整。在需求型政策工具中，德國人工智能政策涉及政府采購、購置補貼、貿(mào)易管制和海外機構(gòu)4 種政策形式，包括在社會治理中應用人工智能技術、打破貿(mào)易壁壘、幫助發(fā)展中國家學習和應用人工智能技術等，但需求型政策工具總體占比較少，明顯使用不足。

表4 德國人工智能政策工具統(tǒng)計結(jié)果

4 基于PMC 指數(shù)模型的德國人工智能政策評價

4.1 PMC 指數(shù)模型

PMC 指數(shù)模型的構(gòu)建主要通過以下4 個步驟實現(xiàn)：設置變量、建立多投入產(chǎn)出表、計算PMC 指數(shù)和繪制PMC 曲面圖。

在變量設置上，本文以魯伊斯·埃斯特拉達的政策評價理論為基礎，結(jié)合德國人工智能政策的具體特點，選取9 個一級變量和31 個二級變量，如表5 所示。

表5 政策評價變量設置

在確立一級變量和二級變量后，還需要對變量進行參數(shù)設定并建立多投入產(chǎn)出表。根據(jù)埃斯特拉達的假說，每個二級變量的重要程度都相同，因此本文將所有二級變量的參數(shù)值都設定為二進制0 或1，當政策內(nèi)容包含該二級變量時，二級變量參數(shù)值為1；若不包含，則參數(shù)值為0。本文建立的多投入產(chǎn)出表如表6 所示。

表6 多投入產(chǎn)出表（節(jié)選）

完成多投入產(chǎn)出表的建立后，還需依據(jù)公式（1）計算各一級變量，依據(jù)公式（2）計算PMC 指數(shù)；將各一級變量代入公式（3），畫出PMC 曲面；最后根據(jù)PMC 指數(shù)對各人工智能政策進行等級劃分，標準如表7 所示。

表7 政策等級劃分

4.2 實證研究

根據(jù)計算出的PMC 指數(shù)（見表8），本文所選取的18 份德國人工智能政策文件評價等級均處于一般以上，且多數(shù)為良好。其中，P6和P13得分相同且最高，位于優(yōu)秀等級；P5得分最低，與P8共處一般等級；其他政策文本均處于良好等級。優(yōu)秀等級的P6和P13均為德國聯(lián)邦政府發(fā)布的《聯(lián)邦政府人工智能戰(zhàn)略》系列，該系列政策針對德國人工智能產(chǎn)業(yè)的發(fā)展進行了戰(zhàn)略規(guī)劃，作用層面廣，產(chǎn)業(yè)聚焦強。一般等級的P5為聯(lián)邦政府發(fā)布的《德國可持續(xù)發(fā)展戰(zhàn)略（2018 年更新）》，該政策聚焦于可持續(xù)發(fā)展，對人工智能產(chǎn)業(yè)著墨不多。政策文件因為主題側(cè)重不同，等級評價呈現(xiàn)出明顯差異。為進一步探究差異原因,本文選取評價等級為優(yōu)秀的P6《聯(lián)邦政府人工智能戰(zhàn)略》，良好的P14《聯(lián)邦政府的數(shù)據(jù)戰(zhàn)略》以及一般的P5《德國可持續(xù)發(fā)展戰(zhàn)略（2018年更新）》進行PMC 曲面繪制，通過深入對比這三份處于不同評價等級的政策文本識別出影響評價等級的具體因素。

表8 德國人工智能政策PMC 指數(shù)

4.3 德國人工智能政策對比分析

這3 份政策文件的多投入產(chǎn)出表如表9 所示，各一級變量及PMC 指數(shù)如表10 所示。筆者將數(shù)據(jù)帶入公式（3），得到表11，并據(jù)此繪制出它們的PMC 曲面圖，如圖3 至5 所示。

圖3 P5 曲面

圖4 P6 曲面

圖5 P14 曲面

表9 德國人工智能政策多投入產(chǎn)出表（節(jié)選）

表10 德國人工智能政策PMC 指數(shù)

表11 德國人工智能政策PMC 矩陣

P6的PMC 指數(shù)值為7.20，政策等級優(yōu)秀，曲面圖顏色最淺，說明在人工智能產(chǎn)業(yè)，P6在制定時較為全面地考察了各維度指標。P14的PMC 指數(shù)值為6.35，低于P6，政策等級為良好，曲面圖顏色較淺，原因是P14的主題為數(shù)據(jù)戰(zhàn)略，人工智能政策雖時有出現(xiàn)，但其作用范圍有限——側(cè)重于國家和產(chǎn)業(yè)等宏觀層面，而非企業(yè)和產(chǎn)品等微觀層面。P5的PMC指數(shù)值低，僅為3.96，政策等級為一般，曲面圖顏色最深。P5是聯(lián)邦政府對于可持續(xù)發(fā)展戰(zhàn)略的階段總結(jié)和更新，由于可持續(xù)發(fā)展主題包羅萬象，人工智能產(chǎn)業(yè)雖在其中被多次提及，但較為籠統(tǒng)，因此該文件在政策效力、政策評價、作用層面和激勵措施方面得分不高。

總體來看，涉及不同主題的人工智能政策文件PMC 指數(shù)都在可接受的范圍內(nèi)，說明德國的相關政策制定較為合理。通過對比可以看出，政策制定主題越明確、目標越清晰、措施越具體，PMC 指數(shù)就越高。因此，在產(chǎn)業(yè)政策制定過程中，我們需要明確主題，確定目標，考慮不同的行為主體，長期與短期措施并行，讓政策調(diào)控更加精準有效。

5 總結(jié)與展望

5.1 德國人工智能政策研究結(jié)論

首先，經(jīng)文本挖掘分析，不難發(fā)現(xiàn)，德國當前人工智能政策的重點在于歐洲框架內(nèi)人工智能技術的發(fā)展、創(chuàng)新和應用。一方面，德國將人工智能作為未來的發(fā)展方向，希望人工智能與工業(yè)4.0 結(jié)合，對數(shù)字化和工業(yè)化的協(xié)同發(fā)展十分重視；另一方面，德國密切關注人工智能技術的安全和倫理問題，強調(diào)人工智能發(fā)展的開放性和可持續(xù)性。在所有的政策中，企業(yè)和公民都是政策的目標群體，是德國人工智能政策的重點支持對象。

其次，從政策工具維度分析，德國人工智能政策涵蓋供給型、需求型和環(huán)境型三類政策工具。其中，供給型作為推動力，促進人工智能相關技術的研發(fā)；需求型作為拉動力，拉動市場對人工智能相關產(chǎn)品的需求；環(huán)境型作為支撐力，保障人工智能產(chǎn)業(yè)健康發(fā)展。德國的人工智能政策多為供給型和環(huán)境型，占比94.37%，說明政府在產(chǎn)業(yè)政策上傾向于在供給側(cè)提供支持，而非拉動市場需求。

最后，從政策評價角度分析，德國人工智能政策評價多為良好，說明政策制定穩(wěn)定且有效。在使用PMC 指數(shù)模型對德國人工智能政策進行評價時，本文重點分析了3份不同等級的人工智能政策文本。這3 份政策文件由于主題各有側(cè)重，在制定人工智能產(chǎn)業(yè)政策時角度和方式各有不同。其中，主題為人工智能的政策文件評價最高，主題為可持續(xù)發(fā)展的政策文件評價較低，說明不同主題和人工智能的關聯(lián)緊密度各異。

5.2 對我國人工智能政策的啟示

德國作為老牌工業(yè)大國，在工業(yè)基礎和人才培養(yǎng)上優(yōu)勢明顯，雖然對于政策工具的使用不夠科學，但對人工智能產(chǎn)業(yè)的政策支持重點突出、主題明確。相較于德國，我國的人工智能產(chǎn)業(yè)創(chuàng)新產(chǎn)出雖增長迅速，但創(chuàng)新投入規(guī)模和質(zhì)量仍有較大提升空間。例如，高質(zhì)量的教育和勞動力資源儲備不足，信息化基礎尚無法很好地支撐人工智能的深層次應用［22］。為實現(xiàn)我國人工智能產(chǎn)業(yè)的可持續(xù)發(fā)展，本文參考德國經(jīng)驗，對政策制定提出以下4 點建議：

第一，加大對人工智能關鍵領域基礎性研發(fā)的支持力度。從政策主題可以看出，德國在人工智能產(chǎn)業(yè)的優(yōu)勢在于擁有完善的生產(chǎn)應用場景和堅實的研究基礎，因此德國的人工智能政策能在工業(yè)4.0的基礎上，聚焦發(fā)展弱人工智能，加大對研發(fā)的投入，開發(fā)人工智能硬件和軟件核心技術。2019 年，占全球部署量73%的前5 個國家的機器人安裝部署量均出現(xiàn)了大致相同的下降趨勢，但德國卻逆勢而為，在2018—2019 年間的部署量略有上升［23］。2020 年，德國在《聯(lián)邦政府人工智能戰(zhàn)略（2020 年更新）》中明確提出增加基礎研究預算，支持在國家高性能計算邦州聯(lián)合資助框架內(nèi)建設基于需求的超算基礎設施，加快高斯超算中心百億次計算能力的擴建以及相關高性能計算方法的開發(fā)。相比于德國完善的工業(yè)產(chǎn)業(yè)和發(fā)達的基礎理論，目前，我國人工智能在硬件核心技術上受制于人，在算法和軟件方面對國外開源深度學習框架高度依賴。雖然我國已在政策中多次鼓勵人工智能相關核心技術研發(fā)，但正如《美國國家人工智能研究和發(fā)展戰(zhàn)略計劃》所言，政府部門應該成為“長期高風險研究計劃以及近期創(chuàng)新發(fā)展工作的主要資金來源，以實現(xiàn)部門或機構(gòu)的具體要求，或解決私營企業(yè)并不能解決的重要社會問題”［24］。我國應學習德國經(jīng)驗，著力增加人工智能領域的基礎性研發(fā)投入，注重實現(xiàn)核心技術的突破，從而為人工智能的發(fā)展提供技術支撐。

第二，加快人工智能人才培養(yǎng)體系建設。在德國人工智能政策中，教育培訓和信息支持措施占比較高。在人才培養(yǎng)上，歐盟27 國的人工智能碩士課程數(shù)量僅次于美國，共計1 032 種人工智能課程。其中，德國在提供最專業(yè)的人工智能課程方面又要領先于其他成員國［23］。在人才資助上，德國與德意志學術交流中心共同設立了新的青年研究者資助計劃，并資助基于人工智能和大數(shù)據(jù)的高校教育數(shù)字化創(chuàng)新。在人才競爭上，德國開展人工智能挑戰(zhàn)賽，設立德國人工智能獎項“人工智能德國造”。與德國相比，中國在人工智能人才培養(yǎng)上的表現(xiàn)稍顯不足。2020 年4 月30 日，我國人社部發(fā)布了《新職業(yè)——人工智能工程技術人員就業(yè)景氣現(xiàn)狀分析報告》。報告顯示，2017 年，近三成的人工智能領域求職者遠遠達不到雇主的要求。截至2020 年，我國人工智能人才缺口超過500 萬，國內(nèi)的供求比例為1:10，供需比例嚴重失衡［25］。因此，我國應學習德國的教育體系，加強與德國的人才交流，將人工智能創(chuàng)新人才培養(yǎng)體系建設擺在重要位置，設計能激發(fā)國民對人工智能興趣的課程，建立高等院校與企業(yè)聯(lián)合育人機制，增加人工智能人才培養(yǎng)投入，培養(yǎng)并吸引掌握前沿理論方法、引領產(chǎn)業(yè)發(fā)展的人工智能學術和工程領軍人才。

第三，重視需求型和環(huán)境型政策工具的使用。在德國人工智能政策中，需求型政策工具使用頻率較低，政府采購、稅收優(yōu)惠等政策形式的拉動效果并不明顯；與此同時，德國重視環(huán)境型政策工具中的法律法規(guī)和目標規(guī)劃，注重完善人工智能產(chǎn)業(yè)生態(tài)體系。而根據(jù)《人工智能政策分析與展望（2022）》［1］，在我國發(fā)布的人工智能政策文件中，應用最多的是供給型政策工具，其次是需求型政策工具，最少的是環(huán)境型政策工具，這就導致人工智能產(chǎn)業(yè)生態(tài)體系不完整，基礎創(chuàng)新環(huán)境不完善。因此，在制定相關政策時，我國應加強需求型政策工具的使用，立足于地區(qū)發(fā)展不平衡、科技接受能力強的國情，在基礎設施較好的地區(qū)以應用示范等方式引導產(chǎn)業(yè)高效、綠色發(fā)展，在較為落后的地區(qū)以政府采購等方式加強基礎設施建設，引入人工智能幫助群眾脫貧致富，從而實現(xiàn)國內(nèi)人工智能產(chǎn)業(yè)的良性循環(huán)。其次，我國還應調(diào)整環(huán)境型政策工具結(jié)構(gòu)。德國政府側(cè)重于使用目標規(guī)劃和法規(guī)管制等政策工具保障德國人工智能產(chǎn)業(yè)發(fā)展環(huán)境的穩(wěn)定，金融手段相對較少。我國可以通過知識產(chǎn)權保護、企業(yè)權益保障、標準法規(guī)支撐、增加稅收優(yōu)惠等方式完善人工智能產(chǎn)業(yè)外部環(huán)境建設，加強人工智能初創(chuàng)企業(yè)自主發(fā)展能力和協(xié)同創(chuàng)新能力。

第四，注重政策的作用層面和激勵措施。政策的評價往往與政策涉及的部門數(shù)量以及措施的可執(zhí)行性有關。在18 份德國人工智能政策文件中，PMC指數(shù)較低的政策往往涉及的作用層面較少，措施不夠具體，目光也不夠長遠，雖然這并不一定是評價政策優(yōu)劣的硬指標，但至少為政策制定提供了一個新的思考角度。在德國，產(chǎn)業(yè)政策作用層級少、著力點單一的主要原因在于聯(lián)邦制的分權體系——經(jīng)濟與能源部屬于聯(lián)邦管轄，而教育與研發(fā)事務權則下放給各聯(lián)邦州；在聯(lián)邦和州之間，各州之間以及各部委之間缺乏高效合作機制，難以形成合力。我國人工智能產(chǎn)業(yè)發(fā)展時間較短，創(chuàng)新研發(fā)集中于企業(yè)層面，優(yōu)先對微觀主體進行資助可以快速擴大產(chǎn)業(yè)規(guī)模，因此我國的人工智能產(chǎn)業(yè)政策在作用層面上多集中于企業(yè)創(chuàng)新和產(chǎn)品研發(fā)，涉及的行為主體較少。同時，我國習慣在制定產(chǎn)業(yè)政策時使用直接干預的手段，如項目審批、目錄指導等，激勵措施門檻較高，不利于人工智能產(chǎn)業(yè)健康發(fā)展。因此，根據(jù)德國經(jīng)驗，在產(chǎn)業(yè)政策制定時，我國可以考慮在主題明確的前提下擴大政策的作用層面，考慮國家創(chuàng)新體系和產(chǎn)業(yè)創(chuàng)新環(huán)境，采取較易落實的激勵措施，如搭建門檻較低的高質(zhì)量數(shù)據(jù)集、知識庫、測試平臺等，為人工智能企業(yè)提供更多的投資機會和更大發(fā)展空間，使政策更具靈活性和可執(zhí)行性。