[论文解读] Deep learning, deep change? Mapping the development of the Artificial Intelligence General Purpose Technology

J. A. Klinger, Juan Mateos-García+1 more|arXiv (Cornell University)|Aug 20, 2018

Economic and Technological Innovation被引用 8

一句话总结

本文利用 arXiv 预印本和 CrunchBase 数据，将深度学习（DL）作为通用技术（GPT）的地理演化过程进行映射，揭示了中国在 DL 研究中的崛起以及欧洲的相对衰落。研究发现，当研究能力与产业能力共址时，DL 聚集区便形成，且在控制其他因素后，中国在该领域展现出比较优势。

ABSTRACT

General Purpose Technologies (GPTs) that can be applied in many industries are an important driver of economic growth and national and regional competitiveness. In spite of this, the geography of their development and diffusion has not received significant attention in the literature. We address this with an analysis of Deep Learning (DL), a core technique in Artificial Intelligence (AI) increasingly being recognized as the latest GPT. We identify DL papers in a novel dataset from ArXiv, a popular preprints website, and use CrunchBase, a technology business directory to measure industrial capabilities related to it. After showing that DL conforms with the definition of a GPT, having experienced rapid growth and diffusion into new fields where it has generated an impact, we describe changes in its geography. Our analysis shows China's rise in AI rankings and relative decline in several European countries. We also find that initial volatility in the geography of DL has been followed by consolidation, suggesting that the window of opportunity for new entrants might be closing down as new DL research hubs become dominant. Finally, we study the regional drivers of DL clustering. We find that competitive DL clusters tend to be based in regions combining research and industrial activities related to it. This could be because GPT developers and adopters located close to each other can collaborate and share knowledge more easily, thus overcoming coordination failures in GPT deployment. Our analysis also reveals a Chinese comparative advantage in DL after we control for other explanatory factors, perhaps underscoring the importance of access to data and supportive policies for the successful development of this complex, `omni-use' technology.

研究动机与目标

• 基于深度学习（DL）在各领域中的快速增长、广泛扩散和显著影响，检验其是否符合通用技术（GPT）的特征。
• 绘制自 2010 年代初以来深度学习研究的地理演变图谱，识别区域领导权的转移。
• 考察深度学习研究聚集区形成的驱动因素，特别是研究与产业能力共址的作用。
• 在控制其他区域因素后，评估中国在深度学习发展方面是否具有比较优势。
• 探讨空间集聚对人工智能领域创新、协调以及国家竞争力的影响。

提出的方法

• 利用 CorEx（一种基于信息论的算法）在 arXiv 计算机科学语料库中识别与深度学习相关的主题聚类，以确定 DL 论文。
• 将 arXiv 论文与微软学术图谱（MAG）和全球研究标识符数据库（GRID）交叉比对，以验证机构隶属关系和研究质量。
• 通过 CrunchBase 将 DL 相关研究与科技公司关联，构建工业数据集，并衡量研究与产业的相关性。
• 应用主题建模与文本分析对论文进行分类，并评估其与 DL 的相关性，重点关注高被引论文以提升数据质量。
• 利用 2010 至 2018 年的纵向数据，追踪深度学习研究与工业活动的地理分布变化。
• 采用回归模型检验区域 DL 研究专业化程度与相关研究及产业基础共址之间的关系，同时控制混杂变量。

实验结果

研究问题

• RQ1 深度学习是否表现出通用技术的三大核心特征：快速增长、广泛扩散以及在多样化领域中的可衡量影响？
• RQ2 自 2010 年代初深度学习出现以来，其研究的地理分布如何演变？
• RQ3 深度学习研究聚集区形成的区域驱动因素是什么，特别是研究与产业能力共址的作用？
• RQ4 在控制其他区域因素（如研究产出和产业基础）后，中国是否在深度学习发展中具有比较优势？
• RQ5 研究与产业共址在多大程度上能减少协调失败并促进通用技术的部署？

主要发现

• 深度学习符合通用技术的标准，表现出快速增长、广泛扩散至新领域，并在多样化行业中产生可衡量的影响。
• 中国在人工智能排名中显著上升，而多个欧洲国家在 DL 研究产出和影响力方面则经历了相对衰落。
• DL 研究的地理格局已从初期的不稳定性过渡到集中化，表明新进入者的窗口期正在收窄。
• 具有竞争力的 DL 聚集区主要位于研究与产业能力相结合的地区，表明共址可减少通用技术部署中的协调失败。
• 在控制其他解释性因素后，中国在 DL 发展中展现出比较优势，可能得益于数据获取便利和有利的创新政策。
• 基于 arXiv 的 DL 研究活动与基于 CrunchBase 的工业活动之间存在强烈相关性，支持将预印本数据用作研发与创新趋势的代理指标。