科学学研究

阶段	时间	文献数	阶段主题数	有效主题数	主题有效率
1	2010-2012	5,422	65	28	43.08%
2	2013-2015	6,805	84	43	51.19%
3	2016-2018	10,452	101	59	58.42%
4	2019-2021	23,735	226	116	51.33%
5	2022-2024	43,034	346	164	47.40%

阶段	时间	文献数	阶段主题数	有效主题数	主题有效率
1	2010-2012	5,422	65	28	43.08%
2	2013-2015	6,805	84	43	51.19%
3	2016-2018	10,452	101	59	58.42%
4	2019-2021	23,735	226	116	51.33%
5	2022-2024	43,034	346	164	47.40%

主题	TI	文章数量	主题	TI	文章数量
#2	108.20	2,406	#6	79.05	1,966
#1	106.32	2,689	#3	77.12	2,254
#4	99.04	2,002	#22	75.47	1,044
#5	95.62	1,983	#41	75.17	608
#10	93.80	1,716	#38	73.15	651
#15	92.00	1,487	#39	73.01	643
#11	90.02	1,640	#40	69.62	609
#18	88.38	1,116	#36	68.24	697
#19	88.12	1,093	#52	61.33	464
#7	85.63	1,965	#44	57.60	553
#8	85.53	1,948	#50	56.68	500
#16	84.67	1,368	#12	54.44	1,593
#14	82.54	1,495	#34	51.51	727
#17	80.75	1,276	#28	41.35	898
#0	79.19	2,773	#61	37.05	295

主题	TI	文章数量	主题	TI	文章数量
#2	108.20	2,406	#6	79.05	1,966
#1	106.32	2,689	#3	77.12	2,254
#4	99.04	2,002	#22	75.47	1,044
#5	95.62	1,983	#41	75.17	608
#10	93.80	1,716	#38	73.15	651
#15	92.00	1,487	#39	73.01	643
#11	90.02	1,640	#40	69.62	609
#18	88.38	1,116	#36	68.24	697
#19	88.12	1,093	#52	61.33	464
#7	85.63	1,965	#44	57.60	553
#8	85.53	1,948	#50	56.68	500
#16	84.67	1,368	#12	54.44	1,593
#14	82.54	1,495	#34	51.51	727
#17	80.75	1,276	#28	41.35	898
#0	79.19	2,773	#61	37.05	295

主题	文章数量	均被引值	前10%文章比例	AII值	中美对比
#0	1,785	155	13.64	28.16	7.84%	16.77%	0.69	0.87	-0.21
#1	1,013	179	28.33	47.39	10.86%	18.44%	0.76	0.90	-0.16
#2	838	116	26.59	43.67	7.88%	13.79%	0.76	0.88	-0.14
#3	1,205	133	28.39	238.20	7.55%	16.54%	0.54	0.88	-0.38
#4	336	288	13.14	39.91	8.04%	12.15%	0.66	0.99	-0.33
#5	788	79	14.37	27.20	5.20%	15.19%	0.68	0.86	-0.21
#6	601	86	21.14	31.82	6.99%	12.79%	0.78	0.88	-0.12
#7	651	148	27.00	73.25	7.07%	13.51%	0.65	0.91	-0.28
#8	778	97	17.69	29.27	8.23%	17.53%	0.74	0.88	-0.16
#10	775	99	31.42	41.52	9.81%	15.15%	0.83	0.88	-0.05
#11	819	85	24.24	25.71	9.16%	12.94%	0.92	0.87	0.06
#14	325	234	17.64	31.88	5.85%	13.68%	0.71	0.98	-0.28
#15	839	55	40.10	51.06	10.01%	25.45%	0.79	0.84	-0.06
#16	408	54	28.92	47.20	9.80%	20.37%	0.74	0.87	-0.14
#17	395	31	22.84	27.76	10.38%	12.90%	0.89	0.83	0.07
#18	281	80	10.1	31.12	6.05%	28.75%	0.57	0.91	-0.37
#19	511	90	35.08	28.31	9.78%	8.89%	1.00	0.79	0.21
#22	591	84	36.83	39.43	11.51%	9.52%	0.97	0.84	0.13
#36	254	63	22.12	37.56	9.84%	12.70%	0.79	0.90	-0.12
#38	130	23	26.75	51.85	12.31%	17.39%	0.75	0.86	-0.13
#39	252	28	12.96	21.03	8.33%	21.43%	0.72	0.84	-0.14
#40	196	27	40.49	21.75	13.78%	14.81%	0.99	0.67	0.32
#41	242	45	18.57	34.43	7.02%	13.33%	0.72	0.88	-0.18
#52	195	32	21.71	61.29	8.21%	31.25%	0.59	0.86	-0.31

主题	文章数量	均被引值	前10%文章比例	AII值	中美对比
#0	1,785	155	13.64	28.16	7.84%	16.77%	0.69	0.87	-0.21
#1	1,013	179	28.33	47.39	10.86%	18.44%	0.76	0.90	-0.16
#2	838	116	26.59	43.67	7.88%	13.79%	0.76	0.88	-0.14
#3	1,205	133	28.39	238.20	7.55%	16.54%	0.54	0.88	-0.38
#4	336	288	13.14	39.91	8.04%	12.15%	0.66	0.99	-0.33
#5	788	79	14.37	27.20	5.20%	15.19%	0.68	0.86	-0.21
#6	601	86	21.14	31.82	6.99%	12.79%	0.78	0.88	-0.12
#7	651	148	27.00	73.25	7.07%	13.51%	0.65	0.91	-0.28
#8	778	97	17.69	29.27	8.23%	17.53%	0.74	0.88	-0.16
#10	775	99	31.42	41.52	9.81%	15.15%	0.83	0.88	-0.05
#11	819	85	24.24	25.71	9.16%	12.94%	0.92	0.87	0.06
#14	325	234	17.64	31.88	5.85%	13.68%	0.71	0.98	-0.28
#15	839	55	40.10	51.06	10.01%	25.45%	0.79	0.84	-0.06
#16	408	54	28.92	47.20	9.80%	20.37%	0.74	0.87	-0.14
#17	395	31	22.84	27.76	10.38%	12.90%	0.89	0.83	0.07
#18	281	80	10.1	31.12	6.05%	28.75%	0.57	0.91	-0.37
#19	511	90	35.08	28.31	9.78%	8.89%	1.00	0.79	0.21
#22	591	84	36.83	39.43	11.51%	9.52%	0.97	0.84	0.13
#36	254	63	22.12	37.56	9.84%	12.70%	0.79	0.90	-0.12
#38	130	23	26.75	51.85	12.31%	17.39%	0.75	0.86	-0.13
#39	252	28	12.96	21.03	8.33%	21.43%	0.72	0.84	-0.14
#40	196	27	40.49	21.75	13.78%	14.81%	0.99	0.67	0.32
#41	242	45	18.57	34.43	7.02%	13.33%	0.72	0.88	-0.18
#52	195	32	21.71	61.29	8.21%	31.25%	0.59	0.86	-0.31

全球视野与中美方阵:AI跨学科主题及演进

PDF下载

姜春 ¹ , 贺星 ²

科学学研究 | 前沿与观点 2026,44(9): 1971-1984

收起

科学学研究 |前沿与观点 2026 , 44 (9) : 1971 -1984

全球视野与中美方阵:AI跨学科主题及演进

全屏

[Author(id=1317436190345773110, tenantId=1146029695717560320, journalId=1308397381743640680, articleId=1317436186684145696, orderNo=0, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=cjiang19@fudan.edu.cn, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1317436190438047800, tenantId=1146029695717560320, journalId=1308397381743640680, articleId=1317436186684145696, authorId=1317436190345773110, language=EN, stringName=Chun JIANG, firstName=Chun, middleName=null, lastName=JIANG, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=¹ School of Public Administration and Emergency Management, Jinan University, Guangzhou 510632, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1317436190517739577, tenantId=1146029695717560320, journalId=1308397381743640680, articleId=1317436186684145696, authorId=1317436190345773110, language=CN, stringName=姜春, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=¹ 暨南大学公共管理学院/应急管理学院, 广东广州 510632, bio={"content":"

姜春(1993-),男,副教授,博士,E-mail: cjiang19@fudan.edu.cn。

"}, bioImg=null, bioContent=

姜春(1993-),男,副教授,博士,E-mail: cjiang19@fudan.edu.cn。

, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1317436190106697775, tenantId=1146029695717560320, journalId=1308397381743640680, articleId=1317436186684145696, xref=1, ext=[AuthorCompanyExt(id=1317436190119280688, tenantId=1146029695717560320, journalId=1308397381743640680, articleId=1317436186684145696, companyId=1317436190106697775, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=¹ School of Public Administration and Emergency Management, Jinan University, Guangzhou 510632, China), AuthorCompanyExt(id=1317436190131863601, tenantId=1146029695717560320, journalId=1308397381743640680, articleId=1317436186684145696, companyId=1317436190106697775, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=¹ 暨南大学公共管理学院/应急管理学院, 广东广州 510632)])]), Author(id=1317436190593237051, tenantId=1146029695717560320, journalId=1308397381743640680, articleId=1317436186684145696, orderNo=1, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1317436190681317437, tenantId=1146029695717560320, journalId=1308397381743640680, articleId=1317436186684145696, authorId=1317436190593237051, language=EN, stringName=Xing HE, firstName=Xing, middleName=null, lastName=HE, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=², address=² School of Public Administration, Hohai University, Nanjing 211100, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1317436190756814910, tenantId=1146029695717560320, journalId=1308397381743640680, articleId=1317436186684145696, authorId=1317436190593237051, language=CN, stringName=贺星, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=², address=² 河海大学公共管理学院, 江苏南京 211100, bio={"content":"

贺星(2004-),女,硕士研究生。

"}, bioImg=null, bioContent=

贺星(2004-),女,硕士研究生。

, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1317436190253498418, tenantId=1146029695717560320, journalId=1308397381743640680, articleId=1317436186684145696, xref=2, ext=[AuthorCompanyExt(id=1317436190266081331, tenantId=1146029695717560320, journalId=1308397381743640680, articleId=1317436186684145696, companyId=1317436190253498418, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=² School of Public Administration, Hohai University, Nanjing 211100, China), AuthorCompanyExt(id=1317436190274469940, tenantId=1146029695717560320, journalId=1308397381743640680, articleId=1317436186684145696, companyId=1317436190253498418, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=² 河海大学公共管理学院, 江苏南京 211100)])])]

姜春¹, 贺星²

作者信息

¹ 暨南大学公共管理学院/应急管理学院, 广东广州 510632

² 河海大学公共管理学院, 江苏南京 211100

作者简介:

姜春(1993-),男,副教授,博士,E-mail: cjiang19@fudan.edu.cn。

贺星(2004-),女,硕士研究生。

Global perspectives and the Sino-US AI landscape: Interdisciplinary topic identification and evolution

Chun JIANG¹, Xing HE²

Affiliations

¹ School of Public Administration and Emergency Management, Jinan University, Guangzhou 510632, China

² School of Public Administration, Hohai University, Nanjing 211100, China

出版时间: 2026-09-15

文章导航

摘要

收起

面对人工智能(AI)技术快速演进的新形势,跨学科融合日益成为推动技术突破与知识创新的重要路径。然而已有研究鲜有探讨AI的跨学科知识及其演进体系,制约了对AI发展内在规律的理解,进而影响掌握发展主动权的能力。该研究聚焦AI领域的跨学科知识融合与结构演化问题,引入BERTopic模型,运用学科多样性与凝聚力指数和主题强度与内容演化分析方法,构建“主题识别-结构解析-机制比较”研究框架,识别全球AI领域的典型跨学科主题,系统分析其知识结构特征与演进模式,并聚焦中美两国的演化路径差异与驱动机制对比。研究发现,AI领域形成23个结构类型各异、融合程度不一的跨学科主题,呈现多范式共生、异质知识集成与结构耦合演进的特征,表明AI本身已成为复杂技术-社会系统中典型的跨学科集成平台;中美分别形成“范式驱动-系统扩散型”(美国)与“任务导向-技术整合型”(中国)两类典型路径,在制度逻辑、组织机制与资源配置方面展现出深层差异,美国侧重自由探索与多元协同,中国则强调战略导向与集中攻关。研究提出构建异质耦合平台、优化立项机制、完善接口学科生态等政策建议,以增强中国AI领域的跨学科整合能力与系统创新韧性。研究有助于深化对AI跨学科知识生产和演进规律的理解,并为评估中美科技竞争态势提供学理支撑与启示。

关键词

人工智能 / 跨学科 / 主题识别 / 主题演进 / 中美竞争

Abstract

收起

Against the backdrop of rapid advances in artificial intelligence (AI) and the accelerating reshaping of the global technological competition landscape, interdisciplinary integration has increasingly become a critical driver of technological breakthroughs and knowledge innovation. Particularly amid intensifying Sino-American technological rivalry, comparing the differences in AI interdisciplinary knowledge integration paths across countries is of significant practical relevance for optimizing innovation strategies and enhancing competitive resilience. However, existing studies have predominantly focused on AI theory development, technological innovation, and overall trends, with relatively limited systematic exploration of AI’s interdisciplinary knowledge system and its evolutionary mechanisms. This gap partially constrains understanding of the intrinsic patterns of AI development and, consequently, limits the ability to seize strategic initiative.

This study draws on the Web of Science (WoS) database, selecting 89,448 valid publications up to December 31, 2024, and constructs an integrated research framework encompassing “topic identification - structural analysis - mechanism comparison”. First, employing the BERTopic modeling method, the study identifies representative interdisciplinary topics in AI and characterizes their features in terms of knowledge sources, integration depth, and structural types by introducing disciplinary diversity and cohesion indicators. Second, by analyzing changes in topic intensity and content evolution, it reveals the evolutionary paths and coupling patterns of interdisciplinary knowledge across different stages. Finally, using the United States and China as comparative cases, the study examines differences in topic distribution, structural patterns, and driving mechanisms, exploring how institutional logic, organizational forms, and resource allocation shape interdisciplinary integration.

The findings indicate that the AI field has formed a complex interdisciplinary knowledge system composed of 23 heterogeneous topics, with significant variation across topics in disciplinary sources, integration depth, and structural complexity, displaying a combination of parallel paradigms, heterogeneous integration, and structural coupling. The evolution of interdisciplinary knowledge typically follows a cyclical process, progressing from the introduction of heterogeneous elements to the integration of methodological paradigms and the differentiation of new subfields, with coupling realized through multi-layered nested coordination between core and interface disciplines. International comparison shows that the U.S. emphasizes paradigm-driven, system-level diffusion, relying on open collaboration and multi-actor participation to promote parallel exploration across multiple directions, whereas China exhibits an engineering- and application-driven pattern, emphasizing concentrated resource mobilization and rapid integration, resulting in goal-focused and outcome-oriented pathways. These mechanistic differences not only influence the pace and direction of knowledge evolution but also shape each country’s relative advantages in frontier leadership and applied breakthroughs.

The study proposes high-level strategic directions for enhancing China’s interdisciplinary integration capacity and systemic innovation resilience in AI, including the development of heterogeneous coupling platforms, optimization of project and collaboration mechanisms, and the cultivation of interface discipline ecosystems. The research systematically extends the characterization of interdisciplinary knowledge structures, the identification of evolutionary paths, and comparative analysis of U.S. and Chinese mechanisms, offering a generalizable analytical framework and methodological approach. It deepens understanding of the patterns and mechanisms of interdisciplinary integration in AI and provides a novel theoretical perspective for studying the complexity of technological convergence. By elucidating cross-national differences in interdisciplinary innovation paths and driving logics, the study provides scholarly support and practical guidance for formulating forward-looking AI development strategies and strenthening competitiveness global technological competition.

Key words

artificial intelligence / interdisciplinarity / topic modeling / topic evolution / China-US competition

引用本文

姜春, 贺星. 全球视野与中美方阵:AI跨学科主题及演进. 科学学研究, 2026 , 44 (9) : 1971 -1984 .

Chun JIANG, Xing HE. Global perspectives and the Sino-US AI landscape: Interdisciplinary topic identification and evolution[J]. Studies in Science of Science, 2026 , 44 (9) : 1971 -1984 .

正文

收起

2025年4月,习近平总书记在中共中央政治局集体学习时指出,人工智能(AI)作为引领新一轮科技革命和产业变革的战略性技术,深刻改变人类生产生活方式。AI已成为全球科技竞争的制高点,既重塑全球创新格局也深刻影响国家发展与安全。《全球AI创新指数报告2025》显示,全球竞争呈现美中两国大幅领先格局,美国以77.97分居全球第一,中国58.01分排名第二。全球大模型技术创新加速演进,顶尖大模型交替领先,性能差距缩小。美国政府制定了《赢得竞争——美国AI行动计划》(Winning the Race: American’s AI Action Plan),明确提出对抗中国的国际影响力,确保美国在全球AI领域的主导地位。

AI快速发展的关键在于其跨学科知识的深度融合^[1]。从源起于数学、逻辑学、计算机科学到拓展至生物学、物理学、神经科学等,AI始终依托多学科交叉协同发展,反过来也促进学科融合创新。换言之,跨学科特征是AI发展的本质属性。2024年诺贝尔化学奖与物理学奖均授予AI相关科学家,印证其跨学科创新的潜能。尽管当前AI研究在技术与理论层面取得进展,但对其跨学科演化机制研究仍有不足。当前美国及其盟友对华“脱钩断链”与“技术围堵”,如何科学识别AI跨学科知识及其演变趋势,厘清中国优势与短板,抢占战略科技高地,成为亟需回应的时代命题。

基于此,本文聚焦全球视野下AI的跨学科研究,系统识别AI的跨学科主题,刻画其知识演化特征,并分析中美各自主导的跨学科主题知识演进路径差异及驱动机制。本文拓展了AI的跨学科理论研究,深化对其跨学科知识体系的理解,为研判乃至引导全球AI发展趋势,培育AI新技术新方向提供重要参考。

1 文献综述

收起

1.1 AI的内涵与特征

AI指能完成推理、决策、问题解决等传统由人类执行的复杂任务的计算机系统^[2]。20世纪50年代以来,尤其达特茅斯会议后,AI逐渐发展为一门独立学科。AI具有跨学科整合性、适应性和集成能力等特征^[3,4],涵盖机器学习、自然语言处理、计算机视觉等多个子方向^[5]。这些领域既各自发展又相互交叉,推动AI整体演进。

1.2 AI跨学科研究

AI作为计算机科学的分支,融合心理学、神经科学、哲学等多学科理论和方法,具有跨学科特征^[6]。现有研究主要聚焦两个方面:一是面向实际应用,强调AI技术与农业^[7]、产业^[8]、医学^[9]、经济^[3]等领域融合;二是关注AI内部知识结构和演化机制,从学科定位^[10]、结构分布^[11]、伦理^[12]、治理特征^[13]等角度探讨其跨学科属性。也有研究关注知识流动特征,但仅停留在宏观引文分析层面^[14]。

1.3 AI态势研究

相关研究主要基于专利、科技文献或政策数据,采用引文分析、共词分析与文献计量^[15]等方法,结合CiteSpace等可视化工具构建知识图谱^[16,17],识别结构洞与研究热点。同时,也广泛运用Bibliometric分析、突变术语检测^[16]、LDA模型^[18]、DTM模型^[19]等方法,描绘AI的研究前沿、知识流动路径及主题演进趋势^[20]。

综上,现有研究关注AI理论建构、技术创新和发展态势等方面,但鲜有研究其跨学科特征。具体而言:视角上,多数研究侧重AI对其他领域的赋能,缺少对AI本体跨学科知识结构及演化过程的分析;方法上,传统识别方法侧重宏观共现,未揭示具体议题中知识交融的微观机制及动态演化轨迹;动力机制上,已有研究虽提出AI发展策略,但较少从跨学科这一本质特征出发探讨其演化动力机制差异。

基于此,本文构建一个融合BERTopic模型与学科多样性-凝聚力指数的综合分析框架,科学识别AI跨学科主题,并从主题强度和内容两维度分析全球知识演进特征,比较中美各自主导的跨学科主题知识演进路径及驱动机制,为理解AI的跨学科知识生产及演进,明确中国战略发力点提供经验证据。

2 研究设计

收起

2.1 研究方法

BERTopic是融合BERT语义嵌入与c-TF-IDF权重机制的先进主题建模方法^[21]。相较LDA、NMF等传统模型,在语义理解、聚类效果及主题演化追踪^[22]方面表现更优。目前该方法广泛用于文本聚类与主题演化分析,并逐步扩展至跨学科研究领域^[23]。为揭示AI跨学科知识融合机制,本文从主题提取、过滤、识别、演进四阶段展开分析(图1)。

阶段1:主题提取。首先,采用预训练Sentence Transformer模型将论文摘要编码为语义向量;其次,通过UMAP对向量降维,并利用HDBSCAN算法进行语义聚类;最后,基于c-TF-IDF提取主题特征词,采用MMR算法优化关键词。

阶段2:主题过滤。信息熵衡量主题及词汇概率分布的离散度(式1)。接着,通过余弦相似度(式2)量化阶段主题T₁与全局主题T₂的语义相似度。最后,根据全局主题数Z_t与阶段主题数Z_i的比例调整过滤标准(式3)。

(1)$ \text { Entropy }(\mathrm{T})=-\mathrm{K} \sum_{i=1}^{m} P\left(W_{i} / T\right) \ln P\left(W_{i} / T\right)$

其中,K为归一化常数,P(W_i/T)为词项W_i在主题T下的条件概率,m为词汇总数。

(2)

$CS({T}_{1},{T}_{2})=\frac{{T}_{1} · {T}_{2}}{‖{T}_{1}‖ ·‖{T}_{2}‖}=\frac{{\sum }_{i=1}^{n}\left(\right({X}_{i}\left|{T}_{1})· ({Y}_{i}\right.\left|{T}_{2})\right.)}{\sqrt{{\sum }_{i=1}^{n}({X}_{i}\left|{T}_{1}{)}^{2}\right. · \sqrt{{\sum }_{i=1}^{n}({Y}_{i}\left|{T}_{2}{)}^{2}\right.}}}$

其中,X与Y分别为主题T₁和T₂中的关键词。

(3)

$threshold=\frac{{Z}_{t}}{{\sum }_{i=1}^{m}{Z}_{i}}$

阶段3:跨学科主题识别。学科多样性^[24]衡量主题术语在不同学科中的影响力离散程度,用TI指数(式4)表征。学科凝聚力基于共现网络,采用网络密度(式5)衡量学科间协同整合度。

(4)

$TI=d\times log tf$

(5)

$Network Density=\frac{2L}{N(N-1)}$

其中,d为主题学科数,tf为相关文献数,N为学科数量,L为共现关系。

阶段4:跨学科主题演进。主题强度结合论文数量与特征词分布衡量(式6)。综合影响力(式7)是基于文献数(N)、均被引频次(C)与高影响力论文占比(Q)^[25]。Δ值(式8)衡量中美在人工智能主题中的相对影响力差异。

(6)

${\theta }_{y}^{t}=\sum _{k=1}^{m}Nu{m}_{y}\left(t\right)\times {\theta }_{t}^{Wk}$

其中,Num_y(t)为时段y主题t的文献数,${\theta }_{t}^{Wk}$表征特征词W_k对主题t的贡献度。

(7)

$AI{I}_{i}=0.4·{\tilde{N}}_{i}+0.4·{\tilde{C}}_{i}+0.2·{\tilde{Q}}_{i}$

其中,$\tilde{N}$,$\tilde{C}$,$\tilde{Q}$为标准化指标,i表示研究主题。

(8)

$\mathrm{\Delta }=\frac{AI{I}_{CN}-AI{I}_{US}}{max(AI{I}_{CN},AI{I}_{US})}$

2.2 数据获取与趋势分析

本研究以Web of Science(WoS)为数据源,为避免时滞影响,数据截至2024年12月31日。检索策略包括两步:一是参考AI知识图谱相关研究^[26,27],筛选高频核心术语;二是结合联合国《以人为本的AI治理》、美国白宫OSTP《国家AI研发战略计划》和中国国务院《新一代人工智能发展规划》等报告,提取关键词。构建检索式:TS= (“artificial intelligence*” OR “machine learn*” OR “deep learn*” OR “neural network*” OR “computer vision*” OR “language model” OR “natural language process*”),获取初始文献833,182篇。

在数据筛选上,为保证数据权威性及学科代表性,本文聚焦WoS核心集中的“Computer Science, Artificial Intelligence”类别,筛得文献104,448篇。进一步限定语言为英语,文章类型为Article,剔除页数不足5页,缺乏引文或重复项的记录,最终保留90,212篇。随后,采用双人背靠背法进行人工筛选。最终确定89,448篇有效文献用于分析。

进一步分析AI研究趋势与学科扩展特征发现,2010-2024年AI研究以年均18.04%增速呈现指数级增长,覆盖的WoS学科从30增至35个,年均增幅仅1.30%,低于文献增长速度。这表明AI跨学科扩展主要表现在既有学科间的纵深融合,而非新增学科的拓展。

3 研究结果

收起

3.1 AI研究主题提取

通过BERTopic模型初步提取222个全局主题,结合主题复杂性调参后,基于层次聚类和c-TF-IDF算法重构为65个全局主题^①(①囿于篇幅,如需全局主题请向作者索取。)。图2展示前9个主题贡献前5的关键词,辅助揭示其核心语义构成。接着,将2010-2024年划分为5个阶段,提取各阶段主题。由于单期语料库相对较小,调整聚类参数(min_ cluster_ size=5,min_ samples=5)以提升识别灵敏度。表1中阶段主题数呈指数增长,体现AI研究的知识生产加快。

3.2 AI研究主题过滤

选取熵值低于平均熵(0.2353)的30个主题作为语义聚焦性强的有效全局主题。结合信息熵与语义相似度,计算阶段主题与全局主题匹配度(阈值为0.0732),筛选有效阶段主题。表1所示有效主题率由43.08%升至47.40%,表明阶段主题与全局知识体系一致性增强,AI研究正由离散探索走向系统整合。

3.3 AI研究的跨学科主题识别

(1)基于多样性指数的AI跨学科研究特征

学科多样性指数(TI)(表2)表明主题交叉程度与文献量呈中度正相关(Pearson r=0.68, p<0.001),但文献规模超过2,000篇后TI增速趋缓,学科交叉存在边际递减。

图3展示30个全局主题的学科多样性演变,特征如下:第一,技术驱动的学科融合呈阶梯式递进。基础突破期(阶段1-2),深度学习推动多学科交叉。例如topic #1(视觉行为识别)覆盖学科从17扩展到25个,CNN技术广泛应用医疗影像、遥感等领域。场景扩散期(阶段3-4),注意力机制等技术促进多模态融合。例如topic #4(可解释AI)TI从38.80跃升至84.50,AI向司法、金融等领域渗透时对伦理与认知科学需求增加。范式转型期(阶段5),大模型技术引发学科重组。如topic #8(视觉缺陷检测)拓展至25个学科,人工智能与材料科学、光学工程在工业质检中融合。

第二,TI演化具有多维协同特征。规模与多样性协同,文献量达500篇后95%主题TI超60,研究扩张促进学科协作。资源集聚协同,如topic #0(图神经网络推荐系统)文献量达1,980篇,TI值65.93,主题知识与资源集聚促进交叉。危机与创新协同,如疫情推动topic #38(胸部影像与新冠检测)TI从3.8增至68.1,突发事件促进学科联动以实现技术突破。

第三,技术演化出现拐点。首个拐点是方法论冲突(2013-2018),如技术瓶颈导致topic #12(自适应控制)TI从42.51降至38.23。随后是伦理觉醒(2019-2024),GPT-3发布促使topic #4(可解释AI)TI突破84,法学、心理学等介入AI伦理框架。目前处于人文重构拐点,扩散模型推动topic #15(图像融合修复与风格迁移)TI升至81.65,艺术创作与文物保护融合转型。

(2)基于凝聚力指数的AI跨学科研究特征

73.33 %主题凝聚力处于0.10-0.13之间,表明AI已形成基本协作网络。具体主题的凝聚力存在差异:高凝聚力主题如topic #2(金融时间序列预测,0.15),体现金融数学与深度学习的协同深化;而topic #12(非线性系统自适应控制,0.06)代表单一学科主导的低凝聚力主题;topic #22(多视角聚类,0.12)虽TI中等,却具高凝聚力,反映子空间学习在多模态数据处理的协同潜力。

图4展示人工智能研究主题的象限分布。学科多样性与凝聚力正相关(Pearson r=0.72,p<0.01)。①高多样性-高凝聚力象限。代表性主题包括topic #0、#1、#2等24个,平均TI值83.83,网络密度超0.08,融合多学科知识适配技术与场景,凸显跨学科创新效能。以topic #4(可解释AI)为例,融合计算机科学、认知科学与法律伦理,开发LIME、SHAP等工具应用于医疗与金融,推动技术与规范协同发展。

②低多样性-高凝聚力象限。唯一主题topic #44(深度学习分析心电图与心血管疾病),依托U-Net和ResNet架构将心脏相关知识嵌入深度学习模型,构建医学影像分析的垂直整合范式。

③低多样性-低凝聚力象限。Topic #12、#28、#34、#50和#61位于该象限,它们技术路径与学科结构单一。如topic #28(风力发电与电力系统预测)依赖能源工程与统计学传统技术,未与气象、材料等学科交叉,导致预测模型未突破气象敏感性、设备损耗等变量耦合分析瓶颈。

综上,topic #0、#1、#2、#3、#4、#5、#6、#7、#8、#10、#11、#14、#15、#16、#17、#18、#19、#22、#36、#38、#39、#40、#41和#52是人工智能核心跨学科主题。

3.4 AI跨学科主题演化

(1)主题强度演化

图5展示AI跨学科主题强度在各阶段变化轨迹。据此,主题类型归纳如下:

持续增长型。代表性主题如topic #0(图神经网络推荐系统)增长近50倍。技术突破期(2016-2018年)通过GCN提升推荐准确性,强度增长226%;产业化爆发期(2019-2024年)GraphSAGE和GAT算法解决实时计算问题,强度年均增速达80%,反映底层技术突破关键应用场景工程障碍后,相关主题研究迅速扩张,从学术探索转向产业落地。

早期波动后期增长型。以topic #7(信用风险评估中的机器学习)为例,2010-2012年因数据及模型问题研究停滞;随着欧盟开放银行数据共享法案实施,AI模型可接入央行征信系统实现多源数据融合,结合LSTM与Transformer架构提升,研究强度回升至38.98,体现数据开放与技术进步的协同驱动效应。

后期爆发型。此类主题前期研究强度低或停滞,后期因突发事件或技术突破大幅增长。如topic #38(胸部影像与新冠检测)在2010-2018年研究强度均值0.29,而2019年后升至40.15。其爆发源于疫情激发智能诊断需求,深度学习优化提高诊断灵敏度,美国和欧盟提供数据与资源支持。说明突发事件通过需求牵引、技术推动、资源保障的传导链条,重塑医学影像领域的AI技术研发优先级与创新节奏。

(2)主题内容演化:中美比较

表3显示美国主导全球1/3AI核心跨学科主题,强调基础研究与原始创新。它们聚焦方法突破和治理框架(如#0、#4、#52),同时,与医疗(#5)、金融(#7)、隐私伦理(#4)等高敏感性领域深度绑定,表明在高可信度AI系统建构方面的系统优势。中国强调工程化应用和效率。聚焦算法收敛与效率(#19)、实用型感知任务(#40)等“落地性强”的工程任务,在算法实用性、系统部署效率与识别准确性方面表现突出。另有14个中美共同竞争主题,分布在CV、NLP、金融与医疗交叉等跨学科集成应用领域。由于这类主题有技术基础也有现实急需,同时代表了AI在泛领域基础设施方面演进的关键节点,最易形成中美并行、轮替领先的动态均衡区。

本文依据全局主题与阶段主题的相似度筛选显著关联主题,并以此评估成熟度^②(②设置相似度阈值(<0.10)过滤低关联主题,有效主题分三级显示:绿色指萌芽或活跃阶段[0.10-0.40);黄色指发展阶段[0.40-0.70);红色指成熟阶段[0.70-1)。桑基图中节点位置垂直分布体现相似度梯度,靠近顶部的红色节点是成熟主题,绿色节点是新兴方向,未达阈值的灰色节点作为辅助信息保留。),然后分析各阶段主题间的知识演化路径^③(③S1-T1指在第一阶段的topic #1。阶段主题间相似度以线条粗细和颜色区分。相似程度等级划分为[0.10,0.40),[0.40,0.70),[0.70,1),低于0.10的线条用灰色表示。红色粗线指高度相似,核心概念稳定;绿色细线表示低相似度,反映较大转变或新主题出现)。图6展示了代表性跨学科主题的知识流动路径,涉及共同竞争主题(topic #1和#2),美国主导主题(topic #3和#4),中国主导主题(topic #19和#40)。

Topic #1(视觉行为识别):以人脸表征与识别技术为核心,知识流动经历五代演进。协同优化探索期,融合图像分割与目标检测技术(S1-T0),构建复杂场景分析框架;稀疏表征驱动期,利用稀疏编码与低秩分解方法(S2-T5)识别静态表情;CNN技术爆发期,推动端到端学习模型(S3-T30)提升识别精度;多属性分析深化期,基于ResNet架构与VGGFace2数据集扩展年龄与情绪识别(S4-T13);安全防御重构期,针对Deepfake构建检测防御一体化体系(S5-T80),结合TEE与欧盟AI法案塑造新技术范式。2016年以来,CNN架构创新成为topic #1新兴方向。S3-T11解决卷积-全连接层参数耦合问题,S4-T59完成MobileNet移动端部署,S5-T251用3D CNN增强自动驾驶行为预测与手术动作分析能力。

Topic #2(金融时间序列预测):呈现算法、数据、系统接续驱动知识融合轨迹。算法混合期,以S1-T1遗传-神经混合优化模型为核心,构建GA-BP协同神经网络优化工业预测性能;数据融合期,构建多通道LSTM架构(S2-T6),实现异构时序数据耦合分析;模糊理论突破期,通过模糊隶属函数量化市场状态(S3-T12),开发抗噪规则库应对极端行情;动态系统构建期,实现市场状态感知与预测引擎秒级切换(S4-T7);决策闭环期,基于联邦学习跨市场知识迁移和FOF实盘验证动态再平衡(S5-T12),推动智能投资决策成熟。

Topic #3(三维感知建模):沿着“空间拓展-动态建模-认知深化”路径发展。基础构建期,突破二维转三维特征漂移(S1-T0)与动态建模(S2-T9)瓶颈,融合SLAM与生物视觉机理,实现静态识别到运动追踪的跨越,奠定多模态感知基础;体系成熟期,采用graph matching与3D解析(S3-T0)建立形态与运动联合模型,推动自动驾驶技术在交通运输、智慧物流等产业规模化应用;智能突破期,结合全卷积架构(S4-T69)、弱监督机制(S5-T51)与Transformer+NeRF技术,实现轻量化实时感知。

Topic #4(可解释AI):融合符号逻辑、因果建模与算法公平性,呈“方法、语义、规范”三维演化路径。规则驱动期,以形式逻辑(S1-T31)与多智能体博弈推演(S2-T29)构建复杂决策链验证机制;动态推演期,开发模块化信息粒架构(S3-T15)耦合树搜索算法,引入游戏AI动态推演架构(S4-T36),构建实时解释反馈系统;价值嵌入期,S5-T61聚焦通用智能系统的伦理架构,注入价值对齐机制,回应AI治理需求。2022年涌入两个新兴方向:一是聚焦可解释系统的机理建模与验证方法(S5-T90),通过决策机理可视化建模(如神经路径追踪)与动态验证协议(对抗测试框架),构建局部解释到全局可信度的评估体系;二是关注基层医疗中的智能辅助诊断架构(S5-T268),结合中医语义网络与西医检验数据,开发跨模态解释引擎,降低基层医生的认知负荷。

Topic #19(优化算法与神经网络训练):呈现出从理论探索到算法突破,再到场景应用的螺旋式演进特征。基础理论期,构建神经网络稳定性分析框架(S1-T3),融合群体智能优化方法(S2-T12),提出果蝇优化算法(S3-T36);关键突破期,引入动态权重调整机制(S4-T24),提升无人机路径规划收敛速度,提高解集均匀性;系统化阶段,基于双层参数调节元启发式算法(S5-T34),减少ResNet分类训练迭代,提升收敛效率。

Topic #40(场景文本与手写文字识别):融合工程技术与语言学,形成感知、语义、语言的链式融合路径。早期基于梅尔声学特征与HMM神经网络混合模型,识别低分辨率场景文本与音乐符号;系统化阶段,离线多模态识别系统通过集成光学字符检测技术,实现拉丁文字与特殊符号的并行处理,提升场景文本定位F-score值;深度学习浪潮下采用DCNN融合文本与行人检测任务,实现三维场景理解;应用拓展期,构建文档图像与自然场景迁移学习框架,在古籍数字化等领域实现较高字符保真度;跨模态阶段,借助GAN统一手写体与印刷体特征,支持多语种与多模态智能解析系统。

(3)AI跨学科主题的知识演进特征及其驱动机制

AI跨学科主题知识演进特征。特征一:主题知识普遍沿着“吸收-成熟-裂变”的动态周期演进。演化初期,AI核心学科(如计算机科学、逻辑学、数学等)主动吸纳语言学、生物医学、伦理学等外部学科资源,形成异质知识要素的交汇。随着技术系统和应用场景拓展,这些知识通过范式革新和方法集成进行系统整合。成熟期,主题知识裂变,衍生AI治理、社会影响评估等新兴子领域,完成“知识融合”向“知识再生”转化。这种周期性特征反映AI作为高度集成的交叉领域,其发展不仅依赖知识输入,更依赖范式牵引下的结构重组与边界拓展。

特征二:成熟度对知识融合结构和路径有显著影响。新兴融合型主题(如topic #40场景文本识别)因其特定任务导向性,发展路径简短,结构收敛,形成工程驱动型范式结构;过渡集成型主题(如topic #2金融预测建模)逐步建构感知建模、语义理解等多个子系统,融合深度提升;成熟扩散型主题(如topic #4可解释AI)已形成复杂的知识网络,不仅涵盖技术和认知维度,还延伸至伦理、法律等社会制度层面,形成“方法-范式-制度”三重互动的复合型知识扩散路径。这种成熟度差异不仅体现于技术系统的复杂性,更体现在跨学科资源能否被有效重构和再生产的能力上,决定主题未来演化潜力与拓展边界。

特征三:主题结构呈现“主干-接口-应用”相互嵌套的链状耦合特征。主干学科(如计算机科学、数学等)提供技术逻辑与方法范式,是知识演进的源发驱动力;接口学科(如心理学、语言学、统计学)在认知映射、语义桥接等关键环节发挥支撑作用,形成知识整合的中介机制;而应用学科(如医学、法学、金融等)承载技术成果的嵌入与转化,是推动主题社会价值实现的关键环节。这种结构逻辑不同于传统学科间的平面协作,是一种以技术范式为轴心、以中介学科为纽带、以场景嵌入为落点的分层式知识组织机制,体现AI跨学科知识系统演化的深层规律。

中美AI跨学科主题的知识演进路径及其驱动机制。中美AI跨学科主题的知识演进呈现出两种典型路径:中国表现为“任务牵引-技术整合-快速成熟”的收敛型路径,美国体现为“范式驱动-多元扩散-系统演化”的扩散型路径。中国以工程需求为起点,聚焦解决特定技术问题,通过相邻学科知识拼接,形成紧凑的知识结构和较短的演化链条。以topic #19(优化算法)和topic #40(场景文本识别)为代表,其研究路径明确、目标集中,突出任务导向和落地效能。相比之下,美国的研究更注重从方法创新出发,融合多学科知识源,在topic #3(三维感知建模)、#4(可解释AI)等主题展现较强的知识衍生性和学科扩展性,演进路径更开放、复杂和动态。

分析两者背后的驱动机制发现,中美路径的差异不仅源自科研议题选择,更根植于制度逻辑、组织模式与资源配置方式的不同。美国跨学科研究依托高度自治的科研体系,呈现多元主体参与、自由协同演化特征。加州大学、佛罗里达州立大学等高校与NSF、能源部等联邦机构共同构建覆盖53国271个机构的全球协作网络,形成了分布式知识生产格局。其资助机制长期支持基础研究与方法探索,2024年高达1,090.8亿美元的私人投资进一步强化了多学科协同与前沿探索能力。在此机制下,美国跨学科主题展现出多元知识协同生产推动知识系统整合,进而促进跨学科知识边界开放的演化特征。例如topic #4在后期发展出医疗诊断系统子主题(T268),体现知识裂变与外溢能力。

相比之下,中国跨学科研究主要由集中统筹体制驱动,依赖国家战略导向和工程目标牵引,强调资源配置的组织化与目标的精确化。以中国科学院与重点高校(香港城大、哈工大等)为核心,形成以本土机构为主(占64.73%)的内循环知识组织结构。《新一代人工智能发展规划》、“新工科改革”等政策强化研究议题的任务导向属性,使跨学科研究紧密围绕“卡脖子”技术展开,实现快速动员、集中攻关和成果转化。这种机制有效提升集成效率,但也导致知识融合路径趋于封闭,异质性知识耦合的广度与深度受限。

由此可见,中美AI跨学科研究在路径选择与驱动逻辑上具有典型制度性差异。美国强调方法先导与范式突破,通过自由探索实现知识网络自下而上扩张;中国强调目标导向与组织执行,通过制度动员实现技术系统自上而下整合。两种路径在当前各自国家科技战略中都展现出高度适配性,但在知识生态的开放性、多样性与系统演化能力方面存在结构性张力,也对未来中美跨学科协同与全球技术合作格局产生深远影响。

4 研究结论与政策启示

收起

4.1 研究结论

AI跨学科知识体系不仅是推动理论创新与技术突破的重要支撑,也是理解AI演化机制与知识协同逻辑的关键切口。针对跨学科主题识别模糊、演化路径不清与结构机制未明等问题,本文构建了涵盖结构识别、国家比较与机制解释的整体性研究框架,识别AI领域典型跨学科主题,揭示其在结构、路径和知识来源的异质性特征,并比较中美在跨学科主题分布、知识演化路径和驱动机制的差异。研究发现:

第一,AI呈现高度异质性跨学科知识结构。基于BERTopic与学科多样性-凝聚力指数分析,识别出23个多类型并存、融合程度不一的主题。其学科来源跨越计算机、数学、心理学等,反映知识整合不再围绕单一技术路线,而是在多个技术或理论范式间并行演化、交叉耦合,AI本身已成为复杂技术-社会系统中典型的跨学科集成平台。

第二,AI跨学科主题知识演进具有阶段性与结构耦合性。跨学科知识演化呈现“吸收-成熟-裂变”的路径,具有从异质知识引入、方法范式整合到新子主题分化的典型演进周期。不同主题的演进路径和结构复杂度存在差异,有新兴融合型、过渡集成型与系统扩散型三类。AI知识融合不是简单拼接,而是通过接口机制,即“主干学科-接口学科-应用场景”链状耦合结构实现多层次嵌套协同。

第三,中美在AI跨学科主题分布与路径结构上有差异。美国主导主题集中于前沿范式(如可解释性、三维建模),而中国主导主题多围绕工程问题与应用优化(如OCR识别、算法调优)。中美共同竞争主题分布广泛,两国在中间层议题上具有一定共识与博弈空间。此外,美国注重从范式出发的“系统扩散型”路径,而中国更倾向于“目标驱动型”问题解决路径。

第四,中美跨学科知识演进驱动机制存在系统性差异。美国强调方法驱动与结构开放,依托多元主体参与和范式引领。科研组织网络化,制度上强调自由探索与协同演化。而中国机制强调任务导向与制度主导,侧重国家规划与工程需求牵引,形成“集中配置-快速整合-工程应用”的路径逻辑。这种复杂协同制与集中统筹制的差异,不仅塑造了不同的知识演化结构,也决定了中美在跨学科创新生态中的战略选择和演进节奏。

4.2 政策启示

AI的全球竞争堪称一场“上甘岭战役”。中国亟需正视差距、加倍努力,在关键领域实现突破,抢占AI科技制高点,牢牢掌握未来主动权,逐步弥合与领先国家的差距,构建具有自主性和系统韧性的AI创新生态。

一是构建异质知识耦合平台,强化基础范式源头供给能力。中国在核心算法、系统架构与软硬协同等方面仍处于追赶阶段,尤其在设计制造环节存在结构性短板。建议依托国家重点实验室和未来技术学院,建设若干跨学科范式探索平台,鼓励数学、认知科学、工程科学与AI深度融合,聚焦类脑计算、低功耗算法、自主学习框架等前沿方向,提升底层原创能力,逐步摆脱依靠硬件堆叠的路径依赖,实现范式层的自主突破。

二是推行自由议题与任务揭榜并行的立项机制,增强知识协同弹性与战略聚焦能力。中国AI发展具有资源动员快、政策集中度高的优势,但现有科研立项体系相对刚性,容易压缩探索空间。建议在科技重大专项基础上,推行自由申报与任务榜单并行的双轨机制,即面向青年学者设立灵活申报通道,鼓励开展软硬一体化、数据安全治理等交叉议题研究;同时围绕高端芯片、智能制造等领域发布重大任务榜,引导优势单位联合攻关,实现开放性与指向性的协同平衡。

三是培育接口学科生态,系统提升跨界集成能力。AI技术的系统集成依赖关键接口学科作为桥梁。中国在控制论、认知科学、系统工程等支撑性学科上的布局仍显薄弱。建议科技和教育主管部门联合实施接口学科支持计划,在资源分配、评价机制和学科建设中给予政策倾斜,推动基础理论、系统设计与应用场景之间有效衔接,增强从算法到架构再到功能实现的整体联动能力。

四是强化国际科研协同,释放场景、数据与供应链协同优势。依托重点实验室和特色平台,构建国际联合实验室和场景试验基地,深化与欧美在自动驾驶、城市计算、医疗AI等领域的共建机制。通过共建机制扩大国际影响力的同时,也有助于弥补功能设计滞后、标准话语权不足等薄弱环节,推动技术交流与规则共建并重。

五是优化科研评价和人才支持体系,增强创新韧性与回流吸引力。构建面向跨学科研究的评价体系,允许项目和成果在团队署名、周期评估和学科归属等方面体现协同特性。对在算法优化、架构设计与工程实现等多个层面具备综合能力的研究人员,应在资源配置、职称晋升和平台建设中给予重点支持,持续释放人才潜能与系统创新活力。

基金

收起

国家社会科学基金青年项目(25CKX029)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

Sartori

, Theodorou

. A sociotechnical perspective for the future of AI: narratives, inequalities, and human control[J]. Ethics and Information Technology, 2022, 24(4): 1-11.

https://doi.org/10.1007/s10676-022-09627-0

[2]

President’s Council of Advisors on Science and Technology (PCAST). Supercharging research: Harnessing artificial intelligence to meet global challenges[EB/OL]. https://bidenwhitehouse.archives.gov/wp-content/uploads/2024/04/AI-Report_Upload_29APRIL2024_SEND-2.pdf.2024-04-29/2025-05-30. https://bidenwhitehouse.archives.gov/wp-content/uploads/2024/04/AI-Report_Upload_29APRIL2024_SEND-2.pdf.2024-04-29/2025-05-30

[3]

郭凯明. 人工智能发展、产业结构转型升级与劳动收入份额变动[J]. 管理世界, 2019, 35(7): 60-77, 202-203.

Guo

K M

. Artificial intelligence, structural transformation and labor share[J]. Journal of Management World, 2019, 35(7): 60-77, 202-203.

[4]

张鑫, 王明辉. 中国人工智能发展态势及其促进策略[J]. 改革, 2019(9): 31-44.

Zhang

, Wang

M H

. Development status and promotion strategy of artificial intelligence in China[J]. Reform, 2019(9): 31-44.

[5]

Jordan

M I

, Mitchell

T M

. Machine learning: Trends, perspectives, and prospects[J]. Science, 2015, 349(6245): 255-260.

https://doi.org/10.1126/science.aaa8415

[6]

郑海涛, 李美微, 胡杰, 等. 跨学科流动对学者学术表现的影响——以人工智能领域为例[J]. 科学学研究, 2025, 43(11):2312-2323,2335.

Zheng

H T

, Li

M W

, Hu

, et al. The impact of interdisciplinary mobility on scholars' academic performance: A case study in the field of artificial intelligence[J]. Studies in Science of Science, 2025, 43(11):2312-2323,2335.

[7]

Ryan

, Isakhanyan

, Tekinerdogan

. An interdisciplinary approach to artificial intelligence in agriculture[J]. NJAS: Impact in Agricultural and Life Sciences, 2023, 95(1): 2168568. https://www.tandfonline.com/doi/full/10.1080/27685241.2023.2168568

https://doi.org/10.1080/27685241.2023.2168568

[8]

姜李丹, 薛澜, 梁正. 人工智能赋能下产业创新生态系统的双重转型[J]. 科学学研究, 2022, 40 (4): 602-610.

Jiang

L D

, Xue

, Liang

. Dual-transition of sectoral innovation ecosystem empowered by artificial intelligence[J]. Studies in Science of Science, 2022, 40(4): 602-610.

[9]

Abbonato

, Bianchini

, Gargiulo

, et al. Interdisciplinary research in artificial intelligence: Lessons from COVID-19[J]. Quantitative Science Studies, 2024, 5(4): 922-935. https://direct.mit.edu/qss/article/5/4/922/124451/Interdisciplinary-research-in-artificial

https://doi.org/10.1162/qss_a_00329

[10]

成素梅. 人工智能本性的跨学科解析[J]. 国外理论动态, 2021(4): 155-163.

Cheng

S M

. Interdisciplinary analysis of the nature of artificial intelligence[J]. Foreign Theoretical Trends, 2021(4): 155-163.

[11]

曹嘉君, 王曰芬, 陈盛之, 等. 多学科交叉综合的研究领域内学科间分布状态与演化研究[J]. 情报学报, 2020, 39(5): 459-468.

Cao

J J

, Wang

Y F

, Chen

S Z

, et al. Research on the distribution and evolution of interdisciplinarity in the multidisciplinary cross-synthesis research field[J]. Journal of the China Society for Scientific and Technical Information, 2020, 39(5): 459-468.

[12]

吴逸菲, 樊春良. 中国语境下人工智能伦理治理的路径塑造——基于价值-工具二维理性的融合框架[J]. 科学学研究, 2025, 43 (1): 79-90.

Y F

, Fan

C L

. Shaping the ethical governance path of artificial intelligence in the Chinese context: An integrated framework of value-instrumental rationality[J]. Studies in Science of Science, 2025, 43(1): 79-90.

[13]

黄萃, 黄施旗, 付慧真. 学科交叉视角下人工智能治理领域知识流动与研究主题的国际比较研究[J]. 信息资源管理学报, 2022, 12(6): 98-110.

Huang

, Huang

S Q

, Fu

H Z

. An international comparative study of knowledge flow and research themes in artificial intelligence governance from the perspective of interdisciplinary research[J]. Journal of Information Resources Management, 2022, 12(6): 98-110.

https://doi.org/10.13365/j.jirm.2022.06.098

[14]

Lin

, Xu

, et al. Research on the knowledge structure and sustainable development pathways of artificial intelligence from the perspective of technological science[J]. Sustainability, 2024, 16(20): 9019. https://www.mdpi.com/2071-1050/16/20/9019

https://doi.org/10.3390/su16209019

[15]

王卫军, 姚畅, 乔子越, 等. 基于词嵌入的国家自然科学基金学科交叉知识发现方法——以“人工智能”与“信息管理”为例[J]. 情报学报, 2021, 40 (8): 831-845.

Wang

W J

, Yao

, Qiao

Z Y

, et al. Method of discovering interdisciplinary knowledge of the National Natural Science Foundation of China based on word embedding: A case study on artificial intelligence and information management[J]. Journal of the China Society for Scientific and Technical Information, 2021, 40(8): 831-845.

[16]

王曰芬, 曹嘉君, 余厚强, 等. 人工智能研究前沿识别与分析:基于领域全局演化研究视角[J]. 情报理论与实践, 2019, 42(9): 1-7.

https://doi.org/10.16353/j.cnki.1000.7490.2019.09.001

Wang

Y F

, Cao

J J

, Yu

H Q

, et al. Identification and analysis of research fronts in artificial intelligence: A perspective based on global evolution study of the domain[J]. Information Studies: Theory & Application, 2019, 42(9): 1-7.

[17]

赖红波, 赵逸维. 全球视角下中国人工智能研究可视化分析[J]. 科研管理, 2023, 44 (1): 8-15.

Lai

H B

, Zhao

Y W

. A visual analysis of China’s artificial intelligence research from a global perspective[J]. Science Research Management, 2023, 44(1): 8-15.

[18]

李牧南, 王雯殊. 基于文本挖掘的人工智能科学主题演进研究[J]. 情报杂志, 2020, 39(6): 82-88.

M N

, Wang

W S

. Research on the topic evolution of artificial intelligence based on text mining[J]. Journal of Intelligence, 2020, 39(6): 82-88.

[19]

郑文佳. 基于动态主题模型的欧盟人工智能战略研究:热点、演化及解构[J]. 中国科技论坛, 2025(4): 162-175.

Zheng

W J

. Research on EU artificial intelligence strategy based on DTM model: Hotspots, evolution and deconstruction[J]. Forum on Science and Technology in China, 2025(4): 162-175.

[20]

史湘宁, 房超, 李辉, 等. 我国人工智能关键技术体系演化路径及发展研究——基于科学计量视角[J]. 科学管理研究, 2022, 40(3): 2-11.

Shi

X N

, Fang

, Li

, et al. Research on evolution path and development of key technology system of artificial intelligence in China: From the metrological perspective[J]. Scientific Management Research, 2022, 40(3): 2-11.

[21]

Grootendorst

. BERTopic: Neural topic modeling with a class-based TF-IDF procedure[EB/OL]. arXiv, 2022[2025-05-30]. http://arxiv.org/abs/2203.05794. http://arxiv.org/abs/2203.05794

[22]

Egger

, Yu

. A topic modeling comparison between LDA, NMF, Top2Vec, and BERTopic to demystify twitter posts[J]. Frontiers in Sociology, 2022, 7: 886498. https://www.frontiersin.org/articles/10.3389/fsoc.2022.886498/full

https://doi.org/10.3389/fsoc.2022.886498

[23]

Wang

, Chen

, et al. Identifying interdisciplinary topics and their evolution based on BERTopic[J]. Scientometrics, 2024, 129(11): 7359-7384.

https://doi.org/10.1007/s11192-023-04776-5

[24]

, Guo

, Yue

, et al. Interdisciplinary topics of information science: A study based on the terms interdisciplinarity index series[J]. Scientometrics, 2016, 106(2): 583-601. http://link.springer.com/10.1007/s11192-015-1792-2

https://doi.org/10.1007/s11192-015-1792-2

[25]

Min

, Zhao

, Bu

, et al. Has China caught up to the US in AI research? An exploration of mimetic isomorphism as a model for late industrializers[EB/OL]. arXiv, 2023[2025-05-30]. http://arxiv.org/abs/2307.10198. http://arxiv.org/abs/2307.10198

[26]

Mariani

M M

, Machado

, Magrelli

, et al. Artificial intelligence in innovation research: A systematic review, conceptual framework, and future research directions[J]. Technovation, 2023, 122: 102623. https://linkinghub.elsevier.com/retrieve/pii/S0166497222001705

https://doi.org/10.1016/j.technovation.2022.102623

[27]

王友发, 罗建强, 周献中. 基于专利地图的人工智能研究总体格局、技术热点与未来趋势[J]. 中国科技论坛, 2019(10): 80-89, 127.

Wang

Y F

, Luo

J Q

, Zhou

X Z

. Hotspots and development trend of artificial intelligence technology based on patent map[J]. Forum on Science and Technology in China, 2019(10): 80-89, 127.

2026年第44卷第9期

PDF下载

引用本文

BibTeX

文章信息

接收时间：2025-06-18
首发时间：2026-10-15
出版时间：2026-09-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-06-18
修回日期：2025-08-14

基金

国家社会科学基金青年项目(25CKX029)

作者信息

¹ 暨南大学公共管理学院/应急管理学院, 广东广州 510632

² 河海大学公共管理学院, 江苏南京 211100

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/kxxyj/CN/1317436186684145696

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

阶段	时间	文献数	阶段主题数	有效主题数	主题有效率
1	2010-2012	5,422	65	28	43.08%
2	2013-2015	6,805	84	43	51.19%
3	2016-2018	10,452	101	59	58.42%
4	2019-2021	23,735	226	116	51.33%
5	2022-2024	43,034	346	164	47.40%

阶段

时间

文献数

阶段主题数

有效主题数

主题有效率

2010-2012

5,422

43.08%

2013-2015

6,805

51.19%

2016-2018

10,452

101

58.42%

2019-2021

23,735

226

116

51.33%

2022-2024

43,034

346

164

47.40%

主题	TI	文章数量	主题	TI	文章数量
#2	108.20	2,406	#6	79.05	1,966
#1	106.32	2,689	#3	77.12	2,254
#4	99.04	2,002	#22	75.47	1,044
#5	95.62	1,983	#41	75.17	608
#10	93.80	1,716	#38	73.15	651
#15	92.00	1,487	#39	73.01	643
#11	90.02	1,640	#40	69.62	609
#18	88.38	1,116	#36	68.24	697
#19	88.12	1,093	#52	61.33	464
#7	85.63	1,965	#44	57.60	553
#8	85.53	1,948	#50	56.68	500
#16	84.67	1,368	#12	54.44	1,593
#14	82.54	1,495	#34	51.51	727
#17	80.75	1,276	#28	41.35	898
#0	79.19	2,773	#61	37.05	295

主题

文章数量

主题

文章数量

108.20

2,406

79.05

1,966

106.32

2,689

77.12

2,254

99.04

2,002

#22

75.47

1,044

95.62

1,983

#41

75.17

608

#10

93.80

1,716

#38

73.15

651

#15

92.00

1,487

#39

73.01

643

#11

90.02

1,640

#40

69.62

609

#18

88.38

1,116

#36

68.24

697

#19

88.12

1,093

#52

61.33

464

85.63

1,965

#44

57.60

553

85.53

1,948

#50

56.68

500

#16

84.67

1,368

#12

54.44

1,593

#14

82.54

1,495

#34

51.51

727

#17

80.75

1,276

#28

41.35

898

79.19

2,773

#61

37.05

295

主题	文章数量	均被引值	前10%文章比例	AII值	中美对比
#0	1,785	155	13.64	28.16	7.84%	16.77%	0.69	0.87	-0.21
#1	1,013	179	28.33	47.39	10.86%	18.44%	0.76	0.90	-0.16
#2	838	116	26.59	43.67	7.88%	13.79%	0.76	0.88	-0.14
#3	1,205	133	28.39	238.20	7.55%	16.54%	0.54	0.88	-0.38
#4	336	288	13.14	39.91	8.04%	12.15%	0.66	0.99	-0.33
#5	788	79	14.37	27.20	5.20%	15.19%	0.68	0.86	-0.21
#6	601	86	21.14	31.82	6.99%	12.79%	0.78	0.88	-0.12
#7	651	148	27.00	73.25	7.07%	13.51%	0.65	0.91	-0.28
#8	778	97	17.69	29.27	8.23%	17.53%	0.74	0.88	-0.16
#10	775	99	31.42	41.52	9.81%	15.15%	0.83	0.88	-0.05
#11	819	85	24.24	25.71	9.16%	12.94%	0.92	0.87	0.06
#14	325	234	17.64	31.88	5.85%	13.68%	0.71	0.98	-0.28
#15	839	55	40.10	51.06	10.01%	25.45%	0.79	0.84	-0.06
#16	408	54	28.92	47.20	9.80%	20.37%	0.74	0.87	-0.14
#17	395	31	22.84	27.76	10.38%	12.90%	0.89	0.83	0.07
#18	281	80	10.1	31.12	6.05%	28.75%	0.57	0.91	-0.37
#19	511	90	35.08	28.31	9.78%	8.89%	1.00	0.79	0.21
#22	591	84	36.83	39.43	11.51%	9.52%	0.97	0.84	0.13
#36	254	63	22.12	37.56	9.84%	12.70%	0.79	0.90	-0.12
#38	130	23	26.75	51.85	12.31%	17.39%	0.75	0.86	-0.13
#39	252	28	12.96	21.03	8.33%	21.43%	0.72	0.84	-0.14
#40	196	27	40.49	21.75	13.78%	14.81%	0.99	0.67	0.32
#41	242	45	18.57	34.43	7.02%	13.33%	0.72	0.88	-0.18
#52	195	32	21.71	61.29	8.21%	31.25%	0.59	0.86	-0.31

主题

文章数量

均被引值

前10%文章比例

AII值

中美对比

中国

美国

中国

美国

中国

美国

中国

美国

1,785

155

13.64

28.16

7.84%

16.77%

0.69

0.87

-0.21

1,013

179

28.33

47.39

10.86%

18.44%

0.76

0.90

-0.16

838

116

26.59

43.67

7.88%

13.79%

0.76

0.88

-0.14

1,205

133

28.39

238.20

7.55%

16.54%

0.54

0.88

-0.38

336

288

13.14

39.91

8.04%

12.15%

0.66

0.99

-0.33

788

14.37

27.20

5.20%

15.19%

0.68

0.86

-0.21

601

21.14

31.82

6.99%

12.79%

0.78

0.88

-0.12

651

148

27.00

73.25

7.07%

13.51%

0.65

0.91

-0.28

778

17.69

29.27

8.23%

17.53%

0.74

0.88

-0.16

#10

775

31.42

41.52

9.81%

15.15%

0.83

0.88

-0.05

#11

819

24.24

25.71

9.16%

12.94%

0.92

0.87

0.06

#14

325

234

17.64

31.88

5.85%

13.68%

0.71

0.98

-0.28

#15

839

40.10

51.06

10.01%

25.45%

0.79

0.84

-0.06

#16

408

28.92

47.20

9.80%

20.37%

0.74

0.87

-0.14

#17

395

22.84

27.76

10.38%

12.90%

0.89

0.83

0.07

#18

281

10.1

31.12

6.05%

28.75%

0.57

0.91

-0.37

#19

511

35.08

28.31

9.78%

8.89%

1.00

0.79

0.21

#22

591

36.83

39.43

11.51%

9.52%

0.97

0.84

0.13

#36

254

22.12

37.56

9.84%

12.70%

0.79

0.90

-0.12

#38

130

26.75

51.85

12.31%

17.39%

0.75

0.86

-0.13

#39

252

12.96

21.03

8.33%

21.43%

0.72

0.84

-0.14

#40

196

40.49

21.75

13.78%

14.81%

0.99

0.67

0.32

#41

242

18.57

34.43

7.02%

13.33%

0.72

0.88

-0.18

#52

195

21.71

61.29

8.21%

31.25%

0.59

0.86

-0.31