一种基于因果关系的图框架,用于国家人工智能竞争力评估、预测及多目标资金分配
孙学新(Xuexin Sun)
张伟志(Weizhi Zhang)
李一腾(Yiteng Li)
张景川(Jingchuan Zhang)
王欣然(Xinran Wang)
潘建飞(Jianfei Pan)
王贤鹏(Xianpeng Wang)
《Mathematics》:A Causality-Guided Graph Framework for National AI Competitiveness Assessment, Forecasting, and Multi-Objective Fund Allocation
Xuexin Sun,
Weizhi Zhang,
Yiteng Li,
Jingchuan Zhang,
Xinran Wang,
Jianfei Pan and
Xianpeng Wang
【字体:
大
中
小
】
时间:2026年05月01日
来源:Mathematics 2.2
编辑推荐:
摘要
随着人工智能(AI)日益重塑全球技术和经济格局,理解和预测各国的AI竞争力已成为一项重要而具有挑战性的任务。与传统的基于分析层次过程(AHP)-熵的评估方法以及将指标视为孤立或弱相关特征的机器学习方法不同,本研究提
摘要
随着人工智能(AI)日益重塑全球技术和经济格局,理解和预测各国的AI竞争力已成为一项重要而具有挑战性的任务。与传统的基于分析层次过程(AHP)-熵的评估方法以及将指标视为孤立或弱相关特征的机器学习方法不同,本研究提出了一个集成框架,该框架明确地将指标间的依赖关系表示为结构化的全球拓扑结构。基于2016年至2025年间10个主要经济体的24个指标的输入-过程-输出-环境(IPOE)系统,结合使用AHP-熵、XGBoost、实验设计(DOE)和贝叶斯网络来识别指标间的依赖路径。这些结构关系被嵌入到图神经网络(GNN)中用于竞争力评估,同时开发了一个动态GNN-ARIMA模块,在样本有限的情况下预测未来的竞争力轨迹。在此基础上,构建了一个多目标资金分配优化模型,并通过NSGA-II算法进行求解,以在保持未来AI竞争力的同时减少政策波动性,所需战略投资为5000亿元人民币。结果显示,美国仍保持领先地位,其次是中国,而中等水平的经济体则出现了明显的排名变化。在采用最小方差策略进行投资的情况下,预计中国将显著缩小与美国的差距,达到相当的水平竞争力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号