绿色人工智能专利数量长期增长，伴随经济周期波动 [page::1][page::2]

• 专利数量1970s起稳步增长，2000年互联网泡沫影响明显。

- 2008金融危机导致专利短暂下滑，术后持续强劲反弹。

• 2018年专利数量短暂下降，可能受中美贸易摩擦影响，2023年创新达到历史峰值。

绿色AI专利主要由汽车、电子等行业巨头主导，专利集中度呈复杂变化趋势 [page::2][page::3]

| 时间窗口 | Gini系数 | 前10大专利持有者占比 |
|----------|---------|---------------------|
| 1985-1990 | 0.4761 | 34.2% |
| 1995-2000 | 0.543 | 29.1% |
| 2005-2010 | 0.657 | 26.7% |
| 2015-2020 | 0.7282 | 22.6% |

• 领先企业如Honda、Intel、IBM、Samsung等产业跨国巨头持续活跃，专利集中度前10名占比下降，但总体不平等性（Gini）提升，表明大量企业参与形成长尾结构。

- 美国专利地理分布极为集中，约59.3%集中在美国，加州、新 York及Michigan为主要创新聚集地。

绿色AI技术涵盖交通减排、ICT节能、能源分配等多个领域，AI专利以辅助规划控制和硬件创新为主 [page::4]

• 主要绿色技术CPC子类以交通减排(Y02T, 23.5%)、ICT能耗降低(Y02D,18.5%)为核心。

- AI功能类别中，辅助规划与控制(57.7%)、AI硬件(38.6%)为最大份额。

• 十六个技术领域分布广泛，涉及数据处理、微电网、农业水管理、临床微生物、燃烧引擎等，领域规模最大为数据处理与内存管理。

绿色AI技术可划分为四个宏观领域：数据与农业生物应用，智能能源环境技术，燃烧与燃料技术，以及空气动力学与涡轮技术 [page::5]

• 以语义接近性聚合形成，反映了绿色AI多元化的技术生态与创新方向。

各技术领域专利量时间序列显示：数据处理、微电网、蓄电与光伏设备等持续快速增长，燃烧引擎等传统领域完成或趋于衰退 [page::6]

• 临床微生物、农业水管理等新兴领域快速崛起。

- 燃烧引擎控制、排放处理等传统领域逐渐木已成舟，创新动力减弱。

绿色AI领域技术影响与市场价值存在差异，临床微生物及农业水管理领域兼具高引用和高市场价值 [page::7]

• 数据处理及储能领域专利量大且市场价值较高。

- 气象雷达领域虽高引用但市场价值有限，燃烧与燃料技术整体技术影响及经济回报偏低。

• 绿色AI创新呈现多元路径，部分领域商业激励不足，存在政策支持空间。

采用BERTopic结合UMAP和HDBSCAN深度挖掘绿色AI专利文本语义结构，实现16个技术主题的抽取和聚类，优化超参数确保主题区分度和语义连贯性 [page::10][page::11][page::12]

• 利用SentenceTransformers生成文本嵌入，UMAP降维映射，HDBSCAN聚类形成主题。

- 通过UMass一致性和主题多样性指标选取最佳模型，排除12.1%异常值，提升主题解释力。

• 该方法为专利语义解析和技术趋势定量分析提供新范式。

《The anatomy of Green AI technologies: structure, evolution, and impact》研究报告详尽分析

---

1. 元数据与报告概览

• 报告标题：《The anatomy of Green AI technologies: structure, evolution, and impact》

- 作者：Lorenzo Emer, Andrea Mina, Andrea Vandin

• 发布机构：Scuola Superiore Sant’Anna （意大利）、University of Pisa、University of Cambridge、Technical University of Denmark

- 时间：数据截止2023年，全文发表于2025年（数据与方法提及2025年）

• 研究主题：研究人工智能技术（AI）在气候变化适应和缓解技术中的应用（即“Green AI”），通过专利数据分析其技术结构、发展趋势和影响力。

核心论点与主要信息

• 将约63,000件“Green AI”相关美国专利作为研究对象，分析其专利申请趋势、技术领域、专利持有企业及地域分布。

- 利用先进的自然语言处理（NLP）技术——尤其是 BERTopic 主题模型，识别专利中的16个主要技术领域，并探讨技术领域的演变及影响。

• 研究发现从传统领域（如内燃机控制）向新兴领域（如数据处理、微电网、农业水管理）转移，且专利申请集中度逐渐提高但创新主体更分散。

- 不同技术领域在技术影响力（以前向引用衡量）和市场价值（以股票市场反应估计）间表现差异，部分技术需政策支持以弥补私营激励不足。

• 该报告提供了政策制定和技术投资的科学参考，并开放了数据资源以推动Green AI的后续研究。

---

2. 逐节深度解读

2.1 摘要与引言

• 引言指出，气候变化的严峻形势促使需要政治意愿和技术创新，AI技术作为变革能效、灾害响应、水资源管理等多领域的关键手段。

- 43年来，美国专利申请融合AI与气候技术（分类为Y02/Y04S）的创新极具前瞻意义，同时专利提供了一种跨国、跨行业、跨时间的定量分析视角。

• 创新点是首次用BERTopic基于专利摘要语义特征，覆盖“Green AI”所有领域，较以往仅依赖CPC分类的研究更细致更全面。

- 引言中用技术模式学的原理解释BERTopic-结合BERT模型的强大语义捕捉能力，以确保识别的技术领域科学且清晰[page::0].

---

2.2 技术发展趋势及专利申请时间动态

• 图1展示了1976-2023年间Green AI专利的年增长量（蓝色条）和累计数量（红线），总体呈持续增长态势，尤其自2010年以来呈指数式上升。

- 1980-1990年代增长缓慢，1998年专利申请近乎翻倍，反映了ICT行业的热潮（“互联网泡沫”）。随后2000年因泡沫破裂，增长短暂下降。

• 2006年和2010年两次峰值与经济形势密切相关，2008年金融危机导致专利申请暂时减少，显示了创新的顺周期特征。

- 2018年申请数量出现20%的急跌，可能因美中贸易摩擦影响，其后2019年恢复增长，2023年达到历史最高[page::1][page::2].

---

2.3 专利持有者和集中度分析

• 表1展示四个时间段（1985-1990、1995-2000、2005-2010、2015-2020）前十大专利持有者变迁及集中度指标（Gini系数与前10名占比）。

- 早期由美国与日本传统产业巨头主导（如Honda、Westinghouse、Bosch），90年代Intel和IBM崛起，2000年代侧重汽车电动化和平板计算优化，2015年以后Intel、IBM、三星、Qualcomm集聚AI硬件和边缘计算专利。

• 观察到的集中模式：前10名的专利市场份额从34.2%下降至22.6%，显示顶级企业的相对比例降低，但Gini系数从0.476上升至0.728，体现整体专利分布的不平衡加剧，即“头部”企业持续扩张专利池，而长尾企业众多但专利较少。

- 地理上，主要企业分布在日本、美国、韩国和德国，反映全球重点创新国家的技术布局转变[page::2][page::3].

---

2.4 地理分布

• 专利明显集中于美国（占59.3%）；另一部分地区主要有日本（12.7%）、德国（5.1%）、韩国（4.0%）和中国（3.7%）。

- 美国国内以加州专利最多（约30%），其次为纽约和密歇根，代表硅谷高科技和底特律汽车产业聚集区。

• 细分数据阐释了全球技术创新的地区枢纽，同时专利申报活动高度集中在经济发达且技术密集区域[page::2][page::3].

---

2.5 绿色CPC子分类和人工智能功能分类

• 绿色技术分布集中于：交通减排(Y02T，23.5%)，ICT能耗优化(Y02D，18.5%)，能源生成与分配(Y02E，14.7%)。

- AI功能领域上，以“AI辅助规划与控制”占主导（57.7%），其次是“AI硬件”（38.6%），反映工业自动化和硬件层创新趋势。

• 其他AI子领域涵盖知识表示、机器视觉、机器学习、演化计算、自然语言处理等。

- 表2详细展示了各CPC子类与AI类别的覆盖率，为后续领域划分与聚类提供基础[page::3][page::4].

---

2.6 技术领域划分与主题建模（BERTopic）

• 通过BERTopic，识别16个技术领域（表3），每个领域用关键词及专利数量总结。

- 最大领域为“数据处理与内存管理”，约27,435项专利，涵盖算法、计算架构、数据库等基础技术。

• 其他重要领域包括：

- “微电网与分布式能源系统”
- “车辆控制与自动动力传动系”
- “光伏与电化学设备”
- “灌溉与农业水管理”
- “临床微生物组与治疗”
- “燃烧发动机控制”和“排放处理”等传统能源技术

• 还涵盖建筑节能、风力涡轮、航空气动等多样化方向。

- 该划分覆盖了计算、能源、环境、交通和材料科学的交叉创新[page::4][page::5].

---

2.7 宏域归类及空间-时间演化

• 通过UMAP降维与聚类，16个技术领域归纳为4个宏域（Figure 3）：

1. 数据、农业和生物应用（红圈）：涵盖数据处理、农业水管理、临床微生物、光照系统等
2. 智能能源与环境技术（蓝圈）：包含微电网、蓄电池、HVAC、风力涡轮、气象雷达等
3. 燃烧与燃料技术（橙圈）：车辆控制、燃烧控制、排放处理、燃料电池相关
4. 气动与涡轮技术（绿圈）：航空翼型、涡轮叶片冷却等高流体动力学应用

• 图4显示1976-2023年間各技术领域的三年滚动均值趋势：

- “数据处理”、“微电网”、“蓄电池”等领域持续快速增长，且保持强势势头。
- “临床微生物”、“农业水管理”和“风力涡轮”等为后起之秀，增长显著。
- 传统领域如“燃烧引擎控制”、“排放处理”等自2010年代后期趋于平台甚至下降，反映行业转向新能源和数字化的趋势。
- 照明系统、燃料电池和气动叶片等领域也出现技术成熟带来的创新放缓[page::5][page::6].

---

2.8 技术领域影响力与市场价值分析

• 利用两指标综合评估16个技术领域：

- 技术影响力：通过专利的前向引用次数衡量。
- 市场价值：通过专利公布时公司股票异常收益折算得出（1982年美元计）。

• 结果（图5）总结如下：

- “临床微生物与治疗”领跑技术引证和市场价值双维度，是明显的高影响高价值技术。
- “灌溉与农业水管理”虽引用较中等但具极高市场价值，显示强烈商业潜力。
- “数据处理与内存管理”专利量庞大，拥有适中引用和较高市值，体现其基础且广泛应用特征。
- “气象雷达与天气预测”获得高度引证但经济回报一般，表明其社会价值大，但商业市场驱动力有限。
- “涡轮叶片冷却”市场价值尚佳但引证较弱，可能是垂直细分高利润领域。
- 燃烧与燃料技术宏域大多数领域表现出低引用和低市场价值，显示其为较成熟且创新动力不足的传统技术。

• 总体而言，Data、Agritech及Smart Energy领域展现了兼具技术推进和经济利益的前景，而传统燃烧领域显示衰退迹象[page::7][page::8].

---

2.9 讨论

• 本报告首次构建并公开了大型Green AI专利数据集，为未来研究与政策制定奠定坚实基础。

- 绿色AI创新受宏观经济周期影响明显，技术方向正经历传统产业向数字化清洁能源转型。

• 创新主体由传统工业控制转向数据密集与硬件创新，专利集中结构复杂化。

- 该领域呈现明显地理集聚，美国依然主导，亚洲和欧洲也有重要贡献。

• 对专利技术应用的细粒度语义分析揭示领域结构，多维度指标揭示技术价值差异，强调部分关键领域可能因商业激励不足需要政策扶持。

- 报告强调了防范产业集中带来垄断风险、引导政策精准支持新兴且社会价值大的技术方向的重要性。

---

2.10 局限性与未来展望

• 研究基于专利数据，存在不完全覆盖真实创新情况的风险（如未申请专利的技术、商业秘密、非专利公开等）。

- 仅研究美国专利，可能对其他专利局及全球创新动态覆盖不足，未来可扩展至EPO等体系。

• 通过深度训练与人工调参提升模型准确性，但基于文本的主题模型有一定随机性和解释限制。

---

3. 图表深度解读

图1：Green AI专利年增长与累计趋势

• 描述：1976-2023年，美国Green AI专利每年发布量（蓝色柱）及累计总数（红色折线）

- 解读：早期增长缓慢，90年代后呈指数增长，2010年后尤其迅速。经济危机与贸易冲突对申请有短期抑制作用，但总体发展势头强劲。

• 关联：支持报告对经济周期与技术创新关联性的论证[page::1].

表1：前十专利持有企业及专利集中度

• 描述：1985-2020年分期内的前十名企业、专利数量及其国家分布，同时列年度其Gini系数和top10份额。

- 解读：企业阵容随时间更迭，早期日本车企主导，后电子、计算机企业占据主导；top10份额下降说明分布更分散但Gini上升表明长尾专利数极不均衡，即少数企业大量囤积专利。

• 关联：揭示创新生态的双重集中与分散趋势[page::3].

图2：全球与美国境内专利地理分布热力图

• 描述：美国专利占比最高，全球其他国家申请关注度显示。美国内部加州、纽约、密歇根三州专利占比最高。

- 解读：集中体现了产业集聚效应及创新枢纽地位。

• 关联：强化区域创新集聚特征[page::3].

表2：绿色技术与AI功能分类占比

• 描述：绿色专利子类及AI技术类别的件数与占比。

- 解读：交通减排、ICT节能为重点绿色领域；AI规划与控制、硬件为主要AI细分领域。

• 关联：为后续主题划分与技术领域分析奠定基础[page::4].

表3：BERTopic技术领域分类及关键词

• 描述：16个主题领域、关键词及专利数量汇总。

- 解读：计算与内存管理规模最大，能源相关次之，农业和医疗等创新领域显著。

• 关联：体现Green AI技术多样性与重点，[page::4].

图3：技术领域UMAP空间映射与宏域分类

• 描述：16个领域在二维空间的聚类关系，分成4个宏域。

- 解读：四大宏域相互区分明显，体现创新主题的共性与差异性。

• 关联：支撑对技术结构和战略重点的分析[page::5].

图4：各技术领域专利申请时间趋势

• 描述：16个领域1976-2023年滚动三年均值时间序列。

- 解读：数据与能源相关领域强劲增长，传统燃烧领域出现衰退或平台期。

• 关联：描绘技术变迁及未来趋势[page::6].

图5：前向引用与市场价值散点图

• 描述：16个领域平均引用次数与调整市场价值的关系，点大小代表专利规模。

- 解读：高引用与高市值如临床微生物；高引用低市值如气象雷达；低引用高市值如涡轮叶片，说明技术影响与经济回报的复杂关系。

• 关联：为研发投资决策和政策制定提供参考[page::7][page::8].

---

4. 估值分析

• 采用Kogan等人提出的市场价值模型，结合事件研究法，通过专利公开当天企业股票异常收益估算专利经济价值。

- 鉴于统计噪声和专利授权概率，模型加入过滤和校正，确保估值结果科学可靠。

• 市场价值结合专利数量与引用，定量反映专利私营部门的实际经济影响。

- 返回的估值数据可量化比较不同技术领域的经济回报和投资吸引力，为商业与政策决策提供实证依据[page::12][page::13].

---

5. 风险因素评估

• 报告明确指出产业集中度上升风险可能影响创新生态的开放性和平衡发展。

- 指出某些社会环境重要领域（如气象雷达、排放处理）因商业激励不足，可能面临技术发展缓慢，需政策干预。

• 专利数据仅能反映公开创新，忽视未公开技术，可能导致测量偏差。

- 仅限于美国专利体系，可能无法完全反映全球绿色AI创新全貌。

• 这些风险点均被报告系统说明，并指明后续研究需深化分析以优化创新扶持策略[page::8][page::9].

---

6. 批判性视角与细微差别

• 报告整体客观，方法严谨，结合前沿NLP技术与传统专利计量学工具，提升创新领域识别准确度。

- 尽管BERTopic表现优异，但模型参数调节和内在随机性可能带来主题划分的微小波动，需谨慎解读个别较小领域。

• 专利数据不完全覆盖所有创新，尤其是软件和算法创新的专利申请受限，可能导致AI领域某些创新被低估。

- 地理集中与专利申请偏好或受USPTO政策、法律环境影响，全球创新格局可能存在潜在偏差。

• 数据驱动的主题建模成果需要结合领域专家的解释，防止语义误读或重叠主题削弱策略指导力。

- 尽管如此，本报告在解析“绿色AI”的技术结构、市场动力和战略转向中，仍展现扎实和创新价值。

---

7. 结论性综合

本报告通过构建和分析6万余件涵盖绿色技术与人工智能交叉领域的美国专利，结合先进的BERTopic主题模型，系统梳理了Green AI技术的结构、演进路径与市场技术影响。研究揭示了：

• 技术演进：由传统内燃机与工业控制向数据密集型、智能能源及农业环境领域转型，数字化与清洁能源趋势明确。

- 创新主体：产业集中度虽上升，但创新生态更丰富多元，反映从少数巨头控制向多主体参与的转变。

• 地理分布：美国主导，尤其加州，亚洲主要创新驱动力来自日本、韩国，中国呈现增长态势。

- 技术影响与价值：部分技术既具高度学术和技术引证影响，又体现巨大的企业市场价值（如临床微生物、大数据处理和农业水管理），而部分社会重要技术缺乏商业动力，需政策扶持。

• 政策启示：需要监控技术与市场集中风险，重点扶持经济吸引力不足但生态价值高的领域，通过科学数据支持实现绿色AI技术的健康发展。

通过详细的时间序列、地理结构和技术细分，报告为研究者、企业及政策制定者提供了全面而深刻的视角和工具，促进绿色技术与AI融合创新的可持续发展[page::0-8].

---

附录：重要图表示例

• 图1：

- 图2：

• 图3：

- 图4：

• 图5：

---

综上，本报告不仅系统描绘了当前Green AI领域的技术现状与动态，还为政策引导和企业战略发展提供了科学量化的分析框架和实证数据支持，具有极高的研究与实践价值。[page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13]

报告