人工智能应用场景的成熟度评价研究*

李梦薇 高 芳 徐 峰

(中国科学技术信息研究所 北京 100038)

近年来，得益于场景需求的日益多样化和人工智能技术的快速迭代升级，人工智能应用驱动的特征愈加明显。特别是新冠肺炎疫情以来，以智能医疗、智能教育和智能办公等为代表的人工智能应用场景需求加快涌现，大量细分领域场景快速落地应用，进而推动相关技术不断迭代升级，形成“需求牵引-场景开发-技术升级-场景升级”的研发应用闭环。在这样的态势下，谁在人工智能应用场景的开发上率先走向成熟，谁就有可能在人工智能技术、应用、产业等方面占据领先优势。近期以来，全球主要国家纷纷布局人工智能应用场景开发，我国也高度重视人工智能在经济社会领域的应用，科技部《国家新一代人工智能创新发展试验区建设工作指引》倡导各地积极开展人工智能技术应用示范、政策试验、社会实验和基础设施建设，在推动人工智能创新发展方面先行先试、发挥引领带动作用。其中已批复设立的国家新一代人工智能创新发展试验区北京[1]、上海[2]、杭州[3]、天津[4]等地先后征集人工智能应用场景，以开放场景需求、开放数据资源、开展应用示范等举措推动场景的开发落地进程。总体来看，对同一应用场景，由于各地资源禀赋和发展基础不同，其场景发展所处的阶段会有一定差异，例如有些地区虽然拥有较好的政策环境，但基础设施存在短板；有些地区虽然科研院所集聚、具备良好的研究与创新能力，但高技术企业占比不高、技术应用基础薄弱。如果能研判某一场景在哪些地区更具备优先成熟的条件，就可以更好地从资源倾斜、短板弥补等方面进行统筹。同理，对于同一地区，不同场景的发展条件、所处阶段也有所不同，识别优先成熟可能性更高的场景，才能让地方场景的布局更合理高效。

本文研究提出了人工智能应用场景成熟度评价模型，以期对同一场景在不同地区的成熟度、同一地区不同场景的成熟度进行研判。具体从人工智能应用场景发展成熟所需的因素入手，将场景成熟度划分为人因成熟度、技术成熟度和环境成熟度三个维度，构建了包括10个二级指标和21个三级指标在内的评价指标体系。以智能医疗场景为例，对10个国家新一代人工智能创新发展试验区所在省市的智能医疗场景成熟度进行计算对比，并据此识别各省市智能医疗场景开发落地的优劣之处。

1 相关研究评述

成熟度评价的研究对象范围很广，如产业成熟度(IML)[5]、技术成熟度[6]、航天设备的制造成熟度[7]、产品成熟度[8]、企业管理成熟度[9]等，但尚未有针对人工智能应用场景进行成熟度评价的研究，甚至对应用场景进行成熟度评价的研究也较少，因此本文在研究方法上主要借鉴广义上的成熟度评价方法。从研究方法来看，成熟度评价大体可以分为以下三种思路。

一是“研发过程”视角，即划分研发的各阶段并描述关键特征，然后将比较对象与各特征比对，从而确定比较对象所处的阶段。美国国家航空航天局(NASA)的“技术成熟度(TRL，又称技术完备等级)”[6]〗就是通过分析技术研发的过程来划分等级，即通过划分从基础技术研究到可行性证明、技术研发、系统开发等的研发各阶段，描述各阶段的关键特征，据此对比技术，从而达到“定级”的目标。这种通过过程分析进行等级划分的思想还见于美国卡内基-梅隆大学软件工程研究所(SEI)提出软件能力成熟度模型(CMM)[10]、我国工业信息化部的《新材料技术成熟度等级划分及定义》国家标准等。我国王礼恒院士2016年提出的产业成熟度方法[5]〗综合了TRL与美国国防部的制造成熟度(MRL)[11]，对产业诞生到发展成熟整个演变形态进行识别，从而描述核心技术、产品、制造和市场等方面发展的成熟程度。

二是“影响因素”视角，即直接面向评价对象本身分析其达到成熟所需的因素，进而评价这种因素是否具备、有何缺陷。例如葛毅等[12]从技术性能、产业配套、市场环境、政策环境、社会影响等五个方面建立了智能电网产业成熟度标准综合评价指标体系，建立基于多层次模糊综合评价的智能电网产业成熟度评估模型；黄鲁成等[13]综合比较了基于TRL、专利、文献计量学、顾客需求的满足程度等的技术成熟度评价方法，指出局限性，并尝试在研究产品技术自身发展的过程中，同时考虑经济、社会、环境等影响因素以及及这些因素之间等对产品技术发展的影响；孙旭东等[14]从多技术和多产品角度构建能源产业成熟度评价体系，给出成熟度等级及其评价标准，并基于模糊数学方法和层次分析法建立能源产业成熟度评价模型。

三是“外界感知”视角，即参考外界如媒体、公众的看法来分析评价对象的成熟度，实际采用的是舆情分析的方法。世界知名信息技术咨询公司Gartner的技术成熟度曲线(Hype Cycle)[15]就是采用这种视角，其核心思想是大多数技术都必然经历“膨胀期”、“低谷期”然后达到“最终成熟期“的发展模式，因此可以结合新技术、新概念在媒体上的曝光度(在市场上的可见度或普及性)绘制时间曲线，以此来反映技术所处的发展阶段。Gartner技术成熟度曲线也因此被称为“炒作周期曲线”。在具体评价时，Gartner界定了技术萌芽期、期望膨胀期等五个阶段，分析各项技术分别处于哪一阶段，还界定了创新触发事件(导致技术快速发展和公众兴趣增长的事件)。这种技术成熟度曲线本质上是运用时间轴和公众期望制作的一个评价工具。

考虑到第三种外界看法视角的评价方法难以从本质上回答和分析场景成熟度的原因，本研究主要借鉴的是第二种视角，即分析影响人工智能应用场景本身走向成熟的因素(“人-技术-环境”三大维度)。在影响因素的提取过程中借鉴第一种视角的“研发过程”分析思想，即着眼于研发过程所涉及的各主体，分析各主体的哪些因素能对场景成熟产生驱动作用，进而构建人工智能应用场景的成熟度评价模型(见表1)。本研究的创新点在于开创性地构建人工智能应用场景的成熟度评价模型，并将该模型在典型人工智能应用场景——智能医疗场景——中进行了实际应用与分析。

表1 人工智能应用场景成熟度评价模型

2 人工智能应用场景成熟度评价模型

人工智能应用场景(如无特殊说明，本文下述“场景”均指“人工智能应用场景”)由技术、环境、人三个维度的要素组成，是指人与具有人工智能的机器之间，基于人工智能等信息技术，融合实现智能型的“超链接”，并通过人与人工智能的交互关系构成的智能化、社会化的产品所处的动态调整的场域[16]。这种界定本质上是根据人工智能应用场景可能涉及的几个主体进行分析。其中，“人”主要从消费者视角出发，关注“使用主体”，强调需求的提出以及为了满足个性化需求而倒逼研发者实现的产品差异化。“技术”主要从研发者视角出发，关注“研发主体”，包括研发机构及科技企业，强调所需的软件、算法的可获得、可行性、经济性等。“环境”主要从维护者视角出发，关注“维护主体”，包括政府及部分企业，强调数据、设施等“硬环境”以及政策等“软环境”。基于该解构，对人工智能应用场景的成熟度评价同样应当从这三个主体维度进行评价，需要解构可能影响每个主体是否支持场景发展、推动场景发展力度大小的因素。以下是对各维度影响因素的分析。

首先是“人”的维度，“人因”，即从消费者角度分析影响因素。一方面，对某一场景的需求程度如何、市场前景如何，必然是投资方(政府、企业等)决定资金分配及流向的重要考量。另一方面，消费者(包括个体以及政府、企业等可能使用人工智能方案的组织)的购买力高低、受教育程度如何，也决定该场景的商业化进程——经济发展较好的地区，不仅有较好的购买力采纳人工智能方案，而且普遍对新事物的接受程度高，加之具备高等教育水平的使用者能更好地使用人工智能方案，因而场景更易落地推广。

其次是“技术”维度，即从研发者角度分析。研发能力直接影响场景的开发能力。这种能力不仅体现在开发效率上——指当前的开发能力，与论文、专利、人才、机构等密切相关——而且这种开发能力的可持续性(往往取决于人才流向、经费支持)。需要注意的是，在实际情况中，这种研发能力可以迁移，例如A地区研发能力差，但其他条件已经成熟，则可以去研发强的B地区引入技术支持。但本文在构建体系时，本着全面性原则，加之可能出现的国家之间、地区之间的技术隔阂、技术垄断等，因而不考虑研发能力迁移的情况。但在建议部分，会指出研发能力弱势地区可以从人才引入、技术引入等方面寻求发展。

最后是“环境”维度，即环境方面分析整个开发周期涉及的因素，包括制度等“软”环境和设施等“硬”环境。政策的支持、基础设施的完备都是推动场景落地成熟的重要驱动力量，而活跃的市场、较好的伦理制度环境则确保人工智能方案较为成熟后、可以顺利走向市场、推广应用、让场景得以健康地发展落地，例如自动驾驶技术已经较为成熟，但由于伦理规制尚不成熟，影响了该场景的最终落地。环境的保障是让场景不止步于实验室阶段、真正走向成熟的重要因素。

本文构建的通用的人工智能应用场景成熟度评价模型见表1，三个维度共21个指标。这套评价体系既可用于同一场景在不同区域成熟度的评价，也可用于同一地区的不同场景成熟度的评价(但在技术成熟度维度还需要增加对应技术的分析)。本文主要聚焦前者，并在第3节的实证中将该评价方法进行了实现。

本模型的总评价结果的数值越高，代表该地区的该场景越有可能优先成熟，即“走向成熟的能力更高”。各级指标在计算时分为正向指标和负向指标两种，“正向”表示该指标代表的影响因素能够驱动人工智能应用场景走向成熟，即数值越高、场景成熟度的可能性越高；“负向”表示指标代表的影响因素不利于人工智能应用场景成熟，即数值越高、场景成熟的可能性越低。

2.1 人因成熟度

人因成熟度从消费者角度进行考量，回答“市场是否成熟(购买力是否高、产品是否具备差异化以满足消费者需求)”“需求是否成熟(购买欲望是否强)”“应用是否成熟(是否具备较好的使用能力)”三个问题。

回答“市场是否成熟”，可以用该地区的区域投资能力(用国民生产总值，GDP来代表)、国民储蓄净额以及人工智能在该领域的企业数量判断。GDP越高，该地区经济实力越强，投资能力、购买力越高；国民储蓄净额越高，购买力同样越强；相关企业数量越多，越趋于完全竞争市场，越能满足消费者的差异化需求。三者处于高数值时，都有利于推动人工智能应用场景发展成熟，因而三者均为正向指标。

回答“需求是否成熟”，即测度该地区对某一人工智能应用场景需求的迫切程度。导致需求迫切的原因一方面可能是该场景对应的领域专业人员少，因而无法满足需求；另一方面有可能是该领域本身负担重，例如因老龄化导致的医护负担增加等。专业人员越少，需求越强烈，因而对应的指标应为负向指标；负担越重，需求越强烈，因而对应的指标应为正向指标。需要注意的是，由于领域负担度的影响因素较多，因而是复合指标，其衡量方式需要考虑具体领域引起负担的因素(详见第3节)。

回答“应用是否成熟”，即衡量该地区对人工智能应用场景的接受程度和使用能力，用社会文明度进行衡量。社会文明程度越高，则该地区越容易接受人工智能应用场景这种新兴事物，使用人工智能产品与服务的能力也越强，人工智能应用场景在该地落地发展的阻力越小，越容易成熟，因而是正向指标。本模型用高等教育人数比例进行衡量。

2.2 技术成熟度

“技术成熟度”从研发者角度进行考量，回答“当前开发能力是否强(现有研发人员能力、现有研发机构数量)”“当前开发能力是否具有可持续性(经费支持、吸引人才)”两个问题。

回答“当前开发能力是否强”，需要从研发人员的能力(高被引论文、专利)与研发机构(AI人员数量占比、AI机构数量)情况两方面考量。专利申请量体现研发的活跃度，专利授权量、高被引论文量、研发机构数量则体现研发能力。本部分指标均为正向指标。

回答“当前开发能力是否具有可持续性”，主要用R&D经费占GDP比例、人工智能人才净流入率判断。研发投入的占比越高，该地区对研发活动的重视程度越高，长期来看有利于场景在该地的落地成熟；净流入率越高，该地区对人工智能人才的吸引力越强、维持高研发能力的可能性越高，因此本部分指标也为正向指标。

2.3 环境成熟度

“环境成熟度”关注人工智能应用场景开发落地所需要的基础设施等硬件环境以及市场、政策法规等软件环境，回答“政策法规是否可以支持并维护人工智能应用场景的健康发展”“市场是否适合场景的推广”“设施是否可以支撑场景的开发落地”。

回答“政策法规是否可以支持并维护人工智能应用场景的健康发展”，既要关注该地区在既定场景上的政策布局(即“政策支持”)，也要关注该地区对场景风险的把控，包括伦理法规的相关研究与政策出台、人工智能有关的执法司法能力(即“维护能力”)。政策支持方面，可以通过人工智能在所研究的场景领域相关的法律法规数量、支持所研究场景相关的人工智能领域发展的政策数量来衡量；维护能力则可以通过人工智能类审理或执行案件数，以及人工智能伦理原则、标准规范、测试监管相关文件数量来衡量。二者都是数量越多越有利于场景成熟，因而均为正向指标。

回答“市场是否适合场景的推广”，关注市场本身的状态，用固定资产投资指数、流动资产周转次数(主营业务收入/平均流动资产)、区域开放度(外贸总额/GDP)等经济学指标进行度量。稳定发展的市场有利于场景的推广，因而这几个指标也是正向指标。

回答“基础设施是否可以支撑场景的开发落地”，关注人工智能应用场景开发落地所需的设施环境，例如大数据中心、智能计算中心的数量，以及支持建设相关基础设施或支撑平台的文件数量。二者同样为正向指标。

3 模型应用：智能医疗应用场景成熟度评价模型的实现

本节采取10个省市的智能医疗应用场景相关数据，对十省市智能医疗应用场景成熟度进行对比。由于以智能医疗场景为例，因而本节建立的成熟度评价模型的场景相关类指标全部为智能医疗场景相关的指标，例如指标“1.4”原为“场景类负担指标”，在智能医疗语境下指标“1.4”即为“医疗负担指标”。同理，表1中的“领域相关”指标在此语境下特指“智能医疗领域相关”。

在评价主体范围的选取上，本节选取国家新一代人工智能创新发展试验区所在省市。国家新一代人工智能创新发展试验区是贯彻落实国务院2017年7月《新一代人工智能发展规划》(国发〔2017〕35号)的重大抓手，按照“应用牵引、地方主体、政策先行、突出特色”的建设原则，在体制机制、政策法规等方面先行先试，着重拓展应用场景，加快推进人工智能与实体经济深度融合，促进人工智能在社会民生领域的广泛应用。本文按时间顺序选取前12个支持建设的试验区——北京、上海、深圳、杭州、天津、合肥、德清、重庆、成都、西安、济南、广州——所在省市，即北京、上海、广东、天津、安徽、浙江、重庆、四川、陕西、山东共10个省市，进行模型实现。

3.1 智能医疗场景具体指标的确定

在评价指标的细化上，大部分指标与表1一致，但指标1.3.1“领域专业人员-居民数量比”、指标1.3.2“领域负担度”这两个三级指标进行了进一步细化。其中，指标1.3.1“领域专业人员-居民数量比”细化为“千人拥有专业卫生人员数”，拥有专业卫生人员的数量越多，对智能医疗的需求越不迫切，依然是负向指标；指标1.3.2“领域负担度”细化为“抚养比”“居民医疗保健支出占总支出比例”“卫生费用占比”“医疗保险覆盖率”四个四级指标，即原三级指标“领域负担度”在医疗领域由以上四个四级指标进行计算。其中，抚养比是非劳动年龄人口对劳动年龄人口数的比值，抚养比越大，表明劳动力人均承担的抚养人数就越多，劳动力的抚养负担就越严重，对医疗机器人、护理机器人等的需求也越强烈；医疗保健支出比例越高，医疗卫生负担越重，对医疗的需求越旺盛，医疗领域的市场越大、智能医疗越有发展空间；同理，卫生费用包括政府卫生支出、社会卫生支出、个人卫生支出，卫生费用占GDP的比重、以及医疗保险率越高，越不会抑制居民的医疗需求，即对医疗的需求越旺盛，智能医疗越容易发展推广。

本节数据来源主要为国家统计局、国家统计年鉴、中国经济景气月报、知识产权局、工信部、Web of science数据库、加拿大Element AI历年发布的《全球AI人才报告》等。政策类指标数据通过人工统计获得，审理执行案件数据则通过裁判文书网人工统计，以“人工智能”为关键词进行搜索，再按省市进行计数(最高法的数据不计入北京)。一些指标、尤其是经济类指标获得的是年度数据，另一些指标、尤其是政策类指标则需要及时更新。为了让评价结果与现实情况形成一定的对比，本节在计算时采用“预判”的思想。将指标划分为“基础型指标”与“加速型指标”，以我国新一代人工智能发展规划的出台年份(2017年)为基础年份，全部“基础型指标”均采用2017年的数据；而“加速型指标”采用可获得的最新数据(其中政策类数据的统计截止时间是2021年4月)，这样评价的结果即为“各省市基于2017年的基础条件，经过发展后其对应场景可以达到的成熟度次序”。事实上，“基础型指标”代表一个地区发展人工智能应用场景的基础能力，往往具备普遍性、而非仅与人工智能相关，例如市场活跃性、市场购买力、需求迫切性等，是场景能够落地成熟的基础条件。“加速型指标”往往和人工智能直接相关、且常常是人工智能专有的指标，例如人工智能相关的企业数量、政策数量、高被引论文数量等，是场景走向成熟的核心驱动因素。

3.2 算法设计

本节考虑到本节侧重于评价模型的实现与验证，不对各指标做进一步的重要性考量，因而在计算时采用“等权法”，即认为各指标相同重要，赋予相同的权重。具体计算方式如下，计算模型的符号对照见表2。

表2 符号对照表

首先通过0-1标准化对三级指标进行异质指标同质化处理，注意处理时需要考虑指标方向，即

由于本节采用等权思想，即各指标同等重要、权重相当，因而二级指标计算方法为

获得一级指标矩阵

则总得分为

此后对总分及一级指标得分分别进行排名，得到如下结果分析。

3.3 结果与分析

如表3，综合总体成熟度、人因成熟度、技术成熟度、环境成熟度来看，在前三名出现过的城市有四个，分别为：广东省(4次，且总体成熟度第一)、浙江省(3次，仅人因成熟度非前三、居第四)、北京市(3次，仅技术成熟度非前三、居第四)、上海(2次，总排名非前三、居第四，环境成熟度居第7)。成熟度总得分(表3前三列)排在前四位的依次是广东、浙江、北京与上海，这四个省市在学术实力、科技实力、经济资本、政策层面具有先天优势，能快速应对人工智能大潮并做出反应；而且，智能医疗相关企业大多也分布在这四个省市，对应试验区也已出台了相应的智能医疗资金支持政策，既有按项目、团队的直接支持，也有创业和产业基金[17]。

表3 10省市智能医疗场景成熟度排名

进一步进行比较分析，如图1仅展示总分排名前五名省市的各维度得分对比雷达图。广东省各维度排名都在前两位，尤其是环境成熟度排名第一、且得分远高于第二名的浙江。结合实际情况分析，早在2016年，广州妇女儿童医疗中心就上线了儿科门诊智能诊断系统；2020年，广州全面上线基于大数据的医院精细化管理和医疗服务监管平台。2021年3月，广州打造中国内地首家全场景智能医院“广东省第二人民医院”。深圳市智能药品全闭环管理、医疗影像辅助诊断系统、“腾讯医疗影像”国家新一代人工智能开放创新平台、“智慧医疗”广东省新一代人工智能开放创新平台，以及围绕鲲鹏生态开展智慧医疗等重点领域智能应用示范，具备很强的代表性。

图1 10省市各维度得分对比雷达图

浙江省的技术成熟度排名第一，“开发持续性”得分尤其高。浙江人工智能人才政策布局早、投入力度大，2017年就制定十二条政策集聚人工智能人才[18]，包括设立10亿元人工智能人才产业发展母基金、5 000万元人工智能天使基金等。数据等资源共享方面也做出一定成绩，杭州推进医疗等重点领域数据向人工智能企业有序开放，杭州多中心智能医学信息技术平台打破不同医疗机构数据共享壁垒，德清围绕智慧医疗建成全国首个县域医共体统一支付平台、远程会诊工作平台。但值得注意的是，浙江的人因成熟度指标得分居第四位，并未进入前三，这主要是由于其医疗负担较轻，需求迫切性指标得分低，且高等教育人数比例处于中游，低于陕西。但另一方面，浙江人工智能相关企业数量仅次于北京、广东、上海，因此虽然市场需求存疑，但依然具备较强的发展能力。

北京市的人因成熟度排名第一，产品差异性与社会文明度得分尤其高，这与北京智能医疗场景开发主体的多样性以及教育资源的丰富性分不开。不仅如此，北京还是我国教育高地，清华大学、中国科学院、协和医院等国内领先的人工智能、医疗等领域的科研院所扎根于此，这些都为智能医疗场景在北京的落地成熟提供了基本保障。但是，北京人工智能人才净流入率较低，对人工智能人才的吸引力远低于浙江、安徽，仅高于天津、山东，这可能会影响北京未来智能医疗应用场景的后续发展。

除了个整体得分较高的省市外，山东省同样值得关注，其总体成熟度、人因和技术成熟度排第五，环境成熟度居第四位。山东需求迫切性和医疗负担指标得分较高，且市场购买力和区域潜力指标居中，因此虽然社会文明度指标较低，但其对智能医疗的需求旺盛、智能医疗应用场景发展的市场广阔，有较强的市场潜力亟待发掘。但是，山东的人工智能人才数量、高被引论文数量相对较低，人工智能专利申请量与授权量和北京、浙江、安徽相比差距都较大，未来在人才政策方面有较大的引导与提升空间。

图2 代表性省市各维度得分对比雷达图

进一步选取前三名的广东、北京、浙江，和末三名的重庆、陕西、四川进行分析，如图2，可以看到后三名与前三名在各维度的差距都较大。其中，人因成熟度的差距最大，第三位的浙江比倒数第三位的重庆高39.97%；环境成熟度差距相对较小(第三位比倒数第三位高29.94%)。这反映出各地在推动智能医疗场景的过程中，该地的资金实力、市场需求迫切性、对智能医疗产品的使用能力等条件相对而言对结果的区分性更强，其次是智能医疗场景相关的技术(如利用图像识别、深度学习进行靶区自动勾画，利用卷积神经网络等深度学习网络进行的影像三维重建技术等)，最后是智能医疗相关的政策环境(如政策支持部署智能医疗产品与服务等)及其可能需要的计算中心等设施设备的影响。

图3 代表性省市人因成熟度得分对比雷达图

进一步聚焦对于各地智能医疗场景成熟度差距影响最大的人因成熟度进行比较分析，如图3，可以看到广东和北京的人因成熟度各维度的总体覆盖面积明显远大于其他省市。其中，北京的主要优势是社会文明度和产品差异性，而广东的主要优势是市场购买力。回溯后发现，北京高等教育人数比例为所有省市中最高，远高于其他省市，这与北京作为我国文化中心的定位和教育中心的现状相符；北京智能医疗相关企业的数量也最多，尤其根据忆欧智库等的统计，我国医疗人工智能企业中北京的占比超过1/3，在2017年甚至接近一半(全国登记的智能医疗企业131家，其中北京占56家，占比43%，远高于第二名上海的27家)；且北京医院众多，2019年11月北京医院管理中心主办的第四届科技创新大赛(医疗人工智能方向)就有来自22家北京市属三级医院的85个参赛项目参加。而广东市场购买力之所以最高，主要是源于其地方GDP和居民人均储蓄年末余额都是最高，这意味着经济实力极强的地区，发展智能医疗场景可能具备更强的先天优势。

浙江覆盖面积明显小于广东与北京，但其在产品差异性、市场购买力方面依然远高于末三名城市。值得一提的是，末三位的需求迫切性普遍高于前三位，包括医疗保健支出占总支出的比例、抚养比等数据，虽然一定程度上与其经济社会发展程度有关，但也说明这些省市具备较好的市场发展潜力。

4 总结与展望

本文构建了人工智能应用场景的成熟度评价模型，并以智能医疗应用场景为例进行了实证分析，对所选择的10个省市智能医疗总体发展情况进行了评价，并结合实例剖析了各维度排名前列省市的优劣之处。该成熟度评价体系可以帮助发现某场景具备发展潜力的省市，例如第3节中提到的山东省；也可以帮助被评价省市发现问题，例如，从第3节的得分可以看到，安徽自身的三个维度中，技术成熟度排名相对较高，进一步深挖可以发现其技术方面的短板主要是开发效率较低，进一步而言，其人工智能专利申请量较低，已有的人工智能技术基础在比较省市中较弱，有巨大的提升空间，因而在专利研发方面可以给予适当鼓励，推动技术进一步走向成熟。此外，对于技术维度的成熟度较低、但其他维度成熟度较高的地区，可以考虑直接引入所需技术对应的团队、甚至直接引入所需技术等，以此弥补技术缺口。

随着智能医疗各场景逐步落地应用，市场对智能医疗的认知越发清晰，对智能医疗场景的开发提出更明确的要求，这将令智能医疗场景更加贴合实际需求，助力中国医疗服务水平升级革新。目前，智能医疗产业正处在通过人工智能改善民生、带动产业升级和助推经济转型的阶段，研究成果的转化应用至关重要，而地方政府通过成熟度评价发现优劣势，从而“对症下药”，补短板、拉长板，发布适宜的政策、营造适合场景发展的环境，对于推动智能医疗场景从研发到落地应用到商业化推广、最终实现产业化、规模化，有重要意义。

本评价体系同样可以用于不同场景在同一地区的成熟度评价，但限于篇幅本文没有对此展开进行实证研究。同一地区对于不同场景的需求迫切性等条件不同，因而“人因成熟度”有所区分；同理，不同场景的研发与创新能力、相关政策环境也有不同，因此地方可以借此识别不同场景的发展优先级。此外，本研究的重点是建立评价体系，在模型实现方面还有两点改进空间。一是在模型算法上采用了等权法，即认为各指标相同重要，赋予相同的权重，在未来研究中，考虑到不同场景的各要素发挥的重要性可能不同，因而可以根据不同场景的特征探讨权重，例如引入学界与业界专家共同打分定权重等方式进行调整。二是在结果与各影响因素之间的具体关联关系，限于篇幅没有详细展开，在未来可以专门分析阐述其内在逻辑，进一步论证评价体系的合理性。