我们需要正确的地图。 Nesta 的创新地图绘制团队使用新的数据源和数据科学方法来绘制这些地图，目的是为引导我们的经济向更好的方向发展的决策提供信息。
上周，我们发布了《创新地图》，这是一份描述我们的愿景、方法和项目的报告。在这篇博客中，我们将带您了解我们创建的一些地图：它们显示的内容、含义以及如何使用它们。
创新之地
我们从一张传统地图开始我们的探索，该地图显示了人工智能 (AI) 研究活动的热点，人工智能是一项潜力巨大的技术，受到政策制定者的极大关注。为了制作这张地图，我们对 arXiv（一个人工智能研究人员发布其研究成果的网站）中的数万篇计算机科学论文进行了文本挖掘，并确定了提及与深度学习相关术语的论文，深度学习是现代人工智能研究的核心技术（请参阅背景论文以及数据和代码）。
该地图显示了近年来在深度学习领域竞争力增强的地区（橙色）和竞争力减弱的地区（蓝色）。我们看到亚洲地区正在崛起，而欧洲的情况则喜忧参半。政策制定者可以使用此类地图 波段数据 来了解其人工智能领域的状况，并找到更有效地支持它们的方法。
全球人工智能创新地图
全球人工智能研究地图
思想地图
上面的地图显示了地点。但我们可以绘制其他实体，例如想法，连接那些倾向于出现在相同上下文中的实体，例如在相同的研究项目或论文中。一个想法的连通性反映了它的相关性和实用性：那些与许多其他想法高度相关的想法（即地图中的中心）可能更广泛地适用。
下面的一系列地图说明了这个想法。它们捕捉了英国研究项目中研究主题之间的共现情况。红色链接表示“AI”主题在项目描述中与另一个主题出现的次数。我们看到，随着时间的推移，AI 与许多研究主题的联系越来越紧密，凸显了它对许多不同学科的研究人员的实用性。
这种地图可以帮助我们识别有趣的、具有高潜力的想法，以及由于缺乏技能或其他必要投入而需要更长时间才能采纳这些想法的领域。
英国研究数据中人工智能研究与其他研究领域的联系图
英国资助数据中人工智能与其他研究主题之间的联系图
下图继续展示我们的想法，该图由我们团队的数据科学家Kostas Stathoulopoulos制作。该图展示了集体智慧中研究主题之间的联系，集体智慧是一门旨在设计更有效的组织和系统的新研究领域。
在这里，我们使用主题模型来确定研究主题，这是一种“自下而上”检测文本中相关词组的方法（更多细节）。
通过查看这张地图，我们能够看到哪些领域正在相互合作，以及网络中的哪些地方存在差距。例如，看看基于人工智能（多智能体系统）和人类智能（众包）的集体智慧方法之间的鸿沟。也许鼓励这些遥远领域的研究人员之间的合作和思想交流会很有用？
研究主题群
集体智慧场的可视化
（创新者的）社交网络
我们的最终地图汇集了上面介绍的许多想法。
在本例中，我们展示了威尔士创新系统中各组织之间的研究合作，我们在与威尔士政府合作的Arloesiadur项目中绘制了这些合作。组织（节点）的位置基于其在威尔士的地理位置。
左侧图表显示了已经存在的合作，右侧图表显示了基于我们设计的推荐引擎的潜在合作。该引擎根据以前合作者的个人资料向组织推荐联系，有点像电子商务网站对在线购物者的做法（像您这样的创新者与这些组织合作）。我们根据创新者之前参与的项目主题来衡量他们之间的相似性，即他们在知识空间中的接近程度，如之前讨论的那样。
我们用圆圈标出了两张图之间的一些有趣差异：红色方块表示推荐引擎建议的“真实”网络中不存在的连接区域：这表明威尔士不同地区有志同道合的组织可以从连接中受益。紫色方块表示真实网络中存在但推荐网络中不存在的连接，这表明它们涉及将不常见的能力组合在一起的合作——也许是政策制定者感兴趣的——甚至是由政策制定者发起的？
将威尔士的实际创新系统与基于推荐引擎的创新系统进行比较
将威尔士的研究和创新系统（左）与基于推荐引擎预测的系统（右）进行比较
将无形知识转化为有形影响
我们用显微镜观察微小的物体，用望远镜观察远处的事物。上面的地图是宏观望远镜，用科学技术制图先驱、对我们的工作有重要影响的凯蒂·伯纳 (Katy Börner)的话来说，它帮助我们看到超出我们自然感官能力的庞大而复杂的事物，如科学、技术或经济。
传统上，我们使用统计数据和指数来研究这些系统，将其复杂性简化为一个维度（通常越多越好，越少越差）。借助新的数据来源和方法，我们可以构建测量和地图，更好地捕捉它们的结构和组成、优势和劣势。正如复杂性经济学家塞萨尔·伊达尔戈曾经说过的那样，有了观察世界的新工具，我们就能以新的方式理解世界并采取行动。这是 Nesta 创新地图绘制者追求的议程，他们构建的地图反映了经济的活力和复杂性，并制定了更智能、更包容、更适合未来的创新政策。