[目的/意义] 对人工智能领域科研团队进行识别，并基于多个维度的指标提取领军科研团队，旨在丰富科研团队识别的流程与方法，为从科研团队视角分析人工智能领域脉络、前沿和主题提供依据。[方法/过程] 以Web of Science为数据来源，采集2009-2018年间人工智能学科领域所有科技论文的数据，通过算法设计与人工核查进行数据清洗；基于分数计数法构建全局合著网络，并利用社区探测算法动态调参、识别科研团队；进而基于多维度的指标提取出领军团队，并加以比较分析。[结果/结论] 从实践出发构造人工智能科技论文数据清洗的规则；构建基于合著关系识别人工智能科研团队的流程体系；提出通过消除边缘结点进行合著网络筛选，进而利用已知团队作为参考进行参数调整的思路；较为系统和准确地识别出全球人工智能科研团队，并基于发文量、被引量、h指数、中介中心度、接近中心度和加权点度中心度6个维度的指标提取出领军科研团队，同时，给出结合论文数据和实证调研对每个领军团队的示例性分析。

[目的/意义] 探讨人工智能领域科研团队的合作模式，并比较不同合作模式科研团队的差异与影响。[方法/过程] 以已识别出的人工智能领军团队为研究对象，根据团队中学者的合作人数情况和社会网络指标，识别出团队中的核心学者，进而划分人工智能科研团队的合作模式，并对不同合作模式的团队进行举例分析。在此基础上，从网络结构特征、研究绩效与地理分布几个维度，对比分析不同合作模式领军团队之间的差异。[结果/结论] 人工智能领域科研团队的合作模式被划分为单核模式、双核模式、多核模式以及均衡模式4种类型，其中，单核模式和双核模式的科研团队在所研究维度上都表现较为优异。

[目的/意义] [JP+1]团队合作已成为当今知识创新的一种重要组织形式。从动态网络视角探究科研团队动态演化规律对于促进科研团队的发现、组建和管理具有重要意义。[方法/过程] 以人工智能领域为例，采用Louvain社群发现算法识别人工智能领域研究团队，通过计算团队合作网络中节点数、边数、网络密度和平均聚集系数四项拓扑指标的极值分布，从微观和宏观视角探究该领域高产团队演化的特征与规律，以揭示科研团队演化的内在动因。[结果/结论] 微观视角下，合著网络拓扑指标的极值分布揭示人工智能领域高产团队演化的动态属性；宏观视角下，高产团队在网络密度与网络平均集聚系数上呈现出演化共性，多数团队在演化中催生更多新的合作关系的产生；结合团队的演化路径来看，人工智能领域高产团队中各时期的"小团体"合作现象显著，且"小团体"之间的合作直接影响着整体团队的走向。