基于Gartner曲線(xiàn)的顛覆性技術(shù)生命周期模型構(gòu)建研究

摘 要：［目的/意義］顛覆性技術(shù)具有獨(dú)特的發(fā)展路徑，識(shí)別其生命周期階段對(duì)各國(guó)（地區(qū)）技術(shù)投資、戰(zhàn)略規(guī)劃和政策制定具有重要意義。本研究借助Gartner曲線(xiàn)，提出一種基于機(jī)器學(xué)習(xí)的技術(shù)生命周期識(shí)別方法，以促進(jìn)顛覆性技術(shù)生命周期的精準(zhǔn)識(shí)別。［方法/過(guò)程］研究首先構(gòu)建了一個(gè)基于論文、專(zhuān)利和用戶(hù)期望三維度含14個(gè)關(guān)鍵指標(biāo)的綜合測(cè)度體系，用于捕捉顛覆性技術(shù)在不同生命周期階段的特征表現(xiàn)；其次，研究選取了生物芯片、云計(jì)算等7項(xiàng)具有代表性的顛覆性技術(shù)進(jìn)行模型訓(xùn)練，采用XGBoost分類(lèi)模型學(xué)習(xí)和識(shí)別樣本技術(shù)在Gartner曲線(xiàn)標(biāo)記下的階段特征；最后，選取新一代人工智能技術(shù)進(jìn)行實(shí)證檢驗(yàn)，以驗(yàn)證模型的適用性和準(zhǔn)確性。［結(jié)果/結(jié)論］結(jié)果表明，基于Gartner曲線(xiàn)的生命周期識(shí)別方法能有效識(shí)別顛覆性技術(shù)生命周期階段，新一代人工智能技術(shù)的發(fā)展轉(zhuǎn)折點(diǎn)分別在2014年、2017年、2022年。與傳統(tǒng)的S曲線(xiàn)模型和反向S曲線(xiàn)模型相比，該方法在識(shí)別技術(shù)早期發(fā)展階段的變動(dòng)和趨勢(shì)方面表現(xiàn)出更高的敏感性和準(zhǔn)確性，能更準(zhǔn)確地描繪顛覆性技術(shù)的發(fā)展特征，有助于更好地把握技術(shù)創(chuàng)新的脈搏。

關(guān)鍵詞：顛覆性技術(shù)；技術(shù)生命周期；Gartner曲線(xiàn)；新一代人工智能；XGBoost模型

DOI：10.3969/j.issn.1008-0821.2025.08.006

〔中圖分類(lèi)號(hào)〕TP18 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2025）08-0070-15

The Construction of Disruptive Technology Life Cycle

Model Based on the Gartner Hype Cycle

——Illustrated as Next-Generation AI Technology

Huang Ying1，2* Zhang Hui1，2 Ye Dongmei1，2 Yuan Jia1，2

（1.School of Information Management，Wuhan University，Wuhan 430072，China;

2.Center for Science，Technology amp; Education Assessment（CSTEA），Wuhan University，

Wuhan 430072，China）

Abstract：［Purpose/Significance］Disruptive technologies follow unique developmental trajectories，and identifying their lifecycle stages is of significant for technology investment，strategic planning，and policy formulation.To more accurately characterize the lifecycle of disruptive technologies，this study proposes a machine learning-based lifecycle identification method based on the Gartner Hype Cycle.［Method/Process］Specifically，the method constructed a comprehensive measurement system based on three dimensions：academic papers，patents，and user expectations，encompassing a total of 14 key indicators.These indicators analyzed and trained the model，aiming to capture the characteristics of disruptive technologies across various lifecycle stages.The study selected seven representative disruptive technologies，including biochips and cloud computing，for model training，and employing the XGBoost classification model to learn and identify the lifecycle stages as marked by the Gartner Hype Cycle.Then the study selected next-generation artificial intelligence technology for empirical testing to verify the models applicability and accuracy.［Result/Conclusion］The results indicate that the lifecycle identification method based on the Gartner Hype Cycle effectively identifies the lifecycle stages of disruptive technologies and identify the turning points in the development of next-generation artificial intelligence technology as occurring in 2014，2017，and 2022.Compared to the traditional S-curve model and inverse S-curve model，the method shows higher sensitivity and accuracy in detecting changes and trends in the early development stages of technology，which aids in better understanding the pulse of technological innovation.

Key words：disruptive technology;technology life cycle;Gartner hype cycle;next-generation AI technology;XGBoost model

隨著新一輪科技革命的演進(jìn)，技術(shù)創(chuàng)新正成為各國(guó)（地區(qū)）推動(dòng)經(jīng)濟(jì)發(fā)展、提高競(jìng)爭(zhēng)力的重要抓手，而顛覆性技術(shù)以其極大的創(chuàng)新性、顛覆性和影響力，成為短時(shí)間內(nèi)超越原有技術(shù)、推進(jìn)科技創(chuàng)新、改變行業(yè)格局的重要力量，也成為全球各國(guó)（地區(qū)）科技競(jìng)爭(zhēng)的焦點(diǎn)。相較于傳統(tǒng)技術(shù)，顛覆性技術(shù)會(huì)改變?cè)屑夹g(shù)軌道，往往涉及對(duì)現(xiàn)有技術(shù)、商業(yè)模式或社會(huì)結(jié)構(gòu)的徹底變革，其發(fā)展過(guò)程通常充滿(mǎn)不確定性，技術(shù)從萌芽到成熟再到普及的每個(gè)階段都伴隨著不同的挑戰(zhàn)與機(jī)遇。因此，準(zhǔn)確識(shí)別和預(yù)測(cè)顛覆性技術(shù)的生命周期階段，不僅有助于了解顛覆性技術(shù)的發(fā)展脈絡(luò)和趨勢(shì)，也為各國(guó)（地區(qū)）政府和企業(yè)制定科學(xué)的技術(shù)發(fā)展戰(zhàn)略［1］、投資決策，以及進(jìn)行資源配置提供了重要依據(jù)。同時(shí)，對(duì)于提升國(guó)家科技競(jìng)爭(zhēng)力、推動(dòng)產(chǎn)業(yè)轉(zhuǎn)型升級(jí)也具有重要意義。

在技術(shù)生命周期分析領(lǐng)域，學(xué)者通常依賴(lài)專(zhuān)利相關(guān)指標(biāo)來(lái)識(shí)別技術(shù)發(fā)展階段，常見(jiàn)的研究方法包括：S曲線(xiàn)、反向S曲線(xiàn)、專(zhuān)利指標(biāo)法和技術(shù)生命周期圖法等［2］。例如，李春燕等［3］、周曼等［4］、張豐等［5］和Wang Y H等［6］基于S曲線(xiàn)的Logistic模型，分別對(duì)3D打印技術(shù)、植物防凍設(shè)備、新能源汽車(chē)和DVD的專(zhuān)利數(shù)據(jù)進(jìn)行擬合，從而識(shí)別技術(shù)的不同發(fā)展階段。方曦等［7］、明宇等［8］、姜紅等［9］和李維思等［10］則通過(guò)專(zhuān)利指標(biāo)法，利用四項(xiàng)指標(biāo)對(duì)門(mén)禁系統(tǒng)安全技術(shù)、運(yùn)動(dòng)鞋、比亞迪汽車(chē)和薄膜太陽(yáng)能電池技術(shù)的生命周期展開(kāi)了研究。王云飛等［11］、李進(jìn)進(jìn)等［12］通過(guò)分析專(zhuān)利權(quán)人數(shù)和專(zhuān)利申請(qǐng)數(shù)兩項(xiàng)指標(biāo)繪制了領(lǐng)域的生命周期圖。然而，這些方法普遍依賴(lài)單一的數(shù)據(jù)源——專(zhuān)利數(shù)據(jù)，而專(zhuān)利相對(duì)于技術(shù)發(fā)展往往存在滯后性，這導(dǎo)致現(xiàn)有模型在識(shí)別技術(shù)生命周期早期階段敏感度較低。此外，這些模型的測(cè)度指標(biāo)較為單一，適用場(chǎng)景有限［13-14］，難以捕捉技術(shù)在各個(gè)階段的復(fù)雜變化特征。例如，反向S曲線(xiàn)對(duì)技術(shù)復(fù)蘇期的邊界界定模糊，而專(zhuān)利指標(biāo)法受各國(guó)（地區(qū)）專(zhuān)利制度差異的影響，其應(yīng)用受地區(qū)專(zhuān)利類(lèi)型的限制。

針對(duì)現(xiàn)有方法的局限性，有學(xué)者開(kāi)始嘗試使用技術(shù)成熟度曲線(xiàn)（Gartner Hype Cycle，簡(jiǎn)稱(chēng)Gartner曲線(xiàn)）來(lái)描繪新技術(shù)的生命周期。與傳統(tǒng)方法不同，Gartner曲線(xiàn)的制定不僅關(guān)注技術(shù)本身的進(jìn)展，還綜合考慮市場(chǎng)接受度、公眾期望和媒體報(bào)道等因素，能夠有效捕捉技術(shù)在發(fā)展的各階段，尤其是技術(shù)早期的波動(dòng)與變化。Jun S P［15］使用文獻(xiàn)計(jì)量的方法，對(duì)混合動(dòng)力汽車(chē)的數(shù)據(jù)展開(kāi)實(shí)證研究，通過(guò)谷歌平臺(tái)的網(wǎng)絡(luò)搜索數(shù)據(jù)對(duì)曲線(xiàn)進(jìn)行擬合。Steinert M等［16］對(duì)Gartner曲線(xiàn)的理論基礎(chǔ)進(jìn)行了探討，并選取潮汐能、IGCC和光伏發(fā)電三項(xiàng)進(jìn)行實(shí)證研究，借助谷歌平臺(tái)的新聞數(shù)據(jù)對(duì)Gartner曲線(xiàn)進(jìn)行擬合?？梢钥闯?，現(xiàn)有研究主要依賴(lài)用戶(hù)搜索數(shù)據(jù)來(lái)擬合Gartner曲線(xiàn)，而顛覆性技術(shù)的發(fā)展具有較高的復(fù)雜性和不確定性，單純依賴(lài)用戶(hù)數(shù)據(jù)難以準(zhǔn)確描繪技術(shù)生命周期的復(fù)雜變化過(guò)程。

基于此，本研究提出了基于Gartner曲線(xiàn)的顛覆性技術(shù)生命周期識(shí)別方法，在傳統(tǒng)技術(shù)生命周期的刻畫(huà)方法上，引入用戶(hù)期望指標(biāo)，構(gòu)建了涵蓋技術(shù)發(fā)展各階段的論文、專(zhuān)利、用戶(hù)三維測(cè)度體系，從而更全面地反映技術(shù)的發(fā)展特征和趨勢(shì)。與傳統(tǒng)技術(shù)生命周期模型相比，Gartner曲線(xiàn)可以增強(qiáng)技術(shù)在發(fā)展早期的分析和預(yù)測(cè)［15］，這種結(jié)合了用戶(hù)期望數(shù)據(jù)的周期模型適用于較為新興技術(shù)發(fā)展周期的描述［16］。此外，研究使用機(jī)器學(xué)習(xí)分類(lèi)方法進(jìn)行模型的構(gòu)建與優(yōu)化，并以新一代人工智能技術(shù)為代表性顛覆性技術(shù)，對(duì)模型的科學(xué)性和準(zhǔn)確性進(jìn)行實(shí)證研究。這種方式能較為敏銳地捕捉技術(shù)發(fā)展初期階段的特征，較好地識(shí)別顛覆性技術(shù)發(fā)展的周期階段。

1 理論基礎(chǔ)

技術(shù)生命周期是描述一項(xiàng)技術(shù)從誕生、發(fā)展到淘汰的演進(jìn)過(guò)程。這一概念源于1966年Vernon R［17］提出的產(chǎn)品生命周期理論，強(qiáng)調(diào)從市場(chǎng)視角分析技術(shù)發(fā)展規(guī)律，現(xiàn)已成為預(yù)測(cè)技術(shù)演進(jìn)方向的重要理論工具。Gartner曲線(xiàn)側(cè)重于分析用戶(hù)及市場(chǎng)對(duì)技術(shù)發(fā)展的期望演變，對(duì)新技術(shù)的早期識(shí)別較為敏感，是一個(gè)廣泛用于描繪新技術(shù)成長(zhǎng)和成熟過(guò)程的概念模型［18］。該模型由IT調(diào)研與咨詢(xún)服務(wù)公司Gartner于1995年發(fā)布，用于解釋一項(xiàng)新技術(shù)從市場(chǎng)引入到最終成熟應(yīng)用的用戶(hù)期望演變，可以用于衡量技術(shù)發(fā)展的不同成熟階段。Gartner公司結(jié)合媒體信息、行業(yè)報(bào)告、企業(yè)采用等多源數(shù)據(jù)，針對(duì)每年各行業(yè)領(lǐng)域創(chuàng)建技術(shù)成熟度曲線(xiàn)，并詳細(xì)介紹領(lǐng)域內(nèi)不同技術(shù)的生命周期，展示各種技術(shù)所處的階段。

Gartner曲線(xiàn)各階段的含義如圖1所示，分別為：①萌芽期（Technology Trigger）：該階段標(biāo)志著新技術(shù)的首次出現(xiàn)，通常伴隨著媒體的廣泛報(bào)道和公眾的高度期待。然而，此時(shí)技術(shù)的商業(yè)應(yīng)用尚未明確，實(shí)際應(yīng)用前景仍不明確；②期望膨脹期（Peak of Inflated Expectations）：隨著成功案例的增多，市場(chǎng)對(duì)技術(shù)的期望達(dá)到頂峰。然而，這一時(shí)期同時(shí)也伴隨著大量的技術(shù)失敗，逐漸暴露技術(shù)的局限性；③轉(zhuǎn)折期（Trough of Disillusionment）：由于技術(shù)未能達(dá)到預(yù)期的高度，早期的技術(shù)采納者開(kāi)始感到失望，媒體的關(guān)注度也開(kāi)始減退；④穩(wěn)步上升期（Slope of Enlightenment）：隨著技術(shù)的不斷改進(jìn)和應(yīng)用案例的增多，技術(shù)逐漸成熟，更多企業(yè)開(kāi)始積極采用并進(jìn)行實(shí)際應(yīng)用，推動(dòng)技術(shù)的成果轉(zhuǎn)化；⑤成熟期（Plateau of Productivity）：技術(shù)的實(shí)際應(yīng)用價(jià)值得到廣泛認(rèn)可，市場(chǎng)需求穩(wěn)定增長(zhǎng)，技術(shù)進(jìn)入成熟階段，產(chǎn)品在市場(chǎng)中的表現(xiàn)趨于穩(wěn)定并持續(xù)擴(kuò)展。

圖1 Gartner曲線(xiàn)各周期及其階段指標(biāo)［19］Fig.1 The Gartner Hype Cycle and Stage Indicators

針對(duì)Gartner技術(shù)成熟度的演變趨勢(shì)，學(xué)者經(jīng)研究后發(fā)現(xiàn)，該曲線(xiàn)形態(tài)實(shí)際上是由兩條不同曲線(xiàn)共同塑造的，即描述新技術(shù)預(yù)期的“鐘形”曲線(xiàn)，以及描述技術(shù)成熟度經(jīng)典特征的S形曲線(xiàn)［20］，如圖2所示。Fenn J等［21］認(rèn)為，人類(lèi)對(duì)新奇事物所持有的好奇心、社會(huì)傳播機(jī)制以及政策導(dǎo)向的共同作

用，導(dǎo)致在評(píng)估新技術(shù)潛力時(shí)，公眾往往表現(xiàn)出過(guò)度的熱忱。媒體傾向于聚焦可能引發(fā)廣泛關(guān)注的新聞事件，并進(jìn)行夸大報(bào)道，這促使技術(shù)擁護(hù)者的數(shù)量達(dá)到臨界規(guī)模。在這一背景下，組織內(nèi)部的決策者可能會(huì)順應(yīng)潮流，對(duì)相關(guān)技術(shù)進(jìn)行投資。然而，當(dāng)新技術(shù)的熱潮達(dá)到頂峰，第一代技術(shù)應(yīng)用的初步成效往往未能滿(mǎn)足預(yù)期，這將導(dǎo)致媒體炒作迅速降溫，并使技術(shù)熱潮陷入低谷。

圖2 Gartner曲線(xiàn)的演變Fig.2 Evolution of the Gartner Hype Cycle

2 基于Gartner曲線(xiàn)的顛覆性技術(shù)生命周期模型構(gòu)建

鑒于本文旨在針對(duì)顛覆性技術(shù)，嘗試借助Gartner曲線(xiàn)構(gòu)建其技術(shù)生命周期模型，而顛覆性技術(shù)的發(fā)展具有一定的市場(chǎng)敏感性，因此，除論文數(shù)據(jù)與專(zhuān)利數(shù)據(jù)外，研究還納入了用戶(hù)數(shù)據(jù)，并在此基礎(chǔ)上選取并構(gòu)建具體的技術(shù)生命周期指標(biāo)與測(cè)度方式。最后，基于Gartner曲線(xiàn)，運(yùn)用專(zhuān)利計(jì)量、機(jī)器學(xué)習(xí)等方法，對(duì)顛覆性技術(shù)的發(fā)展階段即萌芽期、期望膨脹期、轉(zhuǎn)折期、穩(wěn)步上升期以及成熟期進(jìn)行刻畫(huà)。圖3展示了本文的研究框架與技術(shù)路線(xiàn)圖，主要包括以下步驟：樣本顛覆性技術(shù)的選取、技術(shù)特征值的計(jì)算、機(jī)器學(xué)習(xí)技術(shù)特征以及對(duì)目標(biāo)技術(shù)的生命周期識(shí)別。具體而言，Gartner曲線(xiàn)為研究提供了一個(gè)理論框架，用于描述顛覆性技術(shù)的發(fā)展階段和波動(dòng)規(guī)律，為機(jī)器學(xué)習(xí)模型的訓(xùn)練提供了技術(shù)所處階段的標(biāo)簽，研究通過(guò)計(jì)算和分析技術(shù)在不同發(fā)展階段的特征值，結(jié)合分類(lèi)建模，訓(xùn)練模型學(xué)習(xí)各階段的特征模式，從而實(shí)現(xiàn)對(duì)技術(shù)生命周期關(guān)鍵轉(zhuǎn)折節(jié)點(diǎn)的識(shí)別。

圖3 基于Gartner曲線(xiàn)的技術(shù)生命周期模型路線(xiàn)圖Fig.3 Flow of Technology Lifecycle Model Based on the Gartner Hype Cycle

2.1 樣本顛覆性技術(shù)的選取

本文通過(guò)整理2000—2023年Gartner Hype Cycle for Emerging Technologies曲線(xiàn)中出現(xiàn)的顛覆性技術(shù)，結(jié)合技術(shù)發(fā)展周期階段，選取其中生命周期完整且跨度長(zhǎng)的代表性技術(shù)用于技術(shù)生命周期的特征學(xué)習(xí)。表1為具有代表性的顛覆性技術(shù)及其具體的技術(shù)生命周期階段。

2.2 技術(shù)特征值的計(jì)算

在上述基礎(chǔ)上，收集并計(jì)算樣本技術(shù)的特征值數(shù)據(jù)，主要包括論文、專(zhuān)利和用戶(hù)搜索數(shù)據(jù)。論文數(shù)據(jù)提供了關(guān)于技術(shù)研究和發(fā)展的學(xué)術(shù)成果與理論基礎(chǔ)；專(zhuān)利數(shù)據(jù)反映了技術(shù)創(chuàng)新和實(shí)際應(yīng)用的成果與進(jìn)展；用戶(hù)搜索數(shù)據(jù)則通過(guò)用戶(hù)對(duì)該技術(shù)的興趣和需求，側(cè)面反映技術(shù)發(fā)展的市場(chǎng)情況。在此通過(guò)計(jì)算樣本顛覆性技術(shù)的特征值指標(biāo)，進(jìn)一步理解Gartner曲線(xiàn)的演變特征，為后續(xù)的機(jī)器學(xué)習(xí)模型奠定基礎(chǔ)。

2.2.1 技術(shù)特征測(cè)度指標(biāo)的選取

技術(shù)的發(fā)展是一個(gè)復(fù)雜的過(guò)程，受到許多因素的影響，包括市場(chǎng)需求、政策法規(guī)、競(jìng)爭(zhēng)環(huán)境、科學(xué)研究和資源投入等。在判斷技術(shù)的發(fā)展情況時(shí)，需要收集和分析多種數(shù)據(jù)源的信息。目前，對(duì)于技術(shù)生命周期的判斷指標(biāo)通常分為兩類(lèi)：科學(xué)（論文）指標(biāo)與技術(shù)（專(zhuān)利）指標(biāo)［22］。科學(xué)指標(biāo)，主要通過(guò)論文數(shù)量、作者數(shù)量以及相關(guān)學(xué)術(shù)機(jī)構(gòu)的數(shù)量來(lái)代表技術(shù)的科學(xué)規(guī)模與進(jìn)展，這些指標(biāo)反映了技術(shù)的理論基礎(chǔ)、研究熱度以及學(xué)術(shù)界對(duì)該技術(shù)的關(guān)注程度；技術(shù)指標(biāo)，主要通過(guò)專(zhuān)利數(shù)量、專(zhuān)利家族、專(zhuān)利權(quán)利要求項(xiàng)、專(zhuān)利發(fā)明人以及申請(qǐng)人的分布等信息來(lái)反映出技術(shù)的創(chuàng)新程度與發(fā)展階段。傳統(tǒng)的技術(shù)生命周期是以生產(chǎn)者和結(jié)果為導(dǎo)向進(jìn)行判斷，主要關(guān)注指標(biāo)如專(zhuān)利數(shù)量、企業(yè)數(shù)量，主要反映了生產(chǎn)者的活動(dòng)和成果，而忽視了消費(fèi)者的行為和需求。相比之下，Gartner曲線(xiàn)（或炒作周期）模型更注重消費(fèi)者對(duì)技術(shù)的關(guān)注程度［16］，通常使用用戶(hù)搜索數(shù)據(jù)作為技術(shù)發(fā)展周期的衡量標(biāo)準(zhǔn)。因此，本研究通過(guò)加入用戶(hù)期望指標(biāo)來(lái)優(yōu)化技術(shù)生命周期的識(shí)別過(guò)程，用戶(hù)期望指標(biāo)是通過(guò)分析用戶(hù)的搜索行為和互聯(lián)網(wǎng)數(shù)據(jù)來(lái)反映技術(shù)應(yīng)用場(chǎng)景和市場(chǎng)需求，當(dāng)某項(xiàng)技術(shù)處于早期發(fā)展階段時(shí)，用戶(hù)可能會(huì)對(duì)相關(guān)信息進(jìn)行頻繁的搜索，表現(xiàn)出對(duì)新技術(shù)的濃厚興趣；而當(dāng)技術(shù)逐漸成熟時(shí)，用戶(hù)搜索量可能會(huì)趨于穩(wěn)定或下降。加入用戶(hù)搜索數(shù)據(jù)的技術(shù)生命周期判斷方法可以更準(zhǔn)確地把握技術(shù)的發(fā)展趨勢(shì)和市場(chǎng)需求，為技術(shù)生命周期分析提供了重要的補(bǔ)充和支持?；诖?，本文使用論文代表科學(xué)發(fā)展、專(zhuān)利代表技術(shù)創(chuàng)新、用戶(hù)搜索代表用戶(hù)期望，構(gòu)建顛覆性技術(shù)生命周期測(cè)度指標(biāo)。

具體而言，生命周期測(cè)度指標(biāo)以論文、專(zhuān)利、用戶(hù)搜索為數(shù)據(jù)來(lái)源，通過(guò)對(duì)已有研究的調(diào)研［23-24］，本文將論文指標(biāo)S（Pp）={Pp1，Pp2，…，Ppn}、專(zhuān)利指標(biāo)S（Pt）={Pt1，Pt2，…，Ptn}、用戶(hù)搜索數(shù)據(jù)S（Pu）={Pu1，Pu2，…，Pun}3個(gè)一級(jí)指標(biāo)以及14個(gè)二級(jí)指標(biāo)作為計(jì)算對(duì)象，分別從科學(xué)研究、技術(shù)發(fā)展、用戶(hù)期望三重視角探究顛覆性技術(shù)發(fā)展規(guī)律，具體指標(biāo)、計(jì)算公式及指標(biāo)所需要的原始數(shù)據(jù)類(lèi)型如表2所示。此外，本文的用戶(hù)期望數(shù)據(jù)以用戶(hù)的搜索情況為代表，數(shù)據(jù)選自谷歌搜索（Google Trends）平臺(tái)，谷歌搜索引擎占據(jù)了全球搜索市場(chǎng)最高份額，允許用戶(hù)查看和分析在谷歌搜索引擎上的搜索趨勢(shì)，提供了一個(gè)直觀、可以量化的方式來(lái)理解公眾對(duì)特定主題或查詢(xún)的興趣隨時(shí)間的變化以及地理分布情況。谷歌搜索展示的數(shù)據(jù)是基于搜索詞相對(duì)于總搜索量的比例得分，有助于比較用戶(hù)興趣的前后變化，并且搜索引擎的大多數(shù)用戶(hù)都是消費(fèi)者，因此可以用來(lái)代表用戶(hù)的期望數(shù)據(jù)［20］。

領(lǐng)域發(fā)表的所有論文的數(shù)量，NkPp代表第k年當(dāng)年發(fā)表的論文數(shù)量，AAkPp代表到第k年時(shí)該領(lǐng)域發(fā)表的所有論文中作者的數(shù)量，AkPp代表第k年當(dāng)年發(fā)表論文中的作者數(shù)量，AIkPp代表到第k年時(shí)該領(lǐng)域發(fā)表的所有論文中機(jī)構(gòu)的數(shù)量，IkPp代表第k年當(dāng)年發(fā)表論文中的機(jī)構(gòu)數(shù)量。

2.2.2 數(shù)據(jù)的獲取與指標(biāo)的計(jì)算

本文在進(jìn)行論文數(shù)據(jù)檢索時(shí)，選用技術(shù)特征詞在標(biāo)題、關(guān)鍵詞和摘要中進(jìn)行檢索，共獲得近30萬(wàn)余論文數(shù)據(jù)；在進(jìn)行專(zhuān)利數(shù)據(jù)檢索時(shí)，研究選用技術(shù)特征詞在標(biāo)題、摘要中進(jìn)行檢索，同時(shí)補(bǔ)充各技術(shù)的合作專(zhuān)利分類(lèi)號(hào)（Cooperative Patent Classification，CPC）、國(guó)際專(zhuān)利分類(lèi)號(hào)（International Patent Classification，IPC）、Derwent手工代碼，提高專(zhuān)利檢索的查全率，共獲得35萬(wàn)余條專(zhuān)利數(shù)據(jù)（其中，專(zhuān)利的CPC號(hào)、IPC號(hào)及Derwent手工代碼數(shù)據(jù)借用incoPat專(zhuān)利數(shù)據(jù)庫(kù)的專(zhuān)利代碼輔助查詢(xún)工具進(jìn)行查詢(xún)）；在進(jìn)行用戶(hù)搜索數(shù)據(jù)檢索時(shí)，研究使用“+”連接技術(shù)的特征詞進(jìn)行檢索，共獲得7項(xiàng)技術(shù)從2004—2023年共240次搜索數(shù)據(jù)（按月統(tǒng)計(jì)）。

對(duì)于獲取的論文和專(zhuān)利數(shù)據(jù)，首先按照技術(shù)領(lǐng)域進(jìn)行去重，確保數(shù)據(jù)的唯一性。隨后，從中提取論文作者、論文機(jī)構(gòu)、專(zhuān)利發(fā)明人和專(zhuān)利申請(qǐng)人等關(guān)鍵信息，并基于這些信息計(jì)算各技術(shù)領(lǐng)域每年的作者數(shù)量、機(jī)構(gòu)數(shù)量、發(fā)明人數(shù)量和申請(qǐng)人數(shù)量。專(zhuān)利統(tǒng)計(jì)時(shí)，以專(zhuān)利的公開(kāi)年份為準(zhǔn)。在統(tǒng)計(jì)過(guò)程中，如果論文機(jī)構(gòu)、論文作者、專(zhuān)利申請(qǐng)人或?qū)＠l(fā)明人出現(xiàn)多次，則僅計(jì)為1次，避免重復(fù)計(jì)算。對(duì)于用戶(hù)搜索數(shù)據(jù)，由于谷歌搜索平臺(tái)已經(jīng)對(duì)數(shù)據(jù)進(jìn)行了標(biāo)準(zhǔn)化處理，研究直接使用各領(lǐng)域獲取的搜索數(shù)據(jù)進(jìn)行指標(biāo)計(jì)算。最后，將清洗后的原始指標(biāo)數(shù)據(jù)導(dǎo)入特征值計(jì)算公式中，分別計(jì)算出各技術(shù)每年的14項(xiàng)技術(shù)特征值指標(biāo)。此外，研究對(duì)Gartner曲線(xiàn)刻畫(huà)的生命周期階段進(jìn)行標(biāo)記，將萌芽期記為階段1、期望膨脹期記為階段2、轉(zhuǎn)折期記為階段3、技術(shù)穩(wěn)步上升期記為階段4、技術(shù)成熟期記為階段5。

表3是以增強(qiáng)現(xiàn)實(shí)（Augmented Reality，AR）技術(shù)為例展示的2005—2018年各項(xiàng)技術(shù)特征值的計(jì)算結(jié)果。AR技術(shù)在Gartner曲線(xiàn)中從2005年開(kāi)始出現(xiàn)并處于萌芽期（記為階段1），2010年開(kāi)始進(jìn)入期望膨脹期（記為階段2），2013年進(jìn)入轉(zhuǎn)折期（記為階段3）并于2018年到達(dá)技術(shù)的低谷。

2.3 基于XGBoost模型的技術(shù)特征學(xué)習(xí)

利用計(jì)算得到的各項(xiàng)樣本技術(shù)的技術(shù)特征值數(shù)據(jù)作為定量變量X輸入，將技術(shù)所處生命周期階段作為定類(lèi)變量Y輸入，構(gòu)建XGBoost分類(lèi)模型［25］，研究借助SPSSPRO機(jī)器學(xué)習(xí)軟件［26］進(jìn)行實(shí)現(xiàn)。通過(guò)輸入多種技術(shù)特征二級(jí)指標(biāo)的組合，探索并確定最優(yōu)的模型性能配置指標(biāo)，并使用數(shù)據(jù)集中70%的數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，不斷調(diào)整數(shù)據(jù)參數(shù)，從而提高模型的可信度，完成技術(shù)周期模型的訓(xùn)練。模型最終使用的二級(jí)指標(biāo)及各指標(biāo)的重要性如表4所示，模型各項(xiàng)參數(shù)如表5所示。

從表4各項(xiàng)二級(jí)指標(biāo)的重要性占比可以看出，論文的相對(duì)增長(zhǎng)率對(duì)技術(shù)生命周期變化的捕捉最為敏感，該指標(biāo)反映了特定時(shí)間段內(nèi)論文數(shù)量的相對(duì)增長(zhǎng)速度，較高的相對(duì)增長(zhǎng)率意味著該技術(shù)在學(xué)術(shù)界的關(guān)注度顯著提升，作為科技創(chuàng)新體系的源頭，科學(xué)研究是推動(dòng)創(chuàng)新形成的關(guān)鍵［27-28］，對(duì)技術(shù)發(fā)展各階段變化的敏感性最高。此外，模型中引入的用戶(hù)搜索相關(guān)指標(biāo)在識(shí)別顛覆性技術(shù)生命周期方面也發(fā)揮了一定作用，用戶(hù)搜索數(shù)據(jù)作為研究消費(fèi)者關(guān)注度的重要數(shù)據(jù)來(lái)源，可以用來(lái)衡量技術(shù)發(fā)展過(guò)程的市場(chǎng)接受度與潛力［16］，進(jìn)而成為捕捉技術(shù)發(fā)展階段的重要指標(biāo)。值得注意的是，專(zhuān)利發(fā)明人相關(guān)指標(biāo)最終并未用于顛覆性技術(shù)生命周期的判斷中，這可能與專(zhuān)利申請(qǐng)人往往對(duì)技術(shù)及市場(chǎng)的變化更為敏感有關(guān)。發(fā)明人對(duì)專(zhuān)利及市場(chǎng)的影響往往通過(guò)專(zhuān)利的申請(qǐng)活動(dòng)間接實(shí)現(xiàn)，而專(zhuān)利申請(qǐng)人則直接關(guān)聯(lián)專(zhuān)利的法律權(quán)利和市場(chǎng)化活動(dòng)，領(lǐng)域內(nèi)專(zhuān)利申請(qǐng)人的變化情況更能反映該領(lǐng)域潛在的技術(shù)機(jī)會(huì)［29］。

經(jīng)過(guò)多次參數(shù)調(diào)整，研究獲得的模型訓(xùn)練集及測(cè)試集的預(yù)測(cè)評(píng)價(jià)結(jié)果如表6所示。評(píng)價(jià)結(jié)果中共有4個(gè)指標(biāo)，包括準(zhǔn)確率、召回率、精確率及F1值。其中，準(zhǔn)確率反映了預(yù)測(cè)正確的樣本在總樣本中的占比；召回率衡量了實(shí)際為正樣本的結(jié)果中，被正確預(yù)測(cè)為正樣本的比例；精確率則關(guān)注模型預(yù)測(cè)為正樣本的結(jié)果中，實(shí)際為正樣本的比例。由于精確率和召回率存在互相影響的關(guān)系，在實(shí)際中往往存在精確率高而召回率低，或者召回率低而精確率高的情況，因此，可以用精確率和召回率的調(diào)和平均F1代表綜合指標(biāo)。經(jīng)過(guò)測(cè)試，本研究構(gòu)建的模型訓(xùn)練集F1達(dá)到1，測(cè)試集F1指標(biāo)高于0.75，說(shuō)明數(shù)據(jù)可信。

2.4 目標(biāo)技術(shù)的生命周期識(shí)別

利用訓(xùn)練好的XGBoost分類(lèi)模型，導(dǎo)入目標(biāo)技術(shù)各年度的技術(shù)特征值數(shù)據(jù)，對(duì)不同年份的特征值進(jìn)行分類(lèi)預(yù)測(cè)，從而獲得技術(shù)在各個(gè)年份的生命周期階段標(biāo)簽。進(jìn)一步地，結(jié)合技術(shù)特征值原始數(shù)據(jù)的時(shí)間序列分析，確定技術(shù)發(fā)展中顯著的階段性轉(zhuǎn)折節(jié)點(diǎn)，從而準(zhǔn)確劃分目標(biāo)技術(shù)的生命周期階段。

3 實(shí)證檢驗(yàn)：新一代人工智能技術(shù)

3.1 技術(shù)選取依據(jù)

本文將選取新一代人工智能技術(shù)作為目標(biāo)顛覆性技術(shù)，識(shí)別其生命周期階段。新一代人工智能技術(shù)因其顯著的變革性和廣泛的應(yīng)用前景，被認(rèn)為是當(dāng)代最具顛覆潛力的技術(shù)之一。具體而言，2017年，中國(guó)頒布的《新一代人工智能發(fā)展規(guī)劃》中明確指出，人工智能是影響面廣的顛覆性技術(shù)，可能帶來(lái)改變就業(yè)結(jié)構(gòu)、沖擊法律和社會(huì)、侵犯?jìng)€(gè)人隱私、挑戰(zhàn)國(guó)際關(guān)系準(zhǔn)則等問(wèn)題；2022年，美國(guó)國(guó)家科技委員會(huì)（National Science and Technology Council，NSTC）發(fā)布的《關(guān)鍵和新興技術(shù)清單》就包括了自主系統(tǒng)和機(jī)器人（Autonomous Systems and Robotics）技術(shù)。此外，各大商業(yè)機(jī)構(gòu)和咨詢(xún)公司，如麥肯錫、波士頓咨詢(xún)等，也在其顛覆性技術(shù)分類(lèi)中多次提到新一代人工智能技術(shù)的關(guān)鍵子技術(shù)，進(jìn)一步確認(rèn)了該技術(shù)的重要性。在子技術(shù)的劃分依據(jù)上，本文參考Gartner歷年發(fā)布的《Hype Cycle for Artificial Intelligence》報(bào)告涉及的部分子技術(shù)、新興產(chǎn)業(yè)的分類(lèi)以及Aminer 2020年發(fā)布的人工智能發(fā)展報(bào)告中列出的AI十大技術(shù)熱點(diǎn)等。

基于以上參考文獻(xiàn)和報(bào)告，本文選取了大模型、通用人工智能、生成式人工智能、智能機(jī)器人以及科學(xué)與研究智能5項(xiàng)子技術(shù)代表新一代人工智能技術(shù)作為研究對(duì)象。這些子技術(shù)不僅覆蓋了新一代人工智能領(lǐng)域的核心發(fā)展方向，而且在近年來(lái)的研究和應(yīng)用中表現(xiàn)出了巨大的發(fā)展?jié)摿蛻?yīng)用場(chǎng)景，具有代表性和典型性。

3.2 新一代人工智能技術(shù)特征值計(jì)算

為了準(zhǔn)確計(jì)算新一代人工智能技術(shù)的特征值，本文首先對(duì)數(shù)據(jù)來(lái)源進(jìn)行了詳盡的整理和篩選。研究參考了2018年清華大學(xué)發(fā)布的人工智能報(bào)告中的檢索詞以及近幾年發(fā)表的有關(guān)人工智能計(jì)量分析的論文和專(zhuān)利報(bào)告中的檢索式，全面梳理了新一代人工智能領(lǐng)域的關(guān)鍵子技術(shù)主題，基于技術(shù)主題并參考專(zhuān)家意見(jiàn)構(gòu)建了詳細(xì)的數(shù)據(jù)檢索策略，各子技術(shù)的論文檢索策略如表7所示，相應(yīng)子技術(shù)的檢索結(jié)果如表8所示。

有關(guān)新一代人工智能技術(shù)的用戶(hù)搜索數(shù)據(jù)，本文以各子技術(shù)的主題詞進(jìn)行檢索，將各技術(shù)不同的主題詞用“+”連接，從而獲取以5項(xiàng)子技術(shù)為代表的新一代人工智能技術(shù)的用戶(hù)搜索趨勢(shì)變化，2004—2023年的用戶(hù)搜索趨勢(shì)變化如圖4所示。進(jìn)一步地，根據(jù)獲取的新一代人工智能領(lǐng)域論文、專(zhuān)利及用戶(hù)搜索數(shù)據(jù)計(jì)算技術(shù)每一年的論文特征指標(biāo)S（Pp）、專(zhuān)利特征指標(biāo)S（Pt）與用戶(hù)搜索特征值指標(biāo)S（Pu）。

3.3 新一代人工智能技術(shù)生命周期識(shí)別

將新一代人工智能技術(shù)歷年的技術(shù)特征值輸入訓(xùn)練好的模型中，識(shí)別人工智能技術(shù)發(fā)展的關(guān)鍵節(jié)點(diǎn)和轉(zhuǎn)折點(diǎn)。經(jīng)過(guò)計(jì)算，模型認(rèn)為新一代人工智能技術(shù)的發(fā)展轉(zhuǎn)折點(diǎn)分別在2014年、2017年以及2022年。

為進(jìn)一步驗(yàn)證技術(shù)發(fā)展階段的劃分是否準(zhǔn)確并便于可視化展示，本文結(jié)合二級(jí)指標(biāo)所涉及的論文、專(zhuān)利及用戶(hù)期望的原始數(shù)據(jù)演變趨勢(shì)進(jìn)一步判斷，如圖5所示。從圖5可以看出，本文所識(shí)別的新一代人工智能技術(shù)的發(fā)展轉(zhuǎn)折點(diǎn)符合各項(xiàng)原始數(shù)據(jù)的演變趨勢(shì)，新一代人工智能技術(shù)的發(fā)展在2014年以前處于萌芽期，2015年進(jìn)入期望膨脹期，2018年之后部分曲線(xiàn)先增后降，發(fā)展進(jìn)入轉(zhuǎn)折期；曲線(xiàn)于2022年后開(kāi)始穩(wěn)步上升。

綜合以上分析判斷，本文確定新一代人工智能技術(shù)的發(fā)展生命周期階段，如表9所示。

1）萌芽期：新一代人工智能技術(shù)在2014年前處于萌芽期，主要集中于理論和基礎(chǔ)研究的探索。此時(shí)，盡管已有少量研究和應(yīng)用，但整體上未受到廣泛關(guān)注，尚未在學(xué)術(shù)界和產(chǎn)業(yè)界形成系統(tǒng)化的發(fā)展框架或商業(yè)模式。在這一階段，雖然神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)算法的概念已經(jīng)存在，但由于計(jì)算能力和數(shù)據(jù)資源的限制，這些技術(shù)的實(shí)際應(yīng)用依然十分有限。同時(shí)，生成式對(duì)抗網(wǎng)絡(luò)（GAN）的基礎(chǔ)理論逐漸形成，為后來(lái)的生成式人工智能發(fā)展奠定了堅(jiān)實(shí)的理論基礎(chǔ)［30］。早期的智能機(jī)器人技術(shù)也在實(shí)驗(yàn)室環(huán)境中進(jìn)行了初步的探索，但尚未達(dá)到廣泛應(yīng)用的程度。在此階段，相關(guān)的政策資助也較為薄弱，美國(guó)于2013年率先啟動(dòng)“通過(guò)推動(dòng)創(chuàng)新型神經(jīng)技術(shù)開(kāi)展大腦研究”（Brain Research Through Advancing Innovative NeuroTechnologies）的計(jì)劃（簡(jiǎn)稱(chēng)“腦計(jì)劃”）［31］，旨在探索人類(lèi)大腦的工作機(jī)制等，腦科學(xué)的新發(fā)現(xiàn)為深入揭示人類(lèi)大腦的工作機(jī)制提供了重要突破，成為推動(dòng)人工智能發(fā)展的全新動(dòng)力，并為下一代人工智能技術(shù)的研發(fā)奠定了理論基礎(chǔ)。

2）期望膨脹期：自2015年起，在各國(guó)（地區(qū)）政府出臺(tái)的人工智能戰(zhàn)略規(guī)劃的強(qiáng)力支持下，新一代人工智能技術(shù)步入期望膨脹期。在這一階段，新一代人工智能技術(shù)引起了人們的廣泛關(guān)注和熱情。一方面，隨著技術(shù)潛力的逐步顯現(xiàn)，政府開(kāi)始加大政策支持力度，大量的研究機(jī)構(gòu)、高校和企業(yè)在政策的支持下也開(kāi)始投入資金和人力資源進(jìn)行新一代人工智能相關(guān)的研究和開(kāi)發(fā)。2015年1月23日，日本政府公布了《機(jī)器人新戰(zhàn)略》，提出“邁向世界領(lǐng)先的機(jī)器人新時(shí)代”的目標(biāo)［32］，強(qiáng)調(diào)機(jī)器人技術(shù)的前沿發(fā)展；2016年，美國(guó)發(fā)布《美國(guó)國(guó)家人工智能研究與發(fā)展戰(zhàn)略計(jì)劃》，旨在產(chǎn)生新的人工智能知識(shí)和技術(shù)，為社會(huì)提供積極效益［33］；同年，中國(guó)發(fā)布的“十三五”國(guó)家科技創(chuàng)新規(guī)劃綱要也將“腦科學(xué)與類(lèi)腦研究”列為“科技創(chuàng)新2030——重大項(xiàng)目”，旨在搶占腦科學(xué)前沿研究制高點(diǎn)［34］。此外，歐盟、英國(guó)等國(guó)家（地區(qū)）也頒布了一系列政策推動(dòng)人工智能的創(chuàng)新發(fā)展［35-36］。從圖4中可以看出，這個(gè)時(shí)間段內(nèi)的研究人員、研究機(jī)構(gòu)以及研究成果相較前一階段有明顯增長(zhǎng)。另一方面，世界科技巨頭在人工智能領(lǐng)域的突破性進(jìn)展和應(yīng)用開(kāi)始出現(xiàn)，引發(fā)了人們對(duì)于人工智能技術(shù)未來(lái)發(fā)展的無(wú)限遐想和期待。2016年，谷歌發(fā)布了其開(kāi)源的自動(dòng)圖像描述系統(tǒng)“Show and Tell”，能夠結(jié)合場(chǎng)景生成精準(zhǔn)的圖像描述；在無(wú)人駕駛領(lǐng)域，谷歌以技術(shù)為核心，聚焦基礎(chǔ)技術(shù)探索和人工智能關(guān)鍵技術(shù)的研發(fā)。微軟于同年發(fā)布了人工智能機(jī)器人第四代微軟小冰，并成立了微軟人工智能與研究事業(yè)部。2016年，中國(guó)科技企業(yè)（如百度、騰訊等）也相繼成立人工智能實(shí)驗(yàn)室用于人工智能前沿領(lǐng)域的研究［37］。在技術(shù)發(fā)展上，2017年，Transformer模型的提出開(kāi)創(chuàng)了自然語(yǔ)言處理領(lǐng)域的新紀(jì)元，極大地推動(dòng)了大模型的發(fā)展［38］。此外，AlphaGo在復(fù)雜博弈中的成功展示了人工智能在解決高復(fù)雜度問(wèn)題上的潛力［39］，更是將人們對(duì)人工智能的期望推向前所未有的高度。這一時(shí)期，生成對(duì)抗網(wǎng)絡(luò)的應(yīng)用開(kāi)始擴(kuò)展至圖像生成和其他領(lǐng)域。

3）轉(zhuǎn)折期：2018—2022年為新一代人工智能技術(shù)發(fā)展轉(zhuǎn)折期，在這段時(shí)間內(nèi)，新一代人工智能技術(shù)雖然取得了一些重要的進(jìn)展（如深度學(xué)習(xí)技術(shù)的崛起、大語(yǔ)言模型的普及應(yīng)用），但同時(shí)也暴露出了一些困難和挑戰(zhàn)（如算法的局限性、數(shù)據(jù)隱私和安全等問(wèn)題），人們開(kāi)始重新審視新一代人工智能技術(shù)的應(yīng)用，企業(yè)與市場(chǎng)也開(kāi)始評(píng)估技術(shù)的可發(fā)展性，并思考如何突破技術(shù)瓶頸。2018年，OpenAI發(fā)布預(yù)訓(xùn)練語(yǔ)言模型GPT1.0［40］，其通過(guò)無(wú)監(jiān)督學(xué)習(xí)的方式，使得對(duì)大規(guī)模文本數(shù)據(jù)的學(xué)習(xí)成為可能，但模型在理解和準(zhǔn)確回答問(wèn)題方面還存在一些限制，隨后，OpenAI分別在2019年與2020年公布了GPT-2與GPT-3，經(jīng)過(guò)優(yōu)化與更大規(guī)模訓(xùn)練的模型在語(yǔ)言生成和理解方面取得了很大的進(jìn)步，但也引發(fā)了人們對(duì)模型濫用、倫理安全和資源消耗的關(guān)注［41］。在此階段，企業(yè)與市場(chǎng)也開(kāi)始評(píng)估新一代人工智能技術(shù)的可發(fā)展性，熱度有所減退，市場(chǎng)規(guī)模增速放緩［42］，中國(guó)人工智能的企業(yè)成立數(shù)量及融資情況在這一階段均有所降低［43］。2022年，OpenAI進(jìn)一步突破技術(shù)瓶頸，推出ChatGPT，人們對(duì)新一代人工智能技術(shù)的應(yīng)用有了新的認(rèn)識(shí)，產(chǎn)品兩個(gè)月內(nèi)的活躍用戶(hù)就達(dá)到了1億［44］。這一階段，生成式人工智能的應(yīng)用擴(kuò)展至圖像生成和音樂(lè)創(chuàng)作等領(lǐng)域，如DALL-E模型的出現(xiàn)［45］，智能機(jī)器人技術(shù)在工業(yè)和服務(wù)領(lǐng)域的應(yīng)用也在不斷深化。

4）穩(wěn)步上升期：自2023年起，新一代人工智能技術(shù)進(jìn)入穩(wěn)步上升期，逐漸走出了轉(zhuǎn)折期帶來(lái)的困境，應(yīng)用逐漸成熟并擴(kuò)展至更多領(lǐng)域。大模型和生成式人工智能在內(nèi)容創(chuàng)作、醫(yī)療診斷等方面展現(xiàn)出更廣泛的應(yīng)用前景，進(jìn)一步推動(dòng)了科學(xué)研究和產(chǎn)業(yè)創(chuàng)新［46］。智能機(jī)器人在更多復(fù)雜場(chǎng)景中得到部署，特別是在醫(yī)療、農(nóng)業(yè)和物流等領(lǐng)域，展示出更高的自主性和適應(yīng)性。隨著多模態(tài)技術(shù)的不斷發(fā)展，人工智能模型在智能家居和智慧城市領(lǐng)域的應(yīng)用前景廣闊，在自動(dòng)駕駛和工業(yè)制造領(lǐng)域也展現(xiàn)出較強(qiáng)的應(yīng)用前景［47］。同時(shí)，人們也更加關(guān)注政策與倫理方面的考量，歐盟于2024年發(fā)布《人工智能法案》［48］，實(shí)施對(duì)人工智能系統(tǒng)進(jìn)行分類(lèi)監(jiān)管，強(qiáng)調(diào)積極迎接數(shù)據(jù)依賴(lài)與局限、倫理與安全等挑戰(zhàn)。

3.4 識(shí)別結(jié)果的驗(yàn)證

為了驗(yàn)證本文構(gòu)建的生命周期模型的科學(xué)性與準(zhǔn)確性，本研究選擇技術(shù)生命周期中常用的S曲線(xiàn)模型進(jìn)行結(jié)果對(duì)比。S曲線(xiàn)是一種經(jīng)典的技術(shù)發(fā)展曲線(xiàn)，其通過(guò)Logistic模型進(jìn)行曲線(xiàn)擬合，將技術(shù)生命周期劃分為4個(gè)階段：萌芽期、成長(zhǎng)期、成熟期和衰退期，表10為S曲線(xiàn)各階段的特征值，其中，K代表Y的最大值，反映了技術(shù)發(fā)展的潛在極限?？紤]到顛覆性技術(shù)的發(fā)展不一定按照傳統(tǒng)的線(xiàn)性路徑，研究進(jìn)一步選用“反向S曲線(xiàn)”進(jìn)行擬合并對(duì)結(jié)果進(jìn)行補(bǔ)充對(duì)比。反向S曲線(xiàn)通常用折線(xiàn)圖表示，其中橫軸表示專(zhuān)利申請(qǐng)量，縱軸表示專(zhuān)利權(quán)人數(shù)（或發(fā)明人數(shù)），通過(guò)描繪不同時(shí)間階段下的曲線(xiàn)狀態(tài)與通用曲線(xiàn)圖進(jìn)行對(duì)比，從而識(shí)別技術(shù)所處的發(fā)展階段。

研究將新一代人工智能技術(shù)的專(zhuān)利累計(jì)數(shù)據(jù)導(dǎo)入Loglet Lab4軟件中，并使用Logistic模型對(duì)人工智能技術(shù)專(zhuān)利增長(zhǎng)數(shù)據(jù)進(jìn)行擬合，S曲線(xiàn)的擬合結(jié)果如圖6所示。結(jié)果顯示，模型的擬合優(yōu)度R2值為0.948，表明Logistic模型對(duì)專(zhuān)利增長(zhǎng)數(shù)據(jù)的擬合效果較好，能夠反映新一代人工智能技術(shù)的發(fā)展趨勢(shì)。研究進(jìn)一步使用歷年來(lái)新一代人工智能技術(shù)的專(zhuān)利申請(qǐng)量與專(zhuān)利發(fā)明人數(shù)量構(gòu)建反向S曲線(xiàn)，結(jié)果如圖7所示。

根據(jù)S曲線(xiàn)的擬合結(jié)果，新一代人工智能技術(shù)在2019年前處于萌芽期，2020—2026年進(jìn)入成長(zhǎng)期，模型預(yù)測(cè)該技術(shù)將于2027年步入成熟期。然而，進(jìn)一步分析多源數(shù)據(jù)（包括學(xué)術(shù)論文、技術(shù)專(zhuān)利和用戶(hù)期望數(shù)據(jù)的變化趨勢(shì)）顯示，新一代人工智能技術(shù)發(fā)展的周期階段比S曲線(xiàn)擬合結(jié)果所揭示得更加復(fù)雜。從圖5可以看出，自2015年起，與新一代人工智能技術(shù)相關(guān)的論文作者數(shù)量和專(zhuān)利發(fā)明人數(shù)量都顯示出明顯的增長(zhǎng)趨勢(shì)，表明該技術(shù)的第一個(gè)發(fā)展轉(zhuǎn)折點(diǎn)可能早于2019年。尤其是2022年，該領(lǐng)域的專(zhuān)利數(shù)量、專(zhuān)利發(fā)明人及申請(qǐng)人數(shù)量出現(xiàn)了顯著的波動(dòng)，并不完全符合S曲線(xiàn)中的持續(xù)上升趨勢(shì)。

根據(jù)反向S曲線(xiàn)的擬合結(jié)果，新一代人工智能技術(shù)在2020年前處于成長(zhǎng)期，2022年后發(fā)展邁入新的階段，這一關(guān)鍵轉(zhuǎn)折點(diǎn)的識(shí)別與本研究構(gòu)建的模型識(shí)別結(jié)果一致。然而，圖7中也顯示，反向S曲線(xiàn)對(duì)技術(shù)發(fā)展初期的識(shí)別并不十分清晰，單純依賴(lài)曲線(xiàn)的變化趨勢(shì)難以準(zhǔn)確捕捉技術(shù)發(fā)展階段的變化。同時(shí)，技術(shù)發(fā)展中后期的演變趨勢(shì)也不完全符合反向S曲線(xiàn)的典型模式。此外，Gartner Hype Cycle for AI顯示，新一代人工智能技術(shù)的子技術(shù)中，智能機(jī)器人技術(shù)、大模型的基礎(chǔ)技術(shù)：自然語(yǔ)言處理技術(shù)以及深度學(xué)習(xí)技術(shù)在2017年時(shí)已處于期望膨脹期［49］，大模型的基礎(chǔ)技術(shù)在2022年時(shí)處于發(fā)展轉(zhuǎn)折期［50］。這些數(shù)據(jù)表明，傳統(tǒng)的S曲線(xiàn)模型與反向S曲線(xiàn)模型在捕捉技術(shù)早期階段和動(dòng)態(tài)變化方面可能存在一定局限性。相比之下，本文基于Gartner曲線(xiàn)構(gòu)建的生命周期模型能夠更敏感地識(shí)別新一代人工智能技術(shù)發(fā)展的早期階段特征。

綜合以上分析，本文驗(yàn)證了基于Gartner曲線(xiàn)的生命周期模型在識(shí)別顛覆性技術(shù)發(fā)展動(dòng)態(tài)方面的優(yōu)越性，尤其是在識(shí)別技術(shù)發(fā)展的早期轉(zhuǎn)折點(diǎn)和關(guān)鍵階段方面具有更高的準(zhǔn)確性和敏感性。

4 結(jié) 論

顛覆性技術(shù)具有極大的創(chuàng)新性、顛覆性和影響力，往往具有重新定義行業(yè)競(jìng)爭(zhēng)格局和發(fā)展路徑的能力，因此，識(shí)別和理解顛覆性技術(shù)的生命周期階段，對(duì)國(guó)家（地區(qū)）和企業(yè)的技術(shù)投資決策、戰(zhàn)略規(guī)劃以及政策制定具有至關(guān)重要的意義。然而，顛覆性技術(shù)的生命周期往往偏離傳統(tǒng)的線(xiàn)性發(fā)展模式，呈現(xiàn)出復(fù)雜且多變的演化過(guò)程，傳統(tǒng)的技術(shù)生命周期刻畫(huà)方法，如S曲線(xiàn)模型、專(zhuān)利計(jì)量法等，往往難以準(zhǔn)確捕捉顛覆性技術(shù)的動(dòng)態(tài)發(fā)展過(guò)程。

本研究通過(guò)構(gòu)建基于Gartner曲線(xiàn)的生命周期識(shí)別方法，使用機(jī)器學(xué)習(xí)技術(shù)成功地識(shí)別了顛覆性技術(shù)的生命周期階段特征，并且在新一代人工智能技術(shù)的實(shí)證檢驗(yàn)中驗(yàn)證了該方法的有效性和準(zhǔn)確性。研究結(jié)果表明，相比于傳統(tǒng)的S曲線(xiàn)模型，該方法在識(shí)別技術(shù)早期發(fā)展階段的變動(dòng)和趨勢(shì)方面表現(xiàn)出更高的敏感性和準(zhǔn)確性。從理論意義而言，本研究創(chuàng)新性地將Gartner曲線(xiàn)引入顛覆性技術(shù)生命周期的識(shí)別研究，并結(jié)合論文、專(zhuān)利、用戶(hù)三維數(shù)據(jù)，構(gòu)建了系統(tǒng)的技術(shù)發(fā)展特征測(cè)度體系，為顛覆性技術(shù)的動(dòng)態(tài)演化特征研究提供了新的視角；此外，研究系統(tǒng)地揭示了Gartner曲線(xiàn)與傳統(tǒng)生命周期模型的差異及適用場(chǎng)景，為顛覆性技術(shù)生命周期的理論研究提供了重要補(bǔ)充，并驗(yàn)證了用戶(hù)期望在技術(shù)識(shí)別中的重要作用，為后續(xù)技術(shù)生命周期的相關(guān)研究奠定了基礎(chǔ)。在實(shí)踐價(jià)值方面，本研究所提出的方法能夠?yàn)榧夹g(shù)管理部門(mén)、政策制定者和企業(yè)更精準(zhǔn)地識(shí)別顛覆性技術(shù)的生命周期階段提供支持，從而優(yōu)化研發(fā)資源分配、政策設(shè)計(jì)及市場(chǎng)戰(zhàn)略布局，特別是在人工智能等快速發(fā)展的技術(shù)領(lǐng)域具有較強(qiáng)的指導(dǎo)作用。

然而，本研究也存在進(jìn)一步優(yōu)化的空間。首先，研究選取了Gartner曲線(xiàn)中生命周期階段較為完整的7項(xiàng)代表性顛覆性技術(shù)用于模型訓(xùn)練，較好地捕捉了技術(shù)各階段的特征。但是，由于技術(shù)成熟期階段的特征樣本較少，可能會(huì)導(dǎo)致模型在該階段的識(shí)別精確性受限，影響模型的準(zhǔn)確性。未來(lái)的研究可以通過(guò)豐富訓(xùn)練數(shù)據(jù)，尤其是成熟階段的樣本量，進(jìn)一步增強(qiáng)模型對(duì)生命周期后期特征的學(xué)習(xí)能力和預(yù)測(cè)準(zhǔn)確性。此外，當(dāng)前模型在各階段特征值的訓(xùn)練中缺乏對(duì)時(shí)間序列動(dòng)態(tài)變化的考慮，這可能導(dǎo)致部分階段的識(shí)別不夠準(zhǔn)確。顛覆性技術(shù)的演化階段較為復(fù)雜，往往需要結(jié)合時(shí)間序列的變化定位發(fā)展階段，未來(lái)可以通過(guò)結(jié)合動(dòng)態(tài)數(shù)據(jù)建模，采用優(yōu)化的機(jī)器學(xué)習(xí)方法（如時(shí)序模型或動(dòng)態(tài)分類(lèi)器），將時(shí)間序列維度融入特征分析中，以提升對(duì)技術(shù)生命周期階段的精細(xì)化識(shí)別能力。

參考文獻(xiàn)

［1］Grimaldi M，Cricelli L，Di Giovanni M，et al.The Patent Portfolio Value Analysis：A New Framework to Leverage Patent Information for Strategic Technology Planning［J］.Technological Forecasting and Social Change，2015，94：286-302.

［2］李春燕.基于專(zhuān)利信息分析的技術(shù)生命周期判斷方法［J］.現(xiàn)代情報(bào)，2012，32（2）：98-101.

［3］李春燕，黃斌.利用S曲線(xiàn)法判斷3D打印工藝技術(shù)生命周期［J］.科技與經(jīng)濟(jì)，2017，30（2）：91-95.

［4］周曼，王秀紅.基于技術(shù)生命周期理論的植物防霜專(zhuān)利技術(shù)分析［J］.圖書(shū)情報(bào)研究，2017，10（3）：90-97.

［5］張豐，繆小明，王海嘯.基于專(zhuān)利信息分析的中、美、日新能源汽車(chē)技術(shù)生命周期研究［J］.世界科技研究與發(fā)展，2017，39（6）：516-520.

［6］Wang Y H，Trappey A J C，Trappey C V.Life Cycle Analysis of the Optical Disc Industry Market Innovation and Development［J］.Innovation，2015，17（2）：196-216.

［7］方曦，吳冰倩，熊焰.基于專(zhuān)利指標(biāo)法和S曲線(xiàn)的門(mén)禁系統(tǒng)安全技術(shù)生命周期研究［J］.科技管理研究，2019，39（15）：130-136.

［8］明宇，司虎克.技術(shù)創(chuàng)新擴(kuò)散動(dòng)力對(duì)技術(shù)生命周期的影響——以我國(guó)運(yùn)動(dòng)鞋專(zhuān)利技術(shù)為例［J］.情報(bào)雜志，2014，33（6）：93-98.

［9］姜紅，吳玉浩，高思芃.基于專(zhuān)利分析的技術(shù)標(biāo)準(zhǔn)化能力演化過(guò)程研究［J］.情報(bào)雜志，2018，37（7）：66-73.

［10］李維思，史敏，肖雪葵.基于專(zhuān)利分析的產(chǎn)業(yè)競(jìng)爭(zhēng)情報(bào)與技術(shù)生命周期研究——以太陽(yáng)能薄膜電池產(chǎn)業(yè)為例［J］.企業(yè)技術(shù)開(kāi)發(fā)，2011，30（11）：91-93.

［11］王云飛，初志勇，管泉，等.基于專(zhuān)利分析的動(dòng)力型鋰離子電池發(fā)展態(tài)勢(shì)分析［J］.現(xiàn)代情報(bào)，2015，35（6）：102-106.

［12］李進(jìn)進(jìn)，劉迎鳴，王在竹，等.廣東省體外診斷試劑（生物類(lèi)）專(zhuān)利申請(qǐng)分析［J］.中國(guó)科技信息，2018（1）：31-32，34.

［13］黃穎.基于專(zhuān)利文獻(xiàn)的技術(shù)演化路徑識(shí)別方法研究［D］.北京：北京理工大學(xué)，2018.

［14］王山，譚宗穎.技術(shù)生命周期判斷方法研究綜述［J］.現(xiàn)代情報(bào)，2020，40（11）：144-153.

［15］Jun S P.An Empirical Study of Users Hype Cycle Based on Search Traffic：The Case Study on Hybrid Cars［J］.Scientometrics，2012，91（1）：81-99.

［16］Steinert M，Leifer L.Scrutinizing Gartners Hype Cycle Approach［C］//Portland International Center for Management of Engineering and Technology（PICMET 10），2010.

［17］Vernon R.International Investment and International Trade in the Product Cycle［J］.The Quarterly Journal of Economics，1966，80（2）：190-207.

［18］Dedehayir O，Steinert M.The Hype Cycle Model：A Review and Future Directions［J］.Technological Forecasting and Social Change，2016，108：28-41.

［19］Linden A，F(xiàn)enn J.Understanding Gartners Hype Cycles［J］.Strategic Analysis Report，2003，88：1423.

［20］Campani M，Vaglio R.A Simple Interpretation of the Growth of Scientific/Technological Research Impact Leading to Hype-Type Evolution Curves［J］.Scientometrics，2015，103（1）：75-83.

［21］Fenn J，Raskino M.Mastering the Hype Cycle：How to Choose the Right Innovation at the Right Time［M］.Boston：Harvard Business School Press，2008.

［22］王山.基于多指標(biāo)體系的技術(shù)生命周期判斷方法研究［J］.現(xiàn)代情報(bào)，2022，42（3）：77-85.

［23］任智軍，喬曉東，徐碩，等.基于數(shù)據(jù)挖掘的技術(shù)機(jī)會(huì)發(fā)現(xiàn)模型研究［J］.情報(bào)雜志，2015，34（6）：174-177，190.

［24］王山.基于技術(shù)功能指標(biāo)的技術(shù)生命周期判斷方法研究［J］.情報(bào)雜志，2021，40（11）：46-52.

［25］Chen T，Guestrin C.XGBoost：A Scalable Tree Boosting System［J］.ACM，2016：785-794.

［26］Scientific Platform Serving for Statistics Professional 2021.SPSSPRO.（Version 1.0.11）［Online Application Software］.［2024-10-23］.Retrieved from https：//www.spsspro.com.

［27］Mansfield E.Academic Research and Industrial Innovation［J］.Research Policy，1991，20（1）：1-12.

［28］Bhattacharya S，Meyer M.Large Firms and the Science-Technology Interface Patents，Patent Citations，and Scientific Output of Multinational Corporations in Thin Films［J］.Scientometrics，2003，58（2）：265-279.

［29］高道斌，李志杰，吳紅.“專(zhuān)利申請(qǐng)人/專(zhuān)利權(quán)人”主體視角下的技術(shù)機(jī)會(huì)識(shí)別研究［J］.競(jìng)爭(zhēng)情報(bào)，2024，20（4）：18-29.

［30］Goodfellow I，Pouget-Abadie J，Mirza M，et al.Generative Adversarial Networks［C］//Neural Information Processing Systems，2014，27：2672-2680.

［31］Insel T R，Landis S C，Collins F S.The NIH BRAIN Initiative［J］.Science，2013，340（6133）：687-688.

［32］The Headquarters for Japans Economic Revitalization.New Robot Strategy［EB/OL］.［2024-12-26］.https：//www.kantei.go.jp/jp/singi/keizaisaisei/pdf/robot_honbun_150210EN.pdf.

［33］National Science and Technology Council.The National Artificial Intelligence Research and Development Strategic Plan［EB/OL］.［2024-12-26］.https：//www.nitrd.gov/pubs/national_ai_rd_strategic_plan.pdf.

［34］中華人民共和國(guó)中央人民政府.國(guó)務(wù)院關(guān)于印發(fā)“十三五”國(guó)家科技創(chuàng)新規(guī)劃的通知［EB/OL］.［2016］.https：//www.gov.cn/gongbao/content/2016/content_5103134.htm.

［35］SPARC.Robotics 2020 Multi-Annual Roadmap［EB/OL］.［2024-12-26］.https：//old.eu-robotics.net/cms/upload/topic_groups/H2020_Robotics_Multi-Annual_Roadmap_ICT-2017B.pdf.

［36］Brianna Crandall.BSI Standard Tackles Ethical Hazards of Robots［EB/OL］.［2024-12-26］.http：//fmlink.com/articles/bsi-standard-tackles-ethical-hazards-robots.

［37］王德生.全球人工智能發(fā)展動(dòng)態(tài)［J］.競(jìng)爭(zhēng)情報(bào)，2017，13（4）：49-56.

［38］Vaswani A，Shazeer N，Parmar N，et al.Attention is All You Need［C］//Neural Information Processing Systems，2017，30：5998-6008.

［39］Silver D，Huang A，Maddison C J，et al.Mastering the Game of Go with Deep Neural Networks and Tree Search［J］.Nature，2016，529（7587）：484-489.

［40］Radford A，Narasimhan K，Salimans T，et al.Improving Language Understanding by Generative Pre-Training［EB/OL］.［2024-12-26］.https：//cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf.

［41］Brown T B，Mann B，Ryder N，et al.Language Models are Few-Shot Learners［C］//Neural Information Processing Systems，2020，33：1877-1901.

［42］Statista.Artificial Intelligence-Worldwide［EB/OL］.［2024-12-26］.https：//www.statista.com/outlook/tmo/artificial-intelligence/worldwide.

［43］深圳市人工智能行業(yè)協(xié)會(huì).2024人工智能發(fā)展白皮書(shū)［R］.深圳：深圳市易行網(wǎng)數(shù)字科技有限公司，2024.

［44］Reuters.ChatGPT Sets Record for Fastest-Growing User Base-Analyst Note［EB/OL］.［2024-12-26］.https：//www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/.

［45］Ramesh A，Pavlov M，Goh G，et al.Zero-Shot Text-to-Image Generation［C］//Proceedings of Machine Learning Research，2021，139：8821-8831.

［46］OPENAI.GPT-4 Technical Report［EB/OL］.［2024-12-26］.BFhttps：//openai.com/research/gpt-4.

［47］NAAI.2024 Global Artificial Intelligence Industry Development Report［EB/OL］.［2024-12-26］.https：//thenaai.org/index/index/newsdata1/id/189.shtml.

［48］EU Artificial Intelligence Act.The AI Act Explorer［EB/OL］.［2024-12-26］.https：//artificialintelligenceact.eu/ai-act-explorer/.

［49］Gartner Research.Hype Cycle for Artificial Intelligence，2017［EB/OL］.［2024-12-26］.https：//www.gartner.com/en/documents/3770467.

［50］Gartner Research.Summary Translation+Localization：Hype Cycle for Artificial Intelligence，2022［EB/OL］.［2024-12-26］.https：//www.gartner.com/en/documents/4126199.

（責(zé)任編輯：郭沫含）