知識視角下設計驅動的顛覆式創新方法研究

魏楚凡，劉鍵，席上琳，黃賽

【工業設計】

知識視角下設計驅動的顛覆式創新方法研究

魏楚凡，劉鍵，席上琳，黃賽

（北京工業大學 藝術設計學院，北京 100124）

顛覆式創新是企業實現跨越式追趕的重要路徑，針對當前識別顛覆式創新機會的不足，基于知識基因與深度學習協同優化，提出設計驅動的顛覆式創新早期識別方法。梳理知識視角下設計驅動的顛覆式創新流程，針對創新模糊前端階段并基于“產品知識基因”的概念，首先通過大數據文本分析方法洞察用戶未來需求，進行產品意義重構；其次對相關領域專利數據進行“主語—行為—賓語”結構與“技術—關系—技術”結構語義分析并建立產品知識庫；最后在此基礎上類比基因工程思維模式重組技術方案，尋求產品顛覆式創新。以未來空調為設計研究對象，驗證研究方法的可行性與有效性，能夠幫助企業識別顛覆式創新設計機會，對優化資源配置和規劃設計戰略具有現實指導價值。

顛覆式創新；設計驅動；產品意義；產品知識基因；產品知識庫

創新是引領發展的第一動力。“創新”概念由Joseph Alois Schumpeter最早提出，認為創新是“建立一種新的生產函數”[1]，眾多學者在此基礎上探索創新模式，將創新大體分為三個層次。一是漸進式創新，即持續、不斷發生的局部或改良性創新活動[2]，強調現有技術的小幅度改進，如提高手機拍攝像素；二是突破式創新，即出現根本性重大技術變化，強調技術性能的巨大躍遷，如人臉識別技術取代人工實現身份認證，三是顛覆式創新，即在產品形式與功能出現重大變革，強調市場價值與破壞，如特斯拉電動汽車設計顛覆汽車行業。顛覆式創新是一個國家技術發展總體水平的風向標，在知識為主導的經濟背景下，設計思維能夠幫助企業在采用新技術時對社會認知過程進行深入了解，從而發現顛覆式創新機會。然而遺憾的是，目前關于顛覆式創新的研究多集中于經濟管理領域，在產品設計領域的相關研究并不完善，理論與實踐應用進展緩慢。因此，如何利用設計思維快速準確地識別顛覆式創新機會成為學術界關注的焦點。

1 文獻綜述及研究基礎

傳統的產品創新方法存在局限性，因此本研究意圖展開一種知識視角下設計思維主導的顛覆式創新方法，主要涉及的理論方法：一是設計驅動的顛覆式創新，二是知識基因理論，三是深度學習。以下分別進行闡述。

1.1 設計驅動的顛覆式創新

顛覆式創新的概念最早由Christensen[3]提出，指“立足于非主流市場或利基市場，引用新的技術、產品或方法導致組織活動發生根本性變革，打破現有市場競爭格局及規則，對在位企業造成顛覆的創新過程。”通過文獻梳理，將顛覆式創新演進脈絡大致分為概念界定、視角擴充、機制分析、理論應用4個階段[4]，取得豐富的研究成果。而現有研究多建立在“顛覆式創新已產生”基礎上，缺乏對形成前因與驅動因素的深入探索，限制其對企業的實踐指導作用，因此有必要從新視角切入對顛覆式創新的驅動因素作進一步討論。

目前顛覆式創新驅動因素的研究主要圍繞技術推動與市場拉動展開，技術驅動式創新強調新技術的開發與應用；市場驅動式創新強調為滿足新市場需求進行的產品功能或技術快速迭代。隨著體驗經濟的興起，“設計”作為第三種創新驅動力的作用日益凸顯，卻鮮有文獻探討設計與顛覆式創新的關系。

設計驅動式創新由Utterback提出，認為任何產品都兼具功能性與社會性，需要創造性發現與技術匹配的應用情景及解決方案，即構建“意義”[5]。目前，研究圍繞內在影響機理、設計能力構成、方法等方面展開，如Simoni等[6]提出面臨技術轉變不連續的公司傾向于采用不同的產品設計戰略。Landoni等[7]識別與討論5種不同的設計創新能力并分析其設計投資與競爭績效之間的調節作用。賴紅波[8]從美學、風格與用戶洞察三個維度提出設計驅動創新的研究框架。創新過程中的關鍵因素分為3種：一是市場需求，二是技術知識，三是產品意義。后工業時代的產品設計以意義的傳達為重要特征。“產品意義”通常用以指稱用戶購買產品的理由，設計驅動式創新的內涵是感知用戶行為與情感變化趨勢，挖掘深層次的未來需求，通過意義變革實現顛覆式創新。

因此，設計驅動的顛覆式創新強調的是產品社會性，其底層邏輯在于設計思維，以意義建構創新為起點，即在社會層面感知與洞察用戶的長期情感走向，通過設計推動技術知識、市場需求知識的整合。通過差異化引領消費為企業注入源源不斷的持續競爭力[9]。而現有文獻尚未對實踐提供更有依據的指導，鑒于實踐需求與理論研究的斷層，有必要對設計驅動的顛覆式創新作用機理作進一步討論。

1.2 知識視角下的設計驅動顛覆式創新

企業創新與知識創新密不可分，現有文獻從知識種類出發探討對顛覆式創新的影響，如薛捷認為市場知識的深度、寬度影響企業顛覆式創新。王志瑋認為企業外部知識網絡影響破壞性創新績效。朱思文認為影響企業顛覆式創新結果的重要因素是對隱性知識的吸收效果。顛覆式創新過程表征知識流動與創新，鮮有文獻研究知識要素在顛覆式創新過程中的演化路徑，因此本文擬從知識角度分析設計驅動顛覆式創新過程。

SECI模型（野中郁次郎，1995年）指知識轉化的4種基本模式——潛移默化（Socialization）、外部明示（Externalization）、匯總組合（Combination）和內部升華（Internalization），是企業創新活動的隱性知識與顯性知識相互作用轉化的過程[10]。基于SECI模型與文獻分析，本研究將設計驅動式顛覆式創新過程（見圖1）分為模糊前端、研究開發、市場商業化、行業標準化4個階段。

圖1 基于SECI模型的設計驅動顛覆式創新過程

模糊前端階段是顛覆式產品的起點，是決定產品開發成功與否的重要階段，驅動力因素的研究圍繞該階段開展。基于文獻分析，本研究將設計驅動顛覆式創新的模糊前端階段（見圖2）分為4個階段，一是識別未來需求，即創新機會識別，立足人與產品關系并結合社會文化發展，明確未來用戶需求；二是創意生成，圍繞未來用戶需求尋求產品知識，是知識吸收與整合的過程；三是創意評估與篩選，創意知識轉化為創意方案并進行評估；四是方案定義，評估較好的方案進行完善并制定產品方案。有效推進模糊前端階段是企業實現顛覆式創新的基礎，在大數據、智能化背景下傳統識別方法老舊且散亂，因此有必要研究如何準確高效地開展模糊前端工作，識別產品差異化，傳遞新的產品意義，帶來顛覆式創新機會。

1.3 深度學習與知識獲取

設計驅動的顛覆式創新過程被視為知識整合與應用的過程，海量自然語言文本需經過識別、篩選與理解后，成為結構化知識方可利用。自然語言處理（Natural Language Processing，NLP）是一種以理論為基礎的自動分析與表示人類語言的計算技術[11]。深度學習（Deep Learning，DL）由Hinton等[12]于2006年提出，因其強大特征提取與學習能力，已成為自然語言處理領域的主流技術。基于深度學習的知識獲取受到高度關注，研究內容涵蓋輸入方式、特征學習與訓練數據標注等方面，如Google提出基于神經網絡的Word2Vec方法[13]；Devlin等[14]利用預訓練模型探究知識在不同領域間遷移的效果；王新等[15]基于Synonyms的相似度計算建立獲取用戶隱性需求的格式塔邏輯系統方法等。利用深度學習技術能實現多領域知識遷移與融合，為顛覆式創新流程提供可靠的技術支持。

1.4 將知識基因理論引入設計驅動的顛覆式創新

知識基因理論起源于Dawkins在《The Selfish Gene》中提出的“文化基因”概念，即文化基因是人類文化表達傳播的復制單位，稱其為“模因”。在此基礎上學者們以基因為單位分析人類文化演進，“思想模因”與知識進化論結合的分支，發展成為“知識基因理論”。國內學者李伯文[16]最早提出“知識基因”的概念，即科學的知識基因就是科學概念；劉植惠[17]于20世紀末開始嘗試提出一套知識基因的理論體系。知識基因理論創立的出發點是把握知識演化規律，為知識創新提供支持。因而知識基因理論能夠激發設計思維，從產品知識底層邏輯出發增強設計過程中的創造力。然而目前將知識基因理論應用于設計實踐的研究并不多，尚未有學者運用知識基因理論指導顛覆式創新，這是本文的主要創新點之一。本文從可行性與必要性兩個角度對設計驅動的顛覆式創新模糊前端階段引入知識基因理論進行分析。

1.4.1 可行性分析

第一，從研究對象來看，本研究將產品信息數據（功能、外觀、結構）作為知識基因，稱之為“產品知識基因”，其決定產品生命周期且具有遺傳價值，具有基因屬性。將技術基因組作為知識DNA，其由產品知識基因構成，掌握著產品變化規律，具有DNA屬性。

第二，設計思維與知識基因表達過程具有相似性，見表1。社會通常與知識基因共同決定知識的性狀，同理，設計思維通過從社會角度識別未來用戶需求，賦予產品意義，并與產品信息數據交織，從而得到產品設計方案，即產品知識基因表達的性狀。

第三，生物基因工程與設計驅動顛覆式創新模糊前端階段類似，見表2。生物基因工程利用DNA重組技術，將目的基因與載體基因在體外進行重組并重新導入載體，該工程可依照人類意愿產出新遺傳物質和新生物類型。設計驅動的顛覆式創新探索深層次未來用戶需求，從產品知識庫中提取目標產品知識基因，通過產品知識基因重組的方式構建新的產品知識基因模型，產出顛覆式創新產品方案，即產品知識基因表達的性狀。

綜上所述，本研究將產品信息數據作為知識基因，技術基因組作為知識DNA，理論層面設計思維與知識基因表達過程相似；再者設計驅動的顛覆式創新的底層邏輯是設計思維，生物基因工程的思想對其適用性很高，同時說明知識基因理論在產品顛覆式創新設計中的實踐應用環節可行。

1.4.2 必要性分析

第一，克服顛覆式創新僅從技術與市場驅動的局限性。深度探討如何利用設計思維實現顛覆式創新，構建科學完善的研究體系框架，旨在豐富設計驅動的顛覆式創新理論與實踐應用研究。

第二，有利于拓展知識基因理論在知識發現與數據挖掘方面的應用[18]。通過知識基因理論指導產品知識融合，旨在提高企業獲取知識的能力、擴展知識獲取的廣度、增加探索知識關聯的效率，為產品創新研究提供一套早期識別方法研究體系，為知識創新提供支持。

表1 基因—知識基因—產品知識基因類比分析

Tab.1 Analogical analysis of gene, knowledge gene and product knowledge gene

表2 生物基因工程與設計驅動的顛覆式創新

Tab.2 Biological genetic engineering and design-driven disruptive innovation

第三，有助于運用科學的手段實現設計驅動的顛覆式創新。設計驅動的顛覆式創新模糊前端階段中產品知識組合具有高度不確定性，知識基因的穩定性與持久性有助于提高產品知識重組研究的科學性與有效性，旨在構建多源異構知識交叉融合知識庫，縱深全面挖掘產品信息數據，為企業資源優化配置提供建議。

2 研究框架

為提高設計驅動顛覆式創新模糊前端階段的科學性與有效性，本研究基于知識基因與深度學習協同優化，提出一套運用生物基因工程思想實現顛覆式創新的研究框架，見圖3。

該框架將產品信息數據作為產品知識基因，將產品設計方案作為產品知識基因表達的性狀特征，產品設計方案（性狀特征）由社會人文與產品知識基因共同決定。本研究創新點包括以下3個流程。

一是未來用戶需求識別，即模糊前端—識別未來需求，進行產品意義重構。首先利用大數據文本分析對開放網站用戶在線評論數據進行抓取，清洗后從中提取篩選產品特征詞，在此基礎上構建產品情感詞典，最終依據產品特征類別與情感詞典對用戶痛點進行分析，結合使用場景洞察用戶情感波動，挖掘潛在用戶需求，賦予產品新意義。

二是產品知識基因提取及知識庫構建，即模糊前端—創意生成，深度挖掘產品知識并構建知識庫。首先依據研究對象制定檢索表達式，收集相關專利數據并作清洗預處理；其次先后對專利數據進行“主語—行為—賓語”（Subject-Action-Object，SAO）結構與“技術—關系—技術”（Technology-Relationship- Technology，TRT）結構語義分析；最后整合分析數據，并歸類為功能基因、外觀基因、結構基因三大類，完成產品知識庫構建。

圖3 設計驅動的顛覆式創新研究框架

三是顛覆式創新機會發現，即模糊前端——創意評估與篩選、方案定義，依據未來用戶需求（產品新意義），對既有技術進行應用或二次開發，將產品知識轉化為顛覆式產品設計方案。首先構建現有產品基礎基因模型，依據產品新意義從產品基因庫中提取滿足條件的“目的基因”，組合出多個設計方案（新技術基因模型），從這些方案中選出最優解，依據新產品基因模型得到顛覆式創新產品。

3 實驗過程

在本實驗中，以未來空調為目標產品對上述框架步驟作詳細解釋說明。因現有空調產品作為生活必需品，用戶數量龐大，市場廣大，蘊藏大量產品知識，便于分析；且未來智能生活方式設計在工業設計領域已然成為新興設計的一大方向，具有廣闊前景，符合顛覆式創新設計背景。

3.1 未來用戶需求識別

依據用戶認知將需求分為兩類：一是顯性需求，即用戶意識到且明確表達的需求，如質量、價格、性能等；二是隱性需求，包括用戶意識到卻表達模糊的或用戶未意識到的潛在需求，如情感、體驗、價值等。設計驅動的顛覆式創新主要獲取的是隱性需求，隱性需求的界定應當融合情感因素與認知因素。需立足于當前產品市場，令產品、人（情感）、情景相互交融，將非結構化的需求進行感性轉化，并與使用場景相結合，洞察用戶情感與心理變化，把握潛在的未來需求，從而重構產品意義。類比傳統市場問卷調研，從產品評論中能夠快速且高效地獲取更加可靠的信息[19]，通過大量觀點文本數據，可以提取出潛在、不被重視的用戶需求。目前，在線評論的研究主要包括：主觀句識別、產品特征提取、話題聚類、情感分析等[20]。為獲取未來用戶需求信息，需要聯動文本挖掘與自然語言處理等技術，并結合統計學、心理學等相關知識對評論文本進行分析。分析過程包括：評論數據獲取及預處理、評論數據挖掘（產品特征提取、產品情感詞典構建）、未來用戶需求分析等內容，具體步驟見圖4。

3.1.1 用戶評論數據獲取及預處理

評論來源選擇以電器數碼產品起家的電商平臺，該平臺產品用戶數量龐大，未消費用戶亦可提問評論，樣本量充足。利用“Instant Data Scraper”大數據文本分析獲取各品牌空調產品用戶評論數據 30 451條，篩選出樣本數據29 436條，將文本數據導出為excel文件，并進行預處理。

1）數據清理。將一些與產品特征無關或不涉及用戶觀點的“噪聲數據”進行刪除，例如“產品不錯很好”。

2）分詞分句。采用python語言的jieba分詞工具中的“精確模式”對文本進行切分，例如“空調的制冷效果不好”，分詞后為“空調│的│制冷│效果│不│好”。

圖4 未來用戶需求識別研究框架

3）詞性標注。使用jieba工具中自帶的posseg模塊對句子進行詞性標注。

4）去停用詞。利用停用詞表去除文檔中頻率高卻無意義的虛詞，包括但不限于副形詞ad、方位詞f、數詞m、人名nr、擬聲詞o及狀態詞z等，例如“啊”“呢”“的”“在”。

3.1.2 用戶評論數據挖掘

3.1.2.1 產品特征詞提取

該步驟的目的是提取評論數據中出現的產品特征，便于后續需求映射。常用獲取特征詞的方法是通過詞頻統計選取高頻詞作為特征詞，但該方法存在遺漏某些重要低頻詞的可能性。因而本研究采用隱含狄利克雷分布（Latent Dirichlet Allocation，LDA）模型，其常被用于識別文本中潛在的主題信息，能將文本根據主題進行主題聚類或文本分類，可以更全面地了解文本的主題分布。

基于評論文本分詞結果，提取名詞與名詞短語作為產品評論特征詞篩選文本。在LDA模型提取主題詞前，通過使用K-means算法計算評論文本的Dist-ortions系數（簇內誤差平方系數）與Silhouette系數（輪廓系數），明確最優聚類數（Distortions系數越小越好，Silhouette系數越大越好），結果如圖5所示，綜合考慮最優聚類數=9最為合理。

在python環境中選取最優聚類數9進行LDA主題聚類，利用專家知識定義特征類別，得到該類別下的典型特征詞與文本占比數，該占比數為同一類別下的特征詞占名詞/名詞短語篩選文本的頻數，結果見表3。

3.1.2.2 產品情感詞典構建

該步驟的目的是識別每個產品特征的情感強度。本研究采用基于情感詞典的分析方法，并結合機器學習方法制定規則，有效減少時間成本且獲得較為準確全面的情感分析。由于通用情感詞典不能囊括特定領域情感詞，需對其進行補充，補充內容包括從評論文本中篩選出的具有明顯情感傾向的動詞、形容詞，并依據通用情感詞典的規則對這些詞語進行標注，形成產品情感詞典。

圖5 空調簇內誤差平方和系數與輪廓系數

此次實驗選用中文情感詞匯本體作為通用情感詞典，其情感分類體系在Ekman六大類情感分類體系基礎上構建，包括詞語詞性種類、情感類別、情感強度及極性等信息，這些信息便于對用戶痛點進行快速量化。依據中文情感詞匯本體庫詞語規則，利用專家知識標注空調特征情感詞詞庫，結果見表4。

空調特征情感詞詞庫對中文情感詞匯本體庫（含情感詞27 466個）進行補充，最終形成空調產品情感詞典，見表5。

表3 空調LDA主題模型結果

Tab.3 air conditioner LDA statistics

表4 空調特征情感詞詞庫標注（部分）

Tab.4 Air conditioner emotional lexicon tagging (partial)

表5 空調產品情感詞典（部分）

Tab.5 Air conditioner emotion dictionary (partial)

3.1.3 未來用戶需求分析

該步驟的目的是利用Python語言依據產品特征類別對用戶痛點進行分析，洞察用戶情感波動，結合使用場景深度挖掘目標產品的未來潛在用戶需求，實現產品意義變革。

3.1.3.1 基于產品特征的情感計算

由于一條評論數據囊括多個特征詞，需將其切分成每條只含有一個特征詞的單句。實驗以特征詞為情感分析對象，對與特征詞處于同一單句的情感詞進行情感值計算，以平均值作為該特征詞的情感值，見式（1）。

其中，Mean表示特征詞的情感平均值；S表示特征詞在第個單句中情感值；為特征詞出現的次數。由于否定詞同樣會對情感極性產生影響，本實驗構建否定詞合集，包括不能、可以、不得、沒有、不會、不可、不是、不可能8個常用否定詞，權重為–1，即在處理含有否定詞的情感分析單元時，對應的情感詞極性乘–1。由式（1）計算得出空調產品特征類別情感平均值，數據展示見表6。

表6 空調產品特征類別情感平均值

Tab.6 Emotional average of air conditioner feature category

3.1.3.2 用戶痛點分析

發現用戶痛點是隱性需求挖掘的基礎，用戶痛點的分析需要考慮用戶關注度與用戶情感值兩個指標，即每個產品特征所占比例與重要度。研究選擇特征類別的詞語頻率factor及特征類別的情感平均值Mean作為衡量關注度與情感值的量化指標。其中factor為包含同一產品特征類別的評論數在評論樣本數中所占比例，Mean為該產品特征類別的情感平均值。

首先通過factor與Mean對各特征類別用戶痛感進行加權，計算用戶痛點指數1，其計算見式（2）。

由推理過程可知，Mean越低，用戶痛感越強。因此，取1的相反數作為實際運算中的痛點指數2，見式（3）。

為更直觀地展現用戶痛感，研究使用指數形式對用戶痛點指數進行處理，使用戶痛點指數User統一為正數，見式（4）。

依據指數函數特性，采用User=1判斷該產品特征是否為用戶痛點，即當User＞1，該特征類別為用戶痛點，且數值越大，用戶痛感越強；當0＜User＜1，該特征類別不被識別為用戶痛點，但是數值大小仍能反應用戶痛感。上述公式計算結果示例見表7，空調產品在能源消耗、質量、價格、外觀、聲音、智能化與吹風系統7個方面均被識別為用戶痛點，其中能源消耗、外觀、智能化這3個方面用戶痛感更強，優先級更高。

表7 空調產品特征類別情感平均值與痛點指數結果

Tab.7 Emotional average and pain point index (air conditioner feature category)

3.1.3.3 隱性需求轉化

將痛點延伸并結合使用場景逐漸轉變成需求的過程，是重構產品意義的過程。依據上述實驗結果，可以明確用戶痛點主要集中在能源消耗、外觀、智能化3個方面，利用專家知識對該特征類別進行進一步情感與場景分析，延伸成為隱性需求，明確差異化，定義產品新意義，結果示例見表8。

3.2 產品知識基因提取與知識庫構建

產品設計的過程本質上是獲取產品知識，并將這些知識運用到整個設計過程，有研究表明，有效利用專利文獻中的設計知識可使企業減少40%的研發時間與資金。因此，采用從專利數據中挖掘產品知識為設計驅動的顛覆式創新提供服務。該研究過程包括：專利數據收集及預處理、產品知識基因提取（SAO結構提取、TRT結構提取）與產品知識庫構建，具體步驟見圖6。

3.2.1 產品知識基因的分類

提取專利數據的最終目的是構建產品知識庫，明確產品知識基因的定義是確定專利數據提取方式的前提。產品的特征一般是由產品的功能、結構、外觀所體現，這些信息決定了產品的生命周期且具有遺傳價值。本研究將產品知識基因劃分為三類，一是功能基因，描述產品的用途或功用，可由多個子功能構成；二是結構基因，描述產品的幾何結構、裝配關系與材料特性，可由多個子結構構成；三是外觀基因，描述產品的外在形象、藝術美感、色彩搭配等，滿足用戶的美學需要。

表8 空調產品隱性需求分析

Tab.8 Hidden demand analysis of air conditioners

圖6 產品知識基因提取與產品知識庫構建研究框架

3.2.2 產品專利數據收集及預處理

專利文獻有規范的線性表達形式，均需包含標題（相關專利產品或者精尖技術）、摘要（概括專利發明結構、工作原理等）、權利要求（涉及獨特的設計及知識產權保護效用的范圍）、技術領域（專利發明所屬或直接應用的領域）、背景技術（敘述與發明相關的已有技術或研究成果并指出存在的不足）、發明內容（描述產品發明所要解決的技術問題）與具體實施方案（詳盡描述實現發明專利所采用的技術方案）等內容，因此專利數據通常具有較大的篇幅，在構建知識庫前需要對專利數據進行篩選與清洗處理，以便后續研究工作的開展。

首先進行數據檢索。本研究專利數據來源于德溫特專利數據庫（Derwent Innovations Index，DII），該數據庫是全球最權威的專利情報與科技情報機構之一，收錄來自世界40多個專利機構的專利[17]，使用DII作為數據來源，可保證數據的準確性與完整性。本實驗研究對象為未來智能空調，實驗目的是實現產品顛覆式設計，依據空調定義拓展、用戶需求功能描述及DII檢索規則確定空調領域專利檢索表達式：主題=（“air condition*” OR “refrigerat * equipment*” OR “refrigerat* unit*” OR “cool* machine*” OR “refrigerat* machine*” OR “thermoregulat*” OR “attemperat*”），時間跨度為最近5年，檢索時間是2022年7月5日，完成專利數據清洗后最終收集到135 312條題錄數據。

3.2.3 產品知識基因提取

知識提取是專利數據挖掘的主要目的，利用自然語言技術將文本轉化為所需展示模型是專利數據的挖掘方式之一。目前專利文本數據結構化處理方法主要有兩種，一是特征提取方法，即基于現有詞性分析基礎上構建特征識別規則，通過統計方法進行特征提取并形成特征空間表示模型；另一種是語義分析方法，即將專利文本轉化為結構化專利語義表示模型。因已明確產品知識基因的三個分類，且該步驟的目的是獲取產品信息數據，所以本研究采用第2種方法。

1）SAO（Subject-Action-Object）結構，即“主語—動作—賓語”結構，利用動詞來定義主語與賓語之間的關系，該結構可以清晰地描述功能關系。本實驗利用Stanford CoreNLP自然語言處理工具包對收集的專利數據進行SAO結構提取，并結合專家知識篩選出提取數據中表示功能的結構，最終獲得SAO產品功能基因3 856條，部分數據展示見表9。

表9 空調專利數據SAO提取結果（部分）

Tab.9 SAO results of air conditioner patent data (partial)

2）TRT（Technology-Relationship-Technology）結構，即“技術—關系—技術”結構，通過分析文本中介詞的意義來確定關鍵詞之間的結構關系（非功能性關系）。該分析方法彌補了SAO分析不具備的結構關系，與其成互補關系[21]，兩種分析方法結合可以更全面地挖掘專利文本中的產品知識。

本實驗采用Python中的Natural Language Toolkigt（NLTK）包開發NP-PP（名詞短語－介詞短語）提取程序，提取的結構關系有包含關系、目的關系、過程關系、不包含關系、相似關系、結構關系、時間關系等，提取的原則是NP與PP在語法樹中具有相同深度，若有多個NP在語法樹中相同的深度并通過“and”或“or”連接，則同時提取多個NP[18]。對清洗過的專利數據進行TRT結構提取，利用專家知識對提取數據作進一步處理，最終的TRT結構數據共有5 692條，部分數據展示見表10。

3.2.4 產品知識庫構建

產品知識庫構建即合并SAO與TRT結構的產品知識基因。由于SAO結構提取的信息本身就表示功能，所以可將其直接視為功能基因；通過專家知識識別TRT結構中的信息，將其歸類為功能基因、外觀基因、結構基因三大類；最終得兩者合并，完成智能空調領域產品知識庫構建（9 548條）其中功能基因6 201條（64.95%）、結構基因2 198條（23.02%）、外觀基因1 149條（12.03%）。

3.3 顛覆式創新機會發現

3.3.1 創新原理分析

在產品知識領域，技術是探索產品變化規律的知識體系，扮演著DNA的角色。本研究將產品顛覆式創新過程概括為通過對現有產品實例種群進行功能分類、結構拆分與外觀分析[22]，整合成為相應產品知識基因并構建對應產品領域的知識庫；當設計新產品時，首先針對現有產品構建產品基礎知識基因模型[23]，依據未來用戶需求（產品新意義）對顛覆式創新產品的功能、結構或外觀進行分析；其次建立對應的技術基因組模型，從產品知識庫中提取滿足條件的基因（目的基因）進行重組，形成多個新技術基因組模型（多個設計方案），最后從這些方案中選出最優解，依照新產品知識基因模型得到顛覆式創新產品，見圖7。

表10 空調專利數據TRT提取結果（部分）

Tab.10 TRT results of air conditioner patent data (partial)

3.3.2 產品基礎知識基因模型構建

由分析可得出，產品結構由功能與外觀決定，而產品功能與外觀大多是獨立存在的，可以理解為一個或多個功能基因、外觀基因對應一項技術，每項技術又對應一個或多個結構基因。因此，產品功能與結構及外觀與結構由技術聯系在一起。在知識庫中，設技術為T，T包含的功能基因、外觀基因、結構基因分別為fi、ai、si。產品知識基因可按照自上而下的結構構建樹狀產品知識基因模型，見圖8。

產品顛覆式創新設計的前提是構建目標產品基礎知識基因模型，該模型可以描述現有產品的基本構成，所包含的知識基因具有遺傳性，可以遺傳到產品種群的新產品中。本實驗以智能空調領域中使用頻率較高且具有代表性的壁掛式空調為例，分析其基本功能與外觀設計，建立這一類產品的基礎知識基因模型，見圖9。

3.3.3 技術基因模型構建

技術基因組作為產品知識DNA，包含多種產品知識基因，故技術基因組的表達見式（5）。

如圖9所示，智能調控技術對應的技術基因組表示如下：

圖7 設計驅動的顛覆式創新原理分析

圖8 產品知識基因模型

圖9 智能空調基礎知識基因模型

3.3.4 基于產品知識基因的顛覆式創新設計

依據上文分析可知，產品新意義為具備調溫功能的綠色環保裝飾物，拆分為三部分，一是盡可能降低能源消耗，綠色環保；二是優化外觀設計，具有裝飾性；三是智能操控更加自動化。本實驗從以上三個方向切入，檢索知識庫中的目標基因，構建新技術基因組模型。

功能基因方面，滿足低能耗且自動化的制冷/制熱技術基因組表示如下：

外觀基因方面，具有裝飾效果的相關技術基因組，表示如下：

將以上基因利用專家知識篩選重組加入產品基礎知識基因模型，依據新產品知識基因模型指導設計，能較快地實現產品顛覆式創新。例如，利用自變溫材料或壓力轉化實現制冷，實現綠色可持續；結合材料特點以編織的形式使空調兼具功能性、裝飾性。

4 實驗結果

本研究界定的未來空調為方法論的驗證結果，基于現有用戶評論、專利等海量數據推導得出，在此客觀資料和事實依據的基礎上進行創新設計，不代表未來智能家居發展方向及內容組成。

基于上述實驗步驟，整體利用設計思維輸出以下顛覆式產品設計方案，見表11。

表11 設計方案

Tab.11 Design plan

續表11

由于家居用品大多被視為“技術黑匣子”，復雜程序或多樣選擇可能會導致用戶無法理解技術，甚至誤用，因此本實驗結合用戶需求，降低技術透明度，采用方案一建立新產品知識基因模型，見圖10。

圖10 未來空調知識基因模型

使用場景如圖11所示，這是一款顛覆式的無源空調，靈感來源于掛毯工藝，由高導熱材料的條帶與若干根管道編織而成，管道內部有相變材料（PCM）生物基脂肪酸，通過固態液化可以實現自然地吸收熱量，以在夏季降低房間的溫度，并阻擋從外部通過墻壁傳遞的熱量；這款空調不僅能以一種可持續的方式調節室內溫度，還具備裝飾功能，高導熱材料的管道可以填充色塊，白天溫度升高，PCM吸熱熔化變透明，管道色彩呈現，夜晚溫度降低，PCM呈白色固態，實現不同溫度下的色彩變化。

依據使用場景進行建模，如圖12a—b，為PCM白色固態時的空調細節展示；如圖12c—d，為PCM吸熱熔化后管道色彩展現時空調場景展示；如圖12e，為不同編織方法的空調使用場景展示，除自定義圖案與色彩外，用戶還可以根據自己的喜好編織空調，以適應更多的室內裝修風格。

圖11 未來空調使用場景

為驗證設計方案是否能夠顛覆式滿足未來用戶的需求，本實驗對方案進行問卷調研，問卷內容包括設計方案說明與用戶滿意度調查，共發放問卷108份，有效回收108份，部分結果展示見圖13。由結果可得，通過本研究提出的研究方法得到的未來空調設計方案，用戶對其功能與裝飾滿意度很高并具有較高購買傾向，認為該方案突破了傳統空調概念。因此，本研究提出的設計方法行之有效，對企業開發顛覆式產品具有較高的學術與實踐參考價值。

圖12 未來空調產品方案

圖13 部分問卷調研結果（部分）

5 結語

本研究針對設計驅動顛覆式創新模糊前端階段，提出一種知識視角下創新機會早期識別方法，論文涵蓋相關理論研究、知識框架構建、設計方法提出及案例實證檢驗4個基本階段，創新點在于該方法基于知識基因與深度學習協同優化，從在線評論數據中抽取隱性需求，感知用戶情感波動，準確把握產品未來用戶需求，賦予產品新意義；明確產品知識基因定位，將其歸類為功能基因、外觀基因、結構基因，利用技術基因組（知識DNA）探尋知識間的關聯性；以專利文本作為數據基礎構建產品知識庫，知識來源囊括多領域、多層次，適用性更廣；利用生物基因工程思想，從設計思維底層邏輯出發實現顛覆式創新，把握知識進化規律，既豐富知識基因理論，同時也嘗試為設計驅動的顛覆式創新提供一套系統科學的方法論。理論與實證研究的結果皆證實，在知識基因與深度學習協同作用下，以設計驅動的顛覆式創新研究模型能夠較快地識別顛覆式創新機會，整合產品信息數據，對企業優化資源配置具有一定指導作用。

本研究仍存在局限性，有待進一步研究分析。其一，網絡開放平臺僅針對某一個電商平臺，存在樣本數據不夠全面的現象，可能會遺漏其他平臺某些重要的用戶信息；其二，用戶痛點轉化為隱性需求的過程需要極強創新性思維凝練，描述隱匿的未來需求，對專家知識的專業度有極高要求；其三，借鑒知識基因思想研究顛覆式創新仍處于起步階段，對產品知識基因的劃分稍顯武斷，各產品知識基因之間的關系尚不夠清晰；其四，本研究僅針對創新模糊前端階段，未來空調設計方案屬于概念化設計，界定的未來空調更適用于碳中和背景下的產品開發，試圖從新生態環境材料入手及其運用相關技術進行顛覆式創新，市場投放效果未知，有待驗證與進一步完善；最后，框架流程各個步驟仍有進步空間，且研究開發、行業標準化、市場商業化3個階段并未涉及，伴隨科技的進步，未來有必要采用更精準的技術手段，實現更科學嚴謹的方法論。

[1] 約瑟夫·阿洛伊斯·熊彼特. 經濟發展理論: 對利潤、資本、信貸、利息和經濟周期的探究[M]. 葉華, 譯. 北京: 九州出版社, 2006. SCUMPETER A J. The Theory of Economic Develop-ment[M]. YE Hua, Translated. Beijing: Kyushu Press, 2006.

[2] ANDERSON P, TUSHMAN M L. Technological Disco-ntinuities and Dominant Designs: A Cyclical Model of Technological Change[J]. Administrative Science Quar-terly, 1990, 35(4): 604.

[3] CHRISTENSEN C M. The Innovator's Dilemma: When New Technologies Cause Great Firms to Fail[M]. Boston, Mass: Harvard Business School Press, 1997.

[4] 張光宇, 曹陽春, 戴海聞, 等. 顛覆性創新國際研究25年回顧: 基于文獻計量分析[J]. 科技管理研究, 2021, 41(15): 1-10.ZHANG Guang-yu, CAO Yang-chun, DAI Hai-wen, et al. Review of International Research on Disruptive Inno-vation in the Past 25 Years: Based on Bibliometric Analysis[J]. Science and Technology Management Research, 2021, 41(15): 1-10.

[5] VERGANTI R. Design as Brokering of Languages: Innovation Strategies in Italian Firms[J]. Design Mana-gement Journal (Former Series), 2003, 14(3): 34-42.

[6] SIMONI M, CAUTELA C, ZURLO F. Product Design Strategies in Technological Shifts: An Explorative Study of Italian Design-Driven Companies[J]. Technovation, 2014, 34(11): 702-715.

[7] LANDONI P, DELL'ERA C, FERRALORO G, et al. Design Contribution to the Competitive Performance of SMEs: The Role of Design Innovation Capabilities[J]. Creativity and Innovation Management, 2016, 25(4): 484-499.

[8] 賴紅波. 設計驅動創新微觀機理與顧客感知情感價值研究[J]. 科研管理, 2019, 40(3): 1-9. LAI Hong-bo. An Empirical Study of the Design-Driven Innovation Micro-Mechanism and the Customer Perce-ption Emotional Value[J]. Science Research Manage-ment, 2019, 40(3): 1-9.

[9] 王志瑋, 葉凌峰. 基于設計驅動的顛覆性創新機理研究[J]. 創新科技, 2020, 20(5): 28-37. WANG Zhi-wei, YE Ling-feng. Research on the Design- Driven Disruptive Innovation Mechanism[J]. Innovation Science and Technology, 2020, 20(5): 28-37.

[10] 李云, 施琴芬, 于娛. 知識視角下的顛覆式創新過程分析[J]. 科技管理研究, 2018, 38(13): 17-22.LI Yun, SHI Qin-fen, YU Yu. The Analysis of Disru-ptive Innovation Process from Knowledge Angle[J]. Science and Technology Management Research, 2018, 38(13): 17-22.

[11] YOUNG T, HAZARIKA D, PORIA S, et al. Recent Trends in Deep Learning Based Natural Language Processing[J]. IEEE Computational Intelligence Maga-zine, 2018, 13(3): 55-75.

[12] HINTON G E, OSINDERO S, TEH Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Comp-utation, 2006, 18(7): 1527-1554.

[13] MIKOLOV T, SUTSKEVER I, CHEN Kai, et al. Distributed Representations of Words and Phrases and Their Compositionality[EB/OL]. (2013-10-16) [2022- 10-22]. https://arxiv.org/abs/1310.4546.

[14] DEVLIN J, CHANG Ming-wei, LEE K, et al. BERT: Pre-Training of Deep Bidirectional Transformers for Language Understanding[EB/OL]. (2019-05-24) [2022- 10-22]. https://arxiv.org/abs.

[15] 王新, 喬文文. 基于云平臺的用戶隱式需求分析方法研究[J]. 機械設計與研究, 2020, 36(5): 8-11. WANG Xin, QIAO Wen-wen. Research on User Implicit Demand Analysis Based on Cloud Platform[J]. Machine Design & Research, 2020, 36(5): 8-11.

[16] 李伯文. 論科學的“遺傳”和“變異”[J]. 科學學與科學技術管理, 1985, 6(10): 21-25. LI Bo-wen. On "Inheritance" and "Variation" of Science[J]. Science of Science and Management of S & T, 1985, 6(10): 21-25.

[17] 劉植惠. 知識基因理論新進展[J]. 情報科學, 2003, 21(12): 1243-1245. LIU Zhi-hui. About the New Development of Know-ledge Gene Theory[J]. Information Science, 2003, 21(12): 1243-1245.

[18] 王艷, 苗紅, 李欣, 等. 知識基因視角下的技術融合機會發現研究[J]. 科學學與科學技術管理, 2021, 42(7): 18-34. WANG Yan, MIAO Hong, LI Xin, et al. Research on Technology Convergence Opportunity Discovery from the Perspective of Knowledge Genes[J]. Science of Science and Management of S & T, 2021, 42(7): 18-34.

[19] 肖人彬, 林文廣. 數據驅動的產品創新設計研究[J]. 機械設計, 2019, 36(12): 1-9. XIAO Ren-bin, LIN Wen-guang. Research on Data- Driven Product Innovation Design[J]. Journal of Machine Design, 2019, 36(12): 1-9.

[20] 李翔, 胡昀, 王毅力. 基于SPSS和在線評論分析的產品用戶需求洞察方法研究[J]. 包裝工程, 2022, 43(2): 106-115. LI Xiang, HU Yun, WANG Yi-li. Product User Demand Insight Method Based on SPSS and Online Comment Analysis[J]. Packaging Engineering, 2022, 43(2): 106- 115.

[21] AN J, KIM K, MORTARA L, et al. Deriving Technology Intelligence from Patents: Preposition-Based Semantic Analysis[J]. Journal of Informetrics, 2018, 12(1): 217- 236.

[22] 陳曉菁, 成思源, 楊雪榮. 面向專利產品創新設計的可拓變換方法研究[J]. 包裝工程, 2020, 41(24): 137-142. CHEN Xiao-jing, CHENG Si-yuan, YANG Xue-rong. Extension Transform Method for Patent Product Innova-tion Design[J]. Packaging Engineering, 2020, 41(24): 137-142.

[23] 張海燕, 成思源, 楊雪榮, 等. 基于功能相似矩陣的專利產品創新設計研究[J]. 包裝工程, 2017, 38(12): 150-154.ZHANG Hai-yan, CHENG Si-yuan, YANG Xue-rong, et al. Patent Product Innovation Design Based on Function Similarity Matrix[J]. Packaging Engineering, 2017, 38(12): 150-154.

Design-driven Disruptive Innovation Method from the Perspective of Knowledge

WEI Chu-fan, LIU Jian, XI Shang-lin, HUANG Sai

(College of Art and Design, Beijing University of Technology, Beijing 100124, China)

Disruptive innovation is an important path for enterprises to achieve leapfrog catch-up. In view of the lack of current identification of subversive innovation opportunities, the work aims to propose a design-driven early identification method of disruptive innovation based on the collaborative optimization of knowledge gene and in-depth learning. Combing the design-driven disruptive innovation process from the perspective of knowledge, and aiming at the fuzzy front-end stage of innovation and based on the concept of "product knowledge gene", firstly, the big data text analysis method was used to gain insight into the future needs of users and reconstruct the meaning of the product. Secondly, the semantic analysis of "subject-behavior-object" structure and "technology-relation-technology" structure of patent data in related fields was carried out, and the product knowledge base was established. On this basis, the technical scheme of genetic engineering thinking mode reorganization was compared to seek disruptive innovation of product. Verifying the feasibility and effectiveness of the research method with the future air conditioner as the design research object can help enterprises to identify disruptive innovative design opportunities, and has practical guiding value for optimizing resource allocation and planning and design strategy.

disruptive innovation; design-driven; product meaning; product knowledge gene; product knowledge base

TB472

A

1001-3563(2023)10-0040-14

10.19554/j.cnki.1001-3563.2023.10.004

2022–12–14

教育部2021年第2批產學合作協同育人項目（202102055017）；北京工業大學國際合作交流項目（2021A18）；教育部人文社科項目（20YJC760034）

魏楚凡（1998—），女，碩士生，主攻智能化設計研究方法。

劉鍵（1987—），男，博士，副教授，主要研究創新設計研究方法、智能化設計。

責任編輯：陳作