基于Gartner曲線的顛覆性技術生命周期模型構建研究

摘 要：［目的/意義］顛覆性技術具有獨特的發展路徑，識別其生命周期階段對各國（地區）技術投資、戰略規劃和政策制定具有重要意義。本研究借助Gartner曲線，提出一種基于機器學習的技術生命周期識別方法，以促進顛覆性技術生命周期的精準識別。［方法/過程］研究首先構建了一個基于論文、專利和用戶期望三維度含14個關鍵指標的綜合測度體系，用于捕捉顛覆性技術在不同生命周期階段的特征表現；其次，研究選取了生物芯片、云計算等7項具有代表性的顛覆性技術進行模型訓練，采用XGBoost分類模型學習和識別樣本技術在Gartner曲線標記下的階段特征；最后，選取新一代人工智能技術進行實證檢驗，以驗證模型的適用性和準確性。［結果/結論］結果表明，基于Gartner曲線的生命周期識別方法能有效識別顛覆性技術生命周期階段，新一代人工智能技術的發展轉折點分別在2014年、2017年、2022年。與傳統的S曲線模型和反向S曲線模型相比，該方法在識別技術早期發展階段的變動和趨勢方面表現出更高的敏感性和準確性，能更準確地描繪顛覆性技術的發展特征，有助于更好地把握技術創新的脈搏。

關鍵詞：顛覆性技術；技術生命周期；Gartner曲線；新一代人工智能；XGBoost模型

DOI：10.3969/j.issn.1008-0821.2025.08.006

〔中圖分類號〕TP18 〔文獻標識碼〕A 〔文章編號〕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，技術創新正成為各國（地區）推動經濟發展、提高競爭力的重要抓手，而顛覆性技術以其極大的創新性、顛覆性和影響力，成為短時間內超越原有技術、推進科技創新、改變行業格局的重要力量，也成為全球各國（地區）科技競爭的焦點。相較于傳統技術，顛覆性技術會改變原有技術軌道，往往涉及對現有技術、商業模式或社會結構的徹底變革，其發展過程通常充滿不確定性，技術從萌芽到成熟再到普及的每個階段都伴隨著不同的挑戰與機遇。因此，準確識別和預測顛覆性技術的生命周期階段，不僅有助于了解顛覆性技術的發展脈絡和趨勢，也為各國（地區）政府和企業制定科學的技術發展戰略［1］、投資決策，以及進行資源配置提供了重要依據。同時，對于提升國家科技競爭力、推動產業轉型升級也具有重要意義。

在技術生命周期分析領域，學者通常依賴專利相關指標來識別技術發展階段，常見的研究方法包括：S曲線、反向S曲線、專利指標法和技術生命周期圖法等［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曲線的Logistic模型，分別對3D打印技術、植物防凍設備、新能源汽車和DVD的專利數據進行擬合，從而識別技術的不同發展階段。方曦等［7］、明宇等［8］、姜紅等［9］和李維思等［10］則通過專利指標法，利用四項指標對門禁系統安全技術、運動鞋、比亞迪汽車和薄膜太陽能電池技術的生命周期展開了研究。王云飛等［11］、李進進等［12］通過分析專利權人數和專利申請數兩項指標繪制了領域的生命周期圖。然而，這些方法普遍依賴單一的數據源——專利數據，而專利相對于技術發展往往存在滯后性，這導致現有模型在識別技術生命周期早期階段敏感度較低。此外，這些模型的測度指標較為單一，適用場景有限［13-14］，難以捕捉技術在各個階段的復雜變化特征。例如，反向S曲線對技術復蘇期的邊界界定模糊，而專利指標法受各國（地區）專利制度差異的影響，其應用受地區專利類型的限制。

針對現有方法的局限性，有學者開始嘗試使用技術成熟度曲線（Gartner Hype Cycle，簡稱Gartner曲線）來描繪新技術的生命周期。與傳統方法不同，Gartner曲線的制定不僅關注技術本身的進展，還綜合考慮市場接受度、公眾期望和媒體報道等因素，能夠有效捕捉技術在發展的各階段，尤其是技術早期的波動與變化。Jun S P［15］使用文獻計量的方法，對混合動力汽車的數據展開實證研究，通過谷歌平臺的網絡搜索數據對曲線進行擬合。Steinert M等［16］對Gartner曲線的理論基礎進行了探討，并選取潮汐能、IGCC和光伏發電三項進行實證研究，借助谷歌平臺的新聞數據對Gartner曲線進行擬合。可以看出，現有研究主要依賴用戶搜索數據來擬合Gartner曲線，而顛覆性技術的發展具有較高的復雜性和不確定性，單純依賴用戶數據難以準確描繪技術生命周期的復雜變化過程。

基于此，本研究提出了基于Gartner曲線的顛覆性技術生命周期識別方法，在傳統技術生命周期的刻畫方法上，引入用戶期望指標，構建了涵蓋技術發展各階段的論文、專利、用戶三維測度體系，從而更全面地反映技術的發展特征和趨勢。與傳統技術生命周期模型相比，Gartner曲線可以增強技術在發展早期的分析和預測［15］，這種結合了用戶期望數據的周期模型適用于較為新興技術發展周期的描述［16］。此外，研究使用機器學習分類方法進行模型的構建與優化，并以新一代人工智能技術為代表性顛覆性技術，對模型的科學性和準確性進行實證研究。這種方式能較為敏銳地捕捉技術發展初期階段的特征，較好地識別顛覆性技術發展的周期階段。

1 理論基礎

技術生命周期是描述一項技術從誕生、發展到淘汰的演進過程。這一概念源于1966年Vernon R［17］提出的產品生命周期理論，強調從市場視角分析技術發展規律，現已成為預測技術演進方向的重要理論工具。Gartner曲線側重于分析用戶及市場對技術發展的期望演變，對新技術的早期識別較為敏感，是一個廣泛用于描繪新技術成長和成熟過程的概念模型［18］。該模型由IT調研與咨詢服務公司Gartner于1995年發布，用于解釋一項新技術從市場引入到最終成熟應用的用戶期望演變，可以用于衡量技術發展的不同成熟階段。Gartner公司結合媒體信息、行業報告、企業采用等多源數據，針對每年各行業領域創建技術成熟度曲線，并詳細介紹領域內不同技術的生命周期，展示各種技術所處的階段。

Gartner曲線各階段的含義如圖1所示，分別為：①萌芽期（Technology Trigger）：該階段標志著新技術的首次出現，通常伴隨著媒體的廣泛報道和公眾的高度期待。然而，此時技術的商業應用尚未明確，實際應用前景仍不明確；②期望膨脹期（Peak of Inflated Expectations）：隨著成功案例的增多，市場對技術的期望達到頂峰。然而，這一時期同時也伴隨著大量的技術失敗，逐漸暴露技術的局限性；③轉折期（Trough of Disillusionment）：由于技術未能達到預期的高度，早期的技術采納者開始感到失望，媒體的關注度也開始減退；④穩步上升期（Slope of Enlightenment）：隨著技術的不斷改進和應用案例的增多，技術逐漸成熟，更多企業開始積極采用并進行實際應用，推動技術的成果轉化；⑤成熟期（Plateau of Productivity）：技術的實際應用價值得到廣泛認可，市場需求穩定增長，技術進入成熟階段，產品在市場中的表現趨于穩定并持續擴展。

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

針對Gartner技術成熟度的演變趨勢，學者經研究后發現，該曲線形態實際上是由兩條不同曲線共同塑造的，即描述新技術預期的“鐘形”曲線，以及描述技術成熟度經典特征的S形曲線［20］，如圖2所示。Fenn J等［21］認為，人類對新奇事物所持有的好奇心、社會傳播機制以及政策導向的共同作

用，導致在評估新技術潛力時，公眾往往表現出過度的熱忱。媒體傾向于聚焦可能引發廣泛關注的新聞事件，并進行夸大報道，這促使技術擁護者的數量達到臨界規模。在這一背景下，組織內部的決策者可能會順應潮流，對相關技術進行投資。然而，當新技術的熱潮達到頂峰，第一代技術應用的初步成效往往未能滿足預期，這將導致媒體炒作迅速降溫，并使技術熱潮陷入低谷。

圖2 Gartner曲線的演變Fig.2 Evolution of the Gartner Hype Cycle

2 基于Gartner曲線的顛覆性技術生命周期模型構建

鑒于本文旨在針對顛覆性技術，嘗試借助Gartner曲線構建其技術生命周期模型，而顛覆性技術的發展具有一定的市場敏感性，因此，除論文數據與專利數據外，研究還納入了用戶數據，并在此基礎上選取并構建具體的技術生命周期指標與測度方式。最后，基于Gartner曲線，運用專利計量、機器學習等方法，對顛覆性技術的發展階段即萌芽期、期望膨脹期、轉折期、穩步上升期以及成熟期進行刻畫。圖3展示了本文的研究框架與技術路線圖，主要包括以下步驟：樣本顛覆性技術的選取、技術特征值的計算、機器學習技術特征以及對目標技術的生命周期識別。具體而言，Gartner曲線為研究提供了一個理論框架，用于描述顛覆性技術的發展階段和波動規律，為機器學習模型的訓練提供了技術所處階段的標簽，研究通過計算和分析技術在不同發展階段的特征值，結合分類建模，訓練模型學習各階段的特征模式，從而實現對技術生命周期關鍵轉折節點的識別。

圖3 基于Gartner曲線的技術生命周期模型路線圖Fig.3 Flow of Technology Lifecycle Model Based on the Gartner Hype Cycle

2.1 樣本顛覆性技術的選取

本文通過整理2000—2023年Gartner Hype Cycle for Emerging Technologies曲線中出現的顛覆性技術，結合技術發展周期階段，選取其中生命周期完整且跨度長的代表性技術用于技術生命周期的特征學習。表1為具有代表性的顛覆性技術及其具體的技術生命周期階段。

2.2 技術特征值的計算

在上述基礎上，收集并計算樣本技術的特征值數據，主要包括論文、專利和用戶搜索數據。論文數據提供了關于技術研究和發展的學術成果與理論基礎；專利數據反映了技術創新和實際應用的成果與進展；用戶搜索數據則通過用戶對該技術的興趣和需求，側面反映技術發展的市場情況。在此通過計算樣本顛覆性技術的特征值指標，進一步理解Gartner曲線的演變特征，為后續的機器學習模型奠定基礎。

2.2.1 技術特征測度指標的選取

技術的發展是一個復雜的過程，受到許多因素的影響，包括市場需求、政策法規、競爭環境、科學研究和資源投入等。在判斷技術的發展情況時，需要收集和分析多種數據源的信息。目前，對于技術生命周期的判斷指標通常分為兩類：科學（論文）指標與技術（專利）指標［22］。科學指標，主要通過論文數量、作者數量以及相關學術機構的數量來代表技術的科學規模與進展，這些指標反映了技術的理論基礎、研究熱度以及學術界對該技術的關注程度；技術指標，主要通過專利數量、專利家族、專利權利要求項、專利發明人以及申請人的分布等信息來反映出技術的創新程度與發展階段。傳統的技術生命周期是以生產者和結果為導向進行判斷，主要關注指標如專利數量、企業數量，主要反映了生產者的活動和成果，而忽視了消費者的行為和需求。相比之下，Gartner曲線（或炒作周期）模型更注重消費者對技術的關注程度［16］，通常使用用戶搜索數據作為技術發展周期的衡量標準。因此，本研究通過加入用戶期望指標來優化技術生命周期的識別過程，用戶期望指標是通過分析用戶的搜索行為和互聯網數據來反映技術應用場景和市場需求，當某項技術處于早期發展階段時，用戶可能會對相關信息進行頻繁的搜索，表現出對新技術的濃厚興趣；而當技術逐漸成熟時，用戶搜索量可能會趨于穩定或下降。加入用戶搜索數據的技術生命周期判斷方法可以更準確地把握技術的發展趨勢和市場需求，為技術生命周期分析提供了重要的補充和支持。基于此，本文使用論文代表科學發展、專利代表技術創新、用戶搜索代表用戶期望，構建顛覆性技術生命周期測度指標。

具體而言，生命周期測度指標以論文、專利、用戶搜索為數據來源，通過對已有研究的調研［23-24］，本文將論文指標S（Pp）={Pp1，Pp2，…，Ppn}、專利指標S（Pt）={Pt1，Pt2，…，Ptn}、用戶搜索數據S（Pu）={Pu1，Pu2，…，Pun}3個一級指標以及14個二級指標作為計算對象，分別從科學研究、技術發展、用戶期望三重視角探究顛覆性技術發展規律，具體指標、計算公式及指標所需要的原始數據類型如表2所示。此外，本文的用戶期望數據以用戶的搜索情況為代表，數據選自谷歌搜索（Google Trends）平臺，谷歌搜索引擎占據了全球搜索市場最高份額，允許用戶查看和分析在谷歌搜索引擎上的搜索趨勢，提供了一個直觀、可以量化的方式來理解公眾對特定主題或查詢的興趣隨時間的變化以及地理分布情況。谷歌搜索展示的數據是基于搜索詞相對于總搜索量的比例得分，有助于比較用戶興趣的前后變化，并且搜索引擎的大多數用戶都是消費者，因此可以用來代表用戶的期望數據［20］。

領域發表的所有論文的數量，NkPp代表第k年當年發表的論文數量，AAkPp代表到第k年時該領域發表的所有論文中作者的數量，AkPp代表第k年當年發表論文中的作者數量，AIkPp代表到第k年時該領域發表的所有論文中機構的數量，IkPp代表第k年當年發表論文中的機構數量。

2.2.2 數據的獲取與指標的計算

本文在進行論文數據檢索時，選用技術特征詞在標題、關鍵詞和摘要中進行檢索，共獲得近30萬余論文數據；在進行專利數據檢索時，研究選用技術特征詞在標題、摘要中進行檢索，同時補充各技術的合作專利分類號（Cooperative Patent Classification，CPC）、國際專利分類號（International Patent Classification，IPC）、Derwent手工代碼，提高專利檢索的查全率，共獲得35萬余條專利數據（其中，專利的CPC號、IPC號及Derwent手工代碼數據借用incoPat專利數據庫的專利代碼輔助查詢工具進行查詢）；在進行用戶搜索數據檢索時，研究使用“+”連接技術的特征詞進行檢索，共獲得7項技術從2004—2023年共240次搜索數據（按月統計）。

對于獲取的論文和專利數據，首先按照技術領域進行去重，確保數據的唯一性。隨后，從中提取論文作者、論文機構、專利發明人和專利申請人等關鍵信息，并基于這些信息計算各技術領域每年的作者數量、機構數量、發明人數量和申請人數量。專利統計時，以專利的公開年份為準。在統計過程中，如果論文機構、論文作者、專利申請人或專利發明人出現多次，則僅計為1次，避免重復計算。對于用戶搜索數據，由于谷歌搜索平臺已經對數據進行了標準化處理，研究直接使用各領域獲取的搜索數據進行指標計算。最后，將清洗后的原始指標數據導入特征值計算公式中，分別計算出各技術每年的14項技術特征值指標。此外，研究對Gartner曲線刻畫的生命周期階段進行標記，將萌芽期記為階段1、期望膨脹期記為階段2、轉折期記為階段3、技術穩步上升期記為階段4、技術成熟期記為階段5。

表3是以增強現實（Augmented Reality，AR）技術為例展示的2005—2018年各項技術特征值的計算結果。AR技術在Gartner曲線中從2005年開始出現并處于萌芽期（記為階段1），2010年開始進入期望膨脹期（記為階段2），2013年進入轉折期（記為階段3）并于2018年到達技術的低谷。

2.3 基于XGBoost模型的技術特征學習

利用計算得到的各項樣本技術的技術特征值數據作為定量變量X輸入，將技術所處生命周期階段作為定類變量Y輸入，構建XGBoost分類模型［25］，研究借助SPSSPRO機器學習軟件［26］進行實現。通過輸入多種技術特征二級指標的組合，探索并確定最優的模型性能配置指標，并使用數據集中70%的數據進行學習和訓練，不斷調整數據參數，從而提高模型的可信度，完成技術周期模型的訓練。模型最終使用的二級指標及各指標的重要性如表4所示，模型各項參數如表5所示。

從表4各項二級指標的重要性占比可以看出，論文的相對增長率對技術生命周期變化的捕捉最為敏感，該指標反映了特定時間段內論文數量的相對增長速度，較高的相對增長率意味著該技術在學術界的關注度顯著提升，作為科技創新體系的源頭，科學研究是推動創新形成的關鍵［27-28］，對技術發展各階段變化的敏感性最高。此外，模型中引入的用戶搜索相關指標在識別顛覆性技術生命周期方面也發揮了一定作用，用戶搜索數據作為研究消費者關注度的重要數據來源，可以用來衡量技術發展過程的市場接受度與潛力［16］，進而成為捕捉技術發展階段的重要指標。值得注意的是，專利發明人相關指標最終并未用于顛覆性技術生命周期的判斷中，這可能與專利申請人往往對技術及市場的變化更為敏感有關。發明人對專利及市場的影響往往通過專利的申請活動間接實現，而專利申請人則直接關聯專利的法律權利和市場化活動，領域內專利申請人的變化情況更能反映該領域潛在的技術機會［29］。

經過多次參數調整，研究獲得的模型訓練集及測試集的預測評價結果如表6所示。評價結果中共有4個指標，包括準確率、召回率、精確率及F1值。其中，準確率反映了預測正確的樣本在總樣本中的占比；召回率衡量了實際為正樣本的結果中，被正確預測為正樣本的比例；精確率則關注模型預測為正樣本的結果中，實際為正樣本的比例。由于精確率和召回率存在互相影響的關系，在實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和平均F1代表綜合指標。經過測試，本研究構建的模型訓練集F1達到1，測試集F1指標高于0.75，說明數據可信。

2.4 目標技術的生命周期識別

利用訓練好的XGBoost分類模型，導入目標技術各年度的技術特征值數據，對不同年份的特征值進行分類預測，從而獲得技術在各個年份的生命周期階段標簽。進一步地，結合技術特征值原始數據的時間序列分析，確定技術發展中顯著的階段性轉折節點，從而準確劃分目標技術的生命周期階段。

3 實證檢驗：新一代人工智能技術

3.1 技術選取依據

本文將選取新一代人工智能技術作為目標顛覆性技術，識別其生命周期階段。新一代人工智能技術因其顯著的變革性和廣泛的應用前景，被認為是當代最具顛覆潛力的技術之一。具體而言，2017年，中國頒布的《新一代人工智能發展規劃》中明確指出，人工智能是影響面廣的顛覆性技術，可能帶來改變就業結構、沖擊法律和社會、侵犯個人隱私、挑戰國際關系準則等問題；2022年，美國國家科技委員會（National Science and Technology Council，NSTC）發布的《關鍵和新興技術清單》就包括了自主系統和機器人（Autonomous Systems and Robotics）技術。此外，各大商業機構和咨詢公司，如麥肯錫、波士頓咨詢等，也在其顛覆性技術分類中多次提到新一代人工智能技術的關鍵子技術，進一步確認了該技術的重要性。在子技術的劃分依據上，本文參考Gartner歷年發布的《Hype Cycle for Artificial Intelligence》報告涉及的部分子技術、新興產業的分類以及Aminer 2020年發布的人工智能發展報告中列出的AI十大技術熱點等。

基于以上參考文獻和報告，本文選取了大模型、通用人工智能、生成式人工智能、智能機器人以及科學與研究智能5項子技術代表新一代人工智能技術作為研究對象。這些子技術不僅覆蓋了新一代人工智能領域的核心發展方向，而且在近年來的研究和應用中表現出了巨大的發展潛力和應用場景，具有代表性和典型性。

3.2 新一代人工智能技術特征值計算

為了準確計算新一代人工智能技術的特征值，本文首先對數據來源進行了詳盡的整理和篩選。研究參考了2018年清華大學發布的人工智能報告中的檢索詞以及近幾年發表的有關人工智能計量分析的論文和專利報告中的檢索式，全面梳理了新一代人工智能領域的關鍵子技術主題，基于技術主題并參考專家意見構建了詳細的數據檢索策略，各子技術的論文檢索策略如表7所示，相應子技術的檢索結果如表8所示。

有關新一代人工智能技術的用戶搜索數據，本文以各子技術的主題詞進行檢索，將各技術不同的主題詞用“+”連接，從而獲取以5項子技術為代表的新一代人工智能技術的用戶搜索趨勢變化，2004—2023年的用戶搜索趨勢變化如圖4所示。進一步地，根據獲取的新一代人工智能領域論文、專利及用戶搜索數據計算技術每一年的論文特征指標S（Pp）、專利特征指標S（Pt）與用戶搜索特征值指標S（Pu）。

3.3 新一代人工智能技術生命周期識別

將新一代人工智能技術歷年的技術特征值輸入訓練好的模型中，識別人工智能技術發展的關鍵節點和轉折點。經過計算，模型認為新一代人工智能技術的發展轉折點分別在2014年、2017年以及2022年。

為進一步驗證技術發展階段的劃分是否準確并便于可視化展示，本文結合二級指標所涉及的論文、專利及用戶期望的原始數據演變趨勢進一步判斷，如圖5所示。從圖5可以看出，本文所識別的新一代人工智能技術的發展轉折點符合各項原始數據的演變趨勢，新一代人工智能技術的發展在2014年以前處于萌芽期，2015年進入期望膨脹期，2018年之后部分曲線先增后降，發展進入轉折期；曲線于2022年后開始穩步上升。

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

1）萌芽期：新一代人工智能技術在2014年前處于萌芽期，主要集中于理論和基礎研究的探索。此時，盡管已有少量研究和應用，但整體上未受到廣泛關注，尚未在學術界和產業界形成系統化的發展框架或商業模式。在這一階段，雖然神經網絡和機器學習算法的概念已經存在，但由于計算能力和數據資源的限制，這些技術的實際應用依然十分有限。同時，生成式對抗網絡（GAN）的基礎理論逐漸形成，為后來的生成式人工智能發展奠定了堅實的理論基礎［30］。早期的智能機器人技術也在實驗室環境中進行了初步的探索，但尚未達到廣泛應用的程度。在此階段，相關的政策資助也較為薄弱，美國于2013年率先啟動“通過推動創新型神經技術開展大腦研究”（Brain Research Through Advancing Innovative NeuroTechnologies）的計劃（簡稱“腦計劃”）［31］，旨在探索人類大腦的工作機制等，腦科學的新發現為深入揭示人類大腦的工作機制提供了重要突破，成為推動人工智能發展的全新動力，并為下一代人工智能技術的研發奠定了理論基礎。

2）期望膨脹期：自2015年起，在各國（地區）政府出臺的人工智能戰略規劃的強力支持下，新一代人工智能技術步入期望膨脹期。在這一階段，新一代人工智能技術引起了人們的廣泛關注和熱情。一方面，隨著技術潛力的逐步顯現，政府開始加大政策支持力度，大量的研究機構、高校和企業在政策的支持下也開始投入資金和人力資源進行新一代人工智能相關的研究和開發。2015年1月23日，日本政府公布了《機器人新戰略》，提出“邁向世界領先的機器人新時代”的目標［32］，強調機器人技術的前沿發展；2016年，美國發布《美國國家人工智能研究與發展戰略計劃》，旨在產生新的人工智能知識和技術，為社會提供積極效益［33］；同年，中國發布的“十三五”國家科技創新規劃綱要也將“腦科學與類腦研究”列為“科技創新2030——重大項目”，旨在搶占腦科學前沿研究制高點［34］。此外，歐盟、英國等國家（地區）也頒布了一系列政策推動人工智能的創新發展［35-36］。從圖4中可以看出，這個時間段內的研究人員、研究機構以及研究成果相較前一階段有明顯增長。另一方面，世界科技巨頭在人工智能領域的突破性進展和應用開始出現，引發了人們對于人工智能技術未來發展的無限遐想和期待。2016年，谷歌發布了其開源的自動圖像描述系統“Show and Tell”，能夠結合場景生成精準的圖像描述；在無人駕駛領域，谷歌以技術為核心，聚焦基礎技術探索和人工智能關鍵技術的研發。微軟于同年發布了人工智能機器人第四代微軟小冰，并成立了微軟人工智能與研究事業部。2016年，中國科技企業（如百度、騰訊等）也相繼成立人工智能實驗室用于人工智能前沿領域的研究［37］。在技術發展上，2017年，Transformer模型的提出開創了自然語言處理領域的新紀元，極大地推動了大模型的發展［38］。此外，AlphaGo在復雜博弈中的成功展示了人工智能在解決高復雜度問題上的潛力［39］，更是將人們對人工智能的期望推向前所未有的高度。這一時期，生成對抗網絡的應用開始擴展至圖像生成和其他領域。

3）轉折期：2018—2022年為新一代人工智能技術發展轉折期，在這段時間內，新一代人工智能技術雖然取得了一些重要的進展（如深度學習技術的崛起、大語言模型的普及應用），但同時也暴露出了一些困難和挑戰（如算法的局限性、數據隱私和安全等問題），人們開始重新審視新一代人工智能技術的應用，企業與市場也開始評估技術的可發展性，并思考如何突破技術瓶頸。2018年，OpenAI發布預訓練語言模型GPT1.0［40］，其通過無監督學習的方式，使得對大規模文本數據的學習成為可能，但模型在理解和準確回答問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，經過優化與更大規模訓練的模型在語言生成和理解方面取得了很大的進步，但也引發了人們對模型濫用、倫理安全和資源消耗的關注［41］。在此階段，企業與市場也開始評估新一代人工智能技術的可發展性，熱度有所減退，市場規模增速放緩［42］，中國人工智能的企業成立數量及融資情況在這一階段均有所降低［43］。2022年，OpenAI進一步突破技術瓶頸，推出ChatGPT，人們對新一代人工智能技術的應用有了新的認識，產品兩個月內的活躍用戶就達到了1億［44］。這一階段，生成式人工智能的應用擴展至圖像生成和音樂創作等領域，如DALL-E模型的出現［45］，智能機器人技術在工業和服務領域的應用也在不斷深化。

4）穩步上升期：自2023年起，新一代人工智能技術進入穩步上升期，逐漸走出了轉折期帶來的困境，應用逐漸成熟并擴展至更多領域。大模型和生成式人工智能在內容創作、醫療診斷等方面展現出更廣泛的應用前景，進一步推動了科學研究和產業創新［46］。智能機器人在更多復雜場景中得到部署，特別是在醫療、農業和物流等領域，展示出更高的自主性和適應性。隨著多模態技術的不斷發展，人工智能模型在智能家居和智慧城市領域的應用前景廣闊，在自動駕駛和工業制造領域也展現出較強的應用前景［47］。同時，人們也更加關注政策與倫理方面的考量，歐盟于2024年發布《人工智能法案》［48］，實施對人工智能系統進行分類監管，強調積極迎接數據依賴與局限、倫理與安全等挑戰。

3.4 識別結果的驗證

為了驗證本文構建的生命周期模型的科學性與準確性，本研究選擇技術生命周期中常用的S曲線模型進行結果對比。S曲線是一種經典的技術發展曲線，其通過Logistic模型進行曲線擬合，將技術生命周期劃分為4個階段：萌芽期、成長期、成熟期和衰退期，表10為S曲線各階段的特征值，其中，K代表Y的最大值，反映了技術發展的潛在極限。考慮到顛覆性技術的發展不一定按照傳統的線性路徑，研究進一步選用“反向S曲線”進行擬合并對結果進行補充對比。反向S曲線通常用折線圖表示，其中橫軸表示專利申請量，縱軸表示專利權人數（或發明人數），通過描繪不同時間階段下的曲線狀態與通用曲線圖進行對比，從而識別技術所處的發展階段。

研究將新一代人工智能技術的專利累計數據導入Loglet Lab4軟件中，并使用Logistic模型對人工智能技術專利增長數據進行擬合，S曲線的擬合結果如圖6所示。結果顯示，模型的擬合優度R2值為0.948，表明Logistic模型對專利增長數據的擬合效果較好，能夠反映新一代人工智能技術的發展趨勢。研究進一步使用歷年來新一代人工智能技術的專利申請量與專利發明人數量構建反向S曲線，結果如圖7所示。

根據S曲線的擬合結果，新一代人工智能技術在2019年前處于萌芽期，2020—2026年進入成長期，模型預測該技術將于2027年步入成熟期。然而，進一步分析多源數據（包括學術論文、技術專利和用戶期望數據的變化趨勢）顯示，新一代人工智能技術發展的周期階段比S曲線擬合結果所揭示得更加復雜。從圖5可以看出，自2015年起，與新一代人工智能技術相關的論文作者數量和專利發明人數量都顯示出明顯的增長趨勢，表明該技術的第一個發展轉折點可能早于2019年。尤其是2022年，該領域的專利數量、專利發明人及申請人數量出現了顯著的波動，并不完全符合S曲線中的持續上升趨勢。

根據反向S曲線的擬合結果，新一代人工智能技術在2020年前處于成長期，2022年后發展邁入新的階段，這一關鍵轉折點的識別與本研究構建的模型識別結果一致。然而，圖7中也顯示，反向S曲線對技術發展初期的識別并不十分清晰，單純依賴曲線的變化趨勢難以準確捕捉技術發展階段的變化。同時，技術發展中后期的演變趨勢也不完全符合反向S曲線的典型模式。此外，Gartner Hype Cycle for AI顯示，新一代人工智能技術的子技術中，智能機器人技術、大模型的基礎技術：自然語言處理技術以及深度學習技術在2017年時已處于期望膨脹期［49］，大模型的基礎技術在2022年時處于發展轉折期［50］。這些數據表明，傳統的S曲線模型與反向S曲線模型在捕捉技術早期階段和動態變化方面可能存在一定局限性。相比之下，本文基于Gartner曲線構建的生命周期模型能夠更敏感地識別新一代人工智能技術發展的早期階段特征。

綜合以上分析，本文驗證了基于Gartner曲線的生命周期模型在識別顛覆性技術發展動態方面的優越性，尤其是在識別技術發展的早期轉折點和關鍵階段方面具有更高的準確性和敏感性。

4 結 論

顛覆性技術具有極大的創新性、顛覆性和影響力，往往具有重新定義行業競爭格局和發展路徑的能力，因此，識別和理解顛覆性技術的生命周期階段，對國家（地區）和企業的技術投資決策、戰略規劃以及政策制定具有至關重要的意義。然而，顛覆性技術的生命周期往往偏離傳統的線性發展模式，呈現出復雜且多變的演化過程，傳統的技術生命周期刻畫方法，如S曲線模型、專利計量法等，往往難以準確捕捉顛覆性技術的動態發展過程。

本研究通過構建基于Gartner曲線的生命周期識別方法，使用機器學習技術成功地識別了顛覆性技術的生命周期階段特征，并且在新一代人工智能技術的實證檢驗中驗證了該方法的有效性和準確性。研究結果表明，相比于傳統的S曲線模型，該方法在識別技術早期發展階段的變動和趨勢方面表現出更高的敏感性和準確性。從理論意義而言，本研究創新性地將Gartner曲線引入顛覆性技術生命周期的識別研究，并結合論文、專利、用戶三維數據，構建了系統的技術發展特征測度體系，為顛覆性技術的動態演化特征研究提供了新的視角；此外，研究系統地揭示了Gartner曲線與傳統生命周期模型的差異及適用場景，為顛覆性技術生命周期的理論研究提供了重要補充，并驗證了用戶期望在技術識別中的重要作用，為后續技術生命周期的相關研究奠定了基礎。在實踐價值方面，本研究所提出的方法能夠為技術管理部門、政策制定者和企業更精準地識別顛覆性技術的生命周期階段提供支持，從而優化研發資源分配、政策設計及市場戰略布局，特別是在人工智能等快速發展的技術領域具有較強的指導作用。

然而，本研究也存在進一步優化的空間。首先，研究選取了Gartner曲線中生命周期階段較為完整的7項代表性顛覆性技術用于模型訓練，較好地捕捉了技術各階段的特征。但是，由于技術成熟期階段的特征樣本較少，可能會導致模型在該階段的識別精確性受限，影響模型的準確性。未來的研究可以通過豐富訓練數據，尤其是成熟階段的樣本量，進一步增強模型對生命周期后期特征的學習能力和預測準確性。此外，當前模型在各階段特征值的訓練中缺乏對時間序列動態變化的考慮，這可能導致部分階段的識別不夠準確。顛覆性技術的演化階段較為復雜，往往需要結合時間序列的變化定位發展階段，未來可以通過結合動態數據建模，采用優化的機器學習方法（如時序模型或動態分類器），將時間序列維度融入特征分析中，以提升對技術生命周期階段的精細化識別能力。

參考文獻

［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.基于專利信息分析的技術生命周期判斷方法［J］.現代情報，2012，32（2）：98-101.

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

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

［5］張豐，繆小明，王海嘯.基于專利信息分析的中、美、日新能源汽車技術生命周期研究［J］.世界科技研究與發展，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.基于專利指標法和S曲線的門禁系統安全技術生命周期研究［J］.科技管理研究，2019，39（15）：130-136.

［8］明宇，司虎克.技術創新擴散動力對技術生命周期的影響——以我國運動鞋專利技術為例［J］.情報雜志，2014，33（6）：93-98.

［9］姜紅，吳玉浩，高思芃.基于專利分析的技術標準化能力演化過程研究［J］.情報雜志，2018，37（7）：66-73.

［10］李維思，史敏，肖雪葵.基于專利分析的產業競爭情報與技術生命周期研究——以太陽能薄膜電池產業為例［J］.企業技術開發，2011，30（11）：91-93.

［11］王云飛，初志勇，管泉，等.基于專利分析的動力型鋰離子電池發展態勢分析［J］.現代情報，2015，35（6）：102-106.

［12］李進進，劉迎鳴，王在竹，等.廣東省體外診斷試劑（生物類）專利申請分析［J］.中國科技信息，2018（1）：31-32，34.

［13］黃穎.基于專利文獻的技術演化路徑識別方法研究［D］.北京：北京理工大學，2018.

［14］王山，譚宗穎.技術生命周期判斷方法研究綜述［J］.現代情報，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，Fenn 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.基于多指標體系的技術生命周期判斷方法研究［J］.現代情報，2022，42（3）：77-85.

［23］任智軍，喬曉東，徐碩，等.基于數據挖掘的技術機會發現模型研究［J］.情報雜志，2015，34（6）：174-177，190.

［24］王山.基于技術功能指標的技術生命周期判斷方法研究［J］.情報雜志，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.“專利申請人/專利權人”主體視角下的技術機會識別研究［J］.競爭情報，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］中華人民共和國中央人民政府.國務院關于印發“十三五”國家科技創新規劃的通知［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.全球人工智能發展動態［J］.競爭情報，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協會.2024人工智能發展白皮書［R］.深圳：深圳市易行網數字科技有限公司，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.

（責任編輯：郭沫含）