关键核心技术的关键衍生创新技术弱信号探测模型研究

doi:10.3772/j.issn.1000-0135.2025.12.008

情报学报

2025, Vol. 44

Issue (12): 1596-1609 DOI: 10.3772/j.issn.1000-0135.2025.12.008

情报技术与应用

本期目录 | 过刊浏览 | 高级检索

关键核心技术的关键衍生创新技术弱信号探测模型研究

叶光辉¹, 涂凯¹, 韩丽¹, 胡丽娜¹, 熊炳桥²

1.华中师范大学信息管理学院，武汉 430079
2.湖北江城实验室战略研究院，武汉 430010

Research on Weak Signal Detection Models for Key Derivative Technologies along the Innovation Chain of Critical Core Technologies

Ye Guanghui¹, Tu Kai¹, Han Li¹, Hu Lina¹, Xiong Bingqiao²

1.School of Information Management, Central China Normal University, Wuhan 430079
2.Strategic Studies Institute of Yangtze Laboratory, Wuhan 430010

摘要
图/表
参考文献
相关文章 (7)

全文: PDF (4006 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要持续追踪关键核心技术的衍生创新技术链条上的关键衍生创新技术需具备技术感知前瞻性，才能避免企业技术研发与相关部门的科技资源分配陷入“技术信息迷雾”。在希尔图宁三元符号理论基础上，结合适应度地形理论与信息觅食理论等在内的多种相关理论，构建多理论支撑的关键衍生创新技术弱信号探测模型，并将弱信号探测划分为信号可见度测度、信号扩散度测度与信号理解3个阶段。结合具体技术示例，验证弱信号探测模型效度，并针对弱信号孤立解读与信号消失等问题，从主题层面探索示例技术演化规律。选取人工智能领域中的关键核心技术Transformer开展实证分析，获取与融合异类数据，挖掘不同时期关键衍生创新技术弱信号与预判弱信号后续演化趋势。2018年下半年至2020年上半年，Transformer技术发展集中于自然语言处理领域，识别出包括GPT（generative pre-trained transformer）技术等在内的多项衍生创新技术具有弱信号特征；2020年下半年至2022年上半年，Transformer技术发展分散于计算机视觉领域，识别出包括图像分类在内的多项衍生创新技术呈现弱信号特征；2022年下半年至2024年上半年，Transformer技术在多模态领域具有关键衍生创新技术弱信号，未来有较大发展潜力与空间。本文提出的弱信号识别模型不仅是技术预见相关理论发展的有益补充，而且能够为相关企业与部门的研发活动的科技布局提供战略参考。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	叶光辉
	涂凯
	韩丽
	胡丽娜
	熊炳桥

关键词 ：关键衍生创新技术, 技术探测, 弱信号, 希尔图宁三元符号理论

收稿日期: 2025-01-03

基金资助:国家社会科学基金重大项目“面向国家安全体系和能力现代化的国家战略腹地建设研究”（24&ZD118）。

作者简介: 叶光辉，1986年生，博士，教授，博士生导师，研究方向为信息检索、数据挖掘，E-mail：3879-4081@163.com；涂凯，2002年生，硕士研究生，研究方向为技术预见与弱信号分析；韩丽，2001年生，硕士研究生，研究方向为数据挖掘；胡丽娜，2002年生，硕士研究生，研究方向为数据挖掘；熊炳桥，1990年生，硕士研究生，研究方向为科技管理与政策；

引用本文:

叶光辉, 涂凯, 韩丽, 胡丽娜, 熊炳桥. 关键核心技术的关键衍生创新技术弱信号探测模型研究[J]. 情报学报, 2025, 44(12): 1596-1609.
Ye Guanghui, Tu Kai, Han Li, Hu Lina, Xiong Bingqiao. Research on Weak Signal Detection Models for Key Derivative Technologies along the Innovation Chain of Critical Core Technologies. 情报学报, 2025, 44(12): 1596-1609.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2025.12.008 或 https://qbxb.istic.ac.cn/CN/Y2025/V44/I12/1596

1 赵丹晓, 龚红. 知识成熟度、桥接科学家与衍生技术创新[J]. 南开管理评论, 2025, 28(10): 40-51.
2 章琰, 朱英, 郑晓齐. 重大关键核心技术中的“衍生小技术”——以双光子STED复合显微镜项目为例[J]. 科学学研究, 2021, 39(5): 876-881.
3 孙薇, 叶初升. 政府采购何以牵动企业创新——兼论需求侧政策“拉力”与供给侧政策“推力”的协同[J]. 中国工业经济, 2023(1): 95-113.
4 王康, 陈悦, 王玉奇, 等. 颠覆性技术识别与扩散趋势预测: 概念模型与实证分析[J]. 情报学报, 2024, 43(8): 899-913.
5 韩盟, 陈悦, 王玉奇, 等. 弱信号识别研究综述: 寻找微弱的未来信号[J]. 情报学报, 2023, 42(8): 996-1008.
6 赖秀萍, 聂力兵, 周青, 等. 关键核心技术对产业链衍生技术创新的影响[J]. 科学学研究, 2024, 42(12): 2642-2655.
7 温丹慧. “元宇宙+出版”的无限可能[J]. 文化产业, 2024(32): 13-15.
8 田常伟, 董坤, 陈可鑫, 等. 技术演化视角下关键核心技术衍生技术识别方法研究[J]. 情报理论与实践, 2025, 48(3): 134-142.
9 梁启华. 相关技术及衍生技术对产业集聚的影响机理[J]. 科学学与科学技术管理, 2005, 26(4): 48-51.
10 Ebadi A, Auger A, Gauthier Y. Detecting emerging technologies and their evolution using deep learning and weak signal analysis[J]. Journal of Informetrics, 2022, 16(4): 101344.
11 田雪灿, 王丽. 信号处理视角下的科技前沿弱信号探测研究——以政采合同数据为例[J]. 数据分析与知识发现, 2025, 9(4): 46-56.
12 刘俊婉, 庞博, 徐硕. 基于弱信号的颠覆性技术早期识别研究[J]. 情报学报, 2023, 42(12): 1395-1411.
13 余辉, 吴昀璟, 夏文蕾, 等. “政府-市场-企业”三维视角下技术需求弱信号感知研究——以新能源汽车领域为例[J]. 情报理论与实践, 2025, 48(3): 106-116.
14 张慧玲, 许海云, 刘春江, 等. 科技创新弱信号早期感知方法探究与前瞻[J]. 情报学报, 2024, 43(10): 1129-1141.
15 Holopainen M, Toivonen M. Weak signals: ansoff today[J]. Futures, 2012, 44(3): 198-205.
16 Coffman B S. Weak signal research, Part I: introduction[EB/OL]. (1997-01-15). https://legacy.mgtaylor.com/mgtaylor/jotm/winter97/ wsrintro.htm.
17 Hiltunen E. The future sign and its three dimensions[J]. Futures, 2008, 40(3): 247-260.
18 Yoon J. Detecting weak signals for long-term business opportunities using text mining of Web news[J]. Expert Systems with Applications, 2012, 39(16): 12543-12550.
19 韩盟, 陈悦, 王玉奇, 等. 基于异类数据和语义建构的新兴技术弱信号识别研究[J]. 情报学报, 2024, 43(3): 302-312.
20 王莉晓, 陈伟, 邱含琪. 基于机器学习的颠覆性技术弱信号识别模型研究[J]. 数据分析与知识发现, 2024, 8(8-9): 63-75.
21 韩盟, 陈悦, 王玉奇, 等. 新兴技术弱信号识别: 理论模型与测度方法[J]. 科学学研究, 2024, 42(11): 2262-2274.
22 Hiltunen E. Weak signals in organizational futures learning[D]. Helsinki: Helsinki School of Economics, 2010.
23 董尹, 刘千里, 宋继伟. 基于系统动态学方法的弱信号生命周期建模与仿真[J]. 图书情报工作, 2019, 63(13): 75-84.
24 梁树广, 谢冉冉, 冯倩倩. 新能源汽车产业“三链”耦合: 理论逻辑、测度与路径[J]. 财会月刊, 2024(22): 117-123.
25 白光祖, 郑玉荣, 吴新年, 等. 基于文献知识关联的颠覆性技术预见方法研究与实证[J]. 情报杂志, 2017, 36(9): 38-44.
26 张春莉, 牛钢. AI4S引领的医疗变革: 数字化时代下在药物研发与临床实践中应用[J/OL]. 中国胸心血管外科临床杂志, (2024-07-09) [2024-09-28]. https://link.cnki.net/urlid/51.1492.R.20240705.1245.006.
27 张玲玲, 林青, 余梦霞, 等. 高质量保护与转化导向下高校专利申请前评估框架体系探索[J]. 科技管理研究, 2024, 44(7): 106-114.
28 许佳琪, 汪雪锋, 陈虹枢, 等. 跨领域颠覆性技术主题识别研究——以脑科学技术为例[J]. 图书情报工作, 2024, 68(15): 44-57.
29 Yun J, Geum Y. Analysing the dynamics of technological convergence using a co-classification approach: a case of healthcare services[J]. Technology Analysis & Strategic Management, 2019, 31(12): 1412-1429.
30 陆泉, 秦雨萱, 陈静. 跨学科“技术—主题”创新组合识别——以人工智能技术驱动图情领域创新为例[J]. 图书情报工作, 2024, 68(2): 50-61.
31 王娟茹, 刘欣妍, 任轩华. 双元学习、组织韧性对企业技术创新的影响[J]. 科技管理研究, 2024, 44(8): 1-11.
32 岳立柱, 张家伟, 赵培云. 基于知识扩散理论期刊网络传播影响力评价——以我国管理类CSSCI期刊为例[J]. 图书馆学刊, 2024, 46(7): 89-95.
33 温军, 冯根福, 刘志勇. 异质债务、企业规模与R&D投入[J]. 金融研究, 2011(1): 167-181.
34 李昶, 吴小桔, 吴洁. 基于熵值法的知识产权示范市专利实力评价研究[J]. 情报杂志, 2016, 35(9): 135-140, 129.
35 赵小康. 弱信号: 识别、探测与应对[J]. 情报杂志, 2010, 29(1): 159-163.
36 Park C, Kim M. A study on the characteristics of academic topics related to renewable energy using the structural topic modeling and the weak signal concept[J]. Energies, 2021, 14(5): 1497.
37 Ma M, Mao J, Li G. Discovering weak signals of emerging topics with a triple-dimensional framework[J]. Information Processing & Management, 2024, 61(5): 103793.
38 陈仕吉, 史丽文, 李冬梅, 等. 论文被引频次标准化方法述评[J]. 现代图书情报技术, 2012(4): 54-60.
39 赵动员, 唐中君, 孙凤霞. 基于动态主题模型的需求弱信号识别研究——以比亚迪新能源汽车为例[J]. 情报杂志, 2024, 43(10): 81-89.
40 焦豪, 杨季枫. 数字技术开源社区的治理机制: 基于悖论视角的双案例研究[J]. 管理世界, 2022, 38(11): 207-232.
41 李玥, 钱科研, 徐岸峰, 等. 平台生态系统: 理论框架与未来展望[J/OL]. 系统工程理论与实践, (2025-02-25) [2025-03-05]. https://link.cnki.net/urlid/11.2267.N.20250224.1429.012.
42 李一铭, 徐绪堪. 应用视角下基于异常检测的颠覆性技术爆发机会识别[J]. 情报杂志, 2024, 43(9): 77-83.
43 Toobaee M, Schiffauerova A, Ebadi A. Proximity matters: analyzing the role of geographical proximity in shaping AI research collaborations[OL]. (2024-01-10). https://arxiv.org/pdf/2406.06662.
44 Chen B Y, Li P X, Bai L, et al. Backbone is all your need: a simplified architecture for visual object tracking[C]// Proceedings of the 17th European Conference on Computer Vision. Cham: Springer, 2022: 375-392.
45 Yousuf R B, Biswas S, Kaushal K K, et al. Lessons from deep learning applied to scholarly information extraction: what works, what doesn’t, and future directions[OL]. (2022-07-08). https://arxiv.org/pdf/2207.04029.
46 刘源, 刘大伟, 张玉秀, 等. 融合多粒度代码特征和孤立森林算法的配置类型识别[J]. 计算机工程与应用, 2025, 61(13): 185-199.
47 王凯帆, 徐易难, 余子濠, 等. 香山开源高性能RISC-V处理器设计与实现[J]. 计算机研究与发展, 2023, 60(3): 476-493.
48 王益成, 蒋星宇, 郑彦宁. 基于BERTopic模型的科技报告主题挖掘与演化分析——以生物技术领域为例[J]. 情报科学, 2024, 42(9): 51-60.
49 de Vos M G J, Dawid A, Sunderlikova V, et al. Breaking evolutionary constraint with a tradeoff ratchet[J]. Proceedings of the National Academy of Sciences of the United States of America, 2015, 112(48): 14906-14911.
50 杨波, 邵婉婷. 弱信号概念的各领域研究向度和理路构建[J]. 情报杂志, 2023, 42(6): 96-103.
51 Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook: Curran Associates, 2017: 6000-6010.
52 Gillioz A, Casas J, Mugellini E, et al. Overview of the transformer-based models for NLP tasks[C]// Proceedings of the 2020 Federated Conference on Computer Science and Information Systems. Piscataway: IEEE, 2020: 179-183.
53 Devlin J, Chang M W, Lee K, et al. BERT: pre-training of deep bidirectional transformers for language understanding[C]// Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Stroudsburg: Association for Computational Linguistics, 2019: 4171-4186.
54 Strudel R, Garcia R, Laptev I, et al. Segmenter: transformer for semantic segmentation[C]// Proceedings of the 18th International Conference on Computer Vision. Piscataway: IEEE, 2021: 7242-7252.
55 Jaegle A, Gimeno F, Brock A, et al. Perceiver: general perception with iterative attention[J]. Proceedings of Machine Learning Research, 2021, 139: 4651-4664.