开放科学(资源服务)标识码(OSID)：
To address the inadequacies,this paper constructs a value-flow-based analytical framework for identifying symbiotic technology-driven relationships. A multilayer network composed of actors,technology topics and industrial applications is first constructed. In this network,innovation actors provide innovation value to technology topics,while technology topics transfer application value to industrial scenarios. On this basis,the innovation value stream and application value stream of each technology topic are calculated to describe the dynamic value trajectory of technology evolution. Dynamic time warping is then introduced to align the value stream sequences of different technology topics. By comparing the similarity of value flow trends under different time shifts,this paper identifies whether one technology precedes another in the evolutionary process and whether it forms a driving relationship with the associated technology. Furthermore,transfer entropy and the time-offset distribution of DTW alignment paths are used to measure driving intensity and driving stability,respectively. According to these two dimensions,the driving relationships among symbiotic technologies are divided into four types:stable driving,occasional driving,foundational support and temporary coupling.
Taking intelligent chip technology as the empirical field,this paper collects 28 633 authorized invention patents from 2006 to 2025 and uses a dynamic LDA model to identify eight technology topics,including FPGA hardware logic configuration,network device control,SoC chip bus architecture,GPU graphics rendering,processor memory access,video signal processing,target image processing and timing signal control. The empirical results show that a complex driving network exists among symbiotic technologies in the intelligent chip field. Network device control and GPU graphics rendering are the leading technologies,and they drive the evolution of related technologies through multiple paths. Technologies located in key positions of the underlying architecture tend to generate high-intensity and relatively stable driving effects,because their evolution provides basic support for data transmission,module coordination,interface response and computing performance. Foundational supporting technologies may also lead to path dependence,making associated technologies maintain compatibility with the technical standards,functional interfaces and application environments provided by leading technologies. When leading technologies encounter technical bottlenecks or changes in R&D direction,the driving process becomes unstable and shows phased fluctuations or intermittent transmission. In addition,driving relationships mainly realized through indirect technological association are relatively weak in both intensity and stability.
This paper advances the study of symbiotic technology evolution by shifting the focus from static association analysis to dynamic driving relationship analysis. By integrating innovation value streams and application value streams,this paper provides a new perspective for explaining how value is transmitted among symbiotic technologies during technological evolution. Methodologically,the introduction of dynamic time warping makes it possible to capture asynchronous evolutionary patterns and time-lagged relationships that are difficult to identify through conventional correlation methods. In practice,the paper reveals the driving network,leading technologies,driving paths and differentiated driving characteristics in the field of intelligent chips. The findings can help innovation actors identify key technologies,optimize technology portfolios and allocate R&D resources more effectively. They also provide implications for industrial managers to monitor technological bottlenecks,coordinate the development of related technologies and reduce the risk of performance shortfalls in complex product systems.
开放科学(资源服务)标识码(OSID)：
在新一轮科技革命和产业变革背景下,全球主要经济体将发展重点聚焦于高技术产业。这一过程中,产业发展不再以少数技术突破为主要特征,而是逐步表现为多项技术之间的协同演化与系统集成。在产业链中,共生技术之间的功能互补和相互依赖,使一项技术的进步能够带动关联技术演化,形成创新驱动效应[1]。例如,数控系统与工业软件的发展依赖数控机床本体提供应用场景,而机床本体性能提升也需要二者的突破作为支撑,在持续共生演化中形成相互驱动关系。然而,技术发展离不开创新主体的资源投入和产业应用中的价值转化,研发投入方向改变、成果转化及应用受限、市场需求反馈滞后等原因都可能导致共生技术的驱动关系出现时滞。如机床硬件已取得突破,但配套的工业软件算法、工艺数据库和系统集成能力发展滞后,使得硬件性能难以在复杂加工场景中充分发挥,从而对复杂产品系统及其产业的快速发展形成阻碍。因此,通过对共生技术驱动关系及其特征分析,能够帮助创新主体明确技术间的互动模式及演化趋势,进而优化技术组合与投入资源配置,提升整体创新效率。
共生技术具有类似生态系统中物种的依存特征,并通过相互作用形成复杂关系网络[2-3]。因此,共生演化过程不仅涉及技术自身演化规律,还需要考虑技术间的相互作用及外部环境的影响。创新主体的资源投入赋予技术创新价值,而技术通过价值转化,赋予产业应用价值[4]。先行技术完成这一过程后,在技术性能互补、市场进一步需求等内外部因素共同作用下,对共生关联技术形成了创新驱动效应。因此,需要在考虑共生技术复杂系统特性与价值协同特征的基础上,对技术间的驱动关系展开研究。
现有研究主要采用引文关系、共词聚类及复杂网络等方法对技术间的关系进行分析[4-6]。引文关系虽能捕捉技术间的直接关联,但仅限于技术层面,无法体现创新主体的研发投入与产业应用的价值转化过程;共词、共类分析揭示相似技术间的静态关联,却无法度量技术间的驱动强度与驱动稳定性;复杂网络可从整体视角揭示技术之间的关联、依赖和协作关系,然而单层网络仍存在维度单一的局限性,难以实现“主体→技术→产业”的跨层价值流动,无法有效解释技术演化过程中的驱动机制。鉴于此,为将共生技术的复杂系统特性与价值协同特征纳入同一分析框架,本文构建创新主体、技术主题和产业应用三层网络,通过价值流序列比较与动态时间规整的方式,挖掘共生技术间的动态驱动关系,为共生技术演化研究提供新的分析视角。
共生技术的形成离不开技术互动时的自发耦合、外部环境的选择以及创新演化的需要。系统内技术演化存在着各种竞合关系,各项技术的发展轨迹不可避免地受到系统内其他技术的影响[7]。这种内生局限性与竞争技术的制约,促使技术在演化过程中出现对关联技术的功能依赖和协同需求,进而在持续互动过程中形成自发耦合趋势。在宏观层面,多元化产业市场需求为共生技术形成提供外部动力,技术组合的规模与多样性优势更能适应复杂市场需求,并为创新主体带来巨大的经济效益与竞争优势[8]。在市场需求的推动下,创新主体更倾向于选择具有功能互补性的技术配对,而处于落后竞争关系的技术则会在市场筛选中逐步被淘汰,从而推动技术在持续互动中向互利共生关系演化[9]。在微观层面,技术间的协同创新为共生技术形成提供了内部动力。创新主体在探索创新路径与满足市场需求过程中,通过对不同技术间异质知识要素的整合,实现共生技术的协同创新。随着功能依赖与知识耦合程度不断加深,技术间的共生状态逐步趋于稳定,演化趋势也相对同步,体现二者在领域中的高度耦合。可见,推动技术共生状态形成的动力,源于不同技术在长期互动过程中对技术性能互补或产业应用协同的需求[10]。结合共生技术形成机理,可以认为共生技术是在技术演化过程中,两项或多项技术基于功能互补、知识耦合与协同创新需求,在持续互动中逐步形成相互依赖、共同演化的技术关系。为进一步明确共生技术概念边界,将其与相关技术概念进行比较,如表1所示。
表1 共生技术概念辨析
Table 1 Conceptual distinction of symbiotic technology
技术类型 核心概念与共生技术的区别关键核心技术具有战略稀缺性与技术垄断性、处于产业链核心位置的不可替代技术[4]关键核心技术强调单项技术的战略地位与“卡脖子”属性;共生技术强调两项技术间的共同演化关键共性技术可跨产业广泛应用、推动产业结构升级的基础性通用技术[11]关键共性技术强调单项技术对多产业的基础性支撑;共生技术强调技术间的功能互补与协同创新颠覆性技术以新原理或新组合颠覆主流技术范式、开辟全新技术轨道的革命性技术[12]颠覆性技术强调对原有技术体系的颠覆冲击与替代;共生技术以技术间“互利共生”为核心逻辑
技术系统由相互作用的技术组成,在协同共生的需求下,当某项技术性能提升较快时,其关联技术需要及时跟进以避免系统整体性能滞后,从而驱动各技术演化发展[13]。此过程也会推动技术系统不断进步并趋于复杂化,技术间的协同强度与互动频度越高,技术系统发展速度越快[14]。在长期演化过程中,具有较多共生关联的技术通常在扩散速度、应用程度及性能提升方面优于关联度较低的技术,同时反映出技术系统中复杂的网络结构特征[15]。共生技术演化不仅受内部协同关系的影响,也受到市场需求、政策制度和资源条件等外部因素的促进或抑制作用[16]。正向外部环境会促使技术系统不断优化技术组合与功能布局,调整技术间的协同方式,从而改变共生技术演化路径[17]。在产业应用中,产品通常由多个技术方案组成,这些方案通过聚合效应实现技术在产品中的实际应用[18]。技术间的相互作用不仅影响关联技术发展,也会共同推动产品整体技术体系演化[19]。随着产品市场需求水平提升,对技术性能的要求也随之发生变化,从而再次推动技术系统中关联技术演化[20]。为弥补现有技术对产品方案的支撑不足,部分未关联技术会逐步融入技术体系,形成新的共生关系,使系统能够满足不断变化的市场需求[21]。由此可见,共生技术驱动关系形成依赖于技术系统内部协同耦合,并受市场需求与产业应用的持续牵引。从演化过程看,先行技术自身价值提升,是其对关联技术形成驱动作用的前提。先行技术以价值流的形式经历创新价值与应用价值的增值过程,并在此基础上形成对关联技术的驱动作用。
从价值流动视角出发,技术间的共生状态体现为不同技术在同一系统中的长期价值关联与共同演化[22]。随着演化过程不断推进,不同技术在价值积累上会逐渐形成先后差异。先行技术形成演化优势后,会逐步积累知识基础、技术条件与应用场景,并在创新主体投入与产业需求牵引下,对关联技术形成驱动作用[23]。由于共生技术之间本身存在知识与应用上的衔接,关联技术能够有效承接这种影响,并据此调整自身演化方向。同时,关联技术在受到正向驱动演化的过程中,其所体现的功能改进与产品效果会进一步反馈到先行技术中,为先行技术的后续演化提供方向依据,由此形成共生关系中的互惠性。可知,共生技术间存在先行技术驱动、关联技术承接与应用效果再反馈的持续过程。
驱动关系可以从驱动强度和驱动过程稳定性两个方面进行评价,驱动关系强度反映先行技术对于关联技术作用的显著程度。由于研发投入资源和产业应用场景有限,当某项技术在系统中居于核心位置时,其对资金、人才和应用机会的占用会对其他技术的发展形成制约[24]。此外,技术在系统内的位置差异也会影响其共生关联的紧密程度。由于知识元素更倾向于与同等水平的知识元素建立关联[25],两项技术在功能属性或知识结构上越接近,其共生关联程度越高。充分关联的知识元素会增强技术之间的协同效应[26],使得处于共生状态的两项技术能够更有效地实现价值传递和承接,从而影响共生技术的驱动关系强度。驱动过程的稳定性则体现为共生技术间的价值流动链条能否持续稳定,当市场需求较为稳定、创新主体的研发投入方向较为明确、先行技术尚未进入瓶颈阶段时,两项技术能够较好地实现协同演化;当市场需求发生波动,或政策调整导致研发方向发生改变时,关联技术在知识和应用场景上无法与先行技术较好地衔接,因而会在演化趋势上发生偏移,影响驱动过程的连续性[16]。据此,共生技术驱动关系差异主要体现为先行技术对关联技术的作用程度不同,以及这种作用在时间展开上能否保持稳定。结合驱动关系强度与驱动过程稳定性两个维度,可进一步将驱动关系划分为四类,如图1所示。
图1 共生技术驱动关系分类框架
Fig.1 Classification framework of symbiotic technology-driven relationship
综上分析:①已有研究将技术演化与生物进化类比,揭示了技术系统内的技术如何在长期互动中形成共生状态,并分析了在内部结构与外部环境共同作用下,共生技术演化的动力机制。然而,对共生技术演化过程中驱动关系的研究相对较少,难以系统性地解释共生状态下一项技术对另一项技术形成驱动作用的内在机制。②已有研究多从静态视角分析内部系统与外部环境对共生技术的影响,未能从动态视角揭示共生技术互动所呈现的时间滞后性,以及创新主体和产业应用对技术演化的价值贡献,导致难以结合共生技术的价值演化特征对其驱动关系进行有效挖掘。鉴于此,有必要从“主体→技术→产业”的价值流特征出发,识别领域内存在驱动关系的共生技术,并从驱动关系强度与驱动过程稳定性两个维度,对驱动关系作进一步分类研究。
本文研究过程共分为三个部分:首先,构建“主体—技术—产业”多层网络及价值流动影响因素,以此量化演化过程中技术的创新价值和应用价值流动趋势;其次,通过时间滑动与动态时间规整将不同技术的价值流序列进行对齐,判断共生技术并识别其驱动关系;最后,结合驱动关系强度和驱动过程稳定性,对共生技术的驱动关系进行分类研究,并对结果进行检验。研究过程如图2所示。
图2 共生技术驱动关系研究框架
Fig.2 Research framework for symbiotic technology-driven relationship
2.1.1 节点创造的价值度
在构建的“主体—技术—产业”三层网络中,主体层由参与研发活动的企业、高校和科研机构等创新主体构成,反映创新资源投入;技术层由LDA模型聚类形成的技术主题构成,表示知识属性相近的技术集合;产业层则由不同的DMC分类代码构成,用以表示技术在产业中的不同用途。各层之间通过关系网络连接,从而体现创新过程和应用过程的价值流动。
价值创造是实现系统中价值流动的前提,分别从影响力和重要性两个方面衡量。影响力体现为所关联的专利数量,在某一年份中,技术主题涵盖的专利数量越多、隶属概率越大,说明其技术影响力越高;申请人的专利数量越多,说明其在研发领域内的影响力越高;当多件专利归纳为某个DMC分类时,说明该分类用途在产业中的影响力越高。采用PageRank值计算重要性,反映创新主体、技术主题和产业用途在各自网络中的信息整合与价值流动能力,当其处于网络中核心位置并与多个相邻节点形成密集关联时,可发挥促进资源流动的枢纽作用。例如,可以推动技术间的融合创新、合作申请人间的资源共享以及产业用途的多元化[27],节点创造的价值度计算如式(1)所示。
(1)
式(1)中,Impj为节点j创造的价值度;Mij为专利i与节点j的隶属概率,P是专利i的集合;PRj是节点j的PageRank值,d为常数。
2.1.2 节点间价值流动比例
技术以价值流的形式经历创新价值与应用价值的增值过程,专利作为价值载体,是连接主体层、技术层和产业层之间价值流动的重要纽带。在多层关系中,对隶属于某一申请人或DMC分类的专利,将其在特定技术主题上的隶属概率求和,并对该申请人或DMC分类在所有技术主题上的隶属概率总和进行归一化,从而得到其在该技术主题上的标准化价值流动比例,以此反映申请人或DMC分类对各技术主题的价值贡献程度,计算如式(2)所示。
(2)
式(2)中,Prok→j为节点间的价值流动比例。其中,i为隶属于申请人或DMC分类节点k的专利,P是专利i的集合。j为技术主题,Mij为专利i与技术主题j的隶属概率,由“专利—技术主题”概率矩阵得到,A为技术主题总数。
2.1.3 层间价值关联系数
由于主体层、技术层和产业层之间的价值流动具有层间依赖关系,因此,有必要通过层间关联系数衡量不同层面的价值关联程度。Copula熵是一种多变量关系的非参数估计方法,可以在无需预设分布假设的条件下,对各层网络的结构熵进行标准化联合分析,进而揭示层间关联特征[28]。因此,利用Copula熵测量研发、技术和产业层网络的价值关联性,计算如式(3)所示。
Hv(X,Y)=-∬c(u,v)lnc(u,v)dudv
(3)
式(3)中,X、Y表示为某个时刻任意两个网络层面的结构熵值,其边缘分布函数为u=f(X)、v=f(Y);c=f(u,v)为Copula函数的概率密度,表示将各层结构熵值标准化后的联合分布密度;Hv=(X,Y)为Copula熵,表示两个网络层之间的价值关联程度,熵值越小表示层间价值关联程度越高。
2.1.4 ML-Rank算法的价值流动
采用适用于多层网络分析的ML-Rank算法实现价值跨层流动。将各层节点的Authority值定义为节点所获得的价值度,将Hub值定义为节点通过跨层网络向外流动的价值度。在此基础上,结合价值流动三个因素:节点创造的价值度、节点间价值流动比例、层间价值关联系数,构建计算公式,如式(4)(5)所示。
(4)
(5)
式(4)中,
表示在t次迭代时,Q层节点Qj从其他网络层T获得的价值度之和,
是其他网络层关联节点TK向Qj流动的价值度,k∈N(Qj)表示与节点Qj链接的其他层节点集合。式(5)中,
表示节点Qj在t+1次迭代中跨层流动的价值度,ImpQj为节点自身创造的价值度,由式(1)计算得到;ProTk→Qj为跨层节点之间的价值流动比例,由式(2)计算得到;Hv(X,Y)表示在该年份中的层间价值关联系数,由式(3)计算得到。在节点Qj接收到价值度并进行价值度跨层流动后,完成一次迭代更新。
技术间驱动关系的识别,需要同时结合价值流序列的相似性、时间上的先后关系以及信息传递强度。通过对两项技术价值流序列的对齐比较,识别其在演化趋势上的接近程度及先后顺序。由于传递熵能够在剔除关联技术自身历史状态影响的基础上,反映先行技术历史状态对其未来状态的信息贡献,且信息传递关系具有非对称性,因而可以判断技术间驱动关系的方向与强弱。基于此,进一步结合时滞信息与传递熵,对先行技术历史状态作用于关联技术未来状态的强度及其方向性进行测度,为驱动方向判断提供信息论方面的依据。
2.2.1 共生状态判断及驱动关系识别
在完成价值跨层流动后,提取每年创新主体向技术主题流动的价值度,以及技术主题向产业应用流动的价值度,从而得到每个技术主题创新价值流和应用价值流序列,反映出主体层对技术的价值投入及技术对产业的价值贡献趋势,以此衡量不同技术在共生演化过程中的接近程度。考虑到驱动关系存在时间滞后,需要对价值序列的时间轴进行弯曲调整,以对齐各时间节点上的价值度,从而识别技术间的驱动关系及其驱动时滞。因此,采用多维动态时间规整算法(Dynamic Time Warping,DTW)度量不同技术价值流序列的相似性[29]。其核心思想是根据时间序列数值的相似性对时间轴进行规整,从而寻找两个序列的最优对应关系,具体过程如下:
假设需要识别共生技术A和B的驱动关系,采用时间窗口滑动方式将技术A的价值序列逐期前移(如t-1、t-2),以消除其最近的演化趋势,同时保持技术B的价值序列不变。随后,逐期计算技术A历史序列与技术B当前序列的DTW距离,序列间距离越短,说明技术A的历史演化趋势与技术B的当前演化趋势越一致。由于技术A的演化在时间上领先于技术B,说明技术A作为先行技术,在演化过程中对关联技术B的演化具有潜在驱动或引导作用,如式(6)所示。
D(A,B)=DTWmin(Shift(A,τ),Shift(B,τ)),τ=0,1,…,n
(6)
式(6)中,τ为滑动期数。Shift(A,τ)和Shift(B,τ)为技术B固定并将技术A滑动τ期,以及固定技术A并将技术B滑动τ期,D(A,B)是技术A或B在不同滑动期数时所寻找到的最短DTW距离,距离越短表示在滑动τ期时两项技术的共生演化过程越接近。
2.2.2 驱动过程稳定性测量
识别共生技术的驱动关系后,测量驱动过程稳定性和驱动关系强度,从而对驱动关系进行分类。计算两个技术时间序列在DTW对齐后各匹配点的时间偏差分布,以此衡量驱动过程稳定性。需要依据对齐路径对两个时间序列进行逐点匹配,根据匹配后各点对应年份计算点与点之间的时间索引差,将这些差值构建为时间偏移度序列。统计时间偏移度序列中不同偏移值的出现频率,计算得到信息熵值。各点时间偏差越一致,则信息熵值越低,说明驱动过程越稳定;反之时间偏差越分散,信息熵值越高,驱动过程越不稳定。信息熵计算如式(7)所示。
(7)
式(7)中,K是所包含的偏移样本总数(即序列长度),cδ(d)表示偏移度序列中偏移值为d的个数。D={d1,d2,…,dn}是所有不同的偏移值集合,信息熵H(Δ)的范围在0～1之间。
2.2.3 驱动关系强度测量
驱动关系强度体现为驱动过程中先行技术演化对关联技术未来演化的影响程度。传递熵是一种基于香农熵的非参数信息度量方法,可用于检测一个系统的状态变化对另一系统未来状态所提供的信息量,从而量化信息传递的强度、动态性及方向性[30]。因此,将技术层视为一个整体系统,各技术主题作为子系统,通过传递熵TEy→x衡量共生技术间的驱动关系强度。根据DTW生成的对齐路径及匹配时间点,得到每个技术主题DTW对齐后的创新价值流和应用价值流序列,并通过式(8)计算先行技术价值流对关联技术价值流的传递熵值。
(8)
式(8)中,yn为n年份中先行技术价值流序列的结构熵,xn、xn+1分别为n和n+1年份中关联技术价值流序列的结构熵,P(xn+1|xn,yn)和P(xn+1|xn)为条件概率,用来衡量yn对xn+1未来状态存在的影响,TEy→x表示先行技术y对关联技术x的传递熵值。
依据国家知识产权局发布的《关键数字技术专利分类体系(2023)》[31],利用技术分支编号及名称为“1.1智能芯片”的关键词及其IPC分类在IncoPat数据库进行检索,共获得该领域2006—2025年申请并已获得授权的发明专利28 633件,专利申请人所属国家和地区共50个。利用专利特征知识元抽取方法提取中文摘要中的新颖性文本内容[32],共得到27 480件专利的技术文本。经过分词和去停用词处理,生成“专利—词汇”文档并输入LDA主题模型中。
本研究中,为挖掘不同技术共生演化过程中的动态驱动关系,需要保证同一技术主题在不同时期的核心语义保持稳定。同时,技术主题价值会随时间推移发生变化,也需要通过动态价值来体现。因此,采用动态LDA方法进行主题建模,按照年份叠加的方式将专利文本划分为多个时间窗口,每个时间窗口的数据为当年的文本数据加上之前年份的文本数据。用初始年份的文本数据独立训练出“主题—词汇”分布,作为模型的先验基础。在后续迭代过程中,采用上一年“主题—词汇”分布作为主题先验,结合当年新增专利文本进行LDA模型更新,从而使聚类得到的技术主题在时间轴上保持连续演化。即相同编号的技术主题在不同年份中保持语义上的一致,并在新的文本数据影响下逐步调整其词汇权重。依据各年份输出的“专利—技术主题”概率矩阵计算节点的动态价值度与价值流动比例。
利用一致性曲线确定聚类主题数量。通过一致性曲线确定主题数量,利用最后年份(2025年)更新后的LDA模型输出主题数量的一致性结果,选择一致性数值最高的点作为最佳主题数量。由图3可知,所对应的主题数量为8。
图3 一致性曲线结果
Fig.3 Results of the coherence curve
在确定聚类主题数量后,通过比较主题词汇在跨年份中的概率分布,判断同一技术主题在连续年份中的语义稳定性。为避免长尾低频词对主题核心语义的影响,提取前100个主题词构成概率分布向量,计算其余弦相似度。相似度越接近1,说明连续年份主题的词汇分布越相似。如图4所示,所得到的各主题在连续年份中的语义较为一致,可以为后续技术间的共生驱动分析提供稳定的语义基础。将8个技术主题涵盖的主题词汇进行词频统计,如图5所示。
图4 连续年份主题语义稳定性
Fig.4 Semantic stability of topics across consecutive years
图5 技术主题词频统计结果
Fig.5 Frequency statistics of technical topic terms
对技术主题进行客观技术描述,输入“技术主题-词汇”文档,依次得到8个技术主题:Topic 0“FPGA硬件逻辑配置”、Topic 1“网络设备控制”、Topic 2“SoC芯片总线架构”、Topic 3“GPU图形渲染”、Topic 4“处理器存储访问”、Topic 5“视频信号处理”、Topic 6“目标图像处理”、Topic 7“时序信号控制”。
按照逐年叠加的数据构建2006—2025年“主体—技术—产业”网络。其中,技术层根据“专利—主题”概率文档计算主题间的共现强度[33];依据申请人、DMC分类号在专利中的共现关系构建关联主体层和产业层的网络连边,最终网络结构属性如表2所示。在构建多层网络后,根据式(1)～(3)得到多层网络节点创造的价值度、节点间价值流动比例和层间价值关联系数。通过式(4)和式(5)的ML-Rank算法实现价值跨层流动,收敛阈值设定为10-6,以Topic 0技术为例,其价值流动结果如表3所示。
表2 多层网络结构属性(2025年)
Table 2 Structural attributes of the multilayer network in 2025
主体层节点技术主题节点产业层节点申请人连边技术主题连边DMC连边11 37083 97211 3572811 2104
表3 2006—2025年“主体—技术—产业”各年份价值流动结果(Topic 0)
Table 3 Annual value flow results of the actor-technology-industry network for Topic 0 from 2006 to 2025
价值流动结果200620072008......20212022202320242025节点创造的价值度技术价值(Topic 0)44.6537.2642.50......264.03347.93499.84452.94459.29节点间价值流动比例(部分)清华大学000......0.4980.3830.3830.3490.349华为公司000.116......0.1260.1260.1260.1260.126英伟达公司000.055......0.1250.1250.1250.1250.125X27-F05(智能冰箱)000......0.1580.1580.1580.1580.086T04-D07F2(指纹识别)000......0.0410.0380.0910.0910.091T01-J07D1(车辆处理系统)1.0000.4980.312......0.1250.1250.1250.1250.125层间价值关联系数“主体-技术”层关联系数2.282 2.280 2.277......2.327 2.283 2.282 2.282 2.281“技术-产业”层关联系数2.293 2.287 2.286 ......2.353 2.355 2.354 2.353 2.350价值流序列创新价值流(Topic 0)0.045 0.086 0.069......0.148 0.184 0.173 0.155 0.204应用价值流(Topic 0)0.076 0.073 0.096......0.187 0.195 0.210 0.209 0.206
由表3可知,早期技术主题价值较低,原因在于早期研发投入与成果积累不足,后期形成技术规模后,价值得到提升。技术形成早期主要依靠少数创新主体的开拓性研发,且用途聚焦于有限的产业领域,如T01-J07D1(车辆处理系统)早期依赖于FPGA硬件,而未涉及该领域的其他技术。随着技术扩散和产业需求水平提升,后期更多创新主体加入,产业用途趋于多元化。此外,“主体—技术”层价值关联系数整体保持较高水平,说明创新主体为技术形成与发展提供了稳定支撑;“技术—产业”层价值关联系数在早期处于较低水平,由于技术尚处于萌芽阶段,其产业吸纳与转化能力相对有限,随着技术逐渐成熟并与产业应用深度结合,后期该关联系数相对更高。创新价值流和应用价值流虽然在不同阶段存在波动,但随着技术发展和产业应用能力增强,整体呈上升趋势。
提取各技术主题的创新价值流和应用价值流后,利用式(6)的DTW算法对8个技术主题进行两两比较。在每组技术中标记技术A和技术B,计算不同滑动期数下的DTW值,滑动期数设置在10期以内,结果如图6所示。其中,A→B表示技术A滑动,技术B固定;B→A表示技术B滑动,技术A固定。
图6 不同时间滑动下技术间的DTW值
Fig.6 DTW values between technologies with different time shifts
由图6可知,共得到28组技术比较的DTW值,DTW值越小表示两项技术共生演化过程越接近。因此,在每组中标记出最短DTW距离及最小滑动期数,并提取前30%的技术组,分析这9组共生技术间的驱动关系。根据DTW生成的对齐路径,逐点匹配得到每组技术对齐后的创新价值流和应用价值流,标准化处理后得到序列对齐结果,如图7所示。
图7 价值流序列的对齐结果
Fig.7 Alignment results of value flow sequences
一项技术本身可视为由成百上千个紧密耦合的“点技术”构成的复杂技术网络,高密度关联体现出技术系统的复杂性和价值程度[34]。依据梅特卡夫定律,网络整体价值会随着网络规模扩大呈现非线性增长[35]。从图7的价值度增长结果来看,共生演化过程中各技术价值的提升规律符合梅特卡夫定律。进一步地,根据技术间各点匹配后的时间差,统计得到时间偏移度序列。根据式(7)对偏移值计算信息熵,采用线性对称翻转得到驱动过程稳定性并根据式(8)计算先行技术的驱动关系强度,结果如表4所示。利用表4的结果绘制技术驱动关系网络和驱动关系分类矩阵,如图8和图9所示。
图8 技术驱动关系网络
Fig.8 Technology-driven relationship network
图9 驱动关系分类矩阵
Fig.9 Classification matrix of driving relationship
表4 共生驱动关系度量结果
Table 4 Measurement results of symbiotic driving relationship
驱动关系偏移值频率统计期数DTW值稳定程度驱动强度Topic 6→Topic 7{"0":5,"-1":3,"-2":9,"-3":5,"-4":3}0387.469 0.629 0.579 Topic 1→Topic 6{"0":15,"-1":5,"-2":2,"-3":2}0746.225 0.705 0.368 Topic 3→Topic 6{"2":1,"1":1,"0":2,"-1":3,"-2":4,"-3":5,"-4":2,"-5":2,"-6":3,"-7":5}2791.020 0.629 0.280 Topic 1→Topic 7{"0":4,"-1":4,"-2":5,"-3":8,"-4":3,"-5":2}0827.649 0.602 0.170 Topic 3→Topic 7{"2":1,"1":1,"0":2,"-1":2,"-2":3,"-3":2,"-4":2,"-5":2,"-6":7,"-7":6}2862.867 0.807 0.278 Topic 1→Topic 5{"2":2,"1":4,"0":6,"-1":2,"-2":5,"-3":4}2922.569 0.564 0.431 Topic 1→Topic 3{"6":6,"7":4,"5":1,"4":1,"3":4,"2":2,"1":1,"0":2}6964.579 0.859 0.720 Topic 3→Topic 4{"0":8,"1":5,"2":5,"3":6}01 029.036 0.421 0.327 Topic 3→Topic 5{"2":3,"1":4,"0":5,"-1":2,"-2":4,"-3":3,"-4":4,"3":2}21 031.6010.4570.188
由图8可知,智能芯片技术驱动关系网络中,网络设备控制(Topic 1)和GPU图形渲染(Topic 3)是主要驱动技术,分别面向数据传输控制与图形计算两大核心方向,通过多条路径驱动目标图像处理、时序信号控制、视频信号处理等技术。相较于单纯依赖产业市场牵引的技术领域,智能芯片技术演化更依赖于底层硬件结构、算法能力的不断优化,但同时又受到图像处理、视频处理等具体应用需求的持续拉动。在此基础上,结合图9进一步分析技术间的驱动关系及其表现特征。
稳定驱动型中,先行技术对关联技术存在较强的驱动作用,其驱动过程较稳定。网络设备控制(Topic 1)对GPU图形渲染(Topic 3)的驱动稳定程度和驱动强度均处于较高水平。网络设备控制技术承担着数据传输、模块协同和接口响应等基础功能,GPU图形渲染技术演化则依赖这些底层控制能力的支撑。同时,智能芯片向高并行、高集成和高实时方向发展,加上市场用户对智能手机、电脑等终端产品性能需求提升,使芯片对数据传输效率、模块协同能力和控制响应速度的要求更高,进而促使创新主体持续加强对该技术的研发投入。由于该技术位于芯片系统的底层控制环节,其演化会进一步传导至GPU图形渲染等关联技术领域,从而形成较强且持续的驱动作用。可知,稳定驱动型的特征在于先行技术处于技术体系中的关键支撑位置,并通过技术演进与市场需求的持续融合,维持较强且长期稳定的驱动关系。
偶发驱动型中,虽然先行技术对关联技术存在较强的驱动作用,但其驱动过程并不稳定。目标图像处理(Topic 6)中目标检测、识别等图像算法在芯片上的实现,涉及对时序信号控制(Topic 7)技术的多信号同步传输,因此当图像处理算法进入快速迭代阶段时,会对时序控制技术形成较强的驱动作用。然而,当算法发展趋于成熟稳定或芯片架构尚未完成适配时,先行技术的驱动作用会减弱,从而呈现出阶段性特征。此外,网络设备控制(Topic 1)的网络传输能力提升为视频信号处理(Topic 5)提供了带宽基础,在市场快速普及阶段,高清视频会对视频信号处理技术形成较明显的驱动作用;但当网络带宽已基本满足当前视频传输需求时,创新主体的研发资源会偏向其他技术,从而使得驱动作用下降并产生波动。这表明,偶发驱动型的核心特征在于驱动关系具有明显的阶段性,研发方向的变化使得先行技术对关联技术的驱动作用难以保持长期稳定。
基础支持型中,虽然先行技术的驱动过程较为稳定,但驱动关系强度不高。GPU图形渲染(Topic 3)中需要像素调度和显存访问等时序环节,因此对时序控制(Topic 7)技术具有底层需求,但时序控制作为智能芯片中的共性技术,其发展更多受到领域内多种技术的共同驱动。同样地,网络设备控制(Topic 1)对目标图像处理(Topic 6)的作用,更接近于通过数据传输、接口协调和运行环境保障,为图像处理技术提供稳定的基础条件。驱动目标图像处理技术的发展动力更多来源于算法层面的创新突破,网络设备控制作为基础性技术为其演化提供必要支撑。然而,这种基础性支持会在一定程度上使关联技术形成路径依赖,使其在后续演化过程中需要与先行技术所提供的数据传输、计算接口环境保持适配。因此,该类型的驱动关系主要体现为先行技术为关联技术长期演化带来的基础性支撑,而非直接驱动其实现性能跃迁,其驱动关系强度相对有限。
短暂耦合型中,先行技术的驱动过程稳定性及驱动关系强度均较低,主要以GPU图形渲染(Topic 3)为先行技术,分别对目标图像处理(Topic 6)、视频信号处理(Topic 5)和处理器存储访问(Topic 4)存在驱动作用。其中,GPU渲染过程中的纹理加载、数据回读等操作需要用到存储访问功能,但处理器的演化更多受到工艺迭代限制,因此GPU图形渲染技术对其不具有高强度、稳定的驱动作用。类似地,GPU对视频信号处理、图像处理技术的驱动作用,更多体现为提供硬件计算资源而形成的间接关联,而非直接功能驱动。可见,短暂耦合型中各技术更多作为中介节点,体现了先行技术对关联技术的间接或衍生驱动作用,在整体上难以形成高强度、稳定的驱动过程。
不同技术价值流序列经过时间对齐处理后,可以消除序列中关联性较弱的部分,使其相较于未处理序列更能凸显技术间的相关特征,并在时间维度上挖掘最优对应关系,从而为识别技术间的驱动关系提供基础。因此,有必要对本文时间序列处理结果的有效性进行检验。
将DTW对齐后的价值流序列设为结果组,未处理的价值流序列设为对照组,分别计算两项技术间价值流的相关性(Pearson)、欧式距离(Euclidean)和距离方差(Var Diff),采用Wilcoxon符号秩检验比较结果组与对照组测量指标之间的差异,检验结果如表5所示。
表5 价值流序列的时间对齐效果检验结果
Table 5 Test results of the temporal alignment effect for value flow sequences
检验对象测量指标结果组均值对照组均值Wilcoxon WZp-value创新价值流Pearson0.173 90.038 954.0-2.742 90.003 0∗∗∗Euclidean0.054 10.065 2300.04.285 70.000 0∗∗∗Var Diff0.004 10.004 1213.01.800 00.035 9∗∗应用价值流Pearson0.107 60.039 848.0-1.891 40.029 3∗∗Euclidean0.078 20.086 8190.03.823 00.000 1∗∗∗Var Diff0.003 90.004 1126.01.247 50.096 1∗
注：*p<0.1,**p<0.05,***p<0.01
由表5可知,结果组与对照组在各测量指标上均存在不同程度的差异。经过时间对齐处理后,所比较的两项技术价值流序列之间相关性更高,技术间的距离更近以及距离方差更低。Wilcoxon符号秩检验结果显示,两类价值流序列在处理前后均呈现出不同程度的显著性差异,说明本文时间规整方法能够有效挖掘不同技术间价值流序列的对应关系。
本文以智能芯片技术领域为例,通过对共生技术的驱动关系进行分类分析,得出以下结论:共生技术之间会形成复杂的驱动关系网络,网络中先行技术通过不同方式驱动所关联技术的发展。其中,处于底层架构关键位置的先行技术,在技术演化与市场需求持续融合下,对关联技术形成高强度且相对稳定的驱动过程,同时市场对产品性能的需求进一步强化了驱动关系。对于提供基础性支持的技术,其与领域内多个技术形成关联,基础性支持会在一定程度上使关联技术形成路径依赖,使关联技术在后续演化过程中需要与先行技术保持适配。此外,先行技术驱动关系强度较高,但在遇到技术瓶颈或研发方向改变时,对关联技术的驱动过程容易变得不稳定,从而表现出阶段性或间断性的驱动关系。当先行技术对关联技术的驱动作用主要通过间接关联或中介传导实现时,驱动关系在强度和稳定性上均较为有限,难以形成持续共生演化动力。
在研究视角上,根据共生技术演化过程中创新主体赋予技术的创新价值流,以及技术传递到产业中的应用价值流趋势,进一步对技术之间所存在的驱动机制和动态驱动关系进行探索,为共生技术演化理论提供新的分析视角。
在研究方法上,结合技术演化过程中的价值流趋势和动态时间规整方法,提出了一种分析共生技术间驱动关系的方法框架。该框架能够识别出领域内不同技术主题之间的动态驱动关系,并以驱动过程的时序特征测量出驱动过程稳定性及驱动强度,后续可针对这些特征进一步对该技术领域的驱动机制展开分析。
在研究思路上,围绕共生技术驱动关系研究了三个问题:一是技术间的驱动关系网络构成是怎样的,驱动过程存在多久的时间滞后;二是技术间的驱动特征是如何表现的,是具有稳定且较强作用的驱动过程,还是容易受到外部因素影响而表现出阶段性;三是技术驱动关系及其特征形成的主要原因是什么,是由技术创新推动、技术性能互补作用,还是市场需求牵引所致。
从创新主体角度出发:①研发投入的目的是满足市场反馈的需求信号,并实现技术“协同共生”的演化过程。创新主体可针对不同类型驱动关系,确定差异化资源投入策略。例如,对于稳定驱动型的共生技术,应在明确市场需求方向的基础上实现持续、系统化的研发投入;对于偶发驱动型的共生技术,应尽量减少外部环境波动对其驱动过程的影响,结合产业应用需求和技术成熟度,采取阶段性的、灵活可调的资源投入策略,在关键时间窗口加快技术迭代优化,从而提高技术协同效率、避免投入资源浪费。②在技术布局上,依赖先行技术创新或性能互补而获得发展动力的关联技术,其被驱动过程应避免出现阶段性或间断性波动。因此,技术发展方向需要注重与先行技术在性能、结构上的协同互补,以确保先行技术对其长期稳定驱动的效果。同时,根据共生技术之间的驱动关系和先行技术的演化路径,预测关联技术后续演化路径,进而帮助创新主体提前开展技术布局。在链式驱动关系中,要以链条整体协同性为核心,通过提升关键节点的联动效率增强整个技术体系的共生演化能力,提高驱动过程的稳定程度。
从产业应用角度出发:①创新主体会因既有市场利润而倾向于提升产品市场占有率,降低对相关技术持续创新的投入。因此,如果先行技术获得发展和突破,但因市场价格、用户习惯、产品配套等因素未有效激发市场对产品性能需求的进一步提高,市场仍保留对原有产品需求的过多依赖时,需要加强政策引导以平衡外部市场环境的影响,通过技术政策、创新奖励制度强化创新主体创新意愿,避免关联技术在被驱动过程中出现的阶段性或间断性特征。②市场需求容易因政策制度以及消费者偏好而发生变化,如果市场对先行技术的价值验证及需求信息反馈出现滞后,会导致创新主体对关联技术的后续研发方向偏离实际市场需求,从而延长驱动过程所需时间。因此,需要完善创新主体与产业市场协同机制,通过政策导向加快先行技术的市场价值验证,缩短市场需求向创新主体的反馈时间,从而使创新主体能够及时调整研发方向和资源配置,提升技术供给与市场需求的匹配效率,减少因信息不对称导致的研发投入与市场需求偏离,同时缩短共生技术驱动时滞,增强驱动过程的稳定性与连续性。
本文研究对象为智能芯片技术领域,然而,不同领域在研发特征、技术趋势和产业应用方面存在较大差异,其共生技术的主要驱动方式也有所不同。例如,基因治疗、量子科技等仍处于探索阶段,尚未形成市场规模的技术领域,可能更偏向于技术创新或技术性能互补的驱动方式,受到外部环境影响较小。因此,后续可以拓展至不同领域,进一步分析各领域技术的主要驱动方式及驱动机制。此外,本研究主要聚焦于对技术驱动关系的分析,并对驱动关系强度和驱动过程稳定性两个特征进行测量,未来可在此基础上进一步挖掘关联技术的演化趋势以及更多驱动特征,从而丰富对共生技术驱动关系的研究。
[1] 刘国巍,邵云飞,李明昊,等. 颠覆性创新视角下产业链技术共生界面整合机理研究——基于高新技术企业第二曲线 “性能超越点” 的解释[J].科技进步与对策,2024,41(23):74-85.
[2] FRENKEN K. A fitness landscape approach to technological complexity,modularity,and vertical disintegration[J].Structural Change and Economic Dynamics,2006,17(3):288-305.
[3] M
KITIE T,HANSON J,STEEN M,et al. Complementarity formation mechanisms in technology value chains[J].Research Policy,2022,51(7):104559.
[4] 唐健廷,吴洁,谢小东,等. 基于动态多层网络价值传递的关键核心技术识别研究[J].情报理论与实践,2025,48(8):158-168.
[5] 杨洋,王丽丽,李洪涛,等.技术多样化对城市技术网络韧性的影响[J].科技进步与对策,2025,42(16):49-59.
[6] 曹琨,吴新年,靳军宝,等. 基于共词和Node2Vec表示学习的新兴技术识别方法[J].数据分析与知识发现,2023,7(9):89-99.
[7] BOSCHMA R,BALLAND P A,KOGLER D F. Relatedness and technological change in cities:the rise and fall of technological knowledge in US metropolitan areas from 1981 to 2010[J].Industrial and Corporate Change,2015,24(1):223-250.
[8] 唐健廷,吴洁,王建刚,等. 技术竞争抑制下企业专利组合策略选择研究[J].软科学,2025,39(2):59-67.
[9] KAPOOR R,AGARWAL S. Sustaining superior performance in business ecosystems:evidence from application software developers in the iOS and Android smartphone ecosystems[J].Organization Science,2017,28(3):531-551.
[10] COCCIA M. A theory of classification and evolution of technologies within a Generalised Darwinism[J].Technology Analysis &Strategic Management,2019,31(5):517-531.
[11] 朱丽,张志朋,刘超,等. 新型研发机构制度创新与关键共性技术突破[J].管理世界,2026,42(2):19-38.
[12] 梁江海,刘书雷,吴集,等. 颠覆性技术发展演化规律研究——以GPS技术为例[J].科技进步与对策,2024,41(19):1-13.
[13] 毛荐其,刘娜. 技术生态对技术生成的作用研究[J].科研管理,2015,36(2):19-25.
[14] 丁飞,孔燕. 技术寄生视角下技术进化的原动力追问[J].科学学研究,2024,42(1):38-45.
[15] COCCIA M. The theory of technological parasitism for the measurement of the evolution of technology and technological forecasting[J].Technological Forecasting and Social Change,2019,141:289-304.
[16] 毛荐其,刘娜,陈雷. 技术共生机理研究——一个共生理论的解释框架[J].自然辩证法研究,2011,27(6):36-41.
[17] BAKKER S,VAN LENTE H,ENGELS R. Competition in a technological niche:the cars of the future[J].Technology Analysis &Strategic Management,2012,24(5):421-434.
[18] WANG C L,RODAN S,FRUIN M,et al. Knowledge networks,collaboration networks,and exploratory innovation[J].Academy of Management Journal,2014,57(2):484-514.
[19] YANG Y,PAN M,PAN W. 'Co-evolution through interaction' of innovative building technologies:the case of modular integrated construction and robotics[J].Automation in Construction,2019,107:102932.
[20] ZHANG L L,TAN R H,PENG Q J,et al. Product innovation based on the host gene and target gene recombination under the technological parasitism framework[J].Advanced Engineering Informatics,2024,59:102341.
[21] ZHANG L L,TAN R H,PENG Q J,et al. A holistic method for radical concept generation based on technological evolution:a case application of DC charging pile[J].Computers &Industrial Engineering,2023,179:109213.
[22] TAALBI J. Evolution and structure of technological systems—an innovation output network[J].Research Policy,2020,49(8):104010.
[23] LIU J L,ZHOU H B,CHEN F,et al. The coevolution of innovation ecosystems and the strategic growth paths of knowledge-intensive enterprises:the case of China's integrated circuit design industry[J].Journal of Business Research,2022,144:428-439.
[24] ZENG Y,LIU X Y,ZHANG X Y,et al. Retrospective of interdisciplinary research on robot services (1954—2023):from parasitism to symbiosis[J].Technology in Society,2024,78:102636.
[25] MELAMED D,HARRELL A,SIMPSON B. Cooperation,clustering,and assortative mixing in dynamic networks[J].Proceedings of the National Academy of Sciences of the United States of America,2018,115(5):951-956.
[26] GAMBARDELLA A,HARHOFF D,VERSPAGEN B. The economic value of patent portfolios[J].Journal of Economics &Management Strategy,2017,26(4):735-756.
[27] 孙静林,穆荣平,张超. 创新生态系统价值共创:概念内涵、行为模式与动力机制[J].科技进步与对策,2023,40(2):1-10.
[28] 王超,许海云,武华维,等. 基于动态结构熵的颠覆性技术知识网络扩散特征识别方法研究[J].图书情报工作,2023,67(24):54-71.
[29] SHOKOOHI-YEKTA M,HU B,JIN H X,et al. Generalizing DTW to the multi-dimensional case requires an adaptive approach[J].Data Mining and Knowledge Discovery,2017,31(1):1-31.
[30] SCHREIBER T.Measuring information transfer[J].Physical Review Letters,2000,85(2):461-464.
[31] 国家知识产权局. 国家知识产权局办公室关于印发《关键数字技术专利分类体系(2023)》的通知[EB/OL].[2025-7-10].https://www.cnipa.gov.cn/art/2023/9/25/art_75_187769.html.
[32] 唐晓波,吴海婷,吴佳琳. 基于特征知识元的专利语义引用识别方法研究——以量子计算领域为例[J].情报理论与实践,2023,46(10):86-95.
[33] 马永红,孔令凯,林超然,等. 基于专利挖掘的关键共性技术识别研究[J].情报学报,2020,39(10):1093-1103.
[34] GAMBARDELLA A. Private and social functions of patents:innovation,markets,and new firms[J].Research Policy,2023,52(7):104806.
[35] 包云岗. 关键核心技术的发展规律探析[J].中国科学院院刊,2022,37(5):636-641.