开放科学(资源服务)标识码(OSID)：
In terms of methodology, this study combines text mining, patent analysis, and network modelling to ensure both theoretical rigor and empirical validity: (1) Within the multi-subject conceptual framework, multi-source heterogeneous textual data (including policy documents, industrial white papers, scientific reports, and user feedback) are analyzed. The technology-relationship-technology (TRT) semantic analysis method is adopted, which identifies scenario elements embedded in linguistic structures by focusing on prepositional relationships that define the expression of specific scenarios in context. After repeated semantic extraction, a list of high-potential scenarios is systematically constructed; (2) The KeyBERT algorithm is used to extract technical terms from the Novelty section of patents retrieved from the Derwent Innovation Index, establishing a scenario-technology correlation map that links high-potential scenario requirements to their underlying technological support; (3) The study constructs a "technology network-evolutionary cycle" analytical model, integrating social network analysis and technology life cycle theory. This model captures the spatiotemporal evolution of technology networks under the influence of high-potential scenarios, providing a dynamic perspective on how technologies co-evolve and mature within the innovation ecosystem.
The empirical analysis focuses on the field of intelligent driving, a highly dynamic and data-rich area of emerging technology convergence. By drawing upon 24 378 active patents and multiple textual data sources, this study identifies eight categories and 53 sub-scenarios of intelligent driving applications, covering extreme environment sensing, human-computer interaction, collaborative vehicle-road systems, AI-based decision-making, and system resilience and safety. The empirical results yield several key findings: (1) In the spatial dimension, the technology network exhibits prominent scenario-dependent differences. Core technologies, such as autonomous driving algorithms, sensor fusion, and environmental perception form dense central clusters, while peripheral technologies (e.g., vehicle-road coordination and urban traffic management) are more dispersed. Scenarios such as intelligent traffic management and collaborative driving demonstrate strong technological synergies, whereas severe weather sensing scenarios rely more on advances in sensing and data processing capabilities. This spatial differentiation highlights the multi-level structure and collaborative dynamics of technological innovation across scenarios. (2) In the temporal dimension, the development of intelligent driving technology is closely coupled with the S-shaped technology life cycle. In the early stage, technology develops slowly, focusing primarily on algorithmic fundamentals and system framework construction. With the advancement of artificial intelligence, machine learning, and perception algorithms, the field of intelligent driving has entered a stage of rapid growth. These developments show that core technologies are proliferating and maturing rapidly, confirming that the technology development pattern follows a typical S-curve trajectory.
This study provides a comprehensive analytical framework connecting multi-agent scenario cognition with technology network dynamics and lifecycle evolution.The results deepen theoretical understanding of how high-potential scenarios drive technology evolution while providing actionable guidance for promoting collaborative innovation ecosystems and sustainable industrial transformation. At the theoretical level, this study expands the paradigm of scenario-driven technological innovation analysis by extending scenario research from static single-subject models to dynamic multi-subject multi-source analytical frameworks. At the practical level, the results provide decision support for policymakers and industry leaders, helping identify key technologies, rationally allocate innovation resources, and design forward-looking innovation policies.
开放科学(资源服务)标识码(OSID)：
2025年11月,国务院办公厅印发《关于加快场景培育和开放推动新场景大规模应用的实施意见》,提出“推动场景资源开放,促进场景资源公平高效配置,推动新场景大规模应用,形成‘技术突破—场景验证—产业应用—体系升级’路径”,“充分发挥我国超大规模市场和丰富应用场景优势”。高潜力场景已成为培育新质生产力的关键承载主体[1]。场景挖掘及相关技术预见成为国家把握未来产业发展趋势的关键工具[2]。因此,如何精准挖掘高潜力场景,并解析高潜力场景相关技术演化态势,已成为优化创新资源配置的核心命题。已有研究针对场景挖掘[3]和技术预见方法进行积极探索[4],但存在一些局限。一方面,在场景挖掘阶段,传统场景挖掘方法多关注单一主体视角,忽视了多元主体对技术演化的协同作用,从而削弱了场景挖掘的现实有效性与解释力[5-6]。场景的形成与落地通常涉及数据与基础设施、标准与合规、安全验证、用户接受度等多维要素,这些关键资源分散在政府、企业与用户等不同主体之间,若仅从单一视角对场景进行挖掘,容易产生系统性识别偏差[7]。另一方面,在技术演化阶段,缺少对技术合作网络、生命周期时空二维动态分析[8],难以揭示技术基于时间函数的非线性跃迁规律。此外,多数研究仅关注已成熟技术路径的优化,忽视了对高潜力场景相关技术的早期识别。
鉴于此,本研究基于多元主体构念的高潜力场景预见方法,构建高潜力场景相关技术网络演化态势分析框架,以智能驾驶领域为例进行实证研究。第一,整合技术开发者、产业应用者、政策制定者和终端用户的差异化构念,借助TRT语义分析[9],挖掘高潜力场景并识别其关键词;第二,利用德温特专利数据库,借助KeyBERT算法[10],实现场景和技术的关联映射;第三,引入社会网络分析方法[11],从空间维度刻画技术网络的“核心—边缘”结构,依据技术生命周期理论解析其时间维度的演化规律。本文边际贡献在于:突破传统单一主体场景挖掘与技术预见的局限,为破解创新要素集聚“孤岛效应”提供理论参考,通过构建“场景挖掘—技术突破—产业重塑”的螺旋式上升机制,为战略性新兴产业提供从经验导向到数据驱动的决策模型支持。
(1)高潜力场景的源起——场景与场景驱动创新。“场景”这一概念可追溯到Goffman(1959)提出的社会拟剧理论,他强调特定情境对个体行为起塑造作用;Kenny等[12]将其扩展至管理学领域,将场景定义为特定情境以及由此引发的需求或者情感反应[13]。随着数字经济的不断发展,场景研究逐渐从社会学领域延伸至创新管理学领域,形成场景驱动创新这一全新范式[5],即以特定情境为载体,借助技术、组织以及关系的协同整合,达成供需精准匹配以及创新价值跃迁,其特征体现为需求具象性、要素协同性及价值生态性(陈劲等,2020)。在此基础上,场景研究成为各界关注的焦点,学者从不同视角将场景划分成不同类型。参考胡拥军(2024)关于未来产业技术预见的逻辑框架,从技术适配性视角出发,将场景进一步细分为高潜力场景与技术受限场景,见表1。
表1 场景分类
Table 1 Scene classification
分析维度场景分类具体说明文献来源空间维度 物理场景 依赖实体空间和实体感知交互的场景(如线下零售、工业生产线)李健等(2021)虚拟场景 基于数字环境构建的场景(如在线会议、VR社交平台)主体维度 消费场景 面向终端用户的场景(如短视频、智能家居)俞鼎(2023)产业场景 企业或产业链协同场景(如工业互联网、供应链金融)治理场景 公共管理与社会服务场景(如智慧交通、数字政务)技术适配性高潜力场景 与现有技术高度匹配且能依托技术迭代持续突破边界胡拥军(2024)技术受限场景受限于当前技术瓶颈,短期内难以实现规模化应用或价值释放
(2)高潜力场景的内涵。高潜力场景是指已经呈现出初步应用价值但尚未成熟的应用情境,具有显著发展空间以及技术突破的可能性,其核心本质在于尚未充分释放价值成长空间(尹西明等,2024)。高潜力场景主要呈现出3种典型形态:其一,技术驱动型场景,借助技术的持续迭代来实现价值突破;其二,市场牵引型场景,依靠需求扩展来释放潜力;其三,生态协同型场景,需通过产业链联动达到成熟状态[14]。从历史演进维度看,高潜力场景形态随着技术革命及社会需求演变呈现出阶段性特征。在第一次工业革命时期,高潜力场景主要集中于机械化生产工具的改良应用;在第二次工业革命时期,高潜力场景转向电气化设备的普及与推广;在当前数字化时代,高潜力场景更多聚焦于智能化技术的深度融合。这表明,高潜力场景始终扮演着连接技术突破与产业变革的关键“纽带”角色,其发展轨迹深刻反映了技术创新与社会需求之间的互动关系。
据此,本研究依据文本数据重复出现特征来确定高潜力场景,其核心逻辑在于:在多源异构文本中,被重复提及多次的应用情境被视作高潜力场景[15]。这一定义借助文本共现频率这一客观指标来反映行业共识度,其合理性体现在以下3个方面:其一,跨文本类型重复出现说明场景已经得到政策、产业和技术领域的交叉关注;其二,频次阈值设定满足识别效率与噪声过滤需求;其三,该方法与文本挖掘技术框架存在逻辑一致性。
“构念”一词可追溯至20世纪初期的心理学与哲学领域,其与科学方法论的发展密切相关[16]。鉴于不同主体在功能定位与目标诉求上存在显著差异[17],本文引入“多元主体构念”表征创新活动中的主体异质性及其互动机理。需要注意的是,“多元主体构念”在既有文献中并非高频术语,但其内涵可借助词义分析与相关理论脉络予以界定与阐释。该概念的微观基础可追溯至心理学领域的个人构念理论(Kelly,1955),该理论强调个体依托独特认知框架来理解与预测世界,为刻画不同创新主体的认知差异提供了重要启示[18]。随着研究的不断推进,学者逐渐认识到创新活动本质上是多主体协同演化的过程。Adner[19]提出创新生态系统理论,其从系统层面阐明了多元主体通过价值共创实现技术创新的作用机制;Granovetter[20]的技术嵌入理论强调经济、技术行为嵌入特定社会关系与制度情境之中。上述研究为本文开展技术—场景匹配分析提供了中观层面的理论支撑,见表2。据此,本文将“多元”界定为技术创新生态系统中不同主体在认知框架、价值取向与约束条件上的异质性,将“多元主体构念”界定为:在技术创新生态系统中,技术开发者、产业应用者、政策制定者与终端用户等异质性主体基于各自的认知框架与价值取向,通过持续交互与协同作用,共同建构未来技术发展图景的动态过程。
表2 多元主体构念的理论基础
Table 2 Theoretical foundations of the multi-agent concept
理论渊源 核心观点 研究启示代表文献个人构念理论 个体通过主观认知框架来解释和预测世界通过个体解释不同主体间的认知差异Kelly(1955)创新生态系统理论技术创新需要企业、用户、科研机构等多主体协同创造价值为分析多元主体互动关系提供系统框架,解释技术演化中的协同机制Adner(2017)技术嵌入理论 技术创新需要与具体社会技术系统相融合连接技术创新与社会环境,解释场景适配性Granovetter(1985)
然而,当前研究对主体间认知互动机制的探讨存在一定不足。为对多元主体进行深度挖掘,本文在数据采集阶段整合政策文本、产业报告、学术文献以及用户反馈等多源异构数据(赵晓娟等,2021)。需要说明的是,不同文本类型在本文中主要作为不同主体视角的典型观测载体,可提高研究的可实施性与可复核性。在分析方法层面,本文综合运用文本挖掘与主题建模等方法考察主体结构关系并识别潜在认知模式,并据此构建涉及技术开发者、产业应用者、政策制定者与终端用户的“四维主体矩阵”,形成更具解释力的分析框架,以期为理解与引导多元主体协同提供参考。
(1)技术轨迹理论。技术轨迹理论最早由经济学家Dosi[21]在1982年提出。该理论指出,技术发展并非随机演进,而是具有明显的路径依赖特征,即历史选择、初始条件以及既有知识体系会共同塑造技术演化方向与边界。此后,Geels[8]的社会技术系统理论进一步拓展了这一视角,强调技术轨迹的形成与演化并非仅由技术内部因素决定,而是受微观、中观与宏观多层次因素的影响。近年来,伴随数字技术的持续发展,技术轨迹研究逐步突破传统线性分析范式,开始综合运用专利主路径分析、文本主题分析以及社会网络分析等多种方法,从多维视角对技术演化动态过程进行识别与刻画[22]。
在应用研究层面,技术轨迹理论已广泛应用于新兴产业及部分传统产业技术路径识别与趋势预测。王雅薇等[23]基于德温特专利数据对中国人工智能产业技术发展路径进行分析,发现其呈现出从“知识引入”到“知识输出”的转型特征;Martinelli等[24]以电信产业为例,揭示技术范式转换过程中技术轨迹跃迁的典型情形;王婷等[25]提出“主路径—衍生路径”分析框架。现有研究在不同产业情境下验证了技术轨迹理论的解释力,为识别技术演化关键路径及其分化机制提供了参照,为本文技术轨迹分析提供了理论支撑(黄鲁成等,2019)。
(2)技术生命周期理论。技术生命周期理论认为技术发展通常呈现出阶段性特征,存在萌芽期、成长期、成熟期等阶段性差异。在萌芽期,技术发展方向并不清晰明确,主要是开展一些探索性研发工作;当进入成长期,主导设计开始出现,技术性能得到快速提升并朝着标准化方向发展;在成熟期,技术逐渐趋于稳定,创新主要以渐进式改进为主,一旦颠覆性技术出现或市场需求发生转变,那么原有技术就会进入衰退期。TRIZ理论中的S曲线是常用的表征方式之一[26],用于描述技术扩散过程中由加速到减速的增长形态。
(3)社会网络理论。社会网络理论强调,个体或组织间互动关系会形成网络结构,网络位置与连接强度等特征能够表征要素关联与知识流动,因此常用于揭示技术体系的知识结构及其演化路径。结合Geels(2002)的社会技术系统理论,技术演化不仅受企业行为的影响,也由合作网络与制度环境共同塑造。该理论提供了“关系—结构”视角,将技术要素之间的关联关系与知识流动以网络形式加以刻画。基于该视角,本文采用社会网络分析(SNA)构建技术知识结构网络,揭示高潜力场景下技术组合、融合方向及网络结构演化特征[27],网络指标及其含义见表3。
表3 网络指标及其含义
Table 3 Network metrics and their interpretation
网络指标 计算公式公式符号说明 含义节点N/A(通常用N表示)N:网络中所有点的总数代表网络中的个体或实体边N/A(通常用L或E表示)L或E:网络中所有边连接的总数代表网络中的关系或关联平均度数k=∑Ni=1kiN=2LNk:网络平均度数;ki:节点i的度数反映网络中节点的平均连接程度网络密度Vα=YN×(N-1)Y:网络中实际连接边数衡量网络结构致密性及节点连接效率的关键指标平均聚集系数Cα=1N∑Ni=12NαiDαi(Dαi-1)Cα:网络层α的平均聚类指标;Nαi:以节点i为中心的聚类数;Dαi:节点i的度数用于判断邻居节点间相互连接的紧密程度和群聚特性
本研究构建一个融合多元主体构念与技术演化的研究框架,通过多阶段递进式分析,形成从理论建构、方法实现到实践检验的完整研究链条,技术路线见图1。
图1 技术路线
Fig.1 Technology roadmap
本文整合多源异构文本,将其作为不同主体视角的典型观测载体,以“多元主体构念下的高潜力场景挖掘模型”为分析框架,形成“数据层—主体层—场景层”3层递进结构,构建一个系统化的构念交互空间,通过逐层提炼与交叉验证识别高潜力场景,如图2所示。
图2 多元主体构念下高潜力场景挖掘模型
Fig.2 High-potential scenario mining model under the multi-agent construct
首先,在数据层整合政策文本、科技报告、产业白皮书和在线评论原始资料,通过人工阅读进行数据清洗,以确保文本质量满足后续分析要求。其次,在主体层重点关注政策制定者、技术开发者、终端用户与产业应用者多元主体的观点表达及需求特征,采用TRT语义分析方法对数据要素进行拆解,从而对高潜力场景进行识别。最后,在场景层结合政策导向、用户需求和产业发展趋势等多维信息,对候选场景进行综合评估,并通过人工核验形成具有应用价值的高潜力场景清单。
TRT(Technology-Relationship-Technology)是一种基于“技术—关系—技术”结构,将非结构化文本转变为结构化知识的语义分析方法,其以规则匹配为核心,以人工复核为补充,可对介词与关键词之间的独特结构关系进行有效挖掘[28-29]。该方法依赖于句法分析和词汇频率统计,以语言学规则与统计阈值为操作依据,从而实现对不同主体文本中潜在场景要素与关联关系的结构化提取[9]。然而,由于能够表征应用场景的典型介词数量相对有限且使用较为固定,传统TRT方法在场景挖掘任务中可能对非典型表达识别不足。基于此,本文在TRT的基础上扩展触发规则集,以提升场景要素识别的覆盖度并降低漏检风险,在保证信息提取有效性的同时,能进一步提高分析效率。
在具体任务中,T不再局限于狭义技术名称,而是扩展为承载场景语义的要素单元,包括技术、功能、对象、应用环节与需求表达;R则表示连接不同要素单元的关系表达,涵盖介词结构、动词关系词、功能引导语以及模板化触发结构。基于上述界定,TRT具体实施步骤如下:①数据预处理。对多源文本进行去噪、分句、词性标注与术语规范化处理,保留文本来源标签,用于后续多主体视角对齐与溯源核查。②候选结构定位。利用Python中文文本处理工具对语料进行句法分析与依存分析,在句子层面识别承载场景语义的候选结构,重点提取“名词短语—介词短语”“名词短语—关系词—名词短语”等相关片段,构建候选场景表达集合。③规则抽取与结构化重组。在传统介词触发的基础上,构建扩展触发结构集合,并将其归纳为3类:介词/介词短语规则、场景引导功能短语规则与模板结构规则。其中,介词类规则用于识别“面向”“用于”“在……中”等场景指向关系,功能短语类规则用于识别“实现”“支持”“满足”等功能联系,模板结构类规则用于识别“技术+对象+用途”“主体+需求+应用环节”等相对稳定的表达形式。依据上述规则,对候选片段进行结构化重组,形成可统计与可归并的场景表达单元。④统计筛选、回溯验证与结果确认。对候选表达频次进行统计,结合预实验中的分布特征设定筛选阈值,以保留出现频次较高的稳定表达;同时,依据触发结构的语义指向对原文进行回溯核查。在此基础上,对同义或相近表达进行归并,并根据实际意义,人工核验高潜力场景清单。
为保证数据分析的合理性与严谨性,设计以下技术识别流程:
(1)专利检索与筛选。在完成高潜力场景挖掘后,将场景核心特征词规范化并构建结构化检索式,在德温特专利数据库(Derwent Innovations Index,DII)摘要字段进行匹配检索。为强化“场景导向”,检索限定在摘要的“Use”部分,以用途、应用情境作为检索锚点,获取与特定高潜力场景及其问题解决直接相关的专利集合。随后,借助Python对检索结果进行批量处理与清洗,并提取摘要中的“新颖性(Novelty)”文本。该部分集中呈现的技术创新点与核心技术方案信息密度高,适合作为后续技术主题识别的数据来源[30]。本文选择DII的原因在于:其覆盖全球多专利机构与多国家和地区的发明专利,并对摘要内容进行“Use”“Novelty”等结构化规范,有助于降低跨专利局文本差异带来的噪声,并提高场景检索与技术信息提取的可比性与可复现性[31]。
(2)技术主题词提取与量化。针对提取到的“新颖性”文本,采用KeyBERT算法对技术主题词进行提取与量化[29]。KeyBERT基于预训练BERT生成文档与候选词的语义嵌入,并以余弦相似度衡量候选项与文档语义的贴合度,从而筛选出能够代表文本中心语义的主题词[9],实现“场景—技术”的关联映射并识别出支撑高潜力场景发展的技术主题词。具体步骤如下:①文本预处理。对文本进行规范化处理,剔除停用词、标点与特殊字符,并对高频词的单复数、时态等进行归一化处理。②语义嵌入。调用预训练的 BERT 模型计算文档嵌入向量,以表征文本的整体语义信息。③主题词提取。生成N-gram候选词,并计算其对应的嵌入向量。④相似度确定。计算候选词向量与文档嵌入向量的余弦相似度,最终选取与文档语义最匹配的主题词作为技术识别结果。
(3)技术单元的建立与规范。为确保技术术语的统一性和分析的准确性,本文进一步采用主题词簇方法对提取结果进行精细化清洗。通过模糊匹配、人工校对及关键词合并等步骤,建立标准化技术关键词对照表,对具有相同或相近含义的关键词进行整合与替换。
本文将专利文本中提取的技术主题词确立为网络分析技术单元,不同技术单元共同构成与各高潜力场景相对应的技术集合,用于构建技术网络并开展演化态势分析。基于此,本文构建融合空间网络结构与时间演化规律的“技术网络—演化周期”态势分析框架(见图3),并结合 Gephi 进行可视化呈现,采用时间切片方法开展动态分析,以刻画技术网络结构在不同生命周期阶段的演化趋势,从而揭示高潜力场景相关技术的动态规律与结构机理。
图3 “技术网络—演化周期”态势分析框架
Fig.3 “Technology network—evolution cycle” situation analysis model
(1)时间维度上,对相关技术专利申请数量开展时序分析,将专利申请序列作为技术活动强度的可观测指标,引入技术生命周期理论对研究期内的增长形态进行阶段性诊断。通过对不同高潜力场景关联技术的申请节奏与扩散强度进行比较,识别多场景并行条件下技术成熟度与发展速度的差异化演化路径。同时,考虑到观测窗口的阶段性特征,本文结合新增年份数据与专利质量指标进行交叉验证,以增强研究结论的稳健性与可复核性。
(2)空间维度上,以专利数据为基础,从专利摘要中提取核心技术主题词作为网络节点,并用主题词在同一专利中的共现关系构建网络边,采用共现频率设定边的权重以量化技术单元之间的知识耦合强度。在此基础上,计算平均度数、网络密度与平均聚集系数等结构指标,用以刻画网络整体连接水平、结构致密性与局部群聚特征,进而识别技术热点及潜在知识融合路径[32]。进一步地,采用模块化方法识别技术共同体,并将高潜力场景要素映射至相应技术簇群,用以比较不同场景下技术知识融合结构差异,揭示“场景需求—技术组合”之间的结构性对应关系。
该框架致力于从以下3个层面深化对技术演进规律的认识:①多场景并行轨迹分析: 建立多场景并行的技术发展轨迹分析模型(即S曲线族群),识别不同高潜力场景中技术成熟度与发展速度的差异化演化路径。②动态结构解析: 解析网络密度、平均度数等结构指标在不同技术生命周期阶段的动态演化规律,探明技术知识整合与分散机制,并识别潜在融合路径。③前瞻性布局与研判: 结合现阶段网络结构特征与成熟度阶段诊断结果,对可能出现的技术知识融合方向与协同模式开展趋势性判断,以提供可解释、可复核的分析依据。
本文采集多源异构数据,构建覆盖“战略—产业—商业—技术”维度的高潜力场景语料库,数据来源见表4。根据高潜力场景关键词,在DII中检索相关专利信息[30]。为明确专利数据范围,首先采用无人驾驶汽车、自动驾驶汽车、辅助驾驶汽车、智能网联汽车等核心关键词对专利数据进行初步筛选,并剔除无效专利(包括无人机、无人飞行器、无人潜水器),以确定智能驾驶技术领域数据边界[33]。其次,本文整理出8类高潜力应用场景(极致环境感知、高效能计算与数据驱动、以人为中心的交互、拟人化决策规划、车路智能协同、合规认证与规模化、系统韧性与安全、生态化与产业融合),并提取各场景核心关键词用以构建专属检索式,从而实现专利数据在子领域层面的精准划分。检索时间为2021年1月1日—2025年9月16日,共获得有效专利数据24 378条。
表4 数据来源
Table 4 Data sources
数据来源类别说明量化信息北大法宝法律法规数据库政策文本近3年智能驾驶相关政策意见与规划建议类文件约31 500字国家科技报告服务系统科技报告近3年智能驾驶相关科技发展方向与重点布局约63 400字评论社区在线评论爬虫懂车帝、汽车之家、车友会、小米汽车社区等22个平台关于智能驾驶汽车建议或期望类的用户评论2 456条中国汽车技术研究中心有限公司、华为技术有限公司等发布官方资料白皮书 行业现状与未来发展趋势分析约73 400字德温特专利数据库专利 8类高潜力场景对应的专利数据24 378条
基于TRT结构化抽取结果,在多源文本中回溯并挖掘与智能驾驶相关的场景要素59个,经去重、同义归并与融合后,最终得到53个非重复的高潜力场景,如表5所示。为提高筛选的可复核性,进一步考察场景关键词在不同来源文本中的分布覆盖及共现特征,刻画其跨主体共识度与内在关联性,并据此对场景潜力进行辅助判断。
表5 智能驾驶场景多源数据识别与统计
Table 5 Multi-source data recognition and statistics for intelligent driving scenarios
数据来源 名词—介词—名词结构短语数量初步识别场景数最终有效场景数政策文本1081413产业白皮书1631412科技报告631212用户评论2832116总计6176153
对识别出的高潜力场景进行分类聚合,构建智能驾驶高潜力场景体系,包含极致环境感知、高效能计算与数据驱动、以人为中心的交互、拟人化决策规划、车路智能协同、合规认证与规模化、系统韧性与安全、生态化与产业融合8个二阶主题共53个具体场景,如表6所示。该体系覆盖从技术实现到产业化应用的全价值链环节。与此同时,提取场景关键词,为后续相关技术检索提供输入。
表6 高潜力场景主题分层与关键词索引(部分)
Table 6 High-potential scenario theme stratification and keyword indexing (partial)
二阶主题一阶构念(高潜力场景) 数据来源关键词提取极致环境感知 恶劣天气下高可靠性感知1恶劣天气、山区、急弯、盲区预警、非规范车道线、跨地域、气候适应性、激光雷达、环境建模、无高清地图、三维环境重构等山区急弯盲区预警与通行1跨地域气候适应性校准2三维环境重构3以人为中心的交互小众方言与口语化指令识别1方言识别、口语化指令、手势控制、上下文理解、连续对话、车辆召唤、跨设备互联、狭窄胡同、声纹识别、无人化运输、记忆泊车等封闭场景无人化运输作业3记忆泊车与跨层停车场自主泊车4拟人化决策规划 隧道内无缝自主变道1自主变道、无保护左转、交叉路口、博弈通行、行为预测、混合决策、AI、强化学习、拟人化、决策博弈等基于强化学习的拟人化决策博弈2
注：1代表在线评论,2代表产业白皮书,3代表科技报告,4代表政策文本
3.3.1 技术生命周期阶段诊断
对已检索专利进行统计分析,揭示技术演化的动态规律,智能驾驶领域专利总申请量在研究期间内整体呈现出快速增长态势,2025年专利数量出现激增,达到15 154件,明显高于前4年,说明智能驾驶产业与技术创新已迈入高速发展阶段,如图4所示。
图4 2021—2025年各类高潜力场景对应专利的年申请量
Fig.4 Annual patent application trends for high-potential scenarios from 2021 to 2025
(1)基于技术生命周期理论,智能驾驶8类场景相关专利申请趋势呈现典型的S型演化特征。结合S型曲线的一般规律与当前爆发式增长态势,其阶段划分通常以增长拐点及平台期等关键节点为依据。为提高推断的稳健性,本文通过阶段诊断分析发现,现有证据更支持智能驾驶高潜力场景相关技术处于成长期的爆发阶段,表现为专利活动规模快速扩张且未发现有持续性的增速回落与平台化迹象。关于未来能否进入成熟期,需要通过新增年份数据补充来进一步观察是否出现“增速持续放缓—平台化稳定”的阶段判断依据,并结合专利质量指标进行交叉验证。
(2)从驱动机制角度看,2025年的结构性跃升更可能是“底座能力平台化、关键瓶颈突破与规模化条件启动”共同作用的叠加结果。具体而言:第一,车路智能协同(S2)在各年均位于细分方向的最高位置,反映智能驾驶创新重点已从单车智能逐步转向车、路、云、网等多要素协同,相关专利布局更多集中在车路协同、多主体交互与交通基础设施联动等场景。第二,合规认证与规模化(S7)、系统韧性与安全(S4)以及极致环境感知(S1)在2025年处于第二梯队,并呈现明显增长趋势,表明智能驾驶从测试验证走向规模化应用过程中,标准认证、安全冗余、系统稳定性与复杂环境感知等支撑条件的重要性不断提高。第三,以人为中心的交互(S5)、高效能计算与数据驱动(S6)、拟人化决策规划(S3)以及生态化与产业融合(S8)整体相对靠后,说明人机交互、数据闭环、算力平台以及决策规划等方向仍在持续积累阶段,尚未成为本轮专利跃升的主要来源。并且,生态化与产业融合相关专利积累较弱,智能驾驶产业生态、跨主体协同模式和商业化融合机制尚处于进一步培育阶段。综上,2025年智能驾驶专利跃升主要由协同运行、规模化验证、安全可靠与环境感知等应用支撑型场景共同推动,反映出智能驾驶创新正在从单车技术突破逐步转向真实道路环境下的系统部署、合规验证与规模化应用。本文据此开展阶段诊断,以增强研究结论的稳健性、可复核性与解释力,如表7所示。
表7 技术发展阶段诊断
Table 7 Stage diagnosis of technological development
发展阶段观测区间计量特征与判定依据阶段诊断结论萌芽期2021—2023年先低基数但快速扩张,以探索与进入为主;后规模回落,增速放缓但未形成平台化稳定区间已经历导入扩张,并进入过渡调整阶段成长期2024—2025年申请量显著跃升,现有窗口内缺乏拐点等证据支撑成熟期判断当前更符合加速成长期特征成熟期———成熟期需满足:高位稳定、增速明显放缓并出现拐点或平台化-衰退期———需长期下降或出现替代证据-
3.3.2 技术网络结构特征分析
本文从宏观趋势和微观结构两个不同维度,对分场景技术共现网络展开技术空间结构分析:一方面,通过全网层面的结构统计刻画不同高潜力场景的技术要素覆盖、关联规模与连通强度,建立可比的宏观基准;另一方面,结合网络可视化与关键节点、团簇特征,对各场景内部知识组织方式与潜在融合路径进行微观解读,以对技术创新模式差异进行解释。
(1)分场景技术结构宏观概览。 为建立不同高潜力场景之间可比的结构基准,本文基于DII技术主题词共现关系构建场景技术网络,并对其整体结构特征进行宏观统计。其中,节点数与边数反映技术要素覆盖及显性关联规模,网络密度和平均度数刻画整体连通强度与知识复用程度,平均聚类系数表征局部团簇化与集聚水平,如表8所示。上述宏观差异为后续结构解释提供了对照依据,另因S8“生态化与产业融合”样本量不足未形成稳定共现结构,故不纳入网络指标比较。
表8 高潜力场景相关技术结构
Table 8 Technical architectures for high-potential scenarios
高潜力场景核心专利数量节点总数边总数网络密度(%)平均度数平均聚集系数S1.极致环境感知3 10157744.6372.600.528S6.高效能计算与数据驱动9 67176973.4042.550.421S5.以人为中心的交互334172014.7062.350.550S3.拟人化决策规划3 85137314.6551.680.286S2.车路智能协同1 24174853.1472.300.532S7.合规认证与规模化37427205.6981.480.471S4.系统韧性与安全5 75260663.7292.200.669S8.生态化与产业融合54-----
(2)分场景技术网络微观解读。 本文通过深入分析各高潜力场景技术网络的微观结构和核心技术构念,揭示其在场景挖掘视角下的演化态势及各类场景下的技术共现网络,并对网络结构特征与技术创新模式进行解读,如图5所示。
图5 七大高潜力场景下的技术网络
Fig.5 Technology network for seven high-potential scenarios
第一,极致环境感知S1(见图5(a))。该网络拥有明显的中心化结构,少数核心节点处于高连接位置并承载主要关联汇聚,反映出该场景组织更倾向于围绕关键底层能力形成集成式组合。基于此结构特征,该场景下的创新活动更可能体现以既有路线优化与系统集成为主的利用式创新倾向,后续演进重点有可能会围绕核心节点相关算法、数据、工程化能力持续强化,而非简单增加新的硬件门类。
第二,高效能计算与数据驱动S6(见图5(b))。 该网络节点规模较大、连接分布较广,整体上缺乏单一的“绝对核心”,呈现出更强的分布式特征,说明多个技术子域可能并行推进,知识在局部团簇内快速累积但跨团簇整合仍在演进。该场景更有可能对应探索式创新倾向,其竞争聚焦于系统级算力效率与数据闭环能力的迭代,并通过关键桥接节点逐步实现跨模块耦合。
第三,以人为中心的交互S5(见图5(c))。该网络规模相对较小但密度较大,呈现紧密簇群形态,表明相关关键词之间的共现关系更集中、知识复用程度较强。该结构通常对应较强的工程化整合与功能优化路径,因而更有可能体现利用式创新倾向,后续演进重点有可能聚焦用户体验与安全约束下的稳定融合。
第四,拟人化决策规划S3(见图5(d))。该网络呈现双核特征,感知输入侧与学习决策侧分别形成关键枢纽,同时存在承担跨模块连接的桥接节点。该结构中的“感知—决策”链路模块分工较为清晰,而跨模块性能提升更依赖算法桥接与模型能力迭代。基于此,该场景更有可能体现探索式创新倾向,研发重点可放在决策学习算法的泛化能力、训练效率与可验证性等持续性突破上。
第五,车路智能协同S2(见图5(e))。该网络呈现多中心分布式形态,由多个核心节点共同驱动技术体系向外延伸,预示其技术要素更有可能以子系统并行方式演进,跨实体互联互通与系统级整合是关键约束。相应地,该场景是“并行探索—走向系统集成”的过渡形态。后续推进重点更有可能落在互操作性、低时延高可靠闭环以及标准协同等系统性条件的完善。
第六,合规认证与规模化S7(见图5(f))。该网络整体较为稀疏但结构聚焦,核心节点围绕验证相关要素构成,说明知识组织更倾向于沿合规链条收敛,并受到外部制度约束的牵引。基于此,该场景更有可能体现利用式创新倾向。后续演进重点有可能围绕自动化验证工具链、测试认证流程与工程化合规能力的体系化建设,以支撑规模化部署。
第七,系统韧性与安全S4(见图5(g))。该网络通过少数关键节点形成相对稳定的核心结构,并与测试验证相关要素保持紧密连接,表明“安全—验证—冗余”在该场景知识组织中占据枢纽地位。相应地,该场景更有可能体现高门槛的利用式创新倾向。关键能力会聚焦冗余体系构建与高强度自动化测试验证工具链,以增强在复杂故障模式下的可靠性证明与工程化落地能力。
本研究围绕“高潜力场景挖掘及其相关技术演化”这一核心问题,构建高潜力场景牵引下的技术演化时空态势分析框架,利用智能驾驶领域数据进行实证分析,得出以下研究结论:
(1)基于多元主体构念的高潜力场景挖掘方法能有效识别场景主题并为专利检索提供依据。将技术开发者、产业应用者、政策制定者与终端用户纳入统一框架,用政策文本、科技报告、产业白皮书与用户评论构建场景语料,通过TRT结构化抽取、回溯核查、同义归并识别出智能驾驶领域“8个二阶主题共53个具体场景”的高潜力场景体系,为后续场景关键词提取与技术映射提供了稳定输入。
(2)智能驾驶领域高潜力场景相关技术呈现“整体加速扩散、场景间分化并行”的非线性态势。根据样本期观测结果,专利活动呈快速扩张趋势且处于成长期爆发阶段(2025年专利量显著激增)。场景间专利序列对比显示,技术扩散存在异质节奏,呈现出多场景并行演化趋势。
(3)不同高潜力场景对应的技术共现网络存在显著结构差异,反映出知识组织方式与创新模式在场景间不断分化。网络指标与微观结构解读显示:极致环境感知呈中心化集成特征,而车路智能协同呈多中心分布式形态,合规认证与规模化网络相对稀疏但结构聚焦,结构差异意味着不同场景下的技术组合路径存在不同,技术创新需在“核心能力强化、跨模块耦合、制度化验证、系统级整合”等约束条件下差异化推进。
(1)构建“基于多元主体构念的场景挖掘”解释框架,并将其操作化为可复核的分析路径。既有场景挖掘研究虽关注多方参与,但多数研究将多主体视为概念层面的罗列或专家主导的协商式判断,对于主体异质性如何被系统采集并在同一框架下实现证据整合与交叉验证缺乏可复核的操作路径。本文将技术开发者、产业应用者、政策制定者与终端用户纳入统一分析框架,以多源异构文本作为多主体认知与约束条件的观测载体,形成“主体视角—证据片段—场景要素”对应关系与溯源机制;同时,在TRT规则层引入扩展触发结构以提升对非典型表达的覆盖度,在理论上强化了“场景作为多主体构念结果”的解释视角,并提升了场景识别过程的可追溯性与可复核性,为行业技术创新和产业布局提供了较为全面的场景参考。
(2)构建多场景并行演化的S曲线族阶段诊断模型。现有S曲线研究多以单一技术对象为分析单元,较难刻画同一技术体系在不同应用场景下的异质化演进节奏。本文对多条场景专利序列进行刻画,以对不同高潜力场景的增长形态与阶段信号进行对比诊断,并进一步结合技术网络结构特征对阶段差异进行解释,从而更加完整地呈现了技术在多场景牵引下的多路径发展格局。该框架为面向场景的协同研发与技术布局提供了可解释、可复核的分析依据。
根据上述研究结论,本文提出如下启示:
(1)构建“场景—技术”双向映射的动态评估投资机制。企业在进行技术创新布局时,需要同时对其与高潜力场景的匹配性及技术延展性能进行评估,防止盲目追求技术先进性而忽视了场景落地性,可设立以场景为导向的研发基金,用以支持那些契合当前场景需求又拥有未来拓展潜力的技术项目。
(2)构建基于S曲线族的多路径技术监测和预警系统。产业协会或智库可依据“技术网络—演化周期”框架,定期发布技术成熟度和合作网络动态报告,帮助企业识别技术拐点、规避技术衰退风险,并为政府制定产业政策提供数据支撑。
(3)引导边缘创新主体融入主流技术生态,激发突破性创新。政府、产业龙头企业应设立专项合作基金或创建“技术融合实验室”,主动吸引高校、科研院所和初创公司等边缘创新主体参与核心项目攻关,打破头部企业主导的技术路径依赖,在仿生传感器、新型决策算法等颠覆性技术领域培育新的增长极。
本文存在如下不足:第一,当前场景挖掘主要基于现有文本与当期需求强度,更偏向于对显性化需求的归纳与提炼,未来可加入视频等多模态数据源,构建面向中长期的社会愿景与关键假设,采用倒推路径将愿景分解为可操作的场景要素与阶段性目标,为未来场景预测与洞察提供更系统的分析框架。第二,本文对高潜力场景的测度有进一步细化的空间,现阶段主要依据多源文本的重复提及与高频特征进行筛选,在区分“关注度”与“潜力”方面有待增强。未来可在现有框架上补充新颖性、成长性与不确定性等维度指标,引入突现度、增长率与跨域组合等动态特征,并采用时间切片与滚动窗口进行检验,进一步提升识别结果的前瞻性与稳健性。
[1] 王羽.以场景培育和大规模应用驱动新质生产力发展[J].中国工业和信息化,2026,12(Z1):16-21.
[2] 林毅夫,陈超然,付才辉.新质生产力理论:新结构经济学的视角[J].学术论坛,2025,48(1):1-12.
[3] 由丽萍,刘云鹏.基于场景需求的专利技术组合识别:以人形机器人为例[J].数字图书馆论坛,2025,21(2):12-22.
[4] 孙笑明,袁思懿,彭珍珍,等.基于专利分析与TRIZ的新兴技术预测模型研究:新能源汽车动力电池为例[J].科技进步与对策,2025,42(17):101-112.
[5] 尹西明,苏雅欣,陈劲,等.场景驱动的创新:内涵特征、理论逻辑与实践进路[J].科技进步与对策,2022,39(15):1-10.
[6] 方晓霞,李晓华.颠覆性创新、场景驱动与新质生产力发展[J].改革,2024,37(4):31-40.
[7] MARKARD J,TRUFFER B.Technological innovation systems and the multi-level perspective: towards an integrated framework[J].Research Policy,2008,37(4):596-615.
[8] GEELS F W.Technological transitions as evolutionary reconfiguration processes:a multi-level perspective and a case-study[J].Research Policy,2002,31(8):1257-1274.
[9] 苗红,王浩桐,李伟伟,等.面向应用场景的前沿技术识别方法[J].情报杂志,2025,44(1):95-103.
[10] 宋培彦,田文波,冯超慧,等.融合选择性注意衰减模型的信息简报自动生成方法研究:以UNESCO科技报告为例[J].情报理论与实践,2023,46(4):53-58,7.
[11] BORGATTI S P,EVERETT M G.Models of core periphery structures[J].Social Networks,2000,21(4):375-395.
[12] KENNYD,MARSHALLJ.Contextual marketing:the real business of the internet[J].Harvard Business Review,2000,78(6):119-125.
[13] 杨坤,殷涛,王琲.场景范式下数据要素赋能新质生产力涌现:“漩涡模型”构建与探索性案例研究[J].科技进步与对策,2024,41(22):25-36.
[14] 杨坤,殷涛,汪万,等.面向未来场景的新兴技术产业化机制:基于知识组织视角的探索性案例分析[J].科技进步与对策,2026,43(10):63-75.
[15] 骆嘉琪,封垚,孟斌,等.基于文本挖掘的企业社会责任报告质量评价体系构建[J].科研管理,2025,46(11):128-139.
[16] SLANEY K L, RACINE T P. What′s in a name? psychology′s ever evasive construct[J].New Ideas in Psychology,2013,31(1):4-12.
[17] 何郁冰,孙洁婷,叶凌峰.创新生态系统中主体互动对企业颠覆性创新的影响[J].科技进步与对策,2025,42(24):105-115.
[18] KELLY G A.The psychology of personal constructs[M].New York:Norton,1955.
[19] ADNER R.Ecosystem as structure:an actionable construct for strategy[J].Journal of Management,2017,43(1):39-58.
[20] GRANOVETTERV M. Economicaction and social structure:the problem of embeddedness[J].American Journal of Sociology,1985,91(3):481-510.
[21] DOSI G. Technological paradigms and technological trajectories: a suggested interpretation of the determinants and directions of technical change[J].Research Policy,1982,11(3):147-162.
[22] 张娴,曾荣强,李姝影,等.基于多元关系融合的专利技术演化路径识别方法研究[J].图书情报工作,2024,68(3):71-84.
[23] 王雅薇,周源,陈璐怡.我国人工智能产业技术创新路径识别及分析:基于专利分析法[J].科技管理研究,2019,39(10):210-216.
[24] MARTINELLI A, NOMALER O.Measuring knowledge persistence:a genetic approach to patent citation networks[J].Journal of Evolutionary Economics,2014,22(3):623-652.
[25] 王婷,黄玉凤,刘心蕊,等.基于主路径—衍生路径的技术轨迹识别:以中药产业为例[J].情报理论与实践,2020,43(8):128-133.
[26] RAHIM A Z, MUSA H, RAMLAN R. Hydrogen fuel cell technology revolution and intervention using TRIZ S-curve analysis for automotive system innovation[J].Chemical Engineering &Technology,2023,46(8):1549-1557.
[27] 张宁宁,温珂,张宜.内部推动还是外部拉动?多维邻近性视角下产研合作网络演化驱动因素研究[J].科技进步与对策,2026,43(1):1-11.
[28] 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.
[29] MIAO H, WANG Y, LI X, et al. Integrating technology-relation-ship-technology semantic analysis and technology road mappingmethod: a case of elderly smart wear technology[J].IEEE Transactionson Engineering Management,2020,69(1):262-278.
[30] 谢俊杰,孙希科,王智琦,等.基于应用场景的未来技术识别[J].情报杂志,2024,43(5):97-105.
[31] 张杰,刘美佳,翟东升.全球 RFID 技术专利计量分析[J]. 情报杂志,2013,32(1):21-26.
[32] 余辉,周晶,吴昀璟,等.“知识—合作”网络视角下产业链技术发展态势分析:以新能源汽车产业为例[J].情报理论与实践,2025,48(6):113-122.
[33] 章帆,王雪娇.基于专利的无人驾驶汽车技术景观分析[J].科技管理研究,2017,37(5):33-37.