问：
我想识别尚处早期的新兴技术。现在的设计分为两步：先从大量技术主题中筛出可见度较低、但已经出现增长趋势的候选主题，再用一套比较成熟的方法，从候选主题中识别新兴技术。第一步把窗口推到了更早的位置，第二步完成识别。这样能不能称为早期识别？
答：
先不争论它应该叫筛选还是识别。你先把第一步拿掉，让后面的方法直接处理全部技术主题，看看会发生什么。
假设原来有一万个主题，第一步筛完剩下一千个，第二步最后识别出五个。如果不筛选，第二步面对一万个主题仍然能找到这五个，那么第一步确定减少了计算量，却没有增加识别能力。如果不筛选就找不到，问题反而更尖锐：为什么一个原本无效的方法，在看过一份缩短的名单以后就有效了？前面表示“早”的那些信号并没有进入后面的方法，两个阶段之间实际传递的只是主题的去留。
一万个变成一千个是工作量的变化，不自动等于知识上的增量。输入对象处在早期，也不自动意味着方法获得了“早期识别”的能力。
问：
第一步至少把研究范围限定在了较早的时间窗口。这个限定本身不能体现弱信号的作用吗？
答：
那就再做一个更简单的对照：不用弱信号筛选，只把某个时间点以前的全部技术主题交给后面的方法。如果两种处理得到的结果相近，那么第一步真正起作用的可能只是时间截断。你当然可以限定时间窗口，但不能因为给这个窗口附加了“弱信号”的解释，就认为弱信号理论已经进入方法。
一个理论有没有发挥作用，不看它是否出现在第一阶段的名称里，而看换成更简单的操作以后，研究会不会失去只有这个理论才能提供的信息。复杂流程与简单时间限制等效时，复杂性本身不是贡献。
问：
如果弱信号不应该只负责筛掉一批主题，它可以在研究中怎样发挥作用？
答：
一种值得尝试的倒转是：不要先用几个既定指标筛技术主题，而是让弱信号理论帮助筛选可能具有早期意义的数据特征。前一种做法筛掉的是研究对象，筛完以后弱信号就退出了；后一种做法筛的是用于判断对象的信号，筛选结果会继续进入后面的识别和验证。
这一区别很重要。技术主题已经是聚类和汇总后的结果，许多细微变化可能在形成主题和指标的过程中被压缩掉。如果要寻找比成熟指标更早的迹象，可能需要回到更接近原始文本或底层表征的位置，从较多候选特征中判断哪些特征具有先行性。靠近原始数据不保证一定能发现弱信号，但至少保留了提出新信号的可能；只在几个成熟指标上重新设阈值，通常很难凭空产生时间优势。
问：
为什么“从容易取得的信号推断后来才能确认的结果”如此重要？
答：
可以把它类比成食品检测。有些成分的检测昂贵、缓慢或者操作困难，于是研究者寻找一些更容易检测的成分，用它们推测那些难以检测的成分。贡献不在于先删掉一批样品，再对剩下的样品照常进行昂贵检测；而在于容易检测的成分是否真的携带了关于难测成分的信息。
食品检测跨越的是检测难度与成本，早期识别跨越的是时间，两者共同的要求是：前一种信息必须能够推断后一种结果。成熟方法后来识别出十项技术，新方法的意义不一定是识别出二十项，而是只使用更早时点能够观察到的信息，能否提前指向后来被确认的那十项技术。如果不能建立这种对应关系，“早”仍然只是研究窗口的名称。
问：
那么怎样证明早期信号不是研究者知道结果以后作出的事后解释？
答：
验证时必须把“后来才知道的结果”和“当时已经看得见的信息”分开。假设成熟方法在较晚时点确认了一百项新兴技术，可以拿其中六十项研究早期信号与最终结果之间的关系，把剩下四十项留作检验。检验时只能使用早期窗口内已经存在的数据，不能把后来出现的信息倒灌回去。
六十和四十只是一个便于理解的假设，比例本身不是重点。重点是那四十项在建立关系时不能被提前看见，时间顺序也不能被打乱。否则模型可能非常准确，却只是学会了用结果发生以后的痕迹解释结果。所谓早期识别，首先不是多识别几个，而是同一个后来成立的判断，能不能在信息尚不充分时被可靠地提前作出。
问：
研究框架中还有一个“多维数据融合”环节。把它作为一章的目标，有什么问题？
答：
融合是动作，不是目的。看到“多维数据融合”，读者只知道你做了什么，不知道为什么做，也不知道做完以后研究增加了什么能力。
同样的数据拼接，可以服务于不同目的：改善技术识别、解释技术之间的关系，或者描述技术在时间和空间上的变化。目的不同，需要保留的信息、融合方式和评价标准都会不同。先把“融合是为了什么”说清楚，才知道哪些数据应该进入同一个表示。否则融合很容易变成一种自我证明：因为论文声称使用多维数据，所以必须不断往向量里添加字段；字段越多，反而越难说明每一项为什么存在。
问：
如果把技术文本和分类编码融合，再根据分类编码映射出产业链标签，是否可以说数据又增加了一个维度？
答：
要看产业链标签是否带来了分类编码中原来没有的信息。如果标签完全由分类编码映射而来，那么表面上多了一列，信息并没有增加。
这就像电影院规定一米五以下免票。工作人员先问一个人多高，对方回答一米七；接着工作人员又记录了一项信息：“一米五以上。”表格里的确从一个字段变成了两个字段，但第二个判断完全可以由第一个数字推出。它不是新的观测，只是原信息换了一种粒度和说法。
问：
那这个产业链标签是不是就没有用了？
答：
不是。它可以帮助解释识别结果处在产业链的什么位置，也可以展示一个技术主题如何在不同环节间变化。即使把它送入模型，它也可能因为改变了信息的表达方式而使某种关系更容易被学习。但这属于特征表达的作用，不能说成增加了一种新的信息来源。
一个变量有没有价值，和它有没有提供新的输入信息，是两个不同问题。把这两件事分开，反而更容易为它找到准确的位置：它可以是一种解释框架、一种特征工程，也可以是结果呈现的维度，不必非要冒充独立数据源。
问：
某类技术的产业链划分比较清楚，也容易把技术主题对应到不同环节。这能不能作为选择该类技术作为研究对象的理由？
答：
它首先证明的是这个研究对象便于操作，不一定证明它值得被单独选择。还要追问一句：换成其他产业，是否同样可以划分产业链并观察环节变化？如果答案也是可以，那么“产业链清楚”只是数据处理上的便利，不是这个案例区别于其他案例的特征。
案例选择至少有两种理由容易被混在一起。一种是可行性理由：数据容易取得、分类标准成熟、边界相对清楚。另一种是研究理由：这个案例能让某个关键机制表现得更清楚，能检验一个在其他案例中难以检验的判断，或者本身具有不可替代的重要性。可行性理由完全可以写，但不能冒充理论上的独特性。“别人还没有这样研究过”也只能说明文献中存在空位，不能单独回答为什么这个空位值得填。
问：
如果现在只有文本和分类编码两个维度，再加入空间信息，是不是就能更有把握地称为多维数据？
答：
“多维”这个名称不是靠再拼接一列数据获得的。先要问空间信息在识别中承担什么任务。
假如方法用“新颖性”识别新兴技术，那么空间维度中的新颖究竟是什么意思？某个地区过去一件相关申请也没有，今年突然出现了一件，这当然是这个地区的“从无到有”，但它未必是技术意义上的新颖。空间变化与技术新颖可能有关，也可能只是申请主体换了地点。变量已经进入向量，不等于它表达的含义就与研究概念一致。
如果研究先用文本和分类编码完成识别，之后再观察这些技术在不同地区如何分布，空间分析也完全可以有价值，只是它承担的是结果描述和解释，而不是识别。把它诚实地放在识别之后，比为了获得“三维”之名而把它塞进识别模型，更容易说清楚它究竟贡献了什么。
问：
某些地区的申请量特别大。把空间信息加入向量，会不会让这些地区支配最后的结果？
答：
数量大不一定等于区分力大。如果一个申请量很大的地区在所有技术主题中都以相近比例出现，那么它在每个主题里都“大”，未必能把主题彼此区分开。真正产生区分的，反而可能是某个主题具有异常的空间结构：其他主题主要集中在几个常见地区，唯独它在另一个地区显著出现。这种差异正可能是研究希望保留的信息。
这不表示数量偏差可以不处理。是否归一化、采用什么权重、结果对处理方式是否敏感，仍然需要检验。这里要纠正的只是一个直觉：数值最大的部分不一定提供最多信息。对于识别任务，更重要的是它是否造成有意义的差异。
问：
如果最终只能确认文本和分类编码两类输入，改称“双维数据”是不是更准确？
答：
未必。“多维”容易被质疑维度太少，“双维”则会引出另一个更严格的问题：为什么恰好是这两个，它们是否共同构成了一个不重不漏的整体？
当研究直接说“双维”时，读者容易把这两个维度理解为一套完整划分，而不仅是研究者从许多可能信息中选出的两类。文本和分类编码显然不是技术信息仅有的两个方面，因此换一个数字更精确的名称，不一定解决概念问题。与其在“双维”还是“多维”之间寻找更好听的包装，不如直接说清楚使用了哪两类数据，以及它们分别为研究任务提供什么信息。
问：
技术识别之后再研究技术演化，是不是天然的逻辑顺序？
答：
不天然。顺序取决于“演化”在研究中做什么。
如果先研究演化，是为了从演化过程中提取特征，再利用这些特征识别新兴技术，那么演化分析在逻辑上应该位于识别之前。如果先识别出研究对象，再追踪它们后来怎样变化，那么演化放在识别之后也完全成立。表面上都是“识别—演化”或“演化—识别”的章节排序，真正决定顺序的是前一部分有没有向后一部分交付信息。
所以，章节之间看起来符合常见套路还不够。前后顺序需要由依赖关系来解释，而不是由几个研究动作通常怎样排列来决定。
问：
识别公式和具体算法可以让生成式 AI 帮助设计。如果已经和它反复讨论过很多次，是不是就可以使用？
答：
反复讨论可以帮助改进方案，但讨论次数不能替代研究者自己的理解。最后仍然要问：公式中的每个量对应什么研究概念，它为什么以这种方式组合，结果发生变化时意味着什么，换一种合理的计算方式结论是否还成立？
生成式 AI 很容易给出一个形式完整、能够运行的公式，但“能够计算”与“测到了想测的东西”之间还有一段距离。前面空间新颖性的例子就是如此：模型完全可以算出某地从零到一的变化，问题在于这个结果是不是研究所说的技术新颖。如果研究者无法用自己的语言解释这种对应关系，也无法判断模型提出的方法何时不成立，那么方法实际上还没有进入研究设计，只是进入了代码。
AI 可以参与提出备选方案、实现计算和寻找反例，但概念与测量之间的责任不能交给它。一个很实际的判断标准是：不看 AI 的说明，研究者能否向另一个人讲清楚这套方法为什么合理，以及什么结果会证明它不合理。
问：
这些问题有没有一个共同而直接的检查办法？
答：
有。把你最想强调的那一步删掉一次。
删掉第一轮筛选，最后识别结果是否变化？把弱信号筛选换成简单的时间截断，是否得到同样结果？删掉由原编码推导出的标签，模型损失的是信息，还是只损失了一种便于解释的名称？删掉空间特征，识别能力是否下降；如果没有下降，空间信息是否仍然能在结果解释中完成一项独立的工作？交换演化与识别的顺序，后一步所需要的信息是否还在？
删掉、替换或移动以后真正失去的东西，就是这个环节最可信的存在理由。它可能减少计算成本，可能提供更早的信息，可能改善识别，也可能只负责解释结果。这些贡献都可以成立，但不能互相冒充。减少工作量不能写成增加了识别能力，派生标签不能写成增加了信息来源，结果描述也不能写成参与了识别。
研究设计的连贯，不在于概念、数据和模型都出现了，而在于每一部分都向下一部分交付了不可替代的东西。多加一步、多加一维之后，真正应该回答的始终是同一个问题：研究因此知道了什么原来不知道的东西？
