傲世皇朝注册智能化技术预测成为新的发展方向，利用大数据、人工智能等技术提高预测研究效率。
2.然而，智能化技术预测仍面临数据规模不足、质量不高、技术不成熟、资金和人才缺乏等挑战。
3.为此，中国需建立国家技术预测数字化工作平台，实现数据集成与科学共享，提高预测结果准确性和有效性。
4.同时，发挥政府统筹协调作用，强化资金保障和人才培养，加快形成具有中国特色的技术预测方法体系。
技术预测在国家制定战略规划、优化资源配置方面发挥着重要支撑作用，可以为防范应对重大科技风险提供重要保障。随着信息技术的深入发展和广泛应用，智能化技术预测成为新的发展方向。本文分析技术预测活动演变的新特征和发展趋势，总结智能化技术预测的典型案例，剖析智能化技术预测面临的瓶颈问题，并在此基础上提出相关建议。
党的二十大报告明确指出，以国家战略需求为导向，集聚力量进行原创性引领性科技攻关，坚决打赢关键核心技术攻坚战。这一战略部署凸显了攻关方向选择的重要意义，也体现了技术预测研究的必要性和紧迫性。技术预测是对科学、技术、经济、环境和社会的远期未来进行有步骤地探索过程，以选择可能产生最大经济与社会效益的战略研究领域和新兴通用技术。技术预测活动从兴起至今，历经多次演变，其方法的不断创新始终是推动技术预测实践发展的重要力量。
当前，大数据、人工智能迅猛发展以及社会整体数字化程度加深，为快速准确的技术预测提供了可能，然而如何有效利用海量信息、提高技术预测的科学性和系统性，成为亟待解决的问题。从实践中看，各国政府纷纷加强前瞻研究，探索开展智能化技术预测实践，将其作为支撑国家科技战略规划、政策制定的重要依据。
从技术预测的理论发展代际看，不同年代的预测活动呈现出差异性特征，Miles将预测活动分成五个代际，从第一代仅关注技术层面的预测，逐渐加入市场与社会需求，到第四代强调多元化参与及协调，再到第五代预测活动开始重视策略性决策的整合。这意味着，现阶段的预测活动已超出原有技术预测的概念，将它理解成更宽泛的新一代“预测”更加合适。就新一代技术预测而言，中国很多学者以“技术预见”作为代名词，日本长期使用“技术预测”，中国台湾地区更多使用“技术前瞻”的表达方式。虽然不同学者采用的表述方式不尽一致，但均与英文technology foresight的内涵一致。英国学者Martin首次提出foresight概念，其内容包括对未来中长期内的科学技术发展进行系统性研究，不仅是单纯预测未来，而是蕴含理性选择未来、主动塑造未来的意思。穆荣平等认为技术预见是知识开发和创造的过程，是对远期技术需求进行动态修正和调整的过程，也是利益相关者共同选择未来的过程。从技术预测的方法演进来看，自20世纪90年代以来，技术预测方法迅速增加，为满足不同的目的和要求，有不同的流程和方法可供选择。2000年以前，德尔菲调查、专家研讨、情景分析和愿景分析是主流研究方法；之后，技术路线图、定量分析法逐渐受到学者关注，许多学者利用文献计量、专利分析、文本挖掘、社会网络分析等方法开展预测研究。此外，技术预测的辅助方法还包括SWOT分析、TRIZ方法、利益相关者分析、专家系统等。近年来，“人工智能＋大数据”的技术预测方法成为热点，技术预测数字化、智能化转型趋势明显。不少学者尝试基于机器学习和时间序列预测方法、构建LDA主题模型、抽取专利文本等手段开展预测研究。随着智能时代的到来，预测研究方法和组织机制设计将不断发生变化，未来预测研究是依赖专家判断还是智能化手段需要持续跟踪研究。因此，本研究在总结技术预测演变特征和发展趋势基础上，充分挖掘智能化技术预测的内涵和关键要素，进一步剖析各国开展的智能化技术预测实践，探讨其未来发展可能面临的瓶颈和潜在问题，据此提出针对性对策建议。
技术预测起源于20世纪40年代，在美国海军和空军科技计划制定方面发挥了重要作用，并逐渐由军事领域扩展至社会民生领域。在发展过程中，技术预测活动呈现出两点变化。一是技术预测的主题更加多元。早期的技术预测主要关注特定技术发展轨迹的趋势分析，对于影响技术发展的社会性因素关注较少。随着社会、经济、环境的演变，技术预测的内涵与外延不断拓展，预测活动的对象和范围逐渐扩大，从对技术发展趋势的预测转向对远期未来的系统性探索。预测主题涵盖环境、能源、气候、社会秩序等重大问题。二是技术预测应用范围得以拓展。技术预测在不同治理层级上得以使用，成为重要的战略规划工具。除国家层面外，国际性、区域性组织以及许多大型企业也纷纷开展预测活动，以确定研发优先领域，促进创新活动产生，如欧盟委员会联合研究中心、经合组织、美国兰德公司、荷兰壳牌石油公司、日本电信巨头NTT公司等开展了多项预测活动。整体来看，技术预测研究已被应用于各种不同层级的治理领域，预测活动吸引着广泛的利益相关团体，已成为洞察科学、技术、经济和社会未来发展的系统性研究工作。
由于知识和视野的局限，少数人组成的团体一般难以准确把握未来社会需求及技术发展趋势。特别是在外部环境不确定性日益增强的背景下，预测活动单纯依靠“专家见解”的情况发生了变化，参与主体和预测过程都有所改变。一是预测活动的参与主体更加多元化。技术预测活动参与者的组成结构越来越丰富，已从科技界向产业界、政府部门、国际组织、金融机构和社会大众拓展。多元主体可以参与预测过程中的趋势判断、愿景分析、技术评价等多个环节，有利于提高技术预测的影响力和活跃度。二是预测方法更加多样化。技术预测早期重点关注专家在技术趋势研判中的作用，基于特定领域内专家的专业知识，对技术发展态势、优势与瓶颈、领域基本情况进行系统了解。传统的技术预测分析方法以定性分析为主，包括德尔菲法、头脑风暴法、专家访谈法等。随着科技文献与专利数量的激增，预测活动越来越重视定量分析，文献计量、聚类分析、生命周期分析、复杂社会网络分析等方法逐渐应用开来。在这一过程中，数据挖掘的深度也在不断增强，从基于标题和摘要的短文本分析向全文本挖掘演进，“数据驱动”为技术预测研究带来新的可能性。
在技术预测主题和应用范围愈发多元、数据规模爆发式增长等复杂背景下，传统技术预测方法普遍面临信息不够全面、间隔时间较长、工作任务单一等问题，已难以满足支撑战略决策的需求，开展智能化技术预测研究就成为未来发展的必然趋势和选择。当前，关于智能化技术预测的定义尚未形成共识，存在多种认识和理解，但人工智能、数据驱动、人机交互等关键词是核心要素。张炜等认为，人工智能技术通过整合多层面的技术数据，借助特定AI工具进行删减、辨伪、集成，整合形成科技治理综合数据库和智能查询平台，使多主体技术预见活动得以进一步高效率展开。充分发掘生成式人工智能在技术预见领域的应用契合点，对于提升技术预见效率具有重大意义。张硕等指出，未来技术预测研究将寻求更加智能化、自动化的分析方法，基于数据分析的技术预测研究主要强调借助数理统计以及计算机科学等技术从海量多源异构数据中提取、挖掘和揭示有价值的技术信息、模式以及发展规律。李牧南对技术预见的研究热点及演进模式进行了深入分析，认为技术预测方法将逐步与大数据、人工智能、文本挖掘等新兴信息技术相融合，其中，主题建模在技术预测中的应用研究是当前的研究前沿。赵明辉等认为，专家与机器的相互协作补充是技术预见实践的主要工作方式，并提出一种基于网络评论文本挖掘的技术预见新型方法，该模型具有定性定量结合、人机交互等特征和优势。综合上述研究，本文认为智能化技术预测是以人工智能等技术为支撑开展的对未来社会发展有步骤的探索，其关键是利用大数据、机器学习等手段进行全方面、多尺度和跨领域的全景扫描与学习，并实现自动生成、评估和预判，以辅助专家决策，缩短技术预测周期。其概念框架如图1所示。
智能化技术预测的概念框架包括数据资源层、数据分析层、专家库、可视化研究产品与人机交互平台五部分。首先，构建多源数据空间，形成论文、专利、科研项目、会议和网络舆情于一体的综合数据资源库，并利用数据挖掘、机器学习等方法就各类信息进行智能化扫描、综合分析和提炼，形成即时判断；其次，搭建基于大数据和人工智能方法的人机互动平台，通过问卷调查、专家研讨等方式邀请专家，针对自动生成的即时判断进一步识别研判，凝聚专家共识并反馈专家意见，以不断修正优化策略；最后，通过人工智能分析与专家研判的多轮迭代，形成可供决策参考的技术预测研究系列产品。其中，数据分析层是整个技术预测各环节与人工智能技术的深度融合，分析过程按照“提出问题－数据准备与存储－数据处理－综合数据分析”四步骤推进。在数据分析阶段，主要利用机器学习、自然语言处理等人工智能技术，挖掘隐藏在大数据背后有价值的情报信息来实现深度分析。总体来看，智能化已成为新一轮技术预测变革的核心驱动力，将会改变传统的技术预测流程和组织架构。当前，部分发达国家开展了相关实践，在丰富和发展智能化技术预测方法和组织框架上提供了积极思路。
2019年，荷兰应用科学研究组织（TNO）启动“创新展望”研究计划，旨在探索一种基于数据驱动的新型预测方法和框架，识别颠覆性技术和创新发展中的新兴趋势以及微弱信号，并确定其社会影响。“创新展望”项目由来自8个部门的具有不同专业知识的专家参与，包括预测专家、数据科学专家、战略研究专家、领域专家、平台设计专家等。项目遵循人工智能与专家联合驱动的方法开展，首先，由专家确定知识图谱本体，提供一套用于扫描阶段的原始数据集；其次，借助人工智能手段对数据资源进行文本挖掘以建立网络数据集，并不断迭代细化、完善知识图谱。在结果呈现方面，该项目设计了一个可视化、交互式的“仪表盘”，提供技术主题的增长速度、增长数量、增长多样性和随时间推移的变化情况。专家在“仪表盘”上能够重新标记节点（如合并、删除或拆分），以获得更深入的见解。
2019年日本启动第十一次国家技术预测，创新性地使用人工智能方法开展特定科技领域的预测研究，在评选出702项关键技术基础上，利用自然语言处理、分层聚类分析等方式生成得到32个科技主题集群，并经专家讨论确立形成16个重点关注的特定科技领域。从集群主题看，使用人工智能方法得到的部分主题集群超出了原有德尔菲调查预设的领域。例如，与“地球·环境”相关的主题集群为新出现领域，高频中心词包括“自然灾害观测及预测”“循环经济及环境资源的监测与评估”等。该主题集群经专家判断后被确定为16个重点领域之一的“自然灾害的先进观测和预测技术”。由此可见，人工智能技术在一定程度上弥补了专家调查的局限性，它能够从大量数据中提取模式、关联，挖掘出隐藏的细节和观点，有助于专家更全面地理解数据和发现更多有价值的信息。
德国弗劳恩霍夫协会创新研究所（ISI）于2018年4月至2019年12月开展预测（foresight）项目，旨在确立2030年对应用研究具有高影响力的未来议题。该项目集成人工智能、大数据等手段优化技术预测流程，从而实现部分功能自动化。具体而言，ISI使用隐含狄雷克雷分布（LDA）无监督主题模型开展了6个月的文本挖掘，对新闻网站等非结构化数据进行识别。这一过程不需预先对新闻文稿进行人工标记，模型可自动生成系列主题。在此基础上，邀请专家评估不同主题之间的联系，凝练形成对未来具有影响力的议题。ISI项目表明，人工智能技术能够辅助专家决策，利用其强大的检索能力和文本生成的概括能力，提供多样化知识视角，提高技术预测研究效率。
2022年9月，美国国防部高级研究计划局推出“环境驱动的概念化学习”（ECOLE）项目，该计划为期四年，旨在创建对环境持续感知和学习的仿生智能体，其目标是在对时间敏感、任务关键的分析中，实现对图像、视频和多媒体文档的人机协作分析，以提高国家安全领域的分析和决策能力。ECOLE项目使用最先进的数据建模来自动推断对象属性及其在活动中的作用，项目成果可适用于一系列技术领域，包括机器人行业以及任何需要对图像和视频数据进行自动推理的群体，如自动驾驶汽车等。该项目的实施，意味着融合多源多模态的数据信息以及人机交互的智能学习方式，能够用来预测或发现不确定目标领域的属性和概念，丰富了人工智能技术在预测研究领域的应用。
总结荷兰、日本、德国和美国的实践经验可以发现，智能化技术预测活动表现出以下特征。一是工作效率显著提高。目前，人工智能在技术预测活动中发挥作用比较明显的是以知识图谱、数据挖掘、机器学习等为代表的智能技术，这些智能化手段通过训练模型来处理大量数据，进而提高预测研究的工作效率。例如，美国情报部门与大学和科技公司开展广泛合作，极大缩短了对海量数据的处理时间，提高了对异常情报信息的敏感度，能够在事件早期发布预警提示。二是跨学科研究能力进一步增强。利用人工智能技术可以构建知识共享平台，将不同领域的知识资源进行整合，进一步增强了解决复杂问题的跨学科研究能力。例如，“创新展望”项目构建了跨学科融合平台，通过对论文、专利、科研项目等多源数据信息的整合，从多个角度对技术发展进行全面分析和预测，发现不同学科知识之间的关联和交叉点。三是系统交互性和可视化水平大幅提升。人工智能结合交互式界面和可视化技术，能够将复杂数据和预测结果以直观方式呈现给用户，帮助相关用户更好地理解和分析技术预测结果，增强不同领域专家的沟通协作，提升用户参与积极性。例如，ECOLE项目运用图像识别、语音识别和合成等技术，使得用户能够通过语音控制与预测系统进行交互，及时获得信息反馈；“创新展望”项目为专家与预测系统提供实时互动平台，相关专家可以通过交互界面查看知识图谱，选择不同维度调整可视化效果，全面掌握技术趋势。
当前，智能化技术预测研究在部分国家取得了一定进展，但仍处于半智能化阶段，还面临着数据规模不足、质量不高、技术不成熟、资金和人才缺乏等诸多挑战。
通过机器学习手段可以自动搜集海量数据信息，但这并不符合机器识别和运算的要求。在实践过程中，有两点难题亟待解决。一是数据可利用率低，文献、专利、科研项目等科技数据存在标准不统一、数据共享机制不完善问题。例如，专利数据信息庞杂，其清洗和标准化都存在一定难度，各国科技研发项目数据可能涉及国家安全，导致数据的获取和灵活运用受到很大限制；二是数据质量不高，多源数据的关联和融合力度仍然不够。不同模态数据之间存在差异，使得从文本、图像等数据中学习的语义知识难以在同一语义空间中对齐，限制了智能算法在探索科学前沿、辅助科学家决策中的应用。
随着人工智能技术的发展，其复杂性和系统风险性不断增加，导致人类对人工智能决策的信任危机。一方面，人工智能技术本身仍具有不完善性，尚存在诸多技术局限。例如，决策过程的不可解释、容易被干扰等性质，导致人工智能无法有效实现甚至偏离初始既定目标。特别地，技术预测研究是对社会系统的综合研判，而现实社会面临着许多复杂和不确定因素，这些都是人工智能难以应对的。另一方面，人机交互过程中的信任风险仍然较高。在技术预测具体应用中，常常出现动态不确定性，此时人工智能系统的可靠性会发生变化。当出现常识性错误后，人工智能如何再次获得用户信任是亟待解决的难题。
智能化技术预测活动对资金投入和人才队伍提出了一定要求。第一，应用智能化手段需要有足够的资金保障。智能算法依赖于持续的研发和技术支持，包括算法开发、模型训练等，运维成本很高。例如，一个垂域大模型需要几百万至上千万的部署成本，且往往需要多年的连续投入。第二，智能化预测研究需要专业人才队伍的有力支撑。人工智能改变了传统技术预测的组织流程和实施方式，对于智能化技术预测实践而言，既需要掌握机器学习知识的数字化人才，又需要能够了解机器语言的领域专家，以及能够统筹整个数字化流程的管理人员。当前技术预测活动在智能化推进的组织和能力建设方面尚存不足，人才和专业知识的缺乏成为智能化道路上的重要挑战。
近年来，中国技术预测方法体系逐步丰富和完善，逐渐将文献计量、专利分析等定量方法与定性方法相结合，并探索了智能化应用，如北京理工大学发明的“一种大数据背景下的能源技术预见智能系统”，旨在利用大数据挖掘技术实现精准预测。中国第六次国家技术预测工作应用了线上德尔菲调查系统，同时利用Scopus数据库和律商联讯的专利数据库，对近十年来世界各国的研究热点进行聚类分析，以辅助专家决策。但整体来看，中国尚未形成一套规范化、智能化的技术预测方法体系，预测研究工作更多以传统德尔菲调查为主导，在探索新技术和新方法的创新应用方面不足。与国际领先国家相比，中国技术预测研究“多而不强”，主要表现为预测研究方法和信息采集渠道较为单一，与现代信息技术手段结合薄弱。此外，中国从事技术预测研究的专业人员相对缺乏。当前组织开展预测研究的人员大部分来自经济学、管理信息系统等专业领域，对技术发展方向了解不深，在关键技术领域未来趋势及前瞻布局方面缺乏深刻洞察。下一步要加快推动信息技术手段在中国技术预测活动中的应用，建设国家技术预测数字化平台，构建集成主客观信息的综合性技术预测方法，推动技术预测工作向体系化、规范化、智能化方向发展。
提高智能化技术预测的效率和准确性，需要高质量数据资源做支撑。应加快顶层设计，构建包括论文、专利、网络信息、政府信息、市场信息等在内的一体化数字平台，提高对数据资源的控制力。一方面，数字化工作平台可以自动收集汇总各类数据源，形成常态化模板报告；同时，能够持续跟踪重点技术或新兴技术，对可能出现的颠覆性技术进行监测预警。另一方面，数字化平台能够实现大数据分析和专家调查功能的整合，通过平台上嵌入的德尔菲调查、专家留言等功能模块，在技术清单形成、调查问卷填写、关键技术选择等环节，为专家交流互动提供桥梁。
随着人工智能自主性的增强，人机交互过程中的信任危机问题日益突出。对于国家技术预测研究工作，有关部门应结合人工智能技术发展需要，一方面加强系统评估方法的开发和研究，定期测试和调整智能系统，提升人工智能支持预测研究工作的有效性；另一方面要平衡好人工智能与专家之间的关系，秉持专家判断与数据支撑相融合的原则，构建集成主客观、定性定量信息的综合性智能技术预测方法。在实践过程中，政策制定应考虑各项原则之间的协调性，考虑不同决策类型、应用场景的具体要求，强化专家对人工智能系统的监督和管理，降低系统风险的发生，进一步提高预测结果的准确性。
当前，中国迫切需要建立基于技术预测的科技战略规划制定机制，并将其纳入国家科技活动的常规管理办法当中。应充分发挥政府的统筹协调作用，重视应用人工智能技术开展技术预测工作。一是加大对关键技术领域前瞻性预测研究的资金投入，重点支持利用数据挖掘、数据融合、深度学习等方法的技术预测研究项目，最大限度发挥人工智能的潜力，为智能化手段应用提供有力保障。二是提高企业、高校和科研院所等相关利益者参与积极性，强调全主体共同参与。技术预测过程的复杂性要求在实践的基础上形成共识，建议通过组建国家技术预测委员会、建立信息共享平台等方式，为各领域的参与者提供交流渠道。不同利益群体在技术理解、市场需求、资源分配等方面拥有不同的视角和经验，通过共同参与和协作，能够形成更为全面和客观的预测结果，为科技决策提供有力支撑。三是加快培养一批技术预测专业人才，强化跨学科人才联合培养，不断提升相关工作人员的工作素养和技能水平。技术人员、开发人员、情报人员、管理者应转变以往的工作模式与工作理念，积极投入人工智能的开发、使用与监督全过程，更好地发挥自身专业优势。
展望未来，中国智能化技术预测将朝着提高技术预测效率、深化数据挖掘深度、系统化预测三个方向发展。要不断创新技术预测工作机制，加快形成具有中国特色的技术预测方法体系，加强跨部门、跨领域的数据共享与合作，构建全面、实时、高质量的信息采集网络，不断提升智能化技术预测水平。