以下探索活动贡献于能力模型中的 A. 感知力 B. 分析力 ，完整活动介绍请跳转至 躲避专利机构洞察的策略思考 - 知乎 (zhihu.com). 需要说明的是，以下探索活可被划归为情报学支撑下的实践活动，聚焦于解构盖特纳技术成熟度曲线.

作为软件开发人员角色定位，解构能力作为该群体长期培养的一种职业素养。但受困于结构化训练、系统性思维局限性、以及商业化实践困境，导致输出内容倾向于如何快速满足作者对该领域认知的需要，以及作者个体参与实践为目的而打造，具备一定时效性和个性化匹配度问题。因此，如下内容并不具备完整的逻辑陈述支持，甚至出现严重的内容歧义，还请各位留意和指正.

客观评估下我们的感知力能获取已发生事件和机构过去公开的活动记录，例如专利/专栏/论文/量产技术。但较为明显的缺陷在于不具备机构行为模式预测能力。为了达成较为深度的 A. 感知力 和相当程度的预测力，我们尝试把目标拆分为四个milestone, 由大及小罗列

From-Patent-Dataset-to-Tech-Insight, Know-Hows?

Final goal

From-Patent-Dataset-to-Hype-Cycle, Know-Hows?

In progress

From-Patent-Dataset-to-Tech-trends, Know-Hows?

In progress

From-Patent-Dataset-to-Tech-Available

Done!

要是（What-If) 你能够构建框架用于解构盖特纳技术成熟度曲线，是不是有助于洞察到技术演进规律。如果这里的假设成立，为什么解构盖特纳技术成熟度曲线呢？我们期望下面的解构行为贡献于 A. 感知力 B. 预测力（分析力） C. 决策力 能力建设; 再者，作为解构活动副产品可贡献于技术参与策略制定上。

Since its introduction by Gartner nearly two decades ago, the model has received growing interest from practitioners, and more recently from scholars. Given the model's proclaimed capacity to forecast technological development, an important consideration for organizations in formulating marketing strategies （Dedehayir 2016）

那么， 如何理解盖特纳技术曲线？如何解构曲线绘制背后的模型？这样的模型是如何工作的呢？首先，我们得承认一个现实 (down-to-earth thinking) : 准确预测某项技术爆发本身是一件非常难的工作.

Forecasting the development of technologies and products, in other words the very early stages of life cycles, remains difficult, given the technical, economic (e.g. supply and market demand), and political barriers that require circumvention, which serve to significantly delay or perhaps even prohibit market penetration (e.g Kurawarwala and Matsue 1998; Ortt et al. 2007. Dismukes et al, 2009. Feng, 2005)

盖特纳技术成熟度曲线背后的模型能够为你提供哪些capacity呢？总结起来它能提供两样东西：第一，期望值 expectation，第二，技术显性价值 visibility of the value of the technology. 这里的框架设计符合技术第一性原则，我们透过(Collins, 2010) 给出解释什么是技术第一性原则.

We invariably overestimate the short-term impact of a truly transformational discovery, while underestimating its longer-term effects (Collins, 2010)

这样的模型设计多被纳入金融机构分析工具箱内，模型能够为各参与方提供一套较为完整认识，特别是对于舆论渲染过的市场反应 The over-enthusiasm； 再者，能够为组织提供价值信息，多用于业务扩张和技术资产投资。本质上Hype Cycle用来解决（投资，企业）机构与市场反应信息不对称问题，也是它的价值体现之处 value-proposal。

要是（what-if）你亲自参与系统性重构 Hype Cycle模型，在开始之前你会着手安排哪些前置型工作？

站在巨人的肩膀上，或许我们可以透过 Queensland University Dedehayir 研究人的思考和行为方式学习到一点什么？正如上面内容已经提及到的 A.技术第一性原理，B. hype cycle capacity, 以及 C.预测技术爆发现实挑战，Dedehayir 2016 给出这样的准备工作安排，我们总结起来划分为“四层洋葱结构”

洋葱表层（第一层） 认识什么是 hype cycle ( The hype cycle model). 曲线模型设计源自 1995年 Gartner公司提出，用来解释一种较为通用的技术应用路径。这样的框架设计考虑进人们的期望因数，以及技术带来的显性价值，通过坐标 Y轴加以体现；那么X轴代表着技术演进时间，以年为单位。

剥开洋葱第二层 如何解构Hype Cycle? The first equation is human centric and describes expectations in the form of a hype level curve. The second equation is a classical technology S-curve aiming to depict technology maturity (Fenn and Raskino, 2008)

如何理解第二曲线，也叫S-曲线？Forster 1986, in turn has suggested that these trajectories are S-curve shaped. He showed that the maturity of a technology develops slowly in the beginning as its fundamentals are poorly understood and investment into pilots and early adoptions may result only in minor performance gains. Notwithstanding, at some turning point technical performance takes off until a plateau is reached, defined by the limitations of the technology with an upper limit due to physical barriers or cost-prohibitions.

剥开洋葱第三层 支撑hype cycle站住脚跟的逻辑是什么？The bell shaped curve of expectations/hype is firstly based on a sudden, overly positive and irrational reaction on the introduction of a new technology (Fenn and Raskino 2008)

本质上源自人性使然 human nature phenomena, 当人们认识到一种新技术的出现往往会乐于分享，社交传播，以及在决策环节形成过高期望，正是这样人类本性导致在评价新技术潜力环节，往往会期望过高；再者，媒体对信息的加工和渲染导致过热化的情绪被大大地放大，导致机构在无法准确解构新技术背后蕴藏的潜力下，贸然投资而失利情况频频爆出

剥开洋葱第四层 ，源自上面三层认知结构为基础，延展出来的较为重要现实问题

以上，按照Dedehayir 2016研究提供的路径研究，成功把hype cycle解构成 ”四层洋葱“， 但为了回答第四层暴露出来的疑问 RQ1 RQ2 RQ3，似乎以上的信息仍然不足以回答我们？到这个时候我们如何应对呢？Dedehayir为我们提供一套可操作策略， Operational strategy by Dedehayir 2016

(baby step ..... 内容有待更新 ..... 2022/03/22)

参看文献

[1] Linden, J. Fenn, 2003, Understanding Gartner's Hype cycles, Strategic Analysis Report

[2] Ozgur Dedehayir, Martin Steinert, 2016, The hype cycle model: A Review and Future directions