HSTA 用 3 万条 arXiv 预印本与 USPTO 专利文本追踪技术扩散，发现大语言模型子领域语义漂移最高（0.332），但论文数量增速无法格兰杰预测前沿算力激增

论文提出 HSTA 这一无监督流程，把非结构化科学文本转成可比较的语义轨迹指标：先用 all-MiniLM-L6-v2 生成 384 维句向量并归一化到单位超球面，再用球面 K-Means 聚类、UMAP 流形投影，并定义“语义质心向量漂移”（早期与晚期子语料质心之间的余弦距离）与“商业化时滞”（学术与专利季度文档量的归一化互相关峰值滞后）。 相对依赖引用计数或预设分类码的传统文献计量方法，该流程直接处理原始摘要文本，不引入人工标注偏置，也不受专利授权与分类体系行政延迟的约束。 方法在 30,000 条文档记录上执行，聚类数 k=8 由平均轮廓系数与 Davies-Bouldin 指数在 k=4 至 12 的扫描中选出（k=8 时轮廓系数 0.342、DB 指数 1.18）；稳健性检验显示不同 k 下 arXiv 与 USPTO 的拓扑分离及漂移相对排序保持一致。

实证结果显示语义演化速度在子领域间差异明显：大语言模型簇漂移最高（0.332），人工智能系统与计算机视觉均为 0.234，基础模型设计 0.174，而设备与硬件架构（0.015）、统计机器学习（0.012）等成熟领域漂移极低。 该结果把“哪些技术方向正在快速重构”从定性判断变成可实时计算的连续量，并给出可核对的词汇证据：大语言模型簇早期 n-gram 集中在 masked language modeling、BERT fine-tuning、contextual embeddings，晚期转向 in-context learning、instruction tuning、RLHF、prompt engineering。 漂移值来自八个簇的完整统计表（表 1），并通过对大语言模型簇的 TF-IDF 词汇变迁做定性验证；稳健性分析表明语言与生成建模类簇持续高漂移、硬件设备层持续低漂移。

在跨语料对齐上，商业化时滞全部为负值，即在本样本中专利申报密度峰值领先于学术预印本索引窗口，滞后从统计机器学习的 -10 个季度到神经网络层与硬件架构的 -32 个季度不等。 这为“科学发现先于商业申请”的常见直觉提供了一个基于文本密度对齐的、可复算的替代测量，并提示不同子领域的学术—专利时间关系并不一致。 时滞由季度文档计数的归一化互相关函数取最大值确定（公式 6、7），八个簇的取值汇总于表 2；作者明确将其限定为“在这一特定流式样本内”的密度对齐结果。

把季度论文数量增速与 Epoch AI 的前沿训练算力（FLOPs）做双变量 VAR 格兰杰检验后，所有簇的 p 值都在 0.05 显著性线之上（从数据工程与处理的 0.14 到大语言模型的 0.81），说明论文数量增速单独并不格兰杰导致算力配置激增。 这一否定性结果把“文本信号能否预测硬件资本支出”变成可检验命题，并指出必须把文本动态与资本投入、硬件约束模型结合，而不是把出版量当作算力投资的先行指标。 检验基于 2016—2026 年季度序列的对数差分平稳化与 VAR 模型（公式 8—10），八个簇的 F 统计量与 p 值完整列于表 2；作者在结论中重申该结论为“论文数量增速单独不预测算力资本配置”。

该框架面向需要高频技术扩散信号的读者：资本配置、基础设施规划与创新政策的分析者，以及希望在不依赖引用计数或分类码的前提下监测子领域演化的科学计量研究者。它适用的设定是 2016—2026 年、以 arXiv 计算机科学与统计学预印本和 USPTO 专利摘要为文本来源、以 Epoch AI 前沿模型算力为物理约束代理的流式样本；漂移指标可用于识别哪些子领域正在快速重构，商业化时滞可用于比较不同子领域的学术—专利时间关系，格兰杰检验则用于判断文本信号在何种条件下需要与资本约束联合建模。

作者把商业化时滞的负值限定为“在这一特定流式样本内”的密度对齐，因此该方向性结论是否在其他语料或时间窗口成立仍是开放问题。格兰杰检验只覆盖季度论文数量增速与前沿训练算力两条序列，未纳入资本投入或硬件约束变量，因此“需要与物理资本约束联合建模”目前是方法论主张而非已验证的联合模型。此外，2026 年文档量的扩张被作者归因于开放仓库快照的索引更新，这一时间边界对漂移与时滞估计的影响值得继续观察。