如何從學術論文引用分布判斷深度學習架構的產業落地時機？

該報告提出的判斷方法核心在于追蹤高引用論文的階段分布變化。具體而言，需將架構演進劃分為七個階段：思想提出、基礎架構、訓練優化、結構改進、任務擴展、輕量化部署、復興性迭代，并進一步歸并為范式確立、成長擴展、成熟高峰三大階段。

關鍵信號出現在成熟高峰階段論文占比顯著提升時。以CNN為例，2012—2016年高引用基礎架構與訓練類論文構成高峰，2017年后MobileNet、EfficientNet等輕量化部署論文及ConvNeXt等復興性改進論文占比上升，同時新增高引用基礎架構論文減少，印證CNN在2016—2017年前后進入短期學術瓶頸。這一節點意味著兩方面：CNN走向成熟，人臉支付、安防、手機影像等應用密集落地；但Transformer于2017年出現，提示下一代架構已開始成為新關注重點。

RNN的演變同樣驗證該規律。高引用基礎架構集中在1997年LSTM與2014年Seq2Seq/Attention兩個高峰，2016年后轉向GNMT工程化部署及Transformer-XL、S4、Mamba等復興方向，引用量整體下移。2017年Transformer以自注意力取代循環，正對應RNN成熟后架構切換節點。

該框架的適用性需注意兩點：一是需結合具體架構的技術特性，CNN的視覺感知局限與RNN的串行計算瓶頸各有不同的規模化約束；二是復興性改進與下一代架構的區分——前者是在既有框架內的現代化回潮，后者則是替代性范式的出現，如Transformer對RNN的取代而非改良。