如何从学术论文引用分布判断深度学习架构的产业落地时机？

该报告提出的判断方法核心在于追踪高引用论文的阶段分布变化。具体而言，需将架构演进划分为七个阶段：思想提出、基础架构、训练优化、结构改进、任务扩展、轻量化部署、复兴性迭代，并进一步归并为范式确立、成长扩展、成熟高峰三大阶段。

关键信号出现在成熟高峰阶段论文占比显著提升时。以CNN为例，2012—2016年高引用基础架构与训练类论文构成高峰，2017年后MobileNet、EfficientNet等轻量化部署论文及ConvNeXt等复兴性改进论文占比上升，同时新增高引用基础架构论文减少，印证CNN在2016—2017年前后进入短期学术瓶颈。这一节点意味着两方面：CNN走向成熟，人脸支付、安防、手机影像等应用密集落地；但Transformer于2017年出现，提示下一代架构已开始成为新关注重点。

RNN的演变同样验证该规律。高引用基础架构集中在1997年LSTM与2014年Seq2Seq/Attention两个高峰，2016年后转向GNMT工程化部署及Transformer-XL、S4、Mamba等复兴方向，引用量整体下移。2017年Transformer以自注意力取代循环，正对应RNN成熟后架构切换节点。

该框架的适用性需注意两点：一是需结合具体架构的技术特性，CNN的视觉感知局限与RNN的串行计算瓶颈各有不同的规模化约束；二是复兴性改进与下一代架构的区分——前者是在既有框架内的现代化回潮，后者则是替代性范式的出现，如Transformer对RNN的取代而非改良。