2022年底以来，生成式人工智能由模型能力突破，打开AI产业革命的序幕。云厂商AI基础设施资本开支激增，美国的资本开支和亚洲半导体相关产业链制造之间形成一个共振闭环。市场也对这一技术浪潮给予了较高的估值溢价。但市场对供需关系的理解是基于未来预期，需求端商业模式与盈利兑现并不同步，对于“AI投资回报率”的分歧也有所加大。从框架上，该如何客观评估AI技术革命的生命周期、演进路径及其对资产价格的影响？在《新一轮技术变革的宏观分析框架》中，我们曾介绍过佩蕾丝的“技术-经济范式”等经典理论，佩蕾丝关于“导入期”和“展开期”的划分非常有启发性。在本篇报告中我们进一步介绍“创新扩散理论”及其对本轮技术革命的观测视角。
　　首先，什么是创新扩散理论？1创新扩散理论（Diffusion of Innovations Theory）是埃弗里特·罗杰斯于1962年系统提出，旨在揭示一项新创造、技术或理念如何在社会系统与经济网络中随时间演化、传播并最终被全面采纳的内在机制。该理论关注的不只是创新本身是否先进，更重视创新如何从少数先行者扩散至大众市场，以及哪些因素会加快或阻碍这一过程。罗杰斯的经典模型构建了技术采纳曲线，该曲线在累计采纳率上呈现出典型的S型扩散特征（S-Curve Diffusion），其演进轨迹可划分为萌芽期、爆发突破期、成熟扩散期以及饱和衰退期；从扩散过程看，新技术在初期只有少数人尝试，采用速度较慢；当技术跨过临界点后，示范效应、成本下降和网络效应共同推动采用率快速上升；进入成熟阶段后，潜在用户逐渐减少，扩散速度再次放缓。
　　莱恩和格罗斯两位社会学家曾以爱荷华州的两个农业社区为对象，围绕杂交玉米种子的推广展开田野调查。他们通过入户访问种植玉米的农户，试图厘清农民改变耕作习惯的动因、获取信息的渠道类型，以及这些信息如何影响其最终决策。研究结果表明，创新采纳行为是既有社交网络与媒介使用习惯两者共同作用的结果。1954年，罗杰斯在爱荷华州立大学攻读农业社会学，研究方向正是农业创新的扩散。在研读了莱恩和格罗斯的成果之后，他随即参与了对克林斯地区148名农民的访谈，了解他们对于2,4-D除草剂及其他农业新产品的采用情况。这次经历让他正式走上扩散研究的道路。1957年，罗杰斯完成博士论文《克林斯农业社区几个农业创新产品的扩散分析》。在该文的文献综述部分，他明确提出：创新的扩散本质上是一种普遍的社会变迁过程，不应局限于特定的创新类型、受众群体、文化背景或地理区域。此后，罗杰斯加入俄亥俄州立大学农业社会学院，继续围绕该州农民的农业创新采纳行为开展系统性研究。出于构建一个普适性扩散模型的初衷，他于1962年出版了《创新的扩散》第一版。这部著作系统整合了当时扩散研究的最新成果，提出了具有广泛适用性的扩散模型，并主张对受众进行标准化分类，同时以统一的概念框架来界定扩散过程。
　　扩散结果通常表现为累计采用率的S形曲线：早期信息少、风险高，增长较慢；随着产品效果更易观察、配套成本下降、同业案例增加，采用速度加快；接近饱和后，增速再次放缓。3Bass模型进一步把采用动力区分为外部影响与内部模仿，前者包括技术突破、媒体传播和政策推动，后者主要来自既有用户的示范与口碑。采用率因而不是技术能力的简单函数，而是供给条件与社会学习共同作用的结果。
　　在微观采纳者画像上，罗杰斯根据风险偏好与决策时序将群体划分为五类：创新者（Innovators，占比2.5%）、早期采用者（Early Adopters，占比13.5%）、早期大众（Early Majority，占比34%）、晚期大众（Late Majority，占比34%）以及落后者（Laggards，占比16%）。技术扩散能否跨越临界质量并触发指数级扩散，取决于市场对该项创新的五个维度感知特性：相对优势（Relative Advantage）、兼容性（Compatibility）、复杂性（Complexity）、可试验性（Trialability）以及可观察性（Observability），当一项技术具备显著的相对优势、与现有工作流高度兼容且复杂性较低时，其S型曲线的斜率将显著陡峭化，从而加速从早期市场向主流市场的渗透。
　　创新者和早期采用者合计约占16%，早期大众对应的累计采纳率约为16%—50%，晚期大众对应的累计采纳率约为50%—84%。罗杰斯将累计采纳率约10%—20%视为临界区间；进入这一范围后，扩散速度通常开始明显加快。
　　创新扩散并非单纯取决于技术性能，而是技术特征、信息传播与采用者决策共同作用的结果。其中，潜在采用者对一项创新的相对优势、兼容性、复杂性、可试验性和可观察性的认知，是影响扩散速度的重要因素。相对既有方案的优势越明显、与原有生产和生活方式越兼容、试用成本越低、实际效果越容易被观察，创新通常越容易扩散；反之，较高的使用复杂度会延缓采用。因而，新技术从实验性应用走向大规模普及，往往不仅需要技术能力持续提升，还需要使用门槛下降，以及越来越多可验证的应用案例，以降低潜在采用者面对新技术时的不确