《TECHNOLOGY IN SOCIETY》：Affordance Entrenchment Analysis: A Diagnostic Tool for Technology Foresight
编辑推荐：
技术人工物可以在不改变其物理属性的情况下获得新功能。现有的未来方法对此类转变提供的分析购买力有限，因为它们通常缺乏解释人工物如何通过实践变化获得新功能的机制。本文介绍了可供性固着分析（affordance entrenchment analysis, AEA）
技术人工物可以在不改变其物理属性的情况下获得新功能。现有的未来方法对此类转变提供的分析购买力有限，因为它们通常缺乏解释人工物如何通过实践变化获得新功能的机制。本文介绍了可供性固着分析（affordance entrenchment analysis, AEA），这是一种为预测专业人员、预期治理实践者以及技术评估或研究投资角色分析师设计的诊断工具。AEA将分析注意力引导至传统方法往往忽视的三个因素：（1）潜可供性（latent affordances，即基于人工物物理属性但当前实践领域未利用的能力），它们限定了功能变化的可能性空间；（2）结构化实践领域（structured domains of practice）的形成，这些领域决定了哪些能力变得有价值；（3）使用、基础设施和制度认可的巩固（consolidation），通过这一过程新功能得以确立。该工具基于Nelson Goodman关于示例化和符号系统的工作，并通过三个导向性问题及相关的经验指标进行操作化。应用于给定人工物时，AEA结构化了对于功能变化可能发生的位置以及进展程度的评估。该评估可以为情景规划练习中的驱动力识别阶段提供输入。本文通过英伟达图形处理单元（GPU）的回顾性案例研究以及将AEA应用于大语言模型（large language model, LLM）的前瞻性草图来说明该工具。
技术人工物（technological artefacts）的功能变化往往不伴随物理属性的改变，但现有技术预见方法（如情景规划、德尔菲法）因缺乏解释动态实践驱动功能变化的机制，难以有效捕捉此类转变。为此，研究人员引入了可供性固着分析（affordance entrenchment analysis, AEA），该诊断工具基于Nelson Goodman的示例化（exemplification）与符号系统（symbol systems）理论，旨在帮助预测专业人员、预期治理实践者和技术评估分析师识别潜可供性、结构化实践领域的形成以及固着（entrenchment）的累积模式。研究通过英伟达图形处理单元（graphics processing unit, GPU）的回顾性案例和大语言模型（large language model, LLM）的前瞻性草图，展示了AEA如何使功能变化在传统指标（如财务数据）之前被发现。该论文发表在《TECHNOLOGY IN SOCIETY》。研究人员采用的主要关键技术方法包括：（1）理论构建：基于功能示例化理论（Wittingslow 2025）提取可供性、示例化、符号系统和固着四个核心概念；（2）案例研究设计：选择已知结果的GPU案例（1999–2020年）和正在进行中的LLM案例，前者通过Nvidia技术文档、同行评审文献（如Krizhevsky et al. 2012; Vaswani et al. 2017）和行业报告（Gooding 2020）进行回顾性分析，后者通过基准测试（如AgentBench, SWE-bench）和框架（如AutoGen）进行前瞻性评估；（3）操作化工具：提出三个导向性问题（潜可供性存在哪些？哪些符号系统正在形成？何处固着正在进行？）及对应的经验指标（如架构特征、社区工具、机构认可）。无传统样本队列，仅依赖公开文献和产业数据。
研究结果部分：
**1. Introduction**：研究背景指出，Nvidia GPU从游戏硬件转向AI基础设施的功能变化未伴随硬件设计改变，但多数人未能预见，反映了对技术功能的朴素认知。
**2. Existing Approaches to Function Change**：通过文献回顾，指出多层级视角（multi-level perspective, MLP）聚焦于体制层面而非个体人工物，情景规划方法缺乏功能变化机制，弱信号方法（weak signals）未解释信号如何固化为结构化使用模式。
**3. Conceptual Foundations of AEA**：定义了四个核心概念：可供性（affordances，包括潜可供性、主动可供性和正当功能）、示例化（exemplification，人工物通过参考某些属性来代表它们）、符号系统（symbol systems，具有共享目的、惯例和评价标准的实践领域）和固着（entrenchment，通过重复成功使用积累的路径依赖过程）。
**4. Research Design**：说明这是概念性论文，通过回顾性GPU案例（选择原因：变化完整、无硬件再设计干扰、技术显著）和前瞻性LLM草图（故意不确定结果）来展示工具，并指出AEA从功能示例化理论中提取操作化组件。
**5. Case Study: Nvidia**：详细分析GPU从1999年GeForce 256的图形渲染正当功能，经2006年CUDA（compute unified device architecture）平台释放潜可供性，到2012年AlexNet催化机器学习符号系统形成，再到2017年Transformer架构加速固着，以及2017年后硬件架构（如Tensor核心）的反馈变化。结论：固着指标（如社区实践、软件库下载、云服务投资）在2012–2017年间已显现，而财务指标（数据中心收入超过游戏收入）直到2020年才明确。
**6. Operationalising AEA**：开发三个导向性问题及经验指标：①潜可供性存在哪些？通过技术文档、跨领域文献识别超额性能；②哪些符号系统正在形成？通过社区动态、专用工具、制度编码（如学位项目）监测；③何处固着正在进行？通过社区活动、基础设施、机构认可判断进度。
**7. A Prospective Sketch**：对LLM进行前瞻性分析，指出当前LLM以文本生成为正当功能，但自主代理（agentic AI）作为主动可供性正在形成符号系统（如专用工作坊、基准测试、编排框架），但机构认可（如监管、认证）仍弱，固着模式类似于2012–2014年GPU加速机器学习阶段。
**8. Discussion**：讨论部分强调AEA的互补性：它不预测结果，而是通过符号系统形成和固着指标使功能变化更早可见；与情景规划的关系是上游驱动识别；与弱信号方法相比，AEA从当前可观察动态向前推进；与亚里士多德因果论（效率因、质料因、形式因、目的因）对应，但AEA不依赖目的因；与策略实践（strategy-as-practice）框架兼容。
**9. Scope and Limitations**：指出AEA不能作为清单或评分表，不能预测潜可供性是否会成为正当功能；对外生干扰（如监管危机）不敏感；需要大量领域专业知识；不适用于高度专业化的单一符号系统人工物。
**10. Conclusions**：结论部分翻译如下：GPU案例表明，固着指标在财务指标之前数年就已记录功能变化。这一前置时间正是AEA的目的——即AEA的预期正当功能。AEA在治理、采购或研究投资决策基于人工物当前正当功能即为未来正当功能这一假设时尤为重要。当固定这些正当功能的符号系统自身发生变化时，基于旧理解做出的决策可能锁定人工物已开始超越的安排。AEA显然不能解决这个问题，但应使转变在仍有时间纳入考虑时变得可见。AEA还有助于预期治理（anticipatory governance），在个体人工物功能层面提供了一种原则性的方式来决定关注什么以及如何评估观察到的变化是否构成真正的功能变化。GPU案例是单一的回顾性演示，固着动态是否跨技术领域和监管环境泛化仍有待比较研究。符号系统如何形成、稳定和偶尔崩溃是AEA预设但未理论化的。此外，个别指标的可靠性、其相对于传统指标的前置时间以及它们在基础设施不如计算技术丰富的领域中的行为仍是开放问题。AEA提供的是在大多数分析师依赖的指标赶上之前，识别功能变化正在累积的方式。
