Coupled-NeuralHP: Directional Temporal Coupling Between AI Innovation Exposure and Public Response

Das Papier stellt Coupled-NeuralHP vor, ein hybrides Ereignis-Plus-Zustands-Modell, das die gerichtete zeitliche Kopplung von der Exposition gegenüber KI-Innovationen bis zur öffentlichen Reaktion effektiv erfasst, traditionelle Baseline-Modelle bei der Vorhersage von Innovationszahlen und der Wiederherstellung kausaler Zusammenhänge in semi-synthetischen Tests übertrifft und gleichzeitig keine Hinweise auf Regimewechsel im Jahr 2022 findet.

Das Wesentliche

Das große Ganze: Zwei verschiedene Uhren

Stellen Sie sich zwei Personen vor, die versuchen, zusammen zu tanzen, aber unterschiedliche Uhren tragen.

• Person A (Innovation): Dies ist die Welt der KI-Patente. Sie tanzen in einem chaotischen, unregelmäßigen Rhythmus. Manchmal springen sie dreimal in einer Minute; manchmal stehen sie wochenlang still. Dies ist der „Ereignisstrom" neuer Erfindungen.
• Person B (Öffentliche Reaktion): Dies ist die allgemeine Öffentlichkeit, gemessen daran, wie oft sie bei Google nach „KI" suchen. Sie tanzen zu einem gleichmäßigen, monatlichen Takt. Alle 30 Tage machen wir eine Momentaufnahme ihrer Stimmung.

Lange Zeit untersuchten Wissenschaftler diese beiden Tänzer getrennt. Ökonomen schauten sich die Patente an, und Soziologen die Suchtrends. Sie fragten selten: Veranlasst das chaotische Springen des Erfinders die Öffentlichkeit tatsächlich zu einem anderen Tanz? Und lässt der Tanz der Öffentlichkeit den Erfinder schneller springen?

Dieses Papier baut einen neuen „Tanzboden" (ein Computermodell), um zu sehen, ob sie tatsächlich verbunden sind und wenn ja, in welche Richtung.

Das Modell: Ein hybrider Tanzpartner

Die Autoren schufen ein Modell namens Coupled-NeuralHP. Stellen Sie es sich als einen intelligenten Übersetzer vor, der versucht, die zukünftigen Schritte beider Tänzer basierend auf ihrer Geschichte vorherzusagen.

1. Der Patentstrom (Der Erfinder): Das Modell behandelt neue KI-Patente wie Regentropfen, die auf ein Dach fallen. Sie fallen zu zufälligen Zeiten. Das Modell verwendet ein spezielles mathematisches Werkzeug (ein Hawkes-Prozess), um vorherzusagen, wann der nächste „Tropfen" einschlagen wird, basierend darauf, wie viele kürzlich gefallen sind.
2. Die öffentliche Stimmung (Der Tänzer): Das Modell behandelt das öffentliche Interesse (Google-Suchen) wie einen gleichmäßig fließenden Fluss. Es verwendet ein „Zustandsraum"-Modell, um zu verfolgen, wie sich der Wasserstand des Flusses Monat für Monat verändert.
3. Die Verbindung (Die Tore): Der wichtigste Teil sind die „Tore" zwischen ihnen. Das Modell fragt: Wenn der Erfinder springt (ein neues Patent), fängt die Öffentlichkeit an zu tanzen (die Suchanfragen steigen)? Und umgekehrt: Wenn die Öffentlichkeit tanzt, springt der Erfinder dann schneller?

Das Modell verwendet „intelligente Tore", die sich öffnen oder schließen können. Wenn die Daten keine Verbindung zeigen, bleibt das Tor verschlossen. Wenn eine starke Verbindung besteht, öffnet es sich.

Was sie fanden: Die „Einbahnstraße"

Nachdem das Modell auf zehn Jahre Daten (2014–2023) angewendet wurde, waren die Ergebnisse überraschend spezifisch:

• Die gute Nachricht (Erfindung → Öffentlichkeit): Das Modell fand eine klare Einbahnstraße. Wenn neue KI-Patente veröffentlicht werden (insbesondere in Bereichen wie Sprache, natürliche Sprache und Hardware), beginnt die Öffentlichkeit tatsächlich, mehr nach KI zu suchen. Das Modell wurde sehr gut darin, die Anzahl zukünftiger Patente basierend auf dieser Verbindung vorherzusagen.
• Die schlechte Nachricht (Öffentlichkeit → Erfindung): Das Modell versuchte zu prüfen, ob das öffentliche Interesse Erfinder antreibt. Es fand keine Beweise dafür. Selbst wenn die Öffentlichkeit verzweifelt sucht, scheint dies Erfinder nicht dazu zu veranlassen, sofort mehr Patente anzumelden. Als die Forscher das Modell zwangen, an diese Verbindung zu glauben, wurden die Vorhersagen tatsächlich schlechter.
• Der „Kopf" vs. das „Herz": Das Modell hat zwei Teile zur Vorhersage des öffentlichen Interesses. Ein Teil ist das „Herz" (die tiefe, verborgene Verbindung zu Patenten), und der andere ist der „Kopf" (ein einfacher Rechner, der vergangene Suchtrends und Patentzahlen betrachtet). Die Studie fand heraus, dass der „Kopf" (der einfache Rechner) fast die gesamte Arbeit bei der Vorhersage der öffentlichen Stimmung leistete. Die tiefe, verborgene Verbindung war nützlich, um die Struktur zu verstehen, aber der einfache Rechner war besser darin, genaue Vorhersagen zu treffen.

Der „Meilenstein"-Test: Haben große Ereignisse den Tanz verändert?

Die Forscher fragten sich, ob große KI-Momente – wie die Veröffentlichung von ChatGPT oder DALL-E 2 – plötzlich veränderten, wie die beiden Tänzer interagieren. Haben sich die Tanzregeln an diesen spezifischen Tagen geändert?

Sie testeten dies, indem sie nach „Regimewechseln" (plötzlichen Verschiebungen im Muster) suchten.

• Das Ergebnis: Nein. Die Daten zeigten, dass sich die Beziehung zwischen Patenten und öffentlichem Interesse am Tag der ChatGPT-Einführung nicht plötzlich änderte. Der Tanz ging im gleichen Tempo weiter. Die größten Verschiebungen waren graduell, nicht plötzlich.

Der „Fake-Daten"-Test: Kann es die Wahrheit finden?

Um sicherzustellen, dass ihr Modell nicht nur rät, erstellten sie 60 „falsche Welten" (semi-synthetische Experimente), in denen sie die genaue Wahrheit kannten: Wir haben hier eine Verbindung gepflanzt.

• Das Ergebnis: Das Coupled-NeuralHP-Modell war hervorragend darin, diese gepflanzten Verbindungen zu finden (mit einer Punktzahl von 0,73 von 1,0). Ein Standardmodell, ein älteres Modell (VARX), erreichte nur 0,38. Dies beweist, dass das Modell tatsächlich gut darin ist, reale gerichtete Verbindungen zu erkennen, selbst wenn die Realwelt-Daten unordentlich sind.

Zusammenfassung der Behauptungen

• Was funktioniert: Das Modell sagt zukünftige Patentzahlen erfolgreich besser vorher als frühere Methoden, indem es öffentliche Suchtrends als Hinweis verwendet.
• Was nicht funktioniert: Es gibt keine starken Beweise dafür, dass öffentliche Suchtrends eine sofortige Zunahme der Patentanmeldungen verursachen.
• Was sie überraschte: Die größten KI-Meilensteine (wie ChatGPT) verursachten keinen plötzlichen, messbaren Bruch in der Beziehung zwischen Patenten und Suchanfragen.
• Die Einschränkung: Das Modell sagt „Aufmerksamkeit" (Suchanfragen) voraus, nicht tiefe „Einstellungen" (was Menschen tatsächlich denken oder glauben).

Kurz gesagt, sagt das Papier: Neue KI-Erfindungen lassen die Öffentlichkeit aufmerksamer werden, aber die Aufmerksamkeit der Öffentlichkeit scheint Erfinder nicht sofort dazu zu bringen, schneller zu arbeiten. Die Beziehung ist eine Einbahnstraße, und sie fließt gleichmäßig, nicht in plötzlichen Ausbrüchen.

Technische Zusammenfassung

Technische Zusammenfassung: Coupled-NeuralHP

Problemstellung
Der Beitrag adressiert eine Fragmentierung in der empirischen Untersuchung der Dynamik Künstlicher Intelligenz (KI). Innovation (Patentveröffentlichungen) und öffentliche Reaktion (Suchverhalten, Einstellungen) entwickeln sich gemeinsam, operieren jedoch auf unterschiedlichen zeitlichen Auflösungen: Innovation tritt als unregelmäßiger, kontinuierlicher Zeit-Ereignisstrom auf, während die öffentliche Reaktion typischerweise als aggregierte, diskrete Monatsdaten beobachtet wird. Die bestehende Literatur behandelt diese Prozesse isoliert; Modelle der Innovationsökonomik modellieren Patentströme mittels Punktprozessen, ohne öffentliche Stimmung zu berücksichtigen, während die Meinungsforschung Such- oder Umfragedaten analysiert, ohne die zugrundeliegende Dynamik von Innovationsereignissen zu modellieren. Darüber hinaus gehen bestehende Methoden zur gerichteten Kopplung (z. B. Granger-Kausalität, sparse Hawkes-Lernverfahren) von gemeinsamen zeitlichen Auflösungen aus und versagen darin, einen kontinuierlichen Zeit-Punktprozess mit einer separaten aggregierten Zeitreihe in einem gemeinsamen, lernbaren Rahmenwerk zu verknüpfen.

Methodik: Coupled-NeuralHP
Die Autoren schlagen Coupled-NeuralHP vor, eine hybride Familie von Ereignis-plus-Zustandsmodellen, die entwickelt wurde, um kontinuierliche KI-Innovationsereignisse mit diskreten öffentlichen Reaktionsignalen zu verknüpfen. Die Architektur besteht aus fünf Schlüsselkomponenten, die über ein gemeinsames variationsbasiertes Zielobjektiv end-to-end trainiert werden:

1. Innovations-Hawkes-Prozess: KI-Patentveröffentlichungen über acht Technologiedomänen hinweg (z. B. maschinelles Lernen, NLP, Vision) werden als multivariater markierter Punktprozess modelliert. Die bedingte Intensität für jede Domäne umfasst eine Basisintensität, Selbst- und Kreuzanregungsterme (via exponentieller Abklingkerne) sowie einen Kopplungsterm aus dem latenten Zustand der öffentlichen Reaktion.
2. Latenter Reaktions-Zustandsraum-Modell: Die öffentliche Reaktion wird als latenter monatlicher Zustandsraumprozess modelliert. Der Zustandsübergang integriert Persistenz, eine sparse Kopplungsmatrix aus verzögerten Innovationsmerkmalen (Innovation zu Reaktion) sowie optionale Meilenstein-Kovariaten. Die beobachtete Reaktion ist eine lineare Projektion dieses latenten Zustands.
3. Sparse gerichtete Kopplungsgatter: Die Interaktion zwischen den beiden Prozessen wird durch Hard-Concrete-Gatter gesteuert. Diese Gatter lernen, die Kopplungsmatrizen zu verzerren, sodass das Modell die Existenz und Richtung von Verbindungen bestimmen kann (Innovation → Reaktion vs. Reaktion → Innovation), während gleichzeitig Sparsity-Strafen durchgesetzt werden.
4. Strukturierte Reaktions-Vorhersage-Kopf: Um eine robuste Vorhersage zu gewährleisten, enthält das Modell einen separaten Vorhersagekopf, der die Reaktion des nächsten Monats direkt aus beobachtbaren Merkmalen vorhersagt (verzögerte Reaktion, PCA-komprimierte verzögerte Patentanzahlen und Kalenderindikatoren). Dieser Kopf arbeitet unabhängig vom latenten Kopplungspfad, um interpretierbare, hochwertige Vorhersagen zu liefern.
5. Nur-Trainings-Reaktions-Protokoll: Um Lookahead-Bias zu verhindern, werden alle Normalisierungsstatistiken und PCA-Projektionen für den Reaktionskanal strikt auf dem Trainingsfenster (Monate vor der Evaluation) angepasst und auf Validierungs- und Testsets angewendet.

Das Modell wird über ein gemeinsames variationsbasiertes Zielobjektiv optimiert, das die Rekonstruktion des Ereignisstroms, die Rekonstruktion des Reaktionssignals und die Dynamik der latenten Zustände maximiert, gleichzeitig jedoch die Dichte der Kopplungsgatter bestraft.

Hauptbeiträge und Ergebnisse
Der Beitrag bewertet das Modell anhand von vier Forschungsfragen unter Verwendung eines zehnjährigen Panels (2014–2023) mit USPTO-KI-Patentdaten und Google-Trends-Indizes.

• Vorhersagende Kopplung (FQ1): Unter einem strikten Nur-Trainings-Reaktions-Protokoll erreicht die ausgewählte einseitige Variante (nur Innovation → Reaktion) die besten gehaltenen Vorhersagen für Innovationsanzahlen in der Vergleichsgruppe und übertrifft eine selbstanregende Hawkes-Baseline (Pseudo-Log-Likelihood: $-30,4$ vs. $-34,7$; RMSE: $471$ vs. $532$). Auf der Reaktionsseite erreicht das gekoppelte Modell die Leistung einer starken Multi-Lag-Faktor-Familien-Baseline (ARX) mit einem RMSE von $0,295$, ohne diese jedoch zu übertreffen.
• Sparse stabile Struktur (FQ2): Die erlernte Kopplungsstruktur ist robust und sparse. Über zufällige Seeds, Klassifikationsschwellenwerte und rollende zeitliche Fenster hinweg wählt das Modell konsistent eine einseitige Struktur, bei der Innovation die Reaktion antreibt (Dichte $\approx 0,5$), während die umgekehrte Richtung (Reaktion → Innovation) inaktiv bleibt (Dichte $0,0$). Spezifische Domänen (NLP, Sprache, Hardware) werden konsistent als Treiber ausgewählt.
• Regimewechsel (FQ3): Eine placebokontrollierte Analyse großer KI-Meilensteine von 2022 (z. B. ChatGPT, DALL-E 2) findet keine robusten Belege für strukturelle Brüche in der gekoppelten Dynamik. Meilensteinmonate übertreffen Placebomonate in Bezug auf Modellanpassungsgewinne statistisch nicht.
• Gerichtete Wiederherstellung (FQ4): In 60 semi-synthetischen Replikationen mit bekannter Ground-Truth-Kopplung übertrifft Coupled-NeuralHP lineare Baselines (VARX) signifikant bei der Wiederherstellung der Struktur von Innovation zu Reaktion (F1: $0,734$ vs. $0,386$).

Ablations-Erkenntnisse
Die Autoren identifizieren, dass der strukturierte Reaktions-Vorhersagekopf der primäre Treiber für die Vorhersagequalität auf der Reaktionsseite ist. Das Entfernen dieses Kopfs verschlechtert den Reaktions-RMSE signifikant ($+0,153$), wohingegen der latente Zustands-Kopplungspfad mehr zur strukturellen Interpretation und semi-synthetischen Wiederherstellung als zur Vorhersageleistung auf gehaltenen Daten beiträgt. Umgekehrt verschlechtert das Erzwingen des umgekehrten Kanals (Reaktion → Innovation) die Vorhersage der Innovationsanzahl, was bestätigt, dass die Daten in diesem Kontext keine Rückkopplungsschleife von aggregierten Suchtrends zu Patentveröffentlichungsraten unterstützen.

Bedeutung und Behauptungen
Der Beitrag beansprucht einen „engeren und saubereren" Beitrag als eine breite narrative Erzählung der bidirektionalen Koevolution. Seine primäre Bedeutung liegt in:

1. Methodische Integration: Erfolgreiche Kopplung eines kontinuierlichen Zeit-Punktprozesses mit einem diskreten Zeit-Zustandsraummodell durch lernbare, sparse gerichtete Gatter.
2. Empirische Validierung: Nachweis, dass eine einseitige Kopplung (Innovation → Reaktion) eine überlegene Innovationsvorhersage liefert, während gleichzeitig die Parität mit starken Baselines für die Reaktionsvorhersage aufrechterhalten wird.
3. Strukturelle Wiederherstellung: Beweis der Fähigkeit der Architektur, Ground-Truth-Richtungsverbindungen in kontrollierten Experimenten wiederherzustellen, in denen lineare Baselines versagen.
4. Ehrliche negative Ergebnisse: Explizite Berichterstattung, dass die Daten in realen Umgebungen keinen umgekehrten kausalen Zusammenhang (Reaktion → Innovation) unterstützen und dass große KI-Meilensteine keine detektierbaren strukturellen Brüche in den beobachteten Dynamiken hervorrufen.

Die Autoren schließen, dass das Rahmenwerk effektiv ist, um zu modellieren, wie Innovationsexposition die öffentliche Aufmerksamkeit antreibt, warnen jedoch davor, dass die Ergebnisse auf der Reaktionsseite eine Parität mit starken Baselines darstellen und keine einzigartige Überlegenheit, und dass die umgekehrte Richtung durch die bereinigte Real-Daten-Evidenz weiterhin nicht unterstützt wird.