在人工智能迅猛發(fā)展的當下，大語言模型正逐步滲透到各個專業(yè)領(lǐng)域。然而，當我們將目光聚焦于專利這一特殊行業(yè)時，必須清醒地認識到，僅僅依靠大語言模型本身，要達到理想的應用效果，還有很長的路要走。

專利行業(yè)具有高度的獨特性和復雜性。一方面，專利檢索要求極高的精準度，任何細微的不匹配都可能導致重要專利被遺漏。另一方面，專利文獻包含大量高度細致和專業(yè)的場景描述，這些內(nèi)容在大語言模型的訓練數(shù)據(jù)中占比有限。

要知道，專利數(shù)據(jù)庫規(guī)模龐大，可達幾十至上百TB，但實際用于訓練大語言模型的專利數(shù)據(jù)只是其中一小部分。這就意味著，模型對很多專業(yè)場景的理解存在天然局限性。

許多人對大語言模型抱有“輸入目標，自動得到完美結(jié)果”的期望，這在專利領(lǐng)域尤其不現(xiàn)實。以專利撰寫為例，直接要求模型“寫一份關(guān)于某技術(shù)的權(quán)利要求書”，通常會得到格式正確但內(nèi)容空洞、保護范圍不合理的結(jié)果，這不僅無法滿足專業(yè)需求，甚至可能導致專利保護不力，事與愿違。

專利檢索是專利申請過程中的關(guān)鍵任務，目的是尋找與現(xiàn)有專利相關(guān)的技術(shù)文獻。很多人誤認為可以直接將檢索式交給大語言模型生成，期待它能提供準確的檢索結(jié)果。然而，大語言模型的輸出往往依賴于其訓練數(shù)據(jù)的范圍和質(zhì)量，而專利數(shù)據(jù)庫內(nèi)容龐大且結(jié)構(gòu)化。大語言模型雖然可以生成一些常見的檢索式，但它無法準確地從海量的專利中篩選出相關(guān)性較高的專利。因為它沒有直接連接到專利數(shù)據(jù)庫，不能基于最新的專利數(shù)據(jù)進行深度檢索，也無法處理專利中的技術(shù)細節(jié)和法律術(shù)語。所以，直接依賴模型生成檢索式，往往會導致檢索結(jié)果的相關(guān)性不足，影響后續(xù)分析的質(zhì)量。

專利的權(quán)利要求書是專利申請中至關(guān)重要的一部分，它定義了發(fā)明的保護范圍。撰寫權(quán)利要求書不僅需要對技術(shù)細節(jié)有深入的了解，還需要遵循嚴格的法律和格式要求。大語言模型在生成權(quán)利要求時，可以根據(jù)輸入的背景信息和技術(shù)方向生成文本，但這些生成的內(nèi)容常常缺乏法律精確性，可能存在描述不清、定義模糊的問題。例如，如果沒有提供足夠的技術(shù)背景、發(fā)明目標以及相關(guān)領(lǐng)域的詳細信息，大語言模型生成的權(quán)利要求可能會過于籠統(tǒng)或過于詳細，導致無法準確保護發(fā)明的獨特性。

專利實施例是專利申請中的技術(shù)實現(xiàn)部分，它詳細描述了如何實現(xiàn)發(fā)明的具體步驟和方法。在這方面，大語言模型的表現(xiàn)同樣有限。專利實施例通常涉及大量的技術(shù)細節(jié)和具體的操作步驟，依賴于發(fā)明人對技術(shù)的深刻理解以及行業(yè)經(jīng)驗。大語言模型雖然可以根據(jù)給定的描述生成實施例的初步文本，但往往不能在技術(shù)層面提供高質(zhì)量的細節(jié)。因此，依賴大語言模型生成的實施例文本，需要經(jīng)過專家的審核和修改，才能達到實際應用的標準。

大語言模型是概率模型，并非知識數(shù)據(jù)庫：大語言模型 回答本質(zhì)上是基于統(tǒng)計預測下一個最可能的詞語，它并沒有實時訪問權(quán)威知識庫，生成內(nèi)容靠的是訓練語料中學到的模式。這意味著它有時會給出貌似合理但實際錯誤的信息，所謂 “AI 幻覺 ” 正來源于此。因此，大語言模型 提供的專利信息未必真實準確，尤其當涉及它未見過的新發(fā)明或最新專利時。

大模型覆蓋的專利數(shù)據(jù)不完整、更新不及時：專利檢索和分析依賴于各國專利局的權(quán)威數(shù)據(jù)庫，而大多數(shù)通用大模型的訓練語料并不包含這些封閉數(shù)據(jù)源的全部內(nèi)容。大模型并不像專業(yè)檢索引擎那樣擁有完整、最新的專利文獻庫作為支撐。

專利文本高度專業(yè)化，結(jié)構(gòu)嚴謹，容錯率極低：撰寫專利文件是一項精細的工作，術(shù)語選擇需要準確規(guī)范，權(quán)利要求范圍一字之差可能天差地別，邏輯結(jié)構(gòu)要嚴密自洽。這些都是目前的大模型難以完全勝任的。模型生成的文字往往追求語義通順，但在法律嚴謹性上有所欠缺。

要在專利行業(yè)充分發(fā)揮大語言模型的價值，我們需要進行一些設(shè)計，例如：

提供充分的上下文信息，巧設(shè)提示，使用大語言模型前，務必先向其 “ 喂料 ” 。模型輸出質(zhì)量高度依賴輸入提示（ Prompt ）的質(zhì)量。盡可能詳細地提供技術(shù)背景、發(fā)明要解決的痛點、核心技術(shù)方案和目標等信息，讓模型明白你要它扮演的角色和任務。

善用多輪對話，逐步細化要求，不要指望模型一次回答就完美無缺。將復雜任務拆解，通過多輪交互引導模型優(yōu)化結(jié)果。比如，先讓模型給出幾個備選方案，然后人眼篩選出較好的版本，再要求模型基于此版本進一步修改或完善。對于權(quán)利要求的撰寫，可以讓模型先生成獨立權(quán)利要求，再根據(jù)需要提示它 “ 增加某某技術(shù)特征 ” 或 “ 換一種更廣泛的表述方式 ” ，經(jīng)過幾輪調(diào)整，往往能得到更符合預期的草案。

將大模型嵌入特定專利工具和流程：企業(yè)和服務機構(gòu)可以開發(fā)更定制化的 AI 工具，將通用大模型與專利領(lǐng)域?qū)I(yè)系統(tǒng)結(jié)合，打造 “ 人 + AI” 的高效工作流。例如：研發(fā)專利撰寫輔助軟件，由模型根據(jù)發(fā)明交底書自動生成說明書初稿和部分實例，然后由代理人校對修改，節(jié)省撰寫時間；利用模型的文本分類能力，對海量專利文獻進行初步分類、篩選，在情報分析時快速鎖定相關(guān)領(lǐng)域文獻；又或者讓模型根據(jù)輸入的技術(shù)方案，提供一個可專利性初步判斷，列出該方案可能涉及的現(xiàn)有技術(shù)要點，供代理人參考。

假設(shè)我們要讓大語言模型寫權(quán)利要求，不是把交底書直接輸入到大語言模型中，讓直接讓其生成最終的權(quán)利要求，以目前的大語言模型的能力，不可能達到想要的效果，因為現(xiàn)在的大語言模型還不是AGI，訓練的時候語料有限，最終的能力與數(shù)據(jù)質(zhì)量、數(shù)量處理方式、訓練方式密切相關(guān)，專利相關(guān)的數(shù)據(jù)多大幾百T的容量，光文本部分多大十幾T，目前任何的大語言模型的訓練也只能抽取其中的一小部分，根本不可能達到很多人想象的那種輸入質(zhì)量，直接得到理想效果的程度。

例如我們假設(shè)讓大語言模型修改權(quán)利要求，假設(shè)輸入一段技術(shù)資料給大語言模型，第一版的權(quán)利要求是原始的權(quán)利要求，筆者通過兩輪迭代就可以讓權(quán)利要求變成第三版本，大家看下效果如何，這是完全依靠大語言模型生成，筆者未修改任何一個字。倘若讓大語言模型直接在原始的權(quán)利要求基礎(chǔ)上直接修改，是不可能得到完善的結(jié)果的。

原始權(quán)利要求：一種雙層反轉(zhuǎn)刀片無渣豆?jié){機，包括機頭(1)、桶體(2)、電機(3)、電機軸(4)、下刀片(5)、加熱元件(6)、防溢傳感器(7)和溫度傳感器(8)，所述機頭(1)與桶體(2)相配合，所述電機(3)安裝在機頭(1)中，所述電機軸(4)一端與電機(3)相連，另一端與所述下刀片(5)相連，所述下刀片(5)伸入桶體(2)內(nèi)，所述加熱元件(6)、防溢傳感器(7)和溫度傳感器(8)的一端安裝在機頭(1)上，另一端伸入桶體(2)內(nèi)；其特征在于：所述電機軸(4)上套設(shè)有一軸套(9)，所述軸套(9)通過軸承與所述電機軸(4)轉(zhuǎn)動連接，并裝有上刀片(10)，使得所述上刀片(10)能夠相對于所述下刀片(5)反向旋轉(zhuǎn)。

第一輪迭代：一種豆?jié){機，包括桶體(2)、電機(3)、電機軸(4)和位于所述桶體(2)內(nèi)的下刀片(5)，所述電機(3)通過所述電機軸(4)帶動所述下刀片(5)旋轉(zhuǎn)；其特征在于：所述電機軸(4)上可旋轉(zhuǎn)地安裝有上刀片(10)，所述上刀片(10)設(shè)置成相對于所述下刀片(5)反向旋轉(zhuǎn)。

第二輪迭代：一種豆?jié){機，包括容器(2)和驅(qū)動裝置(3)，所述驅(qū)動裝置(3)具有驅(qū)動軸(4)，所述驅(qū)動軸(4)伸入所述容器(2)內(nèi)，其末端連接第一刀片(5)；其特征在于：所述驅(qū)動軸(4)上可旋轉(zhuǎn)地安裝有第二刀片(10)，所述第一刀片(5)和第二刀片(10)分別設(shè)置成反向旋轉(zhuǎn)。

只要掌握大語言模型的原理，知道模型的界面和擅長的能力，通過對業(yè)務場景的拆解，大語言模型會高效出色地協(xié)助我們完成工具。通俗地說，現(xiàn)在的大語言模型更像是機器上的電動機，只能做簡單粗暴的工作，這是由大語言模型的本質(zhì)決定，因為要完成相應的工作，就需要做工作流的拆解和流程的設(shè)計，讓大語言模型分階段去執(zhí)行，結(jié)合人工去選擇。這也是Maxipat的理念。很多朋友經(jīng)常說為什么Maxipat設(shè)計的流程那么復雜，為什么不能直接都一鍵完成，實際上一鍵完成恰恰是最簡單的，因為只要輸入提示詞就可以，但這樣沒有多少實際意義，任何人都可以在通用的大語言模型上這樣操作。

不同的人使用大語言模型產(chǎn)生的結(jié)果天壤之別，關(guān)鍵就在于對于模型的本質(zhì)和業(yè)務場景的理解。要理解大模型作為任何行業(yè)的“電動機”能夠在特定的行業(yè)可以做什么？能力的邊界在哪里？模型本身的缺陷導致的沖突在哪里？行業(yè)的痛點在哪里？業(yè)務的流程如何拆解到模型能力勝任的地方。

大語言模型的出現(xiàn)，為專利行業(yè)帶來了前所未有的效率提升機會。它可以快速生成文本、分析語言模式，完成一些初步工作，從而解放專利人的部分精力。然而，大語言模型并不是全知全能的智囊，它有算法和訓練數(shù)據(jù)的先天局限。只有深刻理解這些本質(zhì)和限制，我們才能避免把AI當成“神筆馬良”而用錯場景。

正確的做法是以人為主導，結(jié)合AI助手。人類專家擅長判斷、創(chuàng)造和決策，AI擅長速度和海量數(shù)據(jù)處理，兩者優(yōu)勢互補，才能在專利工作中達到1 + 1 > 2的效果。相反，如果對AI寄予不切實際的期望，忽視必要的核查和平衡，最終可能會事與愿違，甚至造成嚴重失誤。

總而言之，大模型就像一把功能強大的新工具，掌握用法者收益無窮；但若盲目使用，這把“雙刃劍”也可能傷及自身，讓“人 + AI”的協(xié)作模式才能真正提高專利工作的質(zhì)量和效率。

Maxipat致力于作為成為科技創(chuàng)新和知識產(chǎn)權(quán)工作的AI加速器，主要包括輔助創(chuàng)新：提高研發(fā)的科技創(chuàng)新效率；智能搜索與分析：將專利搜索和報告制作借助AI實現(xiàn)智能化，包括智能查新、無效、FTO、Landscaping報告；投資助手：快速生成投資賽道報告、專利購買篩選、專利轉(zhuǎn)化評估。目前開放注冊中。輔助科技創(chuàng)新和知識產(chǎn)權(quán)工作的AI智能體

感興趣的朋友可以通過以下三種方式填寫申請信息：

1. 請發(fā)郵件到郵箱：info@maxipat.com

2. 點擊文末閱讀全文；

3. 掃描以下二維碼

感興趣的朋友可以加筆者微信patentlight