大模型是专用工具而非万能钥匙，如何在专利行业发挥最大作用

在人工智能迅猛发展的当下，大语言模型正逐步渗透到各个专业领域。然而，当我们将目光聚焦于专利这一特殊行业时，必须清醒地认识到，仅仅依靠大语言模型本身，要达到理想的应用效果，还有很长的路要走。

专利行业具有高度的独特性和复杂性。一方面，专利检索要求极高的精准度，任何细微的不匹配都可能导致重要专利被遗漏。另一方面，专利文献包含大量高度细致和专业的场景描述，这些内容在大语言模型的训练数据中占比有限。

要知道，专利数据库规模庞大，可达几十至上百TB，但实际用于训练大语言模型的专利数据只是其中一小部分。这就意味着，模型对很多专业场景的理解存在天然局限性。

许多人对大语言模型抱有“输入目标，自动得到完美结果”的期望，这在专利领域尤其不现实。以专利撰写为例，直接要求模型“写一份关于某技术的权利要求书”，通常会得到格式正确但内容空洞、保护范围不合理的结果，这不仅无法满足专业需求，甚至可能导致专利保护不力，事与愿违。

专利检索是专利申请过程中的关键任务，目的是寻找与现有专利相关的技术文献。很多人误认为可以直接将检索式交给大语言模型生成，期待它能提供准确的检索结果。然而，大语言模型的输出往往依赖于其训练数据的范围和质量，而专利数据库内容庞大且结构化。大语言模型虽然可以生成一些常见的检索式，但它无法准确地从海量的专利中筛选出相关性较高的专利。因为它没有直接连接到专利数据库，不能基于最新的专利数据进行深度检索，也无法处理专利中的技术细节和法律术语。所以，直接依赖模型生成检索式，往往会导致检索结果的相关性不足，影响后续分析的质量。

专利的权利要求书是专利申请中至关重要的一部分，它定义了发明的保护范围。撰写权利要求书不仅需要对技术细节有深入的了解，还需要遵循严格的法律和格式要求。大语言模型在生成权利要求时，可以根据输入的背景信息和技术方向生成文本，但这些生成的内容常常缺乏法律精确性，可能存在描述不清、定义模糊的问题。例如，如果没有提供足够的技术背景、发明目标以及相关领域的详细信息，大语言模型生成的权利要求可能会过于笼统或过于详细，导致无法准确保护发明的独特性。

专利实施例是专利申请中的技术实现部分，它详细描述了如何实现发明的具体步骤和方法。在这方面，大语言模型的表现同样有限。专利实施例通常涉及大量的技术细节和具体的操作步骤，依赖于发明人对技术的深刻理解以及行业经验。大语言模型虽然可以根据给定的描述生成实施例的初步文本，但往往不能在技术层面提供高质量的细节。因此，依赖大语言模型生成的实施例文本，需要经过专家的审核和修改，才能达到实际应用的标准。

大语言模型是概率模型，并非知识数据库：大语言模型 回答本质上是基于统计预测下一个最可能的词语，它并没有实时访问权威知识库，生成内容靠的是训练语料中学到的模式。这意味着它有时会给出貌似合理但实际错误的信息，所谓 “AI 幻觉 ” 正来源于此。因此，大语言模型 提供的专利信息未必真实准确，尤其当涉及它未见过的新发明或最新专利时。

大模型覆盖的专利数据不完整、更新不及时：专利检索和分析依赖于各国专利局的权威数据库，而大多数通用大模型的训练语料并不包含这些封闭数据源的全部内容。大模型并不像专业检索引擎那样拥有完整、最新的专利文献库作为支撑。

专利文本高度专业化，结构严谨，容错率极低：撰写专利文件是一项精细的工作，术语选择需要准确规范，权利要求范围一字之差可能天差地别，逻辑结构要严密自洽。这些都是目前的大模型难以完全胜任的。模型生成的文字往往追求语义通顺，但在法律严谨性上有所欠缺。

要在专利行业充分发挥大语言模型的价值，我们需要进行一些设计，例如：

提供充分的上下文信息，巧设提示，使用大语言模型前，务必先向其 “ 喂料 ” 。模型输出质量高度依赖输入提示（ Prompt ）的质量。尽可能详细地提供技术背景、发明要解决的痛点、核心技术方案和目标等信息，让模型明白你要它扮演的角色和任务。

善用多轮对话，逐步细化要求，不要指望模型一次回答就完美无缺。将复杂任务拆解，通过多轮交互引导模型优化结果。比如，先让模型给出几个备选方案，然后人眼筛选出较好的版本，再要求模型基于此版本进一步修改或完善。对于权利要求的撰写，可以让模型先生成独立权利要求，再根据需要提示它 “ 增加某某技术特征 ” 或 “ 换一种更广泛的表述方式 ” ，经过几轮调整，往往能得到更符合预期的草案。

将大模型嵌入特定专利工具和流程：企业和服务机构可以开发更定制化的 AI 工具，将通用大模型与专利领域专业系统结合，打造 “ 人 + AI” 的高效工作流。例如：研发专利撰写辅助软件，由模型根据发明交底书自动生成说明书初稿和部分实例，然后由代理人校对修改，节省撰写时间；利用模型的文本分类能力，对海量专利文献进行初步分类、筛选，在情报分析时快速锁定相关领域文献；又或者让模型根据输入的技术方案，提供一个可专利性初步判断，列出该方案可能涉及的现有技术要点，供代理人参考。

假设我们要让大语言模型写权利要求，不是把交底书直接输入到大语言模型中，让直接让其生成最终的权利要求，以目前的大语言模型的能力，不可能达到想要的效果，因为现在的大语言模型还不是AGI，训练的时候语料有限，最终的能力与数据质量、数量处理方式、训练方式密切相关，专利相关的数据多大几百T的容量，光文本部分多大十几T，目前任何的大语言模型的训练也只能抽取其中的一小部分，根本不可能达到很多人想象的那种输入质量，直接得到理想效果的程度。

例如我们假设让大语言模型修改权利要求，假设输入一段技术资料给大语言模型，第一版的权利要求是原始的权利要求，笔者通过两轮迭代就可以让权利要求变成第三版本，大家看下效果如何，这是完全依靠大语言模型生成，笔者未修改任何一个字。倘若让大语言模型直接在原始的权利要求基础上直接修改，是不可能得到完善的结果的。

原始权利要求：一种双层反转刀片无渣豆浆机，包括机头(1)、桶体(2)、电机(3)、电机轴(4)、下刀片(5)、加热元件(6)、防溢传感器(7)和温度传感器(8)，所述机头(1)与桶体(2)相配合，所述电机(3)安装在机头(1)中，所述电机轴(4)一端与电机(3)相连，另一端与所述下刀片(5)相连，所述下刀片(5)伸入桶体(2)内，所述加热元件(6)、防溢传感器(7)和温度传感器(8)的一端安装在机头(1)上，另一端伸入桶体(2)内；其特征在于：所述电机轴(4)上套设有一轴套(9)，所述轴套(9)通过轴承与所述电机轴(4)转动连接，并装有上刀片(10)，使得所述上刀片(10)能够相对于所述下刀片(5)反向旋转。

第一轮迭代：一种豆浆机，包括桶体(2)、电机(3)、电机轴(4)和位于所述桶体(2)内的下刀片(5)，所述电机(3)通过所述电机轴(4)带动所述下刀片(5)旋转；其特征在于：所述电机轴(4)上可旋转地安装有上刀片(10)，所述上刀片(10)设置成相对于所述下刀片(5)反向旋转。

第二轮迭代：一种豆浆机，包括容器(2)和驱动装置(3)，所述驱动装置(3)具有驱动轴(4)，所述驱动轴(4)伸入所述容器(2)内，其末端连接第一刀片(5)；其特征在于：所述驱动轴(4)上可旋转地安装有第二刀片(10)，所述第一刀片(5)和第二刀片(10)分别设置成反向旋转。

只要掌握大语言模型的原理，知道模型的界面和擅长的能力，通过对业务场景的拆解，大语言模型会高效出色地协助我们完成工具。通俗地说，现在的大语言模型更像是机器上的电动机，只能做简单粗暴的工作，这是由大语言模型的本质决定，因为要完成相应的工作，就需要做工作流的拆解和流程的设计，让大语言模型分阶段去执行，结合人工去选择。这也是Maxipat的理念。很多朋友经常说为什么Maxipat设计的流程那么复杂，为什么不能直接都一键完成，实际上一键完成恰恰是最简单的，因为只要输入提示词就可以，但这样没有多少实际意义，任何人都可以在通用的大语言模型上这样操作。

不同的人使用大语言模型产生的结果天壤之别，关键就在于对于模型的本质和业务场景的理解。要理解大模型作为任何行业的“电动机”能够在特定的行业可以做什么？能力的边界在哪里？模型本身的缺陷导致的冲突在哪里？行业的痛点在哪里？业务的流程如何拆解到模型能力胜任的地方。

大语言模型的出现，为专利行业带来了前所未有的效率提升机会。它可以快速生成文本、分析语言模式，完成一些初步工作，从而解放专利人的部分精力。然而，大语言模型并不是全知全能的智囊，它有算法和训练数据的先天局限。只有深刻理解这些本质和限制，我们才能避免把AI当成“神笔马良”而用错场景。

正确的做法是以人为主导，结合AI助手。人类专家擅长判断、创造和决策，AI擅长速度和海量数据处理，两者优势互补，才能在专利工作中达到1 + 1 > 2的效果。相反，如果对AI寄予不切实际的期望，忽视必要的核查和平衡，最终可能会事与愿违，甚至造成严重失误。

总而言之，大模型就像一把功能强大的新工具，掌握用法者收益无穷；但若盲目使用，这把“双刃剑”也可能伤及自身，让“人 + AI”的协作模式才能真正提高专利工作的质量和效率。

Maxipat致力于作为成为科技创新和知识产权工作的AI加速器，主要包括辅助创新：提高研发的科技创新效率；智能搜索与分析：将专利搜索和报告制作借助AI实现智能化，包括智能查新、无效、FTO、Landscaping报告；投资助手：快速生成投资赛道报告、专利购买筛选、专利转化评估。目前开放注册中。辅助科技创新和知识产权工作的AI智能体

感兴趣的朋友可以通过以下三种方式填写申请信息：

1. 请发邮件到邮箱：info@maxipat.com

2. 点击文末阅读全文；

3. 扫描以下二维码

感兴趣的朋友可以加笔者微信patentlight