生成式人工智能评估5G技术标准必要专利的可行性研究

针对5G技术标准必要专利(SEP)评估中存在的过度声明和不足声明问题，研究人员创新性地采用生成式人工智能(GenAI)技术，通过四种大型语言模型(LLM)对1200项专利进行标准必要性评估。研究发现GPT-4o模型在结合技术标准文本后，不仅能准确判断标准必要性，还能解释专利与标准的具体关联，为专利评估、许可和诉讼策略提供了智能化解决方案。

　　

随着5G技术的快速发展，标准必要专利(Standard-Essential Patents, SEPs)的识别与管理成为知识产权领域的核心问题。当前SEP评估主要依赖专家人工比对专利权利要求与技术标准，不仅耗时耗力（单个5G专利评估需8小时），成本高昂（最高达1.8万欧元），还存在声明不准确的风险——专利持有人可能过度声明非必要专利以获取许可收益，或隐瞒真正必要的专利规避FRAND许可义务。这种评估困境严重影响了技术标准的实施效率和市场公平竞争。

为解决这一难题，研究人员开展了一项开创性研究，探索生成式人工智能(Generative AI, GenAI)在SEP评估中的应用潜力。研究选取5G技术领域1200项美国专利（453项ETSI声明的SEPs和747项非SEPs）作为测试集，创新性地设计了两种评估方案：方案A使用GPT3.5、Llama 3、GPT-4 Turbo和GPT-4o四种大型语言模型(Large Language Models, LLMs)仅基于专利文本进行初步评估；方案B则让表现最优的GPT-4o模型直接比对专利权利要求与技术标准TS 138.211的规范性章节，实现可解释的深度分析。

研究采用多项关键技术方法：通过分层抽样构建包含不同评估置信度（0.4-0.6区间）的专利样本库；利用零样本提示(Zero-shot Prompt)和少样本提示(Few-shot Prompt)优化LLM输出；采用科恩卡帕系数(Cohen's Kappa)量化模型评估一致性；建立逻辑回归模型分析评估结果的影响因素。

研究结果部分呈现了重要发现：

1. 评估性能比较：大型LLMs展现显著优势，GPT-4o在少样本提示下与Herzberg方法的评估一致性最高（科恩卡帕系数0.545）。相比中小型模型（GPT3.5卡帕系数仅0.317），其能更准确识别接近阈值（0.45-0.49区间）的模糊案例。

2. 技术标准关联分析：在专利-标准直接比对中，GPT-4o识别出技术标准TS 138.211的4.3.2章节（描述OFDM帧结构与物理资源）与27项专利存在强关联，而声明的909项SEPs中仅63项实际关联该标准，证实存在显著过度声明现象。

3. 典型案例解析：以专利US9820290B2为例，GPT-4o准确锁定其两项独立权利要求与标准4.4.1（天线端口定义）、4.4.2（资源网格配置）章节的技术对应关系，而该专利最初被声明关联4项标准，实际仅2项成立。

研究结论指出，GenAI为SEP评估提供了双重价值：作为筛查工具，GPT-4o在无标准文本输入时即能达到专家级评估水平；作为解释工具，其能定位具体权利要求与标准条款的对应关系，大幅降低人工核查工作量。这对专利池构建、FRAND许可谈判和标准组织监管具有三重意义：1）帮助中小企业识别非必要专利，减少不合理许可支出；2）为SSOs（标准制定组织）建立声明过滤机制；3）推动建立更透明的标准实施环境。

研究同时指出当前局限：LLM可能产生技术细节"幻觉"；单一标准验证覆盖不足；评估性能受训练数据时间范围限制。未来研究可拓展至视频编码等更多技术领域，或尝试思维链(Chain-of-Thought)等进阶提示方法。这项发表在《World Patent Information》的研究，为人工智能与知识产权管理的交叉领域树立了新标杆。