人工智能专利检索新方法：基于AI分类器的技术创新识别与可重复性研究

推荐：本研究针对传统专利检索方法在人工智能(AI)技术领域存在的透明度低、可重复性差等问题，提出了一种基于AI分类器的新型专利检索方法。通过构建形式化技术定义和术语框架，开发了自动化专利检索技术，显著提高了AI相关专利识别的精确性和可重复性，为专利研究和统计分析提供了可靠工具。

　　

在当今技术爆炸式发展的时代，人工智能(AI)专利数量呈指数级增长，但如何准确识别和分类这些专利却成为困扰研究人员的难题。传统专利检索方法依赖关键词和专利分类索引，存在透明度低、可重复性差、需要大量人工后处理等缺陷。特别是在AI这种快速发展的新兴技术领域，术语体系尚未统一，传统方法更显得力不从心。Aleksei L. Kalinichenko和Kelvin W. Willoughby在《World Patent Information》发表的这项研究，正是为了解决这一系列问题。

研究人员首先系统分析了现有专利检索方法的局限性：传统工具如关键词搜索和专利分类(CPC/IPC)存在灵活性差、准确性低的问题；而基于学习算法的AI检索方法又往往缺乏明确的边界定义。更严重的是，现有方法大多无法重现已发表的研究结果，严重影响了专利研究的科学性和可靠性。为此，研究团队开发了一种全新的专利检索方法，将形式化技术定义与AI分类器训练相结合，实现了专利检索的自动化、透明化和可重复化。

研究采用了Cipher.ai系统作为训练平台，通过多轮迭代对话构建训练数据集。关键技术方法包括：(1)建立形式化的AI系统定义作为相关性标准；(2)开发专利检索规范，明确分析算法；(3)利用机器学习算法训练专利分类器；(4)通过精确度(precision)和召回率(recall)评估系统性能。研究样本来源于全球专利数据库，重点关注AI技术领域的专利文献。

研究结果部分，作者首先通过文献综述系统比较了传统检索工具与AI检索技术的优劣。在"训练搜索算法的过程"部分，详细描述了如何通过人机对话构建操作定义，并强调了形式化定义对提高检索质量的关键作用。"开发训练数据选择的相关性标准"部分提出了六项定义要求：精确性、全面性、技术特征明确性、范围匹配性、系统类型特征性和结构元素可分类性。

在"专利检索过程"部分，研究展示了新旧方法的对比效果。未采用新方法时，检索结果存在大量模糊边界案例，分类困难；而采用基于形式化定义的新方法后，检索准确性和效率显著提高。作者特别提出了AI系统和机器学习过程的操作定义：AI系统被定义为"根据算法执行操作的硬件、软件和数据集合，其中算法至少部分通过从训练数据中提取行为模式而形成"；机器学习过程则被明确定义为"从训练数据中提取行为模式以形成系统操作算法的过程"。

讨论部分指出，这项研究的主要贡献在于：(1)开发了结合技术领域深度分析与AI系统迭代对话的新方法；(2)建立了适用于专利检索的AI技术定义和术语框架。与现有方法相比，新方法兼具传统方法的可形式化优势和AI检索的灵活性，同时解决了二者的关键局限。研究形成的检索规范不仅适用于AI领域，还可推广到其他技术领域的专利研究，特别是那些术语体系尚未成熟的新兴技术领域。

这项研究的科学意义在于：首先，它解决了专利检索领域长期存在的可重复性难题，为专利研究提供了更可靠的方法学基础；其次，提出的形式化定义框架为AI技术领域的专利分析建立了统一标准；最后，开发的方法可以扩展到其他新兴技术领域，具有广泛的应用前景。正如作者所言，这项研究不仅改进了专利检索工具，更重要的是为技术创新的量化研究提供了更科学、更可靠的数据基础。未来，这一方法有望成为专利研究的标准实践，推动技术创新评估进入新阶段。