《World Patent Information》：Large language models in the patent lifecycle: A systematic review
编辑推荐：
专利构成了全球最大的编码化技术知识库，然而其篇幅冗长、法律术语专业且语言表述刻意含糊，限制了传统文本挖掘和基于关键词检索的有效性。大语言模型（Large Language Models, LLMs）为处理这一复杂性提供了新的能力，但相关文献分散于多个学科，目前
专利构成了全球最大的编码化技术知识库，然而其篇幅冗长、法律术语专业且语言表述刻意含糊，限制了传统文本挖掘和基于关键词检索的有效性。大语言模型（Large Language Models, LLMs）为处理这一复杂性提供了新的能力，但相关文献分散于多个学科，目前尚缺乏关于这些工具如何在专利全生命周期中加以应用的综合性综述。本研究遵循PRISMA 2020协议，对专利分析领域中关于LLMs和生成式人工智能（Generative AI）的文献进行了系统性综述，旨在描绘当前应用图景、刻画主导性架构趋势，并识别优先研究空白。研究人员利用Scopus和Web of Science数据库，筛选并审阅了2018年至2026年初发表的129篇同行评审研究，按照三个专利生命周期阶段进行归类：创造与申请前阶段（N=36）、审查与专利审查阶段（N=34）以及授权后管理阶段（N=60）。综述表明，自2024年以来研究活动急剧增长，同时研究范式从探索性、单任务研究转向应用型、多组件系统。在这些文献中，检索增强生成（Retrieval-Augmented Generation, RAG）已成为应对幻觉风险的主导架构方案，通过将生成内容锚定于经过验证的外部来源以增强其可靠性。综述进一步识别出领域特定评估指标、多模态推理以及人工智能生成专利内容的治理框架等方面持续存在的研究空白。对于专利从业者和机构而言，研究结果表明LLMs更适合定位为需要人工监督的辅助工具，而非自主替代方案；未来面临的核心挑战不在于是否要过渡，而在于专利制度如何治理这一转型过程。
论文解读文章
一、研究背景与问题提出
专利作为全球最大的编码化技术知识库，为创新管理、竞争情报和研发战略提供了关键洞察。然而，专利文本的极端篇幅、专门的法律术语以及刻意设计的语言模糊性，长期制约着传统文本挖掘和文献计量方法的有效性。数十年来，研究人员依赖基于关键词的检索和静态主题建模来分析专利图景，这些方法虽然具有一定效果，但难以捕捉专利分析所需的语义细微差别，常常无法识别新兴技术融合或未占用的技术空间。
大语言模型（Large Language Models, LLMs）的出现标志着知识产权创造、分析和管理的范式转变。与以往的自然语言处理（Natural Language Processing, NLP）系统不同，基于Transformer架构的模型已从简单的分类任务扩展到复杂推理和内容生成任务，实现了从专利信息检索向知识综合的根本性过渡。然而，尽管2024年和2025年研究产出呈指数级增长，相关文献仍高度碎片化。现有综述多聚焦于LSTM、Word2Vec等传统NLP技术，未能充分回应生成式人工智能（Generative AI）所带来的范式转换——后者已超越信息检索，进入内容创造领域。此外，幻觉风险、AI决策过程的不透明性等挑战构成了广泛采用的实质性障碍。创新管理者因此缺乏一个系统性的整合框架，难以判断LLMs在哪些环节能提供真实价值、在哪些环节会引入不可接受的风险。
二、研究内容与核心结论
针对上述研究空白，本研究遵循PRISMA 2020协议，对2018年至2026年初发表的129篇同行评审研究进行了系统性文献综述。研究目标包括：（i）将当前应用映射到专利生命周期各阶段；（ii）刻画主导性的架构与方法论趋势；（iii）识别主要研究空白并提出未来研究议程。综述采用专利生命周期框架组织文献，涵盖创造与申请前阶段（N=36）、审查与专利审查阶段（N=34）以及授权后管理阶段（N=60）三个环节。
综述发现，研究活动自2024年以来急剧增长，2024年和2025年发表的文献占全部语料的88%以上，与生成模型通过专有平台和开源替代方案的广泛普及在时间上吻合。研究问题也发生了转变：2023年前的研究以基础性和单任务为主，而2024—2025年的研究则主要是应用型、多组件系统，关注验证、检索锚定和端到端工作流。在架构层面，检索增强生成（Retrieval-Augmented Generation, RAG）已成为应对幻觉风险的主导方案，通过从WIPO PATENTSCOPE或USPTO数据库等经过验证的外部来源检索相关文档，将模型输出锚定于检索证据，从而在保留LLM生成能力的同时显著降低幻觉率。
研究还识别出持续存在的研究空白，包括领域特定评估指标的缺乏、多模态推理能力不足，以及人工智能生成专利内容的治理框架缺失。对于专利从业者和机构而言，研究结果表明LLMs更适合定位为需要人类监督的辅助工具而非自主替代方案，未来核心挑战在于专利制度如何治理这一转型过程。
三、主要关键技术方法
研究人员采用系统性文献综述方法，遵循PRISMA 2020指南，选取Scopus和Web of Science作为主要数据库以确保计算机科学、工程、法律和管理学科的全面覆盖。检索策略以“Large Language Model”“LLM”“Generative AI”“Transformer Model”“BERT”“GPT”“Llama”等技术术语与“Patent”“Intellectual Property”“Prior Art”“Invention Disclosure”“Patent Claims”等领域术语的交集构建，时间范围限定为2017年以后以对齐Transformer架构的出现。初始检索获得1289篇文献，其中Scopus 892篇、Web of Science 397篇，经人工匹配作者、标题和发表年份去除112篇重复文献后，通过标题和摘要筛选及全文资格评估，最终纳入129篇研究。文献按照专利生命周期框架进行分类归纳，研究未进行正式的质量或偏倚风险评估，原因在于纳入文献高度异质，涵盖NLP基准测试、应用系统和文献计量分析等不同报告标准。
四、研究结果
4.1 创造与申请前阶段
该阶段研究（N=36）主要集中于自动专利撰写（20项研究）和创意生成（13项研究）。在创意生成与机会发现方面，Siddharth等人提出从专利描述中提取显式工程设计知识以支持RAG的方法；Park等人引入数据驱动的形态学分析框架以减少专家主观性；Liu等人论证了RAG定制框架可将模型输出与特定设计约束对齐以增强概念可行性；Kanumolul等人提出Agent Ideate多智能体框架实现从专利文本自动生成产品创意。在自动专利撰写方面，Lee等人通过微调GPT-2建立独立权利要求生成的早期基线，随后引入强化学习以生成具有更高语义新颖性的权利要求；Wang等人提出Patentformer方法，通过综合权利要求和附图描述的信息生成完整专利说明书；Mawaldi等人提出AWACopilot本地部署方案以解决律师事务所的数据泄露风险。在多模态撰写与翻译方面，Shukla等人提出PatentLMM多模态模型以生成专利附图的详细描述；WMT 2024共享翻译任务证实微调后的LLMs在日英和中日专利翻译任务中已超越传统神经机器翻译系统。该阶段研究主要依赖n-gram指标（ROUGE、BLEU）评估，与法律有效性相关性较差，且少有研究纳入合格律师的“人在环路”评估。
4.2 审查与专利审查阶段
该阶段研究（N=34）主要集中在现有技术检索（21项研究）。Jin等人针对中文专利检索优化了基于关键词的要素提取；Ding等人提出结合向量检索与RAG的自动化系统，显著提升语义相关性召回率；Lee等人提出PAI-NET将现有技术关系信息直接纳入检索网络；Xiong等人引入MemGraph激活LLM的参数记忆以遍历记忆图扩展查询；Prasad等人提出JURISMIND上下文驱动检索系统以减少法律问答中的幻觉。在新颖性与范围评估方面，Ikoma等人构建模拟审查过程的基准数据集，发现生成模型在生成新颖性驳回解释方面优于分类模型；Zheng等人提出TCLMA多智能体框架，利用二维对比学习增强科学新颖性评估并显著降低幻觉率；Ragot提出以语言模型概率的倒数衡量权利要求范围的数学框架；Herzberg利用生成式AI评估5G专利的标准必要性。在审查意见答复方面，Kawano等人开发ClaimBrush框架，构建审查前后权利要求配对数据集并采用偏好优化技术对齐模型输出与审查员修订模式；Chu等人提出LE-PARIS系统，通过混合推荐机制建议答复策略并利用LLM构建法律论证，纵向验证显示该系统在审查过程中显著提升了律师表现。
4.3 授权后管理阶段
该阶段构成最大的研究领域（N=60），主要由提取、预测与专利图景分析驱动（31项研究）。在分类与分类体系方面，多项研究利用Transformer架构改进专利分类性能，嵌入检索方法在分类和技术融合任务中显著优于关键词基线。在诉讼、侵权与检测方面，Trappey等人利用多模态方法进行侵权分析，Xiao等人构建专利摘要检测数据集以区分AI生成与人类撰写文本。在提取、预测与专利图景分析方面，Ai等人利用LLM从非结构化文本中提取结构化数据；Kosonocky等人利用LLM从专利文献中提取化学反应数据集；Maghsoudi等人利用多智能体系统实现技术路线图绘制。该阶段研究分布表明，虽然LLMs正在整个专利生命周期中得到探索，但多数实证研究集中于从现有专利数据库中提取价值，这可能反映了分析型应用风险较低以及历史专利数据更易获取用于模型训练和验证的现实。
五、讨论与结论
讨论部分指出，专利数据在结构上与其他技术文献存在根本差异，其法律术语与技术规范相结合、相关信息分散于权利要求、详细描述和附图等异构组件中，形成了显著的“长上下文”挑战——标准专利描述常超过11,000个token，复杂情况下可达180,000个token。领域特定的建模挑战促使专利AI系统越来越多地结合长上下文处理、锚定生成（如RAG）和多模态建模。综述还指出，2024年以来研究从探索性单任务研究转向应用型多组件系统，体现了从“LLM能否执行某任务”向“如何使基于LLM的系统足够可靠以支持运营部署”的研究问题转变。在治理层面，研究强调LLMs应定位为需要人类监督的辅助工具而非自主替代方案，幻觉风险、决策不透明性以及领域特定评估指标的缺乏仍是广泛采用的主要障碍。研究结论指出，专利系统面临的核心挑战已从技术可行性转向治理框架的构建，如何规范AI生成专利内容的创作、审查与使用，将成为未来专利信息管理战略整合的关键议题。
