看專利數(shù)據(jù)里的高質(zhì)量數(shù)據(jù)集建設(shè)密碼

當(dāng)下，人工智能的“燃料”夠用嗎？
國家數(shù)據(jù)局發(fā)布的《關(guān)于推進(jìn)行業(yè)高質(zhì)量數(shù)據(jù)集建設(shè)行動的實(shí)施方案》指出，行業(yè)高質(zhì)量數(shù)據(jù)集是推動“人工智能+”賦能千行百業(yè)，實(shí)現(xiàn)產(chǎn)業(yè)落地的基礎(chǔ)性、關(guān)鍵性資源。國務(wù)院《關(guān)于深入實(shí)施“人工智能+”行動的意見》將“人工智能+科學(xué)技術(shù)”列為六大重點(diǎn)行動之首。兩份文件釋放出一個(gè)信號：高質(zhì)量數(shù)據(jù)是AI賦能科學(xué)研究的關(guān)鍵基礎(chǔ)，而高質(zhì)量行業(yè)數(shù)據(jù)供給不足，成為制約產(chǎn)業(yè)落地的瓶頸。
賽智產(chǎn)業(yè)研究院人工智能研究所所長安赟指出，人工智能正在從通用對話和內(nèi)容生成向智能體、科學(xué)智能、具身智能和世界模型等方向演進(jìn)，對行業(yè)數(shù)據(jù)的專業(yè)性、結(jié)構(gòu)性、場景性和可驗(yàn)證性提出更高要求。
在眾多數(shù)據(jù)資源中，專利數(shù)據(jù)的價(jià)值長期被低估。北京八月瓜科技有限公司董事長李長青介紹，專利兼具技術(shù)屬性與法律屬性，核心在于“公開換保護(hù)”，要求發(fā)明人充分披露技術(shù)細(xì)節(jié)，比如醫(yī)藥領(lǐng)域的化合物結(jié)構(gòu)式與制備方法、新材料領(lǐng)域的組分與合成工藝、高端芯片制造領(lǐng)域的薄膜沉積與光刻技術(shù)方案等，以換取法定期限內(nèi)的獨(dú)占權(quán)。
世界知識產(chǎn)權(quán)組織2025年底發(fā)布的《世界知識產(chǎn)權(quán)指標(biāo)》報(bào)告顯示，2024年全球?qū)＠暾埩繛?72.5萬件，覆蓋大多數(shù)技術(shù)創(chuàng)新信息。
“AI可信語料核心在于來源、質(zhì)量、應(yīng)用三重可信，知識產(chǎn)權(quán)數(shù)據(jù)正是天然優(yōu)質(zhì)語料，是訓(xùn)練專業(yè)領(lǐng)域大模型最好的‘燃料’”。北京八月瓜科技有限公司聯(lián)席CEO、合伙人孫鵬說。
然而調(diào)研發(fā)現(xiàn)，大量企業(yè)尚未充分挖掘?qū)＠诖龠M(jìn)技術(shù)研發(fā)和支撐國際競爭中的巨大價(jià)值，對其在研發(fā)導(dǎo)航、風(fēng)險(xiǎn)規(guī)避及全球市場布局中的戰(zhàn)略作用認(rèn)識不足；專利文本法律術(shù)語多，研發(fā)人員閱讀困難；公共檢索平臺雖免費(fèi)開放，但難以滿足批量分析和趨勢研判的需求。
中國信息通信研究院副院長魏亮曾指出，不同單位數(shù)據(jù)集格式、標(biāo)注規(guī)范相互割裂，難以共享復(fù)用。
如何把海量專利數(shù)據(jù)變成真正可用的AI“燃料”？八月瓜科技提供了觀察樣本。這家國家級專精特新“小巨人”企業(yè)依托國家知識產(chǎn)權(quán)局全量專利數(shù)據(jù)，構(gòu)建起匯集專利、訴訟、商標(biāo)、文獻(xiàn)、工商等多類數(shù)據(jù)、總規(guī)模逾26億的數(shù)據(jù)體系。
將原始專利轉(zhuǎn)化為高質(zhì)量數(shù)據(jù)集，是一個(gè)高門檻的系統(tǒng)工程。孫鵬介紹，公司采取垂直領(lǐng)域聚焦策略，重點(diǎn)布局新材料、生物醫(yī)藥、化學(xué)化工三大行業(yè)，每個(gè)細(xì)分領(lǐng)域均配備專業(yè)團(tuán)隊(duì)深度處理。數(shù)據(jù)來源覆蓋全球178個(gè)國家和地區(qū)的超2億專利數(shù)據(jù)，標(biāo)注過程采用“機(jī)器+專家”兩級模式，確保上下文理解準(zhǔn)確，避免因誤標(biāo)導(dǎo)致模型訓(xùn)練失效。
據(jù)測算，單篇專利從原始文件到高質(zhì)量標(biāo)注數(shù)據(jù)集的全流程處理成本投入巨大，涵蓋數(shù)據(jù)清洗、去重、無效與失效專利篩除、多維度標(biāo)引、結(jié)構(gòu)化處理及知識圖譜構(gòu)建等環(huán)節(jié)。正是這種高投入構(gòu)筑了專業(yè)壁壘。
目前，八月瓜已形成“多語言專利文本平行語料庫”和“外觀專利圖文庫”兩項(xiàng)數(shù)據(jù)集成果，入選北京市行業(yè)高質(zhì)量數(shù)據(jù)集典型案例，已累計(jì)服務(wù)超10000家科技企業(yè)。
在資本決策場景中，專利數(shù)據(jù)正發(fā)揮“預(yù)警雷達(dá)”功能。李長青透露，曾有某制造企業(yè)因未做專利前置排查，產(chǎn)品投產(chǎn)后被判賠償數(shù)億元，凸顯了數(shù)據(jù)審查在決策支撐中的關(guān)鍵價(jià)值。
從技術(shù)研發(fā)到資本決策，從風(fēng)險(xiǎn)規(guī)避到競爭態(tài)勢研判，專利數(shù)據(jù)庫與智能化分析平臺正幫助企業(yè)將碎片化的專利信息轉(zhuǎn)化為可執(zhí)行的決策依據(jù)——這正是數(shù)據(jù)從“可用”走向“好用”的價(jià)值躍遷。
面對AI for Science浪潮，美國、英國、歐洲、日本等國家和地區(qū)迅速將其納入國家戰(zhàn)略，視為新一輪科技革命的核心競爭場域。全球圍繞高質(zhì)量專業(yè)數(shù)據(jù)的競爭與合作，已從算力層面延伸至數(shù)據(jù)基礎(chǔ)設(shè)施的底層布局。值得一提的是，北京正加快推動科學(xué)高質(zhì)量數(shù)據(jù)集建設(shè)，積極搶占這一戰(zhàn)略制高點(diǎn)。
李長青表示，高質(zhì)量專業(yè)數(shù)據(jù)的重要性正日益凸顯，成為AI競爭中與算力同等關(guān)鍵的要素。他透露，八月瓜下一步將打造“專利數(shù)據(jù)+期刊論文數(shù)據(jù)”融合圖譜，實(shí)現(xiàn)兩種核心科技數(shù)據(jù)的智能融合，為AI for Science提供更深層次的“燃料”支撐，深度參與國家高質(zhì)量數(shù)據(jù)集建設(shè)，推動科技數(shù)據(jù)從“可用”走向“好用”。
來源：IPRdaily綜合新華社微信公眾號、科技日報(bào)客戶端