“科研”

ZJUSOM

在知識(shí)經(jīng)濟(jì)快速發(fā)展的今天，專利既是技術(shù)創(chuàng)新的重要載體，也是市場(chǎng)競(jìng)爭(zhēng)的關(guān)鍵籌碼。無(wú)論是研發(fā)布局、投資決策，還是技術(shù)交易轉(zhuǎn)化，都離不開(kāi)對(duì)專利價(jià)值的合理判斷。然而，專利價(jià)值評(píng)估如何兼顧實(shí)時(shí)性、可解釋性、準(zhǔn)確性與自動(dòng)化，一直是困擾學(xué)術(shù)界和產(chǎn)業(yè)界的“最后一公里”落地難題。傳統(tǒng)方法要么依賴滯后的引用數(shù)據(jù)，要么依賴主觀的人工判斷，難以穿透專利“技術(shù)—法律”雙重黑箱，更無(wú)法滿足當(dāng)下創(chuàng)新決策對(duì)時(shí)效性與透明度的需求。

圖片來(lái)源：?千庫(kù)網(wǎng)

針對(duì)這一難題，浙江大學(xué)管理學(xué)院副教授劉景江與合作者，在信息科學(xué)與計(jì)算機(jī)科學(xué)領(lǐng)域高水平期刊Information Processing and Management發(fā)表論文“ERA: Aligning semantic models with revealed economic preference for real-time and explainable patent valuation”。他們構(gòu)建多模態(tài)數(shù)據(jù)、開(kāi)展人工智能技術(shù)實(shí)驗(yàn)，創(chuàng)新性地提出了“經(jīng)濟(jì)推理對(duì)齊理論與架構(gòu)”(ERA，Economic-Reasoning Alignment)，并驗(yàn)證了其在復(fù)雜決策場(chǎng)景下的有效性。這項(xiàng)研究不僅驗(yàn)證了AI在垂直專業(yè)領(lǐng)域深度適配的可行性，也為專利資產(chǎn)價(jià)值的數(shù)字化、智能化評(píng)估提供了高效的全新決策支持系統(tǒng)。

本期【科研】專題，我們一起走進(jìn)這項(xiàng)研究，看看他們?nèi)绾?strong>讓大模型學(xué)會(huì)“經(jīng)濟(jì)推理”，從而破解專利估值難題。

學(xué)者簡(jiǎn)介

劉景江，浙江大學(xué)管理學(xué)院副教授。主要研究方向：技術(shù)創(chuàng)新與創(chuàng)業(yè)管理、戰(zhàn)略科技人力資源管理、人工智能技術(shù)在管理研究與產(chǎn)業(yè)創(chuàng)新中的應(yīng)用（機(jī)器學(xué)習(xí)、人-機(jī)-場(chǎng)景交互智能、群智適配創(chuàng)新）。

*澳大利亞麥考瑞大學(xué)Yongmin Yoo、澳大利亞悉尼科技大學(xué)Seungwoo Kim同為論文作者。

專利估值為何“難”？

專利作為典型的無(wú)形資產(chǎn)，其價(jià)值評(píng)估的難度遠(yuǎn)超有形資產(chǎn)。長(zhǎng)期以來(lái)，學(xué)術(shù)界與產(chǎn)業(yè)界都在探索可靠的估值方法，但始終面臨兩大核心瓶頸。

一是信息不對(duì)稱與技術(shù)文本的“黑箱”特性。專利文本是高度專業(yè)化的“技術(shù)—法律”混合文本，充斥著專業(yè)術(shù)語(yǔ)與法律表述。外部評(píng)估者、投資者甚至企業(yè)管理者，都難以快速理解一項(xiàng)專利的核心技術(shù)價(jià)值與市場(chǎng)潛力。這種信息壁壘直接導(dǎo)致技術(shù)市場(chǎng)交易效率低下：高價(jià)值專利容易被埋沒(méi)，低價(jià)值專利卻可能占用大量資源，形成“劣幣驅(qū)逐良幣”的現(xiàn)象。

圖片來(lái)源：?千庫(kù)網(wǎng)

二是傳統(tǒng)指標(biāo)嚴(yán)重滯后，無(wú)法支撐實(shí)時(shí)決策?，F(xiàn)有專利價(jià)值評(píng)估高度依賴引用數(shù)據(jù)、專利家族規(guī)模等文獻(xiàn)計(jì)量指標(biāo)。然而，這些指標(biāo)存在明顯的時(shí)間滯后性——一項(xiàng)專利往往需要數(shù)年才能積累足夠的引用數(shù)據(jù)，這種“向后看”的特性使之無(wú)法在專利申請(qǐng)、布局、投資決策等關(guān)鍵節(jié)點(diǎn)提供實(shí)時(shí)判斷。同時(shí)，傳統(tǒng)方法多為“黑箱模型”，只能給出估值結(jié)果，卻無(wú)法解釋“為何這項(xiàng)專利有價(jià)值”，缺乏決策可信度。

簡(jiǎn)單來(lái)說(shuō)，傳統(tǒng)專利估值要么滯后，跟不上創(chuàng)新節(jié)奏；要么不透明，無(wú)法讓人信服。面對(duì)全球科技競(jìng)爭(zhēng)白熱化、知識(shí)產(chǎn)權(quán)布局日趨激烈的新形勢(shì)，構(gòu)建一套實(shí)時(shí)、精準(zhǔn)、可解釋、可規(guī)模化的全新估值體系，有助于打通專利技術(shù)文本與市場(chǎng)價(jià)值之間的壁壘。

他們提出并驗(yàn)證ERA框架，用大模型賦能專利估值

面對(duì)這一難題，研究團(tuán)隊(duì)跳出傳統(tǒng)思路，首次將經(jīng)濟(jì)顯示偏好理論與大語(yǔ)言模型語(yǔ)義推理深度融合，提出ERA框架——通過(guò)指令微調(diào)實(shí)現(xiàn)經(jīng)濟(jì)推理對(duì)齊，讓大模型真正“讀懂”專利技術(shù)內(nèi)涵，同時(shí)“看懂”市場(chǎng)真實(shí)價(jià)值信號(hào)，完成從“文本理解”到“價(jià)值推理”的跨越。

圖片來(lái)源：論文原文

具體而言，團(tuán)隊(duì)創(chuàng)新性地用專利續(xù)費(fèi)行為代表“顯示性經(jīng)濟(jì)偏好”：專利權(quán)人每年需要支付逐年遞增的專利維持費(fèi)用，本質(zhì)是用真金白銀為專利價(jià)值“投票”，直接反映了專利的價(jià)值與市場(chǎng)認(rèn)可度。與滯后、易受操縱的引用數(shù)據(jù)相比，專利續(xù)費(fèi)行為是實(shí)時(shí)、客觀、無(wú)噪音的價(jià)值信號(hào)，能夠有效解決傳統(tǒng)估值缺乏可靠監(jiān)督信號(hào)的痛點(diǎn)。

進(jìn)一步地，ERA框架構(gòu)建了一套完整的“經(jīng)濟(jì)語(yǔ)義對(duì)齊”機(jī)制，分為三大核心環(huán)節(jié)，實(shí)現(xiàn)大模型從通用語(yǔ)言能力到專利估值專業(yè)能力的精準(zhǔn)適配：

第一步是經(jīng)濟(jì)思維鏈（Economic Chain-of-Thought）逆向構(gòu)建。研究團(tuán)隊(duì)設(shè)計(jì)了四步專利價(jià)值推理范式，讓模型按照技術(shù)識(shí)別—市場(chǎng)應(yīng)用分析—法律保護(hù)范圍解讀—價(jià)值綜合評(píng)估的邏輯展開(kāi)推理，模擬知識(shí)產(chǎn)權(quán)專家的專業(yè)評(píng)估思路，避免大模型“幻覺(jué)”與主觀偏差。同時(shí)，利用大模型作為“教師模型”，基于1萬(wàn)件歐洲專利局真實(shí)續(xù)費(fèi)數(shù)據(jù)，逆向生成高質(zhì)量經(jīng)濟(jì)推理樣本，構(gòu)建專業(yè)的專利估值推理數(shù)據(jù)集。為保證實(shí)驗(yàn)的科學(xué)性，團(tuán)隊(duì)還設(shè)計(jì)了“領(lǐng)域—價(jià)值”交叉分層抽樣協(xié)議，確保技術(shù)領(lǐng)域與價(jià)值等級(jí)的平衡分布，有效消除了傳統(tǒng)抽樣中常見(jiàn)的偏差。

圖片來(lái)源：?千庫(kù)網(wǎng)

第二步是參數(shù)高效指令微調(diào)。團(tuán)隊(duì)采用低秩適配（LoRA）技術(shù)，僅微調(diào)不到0.1%的大模型參數(shù)，在保留模型通用語(yǔ)言能力的同時(shí)，快速注入專利估值領(lǐng)域的經(jīng)濟(jì)邏輯與專業(yè)知識(shí)，實(shí)現(xiàn)輕量化、低成本的領(lǐng)域適配，讓普通硬件也能支撐高效推理。

第三步是可解釋估值生成。與傳統(tǒng)“黑箱”模型不同，ERA框架不僅輸出專利價(jià)值等級(jí)（高/中/低），還同步生成完整的經(jīng)濟(jì)推理依據(jù)，清晰說(shuō)明“這項(xiàng)專利技術(shù)優(yōu)勢(shì)是什么、市場(chǎng)潛力有多大、法律保護(hù)有多強(qiáng)、為何值這個(gè)價(jià)”，實(shí)現(xiàn)估值過(guò)程全透明、可追溯、可驗(yàn)證。

簡(jiǎn)單來(lái)說(shuō)，ERA框架就像一位永不疲倦、精準(zhǔn)客觀的知識(shí)產(chǎn)權(quán)資深分析師，既能快速吃透專利的技術(shù)與法律細(xì)節(jié)，又能錨定市場(chǎng)真實(shí)價(jià)值信號(hào)，給出實(shí)時(shí)、可信、帶完整推理過(guò)程的估值結(jié)果，解決傳統(tǒng)方法的滯后性、主觀性與不透明性。

研究意義：ERA的三重價(jià)值

在這項(xiàng)研究中，劉景江團(tuán)隊(duì)首次提出了“經(jīng)濟(jì)推理對(duì)齊”理論與架構(gòu)（ERA），并驗(yàn)證了其在專利價(jià)值評(píng)估這一復(fù)雜決策場(chǎng)景中的有效性，為專利資產(chǎn)的實(shí)時(shí)、可解釋、準(zhǔn)確、自動(dòng)化評(píng)估建立了新范式。

在理論層面，這項(xiàng)研究提出了全新的“經(jīng)濟(jì)語(yǔ)義對(duì)齊范式”，架起了經(jīng)濟(jì)現(xiàn)實(shí)與人工智能語(yǔ)義推理之間的橋梁。其一，研究引入了“顯性經(jīng)濟(jì)偏好”（即專利續(xù)費(fèi)行為）作為人工智能領(lǐng)域自適應(yīng)的全新監(jiān)督基準(zhǔn)。其二，研究定義了“經(jīng)濟(jì)思維鏈”機(jī)制，超越了傳統(tǒng)的“輸入—輸出”黑箱模型，將生成式人工智能的應(yīng)用從簡(jiǎn)單的文本摘要擴(kuò)展到經(jīng)濟(jì)語(yǔ)境下的生成式推理。其三，研究為企業(yè)實(shí)現(xiàn)AI驅(qū)動(dòng)的場(chǎng)景適配創(chuàng)新提供了可計(jì)算的理論路徑。

圖片來(lái)源：?千庫(kù)網(wǎng)

在方法層面，研究團(tuán)隊(duì)開(kāi)發(fā)了一套嚴(yán)謹(jǐn)且可復(fù)用的技術(shù)方案。首先，設(shè)計(jì)了基于固定配額的“領(lǐng)域—價(jià)值”交叉分層隨機(jī)抽樣協(xié)議，確保技術(shù)領(lǐng)域與價(jià)值等級(jí)之間的平衡分布，有效消除了傳統(tǒng)抽樣中常見(jiàn)的偏差，使數(shù)據(jù)集天然適配少樣本學(xué)習(xí)評(píng)測(cè)。特別是，將單元格配額設(shè)為5或10的倍數(shù)以確保8:1:1劃分呈精確整數(shù)，消除梯度優(yōu)化中的“舍入偏差”，保障訓(xùn)練數(shù)值穩(wěn)定，同時(shí)直接契合大模型前沿的N-shot評(píng)測(cè)協(xié)議，使數(shù)據(jù)集能跨架構(gòu)公平評(píng)估各量級(jí)模型在極低資源下的泛化能力與語(yǔ)義捕捉精度。其次，提出了參數(shù)高效微調(diào)與領(lǐng)域特定指令協(xié)同優(yōu)化的混合訓(xùn)練策略，既避免了過(guò)擬合，又大幅降低了計(jì)算成本。再者，通過(guò)消融實(shí)驗(yàn)等結(jié)構(gòu)化設(shè)計(jì)，實(shí)證證明了“經(jīng)濟(jì)思維鏈”是模型性能提升的因果驅(qū)動(dòng)因素，而非表面特征記憶。最后，研究驗(yàn)證了該方法在不同技術(shù)領(lǐng)域（跨IPC分類）的強(qiáng)大泛化能力，能有效應(yīng)對(duì)小眾技術(shù)領(lǐng)域的數(shù)據(jù)稀缺問(wèn)題。

在實(shí)踐層面，ERA框架為研發(fā)策略制定者、專利律師和風(fēng)險(xiǎn)投資者提供了一個(gè)可直接應(yīng)用的決策支持系統(tǒng)。一方面，它實(shí)現(xiàn)了真正的實(shí)時(shí)評(píng)估——專利公開(kāi)即可估值，無(wú)需等待數(shù)年積累引文數(shù)據(jù)，幫助企業(yè)快速識(shí)別高價(jià)值專利與低效資產(chǎn)，優(yōu)化研發(fā)資源配置。另一方面，ERA生成的顯式推理鏈為人類專家提供了“認(rèn)知支架”，形成了“AI提案+專家驗(yàn)證”的高信任協(xié)作模式：AI負(fù)責(zé)高吞吐量篩選并輸出透明推理，專家只需快速審查邏輯合理性，無(wú)需從頭閱讀冗長(zhǎng)晦澀的原始文本。這種模式將AI的計(jì)算能力與人類的戰(zhàn)略直覺(jué)相結(jié)合，最大限度地降低了深度學(xué)習(xí)黑箱帶來(lái)的決策風(fēng)險(xiǎn)。

圖片來(lái)源：?千庫(kù)網(wǎng)

專利價(jià)值的精準(zhǔn)度量，是激活創(chuàng)新活力、優(yōu)化資源配置、推動(dòng)科技進(jìn)步的關(guān)鍵一環(huán)。從百年前的傳統(tǒng)評(píng)估方法，到如今的大模型智能估值，專利估值領(lǐng)域的每一次進(jìn)步，都在降低創(chuàng)新的不確定性，讓真正有價(jià)值的技術(shù)被發(fā)現(xiàn)、被保護(hù)、被轉(zhuǎn)化。

劉景江團(tuán)隊(duì)的研究，不僅彰顯了浙大管院在創(chuàng)新管理、數(shù)字經(jīng)濟(jì)與AI交叉研究領(lǐng)域的深耕，更為全球知識(shí)產(chǎn)權(quán)估值研究提供了“中國(guó)方案”。這項(xiàng)研究是在管理學(xué)院在人機(jī)協(xié)同及數(shù)智管理研究領(lǐng)域的又一標(biāo)志性成果。未來(lái)，學(xué)院將繼續(xù)以“學(xué)科交叉BEST戰(zhàn)略”為牽引，推動(dòng)更多扎根真實(shí)場(chǎng)景、服務(wù)產(chǎn)業(yè)創(chuàng)新的交叉研究走向縱深，讓知識(shí)創(chuàng)造真正轉(zhuǎn)化為經(jīng)濟(jì)價(jià)值與社會(huì)財(cái)富。

附：論文摘要

This study proposes the Economic Reasoning Alignment via Instruction Tuning (ERA) framework, which aligns the semantic reasoning of Large Language Models (LLMs) with revealed economic preferences to establish a new paradigm for real-time and interpretable patent valuation. We theoretically conceptualize patent renewal history as a revealed economic preference and leverage it as an objective supervisory signal to align the generative reasoning of LLMs with market realities, a process we term Eco-Semantic Alignment. Our empirical analysis of 10,000 randomly sampled European Patent Office patents across diverse domains confirms the efficacy of this approach. The ERA framework achieves superior performance across all evaluated metrics compared to the baseline models. Specifically, it surpasses the traditional Random Forest model based on TF-IDF features by 36.3% in accuracy, 33.1% in Macro-F1, and 88.1% in the Matthews Correlation Coefficient (MCC). Against the discriminative pre-trained language model Longformer, ERA exhibits gains of 11.5% in accuracy, 8.7% in Macro-F1, and 27.4% in MCC. It also exceeds the zero-shot performance of the generative LLM GPT-5-mini by 9.6% in accuracy, 8.3% in Macro-F1, and 21.5% in MCC. The ablation study confirms the criticality of the Rationale Generation module (Economic Chain-of-Thought), whose removal led to the largest performance decline, with a 6.4% relative drop in Macro-F1. Moreover, ERA demonstrates robust applicability across heterogeneous patent landscapes.

編輯 | 伍梁永

初審 | 佟慶

二審 | 劉景江

三審 | 陳超

終審 | 王恩禹