1. 十年专利撰写者的真实处境AI到底动了谁的蛋糕干了十年专利撰写我自认为什么大风大浪都见过。从最早手写权利要求书、用U盘拷给代理机构到后来各种辅助工具满天飞我始终觉得这行的核心壁垒在于“理解技术方案的本质”和“把法律语言和技术语言揉在一起”的能力。直到去年年底一个做机械结构的朋友把一份AI生成的权利要求书草稿甩到我面前说“你看看这个能不能用”我才第一次感觉到后背发凉。那份草稿的结构完整度、技术特征拆分的颗粒度、甚至从属权利要求的引用关系都达到了一个初级专利工程师的水平。当然它有很多问题——保护范围过宽、功能性限定滥用、缺少必要的技术效果支撑——但你要知道一个刚入行的新人写出来的东西问题可能比这还多。那一刻我意识到AI不是在跟我抢饭碗它是在重新定义这个行业的入门门槛。这篇文章不是要贩卖焦虑也不是要鼓吹AI万能。我想以一个写了十年专利的从业者视角把这件事掰开揉碎了讲清楚AI在专利撰写这个领域到底能做什么、不能做什么、它的底层逻辑是什么、我们该怎么用它而不是被它替代。如果你也是专利代理人、企业IPR、或者技术研发人员正在纠结要不要把AI引入自己的工作流那这篇内容应该能帮你省下不少试错时间。先说结论AI不会让专利撰写者失业但会让“只会套模板、只会做格式搬运”的那部分工作彻底消失。这既是威胁也是机会关键在于你把自己定位在哪个环节。2. AI生成权利要求的底层逻辑它到底在“想”什么2.1 从Transformer到权利要求树技术方案是怎么被拆解的要理解AI为什么能写出看起来像模像样的权利要求书得先搞明白它背后的工作机制。目前主流的AI专利辅助工具底层大多是基于Transformer架构的大语言模型经过大量专利文献的预训练和特定任务的微调。当你把一份技术交底书输入进去它做的事情本质上是一个“序列到序列”的映射把技术描述文本映射成符合专利格式的法律文本。具体来说它会先做一轮“技术特征抽取”。比如你输入“一种带自锁功能的折叠机构包括铰链、锁止销和弹簧”模型会识别出“铰链”“锁止销”“弹簧”是核心零部件“自锁功能”是功能限定“折叠机构”是主体。然后它会按照专利撰写的惯例把这些特征组织成“独立权利要求从属权利要求”的树状结构。独立权利要求写必要技术特征从属权利要求逐层添加附加特征。这个过程听起来简单但难点在于“必要技术特征”的判断。什么是必要技术特征就是解决技术问题不可或缺的那些特征。AI的判断依据是训练数据中的统计规律——它见过大量类似的技术方案知道“铰链”和“锁止销”通常要一起出现才能实现自锁所以它会默认把这两个都写进独立权利要求。但它不一定能理解“为什么这个弹簧的刚度系数是必要的”或者“为什么这个销钉的倾斜角度会影响锁止效果”。这就是AI和人类撰写者的第一个分水岭AI擅长模式匹配人类擅长因果推理。2.2 训练数据决定了AI的“专利直觉”我后来专门花时间研究了一下几个主流工具的训练数据构成。大部分工具用的是公开的专利全文数据包括中国、美国、欧洲、日本的专利文献总量在亿级。这些数据里权利要求书的写法有很强的规律性独立权利要求通常用“其特征在于”作为分界从属权利要求用“根据权利要求X所述的...其特征在于...”的句式。AI把这些句式学得非常到位所以生成的文本读起来很“像”专利。但问题也出在这里。训练数据里的专利质量参差不齐有大量“垃圾专利”——保护范围极窄、技术方案毫无创新性、权利要求书写得乱七八糟。AI不分好坏地学习导致它生成的内容有时候会“向下对齐”把一些不好的撰写习惯也学过来了。比如我见过AI生成的从属权利要求里出现“所述弹簧为金属材质”这种毫无附加价值的限定这就是典型的从低质量数据里学来的坏毛病。还有一个更隐蔽的问题AI对“技术领域”的敏感度不够。专利撰写有一个基本原则叫“领域适应性”就是说权利要求的措辞要符合所属技术领域的惯用表达。机械领域说“固定连接”电子领域说“电连接”化学领域说“混合”“反应”。AI有时候会串台在机械方案里写出“信号耦合”这种电子领域的词。这不是它笨而是它的注意力机制在跨领域数据上出现了混淆。2.3 创造性判断AI目前跨不过去的坎如果说技术特征抽取和格式组织是AI的强项那创造性判断就是它目前最大的短板。专利法对创造性的要求是“与现有技术相比具有突出的实质性特点和显著的进步”这个判断需要三个维度的信息本申请的技术方案、最接近的现有技术、以及两者之间的区别特征所带来的技术效果。AI能拿到本申请的技术方案也能检索到现有技术文献但它很难准确判断“区别特征是否非显而易见”。举个例子假设现有技术是一个用螺丝固定的折叠机构你的方案是把螺丝换成卡扣。AI可能会认为“螺丝和卡扣都是常规固定方式替换是显而易见的”从而给出创造性不足的结论。但实际上如果这个卡扣是特殊设计的、能实现快速拆装且不影响折叠精度那它就可能具备创造性。这种“替换是否带来预料不到的技术效果”的判断需要深度理解技术方案的细节和行业背景AI目前做不到。我在实际使用中发现AI给出的创造性分析往往过于保守倾向于否定。这跟它的训练目标有关——模型被训练成“避免错误”而不是“敢于判断”。所以在创造性这个环节AI的输出只能作为参考不能作为依据。3. 我的实测流程把AI塞进专利撰写工作流的四个环节3.1 技术交底书的预处理让AI先做一轮“阅读理解”我现在拿到一份技术交底书第一件事不是自己读而是先扔给AI做预处理。具体操作是把交底书全文输入模型让它输出一份结构化的技术特征清单包括核心零部件、连接关系、功能描述、技术效果。这个步骤大概能帮我省掉30%的阅读时间尤其是面对那些写得乱七八糟的交底书——研发人员经常把技术方案、实验数据、市场分析混在一起写AI能帮我快速把技术部分拎出来。但这里有个坑AI会“脑补”一些交底书里没有的特征。比如交底书只写了“弹簧”AI可能会在输出里写成“螺旋弹簧”或者“压缩弹簧”因为它在训练数据里见到的弹簧大多是这两种。如果你不仔细核对直接拿AI的输出当依据就会在权利要求里引入交底书没支持的特征导致后续审查出现问题。我的做法是AI的输出必须逐条跟原文核对凡是原文没有明确记载的一律删掉或者标注“待确认”。3.2 权利要求草稿的生成提示词怎么写才管用让AI生成权利要求草稿提示词的设计非常关键。我试过几十种写法最后总结出一个比较稳定的模板。核心思路是不要只给技术方案还要给“约束条件”。比如请根据以下技术交底书撰写一份发明专利的权利要求书草稿。 要求 1. 独立权利要求包含解决技术问题的必要技术特征前序部分写明主题名称特征部分用“其特征在于”引出。 2. 从属权利要求不少于8项逐层限定引用关系清晰。 3. 避免使用“功能性限定”除非无法用结构特征描述。 4. 所有技术术语必须与交底书原文一致不得自行替换或补充。 5. 技术效果描述放在说明书部分权利要求中不出现效果性语言。 技术交底书内容[粘贴全文]这个模板里“不得自行替换或补充”和“避免功能性限定”这两条是最重要的。前者防止AI脑补后者防止它写出“所述机构用于实现自锁”这种保护范围模糊的限定。实测下来加了这两条约束之后草稿的可用性从大概40%提升到了70%左右。3.3 审查意见通知书的答复辅助AI最被低估的用法很多人只把AI用在撰写环节但我发现它在答复审查意见时更有价值。审查意见通知书通常包含审查员的对比文件分析和创造性否定理由这些文本有很强的结构性。我把通知书和对比文件一起输入AI让它做三件事第一提取审查员的核心论点第二找出对比文件与本申请的差异点第三生成答复思路的框架。这个用法帮我省了大量时间。以前答复一份审查意见光读对比文件就要一两个小时现在AI能在几分钟内给我一个差异点清单我只需要核实和补充。但要注意AI生成的答复思路不能直接抄因为审查员对“技术启示”的判断往往有特定的逻辑链条AI不一定能抓住。我的做法是把AI的输出当作“检查清单”确保我没有遗漏任何可能的争辩角度。3.4 格式审查与形式检查交给AI做最稳妥专利撰写里有一大类工作是纯格式性的权利要求引用关系是否正确、说明书段落编号是否连续、附图标记是否一致、摘要字数是否超标。这些工作不需要创造性但极其耗时且容易出错。我现在全部交给AI做写一个简单的检查脚本把权利要求书和说明书一起输入让它逐项核对。实测下来AI在格式检查上的准确率比人工高。人眼盯着屏幕看半小时就会疲劳漏掉一两个引用错误很正常。AI不会疲劳只要提示词写清楚检查项它能把所有格式问题都揪出来。这个环节是我认为AI目前最成熟、最值得立刻引入的应用场景。4. 那些AI写不出来的东西专利撰写者的真正护城河4.1 技术方案的理解深度从“是什么”到“为什么”AI能告诉你一个技术方案“是什么”但它很难理解“为什么”。我举个例子。有一次我写一个关于“可变阻尼铰链”的专利技术交底书里写了阻尼系数随角度变化的曲线。AI生成的草稿把这个曲线写进了权利要求但它是这样写的“所述阻尼系数随铰链角度呈非线性变化”。这个限定看起来没问题但实际上保护范围极窄——因为任何非线性变化都落入了这个范围但审查员很容易找到对比文件说“非线性变化是常规选择”。我后来改成了“所述阻尼系数在铰链从0度转动至90度的过程中先增大后减小且在45度附近达到最大值”。这个限定就具体多了而且我解释了为什么是45度——因为在这个角度铰链承受的力矩最大需要更大的阻尼来防止快速下落。这个“为什么”是AI写不出来的因为它需要理解力学原理和实际使用场景。4.2 保护范围的战略布局专利是商业工具不是技术文档写了十年专利我越来越觉得专利本质上是一个商业工具。权利要求写多宽、写多窄从属权利要求怎么布局哪些特征放在独立权利要求里、哪些放在从属里这些决策背后是商业策略不是技术逻辑。AI不懂商业。它不知道你的竞争对手是谁、你的产品路线图是什么、你打算用这个专利去交叉授权还是去起诉侵权。它只能根据技术方案本身来生成权利要求但无法判断“这个特征写进独立权利要求会不会导致保护范围过窄从而让竞争对手轻易绕开”。这种战略判断需要人类撰写者跟发明人、企业IPR反复沟通才能做出AI目前完全无法参与。4.3 与发明人的沟通理解“没说出来的需求”专利撰写最核心的能力其实是沟通。发明人给你的技术交底书往往是不完整的他可能觉得某些细节“太简单了不用写”或者“这是我们的核心机密不能写”。你需要通过提问把真正的发明点挖出来同时判断哪些内容可以公开、哪些需要保留。AI没有这种沟通能力。它只能处理已经写下来的文本无法从发明人的只言片语中捕捉隐含信息。我经常遇到的情况是发明人描述了一个方案但真正的创新点在他随口提的一句“其实我们试过另一种方式但效果不好”里面。这种信息AI拿不到只有人类撰写者通过对话才能挖掘出来。4.4 法律风险的预判审查员会怎么想专利撰写有一个很重要的能力叫“预判审查”。你在写权利要求的时候脑子里要同时模拟审查员的思路他会不会找到这个对比文件他会不会认为这个特征是公知常识他会不会发出创造性否定意见这种预判需要大量的审查案例积累和对审查指南的深入理解。AI也能做一定程度的预判但它的预判是基于统计规律的不是基于对审查逻辑的理解。它可能会告诉你“这个特征在80%的类似案例中被认为是公知常识”但它无法解释“为什么在这个特定技术领域、这个特定应用场景下审查员可能会做出不同的判断”。这种细微的差别只有经验丰富的人类撰写者才能把握。5. 从“写专利”到“管专利”AI倒逼下的能力升级路径5.1 把重复劳动交给AI把精力留给高价值环节我现在的日常工作流是这样的AI负责技术交底书的初步整理、权利要求草稿的生成、格式审查、审查意见的初步分析。我负责跟发明人沟通、确定保护策略、修改权利要求、答复审查意见的核心争辩。这样分工之后我的产出效率大概提升了40%左右但更重要的是我有更多时间去做那些真正体现专业价值的事情。这个转变其实挺痛苦的。刚开始用AI的时候我总觉得它写的东西“不对劲”忍不住要全部重写。后来我想明白了AI的草稿不是给我“用”的是给我“改”的。它的价值在于帮我跳过空白页焦虑直接进入修改状态。从零开始写一份权利要求书可能需要两小时但修改一份AI草稿可能只需要四十分钟而且质量往往更好因为AI不会漏掉格式性的东西。5.2 从“撰写者”到“审核者”角色转换的阵痛用了半年AI之后我发现自己看专利的视角变了。以前我是“写”专利现在我是“审”专利。这个转变意味着我需要更强的判断力而不是更强的写作能力。我需要快速判断AI的草稿哪里有问题、为什么有问题、怎么改。这其实对专业能力的要求更高了因为如果你自己不懂你根本看不出AI哪里写错了。我认识的一些同行用了AI之后反而退步了。因为他们直接把AI的输出交给客户自己不做审核。短期看效率很高但长期看是在透支自己的专业信誉。专利是有法律效力的文件写错了是要承担责任的。AI可以帮你写但不能帮你负责。5.3 建立自己的“提示词库”和“检查清单”这半年我最大的收获是积累了一套自己的提示词库和检查清单。提示词库针对不同类型的专利——机械结构、电子电路、软件方法、化学配方——分别优化。检查清单则覆盖了从技术特征核对到法律风险预判的各个环节。举个例子我的机械类专利检查清单里有这么几条独立权利要求是否包含所有必要技术特征从属权利要求的引用关系是否形成树状结构是否有功能性限定功能性限定是否有对应的结构支撑所有技术术语是否与交底书一致附图标记是否在说明书中都有对应描述这些检查项我每次都会过一遍确保AI的输出经过了我的专业判断。5.4 对新人入行的建议别跟AI比速度跟它比深度如果你刚入行我的建议是不要跟AI比谁写得快。你比不过的。AI一分钟能生成十份草稿你一天能写三份就不错了。你要跟它比的是深度——你能不能理解技术方案的本质你能不能判断保护范围是否合理你能不能预判审查员的思路这些才是你的核心竞争力。具体来说我建议新人把精力花在三个地方第一多读审查指南和复审无效决定理解专利审查的逻辑第二多跟发明人聊天理解技术方案的来龙去脉第三多写多改积累对不同技术领域的撰写经验。AI可以帮你处理格式和初稿但这些东西它替不了你。6. 一个具体案例AI草稿到最终授权文本的修改全过程6.1 案例背景与AI初稿的问题去年我接了一个关于“自动调节间距的仓储货架”的专利。技术方案不复杂货架的横梁上装了传感器能检测货物尺寸然后通过电机驱动横梁移动来调整间距。我把交底书输入AI生成的独立权利要求是这样的“一种自动调节间距的仓储货架包括货架本体、传感器、电机和控制器其特征在于所述传感器用于检测货物尺寸所述控制器根据传感器信号控制电机驱动横梁移动以调整间距。”这个权利要求的问题很明显第一“传感器”太宽泛压力传感器、光电传感器、视觉传感器都算但它们的检测原理和安装方式完全不同第二“根据传感器信号控制电机”是功能性限定没有说明控制逻辑第三缺少“横梁移动”与“货架本体”的结构关系描述。6.2 我的修改思路与具体操作我首先跟发明人确认了传感器的类型——是光电传感器安装在横梁侧面通过发射和接收光束来检测货物宽度。然后我确认了控制逻辑控制器比较检测到的宽度与预设宽度如果偏差超过阈值就驱动电机转动丝杠丝杠带动横梁沿导轨滑动。修改后的独立权利要求变成了“一种自动调节间距的仓储货架包括货架本体、横梁、光电传感器、电机、丝杠和控制器所述横梁可滑动地安装在货架本体上所述光电传感器安装在横梁侧面用于检测货物宽度并输出检测信号所述控制器接收检测信号并与预设宽度比较当偏差超过阈值时控制电机驱动丝杠转动丝杠带动横梁沿货架本体滑动以调整间距。”这个修改把功能性限定变成了结构动作的限定保护范围更清晰审查员也更容易理解技术方案。从属权利要求则分别限定了光电传感器的具体型号、阈值范围、丝杠的螺距等细节。6.3 审查意见的答复与最终授权审查员发来的第一次审查意见引用了两篇对比文件认为“传感器检测电机驱动调整”是常规技术手段。我答复的核心论点是对比文件中的传感器是用于检测货物是否存在不是检测尺寸对比文件中的电机是驱动传送带不是驱动横梁滑动。本申请的技术问题、技术手段和技术效果都与对比文件不同具备创造性。这个答复思路其实AI也帮我梳理了一部分——我把对比文件和本申请一起输入让它列出差异点它给出了“检测对象不同”“驱动对象不同”“应用场景不同”三个方向。我在此基础上补充了“技术问题不同”和“技术效果不同”两个维度最终审查员接受了修改后的权利要求专利顺利授权。7. 关于AI与专利撰写几个常被问到的问题7.1 AI生成的专利能直接提交吗不能。AI生成的文本存在三个层面的风险第一技术特征可能不准确AI会脑补交底书没有的内容第二保护范围可能不合理AI倾向于写宽或写窄缺乏战略考量第三法律语言可能不规范AI对专利法及其实施细则的理解停留在统计层面不能保证合规。我的做法是AI草稿必须经过人工逐字审核和修改才能提交。7.2 用AI写专利会不会导致专利被无效这个问题的核心在于“专利质量”。如果AI生成的专利存在技术特征不清楚、权利要求得不到说明书支持、修改超范围等问题那确实可能被无效。但这些问题不是AI独有的人类撰写者也会犯。关键在于你有没有做严格的审核。我个人的经验是经过人工深度修改的AI草稿质量不比纯人工写的差因为AI在格式和完整性上反而更稳定。7.3 专利代理人会被AI取代吗短期内不会长期看会分化。那些只会做格式搬运、只会套模板的代理人确实会被AI替代。但那些能理解技术本质、能做战略布局、能跟发明人深度沟通的代理人价值会更高。因为AI把低端工作自动化了高端工作的稀缺性反而更突出。我甚至觉得AI会让真正优秀的专利代理人收入更高因为他们的产出效率提升了而且能承接更复杂的案件。7.4 企业IPR该怎么用AI企业IPR的痛点跟代理机构不一样。代理机构关注撰写效率企业IPR关注的是专利组合的质量和布局。我建议企业IPR把AI用在三个地方第一做专利检索和初步分析快速了解某个技术领域的专利态势第二做交底书的初步审核判断技术方案是否完整、是否具备申请价值第三做内部培训用AI生成的案例来训练研发人员的专利意识。但最终的申请决策和战略布局还是要靠人。7.5 学习专利撰写现在应该学什么如果你现在入行我建议你把学习重点放在三个方向第一技术理解能力能快速看懂一个技术方案的核心创新点第二法律逻辑能力理解专利审查的底层逻辑能预判审查员的思路第三沟通能力能跟发明人有效对话挖掘出真正的发明点。至于格式、模板、套话这些交给AI就行了不值得花太多时间。 
长河君 · 2026/10/31 9:18:45 · 阅读 1.2k AI与专利撰写：从Transformer到权利要求树的实践与思考
1. 十年专利撰写者的真实处境AI到底动了谁的蛋糕干了十年专利撰写我自认为什么大风大浪都见过。从最早手写权利要求书、用U盘拷给代理机构到后来各种辅助工具满天飞我始终觉得这行的核心壁垒在于“理解技术方案的本质”和“把法律语言和技术语言揉在一起”的能力。直到去年年底一个做机械结构的朋友把一份AI生成的权利要求书草稿甩到我面前说“你看看这个能不能用”我才第一次感觉到后背发凉。那份草稿的结构完整度、技术特征拆分的颗粒度、甚至从属权利要求的引用关系都达到了一个初级专利工程师的水平。当然它有很多问题——保护范围过宽、功能性限定滥用、缺少必要的技术效果支撑——但你要知道一个刚入行的新人写出来的东西问题可能比这还多。那一刻我意识到AI不是在跟我抢饭碗它是在重新定义这个行业的入门门槛。这篇文章不是要贩卖焦虑也不是要鼓吹AI万能。我想以一个写了十年专利的从业者视角把这件事掰开揉碎了讲清楚AI在专利撰写这个领域到底能做什么、不能做什么、它的底层逻辑是什么、我们该怎么用它而不是被它替代。如果你也是专利代理人、企业IPR、或者技术研发人员正在纠结要不要把AI引入自己的工作流那这篇内容应该能帮你省下不少试错时间。先说结论AI不会让专利撰写者失业但会让“只会套模板、只会做格式搬运”的那部分工作彻底消失。这既是威胁也是机会关键在于你把自己定位在哪个环节。2. AI生成权利要求的底层逻辑它到底在“想”什么2.1 从Transformer到权利要求树技术方案是怎么被拆解的要理解AI为什么能写出看起来像模像样的权利要求书得先搞明白它背后的工作机制。目前主流的AI专利辅助工具底层大多是基于Transformer架构的大语言模型经过大量专利文献的预训练和特定任务的微调。当你把一份技术交底书输入进去它做的事情本质上是一个“序列到序列”的映射把技术描述文本映射成符合专利格式的法律文本。具体来说它会先做一轮“技术特征抽取”。比如你输入“一种带自锁功能的折叠机构包括铰链、锁止销和弹簧”模型会识别出“铰链”“锁止销”“弹簧”是核心零部件“自锁功能”是功能限定“折叠机构”是主体。然后它会按照专利撰写的惯例把这些特征组织成“独立权利要求从属权利要求”的树状结构。独立权利要求写必要技术特征从属权利要求逐层添加附加特征。这个过程听起来简单但难点在于“必要技术特征”的判断。什么是必要技术特征就是解决技术问题不可或缺的那些特征。AI的判断依据是训练数据中的统计规律——它见过大量类似的技术方案知道“铰链”和“锁止销”通常要一起出现才能实现自锁所以它会默认把这两个都写进独立权利要求。但它不一定能理解“为什么这个弹簧的刚度系数是必要的”或者“为什么这个销钉的倾斜角度会影响锁止效果”。这就是AI和人类撰写者的第一个分水岭AI擅长模式匹配人类擅长因果推理。2.2 训练数据决定了AI的“专利直觉”我后来专门花时间研究了一下几个主流工具的训练数据构成。大部分工具用的是公开的专利全文数据包括中国、美国、欧洲、日本的专利文献总量在亿级。这些数据里权利要求书的写法有很强的规律性独立权利要求通常用“其特征在于”作为分界从属权利要求用“根据权利要求X所述的...其特征在于...”的句式。AI把这些句式学得非常到位所以生成的文本读起来很“像”专利。但问题也出在这里。训练数据里的专利质量参差不齐有大量“垃圾专利”——保护范围极窄、技术方案毫无创新性、权利要求书写得乱七八糟。AI不分好坏地学习导致它生成的内容有时候会“向下对齐”把一些不好的撰写习惯也学过来了。比如我见过AI生成的从属权利要求里出现“所述弹簧为金属材质”这种毫无附加价值的限定这就是典型的从低质量数据里学来的坏毛病。还有一个更隐蔽的问题AI对“技术领域”的敏感度不够。专利撰写有一个基本原则叫“领域适应性”就是说权利要求的措辞要符合所属技术领域的惯用表达。机械领域说“固定连接”电子领域说“电连接”化学领域说“混合”“反应”。AI有时候会串台在机械方案里写出“信号耦合”这种电子领域的词。这不是它笨而是它的注意力机制在跨领域数据上出现了混淆。2.3 创造性判断AI目前跨不过去的坎如果说技术特征抽取和格式组织是AI的强项那创造性判断就是它目前最大的短板。专利法对创造性的要求是“与现有技术相比具有突出的实质性特点和显著的进步”这个判断需要三个维度的信息本申请的技术方案、最接近的现有技术、以及两者之间的区别特征所带来的技术效果。AI能拿到本申请的技术方案也能检索到现有技术文献但它很难准确判断“区别特征是否非显而易见”。举个例子假设现有技术是一个用螺丝固定的折叠机构你的方案是把螺丝换成卡扣。AI可能会认为“螺丝和卡扣都是常规固定方式替换是显而易见的”从而给出创造性不足的结论。但实际上如果这个卡扣是特殊设计的、能实现快速拆装且不影响折叠精度那它就可能具备创造性。这种“替换是否带来预料不到的技术效果”的判断需要深度理解技术方案的细节和行业背景AI目前做不到。我在实际使用中发现AI给出的创造性分析往往过于保守倾向于否定。这跟它的训练目标有关——模型被训练成“避免错误”而不是“敢于判断”。所以在创造性这个环节AI的输出只能作为参考不能作为依据。3. 我的实测流程把AI塞进专利撰写工作流的四个环节3.1 技术交底书的预处理让AI先做一轮“阅读理解”我现在拿到一份技术交底书第一件事不是自己读而是先扔给AI做预处理。具体操作是把交底书全文输入模型让它输出一份结构化的技术特征清单包括核心零部件、连接关系、功能描述、技术效果。这个步骤大概能帮我省掉30%的阅读时间尤其是面对那些写得乱七八糟的交底书——研发人员经常把技术方案、实验数据、市场分析混在一起写AI能帮我快速把技术部分拎出来。但这里有个坑AI会“脑补”一些交底书里没有的特征。比如交底书只写了“弹簧”AI可能会在输出里写成“螺旋弹簧”或者“压缩弹簧”因为它在训练数据里见到的弹簧大多是这两种。如果你不仔细核对直接拿AI的输出当依据就会在权利要求里引入交底书没支持的特征导致后续审查出现问题。我的做法是AI的输出必须逐条跟原文核对凡是原文没有明确记载的一律删掉或者标注“待确认”。3.2 权利要求草稿的生成提示词怎么写才管用让AI生成权利要求草稿提示词的设计非常关键。我试过几十种写法最后总结出一个比较稳定的模板。核心思路是不要只给技术方案还要给“约束条件”。比如请根据以下技术交底书撰写一份发明专利的权利要求书草稿。 要求 1. 独立权利要求包含解决技术问题的必要技术特征前序部分写明主题名称特征部分用“其特征在于”引出。 2. 从属权利要求不少于8项逐层限定引用关系清晰。 3. 避免使用“功能性限定”除非无法用结构特征描述。 4. 所有技术术语必须与交底书原文一致不得自行替换或补充。 5. 技术效果描述放在说明书部分权利要求中不出现效果性语言。 技术交底书内容[粘贴全文]这个模板里“不得自行替换或补充”和“避免功能性限定”这两条是最重要的。前者防止AI脑补后者防止它写出“所述机构用于实现自锁”这种保护范围模糊的限定。实测下来加了这两条约束之后草稿的可用性从大概40%提升到了70%左右。3.3 审查意见通知书的答复辅助AI最被低估的用法很多人只把AI用在撰写环节但我发现它在答复审查意见时更有价值。审查意见通知书通常包含审查员的对比文件分析和创造性否定理由这些文本有很强的结构性。我把通知书和对比文件一起输入AI让它做三件事第一提取审查员的核心论点第二找出对比文件与本申请的差异点第三生成答复思路的框架。这个用法帮我省了大量时间。以前答复一份审查意见光读对比文件就要一两个小时现在AI能在几分钟内给我一个差异点清单我只需要核实和补充。但要注意AI生成的答复思路不能直接抄因为审查员对“技术启示”的判断往往有特定的逻辑链条AI不一定能抓住。我的做法是把AI的输出当作“检查清单”确保我没有遗漏任何可能的争辩角度。3.4 格式审查与形式检查交给AI做最稳妥专利撰写里有一大类工作是纯格式性的权利要求引用关系是否正确、说明书段落编号是否连续、附图标记是否一致、摘要字数是否超标。这些工作不需要创造性但极其耗时且容易出错。我现在全部交给AI做写一个简单的检查脚本把权利要求书和说明书一起输入让它逐项核对。实测下来AI在格式检查上的准确率比人工高。人眼盯着屏幕看半小时就会疲劳漏掉一两个引用错误很正常。AI不会疲劳只要提示词写清楚检查项它能把所有格式问题都揪出来。这个环节是我认为AI目前最成熟、最值得立刻引入的应用场景。4. 那些AI写不出来的东西专利撰写者的真正护城河4.1 技术方案的理解深度从“是什么”到“为什么”AI能告诉你一个技术方案“是什么”但它很难理解“为什么”。我举个例子。有一次我写一个关于“可变阻尼铰链”的专利技术交底书里写了阻尼系数随角度变化的曲线。AI生成的草稿把这个曲线写进了权利要求但它是这样写的“所述阻尼系数随铰链角度呈非线性变化”。这个限定看起来没问题但实际上保护范围极窄——因为任何非线性变化都落入了这个范围但审查员很容易找到对比文件说“非线性变化是常规选择”。我后来改成了“所述阻尼系数在铰链从0度转动至90度的过程中先增大后减小且在45度附近达到最大值”。这个限定就具体多了而且我解释了为什么是45度——因为在这个角度铰链承受的力矩最大需要更大的阻尼来防止快速下落。这个“为什么”是AI写不出来的因为它需要理解力学原理和实际使用场景。4.2 保护范围的战略布局专利是商业工具不是技术文档写了十年专利我越来越觉得专利本质上是一个商业工具。权利要求写多宽、写多窄从属权利要求怎么布局哪些特征放在独立权利要求里、哪些放在从属里这些决策背后是商业策略不是技术逻辑。AI不懂商业。它不知道你的竞争对手是谁、你的产品路线图是什么、你打算用这个专利去交叉授权还是去起诉侵权。它只能根据技术方案本身来生成权利要求但无法判断“这个特征写进独立权利要求会不会导致保护范围过窄从而让竞争对手轻易绕开”。这种战略判断需要人类撰写者跟发明人、企业IPR反复沟通才能做出AI目前完全无法参与。4.3 与发明人的沟通理解“没说出来的需求”专利撰写最核心的能力其实是沟通。发明人给你的技术交底书往往是不完整的他可能觉得某些细节“太简单了不用写”或者“这是我们的核心机密不能写”。你需要通过提问把真正的发明点挖出来同时判断哪些内容可以公开、哪些需要保留。AI没有这种沟通能力。它只能处理已经写下来的文本无法从发明人的只言片语中捕捉隐含信息。我经常遇到的情况是发明人描述了一个方案但真正的创新点在他随口提的一句“其实我们试过另一种方式但效果不好”里面。这种信息AI拿不到只有人类撰写者通过对话才能挖掘出来。4.4 法律风险的预判审查员会怎么想专利撰写有一个很重要的能力叫“预判审查”。你在写权利要求的时候脑子里要同时模拟审查员的思路他会不会找到这个对比文件他会不会认为这个特征是公知常识他会不会发出创造性否定意见这种预判需要大量的审查案例积累和对审查指南的深入理解。AI也能做一定程度的预判但它的预判是基于统计规律的不是基于对审查逻辑的理解。它可能会告诉你“这个特征在80%的类似案例中被认为是公知常识”但它无法解释“为什么在这个特定技术领域、这个特定应用场景下审查员可能会做出不同的判断”。这种细微的差别只有经验丰富的人类撰写者才能把握。5. 从“写专利”到“管专利”AI倒逼下的能力升级路径5.1 把重复劳动交给AI把精力留给高价值环节我现在的日常工作流是这样的AI负责技术交底书的初步整理、权利要求草稿的生成、格式审查、审查意见的初步分析。我负责跟发明人沟通、确定保护策略、修改权利要求、答复审查意见的核心争辩。这样分工之后我的产出效率大概提升了40%左右但更重要的是我有更多时间去做那些真正体现专业价值的事情。这个转变其实挺痛苦的。刚开始用AI的时候我总觉得它写的东西“不对劲”忍不住要全部重写。后来我想明白了AI的草稿不是给我“用”的是给我“改”的。它的价值在于帮我跳过空白页焦虑直接进入修改状态。从零开始写一份权利要求书可能需要两小时但修改一份AI草稿可能只需要四十分钟而且质量往往更好因为AI不会漏掉格式性的东西。5.2 从“撰写者”到“审核者”角色转换的阵痛用了半年AI之后我发现自己看专利的视角变了。以前我是“写”专利现在我是“审”专利。这个转变意味着我需要更强的判断力而不是更强的写作能力。我需要快速判断AI的草稿哪里有问题、为什么有问题、怎么改。这其实对专业能力的要求更高了因为如果你自己不懂你根本看不出AI哪里写错了。我认识的一些同行用了AI之后反而退步了。因为他们直接把AI的输出交给客户自己不做审核。短期看效率很高但长期看是在透支自己的专业信誉。专利是有法律效力的文件写错了是要承担责任的。AI可以帮你写但不能帮你负责。5.3 建立自己的“提示词库”和“检查清单”这半年我最大的收获是积累了一套自己的提示词库和检查清单。提示词库针对不同类型的专利——机械结构、电子电路、软件方法、化学配方——分别优化。检查清单则覆盖了从技术特征核对到法律风险预判的各个环节。举个例子我的机械类专利检查清单里有这么几条独立权利要求是否包含所有必要技术特征从属权利要求的引用关系是否形成树状结构是否有功能性限定功能性限定是否有对应的结构支撑所有技术术语是否与交底书一致附图标记是否在说明书中都有对应描述这些检查项我每次都会过一遍确保AI的输出经过了我的专业判断。5.4 对新人入行的建议别跟AI比速度跟它比深度如果你刚入行我的建议是不要跟AI比谁写得快。你比不过的。AI一分钟能生成十份草稿你一天能写三份就不错了。你要跟它比的是深度——你能不能理解技术方案的本质你能不能判断保护范围是否合理你能不能预判审查员的思路这些才是你的核心竞争力。具体来说我建议新人把精力花在三个地方第一多读审查指南和复审无效决定理解专利审查的逻辑第二多跟发明人聊天理解技术方案的来龙去脉第三多写多改积累对不同技术领域的撰写经验。AI可以帮你处理格式和初稿但这些东西它替不了你。6. 一个具体案例AI草稿到最终授权文本的修改全过程6.1 案例背景与AI初稿的问题去年我接了一个关于“自动调节间距的仓储货架”的专利。技术方案不复杂货架的横梁上装了传感器能检测货物尺寸然后通过电机驱动横梁移动来调整间距。我把交底书输入AI生成的独立权利要求是这样的“一种自动调节间距的仓储货架包括货架本体、传感器、电机和控制器其特征在于所述传感器用于检测货物尺寸所述控制器根据传感器信号控制电机驱动横梁移动以调整间距。”这个权利要求的问题很明显第一“传感器”太宽泛压力传感器、光电传感器、视觉传感器都算但它们的检测原理和安装方式完全不同第二“根据传感器信号控制电机”是功能性限定没有说明控制逻辑第三缺少“横梁移动”与“货架本体”的结构关系描述。6.2 我的修改思路与具体操作我首先跟发明人确认了传感器的类型——是光电传感器安装在横梁侧面通过发射和接收光束来检测货物宽度。然后我确认了控制逻辑控制器比较检测到的宽度与预设宽度如果偏差超过阈值就驱动电机转动丝杠丝杠带动横梁沿导轨滑动。修改后的独立权利要求变成了“一种自动调节间距的仓储货架包括货架本体、横梁、光电传感器、电机、丝杠和控制器所述横梁可滑动地安装在货架本体上所述光电传感器安装在横梁侧面用于检测货物宽度并输出检测信号所述控制器接收检测信号并与预设宽度比较当偏差超过阈值时控制电机驱动丝杠转动丝杠带动横梁沿货架本体滑动以调整间距。”这个修改把功能性限定变成了结构动作的限定保护范围更清晰审查员也更容易理解技术方案。从属权利要求则分别限定了光电传感器的具体型号、阈值范围、丝杠的螺距等细节。6.3 审查意见的答复与最终授权审查员发来的第一次审查意见引用了两篇对比文件认为“传感器检测电机驱动调整”是常规技术手段。我答复的核心论点是对比文件中的传感器是用于检测货物是否存在不是检测尺寸对比文件中的电机是驱动传送带不是驱动横梁滑动。本申请的技术问题、技术手段和技术效果都与对比文件不同具备创造性。这个答复思路其实AI也帮我梳理了一部分——我把对比文件和本申请一起输入让它列出差异点它给出了“检测对象不同”“驱动对象不同”“应用场景不同”三个方向。我在此基础上补充了“技术问题不同”和“技术效果不同”两个维度最终审查员接受了修改后的权利要求专利顺利授权。7. 关于AI与专利撰写几个常被问到的问题7.1 AI生成的专利能直接提交吗不能。AI生成的文本存在三个层面的风险第一技术特征可能不准确AI会脑补交底书没有的内容第二保护范围可能不合理AI倾向于写宽或写窄缺乏战略考量第三法律语言可能不规范AI对专利法及其实施细则的理解停留在统计层面不能保证合规。我的做法是AI草稿必须经过人工逐字审核和修改才能提交。7.2 用AI写专利会不会导致专利被无效这个问题的核心在于“专利质量”。如果AI生成的专利存在技术特征不清楚、权利要求得不到说明书支持、修改超范围等问题那确实可能被无效。但这些问题不是AI独有的人类撰写者也会犯。关键在于你有没有做严格的审核。我个人的经验是经过人工深度修改的AI草稿质量不比纯人工写的差因为AI在格式和完整性上反而更稳定。7.3 专利代理人会被AI取代吗短期内不会长期看会分化。那些只会做格式搬运、只会套模板的代理人确实会被AI替代。但那些能理解技术本质、能做战略布局、能跟发明人深度沟通的代理人价值会更高。因为AI把低端工作自动化了高端工作的稀缺性反而更突出。我甚至觉得AI会让真正优秀的专利代理人收入更高因为他们的产出效率提升了而且能承接更复杂的案件。7.4 企业IPR该怎么用AI企业IPR的痛点跟代理机构不一样。代理机构关注撰写效率企业IPR关注的是专利组合的质量和布局。我建议企业IPR把AI用在三个地方第一做专利检索和初步分析快速了解某个技术领域的专利态势第二做交底书的初步审核判断技术方案是否完整、是否具备申请价值第三做内部培训用AI生成的案例来训练研发人员的专利意识。但最终的申请决策和战略布局还是要靠人。7.5 学习专利撰写现在应该学什么如果你现在入行我建议你把学习重点放在三个方向第一技术理解能力能快速看懂一个技术方案的核心创新点第二法律逻辑能力理解专利审查的底层逻辑能预判审查员的思路第三沟通能力能跟发明人有效对话挖掘出真正的发明点。至于格式、模板、套话这些交给AI就行了不值得花太多时间。