咱们的春节过完了，但是显然剩下的世界并不过春节，而且确实也没闲着。接连扔出来人工智能三个王炸：
1. OpenAI的文字生成视频，前所未有的连贯性和基本上对客观世界的重现；
2. DeepMind和Google的Gemini1.5，100万token的处理能力，直接让AI续写红楼梦成为可能；
3. Nvidia的chatwithRTX，大模型装进电脑里，就算是个能力缩水版的，但是这个的价值与意义也是一点儿不差。
上面讲的都是宏观层面，那么具体到专利行业呢？！
我们说首先作为一个细分行业，专利数据肯定也是要思考乘上这个时代的科技东风，但是具体落地的时候，那么还是要聚集场景，聚集应用本身，而且根据自身能力和宏观趋势选择有所谓有所不为，避免重复造轮子和与大厂们PK其主营业务。我们具体思考并且落地的就是这样，可以归纳为一不做，两必做，具体解析如下：
一不做就是不做大模型，所谓做一个专利领域的研发模型，我们认为纯属是吃饱了撑的或者说是为了赚眼球和骗投资！大模型越大越强，这个春节里已经有学者们从数学层面上证明了这个问题，通俗的讲，大厂的大模型就算是从来没有看过一篇专利文献，但是如果其总体的训练文献比你的专利文献多得多，那么结果就是它无论干什么也会比专门用专利文献训练的大模型更厉害！而且就专利文献这点儿数量，说真的都不够看的，所以请大家再遇到忽悠这个专利大模型概念的一定绕路走，100%棒槌+骗子！
两必做，一是做底层数学建模，二是做优化算法！
对于这个数学建模，比如什么叫做的高价值专利，我们觉得你不能整天瞎扯，而是要用数学的语言来描述它，而且如果一个指标，也就是一个维度不能描述清楚，那么我们就应该把所有有影响的指标维度都给找出来，整体来描述！其实我们已经搞定了这件事，很快就会给大家具体展示的！
二是做优化算法，大模型背后的很多基础算法，比如对于文本向量乃至图文向量的新的描述和表达，发展非常快，不要以为就是transformer了，mamba等等新的架构是在不断涌现的，我们除了学习、测试就是改进落地。说一个形象一些的例子，比如同样是一个图像编码，那么具体到人脸识别的应用层面，你可能会考虑对于五官等内容进行特别设置，这样会强化你具体表达的领域上的效果，而通用算法不会去考虑这些细节。
这个就是我们在做的算法优化，具体的实践就是检索魔方了，实话实说，我们最近用魔法进行了很多真实案例的实测检验，可以说是大案要案用魔方的话，各个都是一网打尽，口说无凭，国知局的无效案例大家人人都可以看，新颖性创造性的案子，找到那篇最接近的现有技术，大家用魔方自己去检验，看看是不是如我们所说！
做补集，做加强，而不是正面硬刚，专利数据的智能化世界就会好钢用在刀刃上，效果越来越好！除了我们自己的产品开发路线，我们也多说两句给广大知产人，我们觉得您如果今天看到这里，同时看了下面，而且带入自己思考，我们相信2024年你就是那个天选知产人，其他人也就是您的炮灰了！
都2024年了，知产人无论你是具体干什么的，我们就劝您多多利用工具，一是利用大模型，二是用我们Patentics，特别是客户端，三是学会把两者结合起来用。
对于两者的结合没概念的话，咱们说个具体的例子，就如广大审查员所做的检索而言吧，其实就是所有类型的检索现有技术，从提交查新到授权后的无效。
你如果单独用大模型，抱歉，目前没有这个功能，大模型检索专利的新创性，抱歉没有，而且以后够呛能有，真的还不是成本或者愿意不愿意，而是一些原理性问题。那么用Patentics呢，我们之前的r/，到目前也是其他厂商尝试抄袭的对象，而且还在跳着脚无效我们的r/ + B/。
但是技术线上我们其实已经往前迈了，那就是魔方，检索魔方的核心是把一个概率的东西压缩进来，也就是说让人类尽可能的看一个文献的集合就能确定目标相关文件。事实上我们的魔方已经做的非常好了，大概是能把核心的相关文献挑选到500-600篇左右，几乎能保证这里面一定有评述新颖性/创造性的那篇“最接近的现有技术”。但是呢，横竖这个算法是不能替代人类去阅读筛选的，所以阅读筛选的工作还是需要自己来做，人类来具体完成。
不过如果有人把我们的魔方和大模型结合起来，比如google的Gemini1.5，100万token轻松装下所有的魔方检索反馈出来的结果，500*2000，大模型此时就是一个人类，告诉它应该做什么，比如在500篇选定的专利文献中去寻找最接近的现有技术，并且把相关段落和文字标出来，其实你可以下命令让它找最接近的10篇，而且按照从1-10，根据最接近到相对不接近排列。你看，你们看，这就是一个完美的结合使用当前世界上工具的例子，这就把检索这件事儿给改成了一个花多少钱token运算的事情了对不对？！包月应该是19.9$，就算是按token计费也不贵。
知产人们弯道超车，超过同行的机会就在眼前，而超车的支撑就是选对工具！大模型的事情您们自己看，专利数据库，我们推荐我们自己！
