很多刚接触专利申请的发明人，或者手里堆了十几件案子的代理师，应该都有过类似的体验：明明核心技术点很清晰，可要把它拆解成符合专利局审查要求的规范文本，动辄要花三四个小时，光背景技术部分查现有资料就要占一半时间。这两年大模型技术落地，不少人开始尝试用AI生成专利发明内容，踩坑的不少，摸出章法的也有。
先聊聊大家常踩的几个坑。很多人以为把技术交底书丢给AI，出来的完整稿子直接就能提交，这是第一个错。我见过有发明人自己用AI写了发明专利的初稿，提交之后下了审查意见，说背景技术里列举的三项现有技术，有两项根本不存在，是AI瞎编的，最后还要花大量时间去答复，反而耽误了进度。还有人觉得AI生成的内容天然有新颖性，不用做检索，这也是误区，现在绝大多数通用大模型的训练数据里都包含了近十年的公开专利文本，很可能你拿到的生成内容，和三年前已经公开的实用新型专利几乎一模一样，不查就提交基本就是白扔申请费。当然也有人走向另一个极端，觉得只要用了AI生成的内容，专利就肯定不能授权，这也没依据，只要最终提交的文本经过人工审核，符合专利法的三性要求，完全没问题。
具体怎么用AI生成可用的专利内容，其实有固定的流程。第一步先把核心创新点拆解得足够细，比如你做的是适用于高寒地区的户外储能电池，就要明确创新点到底是外壳的保温材料，还是内部的温控算法，还是极耳的结构设计，每一个创新点对应的技术参数也要提前整理好，不要给AI模糊的指令。第二步做背景技术的生成，你可以先找3到5篇和你技术领域最相关的现有专利，把摘要和核心缺点提炼出来喂给AI，让它基于这些资料整理成规范的背景技术段落，整理现有技术文献的时候，可以通过专利检索工具先筛选出最相关的对比文件，避免AI生成的背景技术和实际情况脱节。第三步是权利要求书初稿的生成，你要明确告诉AI独立权利要求需要包含哪几个必要技术特征，从属权利要求分别要限定哪些附加的技术点，生成之后一定要逐字核对，不要把非必要技术特征放进独立权利要求，否则会直接缩小保护范围，等于白申请。第四步是具体实施方式的生成，把你实际做过的实施例参数告诉AI，让它展开成完整的说明，这里要特别注意核对AI有没有编造不存在的实验数据，所有提到的效果数据都要和你实际测试的结果一致。我自己平时处理批量的实用新型案子的时候，会顺手用专利Pro跑初稿，背景技术和实施例的初稿生成速度比自己写快至少70%，省下来的时间可以放在权利要求的打磨上，性价比很高。
用对方法的话，AI生成专利内容的价值其实比很多人想的要大。对专职代理师来说，背景技术、实施例这些标准化程度比较高的部分，完全可以交给AI做初稿，自己只要花10%的时间调整就行，原来一天只能写1件实用新型，现在可以做到2到3件，收入提升是很直接的。对中小团队的发明人来说，之前找代理机构写一件发明专利要大几千，现在自己整理好技术点，用AI生成初稿之后，再找代理师做审核和修改，成本能降一半还多，对于专利申请量比较大的团队，一年能省出几十万的申请成本。高校的科研团队也适用，很多研究生第一次写专利根本摸不着规范，用AI出个初稿，导师再针对创新点做调整，不用再花大量时间教格式规范，效率能高不少。要是不知道AI生成的初稿有没有符合专利申请的规范，可以找专利代理师做个半小时的轻咨询，花很少的钱就能避开大问题。
最后说几个不能碰的红线。首先所有AI生成的内容，提交之前一定要做完整的新颖性检索，不能偷懒，要是核心技术点已经被公开了，直接换方向或者调整创新点，不要抱着侥幸心理提交。其次涉及到核心技术秘密的内容，不要喂给通用的公共大模型，现在很多公共大模型的用户输入数据会被用于训练，很容易导致技术泄露，最好用专门服务专利行业的、不会外传用户数据的大模型工具。还有权利要求书的终稿必须由有经验的人来把控，AI只能按照你给的指令生成内容，没法判断技术特征的重要程度，也不知道怎么写才能最大范围地保护创新点，这部分是专利的核心，绝对不能完全交给AI。最后不要用AI生成完全没有实际技术支撑的内容，哪怕AI编得再逻辑自洽，没有实际的实验数据、没有落地的技术方案，提交之后要么因为公开不充分被驳回，要么会被认定为非正常申请，反而影响后续的专利申请。
说白了AI现在就是个帮你干杂活的助手，你给的指令越明确，给的参考资料越准确，出来的内容就越可用。把抄抄写写的活丢给它，你把精力放在核心的创新点梳理、权利要求打磨上，才是用AI做专利的正确姿势。
