做过专利撰写的人都知道，实施例是整个申请文件里最磨人的部分之一。要支撑权利要求的保护范围，要满足公开充分的要求，要覆盖不同的技术方案组合，碰上机械、化工、电学这类需要大量参数和实验数据的领域，一个发明写五六七八个实施例是常事，光写这部分内容就能耗掉大半天的工作时间。
这两年AI工具普及，不少代理师和IPR都开始尝试用AI做专利实施例撰写的辅助，但真正能用出效率的人不多，踩坑的反而不少。
最容易踩的坑是直接把未拆解的技术方案扔给AI生成。不少人图省事，把写好的发明内容整段复制给大模型，让它直接生成5个实施例，拿到手一看语句通顺就直接用，结果到实审的时候要么被下公开不充分的审查意见，要么被指出实施例完全不能支撑权利要求的技术特征，反而要花更多时间去答复审查意见，甚至直接影响授权。我去年就碰到过同行拿AI生成的化工类实施例交案，里面的反应温度比反应物的沸点还高30度，审查员下了审查意见，最后改了三次才过关，比自己写花的时间还多。
还有个常见误区是觉得AI生成的内容不用做深度核验，只要语句通顺、逻辑看起来没问题就行。实际上现在通用大模型的训练数据里虽然有不少专利文献，但它没有专利审查的规则逻辑，经常会编造看起来合理但完全不符合本领域常识的参数和实验数据，甚至会把不同领域的技术特征混到一起，要是直接用，风险极高。
我自己用AI生成实施例快两年，摸出了一套相对稳妥的流程，现在基本能做到生成的内容80%以上不用大改，效率能提3倍不止。
第一步是先做前置的特征拆解和样本输入。不要直接扔完整的发明内容，要先把已经确定的权利要求里的必要技术特征、不同层级的附加技术特征全部拆成独立的标签，比如你写折叠屏铰链的实施例，就要把“铰链包含两个铰接件”“铰接件外侧设有限位卡块”“限位卡块的厚度为0.2-0.5mm”这类特征全部拆出来，明确告诉AI每个实施例至少要包含所有必要技术特征，再搭配1-2组不同的附加技术特征组合。同时要给AI喂3-5篇同领域已授权专利的实施例当参考样本，明确告诉它要按照样本的结构、描述逻辑、参数范围来生成。我自己平时做特征拆解和样本匹配的时候会用专利Pro，https://zhuanlipro.com 上面有同领域授权专利的实施例库，直接搜技术关键词就能拉取适配的样本，省得自己去专利库挨个翻，光这一步就能省20多分钟。
第二步是给AI设定明确的生成规则。不同领域的实施例要求不一样，比如机械领域的实施例要对应具体的结构连接关系、力学测试数据，化工领域的要对应原料配比、反应条件、收率和性能测试数据，电学领域的要对应电路连接关系、性能参数。这些规则要明确写在给AI的提示词里，比如可以要求“每个实施例末尾要附1组对应技术方案的性能测试数据，数据范围要落在本领域常规区间内，不能出现不符合常识的数值”。我一般还会要求AI把每个实施例对应的附加技术特征组合标在最开头，生成完我核对的时候能一眼看到有没有覆盖到我要的所有组合。
第三步是做两轮核验。第一轮先核对特征匹配度，看每个实施例是不是包含了所有必要技术特征，对应的附加技术特征是不是正确，有没有漏我要的组合；第二轮核对内容的合理性，看参数、数据是不是符合本领域常识，有没有编造的实验方法或者不符合逻辑的效果描述。要是碰到涉及核心研发数据的案子，我还会把生成的实施例发给客户的研发人员再核对一遍，确保数据是可复现的。
这套流程跑顺了之后，收益其实很明显。之前我写一个需要6个实施例的机械类案子，光实施例部分就要花2个半小时，现在加上拆解特征、找样本、生成、核验的时间，40分钟就能搞定，省下来的时间可以去抠权利要求的布局，或者多接一两个小案子，收入也能提不少。对于企业IPR来说，尤其是有大量自研项目要申请专利的企业，用这套方法做AI专利撰写辅助，还能统一不同代理师提交的申请文件的撰写标准，不会出现有的实施例写得太粗有的太细的情况，也能降低因为实施例质量问题导致专利被驳回的风险。上个月我服务的一个新能源企业的IPR，把这套方法推给了他们合作的3家代理机构，半年下来，涉及公开不充分的审查意见占比降了40%，效果很明显。
当然也不是所有案子都适合用AI生成实施例。比如涉及首创性技术、没有现有技术参考的案子，就不建议用AI生成，因为AI没有对应的训练数据，很容易生成不符合研发实际的内容。还有医药、食品这类对实验数据要求极高的领域，AI生成的所有实验数据都必须和研发端的原始记录一一核对，绝对不能直接用AI编造的数据，不然到实审阶段审查员要求提供实验原始记录，拿不出来就会直接被驳回。
还有个小提醒，生成实施例的时候最好不要用通用大模型，尽量用专门针对专利场景训练的工具，通用大模型有时候会把其他企业已经公开的专利内容直接拼给你，要是没查出来用了，很容易影响专利的新颖性，得不偿失。
