能源女神，南洋理工大学副校长孟颖，再发Watt！
2026-10-28
4809
每个做研究的人，迟早都会遇到一个很现实的问题：下一步做什么？
我们会读最新论文、追踪同行、检索专利，希望找到一个重要、又没有被做透的方向。可当相关专利已经多到几千甚至几万件时，困难就不再是“有没有资料”，而是这些资料到底该怎么看。
专利少，是因为方向刚刚出现，还是因为技术一直过不了关？专利很多，是不是说明它已经成熟，还是大家虽然申请得热闹，却连性能数据都无法公平比较？如果只数专利数量，这些完全不同的情况，看起来都可能像一片“空白”。
Tim Greitemeier、James N. Burrow、Simon Lux、Y. Shirley Meng（孟颖）等研究人员在Watt发表的这项研究，尝试用大语言模型来解决这个问题。他们让AI阅读和整理数千个国际专利家族，再结合专利引用关系，判断一项技术究竟缺少研发活动、可比较的性能证据，还是本领域自己的知识积累。
Watt官网 · Research · DOI 10.1007/s44503-026-00018-w
论文用锌相关电池和有机电极材料做了两组案例。电池是作者用来验证方法的对象，而这项工作的重点，是建立一套可以迁移的分析框架：当人已经读不过来时，怎样让AI帮我们把庞杂的专利变成能够检查、比较和追问的证据。
它不会替研究者生成一张“最值得做的选题清单”。但它能把“这个方向似乎还有空间”，变成一组更具体的问题：哪里真的少人做？哪里只是数据没有说清楚？哪里还在借用其他领域的知识？
EDITORIAL GUIDE
READING MAP
01为什么只数专利，会看错研究机会?
02AI怎样把几千件专利读成一张地图?
03两组电池案例
04怎样把这套方法用到自己的领域?
为什么只数专利
会看错研究机会?
要理解这套方法，我们需要先知道专利能告诉我们什么，又不能告诉我们什么。
论文更多讨论机理、材料和实验结果；专利记录的，则是企业和研究机构希望保护的材料组合、器件结构、工艺路线和性能主张。它不能直接证明一项技术已经产业化，却能帮助我们观察：哪些科学设想已经进入应用布局，哪些问题开始受到产业界关注。
传统的专利地图通常从数量入手：一个方向有多少专利、增长多快、主要申请人是谁。它很适合回答“哪里最热”，却很难回答另一个更重要的问题：这里为什么热，那里又为什么冷？
假设一条路线只有几十件专利。可能是它刚刚出现，还没有多少人进入；也可能是成本、稳定性或制造难度长期无解，许多人试过以后仍然走不通。两种情况的专利都很少，但前者可能值得尽早进入，后者更需要先判断技术门槛。
因此，论文没有把“专利少”直接翻译成“研究机会”。专利数量只是入口，真正有用的信息藏在数量背后的技术内容、性能披露和知识来源里。
AI怎样把几千件专利读成一张地图?
并不是把所有专利扔给GPT，然后问一句“下一步该研究什么”。
专利文本本身非常难读。同一种材料可能有不同名称；一件发明可能同时涉及多种电解质、正极材料和性能目标；关键数据还会分散在摘要、权利要求、实施例和图表中。关键词检索能找到某个词，却未必理解它在上下文中指什么，也很难处理一件专利同时属于多个类别的情况。
研究团队先把检索范围和样本单位定清楚。
作者从Derwent Innovation Index建立专利语料库，再把同一发明在不同国家或地区提交的申请合并为一个国际专利家族（International Patent Family，IPF），避免把同一项创新在不同地区的申请重复计算。
锌相关电池最初检出4257个专利家族，排除无关结果后保留3641个；有机电极材料案例包含368个专利家族。研究覆盖的优先权年份为2000至2025年。
样本准备好以后，领域专家先根据研究问题确定分类框架，再让大语言模型逐件判断：
这件专利采用了哪类电解质、材料或电池化学？
它关注容量、循环寿命、枝晶、腐蚀，还是其他关键性能？
一件专利是否同时涉及多个材料和性能目标？
哪些性能只是被提到，哪些给出了可以提取的数值？
两组案例看的东西并不相同。
分析锌相关电池时，作者把电解质作为主轴，因为稳定窗口、腐蚀、枝晶和界面行为都与它密切相关。
分析有机电极时，他们关心的是不同电池化学采用了哪些有机结构，以及容量、循环寿命和电流密度等数据能不能放在一起比较。
也就是说，不是让一套通用标签替所有领域做判断，而是先想清楚问题，再决定让AI解读什么。
为了检查模型是否读得可靠，研究团队在两个案例中各抽取100个专利家族，由两位领域专家独立标注。专家之间的宏平均Cohen’s kappa分别为0.89 和0.88；模型总体宏平均F1分数分别达到0.81和 0.82。
在可以与关键词法直接比较的分类任务中，大语言模型的宏平均F1分别为0.82和0.85，关键词方法只有0.21和0.37。
它的优势不是更会“猜答案”，而是能够结合上下文理解技术含义，把写法各异的专利整理成可统计、可比较的信息。
第一组案例：同样是专利少，背后还缺什么?
锌相关电池常被认为适合低成本、安全的储能场景。水系电解质不可燃、离子传输条件较好，却受到析氢、析氧、腐蚀、枝晶和电压窗口的限制。非水及固态电解质可能绕开其中一部分约束，但这些路线究竟发展到哪一步，只看论文热度并不容易判断。
在2017至2025年的分析窗口中，水系电解质相关专利家族达到1883个，占该阶段样本约55%；非水或混合电解质为167个，含溶剂的混合固态电解质为261个，无液相的干态固态电解质只有57个。
只看数量，水系无疑是主流；非水和固态路线则是明显的低密度区域。到这里，我们只能知道“做的人少”，还不知道为什么少。
2017至2025年锌相关电池不同电解质路线的年度与累计专利家族数量
为了继续往下判断，作者没有急着把这些路线称为机会，而是顺着专利引用关系，查看它们从哪里吸收知识，又把知识带向哪里。
顺着引用关系，
看一项技术靠什么长大
研究团队分析了专利的后向引用和前向引用。
后向引用（Backward Citation）是当前专利引用了哪些既有专利，可以帮助判断它从哪里吸收知识。
前向引用（Forward Citation）是后来哪些专利继续引用了它，可以观察这项知识又流向了哪里。
结果显示，水系锌电池更常引用本领域已有专利，已经形成较为稳定的内部积累；非水、混合和固态路线则更依赖金属空气电池、铅酸电池、锂离子电池和钠离子电池等相邻技术。
不同电池体系与锌电池电解质路线之间的专利引用知识流
左侧为知识来源，右侧为后续知识去向
现在，“专利少”有了第二层含义：非水和固态锌电池不仅布局较少，本领域自己的知识积累也还没有完全形成。它们仍在向其他较成熟的电池体系寻找界面稳定、离子传输、枝晶控制和材料设计的经验。
这比一句“固态锌电池值得研究”更能指导下一步工作。研究 Zn-air 结构，可以回到更广泛的金属空气电池中寻找经验；研究固态界面与离子导体，可以检查锂、钠固态电池已经形成的方法，再判断哪些能适应锌体系的化学条件。AI 没有给出选题，却把可能的知识来源指了出来。
当然，依赖外部知识不一定代表机会。它可能说明还有大量成熟经验可以迁移，也可能说明这条路线长期没有跨过材料、制造或商业上的门槛。专利引用能告诉研究者下一步去哪里找线索，却不能替代技术可行性判断。
第二组案例：专利最多的地方，证据就最充分吗？
有机电极材料给出了一个几乎相反的答案。
这类材料结构多样，可以用于锂、钠、多价离子和全固态等不同电池体系。作者不只统计每种体系有多少专利，还让模型识别专利采用了什么有机结构、报告了哪些性能，并继续检查这些数值能不能真正放在一起比较。
在368个有机电极专利家族中，锂体系占比最高，可达93%。作者将这一比例视为上限，因为专利没有明确说明电池化学时，模型会默认归入锂体系。钠体系有17个专利家族，多价离子体系有26个，全固态相关案例只有7个。
有机电极材料专利家族在锂、钠、多价离子和全固态体系中的年度与累计分布
按专利数量看，锂体系显然拥有最成熟的创新生态。但当作者检查摘要中的量化性能信息时，反差出现了：只有约7%的锂体系有机电极专利披露了可提取的量化KPI，多价离子体系的这一比例反而达到58%。
这里需要特别注意：7%指的是摘要层面的可获取性，并不代表其余专利完全没有性能数据。研究团队随机检查30件摘要中没有量化KPI的专利，其中 63%在全文图表或实施例里仍然包含数值。
重点不是“有没有做实验”，而是大规模分析时，这些数据能不能被找到，又能不能被公平比较。
关键结果如果只藏在全文图表和实施例中，自动化筛选就很难完整捕捉。即使找到了比容量或循环次数，如果没有同时说明电流密度、面载量、面积容量、电解液与容量比等测试条件，一个看上去很高的数字，也无法和另一项结果公平比较。
不同电池化学中的有机电极量化KPI披露，及容量、循环寿命和电流密度关系
于是，一个专利数量最多、产业布局最拥挤的方向，仍然可能存在“空白”。这里缺的不是发明数量，而是透明、完整、能够横向比较的性能证据。
对材料研究者来说，这会直接影响实验怎么设计、结果怎么报告。要证明一种有机电极正在接近实际应用，只给出材料层面的高比容量还不够，还要交代电极载量、倍率和电解液条件。对企业研发和投资判断来说，比较条件长期缺失也是一种风险，因为现有证据还不足以支持不同路线之间的可靠排序。
两组案例
三种不同的“空白”
锌电池和有机电极看起来是两套不同的问题，最后却共同说明了一件事：专利地图上的空白，并不只有“没人做”这一种。根据以上，作者总结出了三个“白区”：
活动白区（Activity White Spot）：一个类别里的专利活动本身很少，例如干态固态锌电池和全固态有机电极。它可能处于早期，也可能一直受到较高技术门槛限制。
披露白区（Reporting White Spot）：专利并不少，但完整、可比较的性能信息太少。我们知道很多人在做，却仍然说不清谁的性能更好，以及好在什么条件下。
知识流白区（knowledge-flow white spot）：一个方向还没有在本领域内部形成稳固的知识基础，主要依靠相邻技术提供经验。
为什么要把它们分开？因为它们指向的下一步完全不同。活动少，要先判断进入门槛；性能披露不足，要补齐测试条件和比较基准；自身知识积累较弱，则可以沿着引用关系寻找可能迁移的成熟经验。
这就是论文最值得带走的判断：不要看到一块空白就急着叫它“机会”。先弄清楚，这里究竟缺了什么。
AI在这项研究里做了什么？
它先把人读不过来的专利规模降下来：根据研究者设定的规则，识别技术类别、材料和性能指标，把分散在文本里的信息整理成可以统计和比较的数据；研究团队再把这些结果与专利引用网络结合起来。
但研究问题由谁提出、分类轴怎么定、哪些指标值得比较，仍然需要领域内的知识；模型在哪些类别可靠，也必须由专家抽样核验。最后，一块空白是机会还是障碍，还要回到电化学、制造、成本和市场条件中判断。
模型也会犯错。干态固态电解质类别的F1为0.71；有机电极KPI分类中，“没有指标”这一类别的F1只有0.33。遇到语义模糊的专利，模型倾向于至少分配一个KPI，因此论文统计出的KPI缺失程度很可能还是偏保守的。
因此，AI更像一个读得快、能够按规则整理材料的研究助手。它没有取代专家，而是改变了专家可以系统检查的证据规模：把时间从逐件翻阅，转移到定义问题、检查错误和判断关键方向。
换成自己的领域，
这套方法怎么用？
这套框架并不只适用于电池。催化、半导体器件、生物材料、储氢和制造工艺，同样会遇到术语不统一、专利迅速增加、性能条件难以比较的问题。真正可以借走的，不是GPT-4o这个模型，也不是论文里的电池标签，而是作者分析问题的顺序。
假如你也想用AI从专利中寻找研究线索，可以沿着下面五步往下问：
先说清楚自己要做什么判断。是找仍有进入空间的路线，比较不同方案的成熟度，还是寻找可以跨领域迁移的技术？决定不同，需要整理的专利信息也不同。
围绕真正的技术矛盾来分类。锌电池选择电解质，是因为稳定窗口、腐蚀和枝晶都与它密切相关。换一个领域，主轴可能是材料结构、制备工艺、器件架构、失效机制或应用场景。
提前规定什么样的数据才可以比较。不只寻找容量、效率或寿命，还要同时记录决定这些数字含义的测试条件。
让模型扩大阅读范围，同时保留原文依据。关键类别需要专家抽样验证，并记录模型最容易混淆的边界。
把活动、披露和知识流放在一起解释。专利少、数据缺失和依赖外部知识可以同时发生。只有回到具体技术约束中，才能把它们变成值得继续验证的研究问题。
对写综述、论文引言或项目申请的人来说，这套方法能让“研究空白”写得更具体。与其笼统地说“相关研究较少”，不如继续查：应用专利到底有多少？本领域内部的引用网络有没有形成？关键性能是不是缺少统一的报告条件？
对企业研发、知识产权和早期投资团队来说，它也提供了一种前期筛选思路。专利密集且证据完整、专利密集却难以比较、专利稀少且高度依赖外部知识，是三种完全不同的局面，需要核查的风险也不同。
最后问一句：
AI找到的空白，就是机会吗？
不一定。
论文采用高精度、低召回的检索策略，优先减少无关结果，因此统计数量更适合作为保守下限；最近年份还会受到专利通常延迟约18个月公开的影响。专利引用也只能作为知识流动的代理，还可能受到审查员、法律策略、地区和语言习惯影响。
更重要的是，作者并没有说明白区能够预测未来机会。专利少，既可能意味着尚未开发的潜力，也可能意味着长期存在的技术和商业障碍。要验证它有没有预测能力，还需要在过去某个时间点识别白区，再观察相关类别后来是否出现专利增长或更高的引用影响。
所以，这篇论文没有替研究者回答“下一步一定要做什么”。它提供的是一套更可靠的找方向方式：先让AI把海量专利整理成证据，再由研究者判断这些证据意味着机会、瓶颈，还是尚未成熟的知识体系。
当我们看到一片空白，可以继续追问：为什么这里专利少？现有性能能不能比较？这个方向主要在引用谁的知识？
如果缺的是研发活动，就去核查技术门槛；如果缺的是性能证据，就补充测试条件和比较基准；如果缺的是本领域自己的知识积累，就沿着知识流寻找真正能够迁移的外部经验。
AI不能替我们选题，但它可以让“这个方向为什么值得研究”不再只凭感觉。
