面向解决“卡脖子”技术困境的关键专利识别研究

doi:10.3772/j.issn.1000-0135.2025.06.006

情报学报

2025, Vol. 44

Issue (6): 720-735 DOI: 10.3772/j.issn.1000-0135.2025.06.006

情报理论与方法

本期目录 | 过刊浏览 | 高级检索

面向解决“卡脖子”技术困境的关键专利识别研究

朱珈慧¹, 周潇¹, 王博², 任乔杨¹, 王丹³

1.西安电子科技大学经济与管理学院，西安 710126
2.西安机电信息技术研究所，西安 710065
3.广西师范大学经济管理学院，桂林 541004

Research on Key Patent Identification for Solving the Technology Dilemma of “Neck Stuck”

Zhu Jiahui¹, Zhou Xiao¹, Wang Bo², Ren Qiaoyang¹, Wang Dan³

1.School of Economics and Management, Xidian University, Xi’an 710126
2.Xi’an Institute of Electromechanical Information Technology, Xi’an 710065
3.School of Economics and Management, Guangxi Normal University, Guilin 541004

摘要
图/表
参考文献
相关文章 (3)

全文: PDF (2834 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要随着国外对我国芯片领域技术和产品的封锁限制，我国科技领军企业和机构正在共同助力“卡脖子”技术突破，以实现国产化替代。识别我国在“卡脖子”技术问题上具有突破潜质的关键专利、提供具有针对性的细粒度解决方案，是帮助我国实现技术突围和布局技术创新战略的重要措施。本研究在大模型生成中外专利技术功效文本的基础上，通过对标国外“卡脖子”核心专利与国内专利的技术功效文本，识别出具有解决“卡脖子”技术问题的国内关键专利。本研究的创新点主要体现在两个方面：①在技术功效文本的生成上，利用大模型作为文本生成工具，弥补了抽取方式的机械性，同时有效降低了专家的参与程度；②在识别关键专利时，考虑了“技术—解决方案”的深层对应关系，从技术底层逻辑而非技术文本表层对中外专利进行对标，使得识别出的国内关键专利更具问题导向性。最后，以AI（artificial intelligence）芯片领域为例进行实证研究，验证了本研究方法的可行性，为我国突破“卡脖子”技术困境提供了有效思路。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	朱珈慧
	周潇
	王博
	任乔杨
	王丹

关键词 ： “卡脖子”技术突破, 关键专利识别, 大语言模型, 技术功效文本生成

收稿日期: 2024-05-31

基金资助:国家自然科学基金面上项目“重组创新视角下新兴共性技术识别及突破路径预测研究”（72374165）；2024年度全国学会服务国家战略专项项目“我国新一代集成电路产业发展现状与趋势研究报告”（(2024)815号）。

作者简介: 朱珈慧，女，2000年生，硕士研究生，主要研究领域为技术创新管理；周潇，通信作者，女，1986年生，博士，副教授，博士生导师，主要研究领域为技术预测与技术机会识别，E-mail：belinda1214@126.com；王博，男，1997年生，硕士研究生，主要研究领域为技术预测；任乔杨，男，2001年生，本科生，主要研究领域为技术创新管理；王丹，女，1991年生，博士，讲师，主要研究领域为技术创新管理；

引用本文:

朱珈慧, 周潇, 王博, 任乔杨, 王丹. 面向解决“卡脖子”技术困境的关键专利识别研究[J]. 情报学报, 2025, 44(6): 720-735.
Zhu Jiahui, Zhou Xiao, Wang Bo, Ren Qiaoyang, Wang Dan. Research on Key Patent Identification for Solving the Technology Dilemma of “Neck Stuck”. 情报学报, 2025, 44(6): 720-735.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2025.06.006 或 https://qbxb.istic.ac.cn/CN/Y2025/V44/I6/720

1 “小院高墙”是什么意思? 这得从美国对华政策说起……[EB/OL]. (2023-07-25). https://new.qq.com/rain/a/20230725A03LCA00.
2 院士热议国产芯片自主创新: 自主、开放“两条路”不可偏废[EB/OL]. (2018-06-05). https://www.thepaper.cn/newsDetail_forward_2173864.
3 陈旭, 江瑶, 熊焰, 等. 关键核心技术“卡脖子”问题的识别及应用: 以AI芯片为例[J]. 中国科技论坛, 2023(9): 17-27.
4 曹琨, 吴新年, 白光祖, 等. 基于专利文献的“卡脖子”技术识别研究——以数控机床领域为例[J]. 图书情报工作, 2023, 67(19): 80-91.
5 赵雪峰, 吴德林, 吴伟伟, 等. 基于深度学习与多分类轮询机制的高质量“卡脖子”技术专利识别模型——以专利申请文件为研究主体[J]. 数据分析与知识发现, 2023, 7(8): 30-45.
6 汤志伟, 李昱璇, 张龙鹏. 中美贸易摩擦背景下“卡脖子”技术识别方法与突破路径——以电子信息产业为例[J]. 科技进步与对策, 2021, 38(1): 1-9.
7 彭新敏, 张祺瑞, 刘电光. 后发企业超越追赶的动态过程机制——基于最优区分理论视角的纵向案例研究[J]. 管理世界, 2022, 38(3): 145-162.
8 郭彦彦, 吴福象. 基于TRIZ的中国关键技术突破路径研究——一个系统框架[J]. 科技进步与对策, 2024, 41(21): 1-10.
9 Wang J F, Zhang Z X, Feng L J, et al. Development of technology opportunity analysis based on technology landscape by extending technology elements with BERT and TRIZ[J]. Technological Forecasting and Social Change, 2023, 191: 122481.
10 Zhang D T, Wu X, Liu P, et al. Identification of product innovation path incorporating the FOS and BERTopic model from the perspective of invalid patents[J]. Applied Sciences, 2023, 13(13): 7987.
11 Sheu D D, Yen M Z. Systematic analysis and usage of harmful resources[J]. Computers & Industrial Engineering, 2020, 145: 106459.
12 赵敏, 史晓凌, 段海波. TRIZ入门及实践[M]. 北京: 科学出版社, 2009: 32-35.
13 Jeong Y, Yoon B. Development of patent roadmap based on technology roadmap by analyzing patterns of patent development[J]. Technovation, 2015, 39: 37-52.
14 Verbitsky M. Semantic TRIZ[J/OL]. The TRIZ Journal, (2004-02-05). https://the-trizjournal.com/semantic-triz/.
15 陈颖, 张晓林. 基于特征度和词汇模型的专利技术功效矩阵结构生成研究[J]. 现代图书情报技术, 2012(2): 53-59.
16 余梦霞, 张宇娥, 凌世婷, 等. 专利技术功效视域下的领域重点研发方向布局研究——以第三代功率半导体领域为例[J]. 图书情报工作, 2022, 66(17): 116-128.
17 郑彦宁, 化柏林. 句子级知识抽取在情报学中的应用分析[J]. 情报理论与实践, 2011, 34(12): 1-4.
18 Han X T, Zhu D H, Wang X F, et al. Technology opportunity analysis: combining SAO networks and link prediction[J]. IEEE Transactions on Engineering Management, 2021, 68(5): 1288-1298.
19 向姝璇, 李睿. 专利技术功效特征自动抽取方法探索——以6G领域为例[J]. 中国发明与专利, 2021, 18(4): 3-9.
20 Zhao W X, Zhou K, Li J, et al. A survey of large language models[OL]. (2025-03-11). https://arxiv.org/pdf/2303.18223.
21 Kaplan J, McCandlish S, Henighan T, et al. Scaling laws for neural language models[OL]. (2020-01-23). https://arxiv.org/pdf/2001.08361.
22 Wei J, Tay Y, Bommasani R, et al. Emergent abilities of large language models[OL]. (2022-10-26). https://arxiv.org/pdf/2206.07682v2.
23 赵浜, 曹树金. 国内外生成式AI大模型执行情报领域典型任务的测试分析[J]. 情报资料工作, 2023, 44(5): 6-17.
24 Jiang Y, Meng R, Huang Y, et al. Generating keyphrases for readers: a controllable keyphrase generation framework[J]. Journal of the Association for Information Science and Technology, 2023, 74(7): 759-774.
25 刘江峰, 刘雏菲, 齐月, 等. AIGC助力数字人文研究的实践探索: SikuGPT驱动的古诗词生成研究[J]. 情报理论与实践, 2023, 46(5): 23-31.
26 白如江, 陈启明, 张玉洁, 等. 基于ChatGPT+Prompt的专利技术功效实体自动生成研究[J]. 数据分析与知识发现, 2024, 8(4): 14-25.
27 Tseng Y H, Lin C J, Lin Y I. Text mining techniques for patent analysis[J]. Information Processing & Management, 2007, 43(5): 1216-1247.
28 Fattori M, Pedrazzi G, Turra R. Text mining applied to patent mapping: a practical business case[J]. World Patent Information, 2003, 25(4): 335-342.
29 胡菊香, 吕学强, 刘秀磊, 等. 专利技术功效短语获取研究[J]. 科学技术与工程, 2016, 16(14): 228-235.
30 Wei J, Bosma M, Zhao V Y, et al. Finetuned language models are zero-shot learners[OL]. (2022-02-08). https://arxiv.org/pdf/2109.01652.
31 Hu S D, Ding N, Wang H D, et al. Knowledgeable prompt-tuning: incorporating knowledge into prompt verbalizer for text classification[C]// Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics. Stroudsburg: Association for Computational Linguistics, 2022: 2225-2240.
32 Gupta P, Jiao C, Yeh Y T, et al. InstructDial: improving zero and few-shot generalization in dialogue through instruction tuning[C]// Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing. Stroudsburg: Association for Computational Linguistics, 2022: 505-525.
33 Hu E J, Shen Y L, Wallis P, et al. LoRA: Low-rank adaptation of large language models[OL]. (2021-10-16). https://arxiv.org/pdf/2106.09685.
34 Liyanage V, Buscaldi D, Nazarenko A. A benchmark corpus for the detection of automatically generated text in academic publications[C]// Proceedings of the Thirteenth Language Resources and Evaluation Conference. Stroudsburg: Association for Computational Linguistics, 2022: 4692-4700.
35 Zhang T Y, Kishore V, Wu F, et al. BERTScore: evaluating text generation with BERT[OL]. (2020-02-24). https://arxiv.org/pdf/1904.09675v3.
36 吕璐成, 韩涛, 陈芳, 等. 美国商业管制清单与专利自动映射方法及实证研究[J]. 情报学报, 2022, 41(1): 50-61.
37 朱宇婧, 陈芳, 赵萍, 等. 融合美国商业管制清单和专利的技术链关键路径识别研究——以EDA软件领域为例[J]. 图书情报工作, 2023, 67(21): 89-99.
38 刘康. 基于技术存在形式的技术垄断研究[J]. 科技进步与对策, 2012, 29(1): 15-20.
39 王彦超, 郭小敏, 余应敏. 反垄断与债务市场竞争中性[J]. 会计研究, 2020(7): 144-166.
40 Grimaldi M, Cricelli L. Indexes of patent value: a systematic literature review and classification[J]. Knowledge Management Research & Practice, 2020, 18(2): 214-233.
41 杨大飞, 杨武, 田雪姣, 等. 基于专利数据的核心技术识别模型构建及实证研究[J]. 情报杂志, 2021, 40(2): 47-54.
42 Feng L J, Niu Y X, Liu Z F, et al. Discovering technology opportunity by keyword-based patent analysis: a hybrid approach of morphology analysis and USIT[J]. Sustainability, 2020, 12(1): 136.
43 Wu H Q, Shen G Q, Lin X, et al. A transformer-based deep learning model for recognizing communication-oriented entities from patents of ICT in construction[J]. Automation in Construction, 2021, 125: 103608.
44 中国“新基建”万亿市场! 一文带您了解2025中国算力基础设施建设与发展深度分析[EB/OL]. (2025-02-20). https://www.doit.com.cn/p/528737.html.
45 2025年中国人工智能计算力发展评估报告[R]. 北京: IDC, 2025.
46 Du Z X, Qian Y J, Liu X, et al. GLM: general language model pretraining with autoregressive blank infilling[C]// Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics. Stroudsburg: Association for Computational Linguistics, 2022: 320-335.
47 华芯通ARM服务器芯片昇龙4800正式量产生态建设很给力[EB/OL]. (2018-11-27). https://www.sohu.com/a/278129739_465984.