从Deep seek专利布局看起技术关注的演变与不变

“Deep seek”背后的相关公司还是比较多的，但是梳理清楚也不难，合并检索后我们把专利做了汇总并按照年份给分解了一下：

两件实用新型显然是最初的尝试，然后是一些短平快的专利，而且2019与2021乃至2022年的授权四件都是当年申请当年授权。肉眼可见的上面其实是有一些门道了，比如：早期还有金融相关的专利，后面会有GPU通讯的，也就是2024年的那几件，看题目都能感觉到其与后期"deep seek"这个大模型产品的相关度。

当然我们就此也是问了一下"deep seek"它本人。提问。Deep seek回答如下：

后面还有自己给自己的建议与规划，不过比较套路，没新意，就不贴了。当然本文绝非是要搬运凑文章，我们在此还是有干货要分享，大家仔细看下面：

是的，我们的系统内对于每一件专利做了详细的数据解读，其信息量相当的大，不信我们看看"deep seek"自己怎么解读：

不说别的，第一条技术方向聚焦就直接读出了很多问题。我们仔细看，正常读者只有基础理工科，从题目还是多少能感觉到一些东西。但是如果让你说说这背后的技术具体是些啥，影响啥，这个就难了。但是"deep seek"直接的通俗易懂的开讲了。注意，，此时我们还没有提供更多的信息，假设我们此时提供了对应的专利pdf全文，那么可以大胆猜测，效果会更好。

这里面有让我们很惊讶的部分，那就是"deep seek"会自行尝试解读哪怕它不懂的内容。好消息是，我们已经做了延申实验，如果我们在提问题的时候明确“你如果对其中不确认的内容可以提出来”deep seek会主动提出它觉得有疑问的自定义项目。此时你进行定义明确，后面"deep seek"会根据定义的内容二次理解和解读。当然，如果你提问题的时候直接去敲一段相关定义，也同样解决问题。

这个目前看会增加一些我们Patentics用户直接使用的成本，但是后期我们把api做好，内置定义项，这些问题都会迎刃而解。当然可以想象，后期大模型能力提升，训练数据时间更新或者整体大模型采用类似当前人类的“随学随用”的模式（非科幻想象，现实学者们正在进行中），这些问题就根本不是问题了。

这里面也同理，可以看到大模型当前是非常认定引用这种评估方式的，但是如果你教给它使用我们的谱图，它也能立刻明白，当然这里还有一个问题，就是excel上传时，其实它只识别其中的文字，也就是excel里面的图被省略了。但是参考上文，本质上"deep seek”是能识别图形的，所以这里面有一个技术层面的东西，我们也是可以把它解决好的。

这里面我们会注意到另一个层面的问题，也是数据分析的核心问题，或者说用大模型做数据分析的一个核心问题了。大家注意一下，“deep seek”给的主要竞争对手，这个其实来自于我们的数据解析，大模型属于解读。那么我们思考，大模型在读数据，理解文字乃至图形，这些方面都是非常强大的，完全不输人类。但是巧妇难为无米之炊，你确实也可以凭空去问，但是缺乏相关的数据支撑，肯定是就既有的能说的来说了，说白了就会说不透。数据如果够多，维度够多，大模型就能更厉害。

这个问题就来了，或者说咱们本文的总结就该有了：

1. 就事说事，"deep seek"专利看，GPU集群技术绝对是看点，相关技术人员们，大家自己深入研究吧；

2. 对知识产权从业人员而言，大家注意一下，我们的思维方式要变一变了，大家看啊，图也好，excel也好，只有你给数据，大模型的能力貌似是无上限，这个真的厉害，而且大家自己想，就算未来啥也不再发生，你如果学会直接扔给大模型一些图文内容，超过你的同行那也是分分钟的事儿，对吧；

3. 对我们而言，我们有活儿干了，打通api，让用户干脆就在我们的系统里面直接问起来，自然语言问问题，检索分析都交给大数据，直接一条龙，这个是个大工程，但是很值得做好它。